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 những 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 đa tầng nhằm giải quyết việc mất mát thông tin, cho phép nhận diện tốt cả các khối u kích thước nhỏ. Cơ chế chú ý được áp dụng tại các kết nối tắt 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 khả quan với hệ số tương đồng (Dice Similarity Coefficient-DSC) đạt 0.7 và độ nhạy (Sensitivity) đạt 0.76, góp phần trong hỗ trợ phát hiện sớm và giảm bỏ sót khối u.
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
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
Huo, Y., Tang, Y., Chen, Y., Gao, D., Han, S., Bao, S., & Landman, B. A. (2019). Stochastic tissue window normalization of deep learning on computed tomography. Journal of Medical Imaging, 6(4), 044005-044005. https://doi.org/10.1117/1.JMI.6.4.044005
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/BIBM49941.2020.9313263
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
Li, Q., Liu, X., He, Y., Li, D., & Xue, J. (2023). Temperature guided network for 3D joint segmentation of the pancreas and tumors. Neural Networks, 157, 387–403. https://doi.org/10.1016/j.neunet.2022.10.026
Lu, L., Wu, M., Sen, G., Ren, F., & Hu, T. (2025). MDMU-Net: 3D multi-dimensional decoupled multi-scale U-Net for pancreatic cancer segmentation. PeerJ Computer Science, 11, e3059. https://doi.org/10.7717/peerj-cs.3059
Mahmoudi, T., Kouzahkanan, Z. M., Radmard, A. R., Kafieh, R., Salehnia, A., Davarpanah, A. H., Arabalibeik, H., & Ahmadian, A. (2021). Segmentation of Pancreatic Ductal Adenocarcinoma (PDAC) and surrounding vessels in CT images using deep convolutional neural networks and texture descriptors. bioRxiv. https://doi.org/10.1101/2021.06.09.447508
Pham, V., Nguyen, H., Pham, B., Nguyen, T., & Nguyen, H. (2023). Robust engineering-based unified biomedical imaging framework for liver tumor segmentation. Current Medical Imaging Reviews, 19(1), 37-45. https://doi.org/10.2174/1573405617666210804151024
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., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F. (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(3), 209-249. https://doi.org/10.3322/CAAC.21660
Tran, N. N., Nguyen, H. D., Huynh, N. T., Tran, N. P., & Nguyen, L. V. (2022). Segmentation on chest CT imaging in COVID-19 based on the improved attention U-Net model. In H. Fujita & M. Ali (Eds.), New trends in intelligent software methodologies, tools and techniques (pp. 596-606). IOS Press. https://doi.org/10.3233/FAIA220288
Yang, M., Zhang, Y., Chen, H., Wang, W., Ni, H., Chen, X., Li, Z., & Mao, C. (2022). AX-Unet: A deep learning framework for image segmentation to assist pancreatic tumor diagnosis. Frontiers in Oncology, 12, 894970. https://doi.org/10.3389/fonc.2022.894970
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.yacr.2023.05.001