Nghiên cứu này điều tra hiệu quả của kiến trúc U-Net tích hợp với nhiều xương sống mạng nơ-ron tích chập (CNN) để tự động phát hiện và phân đoạn ung thư phổi trong hình ảnh CT ngực. Một tập dữ liệu cân bằng gồm 832 hình ảnh CT ngực (416 ảnh ác tính và 416 ảnh lành tính) đã được xử lý trước bằng CLAHE và được thay đổi kích thước thành 128x128 pixel. Các mô hình U-Net được phát triển bằng cách sử dụng ba xương sống CNN - ResNet50, VGG16 và Xception - để phân đoạn các vùng phổi. Sau khi phân đoạn, các bộ phân loại dựa trên CNN và các mô hình lai kết hợp trích xuất đặc điểm CNN với các bộ phân loại học máy truyền thống (SVM, Random Forest và Gradient Boosting) đã được đánh giá bằng cách sử dụng xác thực chéo 5 lần. Độ chính xác, độ chính xác, độ thu hồi, điểm F1, hệ số Dice và diện tích hệ điều hành máy thu dưới đường cong (ROC-AUC) đã được sử dụng làm số liệu đánh giá. U-Net với ResNet50 đạt hiệu suất tốt nhất (Dice: 0,9495, Độ chính xác: 0,9735) cho phân đoạn phổi ung thư, trong khi U-Net với VGG16 đạt hiệu suất tốt nhất (Dice: 0,9532, Độ chính xác: 0,9513) cho phân đoạn không ung thư. Về phân loại, mô hình CNN với U-Net với Xception đạt độ chính xác 99,1%, độ thu hồi 99,74% và điểm F1 99,42%. Mô hình lai CNN-SVM-Xception đạt độ chính xác 96,7% và điểm F1 97,88%. So với các phương pháp hiện có, khuôn khổ của chúng tôi luôn vượt trội hơn các mô hình hiện có. Tóm lại, việc kết hợp xương sống CNN tiên tiến với U-Net cung cấp một phương pháp mạnh mẽ để phân đoạn và phân loại ung thư phổi từ chụp CT, hỗ trợ chẩn đoán sớm và ra quyết định lâm sàng.
