Việc phát hiện và phân loại sớm tổn thương gan nhằm đưa ra giải pháp điều trị đúng đắn là vô cùng cần thiết. Để đánh giá chi tiết các tổn thương gan thì kỹ thuật chụp cắt lớp vi tính có tiêm thuốc cản quang là một lựa chọn hoàn hảo. Tuy nhiên, kết quả chẩn đoán phụ thuộc nhiều vào tính tỉ mỉ, nhãn quan và kinh nghiệm của bác sĩ. Xuất phát từ thực tiễn, nghiên cứu ứng dụng mô hình học sâu để phát hiện và phân loại các tổn thương khu trú thường gặp ở gan trên ảnh chụp cắt lớp vi tính cần được triển khai thực hiện. Các đề tài ứng dụng máy học, đặc biệt là kỹ thuật học sâu để xử lý ảnh chụp cắt lớp vi tính có tiêm thuốc cản quang liên quan đến các tổn thương gan đã được nhiều nhà khoa học tham gia nghiên cứu. Năm 2017, nhóm tác giả Changjian Sun đề xuất mô hình mạng học sâu kết nối đầy đủ đa kênh để vẽ đường biên bao quanh tổn thương [9]. Năm 2018, nhóm tác giả Sang-gil Lee sử dụng mô hình Grouped Single Shot MultiBox Detector để phát hiện các tổn thương gan [5]. Năm 2018, nhóm tác giả Dong Liang đề xuất mô hình Residual Convolutional Neural Networks để trích xuất đặc trưng và sử dụng thuật toán máy học véc tơ hỗ trợ để phân loại các tổn thương [6]. Đầu năm 2021, nhóm tác giả Jiarong Zhou sử dụng ba mô hình Faster R-CNN với mạng rút trich đặc trưng FPN riêng biệt để phân loại các tổn thương gan.

Đối tượng tập trung vào việc phát hiện và phân loại các tổn thương khu trú thường gặp ở gan. Các hình ảnh chụp cắt lớp vi tính có tiêm thuốc cản quang vùng bụng liên quan đến ba loại tổn thương gồm nang gan, u mạch máu và ung thư tế bào gan nguyên phát được thu thập tại Bệnh viện Trường Đại học Y Dược Cần Thơ làm dữ liệu cho quá trình huấn luyện và kiểm thử trên mô hình học sâu là Faster R-CNN với mạng rút trích đặc trưng ResNet-101 . phương pháp nghiên cứu: Bộ dữ liệu ảnh chụp cắt lớp vi tính tiêm thuốc cản quang vùng bụng có tổn thương gồm nang gan, u mạch máu, ung thư tế bào gan nguyên phát; Áp dụng mô hình Faster R-CNN để phát hiện, phân loại tổn thương. Kết quả  Bộ dữ liệu thu thập tại Bệnh viện Trường Đại học Y Dược Cần Thơ gồm 51 người bệnh có tổn thương khu trú thường gặp ở gan, với 2828 ảnh, 2836 vùng tổn thương được xác định bởi bác sĩ chẩn đoán hình ảnh. Trong đó, 11 người bệnh thuộc nhóm nang gan (440 vùng), 18 người bệnh thuộc nhóm u mạch máu (648 vùng), 21 người bệnh thuộc nhóm ung thư tế bào gan nguyên phát (1748 vùng) và 01 người bệnh có cả nang và u mạch máu; Mô hình Faster R-CNN cho kết quả độ chính xác mAP là 94%, thời gian huấn luyện 583 phút và thời gian xử lý 0,13 giây

Áp dụng mô hình học sâu Faster R-CNN với mạng rút trích đặc trưng ResNet-101 để phát hiện và phân loại tổn thương khu trú thường gặp ở gan với kết quả độ chính xác mAP là 94%, thời gian huấn luyện 583 phút và tốc độ xử lý 0,13 giây. Mô hình Faster R-CNN cho thấy sự phù hợp và có thể được áp dụng để triển khai các ứng dụng thực tế trong tương lai.