Các nhiệm vụ chính:

  + Phân loại ảnh y tế: chẩn đoán bệnh qua ảnh X-quang, MRI, CT

  + Phân đoạn: tách vùng tổn thương, khối u, mô chức năng

  + Phát hiện: xác định vị trí bất thường trong ảnh

  + Tái tạo: nâng cao chất lượng ảnh, khử nhiễu

• Kiến trúc mạng học sâu:
•   + CNN truyền thống: AlexNet, VGG, ResNet
•   + U-Net: phổ biến trong phân đoạn ảnh y tế
•   + GAN: tái tạo ảnh, tăng cường dữ liệu
•   + RNN và LSTM: xử lý chuỗi ảnh hoặc ảnh động
• Bộ dữ liệu chuẩn:
•   + LIDC-IDRI (ung thư phổi)
•   + BRATS (u não)
•   + ISIC (ung thư da)
•   + ChestX-ray14 (bệnh phổi)
•   + DRIVE, STARE (mạch máu võng mạc)
• Kỹ thuật hỗ trợ:
•   + Tăng cường dữ liệu: xoay, lật, co giãn, nhiễu
•   + Tiền xử lý: chuẩn hóa, cân bằng histogram, lọc nhiễu
•   + Học chuyển giao: dùng mô hình huấn luyện sẵn trên ImageNet
• Thách thức:
•   + Thiếu dữ liệu gán nhãn chất lượng cao
•   + Tính không đồng nhất giữa các thiết bị và bệnh viện
•   + Khó khăn trong giải thích kết quả mô hình
•   + Yêu cầu cao về tính bảo mật và quyền riêng tư
• Hướng phát triển:
•   + Học không giám sát và bán giám sát
•   + Học liên kết (federated learning) để bảo vệ dữ liệu
•   + Mô hình lai giữa CNN và Transformer
•   + Tích hợp AI vào quy trình lâm sàng thực tế