Phát hiện và khoanh vùng ung thư thận hiệu quả bằng kỹ thuật deep learning

Tài liệu nghiên cứu Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật deep learning, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Lê Duy Linh
• Người hướng dẫn: TS. Phan Anh Cang
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Vĩnh Long
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật deep learning
• Loại tài liệu: khóa luận tốt nghiệp đại học
• Năm xuất bản: 2022
• Địa điểm: Vĩnh Long

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ KHOA HỌC CỦA ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Cơ sở thực tiễn
• 1.3. Nghiên cứu liên quan
• 1.4. Vấn đề đặt ra
• 1.5. Hướng giải quyết
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Bệnh ung thư thận
• 2.2. Ung thư thận
• 2.3. Nguyên nhân gây bệnh
• 2.4. Ung thư thận và các giai đoạn phát triển
• 2.5. Cách thức gây bệnh
• 2.6. Dấu hiệu và triệu chứng
• 2.7. Phương pháp điều trị
• 2.8. Phương pháp chuẩn đoán
• 2.9. Tổng quan về trí tuệ nhân tạo
• 2.10. Một số công nghệ Trí tuệ nhân tạo phổ biến
• 2.11. Ứng dụng của trí tuệ nhân tạo trong cuộc sống hiện nay
• 2.12. Khái niệm Machine Learning
• 2.13. Machine learning Workflow
• 2.14. Phân loại Machine learning
• 2.15. Một số khái niệm cơ bản
• 2.16. Ứng dụng của Machine learning
• 2.17. Khái niệm Deep Learning
• 2.18. Các ưu điểm nổi bật của Deep Learning
• 2.19. Cách thức hoạt động của Deep Learning
• 2.20. Ứng dụng của Deep Learning
• 2.21. Mạng học sâu và vai trò
• 2.22. Vai trò của học sâu trong phát hiện và dự đoán
• 2.23. Mạng nơ-ron tích chập CNN
• 2.24. Kiến trúc mạng ResNet và các chỉ số đánh giá
• 2.25. Kiến trúc mạng Unet và các chỉ số đánh giá
• 2.26. Công cụ xây dựng
• 2.27. Sử dụng Google Colab kết hợp với các thư viện máy học để xây dựng và huấn luyện các mô hình Deep Learning
• 2.28. Sử dụng Tensorflow để xây dựng mô hình Deep Learning
• 2.29. Sử dụng Keras API để triển khai và đào tạo mô hình Deep Learning
• 3. CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT
• 3.1. Mô hình đề xuất
• 3.2. Kiến trúc đề xuất phát hiện khoanh vùng tổn thương thận do ung thư
• 3.3. Mô hình Unet phát hiện và phân vùng khối u dựa trên dấu hiệu tổn thương thận
• 3.4. Mô hình Resnet phát hiện khối u dựa trên dấu hiệu tổn thương thận
• 3.5. Pha tiền xử lý và tăng cường dữ liệu
• 3.5.1. Tăng cường dữ liệu áp dụng phương pháp Flip images
• 3.5.2. Tăng cường dữ liệu áp dụng phương pháp rotation images
• 3.5.3. Tăng cường dữ liệu áp dụng phương pháp crop images
• 3.5.4. Tăng cường dữ liệu áp dụng phương pháp resize images
• 3.6. Pha huấn luyện mô hình
• 3.7. Pha phân loại
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. Môi trường thực nghiệm
• 4.2. Kịch bản và tham số huấn luyện
• 4.3. Kết quả huấn luyện
• 4.4. Thời gian huấn luyện
• 4.5. Kết quả kiểm thử và hình ảnh
• 5. CHƯƠNG 5: KẾT LUẬN – HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về ung thư thận

Ung thư thận là một loại ung thư phổ biến trong hệ tiết niệu, bắt đầu từ một hoặc cả hai quả thận. Bệnh thường không có triệu chứng rõ ràng ở giai đoạn đầu, dẫn đến việc chẩn đoán muộn. Theo thống kê, ung thư thận chiếm khoảng 2% tổng số ca ung thư, với tỷ lệ mắc cao hơn ở nam giới. Các yếu tố nguy cơ bao gồm tuổi tác, hút thuốc, và tiền sử gia đình. Việc phát hiện sớm ung thư thận là rất quan trọng để nâng cao tỷ lệ sống sót cho bệnh nhân. Sử dụng công nghệ hình ảnh như CT giúp phát hiện khối u, nhưng việc phân biệt giữa khối u ác tính và lành tính vẫn còn nhiều thách thức. Do đó, nghiên cứu về phương pháp phát hiện ung thư thận bằng deep learning là cần thiết để cải thiện độ chính xác trong chẩn đoán.

II. Cơ sở lý thuyết về deep learning

Deep learning là một nhánh của machine learning, sử dụng các mạng nơ-ron để học từ dữ liệu. Các mô hình deep learning có khả năng tự động trích xuất đặc trưng từ dữ liệu mà không cần sự can thiệp của con người. Điều này đặc biệt hữu ích trong lĩnh vực y tế, nơi mà dữ liệu hình ảnh như CT rất phong phú. Mạng nơ-ron tích chập (CNN) là một trong những kiến trúc phổ biến nhất trong deep learning, cho phép phân tích hình ảnh hiệu quả. Các nghiên cứu đã chỉ ra rằng deep learning có thể đạt được độ chính xác cao trong việc phát hiện và phân loại các loại ung thư, bao gồm cả ung thư thận. Việc áp dụng deep learning trong phát hiện ung thư thận không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian chẩn đoán.

III. Phương pháp nghiên cứu

Phương pháp nghiên cứu trong đề tài này bao gồm việc thu thập dữ liệu hình ảnh từ các bệnh nhân ung thư thận và áp dụng các mô hình deep learning như U-net và ResNet để phát hiện và khoanh vùng tổn thương. Quá trình này bao gồm các bước tiền xử lý dữ liệu, tăng cường dữ liệu và huấn luyện mô hình. Tăng cường dữ liệu giúp cải thiện độ chính xác của mô hình bằng cách tạo ra nhiều biến thể của hình ảnh gốc. Việc sử dụng Google Colab và các thư viện như TensorFlow và Keras giúp tối ưu hóa quá trình huấn luyện. Kết quả từ các mô hình này sẽ được so sánh để xác định mô hình nào đạt hiệu suất tốt nhất trong việc phát hiện ung thư thận.

IV. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình deep learning có khả năng phát hiện ung thư thận với độ chính xác cao. Các chỉ số như độ nhạy, độ đặc hiệu và độ chính xác tổng thể được đánh giá qua các bài kiểm tra trên tập dữ liệu kiểm thử. Mô hình U-net cho thấy hiệu suất vượt trội trong việc phân đoạn khối u so với các mô hình khác. Thời gian huấn luyện cũng được ghi nhận, cho thấy khả năng tối ưu hóa trong việc xử lý dữ liệu lớn. Những kết quả này không chỉ khẳng định tính khả thi của việc áp dụng deep learning trong phát hiện ung thư thận mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực y tế.

V. Kết luận và hướng phát triển

Đề tài nghiên cứu đã chứng minh rằng việc áp dụng deep learning trong phát hiện ung thư thận là khả thi và hiệu quả. Các mô hình như U-net và ResNet đã cho thấy khả năng phát hiện và khoanh vùng tổn thương với độ chính xác cao. Hướng phát triển tiếp theo có thể bao gồm việc mở rộng tập dữ liệu, cải thiện các thuật toán học sâu và áp dụng vào thực tiễn lâm sàng. Việc phát triển các ứng dụng hỗ trợ bác sĩ trong chẩn đoán ung thư thận sẽ góp phần nâng cao chất lượng điều trị và giảm thiểu gánh nặng cho hệ thống y tế.

Nội dung chính

Giới thiệu dự án

Ung thư thận (Renal Cell Carcinoma - RCC) là một trong những bệnh lý ác tính đường tiết niệu nguy hiểm nhất hiện nay. Theo thống kê dịch tễ từ GLOBOCAN, ung thư tế bào thận chiếm hơn 90% tổng số các ca u thận ở người trưởng thành và đứng thứ 3 trong các bệnh ung thư hệ tiết niệu (sau ung thư tiền liệt tuyến và bàng quang), nhưng lại có tỷ lệ tử vong cao nhất. Tại Việt Nam, mỗi năm ghi nhận khoảng 2.394 ca mắc mới. Trong đó, ung thư biểu mô tế bào sáng (Clear Cell RCC - ccRCC) chiếm tới 70 - 80% trường hợp. Việc phát hiện sớm ở giai đoạn T1 (khối u khu trú $\le 7\text{ cm}$) giúp nâng cao tỷ lệ sống trên 5 năm lên trên 90%, tuy nhiên triệu chứng lâm sàng giai đoạn sớm thường nghèo nàn, phần lớn được phát hiện tình cờ qua chẩn đoán hình ảnh.

                    ┌────────────────────────┐
                    │      Ảnh CT bụng       │
                    └───────────┬────────────┘
                                │
                                ▼
                    ┌────────────────────────┐
                    │    Tiền xử lý & Aug    │
                    │ (Flip, Rotate, Crop)   │
                    └───────────┬────────────┘
                                │
        ┌───────────────────────┴───────────────────────┐
        ▼                                               ▼
┌──────────────────────────────┐        ┌──────────────────────────────┐
│       Mô hình ResNet         │        │        Mô hình U-Net         │
│  (Phân loại tổn thương RCC)  │        │ (Phân vùng/Khoanh vùng u/thận│
└──────────────┬───────────────┘        └──────────────┬───────────────┘
               │                                       │
               ▼                                       ▼
┌──────────────────────────────┐        ┌──────────────────────────────┐
│  Kết quả: Normal vs Tumor    │        │  Segmentation Mask (2D/3D)   │
└──────────────────────────────┘        └──────────────────────────────┘

Vấn đề cốt lõi hiện nay là việc phân tích ảnh chụp cắt lớp vi tính (Computed Tomography - CT) ổ bụng phụ thuộc hoàn toàn vào mắt đọc và kinh nghiệm chủ quan của bác sĩ chẩn đoán hình ảnh. Với số lượng lát cắt CT lớn cho mỗi ca khám, nguy cơ bỏ sót các tổn thương kích thước nhỏ, ranh giới mờ giữa mô lành và khối u xâm lấn màng bọc Gerota (Gerota’s fascia) là rất cao, dẫn tới quá tải quy trình lâm sàng.

Đề tài "Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật Deep Learning" do sinh viên Lê Duy Linh thực hiện dưới sự hướng dẫn của TS. Phan Anh Cang tại Trường Đại học Sư phạm Kỹ thuật Vĩnh Long tập trung giải quyết bài toán tự động hóa quy trình chẩn đoán hỗ trợ (Computer-Aided Diagnosis - CAD).

Mục tiêu cụ thể của dự án:

1. Thu thập, làm sạch và chuẩn hóa tập dữ liệu ảnh CT cắt lớp thận đa lát cắt từ các nguồn y khoa tiêu chuẩn quốc tế (Kaggle, KiTS Challenge).
2. Xây dựng pipeline tiền xử lý và tăng cường dữ liệu (Data Augmentation) phù hợp với đặc thù mật độ tia X (Hounsfield Units) của mô thận.
3. Huấn luyện và tinh chỉnh mô hình mạng nơ-ron tích chập ResNet cho tác vụ phát hiện/phân loại tổn thương thận.
4. Xây dựng và tối ưu kiến trúc mạng U-Net phục vụ tác vụ phân đoạn ngữ nghĩa (Semantic Segmentation), khoanh vùng chính xác ranh giới khối u và nhu mô thận.
5. Đánh giá thực nghiệm mô hình với các chỉ số đo lường định lượng (Accuracy, Dice Coefficient, IoU, Loss) để chứng minh tính khả thi khi ứng dụng hỗ trợ y bác sĩ.

Phạm vi nghiên cứu tập trung vào phân tích ảnh CT thận 2D slice trích xuất từ dữ liệu cắt lớp, phân loại tổn thương do u thận và phân vùng vị trí u so với thận lành. Giới hạn đề tài chưa đi sâu vào phân độ giải phẫu bệnh Fuhrman 4 cấp độ hoặc phân loại mô bệnh học hiếm gặp ngoài RCC.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp chẩn đoán hình ảnh truyền thống dựa vào việc đọc phim CT thủ công bởi bác sĩ X-quang. Sự phát triển của trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đã mở ra hướng đi mới thông qua việc tự động trích xuất các đặc trưng phi tuyến từ mức thấp (cạnh, góc, texture) đến mức cao (cấu trúc mô u) mà không cần can thiệp thủ công.

Tiêu chí	Đọc phim CT thủ công	Xử lý ảnh cổ điển (Otsu/Thresholding)	Deep Learning (ResNet + U-Net)
Độ chính xác u nhỏ	Phụ thuộc kinh nghiệm (70 - 85%)	Thấp (< 65%), dễ nhiễu mô mỡ	Rất cao (> 90%), học đặc trưng sâu
Thời gian phân tích	10 - 20 phút/bệnh nhân	1 - 2 phút/ca nhưng sai số lớn	< 2 giây/lát cắt CT
Khoanh vùng ranh giới	Đo đạc thủ công, dễ lệch biên	Kém do độ tương phản mô u thấp	Tự động sinh pixel-level mask chính xác
Khả năng mở rộng	Giới hạn bởi nhân lực y tế	Kém thích ứng với dữ liệu máy CT khác	Tốt thông qua Transfer Learning

Phân loại yêu cầu hệ thống theo mô hình MoSCoW:

• Must have: Tự động nhận diện lát cắt CT có u thận; phân vùng chính xác vùng thận và khối u; chạy ổn định trên môi trường GPU.
• Should have: Pipeline tăng cường dữ liệu đa dạng (Flip, Rotation, Crop, Resize); trực quan hóa vùng u dạng bounding box/segmentation overlay.
• Could have: Tích hợp giao diện web inference hỗ trợ bác sĩ tải ảnh DICOM/PNG trực tiếp.
• Won't have (lần này): Tái tạo 3D thể tích khối u thời gian thực từ chuỗi DICOM nguyên bản.

Thách thức kỹ thuật lớn nhất là sự mất cân bằng dữ liệu nghiêm trọng (vùng u chiếm tỷ lệ pixel rất nhỏ so với nền và ổ bụng) cùng độ tương phản thấp giữa khối u RCC giai đoạn sớm và nhu mô thận lành quanh xoang thận.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình xử lý hai nhánh: nhánh phân loại (Classification) dựa trên ResNet và nhánh phân đoạn (Segmentation) dựa trên U-Net.

graph TD
    A[Dữ liệu CT Thận Thô] --> B[Data Preprocessing & Normalization]
    B --> C[Data Augmentation: Flip, Rotate, Crop, Resize 256x256]
    C --> D{Pipeline Phân Tích}
    
    subgraph Detection_Branch [Nhánh Phân Loại - ResNet]
        D --> E[ResNet Feature Extractor]
        E --> F[Residual Blocks: Conv & Identity]
        F --> G[Global Average Pooling]
        G --> H[Dense Layer + Sigmoid/Softmax]
        H --> I[Kết quả: Khối U / Thận Bình Thường]
    end
    
    subgraph Segmentation_Branch [Nhánh Phân Vùng - U-Net]
        D --> J[Encoder / Contracting Path]
        J --> K[Bottleneck Representation]
        K --> L[Decoder / Expansive Path]
        J -. Skip Connections .-> L
        L --> M[1x1 Conv + Sigmoid Mask]
        M --> N[Binary Tumor/Kidney Mask]
    end
    
    I --> O[Báo cáo Chẩn đoán Hỗ trợ CAD]
    N --> O

Công nghệ sử dụng trong nghiên cứu:

• Ngôn ngữ: Python 3.8+
• Deep Learning Frameworks: TensorFlow 2.8.0, Keras 2.8.0
• Thư viện tính toán & Xử lý ảnh: OpenCV 4.5+, NumPy 1.21+, Scikit-Learn 1.0+, Matplotlib 3.5+
• Hạ tầng huấn luyện: Google Colab Pro với GPU NVIDIA Tesla T4 / P100 (16GB VRAM), CPU Intel Xeon 2.20GHz, 13GB RAM.

Chi tiết thiết kế thành phần:

• Kiến trúc ResNet (Residual Network): Sử dụng các khối Identity Block và Convolutional Block với kết nối tắt (Skip Connections) giải quyết triệt để vấn đề triệt tiêu đạo hàm (Vanishing Gradient), cho phép huấn luyện mạng sâu hiệu quả: $$H(x) = \mathcal{F}(x, {W_i}) + x$$
• Kiến trúc U-Net: Gồm nhánh co rút (Contracting Path) thu nhận ngữ cảnh không gian và nhánh mở rộng đối xứng (Expansive Path) khôi phục độ phân giải pixel, kết hợp đường truyền tắt (Skip Connections) nối trực tiếp các bản đồ đặc trưng chi tiết từ Encoder sang Decoder.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm chuẩn của Machine Learning Workflow (MLW):

Tuần 1-3: Thu thập dữ liệu CT, gán nhãn, khảo sát KiTS19 & Kaggle dataset
Tuần 4-6: Xây dựng pipeline tiền xử lý, kỹ thuật Data Augmentation
Tuần 7-10: Thiết kế và huấn luyện mô hình U-Net & ResNet trên Google Colab
Tuần 11-13: Tinh chỉnh siêu tham số (Learning Rate, Optimizer, Batch Size)
Tuần 14-16: Đánh giá kiểm thử, so sánh mô hình, phân tích kết quả & báo cáo

Kế hoạch quản trị rủi ro:

• Rủi ro quá khớp (Overfitting): Áp dụng Dropout (0.2 - 0.5), Batch Normalization và Early Stopping với độ trễ (patience) 10 epochs.
• Rủi ro giới hạn tài nguyên tính toán: Sử dụng kích thước ảnh đầu vào chuẩn hóa $256 \times 256 \times 3$, batch size từ 16 - 32 để tối ưu hóa bộ nhớ GPU.

---

Thực thi và kết quả thực nghiệm

Quy trình phát triển và thuật toán

Dữ liệu hình ảnh CT đầu vào trải qua pha tiền xử lý và tăng cường dữ liệu đa dạng để làm phong phú mẫu học:

• Flip Images: Lật ảnh theo trục ngang và trục dọc.
• Rotation: Xoay ngẫu nhiên các góc $\pm 15^\circ$, $\pm 30^\circ$.
• Crop & Resize: Cắt vùng quan tâm (ROI) và co giãn chuẩn hóa về kích thước $256 \times 256$ pixels.

import tensorflow as tf
from tensorflow.keras import layers, models

def identity_block(input_tensor, kernel_size, filters):
    """Khối Identity Block trong ResNet cho bài toán phân loại tổn thương thận"""
    filters1, filters2, filters3 = filters
    
    # Nhánh tích chập chính
    x = layers.Conv2D(filters1, (1, 1), padding='valid')(input_tensor)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(filters2, kernel_size, padding='same')(x)
    x = layers.BatchNormalization()(x)
    x = layers.Activation('relu')(x)

    x = layers.Conv2D(filters3, (1, 1), padding='valid')(x)
    x = layers.BatchNormalization()(x)

    # Kết nối tắt trực tiếp (Skip Connection)
    x = layers.add([x, input_tensor])
    x = layers.Activation('relu')(x)
    return x

def build_unet(input_shape=(256, 256, 1)):
    """Kiến trúc U-Net phục vụ khoanh vùng và phân đoạn khối u thận"""
    inputs = layers.Input(input_shape)
    
    # Encoder: Trích xuất đặc trưng đa tầng
    c1 = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(inputs)
    c1 = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(c1)
    p1 = layers.MaxPooling2D((2, 2))(c1)

    c2 = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(p1)
    c2 = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(c2)
    p2 = layers.MaxPooling2D((2, 2))(c2)

    # Bottleneck
    c3 = layers.Conv2D(128, (3, 3), activation='relu', padding='same')(p2)
    c3 = layers.Conv2D(128, (3, 3), activation='relu', padding='same')(c3)

    # Decoder: Khôi phục không gian và kết hợp Skip Connection
    u4 = layers.Conv2DTranspose(64, (2, 2), strides=(2, 2), padding='same')(c3)
    u4 = layers.concatenate([u4, c2])
    c4 = layers.Conv2D(64, (3, 3), activation='relu', padding='same')(u4)

    u5 = layers.Conv2DTranspose(32, (2, 2), strides=(2, 2), padding='same')(c4)
    u5 = layers.concatenate([u5, c1])
    c5 = layers.Conv2D(32, (3, 3), activation='relu', padding='same')(u5)

    outputs = layers.Conv2D(1, (1, 1), activation='sigmoid')(c5)
    
    model = models.Model(inputs=[inputs], outputs=[outputs], name="UNet_Kidney_Tumor")
    return model

Kiểm thử và đánh giá mô hình

Các kịch bản thực nghiệm được thiết lập với bộ tối ưu hóa Adam (Learning Rate ban đầu $\alpha = 1\times 10^{-4}$), hàm mất mát Binary Cross-Entropy và Dice Loss. Tập dữ liệu được chia theo tỷ lệ tiêu chuẩn: 80% Training và 20% Validation/Test.

Kịch bản 1: Huấn luyện ResNet phân loại u thận (Epochs = 50, Batch Size = 32)
Kịch bản 2: Huấn luyện U-Net phân đoạn và khoanh vùng u (Epochs = 60, Batch Size = 16)

Kết quả định lượng qua các chỉ số đo lường chính:

• Độ chính xác phân loại (Classification Accuracy) của mô hình ResNet đạt 94.8% trên tập kiểm thử.
• Hệ số tương đồng Dice (Dice Similarity Coefficient - DSC) cho tác vụ khoanh vùng khối u của mạng U-Net đạt 0.82 (82.0%), và khoanh vùng toàn bộ thận đạt 0.95 (95.0%).
• Intersection over Union (IoU) vùng u đạt mức trung bình 0.71.
• Thời gian suy luận (Inference Time) trung bình: 38 ms/lát cắt CT trên GPU Tesla T4.

Epoch 10/60 - Loss: 0.3842 - Dice_Coef: 0.6120 - Val_Loss: 0.3510 - Val_Dice_Coef: 0.6350
Epoch 30/60 - Loss: 0.1825 - Dice_Coef: 0.7640 - Val_Loss: 0.1980 - Val_Dice_Coef: 0.7580
Epoch 50/60 - Loss: 0.0912 - Dice_Coef: 0.8410 - Val_Loss: 0.1140 - Val_Dice_Coef: 0.8200

---

Đổi mới và đóng góp khoa học

Đề tài mang lại nhiều giá trị cải tiến so với các công trình công bố trước đây trên tập dữ liệu chuẩn hóa KiTS19:

Giải pháp nghiên cứu	Kiến trúc cốt lõi	Nhận diện thận (%)	Khoanh vùng khối u (%)	Ghi chú kỹ thuật
Santini et al. (2019)	Multi-stage ResNet Cascade	96.0%	76.0%	Pipeline phức tạp, tốn tài nguyên
Yi-Chin Tsai et al. (2019)	ResUNet + DenseUNet ROI	96.0%	75.0%	Khâu tách ROI thủ công tốn thời gian
Giải pháp đề tài đề xuất	End-to-End ResNet + U-Net	95.0%	82.0%	Tối ưu hóa Skip-connections, Augmentation đa chiều

Các đóng góp chính:

1. Cải thiện độ chính xác phân vùng khối u: Nâng hệ số Dice nhận diện u thận lên mức 82.0% (tăng 6 - 7% so với các kiến trúc đơn lẻ của Santini và Tsai trên cùng lớp bài toán).
2. Quy trình kết hợp 2 giai đoạn tinh gọn: Tách biệt rõ ràng bài toán nhận diện có/không có u (ResNet) và bài toán khoanh vùng chi tiết ranh giới xâm lấn (U-Net), giúp tiết kiệm tài nguyên tính toán và giảm thiểu tỷ lệ dương tính giả (False Positive).
3. Bộ dữ liệu chuẩn hóa cho nghiên cứu y khoa: Đóng góp một pipeline hoàn chỉnh từ trích xuất ảnh CT, xử lý mức xám Hounsfield Unit, tăng cường mẫu đến xuất kết quả mask trực quan.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng

Hệ thống được thiết kế để tích hợp trực tiếp vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS/RIS) tại các bệnh viện đa khoa và chuyên khoa tiết niệu:

[Máy chụp CT] ──DICOM──> [Hệ thống PACS] ──API──> [AI Inference Server]
                                                           │
[Màn hình Bác sĩ] <──Mask Overlay + Báo cáo CAD────────────┘

Kịch bản vận hành thực tế:

1. Bệnh nhân được chỉ định chụp CT ổ bụng có cản quang.
2. Dữ liệu lát cắt CT được máy chủ AI xử lý tự động trong vòng chưa đầy 1 phút.
3. Hệ thống tạo lớp phủ màu (Color Mask Overlay) đánh dấu vị trí nghi ngờ u (màu đỏ) và ranh giới nhu mô thận (màu xanh lá), đồng thời ước tính sơ bộ kích thước khối u (theo mm) để gợi ý phân loại giai đoạn T theo TNM.
4. Bác sĩ X-quang thẩm định lại kết quả, rút ngắn hơn 60% thời gian đọc phim thông thường.

Phân tích chi phí và hiệu quả đầu tư (ROI)

• Chi phí hạ tầng: Khai thác mô hình thông qua máy chủ cục bộ trang bị 01 GPU NVIDIA RTX 4090/A4000 với chi phí đầu tư ban đầu ước tính khoảng 80 - 120 triệu VNĐ, hoặc triển khai Cloud API linh hoạt (pay-per-request).
• Hiệu quả kinh tế - xã hội: Giảm tỷ lệ chẩn đoán sót u thận giai đoạn T1a ($\le 4\text{ cm}$), giúp bệnh nhân có cơ hội phẫu thuật nội soi bảo tồn thận thay vì phải cắt bỏ toàn bộ thận khi u phát triển lớn, tiết kiệm hàng trăm triệu đồng chi phí điều trị và chạy thận nhân tạo sau này.

---

Hạn chế và hướng phát triển

Dù đạt được những kết quả rất tích cực, đề tài vẫn ghi nhận một số điểm hạn chế kỹ thuật:

• Dữ liệu 2D slice rời rạc: Mô hình hiện huấn luyện trên các lát cắt 2D, chưa tận dụng hoàn toàn mối tương quan không gian giữa các lát cắt liền kề trong không gian 3D thể tích.
• Phân loại mô bệnh học: Chưa mở rộng phân loại chi tiết các biến thể hiếm của RCC như ung thư tế bào kỵ màu (Chromophobe RCC) hay ung thư ống góp Bellini.

Hướng phát triển tiếp theo:

1. Phát triển mô hình mạng học sâu không gian ba chiều 3D U-Net và V-Net để xử lý trực tiếp toàn bộ khối thể tích 3D CT scan.
2. Tích hợp các khối cơ chế chú ý (Attention Mechanism) và mô hình Swin UNETR (Vision Transformer) để nâng cao độ chính xác tại ranh giới u mờ.
3. Đóng gói hệ thống thành ứng dụng web/desktop hoàn chỉnh hỗ trợ chuẩn kết nối DICOM y tế và triển khai thử nghiệm tại các phòng khám chuyên khoa.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận nguồn tài liệu tham khảo chi tiết về cách xây dựng mô hình Deep Learning trong y tế, từ khâu tiền xử lý dữ liệu CT đến thiết kế các khối ResNet và U-Net trong TensorFlow/Keras.
• Kỹ sư AI & Lập trình viên: Nắm bắt các kỹ thuật xử lý bài toán mất cân bằng dữ liệu, tối ưu hàm mất mát Dice Loss và phương pháp kết hợp các khối Residual vào mạng phân đoạn ảnh.
• Y bác sĩ & Cơ sở y tế: Sở hữu công cụ hỗ trợ chẩn đoán (Second Opinion) tin cậy, giúp nâng cao độ chính xác, hạn chế sai sót chủ quan và tối ưu hóa thời gian phân tích phim chụp CT.
• Bệnh nhân: Tăng cơ hội phát hiện bệnh ung thư thận ở giai đoạn sớm, từ đó nâng cao tỷ lệ điều trị khỏi và chất lượng cuộc sống lâu dài.

---

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình vào thực tế là gì?

Hệ thống yêu cầu máy chủ trang bị CPU đa nhân (Intel Core i7/Xeon), RAM tối thiểu 16GB và ít nhất 01 GPU chuyên dụng có từ 8GB VRAM trở lên (ví dụ NVIDIA RTX 3060/4060 hoặc các dòng GPU máy trạm Quadro/Tesla) để đảm bảo tốc độ suy luận dưới 50ms mỗi lát cắt ảnh CT.

2. Mô hình có thể phát hiện khối u kích thước rất nhỏ (dưới 3 cm) không?

Có. Nhờ mạng U-Net kết hợp các kết nối tắt (Skip Connections) bảo toàn đặc trưng không gian ở độ phân giải cao, mô hình có khả năng nhận diện các tổn thương nhỏ từ giai đoạn T1a ($\le 4\text{ cm}$). Tuy nhiên, độ chính xác sẽ phụ thuộc vào độ dày lát cắt (slice thickness) khi chụp CT của máy quét.

3. Hệ thống có thay thế hoàn toàn bác sĩ chẩn đoán hình ảnh không?

Không. Hệ thống đóng vai trò là công cụ hỗ trợ chẩn đoán (Computer-Aided Diagnosis - CAD). Bác sĩ luôn là người giữ quyền quyết định chuyên môn cuối cùng dựa trên sự kết hợp giữa kết quả AI, triệu chứng lâm sàng và xét nghiệm mô bệnh học.

4. Mô hình xử lý thế nào khi ảnh CT có chất lượng kém hoặc nhiều nhiễu hạt?

Pipeline đã tích hợp các bước tiền xử lý lọc nhiễu, chuẩn hóa dải giá trị Hounsfield Units (HU) và cắt ngưỡng mô mềm. Trong trường hợp ảnh bị rung lắc hoặc nhiễu kim loại nặng, hệ thống sẽ đưa ra cảnh báo độ tin cậy thấp để bác sĩ trực tiếp đánh giá lại.

5. Khả năng mở rộng mô hình sang các dạng ung thư nội tạng khác ra sao?

Cấu trúc mạng ResNet và U-Net trong đề tài có tính tổng quát hóa cao. Khi được tái huấn luyện (Transfer Learning / Fine-tuning) với tập dữ liệu mới, kiến trúc này có thể mở rộng rất tốt cho các bài toán phân vùng ung thư gan, u phổi hay ung thư tuyến tụy.

---

Kết luận

Đề tài "Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật Deep Learning" đã nghiên cứu và phát triển thành công giải pháp toàn diện hỗ trợ chẩn đoán tự động tổn thương ung thư biểu mô tế bào thận trên ảnh chụp cắt lớp vi tính. Bằng việc kết hợp sức mạnh phân loại của kiến trúc ResNet và khả năng phân đoạn chính xác theo từng pixel của U-Net, hệ thống đạt độ chính xác phân loại 94.8% và hệ số Dice khoanh vùng u 82.0%, vượt trội so với nhiều giải pháp phân đoạn đơn lẻ trên tập dữ liệu tiêu chuẩn.

Công trình không chỉ khẳng định tính khả thi vượt bậc của Trí tuệ nhân tạo trong y học hiện đại mà còn mở ra hướng tiếp cận thực tiễn trong việc giảm tải áp lực cho ngành y tế, nâng cao chất lượng chẩn đoán sớm và bảo vệ sức khỏe cộng đồng. Các nhóm nghiên cứu và nhà phát triển có thể kế thừa mã nguồn, kiến trúc mạng và quy trình thực nghiệm này để tiếp tục tối ưu hóa các giải pháp AI chuyên sâu trong chẩn đoán hình ảnh y khoa.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ KHOA HỌC CỦA ĐỀ TÀI 1. Giới thiệu Ung thư thận là một loại ung thư tiết niệu bắt đầu ở một hoặc cả hai quả thận. Trong giai đoạn đầu, nó có thể không biểu hiện bất kỳ triệu chứng đáng chú ý nào. Khi ung thư tiến triển, bệnh nhân sẽ bắt đầu nhận thấy các triệu chứng của bệnh ung thư thận.

Tuy nhiên, nhiều trong số các triệu chứng này cũng liên quan đến một số tình trạng tiết niệu rất phổ biến. Điều quan trọng là các cá nhân có bất kỳ triệu chứng bất thường nào được đánh giá để xác định nguyên nhân gốc rễ của họ và nhận được phương pháp điều trị thích hợp. Ung thư thận là sự phát triển ác tính các tế bào, hình thành một khối u trong thận. Cũng cần lưu ý rằng, không phải bất kỳ một khối u thận nào cũng ác tính.

Một số trường hợp có thể là u lành tính, không phải ung thư. Ung thư thận là một danh từ chung. Có nhiều biến thể khối u ác tính trong thận và các giai đoạn của bệnh. Điều trị phụ thuộc vào đặc điểm của khối u và kinh nghiệm chuyên môn.

Ung thư thận bắt đầu khi những tế bào khỏe mạnh tại một hay cả hai thận thay đổi, phát triển ngoài tầm kiểm soát, tạo thành một khối gọi là khối u vỏ thận. Khối u này có thể là ác tính hay lành tính. Khối u ác tính là ung thư, có thể phát triển và lan sang những bộ phận khác của cơ thể. Có nhiều biến thể của khối u ác tính trong thận và những giai đoạn của bệnh.

Việc điều trị phụ thuộc vào đặc điểm của khối u và kinh nghiệm chuyên môn của bác sĩ. Thận là cơ quan hình hạt đậu nằm ở hai bên phía sau thành bụng, có chức năng lọc máu tạo nước tiểu. Thận cũng rất quan trọng đối với các quá trình khác trong cơ thể, bao gồm điều chỉnh huyết áp, cân bằng nước và điện giải, sản xuất các tế bào máu, và giữ cho xương của bạn khỏe mạnh. Lý do chọn đề tài Ung thư thận là một trong 10 loại ung thư phổ biến nhất ở cả nam và nữ.

Nhưng các triệu chứng thường không xuất hiện cho đến giai đoạn sau hoặc cho đến khi khối u lớn. Ung thư thận thường được chẩn đoán ở những người trên 60 tuổi. Nó thường được tìm thấy một cách tình cờ trong các cuộc kiểm tra hình ảnh thông thường. Theo GLOBOCAN 2018 ung thư thận ở Việt Nam đứng thứ hai trong ung thư hệ tiết niệu và đứng thứ 17 trong các bệnh ung thư chung, số ca mắc mới hàng năm là 2 ,394 ca.

5 Bệnh gặp ở các nước Bắc Âu nhiều hơn ở châu Phi và châu Á. Bệnh có xu hướng tăng dần trong những năm gần đây. Có khoảng 90% các khối u thận là u ác tính trong đó ung thư biểu mô tế bào sáng chiếm 80%. Các yếu tố nguy cơ như hội chứng Von Hippel Lindau, đột biến mất đoạn ở nhánh ngắn nhiễm sắc thể số 3.

Một số yếu tố khác được xác định có liên quan như hút thuốc, tăng huyết áp, béo phì. Ung thư thận bao gồm ung thư tế bào thận, sarcoma thận và u lympho thận nguyên phát. Trong đó, ung thư tế bào thận (Renal Cell Carcinoma -RCC) chiếm tới hơn 90% các trường hợp. Mặc khác, X-Quang và chụp CT đã và đang được áp dụng rộng rãi tại các địa phương trong việc phát hiện một số bệnh lý.

Đặc biệt, CT cho ta thấy hình chụp của cơ thể theo dạng mặt cắt, một khối 3 chiều, thể hiện trên những mặt phẳng hai chiều. Mỗi một hình ảnh là tập hợp bởi nhiều tia X -rays, bắn đi từ nhiều hướng khác nhau vòng quanh cơ thể. Do đó, việc thực hiện ý tưởng “Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật deep learning” sẽ góp phần giúp các y bác sĩ có những chẩn đoán điều trị bệnh kịp thời đối với những bệnh nhân đã có tổn thương thận do ung thư thận gây ra, từ đó giảm bớt gánh nặng cho ngành y tế, hạn chế sự tổn thất cho bệnh nhân. Cơ sở lý luận Deep Learning là một thuật toán dựa trên một số ý tưởng từ não bộ tới việc tiếp thu nhiều tầng biểu đạt, cả cụ thể lẫn trừu tượng, qua đó làm rõ nghĩa của các loại dữ liệu.

Hiện nay Deep Learning được ứng dụng trong rất nhiều nhiều lĩnh vực. Thuật toán Deep Learning được tạo thành từ Artificial Neural Networks với các layers ẩn, dựa trên mạng thần kinh nơ -ron sinh học. Deep Natural Networks có thể được sử dụng để mô phỏng các mối quan hệ phức tạp phi tuyến tính trong cả giám sát (tập dữ liệu được sử dụng để dự đoán kết quả sau này) và không giám sát (gom nhóm và tìm ra các mẫu mới và khác thường trong dữ liệu). Deep Learning có độ chính xác cao, có thể học sâu rộng và đạt được độ chính xác ở mức công nhận vô cùng cao.

Điều này sẽ đảm bảo cho thiết bị điện tử tiêu dùng có thể đáp ứng được mọi nhu cầu cũng như mong đợi từ phía người dùng. Dù mới phát triển nhưng các kiến trúc Deep Learning có thể mô hình hoá một cách tự động các mối quan hệ phi tuyến phức tạp của dữ liệu. Do đó các kỹ thuật Deep Learning có thể hoạt động với dữ liệu thô mà không cần thông qua các bước trích xuất đặc trưng thủ công, phức tạp, chỉ phù hợp với từng vấn đề nhỏ. Có nhiều kiến trúc Deep Learning như mạng nơ-ron tích chập (Convolutional Neural Network), Deep Belief Netwo rk, Deep 6 Learning đã đem lại nhiều thành công mang tính đột phá trong nhiều lĩnh vực như thị giác máy tính, xử lý ngôn ngữ tự nhiên.

Trong phạm vi đề tài này se ̃ tìm hiểu kiến trúc và thực nghiệm huấn luyện mô hình mạng với tập dữ liệu ảnh y tế được tham khảo từ Kaggle và một số liên kết liên quan để phân loại và phân vùng bệnh ung thư thận trên môi trường Google Colab với mô hình mạng U-net. Cơ sở thực tiễn Hình ảnh CT đã và đang được áp dụng rộng rãi trong việc phát hiện một số bệnh lý, nhưng rất khó để phân biệt khối u do ung thư gây ra với một số căn nguyên khác. Việc lý giải các hình ảnh thường gặp nhiều sai lầm do kinh nghiệm, cảm giác hoặc do nhận thức cá nhân. Vì thế khi phân tích, các bác sĩ phải luôn kết hợp với đặc điểm và biểu hiện lâm sàng để đưa ra chẩn đoán chính xác.

Ngoài ra, Deep Learning ứng dụng trong lĩnh vực y tế đã ghi nhận được nhiều nghiên cứu mang đến những kết quả khả quan. Đó là tiền để thực hiện nghiên cứu phát hiện bệnh ung thư dựa trên dấu hiệu tổn thương thận. Nghiên cứu liên quan Trong bài báo “Kidney tumor segmentation using an ensembling multi-stage deep learning approach. A contribution to the KiTS19 challenge”[14] năm 2019 của nhóm tác giả Gianmarco Santini , No´emie Moreau and Mathieu Rubeaux.

Trong nghiên cứu này, nhóm tác giả giới thiệu đã thuật toán để thực hiện phát hiện khối u thận từ tập dữ liệu từ cuộc thi KITS19. Trong nghiên cứu này, nhóm đã thực hiện tách thận và khối u thông qua mô hình resnet với tỉ lệ 96% nhận diện thành công thận và 76% nhận diện thành công khối u. Trong bài báo “KiTS19 Challenge Segmentation ” năm 2019 của tác giả yi - Chin Tsai, Yung-Nien Sun đến từ đại học quốc gia Thành Công, Đài Loan. Trong bài nghiên cứu này, tác giả đã đề xuất giải pháp dựa trên kiến trúc mạng resunet để có thể phân đoạn thận từ ROI(vùng trung tâm).

Và sau đó triết xuất thận bằng mạng DenseUnet để tách được thận và phân đoạn khối u. Với những kiến trúc mạng trên đạt được tỉ lệ 96% nhận diện thành công thận và 75% tỉ lệ nhận diện thành công khối u. Vấn đề đặt ra Nghiên cứu và phát triển đề tài “Phát hiện và khoanh vùng ung thư thận bằng kỹ 7 thuật deep learning” nhằm mục đích: - Phát hiện tổn thương và khoanh vùng tổn thương do khối u gây ra. - Tinh chỉnh mô hình đạt độ chính xác cao.

Hướng giải quyết Để thực hiện các mục đích được đề ra ở phần vấn đề đặt ra cần tiến hành: - Tìm hiểu về bệnh ung thư thận. - Tìm hiểu về những nghiên cứu liên quan về tổn thương thận do khối u gây ra. - Thu thập tập dữ liệu về CT ảnh chụp thận. - Xây dựng mô hình Deep Leaning để phát hiện tổn thương thận do khối u.

8 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Bệnh ung thư thận 2. Ung thư thận Ung thư thận là sự phát triển ác tính các tế bào, hình thành một khối u trong thận. Cũng cần lưu ý rằng, không phải bất kỳ một khối u thận nào cũng ác tính.

Một số trường hợp có thể là u lành tính, không phải ung thư. Ung thư thận là một danh từ chung. Có nhiều biến thể khối u ác tính trong thận và các giai đoạn của bệnh. Điều trị phụ thuộc vào đặc điểm của khối u và kinh nghiệm chuyên môn.

Ung thư thận bao gồm ung thư tế bào thận, sarcoma thận và u lympho thận nguyên phát. trong đó ung thư tế bào thận (Renal Cell Carcinoma -RCC) chiếm tới hơn 90% các trường hợp, nên trong bài này chỉ đề cập nội dung ung thư tế bào thận. Ung thư tế bào thận đứng hàng thứ 2 trong các bệnh ác tính hệ tiết niệu và chiếm 1 - 2% toàn bộ các loại ung thư ở người lớn. Bệnh thường xuất hiện ở người lớn trên 40 tuổi, với tỉ lệ nam gấp 2 lần so với nữ giới.

Ảnh so sánh giữa thận bình thường và thận bị ung thư 2. Nguyên nhân gây bệnh Nguyên nhân gây ung thư thận chưa được khẳng định, tuy nhiên có nhiều yếu tố nguy cơ đã được chứng minh có thể dẫn tới ung thư thận như:  Hút thuốc lá: Đây là một trong những yếu tố có nguy cơ cao gây nên ung thư thận. Trung bình, có đến khoảng 30% nam giới và khoảng 24% nữ giới khi hút nhiều thuốc lá thì đều mắc phải căn bệnh quái ác này. 9  Người hút thuốc với thời gian càng dài và số lượng cao thì nguy cơ mắc bệnh sẽ càng tăng.000 loại độc tố được tìm thấy ở bên trong khói thuốc.

Những độc tố này có thể gây nên những ảnh hưởng đến DNA của những tế bào. Benzo (a) pyrene có trong thuốc lá là một chất có thể làm xuất hiện các tổn thương gen P53 - đóng vai trò mã hóa đối với các protein P53. Loại protein này có nhiệm vụ bảo vệ những tế bào bên trong cơ thể kháng lại ung thư.