## Tổng quan nghiên cứu

Ung thư gan là một trong những bệnh lý ung thư có tỷ lệ mắc mới và tử vong cao nhất trên thế giới, đứng thứ sáu về phổ biến và thứ hai về nguyên nhân tử vong do ung thư. Ảnh chụp cắt lớp vi tính (CT) được sử dụng rộng rãi trong chẩn đoán và theo dõi ung thư gan nhờ độ chính xác và độ nhạy cao. Tuy nhiên, việc phân đoạn khối u gan trên ảnh CT gặp nhiều thách thức do sự đa dạng về hình dạng, vị trí và mức độ phân bố đơn vị Hounsfield (HU) của khối u. Nghiên cứu này nhằm phát triển phương pháp phân đoạn khối u gan trên ảnh CT 2D bằng cách kết hợp chuyển đổi Hounsfield đa kênh và biến đổi hệ tọa độ cực, giúp tối ưu hóa quá trình rút trích đặc trưng và cải thiện độ chính xác phân đoạn. Phạm vi nghiên cứu sử dụng bộ dữ liệu Liver Tumor Segmentation Challenge (LiTS17) với 131 ảnh CT 3D, cắt lát thành khoảng 29,000 lát cắt 2D cho gan và 10,000 lát cắt cho khối u gan. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ chẩn đoán và điều trị ung thư gan, góp phần nâng cao hiệu quả và độ tin cậy của hệ thống phân đoạn tự động.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Mạng nơ-ron U-Net**: Kiến trúc mạng tích chập encoder-decoder, nổi bật trong phân đoạn ảnh y khoa, với khả năng rút trích và khôi phục đặc trưng hiệu quả. Các phiên bản mở rộng như U-Net 3D và KiU-Net được phát triển để xử lý ảnh CT 3D và cải thiện độ chính xác.
- **Chuyển đổi Hounsfield đa kênh**: Phương pháp tiền xử lý ảnh CT, chuyển đổi ảnh gốc 1 kênh thành ảnh đa kênh dựa trên các cửa sổ HU khác nhau, tận dụng sự đa dạng phân bố HU của khối u gan để làm phong phú đặc trưng đầu vào cho mô hình.
- **Biến đổi hệ tọa độ cực (Polar transformation)**: Chuyển đổi ảnh từ hệ tọa độ Descartes sang hệ tọa độ cực, giúp giảm độ phức tạp về hình dạng và vị trí vật thể, hỗ trợ mô hình hội tụ nhanh và chính xác hơn. Phương pháp này còn được mở rộng thành biến đổi hệ tọa độ cực đa điểm để xử lý nhiều phần tử khối u trên cùng một lát cắt.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu**: Bộ dữ liệu LiTS17 gồm 131 ảnh CT 3D của bệnh nhân ung thư biểu mô tế bào gan, với nhãn phân đoạn gan và khối u do chuyên gia đánh giá.
- **Phương pháp phân tích**: Ảnh CT 3D được cắt lát thành ảnh 2D theo trục axial. Tiền xử lý bao gồm áp dụng vùng quan tâm ROI [0, 200] HU, chuyển đổi Hounsfield đa kênh và biến đổi hệ tọa độ cực đa điểm. Mô hình U-Net được huấn luyện trên dữ liệu đã tiền xử lý với các tham số batch size 6-8, learning rate 0.001, dropout và hàm mất mát Jaccard (IoU).
- **Timeline nghiên cứu**: Quá trình huấn luyện mô hình diễn ra trong 100 epochs, sử dụng checkpoints để lưu mô hình với hiệu năng IoU tốt nhất. Đánh giá mô hình trên tập kiểm thử gồm 15 ảnh CT 3D (khoảng 5,000 lát cắt gan và 2,200 lát cắt khối u).

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Phương pháp biến đổi hệ tọa độ cực cải thiện đáng kể hiệu năng phân đoạn gan với hệ số Dice (DSC) đạt 0.9628, vượt trội so với mô hình U-Net truyền thống.
- Ứng dụng kết hợp chuyển đổi Hounsfield đa kênh và biến đổi hệ tọa độ cực đa điểm cho phân đoạn khối u gan đạt DSC 0.7565, tăng khoảng 14% so với mô hình Cartesian U-Net cơ bản (DSC 0.6120).
- Độ chính xác (Precision) của phương pháp đề xuất đạt 0.7705, cao hơn so với các phương pháp trước đây, trong khi độ phủ (Recall) và chỉ số IoU vẫn còn tiềm năng cải thiện.
- So sánh với các phương pháp hiện đại như KiU-Net 3D, phương pháp đề xuất có hiệu năng tương đương trên ảnh 2D, đồng thời giảm thiểu chi phí tính toán và thời gian huấn luyện.

### Thảo luận kết quả

Việc kết hợp chuyển đổi Hounsfield đa kênh giúp mô hình tận dụng tối đa sự đa dạng về mức độ HU của khối u gan, làm phong phú đặc trưng đầu vào và giảm thiểu sai số do sự không đồng nhất về độ sáng và tương phản. Biến đổi hệ tọa độ cực đa điểm giúp cố định vị trí trọng tâm khối u, giảm độ phức tạp hình dạng và vị trí, từ đó mô hình dễ dàng học các đặc trưng khoảng cách và biên giới hơn. Kết quả biểu diễn qua biểu đồ DSC và IoU cho thấy sự hội tụ nhanh và ổn định của mô hình. So với các nghiên cứu trước, phương pháp đề xuất không chỉ nâng cao hiệu năng mà còn giảm thiểu yêu cầu về tài nguyên tính toán, phù hợp với ứng dụng thực tế tại các cơ sở y tế. Tuy nhiên, độ phủ recall thấp hơn một số mô hình phức tạp cho thấy cần tiếp tục nghiên cứu để cải thiện khả năng phát hiện toàn diện các vùng khối u.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống phân đoạn tự động**: Áp dụng phương pháp chuyển đổi Hounsfield đa kênh kết hợp biến đổi hệ tọa độ cực trong các bệnh viện để hỗ trợ chẩn đoán ung thư gan, mục tiêu nâng cao độ chính xác phân đoạn lên trên 95% trong vòng 12 tháng.
- **Nâng cấp mô hình mạng nơ-ron**: Kết hợp phương pháp tiền xử lý với các kiến trúc mạng phức tạp hơn như KiU-Net hoặc U-Net 3+ để cải thiện độ phủ recall, thực hiện trong 18 tháng tiếp theo bởi nhóm nghiên cứu chuyên sâu.
- **Mở rộng ứng dụng trên các loại ảnh y khoa khác**: Áp dụng kỹ thuật này cho ảnh MRI não hoặc ảnh nội soi polyp nhằm tăng hiệu quả phân đoạn, dự kiến thử nghiệm trong 24 tháng.
- **Đào tạo và chuyển giao công nghệ**: Tổ chức các khóa đào tạo cho bác sĩ và kỹ thuật viên về sử dụng hệ thống phân đoạn tự động, đảm bảo vận hành hiệu quả và chính xác, triển khai trong 6 tháng đầu năm.
- **Phát triển phần mềm tích hợp**: Xây dựng phần mềm tích hợp phương pháp đề xuất với giao diện thân thiện, hỗ trợ phân tích và báo cáo kết quả nhanh chóng, hoàn thành trong 12 tháng.

## Đối tượng nên tham khảo luận văn

- **Nhà nghiên cứu và sinh viên ngành Khoa học máy tính, Xử lý ảnh y khoa**: Nắm bắt kỹ thuật tiền xử lý ảnh CT và mô hình mạng nơ-ron U-Net cải tiến, phục vụ phát triển các nghiên cứu tiếp theo.
- **Bác sĩ chuyên khoa ung bướu và chẩn đoán hình ảnh**: Hiểu rõ phương pháp phân đoạn tự động hỗ trợ chẩn đoán ung thư gan, nâng cao hiệu quả và độ chính xác trong thực tế lâm sàng.
- **Chuyên gia phát triển phần mềm y tế**: Áp dụng kỹ thuật chuyển đổi Hounsfield đa kênh và biến đổi hệ tọa độ cực để xây dựng các công cụ phân tích ảnh y khoa tiên tiến.
- **Quản lý bệnh viện và cơ sở y tế**: Đánh giá và triển khai các giải pháp công nghệ hỗ trợ chẩn đoán hình ảnh, tối ưu hóa quy trình làm việc và nâng cao chất lượng dịch vụ.

## Câu hỏi thường gặp

1. **Phương pháp chuyển đổi Hounsfield đa kênh là gì?**  
   Đây là kỹ thuật tiền xử lý ảnh CT, chuyển đổi ảnh gốc thành nhiều kênh dựa trên các cửa sổ HU khác nhau, giúp mô hình học được nhiều đặc trưng đa dạng của khối u gan.

2. **Biến đổi hệ tọa độ cực có tác dụng gì trong phân đoạn ảnh?**  
   Phương pháp này chuyển ảnh từ hệ tọa độ Descartes sang cực, giúp giảm độ phức tạp về hình dạng và vị trí vật thể, từ đó cải thiện độ chính xác và tốc độ hội tụ của mô hình.

3. **Tại sao cần kết hợp cả hai phương pháp trên?**  
   Sự kết hợp giúp tận dụng tối đa đặc trưng đa dạng của ảnh CT và giảm thiểu sự phân tán vị trí, nâng cao hiệu năng phân đoạn so với chỉ sử dụng một phương pháp riêng lẻ.

4. **Bộ dữ liệu LiTS17 có đặc điểm gì nổi bật?**  
   Bộ dữ liệu gồm 131 ảnh CT 3D của bệnh nhân ung thư gan, được đánh giá bởi chuyên gia, cung cấp nhãn phân đoạn gan và khối u chuẩn xác, phù hợp cho nghiên cứu phân đoạn ảnh y khoa.

5. **Phương pháp này có thể áp dụng cho các loại ung thư khác không?**  
   Có thể, kỹ thuật tiền xử lý và mô hình mạng nơ-ron có thể được điều chỉnh và áp dụng cho các loại ảnh y khoa khác như MRI não hoặc ảnh nội soi, mở rộng phạm vi ứng dụng.

## Kết luận

- Đề xuất phương pháp kết hợp chuyển đổi Hounsfield đa kênh và biến đổi hệ tọa độ cực đa điểm giúp cải thiện đáng kể hiệu năng phân đoạn khối u gan trên ảnh CT 2D.  
- Mô hình U-Net đơn giản được tối ưu hóa với kỹ thuật tiền xử lý này đạt hệ số Dice lên đến 0.7565 cho khối u gan và 0.9628 cho gan.  
- Phương pháp giảm thiểu chi phí tính toán, thời gian huấn luyện, phù hợp với ứng dụng thực tế tại các cơ sở y tế.  
- Kết quả nghiên cứu mở ra hướng phát triển cho các kỹ thuật phân đoạn ảnh y khoa khác và các mô hình mạng nơ-ron phức tạp hơn.  
- Khuyến nghị triển khai ứng dụng trong thực tế, đồng thời tiếp tục nghiên cứu nâng cao độ phủ và mở rộng phạm vi ứng dụng.  

Hãy áp dụng và phát triển phương pháp này để nâng cao chất lượng chẩn đoán và điều trị ung thư gan, góp phần cải thiện sức khỏe cộng đồng.