PHÁT HIỆN và KHOANH VÙNG UNG THƯ THẬN BẰNG kỹ THUẬT DEEP LEARNING

  BỘ LAO ĐỘNG - THƯƠNG BINH VÀ XÃ HỘI  TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT VĨNH LONG   KHĨA LUẬN TỐT NGHIỆP  ĐẠI HỌC CƠNG NGHỆ THƠNG TIN  PHÁT HIỆN VÀ KHOANH VÙNG UNG THƯ THẬN BẰNG KỸ THUẬT DEEP LEARNING CBHD: TS Phan Anh Cang Sinh viên: Lê Duy Linh Mã số sinh viên:  19004101 Vĩnh Long - Năm 2022   BỘ LAO ĐỘNG - THƯƠNG BINH VÀ XÃ HỘI  TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT VĨNH LONG   KHĨA LUẬN TỐT NGHIỆP  ĐẠI HỌC CƠNG NGHỆ THƠNG TIN  PHÁT HIỆN VÀ KHOANH VÙNG UNG THƯ THẬN BẰNG KỸ THUẬT DEEP LEARNING CBHD: TS Phan Anh Cang Sinh viên: Lê Duy Linh Mã số sinh viên:  19004101 Vĩnh Long - Năm 2022      i LỜI CAM ĐOAN  Tôi xin cam đoan kết quả đạt đượ c luận văn sản phẩm riêng cá nhân, không chép lại ngườ i khác Trong toàn bộ nội dung luận văn, điều đượ c trình bày cá nhân đượ c tổng hợ  p từ nhiều nguồn tài liệu Tất cả các tài liệu tham khảo có xuất xứ rõ ràng đượ c trích dẫn hợp pháp Đây cơng trình nghiên cứu c cá nhân đượ c s ự  hướ ng dẫn thực hi ện Tiến sĩ Phan Anh Cang Các nội dung nghiên cứu đề tài “  Phát khoanh vùng ung thư thận phương pháp deep learning ” của trung thực chưa công  bố  dướ i bất k ỳ hình thức trước dự a s ố tài liệu, đề  tài xin hoàn toàn chịu trách nhiệm chịu hình thức k ỷ lu ật trướ c Tôi theo quy định cho lờ i cam đoan  Người thực đề tài  Lê Duy Linh     ii MỤC LỤC  LỜI CAM ĐOAN  i   MỤC LỤC  ii   LỜI CẢM ƠN  v   DANH MỤC CÁC CHỮ VIẾT TẮT  vi   DANH MỤC CÁC BẢNG  vii   DANH MỤC HÌNH ẢNH viii   MỞ ĐẦU    CHƯƠNG 1: CƠ SỞ KHOA HỌC CỦA ĐỀ TÀI     1.1 Giới thiệu    1.2 Lý chọn đề tài    1.3 Cơ sở lý luận    1.4 Cơ sở  thực tiễn    1.5 Nghiên cứu liên quan   1.6 Vấn đề đặt     1.7 Hướng giải     CHƯƠNG 2: CƠ SỞ LÝ THUYẾT   2.1 Bệnh ung thư thận    2.1.1 Ung thư thận    2.1.2 Nguyên nhân gây bệnh     2.1.3 Ung thư thận giai đoạn phát triển     2.1.4 Cách thức gây bệnh   10   2.1.5 Dấu hiệu triệu chứng   10   2.1.6 Phương pháp điều trị   12   2.1.7 Phương pháp chuẩn đoán  13   2.2 Tổng quan trí tuệ nhân tạo  16   2.2.1 Khái niệm  16   2.2.2 Một số cơng nghệ Trí tuệ nhân tạo phổ biến   17   2.2.3 Ứng dụng trí tuệ nhân tạo sống   17       iii 2.3 Machine learning 20   2.3.1 Khái niệm Machine Learning   21   2.3.2 Machine learning Workflow 21   2.3.3 Phân loại Machine learning   22   2.3.4 Một số khái niệm   23   2.3.5 Ứng dụng Machine learning   24   2.4 Deep learning 25   2.4.1 Khái niệm Deep Learning  25   2.4.3 Các ưu điểm bật Deep Learning   25   2.4.2 Cách thức hoạt động Deep Learning   26   2.4.4 Ứng dụng Deep Learning   27   2.5 Mạng học sâu vai trò   28   2.5.1 Vai trò học sâu phát dự đoán   28   2.5.2 Mạng nơ -ron tích chập CNN  29   2.5.3 Transfer Learning 35   2.5.4 Kiến trúc mạng ResNet số đánh giá   37   2.5.5 Kiến trúc mạng Unet số đánh giá:   40   2.6 Công cụ xây dựng   41   2.6.1 Sử dụng Google Colab kết hợp với thư viện máy học để xây dựng huấn luyện mơ hình Deep Learning   41   2.6.2 Sử dụng Tensorflow để xây dựng mơ hình Deep Learning   43   2.6.3 Sử dụng Keras API để triển khai đào tạo mơ hình Deep Learning 44  CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT  46   3.1 Mơ hình đề xuất  46   3.1.1 Kiến trúc đề xuất phát khoanh vùng tổn thương thận ung thư   46  3.1.2 Mơ hình Unet phát phân vùng khối u dựa dấu hiệu tổn thương thận  47   3.1.3 Mơ hình Resnet phát khối u dựa dấu hiệu tổn thương thận   47       iv 3.2 Pha tiền xử lý tăng cường liệu   47   3.2.2 Tăng cường liệu áp dụng phương pháp Flip images 47   3.2.3 Tăng cường liệu áp dụng phương pháp rotation images   48   3.2.4 Tăng cường liệu áp dụng phương pháp crop images   48   3.2.5 Tăng cường liệu áp dụng phương pháp resize images   48   3.3 Pha huấn luyện mơ hình   49   3.4 Pha phân loại  49   CHƯƠNG 4: KẾT QUẢ  50   4.1 Môi trường thực nghiệm  50   4.2 Kịch tham số huấn luyện   50   4.2.1 Kịch 1:  50   4.2.2 Kịch 2:  51   4.3 K ết huấn luyện  51   4.3.1 Độ xác  51   4.3.2 Độ mác(Loss)   52   4.3.4 Thời gian huấn luyện   53   4.4 Kết kiểm thử  và hình ảnh  53   CHƯƠNG 5: KẾT LUẬN –  HƯỚNG PHÁT TRIỂN  55   5.1 Kết luận  55   5.2 Hướng phát triển  55   TÀI LIỆU THAM KHẢO  56   PHỤ LỤC  58       v LỜI CẢM ƠN  Trước hết em xin bày tỏ lòng biết ơn tất thầy cô Khoa Công nghệ thông tin - Trường Đại học Sư Phạm Kỹ Thuật Vĩnh Long Đặc biệt thầy Phan Anh Cang, người dành cho em nhiều thời gian quý báu, trực tiếp hướng dẫn tận tình giúp đỡ, bảo góp ý cho em suốt q trình làm đề tài khóa luận tốt nghiệp này.  Em xin chân thành cảm ơn thầy cô tham gia giảng dạy truyền đạt kiến thức quý báu học tập sống suốt thời gian  em học tập trường, đọc phản biện báo cáo em, giúp em hiểu rõ vấn đề mà nghiên cứu   Tuy có nhiều cố gắng q trình học tập q trình làm đề tài khóa luận khơng thể tránh khỏi thiếu sót, em mong góp ý quý báu tất thầy, cô tất bạn để kết em hoàn thiện ngày tốt hơn.  Cuối chúng em xin kính chúc q thầy, dồi sức khỏe thành công nghiệp cao quý.  Một lần nữa, em xin chân thành cảm ơn!   Vĩnh Long, ngày 21 tháng 12 năm 2022   Lê Duy Linh      vi DANH MỤC CÁC CHỮ  VIẾT TẮT STT Kí hiệu  Nội dung đầy đủ  AI Artifical Intelligent ML Machine Learning CT computerized tomography CNN Convolutional Neural Networks GPU Graphics Processing Unit TPU Tensor Processing Unit MLW Machine Learning Workflow DNN Deep Neural Network RCC Renal Cell Carcinoma     vii DANH MỤC CÁC BẢNG Bảng 2.1 Phân loại TNM 15   Bảng 2.2 Bảng chuẩn đoán ung thư theo TNM   16   Bảng 2.3 Cấu hình phần cứng Google Colab cung cấ p 41   Bảng 4.1 Thông số môi trườ ng huấn luyện………………………………… …….50  Bảng 4.2 Thông số k ịch 51   Bảng 4.3 Thông số k ịch 51   Bảng 4.4 Bảng so sánh lựa chọn mơ hình 51   Bảng 4.5 Thờ i gian huấn luyện 51       viii DANH MỤC HÌNH ẢNH Hình Ảnh so sánh thận bình thườ ng thận bị ung thư    Hình 2 Các giai đoạ n phát triển ung thư thận 10   Hình 2.3 Machine Learning Workflow 21   Hình 2.4 Minh họa về Supervised learning 22   Hình 2.5 Minh họa vể Unsupervised learning 23   Hình 2.6 Deep Learning 25   Hình 2.7 Ví dụ về cửa sổ trượ t 30   Hình 2.8 Ví dụ về mơ hình CNN 31   Hình 2.9 Tạo Neuron ẩn 32   Hình 2.10 Dịch filter qua phải 32   Hình 2.11 Các hidden layer 33   Hình 2.12 Max-pooling 34   Hình 2.13 Convolutional Neural Network 34   Hình 2.14 Fully Connected 35   Hình 2.15 Transfer Learning 36   Hình 16 So sánh độ chính xác thờ i gian huấn luyện áp dụng không áp dụng transfer learning 36   Hình 2.21 Thơng số cấu hình mạng VGG-16 37   Hình 2.22 Cộng tr ực tiếp đầu vào khối vớ i nhánh lại khối Identity  block 38   Hình 2.23 Kiến trúc Resnet bao gồm khối đặc trưng khối tích chậ p (Conv  block) khối xác định (Identity block) 38   Hình 2.24 Kiến trúc tổng quan Resnet 39   Hình 2.25 Kiến trúc mạng Unet 40   Hình 3.1 mơ hình đề xuất phát ung thư thận dựa ảnh chụ p CT 46  Hình 3.2 Mơ hình Unet đề xuất 47   Hình 3.3 Mơ hình resnet đề  xuất 47   Hình 3.4 Tăng cườ ng ảnh phương pháp Flip image 47   Hình 3.5 Tăng cườ ng ảnh phương pháp rotation 48   Hình 3.6 Tăng cườ ng ảnh phương pháp crop  48   Hình 3.7 Tăng cườ ng ảnh phương pháp resize images 48       46 CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT  3.1 Mơ hình đề xuất  Dựa kiến trúc mạng Resnet, Unet nội dung nghiên cứu xây dựng hệ thống phát tổn thương thận do khối u  phục vụ cho việc chẩn đoán nhanh chóng xác Điều giúp giảm áp lực từ bác sĩ, phát sớm mầm bệnh từ giai đoạn ban đầu, từ giúp người bệnh điều trị kịp thời Mơ hình hệ thống đề xuất trình bày sau 3.1.1 Kiến trúc đề xuất phát khoanh vùng tổn thương thận  do ung thư thận gây ra  Lật ảnh, xoay ảnh, cắt ảnh  Lật ảnh, xoay ảnh, cắt ảnh   Hình mơ hình đề xuất phát ung thư thận dựa ảnh chụp CT       47 3.1.2 Mơ hình Unet phát phân vùng khối u dự a dấu hiệu tổn thương thận  Hình 3.2 Mơ hình Unet đề xuất   3.1.3 Mơ hình Resnet phát khối u dự a dấu hiệu tổn thương thận  Hình 3.3 Mơ hình resnet đề xuất   3.2 Pha tiền xử  lý tăng cườ ng dữ  liệu  3.2.2 Tăng cườ ng dữ  liệu áp dụng phương pháp Flip images Flip Kết quả   Hình 3.4 T ăng cường ảnh phương pháp Flip image     48 3.2.3 Tăng cường liệu áp dụng phương pháp rotation images theo chiều kim đồng hồ  ngược chiều kim đồng hồ  Xoay trái 45 độ  Xoay phải 45 độ   Hình 3.5 Tăng cường ảnh phương pháp rotation  3.2.4 Tăng cường liệu áp dụng phương pháp crop images Crop Kết quả   Hình 3.6  Tăng cường ảnh phương pháp crop  3.2.5 Tăng cường liệu áp dụng phương pháp resize images   Đối với phương pháp resize images, em áp dụng kích thước 640x640 để tiến hành trình resize images Resize Kết quả   Hình 3.7  Tăng cường ảnh phương pháp resize images      49 3.3 Pha huấn luyện mơ hình  Sau có tập liệu huấn luyện từ pha tiền xử lý liệu se  ̃ được đưa vào mơ hình mạng thực huấn luyện mơi trường Google Colab với gói thư viện hỗ trợ huấn luyện.  …………    Hình 3.8 Thơng số huấn luyện cải thiện sau epoch  Bước 1: Chuẩn bị liệu huấn luyện:  - tăng cường ảnh phương pháp flip, rota tion, crop, resize - Cắt xén liệu.  - Tiền xử lý tổn thương   Bước 2: Huấn luyện mơ hình: Dữ liệu đưa vào tính tốn xử lý, qua bước huấn luyện (epoch) thông số huấn luyện được hiển thị độ Loss, Accuracy   3.4 Pha phân loại  Sau hồn tất q trình huấn luyện, pha tiế p theo s e ̃ thực đưa mơ hình mạng huấn luyện vào phân loại, phân vùng tổn thương bằng dữ liệu vừa đượ c xử  lý.      50 CHƯƠNG 4: KẾT QUẢ   Nội dung s e ̃  trình bày k ết qu ả t ừ th ực nghiệm thực hi ện đề tài môi trườ ng Google Colab 4.1 Mơi trườ ng thự c nghiệm Trong q trình thực đề tài, em thực thực nghiệm hai kịch bản: - Kịch bản 1: Xử lý mạng Unet môi trường máy tính đơn tảng cung cấp sẳn có Google Colab với CPU Intel Xeon Processor with two cores 2.30 GHz kèm với 25GB ram cho phép huấn luyện với batch size lớn hơn, việc cung cấp ngẫu nhiên GPU có hiệu suất cao GPU Nvidia Tesla K80, T4s, P4s 100s giúp rút ngắn đáng kể thời gian tính tốn - Kịch 2: Xử lý mạng Resnet  tr ong môi trường    Bảng 4.1 Thông số môi trường huấn luyện  Tên mơi trường  Cấu hình  CPU: Intel Xeon Processor Google Colab Pro GPU: Nvidia Tesla K80 RAM: 25GB Môi trường  Tensorflow GPU 1.12 Python3 Bộ liệu mang tên KITS19 lấy từ thi mang tên “KiTS19 challenge” nhằm mục đích đẩy nhanh phát triển phương pháp phát  và  phân đoạn cho ảnh chụp CT giai đoạn động mạch 300 bệnh nhân ung thư thận trải qua phẩu thuật cắt bỏ thận phần triệt để Trong đó, 210 trường hợp số 300 bệnh nhân phát hành mục đích huấn luyện 90 trường hợp lại   dùng để đánh giá mơ hình sau huấn luyện 210 trường hợp liệu cung cấp tảng GitHub vào ngày 15 tháng năm 2019 Riêng 90 trường hợp lại cung cấp vào ngày 15 tháng năm 20 19 Trong 210 trường hợp bao gồm có ảnh chụp CT ảnh phân đoạn 90 trường hợp lại bao gồm ảnh  dùng để kiểm thử sau huấn luyện mơ hình 4.2 Kịch tham số huấn luyện  4.2.1 Kịch 1:  Việc lựa chọn thông số mơ hình mạng phù hợp với tập liệu đóng vai trị quan trọng giúp phương pháp có độ xác cao       51 Mạng huấn Mạng rút trích luyện  đặt trưng  Unet VGG-16 Batch size Num class Num step (epoch) 16 100  Bảng 4.2 Thông số kịch bản 1 4.2.2 Kịch bản 2: Mơ hình mạng sử dụng tinh sửa vài thông tin trước đưa vào huấn luyện thử kiểm thử độ xác Do hạn chế dung lượng nhớ nên thực nghiệm nên thực huấn luyện từ 50 đến 100 epoch   Mạng huấn Batch size Num class luyện  Num step (epoch) Resnet 16 30  Bảng 4.3 Thông số kịch 2  4.3 K ết quả huấn luyện 4.3.1 Độ chính xác K ịch 1: Trong trình huấn luyện, sau độ  chính xác cho mơ hình  phân đoạn vùng thận Mơ hình mạng Unet:   Hình 4.1 Độ xác cho mơ hình phân đoạn  Qua 100 epoch, độ xác mơ hình đạt 3,06% tập liệu  thử nghiệm  (test), tập liệu thẩm định(validation) đạt 80%     52 K ịch 2: Độ chính xác mơ hình Resnet Qua 30 epochs, độ chính xác mơ hình Resnet đặt 94% ở   tậ p dữ  liệu huấn luyện(train), ở  tậ p dữ liệu thẩm định(validation) đạt 88%.   Hình 4.2 Độ xác mơ hình Res net 4.3.2 Độ mất mác(Loss) K ịch 1: Độ mất mác mơ hình Unet: Qua 100 epoch, độ  mất mác mơ hình đạt 0.45 ở  tậ p dữ liệu huấn luyện, ở  tậ p dữ liệu thẩm định(validation) đạt 0.34  Hình 4.3 độ mác mơ hình phân lớp      53 K ịch 2:  Hình 4.4. Độ mác mơ hình resnet   Độ mất mác mơ hình Resnet: Qua 30 e poch, độ mất mác mơ hình đạt 0.1 ở  tậ p dữ liệu huấn (train), ở  tậ p dữ liệu thẩm định (validation) đạt 0.2 K ịch Mô hình Số lần epoch Thờ i gian Accuracy epoch K ịch Unet 100 ~15 phút ~83% K ịch Resnet 30 ~2 phút ~94%  Bảng 4.4 Bảng so sánh lừa chọn mơ hình  4.3.4 Thờ i gian huấn luyện Khi thực nghiệm so sánh thời gian huấn luyện mô hình mạng có chênh lệch thời gian huấn luyện mơ hình có thơng số kiến trúc khác Kịch bản  Mơ hình Thời gian huấn luyện  Unet ~1080p Resnet ~30p  Bảng 4.5 Bảng thời gian huấn luyện mơ hình   4.4 K ết quả kiểm thử  và hình ảnh K ịch 1: Mơ hình mạng Unet Mơ hình Unet thực hi ện đưa ảnh CT đầu vào qua trình huấn luyện sẽ   phần phân đoạn phần Màu đỏ  đượ c tô lên tượng trưng cho vùng thận màu xanh sẽ tượng trương cho phần khối u gây nên bệnh ung thư thận cho bệnh nhân     54 ảnh CT  Kết quả   Hình 4.2 kết mơ hình dự đốn mạng unet   K ịch 2: Mơ hình mạng resnet Mơ hình ResNet xác định khoanh vùng đượ c tổn thương ung thư thận Ảnh CT đầu vào qua trình huấn luyện sẽ thực hình khoanh vùng dán nhãn vùng thận vùng kh ối u ảnh CT  Kết quả   Hình 3. Kết mơ hình dự  đốn mạng Resnet       55 CHƯƠNG 5: KẾT LUẬN –  HƯỚ NG PHÁT TRIỂN 5.1 Kết luận  Sau khoảng thời gian làm việc, đến đề tài quản lý “Phát khoanh vùng ung thư thận kỹ thuật  Deep Learning” hoàn thành theo yêu cầu nội dung Trong trình nghiên cứu thực đề tài với tâm cao hạn chế kinh nghiệm kiến thức nên đề tài chắn khơng tránh khỏi thiếu sót Rất mong đóng góp từ thầy bạn để đề tài tốt hoàn thiện   Trong lúc thực đề tài nhờ dẫn, giúp đỡ từ thầy tìm hiểu thêm từ  bản thân từ số đóng góp sau:   Tập hợp liệu tổn thương thận khối u gây    Tiền xử lý ảnh qua việc phương pháp Flip images, Rotation images, Crop image, Resize images giúp tăng cường độ xác cho mơ hình huấn luyện    Cài đặt sử dụng môi trường thư viện hỗ trợ để huấn luyện kiểm thử    Thực mạng rút trích đặc trưng phân vùng phân lớp    Cung cấp kết thực hiện, đánh giá mơ hình Unet, ResNet, độ xác, độ mác thời gian huấn luyện    So sánh đánh giá mơ hình trình thực   Hạn chế đề tài:  Bên cạnh mặt đạt có số  hạn chế cịn gặp phải Vì lượng kiến thức hạn hẹp nên thực đề tài thiếu số ý kiến, khơng thể hồn thành tối đa mục tiêu đặt   5.2 Hướ ng phát triển Sau q trình thực đề tài, tơi dần hoàn thiện mặt thu thập tập liệu hơn, sử dụng thay nhiều mạng để xem kết quả, cải thiện  thêm mơ hình Sử dụng huấn luyện và tính tốn mơ hình song song môi trường Apache Spark để cải thiện thời gian huấn luyện mơ hình.      56 TÀI LIỆU THAM KHẢO Tiếng Việt  [1] https://healthvietnam.vn/thu-vien/tai-lieu-tieng-viet/ung-buou/ung-thu-than [2] https://tamanhhospital.vn/ung-thu-than/ [3] https://benhvienvietduc.org/nhan-biet-ve-ung-thu-cach-phong-tranh-va-dieutri.html [4] https://benh.vn/benh-ung-thu-than-5221/ [5] https://hellobacsi.com/ung-thu-ung-buou/ung-thu-khac/tim-hieu-ve-cac-xetnghiem-ung-thu-than/ [6] https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/.  [7] https://hoanghapc.vn/ai-la-gi [8] https://dlapplications.github.io/2018-07-15-Transfer-Learning-Basic/ [9] https://dlapplications.github.io/2018-07-06-CNN/.  [10] https://nttuan8.com/bai-12-image-segmentation-voi-u-net/.  [11] https://myknowlog.wordpress.com/2019/09/17/bai-1-image-classification/ [12] https://trituenhantao.io/kien-thuc/resnet-mang-hoc-sau-dung-nghia/.  [13] https://codelearn.io/sharing/google-colab-la-gi [14] https://viblo.asia/p/tensorflow-cho-nguoi-moi-bat-dau-eW65GwNx5DO.  Tiếng anh  [15] https://kits19.grand-challenge.org/home/ [16] https://paperswithcode.com/dataset/kits19 [17] https://deepai.org/publication/kidney-tumor-segmentation-using-anensembling-multi-stage-deep-learning-approach-a-contribution-to-the-kits19challenge [18] https://arxiv.org/abs/1904.00445.  [19] https://github.com/neheller/kits21. Truy cập ngày 5/12/2022.  [20] https://github.com/jchen42703/kits19-2d-reproduce. Truy cập ngày 1/12/2022.  [21] https://github.com/muellerdo/kits19.MIScnn. Truy cập ngày 7/12/2022 [22] https://github.com/frankkramer-lab/MIScnn/blob/master/README.md.      57 [23] https://www.researchgate.net/publication/348590155_MIScnn_a_framework_f  or_medical_image_segmentation_with_convolutional_neural_networks_and_  deep_learning [24] Gianmarco Santini , No´emie Moreau and Mathieu Rubeaux, “ Kidney tumorsegmentation using an ensembling multi-stage deep learning approach [25]  A contribution to the KiTS19 challenge”, 2019 [26] Yi-Chin Tsai, Yung- Nien Sun, “KiTS19 Challenge Segmentation”,2019       58 PHỤ LỤC Tổng kết kiến trúc mơ hình  Unet: …      59     Tổng kết kiến trúc mơ hình  Resnet: 60 ... LAO ĐỘNG - THƯƠNG BINH VÀ XÃ HỘI  TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT VĨNH LONG   KHĨA LUẬN TỐT NGHIỆP  ĐẠI HỌC CƠNG NGHỆ THƠNG TIN  PHÁT HIỆN VÀ KHOANH VÙNG UNG THƯ THẬN BẰNG KỸ THUẬT? ?DEEP LEARNING. .. ngườ i Ung thư thận chia loại: Ung thư thận tế bào sáng (ccRCC), Ung thư nhú thận (pRCC), Ung thư thận kỵ màu (Chromophobe RCC, chRCC), Oncocytom thận, Ung thư ống góp Bellini Tỷ lệ? ?ung thư? ?tế... TÀI  Ung thư thận chiếm tỷ lệ thấ p, khoảng 2% tổng số  ung thư. ? ?Ung thư thận? ?là ung thư có tỷ lệ mắc đứng thứ người trưởng thành đứng thứ ung thư hệ tiết niệu (sau ung thư tuyến tiền liệt ung thư