Thông tin luận án tiến sĩ của NCS Lê Minh Lợi, ngành Hệ thống thông tin, khóa 2017

Created: Tuesday, 30 September 2025 09:07 | Last Updated: Tuesday, 30 September 2025 09:08 | Published: Tuesday, 30 September 2025 09:07

Tên đề tài: “Xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa”

Tác giả: Lê Minh Lợi, Khóa: 2017

Ngành: Hệ thống thông tin; Mã số: 62480104. Nhóm ngành: Máy tính và công nghệ thông tin

Người hướng dẫn chính: PGS.TS. Phạm Nguyên Khang - Trường Đại học Cần Thơ

Người hướng dẫn phụ: TS. Trần Nguyễn Minh Thư - Trường Đại học Cần Thơ

Tóm tắt nội dung luận án

Xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa là một vấn đề cấp bách và có tính thời sự trong lĩnh vực y tế hiện nay. Trong bối cảnh số lượng bệnh nhân ngày càng tăng, cùng với sự phát triển của các thiết bị chụp ảnh y khoa như MRI, CT, và X-quang, khối lượng dữ liệu hình ảnh y khoa cũng tăng lên đáng kể. Để phân tích và chẩn đoán bệnh từ các hình ảnh này, cần một lượng lớn chuyên gia có kinh nghiệm, dẫn đến chi phí cao và thời gian chẩn đoán kéo dài. Việc phát triển một mô hình tự động có khả năng phát hiện vùng bị bệnh sẽ giúp giảm tải cho các bác sĩ, tăng độ chính xác của chẩn đoán và rút ngắn thời gian điều trị. Luận án hướng đến việc nghiên cứu xây dựng mô hình phát hiện vùng bị bệnh trên các loại ảnh y khoa, cụ thể là ảnh MRI não.

Vùng bị bệnh được phát hiện trên từng lát cắt của ảnh MRI là ảnh 2 chiều được dựng thành ảnh 3 chiều là nội dung thứ 2 của luận án. Dựng ảnh 3D giúp các nhân viên y tên trực quan hóa vùng bị bệnh, xem vùng bất thường dạng ảnh 3D thay vì chỉ khảo sát vùng bất thường trên nhiều ảnh 2D. Cổng dịch vụ Billow Asia được xây dựng cho phép kết nối với mô hình phát hiện vùng bị bệnh trong luận án seUNet++, thông qua ứng dụng 3Dslicer để dựng được ảnh 3D giúp cho quá trình khảo sát của Bác sĩ tốt hơn trong việc xem xét nhiều góc độ, nhiều khía cạnh của vùng bất thường thay vì chỉ khảo sát vùng bất thường trên ảnh 2 chiều.

Những kết quả mới của luận án

Tập dữ liệu:

Dữ liệu ảnh y khoa đóng vai trò quan trọng trong các bài toán thị giác máy tính, đặc biệt trong việc huấn luyện mô hình phát hiện vùng bất thường trên ảnh y khoa. Trong luận án này, tập dữ liệu LGG (Lower-Grade Gliomas) công bố tại https://www.kaggle.com/mateuszbuda/lgg-MRI-segmentation được sử dụng. Tập dữ liệu LGG chứa ảnh MRI não MRI não ở chuỗi xung FLAIR được gán nhãn sẵn mặt nạ vùng bị tổn thương của 110 bệnh nhân. Đồng thời, quá trình thu thập dữ liệu MRI não tại Bệnh viện Trường Đại học Y Dược Cần Thơ cũng được mô tả trong luận án. Kết quả tập dữ liệu MRI não thu thập tại Bệnh viện Trường Đại học Y dược Cần thơ gồm 139 bộ ảnh MRI sọ não được các nhân viên y tế gán nhãn thủ công vùng bị bệnh. Đây là đóng góp quan trọng trong việc tạo thêm bộ dữ liệu đặc thù cho người bệnh tại vùng đồng bằng sông Cửu Long giúp cải tiến các mô hình hướng tới phục cộng đồng cũng như y tế địa phương

Xây dựng mô hình phát hiện vùng bị bệnh trên ảnh y khoa:

Luận án sử dụng mô hình học sâu thực nghiệm dựa trên dữ liệu thu thập được để xây dựng mô hình phát hiện vùng bị bệnh trên ảnh MRI não. Các mô hình học sâu Unet, Pix2Pix, cGAN được điều chỉnh để phù hợp với dữ liệu thực nghiệm dữ liệu thu thập được tại Bệnh viện Trường Đại học Y Dược Cần Thơ và so sánh kết quả với mô hình đề xuất seUnet++ cho thấy mô hình đề xuất seUnet++ có kết quả tốt nhất trong việc so sánh giữa các mô hình ở chỉ số IoU đạt 87%.

Cổng dịch vụ Billow Asia:

Hiển thị hình ảnh dưới dạng 3 chiều hỗ trợ rất nhiều cho các bác sĩ trong quá trình chẩn đoán và điều trị cho bệnh nhân trong tình trạng các bệnh viện luôn quá tải. Trong nghiên cứu này, cổng dịch vụ Billow AISA được xây dựng và thực nghiệm trong việc phát hiện và hiển thị 3D vùng bất thường trên ảnh MRI não. Mô hình Swin-UNet được huấn luyện trên tập dữ liệu LGG kết hợp với tập dữ liệu đã được thu thập và gán nhãn của 106 bệnh nhân tại Bệnh viện Trường Đại học Y Dược Cần Thơ để phát hiện vùng bất thường. Cổng dịch vụ này cho phép trao đổi dữ liệu giữa máy chủ và máy khách để thực thi việc phát hiện vùng bất thường và kết xuất dữ liệu đúng định dạng hiển thị 3D của ứng dụng Slicer. Thời gian thực thi trên 1 POD và 10 POD cũng được thực thi và đánh giá cho thấy tính khả thi và hiệu quả của Billow AISA

Khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu

Dữ liệu hiện tại còn hạn chế như nhiều hình ảnh của bệnh nhân được thu thập nhưng không thực sự chứa vùng bất thường; mỗi ảnh chỉ được gán nhãn bởi 1 bác sĩ. Việc tăng số lượng ảnh thu thập và tăng số lượng bác sĩ gán nhãn trên cùng một tập dữ liệu sẽ giúp tăng độ tin cậy cũng như nâng cao chất lượng của mô hình.

Kết quả nghiên cứu là tiền đề để có thể phát triển ứng dụng tự động phát hiện vùng bất thường trên ảnh MRI não sau đó dựng ảnh ba chiều vùng bất thường. Nghiên cứu đã chứng minh có thể áp dụng mô hình seUNet++ phù hợp với dữ liệu ảnh xám MRI não tại Bệnh viện Trường Đại học Y Dược Cần Thơ và môt số bệnh viện lân cận tại vùng đồng bằng Sông Cửu Long nhằm giúp giải phóng công sức của bác sĩ chẩn đoán hình ảnh, góp phần tiết kiệm chi phí chẩn đoán và thời gian chẩn đoán. Tuy nhiên trong quá trình xây dựng mô hình phát hiện vùng bị bệnh cần cải thiện độ chính xác cao hơn nữa. Việc nghiên mô hình cần phải thực hiện trên nhiều hơn nữa các dạng ảnh y khoa như CT, X-Quang với dữ liệu thu thập tại nhiều bệnh viện với nhiều loại máy tạo ảnh y khoa tại nhiều bệnh viện trong khu vực.

Với cổng dịch vụ Billow ASIA cho phép hiển thị vùng bị bệnh phát hiện bởi mô hình seUnet++ dạng 3D. Trong tương lai, cổng dịch vụ này có thể được tích hợp các mô hình phát hiện vùng bị bệnh khác một cách dễ dàng. Độ chính xác và nhiều phương án hiển thị cũng sẽ được bổ sung tương ứng với nhu cầu sử dụng trên thực tế.

- Thesis title: Building a Model for Detecting Diseased Regions in Medical Images

- Major: Information Systems Code: 62 48 01 04

- Full name of PhD student: Lê Minh Lợi Year: 2017

- Scientific supervisor: Assoc. Prof. Dr. Pham Nguyen Khang

Dr. Tran Nguyen Minh Thu

- Educational institution: CanTho University

Content of thesis summary

Building a model to detect diseased regions in medical images is an urgent and timely issue in today’s healthcare field. With the increasing number of patients and the development of medical imaging devices such as MRI, CT, and X-ray, the volume of medical image data has significantly grown. Analyzing and diagnosing diseases from these images requires a large number of experienced specialists, which leads to high costs and long diagnosis times. Developing an automated model capable of detecting diseased regions can help reduce the workload for doctors, improve diagnostic accuracy, and shorten treatment times. This dissertation focuses on developing a model to detect diseased regions in medical images, specifically brain MRI scans.

The second part of the dissertation addresses the reconstruction of 3D images from 2D MRI slices where diseased regions are detected. Reconstructing 3D images helps medical staff visualize the diseased areas more intuitively, allowing them to examine abnormalities in 3D format instead of relying solely on multiple 2D slices. The Billow Asia service portal was developed to connect with the disease-detection model seUNet++ proposed in the dissertation via the 3Dslicer application, enabling the generation of 3D images to aid doctors in examining abnormalities from multiple angles and perspectives rather than only in 2D.

The novel aspects from the thesis

Dataset:

Medical image data plays a crucial role in computer vision tasks, especially in training models to detect abnormalities. In this study, the LGG (Lower-Grade Gliomas) dataset published at https://www.kaggle.com/mateuszbuda/lgg-MRI-segmentation was used. This dataset includes brain MRI images in FLAIR sequence labeled with lesion masks for 110 patients. In addition, the thesis describes the process of collecting brain MRI data from Can Tho University of Medicine and Pharmacy Hospital. The result was a dataset of 139 brain MRI scans manually labeled by medical staff. This is an important contribution, as it creates a localized dataset tailored to patients in the Mekong Delta region, which supports the improvement of models aimed at serving the community and local healthcare needs.

Building a Model to Detect Diseased Regions in Medical Images:

The dissertation utilizes deep learning models trained on collected data to develop a model for detecting diseased areas in brain MRI images. Deep learning models such as Unet, Pix2Pix, and cGAN were adapted to suit the collected data from Can Tho University of Medicine and Pharmacy Hospital. Results were compared with the proposed seUNet++ model, which achieved the best performance with an IoU (Intersection over Union) score of 87%.

Billow Asia Service Portal

Displaying images in 3D greatly supports doctors during diagnosis and treatment, especially in the context of overloaded hospitals. In this study, the Billow ASIA service portal was developed and tested for detecting and displaying 3D abnormal regions in brain MRI scans. The Swin-UNet model was trained on the LGG dataset combined with the labeled dataset of 106 patients from Can Tho University of Medicine and Pharmacy Hospital to detect abnormal regions. This service portal allows data exchange between client and server for detection execution and renders data in a format compatible with the 3D Slicer application. Execution time on both 1 POD and 10 PODs was tested and evaluated, demonstrating the feasibility and effectiveness of the Billow ASIA system.

Application prospect and suggestions for further study

The current data is still limited, such as many collected patient images not actually containing abnormalities, and each image being labeled by only one doctor. Increasing the number of collected images and involving multiple doctors in labeling the same dataset would enhance the model’s reliability and quality.

The research results lay the groundwork for developing an application that automatically detects abnormal regions in brain MRI images and reconstructs the 3D image of the abnormal region. The study has demonstrated that the proposed seUNet++ model is suitable for gray-scale brain MRI images collected at Can Tho University of Medicine and Pharmacy Hospital and several nearby hospitals in the Mekong Delta region. This contributes to reducing radiologists' workload, cutting down diagnostic costs, and saving time. However, further improvements in detection accuracy are still needed. Future models should be developed for various types of medical images, such as CT and X-ray, using data collected from different hospitals and imaging devices throughout the region.

With the Billow ASIA service portal, it is possible to display diseased regions detected by the seUNet++ model in 3D. In the future, this portal can be integrated with other detection models easily. Accuracy and display options will also be enhanced according to real-world usage requirements.