HỆ THỐNG THÔNG MINH CHẨN ĐOÁN U NÃO

Abstract

Glioma là một trong những dạng u não ác tính phổ biến nhất, trong đó glioblastoma (GBM) được xem là thể bệnh nguy hiểm nhất do mức độ xâm lấn cao và đặc tính mô học phức tạp. Việc phân đoạn u não trên ảnh cộng hưởng từ (MRI) giữ vai trò quan trọng trong quá trình chẩn đoán, lập kế hoạch điều trị và theo dõi diễn tiến bệnh. Tuy nhiên, sự biến thiên lớn giữa các bệnh nhân cùng tính chất tín hiệu không đồng nhất của mô bệnh lý đã khiến bài toán phân đoạn tự động trở nên đặc biệt khó khăn. Trong nghiên cứu này, tôi đề xuất một pipeline phân đoạn dựa trên mô hình Attention U-Net 3D được cải tiến. Pipeline này kết hợp bộ chuẩn tiền xử lý BraTS, chiến lược chia patch có kích thước 128³, kỹ thuật tăng cường dữ liệu theo không gian và cường độ, cùng quy trình huấn luyện được tối ưu hóa toàn diện. Mô hình được đánh giá trên tập dữ liệu BraTS 2020 theo ba vùng phân đoạn tiêu chuẩn: Whole Tumor (WT) – toàn bộ vùng bất thường; Tumor Core(TC) – bao gồm vùng u tăng tín hiệu và vùng hoại tử/không tăng tín hiệu; và EnhancingTumor (ET) – vùng u tăng tín hiệu có hấp thu chất tương phản. Kết quả đánh giá cho thấy phương pháp đề xuất đạt hiệu suất ổn định và vượt trội so với mô hình 3DU-Net gốc, đặc biệt tại vùng ET – vốn là vùng khó phân đoạn do cấu trúc phức tạp và kích thước nhỏ. Ngoài ra, tôi triển khai hệ thống trực quan hóa kết quả bao gồm boxplot và confusion matrix nhằm tăng cường khả năng giải thích và sự tin cậy của pipeline. Các kết quả thực nghiệm bước đầu chứng minh tính khả thi và tiềm năng ứng dụng lâm sàng của hệ thống phân đoạn u não tự động này. Sau khi quá trình huấn luyện mô hình được hoàn tất, hệ thống sẽ được tích hợp vào nền tảng Web với sự hỗ trợ của các thư viện nhưPyTorch, MONAI,… cùng các framework bao gồm React, TypeScript, FastAPI, SpringBoot vàMySQL. Từ khóa: Glioma, Glioblastoma, MRI 3D, Phân đoạn u não, BraTS 2020, Attention U-Net 3D, Học sâu trong ảnh y sinh, Tăng cường dữ liệu, Patch-basedtraining, Whole Tumor (WT), Tumor Core (TC), Enhancing Tumor (ET), MONAI, PyTorch, Trực quan hóa kết quả, Ứng dụng lâm sàng, Web-based integration.