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

Ung thư thận là một loại ung thư phổ biến trong hệ tiết niệu, bắt đầu từ một hoặc cả hai quả thận. 71 trang · Trường Đại Học Sư Phạm Kỹ Thuật Vĩnh Long · 2022.

• 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

Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp đại học ngành Công nghệ Thông tin của tác giả Lê Duy Linh (Trường Đại học Sư phạm Kỹ thuật Vĩnh Long, năm 2022) tập trung vào đề tài "Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật Deep Learning", dưới sự hướng dẫn của TS. Phan Anh Cang.

Lý do chọn đề tài và bối cảnh thực tiễn

Theo y văn và số liệu thống kê được tác giả trích dẫn:

• Ung thư thận chiếm khoảng 2% tổng số các ca ung thư, đứng thứ 9 về tỷ lệ mắc ở người trưởng thành và đứng thứ 3 trong các bệnh ung thư hệ tiết niệu (sau ung thư tuyến tiền liệt và ung thư bàng quang). Tuy nhiên, đây là bệnh lý có tỷ lệ tử vong cao nhất trong nhóm ung thư tiết niệu.
• Bệnh thường gặp ở nam giới với tỷ lệ nam/nữ xấp xỉ 2/1, tập trung chủ yếu ở độ tuổi 60 đến 70 và hiếm gặp ở người dưới 50 tuổi. Ở trẻ nhỏ, bệnh chiếm khoảng 5% các ca ung thư trẻ em, độ tuổi hay gặp nhất là 3–4 tuổi.
• Theo số liệu GLOBOCAN 2018 tại Việt Nam, ung thư thận đứng thứ 2 trong hệ tiết niệu và đứng thứ 17 trong các bệnh ung thư chung, với khoảng 2.394 ca mắc mới hàng năm.
• Trong thực tiễn lâm sàng, chụp cắt lớp vi tính (CT) là công cụ quan trọng cung cấp hình ảnh cắt lát 3 chiều được tái hiện trên mặt phẳng 2 chiều. Dù vậy, việc chẩn đoán phân biệt khối u ác tính với các tổn thương lành tính khác trên ảnh CT còn gặp khó khăn, dễ chịu ảnh hưởng bởi kinh nghiệm và nhận thức chủ quan của bác sĩ. Do đó, việc ứng dụng học sâu (Deep Learning) nhằm hỗ trợ tự động hóa phát hiện và khoanh vùng tổn thương thận là một nhu cầu cấp thiết để giảm tải cho ngành y tế và hỗ trợ bác sĩ chẩn đoán kịp thời.

Mục tiêu và nhiệm vụ nghiên cứu

Văn bản xác định 4 mục tiêu nghiên cứu cụ thể:

1. Thu thập dữ liệu hình ảnh y khoa liên quan đến bệnh ung thư thận.
2. Tìm hiểu đặc điểm tổn thương của thận do khối u hoặc do các loại ung thư thận khác gây ra.
3. Tìm hiểu các mô hình mạng dùng để phân tích và nhận dạng như DenseNet, U-Net, ResNet.
4. Phát hiện và khoanh vùng tổn thương ở thận do ung thư thận theo các mô hình Deep Learning và các tập dữ liệu đã thu thập.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Các ảnh chụp cắt lớp vi tính (CT) về bệnh thận do khối u và các loại tổn thương ung thư thận gây ra cho bệnh nhân; các tập dữ liệu ảnh y tế và các mô hình học sâu.
• Phạm vi nghiên cứu:
  • Khảo sát các phương pháp phát hiện và khoanh vùng tổn thương dựa trên các bộ dữ liệu y khoa công bố công khai (nguồn Kaggle và các liên kết liên quan).
  • Tập trung nghiên cứu và áp dụng các kiến trúc mạng nơ-ron: ResNet, U-Net (đồng thời tìm hiểu thêm về Res-UNet, DenseNet).
  • Ghi chú về văn bản nguồn: Trong phần phạm vi nghiên cứu ở phần mở đầu, văn bản có xuất hiện câu văn đề cập đến "phân loại tổn thương phổi do virus corona" và "khoanh vùng tự động tổn thương phổi do bệnh ung thư thận", đây là lỗi diễn đạt thiếu nhất quán của văn bản gốc khi kế thừa từ các mẫu báo cáo trước; toàn bộ nội dung học thuật xuyên suốt các chương còn lại đều tập trung duy nhất vào bệnh lý ung thư thận và ảnh CT thận.

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp giữa kiến thức bệnh học lâm sàng hệ tiết niệu và các nguyên lý xử lý ảnh y tế bằng học sâu.

Khung lý thuyết bệnh học và y tế

• Phân loại mô bệnh học: Ung thư tế bào thận (Renal Cell Carcinoma - RCC) chiếm hơn 90% các trường hợp ung thư thận. Các phân nhóm chính gồm: ung thư biểu mô tế bào sáng (ccRCC, chiếm 70–80%), ung thư nhú thận (pRCC), ung thư thận kỵ màu (chRCC), Oncocytom thận và ung thư ống góp Bellini.
• Cơ chế lan tràn: Khối u phát triển từ nhu mô, phá vỡ bao thận, xâm lấn mỡ quanh thận, các tạng lân cận và di căn theo đường bạch huyết (hạch thắt lưng, động mạch chủ, sau phúc mạc, thượng đòn) hoặc đường tĩnh mạch (tĩnh mạch thận, tĩnh mạch chủ dưới đến phổi, gan, xương, não).
• Hệ thống đánh giá giai đoạn: Hệ thống TNM xác định mức độ u nguyên phát (T1a đến T4), di căn hạch vùng (N0, N1) và di căn xa (M0, M1); hệ thống phân loại nhân Fuhrman gồm 4 mức độ ác tính.
• Phương pháp chẩn đoán: Siêu âm, CT, MRI, các kỹ thuật y học hạt nhân (SPECT/CT với 99mTc-DTPA và 99mTc-DMSA; xạ hình xương với 99mTc-MDP; PET/CT với 18F-FDG), sinh thiết mô bệnh học, xét nghiệm chỉ điểm u (CEA, BTA) và xét nghiệm đột biến gen (VHL, TP53, PTEN...).

Khung lý thuyết Trí tuệ nhân tạo và Học sâu

• Quy trình học máy (Machine Learning Workflow): Gồm 5 bước tuần tự: Thu thập dữ liệu (Data collection) $\rightarrow$ Tiền xử lý (Preprocessing) $\rightarrow$ Huấn luyện mô hình (Training model) $\rightarrow$ Đánh giá mô hình (Evaluating model) $\rightarrow$ Cải thiện (Improve). Tác giả lưu ý 2 bước đầu thường chiếm hơn 70% tổng thời gian thực hiện.
• Mạng nơ-ron tích chập (CNN): Vận hành dựa trên 3 nguyên lý cốt lõi:
  • Trường tiếp nhận cục bộ (local receptive field): Sử dụng cửa sổ trượt (sliding window/filter kích thước $3\times3$ hoặc $5\times5$) để trích xuất đặc trưng cục bộ.
  • Trọng số chia sẻ (shared weights và shared bias): Giúp giảm thiểu số lượng tham số cần tối ưu hóa so với mạng kết nối đầy đủ (fully connected layer). Ví dụ: 10 feature maps dùng filter $5\times5$ chỉ cần 260 tham số, giảm thiểu nguy cơ quá khớp và tăng tốc tính toán.
  • Lớp tổng hợp (pooling layer): Max-pooling kích thước $2\times2$ nhằm giảm chiều dữ liệu, loại bỏ nhiễu và tạo tính bất biến đối với các phép dịch chuyển, quay và co giãn.
• Học chuyển giao (Transfer Learning): Tái sử dụng các mô hình đã được huấn luyện sẵn (pretrained models như VGG-16) từ tập dữ liệu nguồn lớn để chuyển giao tri thức sang tập dữ liệu đích, giảm thời gian huấn luyện và bù đắp hạn chế về quy mô dữ liệu y tế.
• Kiến trúc mạng ResNet: Sử dụng kết nối tắt đồng nhất (identity shortcut connection) để giải quyết suy giảm đạo hàm ở mạng sâu. ResNet tích hợp hai khối cơ bản: khối tích chập (Conv block - sử dụng tích chập $1\times1$ ở nhánh tắt) và khối xác định (Identity block - cộng trực tiếp đầu vào vào đầu ra). Trong quá trình đào tạo có thể thả ngẫu nhiên các khối theo biến ngẫu nhiên Bernoulli $b_l \in {0, 1}$ với xác suất sống sót $p_l$.
• Kiến trúc mạng U-Net: Cấu trúc hình chữ U chuyên dụng cho phân đoạn ảnh y tế, kết hợp đường co rút (contracting path) để bắt ngữ cảnh và đường mở rộng đối xứng (expansive path) để định vị chính xác tổn thương.

Phương pháp nghiên cứu thực nghiệm

• Công cụ và nền tảng: Ngôn ngữ lập trình Python, thư viện học sâu TensorFlow kết hợp Keras API, môi trường điện toán đám mây Google Colab cung cấp GPU và TPU.
• Nguồn dữ liệu: Dữ liệu ảnh cắt lớp vi tính CT được thu thập từ nền tảng Kaggle và các nghiên cứu mở liên quan.
• Kỹ thuật tăng cường dữ liệu: Lật ảnh (Flip images), xoay ảnh (Rotation images), cắt ảnh (Crop images) và thay đổi kích thước ảnh (Resize images).

---

Nội dung chính theo từng chương

Mở đầu

Phần mở đầu nêu rõ tính cấp thiết của đề tài xuất phát từ tỷ lệ tử vong cao của ung thư thận trong nhóm bệnh lý tiết niệu. Tác giả trình bày mục tiêu xây dựng hệ thống tự động phát hiện và khoanh vùng tổn thương thận dựa trên ảnh chụp cắt lớp vi tính (CT), xác định đối tượng nghiên cứu là tập ảnh CT và các mô hình học sâu, đồng thời tóm tắt ý nghĩa khoa học và bố cục 5 chương của khóa luận.

Chương 1: Cơ sở khoa học của đề tài

Chương này đi sâu vào bối cảnh dịch tễ và cơ sở thực tiễn của bài toán chẩn đoán hình ảnh:

• Trình bày đặc điểm bệnh học ung thư thận: chiếm 2% tổng số ung thư, tỷ lệ nam/nữ là 2/1, độ tuổi phổ biến 60–70; ghi nhận số liệu GLOBOCAN 2018 tại Việt Nam (2.394 ca mắc mới). Phân tích nguy cơ từ khói thuốc lá (chất Benzo(a)pyrene gây đột biến gen P53), hóa chất hydrocarbon thơm đa vòng và bất thường nhiễm sắc thể số 3, số 8.
• Nêu rõ cơ sở thực tiễn: Việc đọc phim CT đòi hỏi nhiều thời gian và dễ xảy ra sai sót chủ quan do kinh nghiệm cá nhân của người đọc phim.
• Khảo sát các công trình liên quan trực tiếp từ cuộc thi KiTS19:
  • Nghiên cứu của nhóm Gianmarco Santini, Noémie Moreau và Mathieu Rubeaux (2019): Dùng phương pháp tiếp cận học sâu đa giai đoạn dựa trên ResNet, đạt tỷ lệ nhận diện 96% đối với thận và 76% đối với khối u thận.
  • Nghiên cứu của Yi-Chin Tsai và Yung-Nien Sun (Đại học Quốc gia Thành Công, Đài Loan, 2019): Đề xuất mạng ResUNet để tách vùng quan tâm (ROI) và dùng DenseUNet để phân đoạn thận và khối u, đạt tỷ lệ nhận diện 96% đối với thận và 75% đối với khối u.
• Xác định hướng giải quyết: Thu thập dữ liệu CT, xây dựng mô hình Deep Learning dựa trên mạng ResNet và U-Net.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp nền tảng lý thuyết chi tiết gồm hai khối kiến thức:

1. Bệnh học ung thư thận:
   • Các giai đoạn tiến triển (từ Giai đoạn 1 khối u khu trú dưới 7cm đến Giai đoạn 4 xâm lấn ra ngoài cân Gerota hoặc di căn xa).
   • Triệu chứng lâm sàng: Tiểu ra máu, đau thắt lưng, sưng u vùng hông lưng, mệt mỏi, sụt cân, sốt tái phát, thiếu máu. Chỉ có 10% bệnh nhân xuất hiện tam chứng cổ điển (đau lưng, đái máu, u bụng).
   • Hệ thống chẩn đoán cận lâm sàng và phân loại TNM theo bảng tiêu chuẩn y khoa:

Giai đoạn	Tiêu chuẩn T (U nguyên phát)	Tiêu chuẩn N (Hạch vùng)	Tiêu chuẩn M (Di căn xa)
Giai đoạn 1	T1 (T1a $\le 4\text{ cm}$; T1b $4-7\text{ cm}$, khu trú)	N0	M0
Giai đoạn 2	T2 (T2a $7-10\text{ cm}$; T2b $> 10\text{ cm}$, khu trú)	N0	M0
Giai đoạn 3	T1–T2 T3 (T3a vào tĩnh mạch/mỡ quanh thận; T3b vào TMC dưới)	N1 N0–N1	M0 M0
Giai đoạn 4	T4 (xâm lấn ngoài cân Gerota/tuyến thượng thận) T bất kỳ	N bất kỳ N bất kỳ	M0 M1

2. Lý thuyết Trí tuệ nhân tạo và Học sâu:
   • Giới thiệu các nhóm công nghệ AI (phản ứng, bộ nhớ hạn chế, lý thuyết trí tuệ, tự nhận thức) và ứng dụng tiêu biểu trong y tế (robot phẫu thuật da Vinci, hệ thống IBM Watson hỗ trợ ra quyết định lâm sàng đạt độ tương đồng 90% với hội đồng chuyên gia trong 40 giây, phân loại ung thư da qua 129.450 ảnh lâm sàng).
   • Khái niệm Machine Learning, quy trình MLW, phân loại học có giám sát và không giám sát.
   • Bản chất của Deep Learning, cấu trúc nơ-ron sinh học mô phỏng qua DNN; chi tiết toán học và cấu tạo mạng CNN (sliding window, tích chập, hàm kích hoạt ReLU/Sigmoid/tanh, Max-pooling, Fully Connected).
   • Nguyên lý Transfer Learning, cấu hình mạng tham chiếu VGG-16.
   • Kiến trúc ResNet (Conv block, Identity block, công thức hàm mất mát và bước nhảy Bernoulli) và kiến trúc mạng U-Net cho phân vùng ảnh.
   • Giới thiệu bộ công cụ phần mềm: Google Colab, TensorFlow, Keras API.

Chương 3: Phương pháp đề xuất

Chương 3 trình bày giải pháp kỹ thuật do tác giả thiết kế:

• Kiến trúc tổng thể: Kết hợp hai mô hình chuyên biệt cho hai nhiệm vụ:
  • Mô hình U-Net đề xuất: Thực hiện nhiệm vụ phân đoạn và khoanh vùng chính xác ranh giới khối u dựa trên các dấu hiệu tổn thương thận từ ảnh cắt lớp CT.
  • Mô hình ResNet đề xuất: Thực hiện nhiệm vụ trích xuất đặc trưng sâu và phát hiện/phân loại khối u dựa trên các vùng tổn thương.
• Pha tiền xử lý và tăng cường dữ liệu: Nhằm mở rộng quy mô dữ liệu và nâng cao tính khái quát hóa cho mạng, tác giả triển khai 4 phương pháp biến đổi ảnh:
  • Lật ảnh (Flip images) theo trục ngang/dọc.
  • Xoay ảnh (Rotation images) ở các góc độ khác nhau.
  • Cắt ảnh (Crop images) tập trung vào vùng thận.
  • Chuẩn hóa kích thước (Resize images) đồng nhất kích thước đầu vào cho mô hình.
• Pha huấn luyện và pha phân loại: Thiết lập luồng nạp dữ liệu, hàm tối ưu và hàm mất mát để huấn luyện mô hình U-Net và ResNet, sau đó đưa dữ liệu kiểm thử qua pha phân loại để xuất kết quả dự đoán.

Chương 4: Kết quả

Nội dung chương 4 tập trung vào việc hiện thực hóa và đo đạc thực nghiệm:

• Môi trường thực nghiệm: Cấu hình phần cứng và tài nguyên tính toán do Google Colab cung cấp (tận dụng GPU/TPU) kết hợp môi trường thư viện Python, TensorFlow và Keras.
• Kịch bản thực nghiệm: Tác giả xây dựng 2 kịch bản huấn luyện với các thông số điều chỉnh khác nhau (Kịch bản 1 và Kịch bản 2) nhằm khảo sát sự biến thiên của các chỉ số tối ưu.
• Đánh giá kết quả huấn luyện và kiểm thử:
  • Ghi nhận thông số huấn luyện (độ chính xác, hàm mất mát) được cải thiện dần sau mỗi epoch.
  • Đo lường và so sánh thời gian huấn luyện giữa các mô hình và kịch bản.
  • Đánh giá độ chính xác cho mô hình phân đoạn (segmentation accuracy) và xuất hình ảnh dự đoán thực tế từ mạng U-Net (khoanh vùng mặt nạ tổn thương) và mạng ResNet (dự đoán phân loại).

Chương 5: Kết luận – Hướng phát triển

Tóm lược kết quả nghiên cứu đã đạt được trong việc ứng dụng học sâu vào bài toán phân tích ảnh CT ung thư thận, đồng thời đề xuất các định hướng mở rộng đề tài trong tương lai.

---

Thiết kế và triển khai

Hệ thống phát hiện và khoanh vùng tổn thương ung thư thận được thiết kế và triển khai dưới dạng pipeline xử lý ảnh y tế khép kín bằng kỹ thuật học sâu:

Quy trình xử lý và kiến trúc hệ thống

Hệ thống vận hành qua 4 giai đoạn nối tiếp:

1. Tiếp nhận dữ liệu: Nạp tập dữ liệu ảnh chụp cắt lớp vi tính (CT) liên quan đến bệnh lý thận từ nguồn dữ liệu mở Kaggle.
2. Tiền xử lý và tăng cường dữ liệu: Chuẩn hóa dữ liệu ảnh thông qua các phép biến đổi hình học (lật ảnh, xoay ảnh, cắt ảnh và resize) nhằm khắc phục hiện tượng thiếu hụt mẫu và nâng cao độ bền vững của mô hình.
3. Huấn luyện mô hình chuyên biệt:
   • Nhánh phân đoạn (Segmentation): Áp dụng mạng U-Net nhận đầu vào là ảnh CT đã tiền xử lý để học bản đồ đặc trưng không gian và xuất ra mặt nạ khoanh vùng khối u.
   • Nhánh phân loại (Classification): Áp dụng mạng ResNet với các khối phần dư (Residual blocks) để phân loại sự hiện diện của khối u dựa trên dấu hiệu tổn thương thận.
4. Pha dự đoán: Nhận diện ảnh mới, đưa ra chẩn đoán phân loại và trực quan hóa vùng tổn thương bằng hình ảnh dự đoán.

Công nghệ và môi trường thực nghiệm

• Ngôn ngữ lập trình: Python.
• Thư viện chuyên dụng: TensorFlow, Keras API hỗ trợ xây dựng kiến trúc mạng nơ-ron và nạp trọng số.
• Hạ tầng tính toán: Nền tảng đám mây Google Colab tích hợp GPU/TPU.
• Kiểm thử mô hình: Triển khai qua 2 kịch bản tham số (Kịch bản 1 và Kịch bản 2) để so sánh thời gian thực thi, độ hội tụ sau từng epoch và đánh giá trực quan qua ảnh dự đoán đầu ra.

---

Kết quả và đóng góp

Kết quả chính

• Tổng hợp cơ sở khoa học hoàn chỉnh về bệnh học ung thư thận, các yếu tố nguy cơ (thuốc lá, gen P53, hóa chất hydrocarbon) và các phương pháp chẩn đoán hình ảnh, y học hạt nhân hiện đại.
• Đối chiếu số liệu chuẩn từ các nghiên cứu quốc tế trên tập dữ liệu KiTS19:

Nghiên cứu tham chiếu	Kiến trúc mô hình	Tỷ lệ nhận diện thận	Tỷ lệ nhận diện khối u
Gianmarco Santini và cộng sự (2019)	ResNet (Ensemble đa giai đoạn)	96%	76%
Yi-Chin Tsai & Yung-Nien Sun (2019)	ResUNet + DenseUNet	96%	75%

• Xây dựng thành công quy trình tiền xử lý và tăng cường dữ liệu ảnh CT chuyên biệt cho bài toán tổn thương thận (kết hợp flip, rotate, crop, resize).
• Triển khai và so sánh thực nghiệm 2 kịch bản huấn luyện trên môi trường Google Colab, ghi nhận sự cải thiện của độ chính xác phân đoạn qua các epoch huấn luyện và xuất kết quả kiểm thử trực quan trên hai kiến trúc mạng U-Net và ResNet.

Giải pháp và kiến nghị của tác giả

• Ứng dụng kỹ thuật học chuyển giao (Transfer Learning) và các mạng nơ-ron sâu chuyên dụng (ResNet, U-Net) để trích xuất đặc trưng tự động từ ảnh CT thô, giảm thiểu sự phụ thuộc vào các bước trích xuất thủ công phức tạp.
• Sử dụng mô hình học sâu như một công cụ hỗ trợ quyết định chẩn đoán cho các bác sĩ X-quang và tiết niệu, giúp rút ngắn thời gian chẩn đoán tổng thể và giảm thiểu nhầm lẫn do nhận thức chủ quan.

Đóng góp của đề tài

• Hệ thống hóa tập hợp dữ liệu ảnh cắt lớp CT ung thư thận phục vụ nghiên cứu thực nghiệm.
• Xây dựng mô hình tự động phân loại và khoanh vùng tổn thương thận dựa trên kỹ thuật Deep Learning.
• Thực hiện so sánh, đánh giá thực nghiệm giữa các phương pháp tiếp cận mạng nơ-ron (ResNet, U-Net) trong các điều kiện kịch bản huấn luyện khác nhau.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Dữ liệu thực nghiệm chủ yếu dựa trên tập dữ liệu mở tải từ Kaggle và các nguồn công bố trực tuyến, chưa được kiểm chứng lâm sàng trên các tập dữ liệu thực tế tại các cơ sở y tế ở Việt Nam.
• Quá trình huấn luyện phụ thuộc hoàn toàn vào cấu hình phần cứng miễn phí do Google Colab cung cấp, gây giới hạn về tài nguyên tính toán và thời gian huấn luyện liên tục.
• Văn bản khóa luận tồn tại một số điểm thiếu nhất quán về mặt biên tập học thuật ở phần mở đầu (còn giữ các đoạn câu chữ đề cập đến tổn thương phổi và virus corona do quá trình kế thừa tài liệu).

Hướng nghiên cứu tiếp

• Mở rộng quy mô và độ đa dạng của tập dữ liệu ảnh CT, tích hợp thêm dữ liệu thực tế từ các bệnh viện trong nước.
• Tiếp tục nghiên cứu, tối ưu hóa tham số và thử nghiệm các kiến trúc mạng nâng cao như Res-UNet, DenseNet và DenseUNet để nâng cao hơn nữa độ chính xác khoanh vùng khối u.
• Phát triển hoàn thiện hệ thống thành phần mềm ứng dụng có giao diện thân thiện nhằm hỗ trợ trực tiếp các bác sĩ trong công tác chẩn đoán và điều trị.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

• Sinh viên và học viên ngành Công nghệ Thông tin, Khoa học Dữ liệu, Kỹ thuật Y sinh: Cung cấp tài liệu tham khảo cụ thể về cách xây dựng một đề tài ứng dụng thị giác máy tính và học sâu vào lĩnh vực y tế (Computer Vision in Healthcare).
• Người làm đề tài phân tích ảnh y tế: Cung cấp tài liệu tổng quan mạch lạc về cấu trúc mạng CNN, cơ chế hoạt động của khối phần dư ResNet (với các công thức toán học về hàm mất mát và bước nhảy Bernoulli) cũng như kiến trúc U-Net cho bài toán phân đoạn ảnh.
• Nghiên cứu viên cần thông tin bệnh học hệ tiết niệu: Chương 2 của khóa luận cung cấp hệ thống hóa chi tiết về phân loại TNM, phân loại Fuhrman, các triệu chứng lâm sàng và các phương pháp chẩn đoán hình ảnh hạt nhân (SPECT, PET/CT) phục vụ cho các nghiên cứu liên ngành Tin - Y học.

---

Câu hỏi thường gặp

1. Dịch tễ học và các loại mô bệnh học ung thư thận được trình bày trong khóa luận như thế nào?

Theo số liệu trong khóa luận, ung thư thận chiếm khoảng 2% tổng số ung thư, đứng thứ 9 ở người trưởng thành và thứ 3 trong ung thư hệ tiết niệu, nhưng có tỷ lệ tử vong cao nhất trong nhóm này. Tỷ lệ nam/nữ mắc bệnh là 2/1, tập trung ở độ tuổi 60–70; GLOBOCAN 2018 tại Việt Nam ghi nhận 2.394 ca mắc mới. Về mặt mô bệnh học, ung thư tế bào thận (RCC) chiếm hơn 90%, trong đó ung thư biểu mô tế bào sáng (ccRCC) chiếm tỷ lệ cao nhất từ 70% đến 80%.

2. Hai nghiên cứu liên quan thuộc cuộc thi KiTS19 được tác giả trích dẫn đạt kết quả ra sao?

Khóa luận dẫn chứng 2 nghiên cứu tiêu biểu công bố năm 2019:

• Nhóm Gianmarco Santini, Noémie Moreau và Mathieu Rubeaux sử dụng mô hình học sâu dựa trên ResNet, đạt tỷ lệ nhận diện 96% đối với thận và 76% đối với khối u thận.
• Tác giả Yi-Chin Tsai và Yung-Nien Sun (Đại học Quốc gia Thành Công) sử dụng mạng ResUNet tách ROI và DenseUNet phân đoạn, đạt tỷ lệ nhận diện 96% đối với thận và 75% đối với khối u.

3. Hai mô hình Deep Learning chính được tác giả đề xuất là gì và đảm nhận nhiệm vụ nào?

Tác giả đề xuất kết hợp hai mô hình:

• Mạng U-Net: Đảm nhận nhiệm vụ phân đoạn và khoanh vùng tổn thương (segmentation), xác định chính xác vị trí và ranh giới khối u trên ảnh CT.
• Mạng ResNet: Đảm nhận nhiệm vụ phát hiện và phân loại tổn thương (classification) dựa trên các khối phần dư (Residual blocks) trích xuất đặc trưng sâu.

4. Các kỹ thuật tăng cường dữ liệu (Data Augmentation) nào đã được áp dụng trong nghiên cứu?

Để giải quyết bài toán hạn chế về số lượng dữ liệu ảnh y tế, tác giả triển khai 4 phương pháp tăng cường ảnh trong pha tiền xử lý gồm: Lật ảnh (Flip images), Xoay ảnh (Rotation images), Cắt ảnh (Crop images) và Thay đổi kích thước ảnh (Resize images).

5. Hệ thống TNM phân loại các giai đoạn phát triển của ung thư thận ra sao?

Khóa luận trình bày hệ thống TNM gồm: Giai đoạn 1 (khối u T1 $\le 7\text{ cm}$ khu trú trong thận, N0, M0); Giai đoạn 2 (khối u T2 $> 7\text{ cm}$ khu trú trong thận, N0, M0); Giai đoạn 3 (u T1–T2 kèm hạch vùng N1, hoặc u T3 xâm lấn tĩnh mạch/mỡ quanh thận nhưng chưa vượt cân Gerota, N0–N1, M0); Giai đoạn 4 (khối u T4 xâm lấn ra ngoài cân Gerota/tuyến thượng thận, hoặc bất kỳ T, N nào kèm di căn xa M1).

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Duy Linh đã giải quyết bài toán ứng dụng kỹ thuật học sâu trong chẩn đoán y tế thông qua việc xây dựng quy trình phát hiện và khoanh vùng ung thư thận trên ảnh cắt lớp vi tính (CT). Bằng việc kết hợp kiến thức bệnh học hệ tiết niệu với hai kiến trúc mạng nơ-ron ResNet và U-Net, công trình đã hoàn thành các bước từ tiền xử lý, tăng cường dữ liệu đến huấn luyện và kiểm thử mô hình trên nền tảng Google Colab. Kết quả nghiên cứu đóng vai trò là một tài liệu tham khảo có giá trị học thuật và kỹ thuật cho sinh viên, học viên chuyên ngành Công nghệ Thông tin trong việc phát triển các giải pháp thị giác máy tính hỗ trợ y tế.

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.