ỨNG DỤNG HỌC SÂU TRONG VIỆC PHÁT HIỆN CÁC VÙNG BẤT THƯỜNG TRÊN ẢNH CT PHỔI

Abstract

Ung thư phổi là một căn bệnh nguy hiểm có tỉ lệ mắc bệnh và tỉ lệ tử vong cao, việc chẩn đoán và phát hiện sớm các dấu hiệu của ung thư phổi đóng vai trò quan trọng trong việc nâng cao hiệu quả điều trị và kéo dài thời gian sống cho bệnh nhân. Tuy nhiên các triệu chứng ban đầu của ung thư phổi thường không được rõ ràng hoặc dễ nhầm lẫn với các bệnh lý hô hấp nên nhiều trường hợp chỉ được phát hiện ở giai đoạn muộn khi bệnh đã tiến triển trong khoảng thời gian dài. Nghiên cứu này tập trung vào ứng dụng các mô hình phát hiện đối tượng bao gồm YOLOv8, DETR và Faster R-CNN cho việc phát hiện các vùng bất thường trên ảnh CT phổi. Các mô hình được tinh chỉnh và đánh giá trên tập dữ liệu LUNA16 với 1.152 trường hợp. Kết quả thực nghiệm cho thấy mô hình Faster R-CNN là mô hình đạt hiệu suất tốt nhất trong số ba mô hình phát hiện đối tượng được sử dụng với độ chính xác trung bình là 85,6% và có số trường hợp bị bỏ sót là 9. Qua kết quả thực nghiệm có thể thấy được tiềm năng của các mô hình phát hiện đối tượng trong việc xử lý ảnh y khoa, đặc biệt là trong chẩn đoán ung thư phổi.