MÔ HÌNH U-NET CẢI TIẾN VỚI CƠ CHẾ CHÚ Ý ĐA TẦNG CHO PHÂN ĐOẠN U TUYẾN TỤY
Nội dung chính của bài viết
Tóm tắt
Phân đoạn chính xác khối u tuyến tụy từ ảnh y tế là một thách thức lớn trong lĩnh vực thị giác máy tính do sự thay đổi phức tạp về hình dạng, kích thước khối u và độ tương phản thấp giữa mô bệnh và các cơ quan lân cận. Nghiên cứu này đề xuất một mô hình U-Net cải tiến nhằm giải quyết các hạn chế về mất mát thông tin và khả năng định vị kém của các mạng tích chập truyền thống, cho phép nhận diện tốt cả các khối u kích thước nhỏ và cơ chế chú ý được áp dụng tại các kết nối tắt để tự động trọng số hóa các vùng quan trọng, giúp mô hình tập trung vào khu vực khối u và hạn chế các tín hiệu nhiễu từ nền. Mô hình đề xuất được huấn luyện và đánh giá trên tập dữ liệu Medical Segmentation Decathlon-Pancreas Task (MSD-PT) có kết quả thực nghiệm đạt hiệu suất vượt trội với hệ số Dice (DSC) đạt 0.7 và độ nhạy (Sensitivity) đạt 0.76, khẳng định hiệu quả trong việc hỗ trợ phát hiện sớm và giảm thiểu bỏ sót khối u
Từ khóa
Từ khóa: ảnh chụp cắt lớp vi tính, khối u tuyến tụy, phân đoạn khối u, mô hình U - Net
Chi tiết bài viết
Tài liệu tham khảo
Bi, Y., Li, D., Pang, R., Du, C., Li, D., Zhao, X., & Lv, H. (2025). Diagnosis methods for pancreatic cancer with the technique of deep learning: A review and a meta-analysis. Frontiers in Oncology, 15, 1597969. https://doi.org/10.3389/fonc.2025.1597969
Bogovic, J. A., Prince, J. L., & Bazin, P.-L. (2013). A multiple object geometric deformable model for image segmentation. Computer Vision and Image Understanding, 117(2), 145–157. https://doi.org/10.1016/j.cviu.2012.10.006
Cancer Today. (n.d.). Global Cancer Observatory. Retrieved November 12, 2024, from https://gco.iarc.fr/today/en/fact-sheets-cancers (ngày truy cập: 20/12/2025)
Cao, H., Wang, Y., Chen, J., Jiang, D., Zhang, X., Tian, Q., & Wang, M. (2023). Swin-UNet: U-Net-like pure transformer for medical image segmentation — application to pancreatic tumor segmentation. IEEE Transactions on Medical Imaging, 42(3), 673–684. https://doi.org/10.1109/TMI.2022.3214419
Chen, X., & Wan, T. (2022). CTU-Net: Transformer-embedded 3D U-Net for pancreas and pancreatic tumor segmentation. Computers in Biology and Medicine, 146, 105590. https://doi.org/10.1016/j.compbiomed.2022.105590
Du, Y., Zuo, X., Liu, S., Cheng, D., Li, J., Sun, M., Zhao, X., Ding, H., & Hu, Y. (2023). Segmentation of pancreatic tumors based on multi-scale convolution and channel attention mechanism in the encoder-decoder scheme. Medical Physics, 50(1), 123–136. https://doi.org/10.1002/mp.16561
Fang, Y., Liu, J., Li, W., & Zhang, Y. (2023). UMRFormer-Net: A unified multi-resolution transformer network for pancreas and pancreatic tumor segmentation. Medical Image Analysis, 87, 102834. https://doi.org/10.1016/j.media.2023.102834
Granata, V., Palaia, R., & Izzo, F. (2022). Commentary: The synergistic role of irreversible electroporation and chemotherapy for locally advanced pancreatic cancer. Frontiers in Oncology, 12, 955444. https://doi.org/10.3389/fonc.2022.955444
Huo, Y., Tang, Y., Chen, Y., Gao, D., Han, S., Bao, S., et al. (2019). Stochastic tissue window normalization of deep learning on computed tomography. Journal of Medical Imaging, 6(4), 044005. https://doi.org/10.1117/1.JMI.6.4.044005
Izzo, F., Granata, V., Fusco, R., et al. (2021). A multicenter randomized controlled prospective study to assess efficacy of laparoscopic electrochemotherapy in the treatment of locally advanced pancreatic cancer. Journal of Clinical Medicine, 10(17), 4011. https://doi.org/10.3390/jcm10174011
Jiang, H., Sun, Y., Liu, Y., & Wang, Y. (2020). DLU-Net: A dense learning U-Net for pancreas and pancreatic tumor segmentation on CT images. IEEE Access, 8, 221–232. https://doi.org/10.1109/ACCESS.2019.2962364
Kaur, H., Kaur Saini, S., Thakur, N., & Juneja, M. (2024). Survey of denoising, segmentation and classification of pancreatic cancer imaging. Current Medical Imaging, 20, e150523216892. https://doi.org/10.2174/1573405620666230515090523
Simpson, A. L., Antonelli, M., Bakas, S., Bilello, M., Farahani, K., van Ginneken, B., Cardoso, M. J. (2019). A large annotated medical image dataset for the development and evaluation of segmentation algorithms. arXiv Preprint. https://doi.org/10.48550/arXiv.1902.09063
Sung, H., Ferlay, J., Siegel, R. L., et al. (2021). Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 71, 209–249. https://doi.org/10.3322/CAAC.21660
Zhang, C., Achuthan, A., & Shahriar, G. M. H. (2024). State-of-the-art and challenges in pancreatic CT segmentation: A systematic review of U-Net and its variants. IEEE Access, 12, 78726–78742. https://doi.org/10.1109/ACCESS.2024.3392595
Zhang, Z., Keles, E., Durak, G., Taktak, Y., Susladkar, O., Gorade, V., Jha, D., Ormeci, A. C., Medetalibeyoglu, A., Yao, L., & Wang, B. (2024). Large-scale multi-center CT and MRI segmentation of pancreas with deep learning. Medical Image Analysis, 99, 103382. https://doi.org/10.1016/j.media.2024.103382
Zhang, Z., Yao, L., Keles, E., Velichko, Y., & Bagci, U. (2023). Deep learning algorithms for pancreas segmentation from radiology scans: A review. Advances in Clinical Radiology, 5(1), 31–52. https://doi.org/10.1016/j.advcli.2023.04.001