PHÂN VÙNG KHỐI U TUYẾN TỤY TRÊN ẢNH CT SỬ DỤNG HỌC SÂU

Abstract

Ung thư tuyến tụy là một trong những bệnh lý ác tính có tỷ lệ tử vong cao nhất, đòi hỏi việc chẩn đoán sớm và chính xác để lên phác đồ điều trị kịp thời. Tuy nhiên, việc phân đoạn thủ công khối u trên ảnh chụp cắt lớp vi tính (CT) là một thách thức lớn do kích thước khối u nhỏ, ranh giới mờ nhạt và độ tương phản thấp. Dù các mô hình học sâu (Deep Learning) đã mang lại nhiều bước tiến, chúng lại vấp phải rào cản lớn về sự khan hiếm của nguồn dữ liệu y tế được gán nhãn chuyên sâu. Luận văn "Phân vùng khối u tuyến tụy trên ảnh CT sử dụng học sâu" được thực hiện nhằm giải quyết các thách thức trên thông qua việc xây dựng một hệ thống phân đoạn tự động khối u tuyến tụy, kết hợp tối ưu hóa luồng dữ liệu huấn luyện và trực quan hóa kết quả chẩn đoán. Về mặt phương pháp, nghiên cứu đề xuất sử dụng kiến trúc mạng nơ-ron không gian ba chiều Attention U-Net. Cấu trúc này tích hợp các cổng chú ý (Attention Gates) nhằm định hướng mô hình tập trung vào khu vực tổn thương và lu mờ các vùng nhiễu từ cơ quan lân cận. Để khắc phục triệt để tình trạng mất cân bằng lớp nghiêm trọng, hàm mất mát Tversky Loss được áp dụng nhằm phạt nặng các lỗi bỏ sót khối u. Điểm đột phá của phương pháp là việc tích hợp chiến lược Học chủ động (Active Learning) dựa trên độ bất định. Cơ chế này giúp hệ thống tự động sàng lọc và ưu tiên học hỏi từ các mẫu dữ liệu mang lại nhiều thông tin nhất, qua đó giảm thiểu đáng kể chi phí và thời gian gán nhãn của chuyên gia. Bên cạnh thuật toán lõi, đề tài còn phát triển một phần mềm ứng dụng tích hợp bộ công cụ trực quan hóa 3D tiên tiến, hỗ trợ bác sĩ cô lập cơ quan và tùy chỉnh bật/tắt các lớp hiển thị. Kết quả thực nghiệm trên bộ dữ liệu chuẩn Medical Segmentation Decathlon (MSD) Task 07 Pancreas cho thấy hệ thống đạt hiệu năng khả quan với hệ số tương đồng Dice đạt 0.8133 đối với lớp tuyến tụy và 0.6297 đối với lớp khối u. Chiến lược Học chủ động cũng minh chứng được hiệu quả khi giúp mô hình tiệm cận ngưỡng hội tụ tối ưu mà không cần sử dụng toàn bộ dữ liệu. Đóng góp chính của đề tài không chỉ nằm ở việc tinh chỉnh kiến trúc học sâu và tối ưu hóa tài nguyên dữ liệu, mà còn hiện thực hóa thành công một hệ thống hỗ trợ chẩn đoán (End-to-End) có tính ứng dụng thực tiễn cao. Giải pháp này đã thu hẹp khoảng cách giữa thuật toán AI khô khan và trải nghiệm lâm sàng của bác sĩ, cung cấp một góc nhìn không gian ba chiều trực quan, hỗ trợ đắc lực cho công tác đánh giá mức độ xâm lấn và lên kế hoạch phẫu thuật tuyến tụy. Từ khóa: Phân đoạn ảnh y tế, Khối u tuyến tụy, Học chủ động, Học sâu, Trực quan hóa. Pancreatic cancer is one of the malignancies with the highest mortality rates, requiring early and accurate diagnosis for timely treatment planning. However, the manual segmentation of tumors on computed tomography (CT) images presents a major challenge due to the tumors’ small size, blurred boundaries, and low contrast. Although Deep Learning models have yielded significant advancements, they encounter a major barrier regarding the scarcity of expertly annotated medical data. The thesis "Pancreatic Tumor egmentation on CTImages using Deep Learning" was conducted to address these challenges by developing an automated pancreatic tumor segmentation system that combines training data flow optimization with the visualization of diagnostic results. Methodologically, the research proposes the use of a three-dimensional Attention U-Net neural network architecture. This structure integrates Attention Gates to direct the model’s focus toward the lesion area while suppressing noise from adjacent organs. To thoroughly overcome severe class imbalance, the Tversky Loss function is applied to heavily penalize missed tumors. The breakthrough of this method is the integration of an uncertainty-based Active Learning strategy. This mechanism enables the system to automatically screen and prioritize learning from the most informative data samples, thereby significantly reducing the cost and time required for expert annotation. Alongside the core algorithm, the project develops an application software featuring an advanced 3D visualization toolkit, assisting doctors in isolating organs and customizing the toggle of display layers. Experimental results on the benchmark Medical Segmentation Decathlon (MSD) Task 07 Pancreas dataset indicate that the system achieves promising performance, with a Dice similarity coefficient of 0.8133 for the pancreas class and 0.6297 for the tumor class. The Active Learning strategy also proves effective by helping the model approach optimal convergence without requiring the entire dataset. The primary contribution of this research lies not only in fine-tuning the deep learning architecture and optimizing data resources but also in successfully realizing an end-to-end diagnostic support system with high practical applicability. This solution bridges the gap between rigid AI algorithms and doctors’ clinical workflows, providing an intuitive three-dimensional perspective that serves as a powerful aid in assessing tumor invasion levels and planning pancreatic surgery. Keywords: Medical image segmentation, Pancreatic tumor, Active learning, Deep learning, Visualization.