CHÚC MỪNG NHÓM SINH VIÊN LỚP CTTT2023 NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ MAPR 2026
MAPR 2026 (The 9th International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị quốc tế thường niên về phân tích đa phương tiện và nhận dạng mẫu (Multimedia Analysis and Pattern Recognition), do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng mẫu Việt Nam (VAPR), Trường ĐH Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST); IEEE là nhà tài trợ kỹ thuật (Technical Sponsor). Đây là lần tổ chức thứ 9. MAPR 2026 diễn ra tại Silk Path Grand Huế Hotel, số 2 Lê Lợi, phường Thuận Hóa, TP. Huế, ngày 13 – 14/08/2026.
MAPR 2026 là diễn đàn dành cho các nhà nghiên cứu và chuyên gia đến từ các trường đại học, viện nghiên cứu và doanh nghiệp để chia sẻ những kết quả nghiên cứu mới nhất, đồng thời thúc đẩy hợp tác trong các lĩnh vực trí tuệ nhân tạo (AI), nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://mapr.uit.edu.vn/
Kỷ yếu các kỳ trước (IEEE Xplore): https://ieeexplore.ieee.org/xpl/conhome/1825404/all-proceedings
Tên bài báo: “Deep Learning for Multiphasic CT-Based Liver Cancer Subtype Classification and Segmentation Refinement”
Sinh viên thực hiện:
- Phạm Khôi Nguyên (MSSV: 23521055) – Lớp CTTT2023
- Trần Ngọc Thảo Vy (MSSV: 23521836) – Lớp CTTT2023
Giảng viên hướng dẫn: ThS. Nguyễn Thị Kim Phụng
Abstract:Primary liver cancer, including hepatocellular carcinoma (HCC), intrahepatic cholangiocarcinoma (ICC), and combined hepatocellular cholangiocarcinoma (cHCC-iCCA), remains difficult to distinguish on multiphasic contrast-enhanced CT (CECT). Overlapping enhancement patterns make reliable sub-type differentiation and accurate tumor boundary delineation challenging. This study proposes a dual-model deep learning framework for multiphasic CECT. HCC-Net uses an EfficientNet-based phase-stacked architecture trained on 278 patients. HCC-RefineNet applies a 3D U-Net within tumor-centered regions of interest. HCC-Net achieved a macro-area under the receiver operating characteristic (ROC) curve (AUC) of 0.98, accuracy of 0.96, and macro-F1 score of 0.96, with balanced per-class performance. HCC-RefineNet achieved a mean Dice of 0.93 (SD 0.05) and HD95 of 2.99 (SD 0.78) within tumor-centered regions of interest. Both models operate on publicly available multiphasic CECT data without additional clinical inputs, establishing a reproducible baseline for three-class primary liver cancer analysis.
