Báo cáo về phân loại tổn thương da bằng mạng nơ-ron tích chập (CNN)

Đồ án nghiên cứu học phần đồ án chuyên ngành đề tài phân loại tổn thương da bằng cnn, áp dụng công nghệ tiên tiến, tối ưu giải pháp kỹ thuật cho bài toán .

• Tác giả: Nguyễn Tuấn Anh
• Người hướng dẫn: ThS. Ngô Thị Thanh Hòa
• Trường học: Trường Đại Học Công Nghiệp Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phân Loại Tổn Thương Da Bằng CNN
• Loại tài liệu: báo cáo học phần đồ án chuyên ngành
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI VÀ CƠ SỞ LÝ THUYẾT
• 1.1. Giới thiệu về lý do chọn đề tài
• 1.2. Tổng quan về trí tuệ nhân tạo (Artificial intelligence)
• 1.3. Tổng quan về ảnh và một số kỹ thuật xử lý ảnh
• 1.3.1. Tổng quan về ảnh
• 1.3.1.1. Một số khái niệm cơ bản
• 1.3.1.2. Một số dạng ảnh
• 1.3.2. Một số kỹ thuật xử lý ảnh
• 1.3.2.1. Lược đồ ảnh (Histogram)
• 1.3.2.2. Nhị phân hóa ảnh
• 1.3.3. Trích chọn và biểu diễn đặc trưng hình ảnh
• 1.3.3.1. Đặc trưng ảnh
• 1.3.3.1.1. Đặc trưng màu sắc
• 1.3.3.1.2. Đặc trưng kết cấu
• 1.3.3.1.3. Đặc trưng hình dạng
• 1.3.3.2. Một số phương pháp trích chọn đặc trưng đơn giản
• 1.3.3.2.1. Trích chọn đặc trưng ảnh dựa trên màu sắc
• 1.3.3.2.2. Trích chọn đặc trưng ảnh dựa trên kết cấu
• 1.3.3.2.3. Trích chọn đặc trưng ảnh dựa trên hình dạng
• 2. CHƯƠNG 2: KỸ THUẬT HỌC SÂU CNN TRONG CHẨN ĐOÁN BỆNH
• 2.1. Giới thiệu về bộ dữ liệu
• 2.2. Mạng neural học sâu sử dụng trong nhận dạng
• 2.3. Giới thiệu về mô hình CNN
• 2.4. Cấu trúc mô hình CNN
• 2.4.1. Lớp tích chập
• 2.4.2. Hàm kích hoạt ReLU
• 2.4.3. Lớp Fully Connected
• 2.5. Môi trường thực nghiệm và cài đặt các thư viện
• 2.5.1. Giới thiệu về môi trường colab
• 2.5.2. Các thư viện được sử dụng
• 3. THỰC NGHIỆM, KẾT QUẢ NGHIÊN CỨU
• 3.1. Làm sạch dữ liệu
• 3.2. Phân tích dữ liệu
• 3.2.1. Trực quan hóa sự phân bố của 7 loại tổn thương da khác nhau
• 3.2.2. Trực quan hóa sự phân bổ của 4 loại xác thực kỹ thuật khác nhau (dx_type)
• 3.2.3. Trực quan hóa sự phân bố của những vị trí tổn thương da khác nhau (localization)
• 3.2.4. Trực quan hóa sự phân bố tuổi (age)
• 3.2.5. Trực quan hóa sự phân bố giới tính (sex)
• 3.3. Thay đổi kích thước hình ảnh
• 3.4. Một vài mẫu theo từng loại tổn thương da
• 3.5. Mã hóa one–hot Encoding
• 3.6. Tách Features và Target
• 3.7. Tạo các lớp và định nghĩa các hàm
• 3.7.1. Tạo lớp ‘TimeHistory(Callback)’ để theo dõi quá trình training của model
• 3.7.2. Hàm tính RMSE
• 3.7.3. Hàm tính toán độ chính xác, mất mát của tập dữ liệu training, validation
• 3.7.4. Hàm tính toán độ chính xác, mất mát của tập dữ liệu testing
• 3.7.5. Hàm tính toán lớp thực tế và lớp dự đoán
• 3.7.6. Hàm trả về báo cáo các lớp phân loại
• 3.8. Huấn luyện mô hình và so sánh kết quả giữa các thuật toán
• 3.8.1. Huấn luyện mô hình
• 3.8.2. So sánh kết quả giữa các mô hình
• 3.8.3. Một số kết quả trên tập data test
• 3.8.4. Kiến trúc mạng và tham số thực hiện
• 4. CHƯƠNG 4: KIỂM THỬ CHƯƠNG TRÌNH
• 4.1. Khái niệm về kiểm thử
• 4.2. Các loại kiểm thử và mức độ kiểm thử
• 4.2.1. Các loại kiểm thử
• 4.2.2. Mức độ kiểm thử
• 4.3. Phương pháp kiểm thử thực hiện
• 4.4. Thực hiện kiểm thử
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân loại tổn thương da bằng CNN

Phân loại tổn thương da là một lĩnh vực quan trọng trong y học, đặc biệt trong việc chẩn đoán và điều trị các bệnh lý liên quan đến da. Việc áp dụng mạng nơ-ron tích chập (CNN) trong phân loại tổn thương da đã mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác và tốc độ chẩn đoán. CNN có khả năng tự động học và trích xuất các đặc trưng từ hình ảnh, giúp phát hiện các dấu hiệu bất thường trên da một cách hiệu quả.

1.1. Lý do chọn đề tài phân loại tổn thương da

Tổn thương da có thể là dấu hiệu của nhiều bệnh lý nghiêm trọng, bao gồm ung thư da. Việc phát hiện sớm và chính xác các tổn thương này có thể cứu sống bệnh nhân. Do đó, nghiên cứu về phân loại tổn thương da bằng CNN là rất cần thiết.

1.2. Tầm quan trọng của CNN trong y tế

CNN đã chứng minh được hiệu quả vượt trội trong việc phân tích hình ảnh y tế. Khả năng tự động học và nhận diện các đặc trưng phức tạp giúp CNN trở thành công cụ hữu ích trong việc phân tích hình ảnh y tế và hỗ trợ chẩn đoán.

II. Thách thức trong phân loại tổn thương da bằng CNN

Mặc dù CNN mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong việc phân loại tổn thương da. Các vấn đề như chất lượng dữ liệu, độ chính xác của mô hình và khả năng tổng quát của mô hình là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Chất lượng dữ liệu ảnh

Chất lượng của tập dữ liệu ảnh ảnh hưởng trực tiếp đến hiệu suất của mô hình CNN. Dữ liệu không đủ đa dạng hoặc có độ phân giải thấp có thể dẫn đến kết quả không chính xác trong việc phân loại.

2.2. Độ chính xác của mô hình

Độ chính xác của mô hình CNN phụ thuộc vào nhiều yếu tố, bao gồm kiến trúc mạng, phương pháp huấn luyện và tập dữ liệu. Việc tối ưu hóa các tham số này là rất quan trọng để đạt được kết quả tốt nhất.

III. Phương pháp phân loại tổn thương da bằng CNN hiệu quả

Để phân loại tổn thương da một cách hiệu quả, cần áp dụng các phương pháp học sâu với CNN. Các bước như chuẩn bị dữ liệu, tiền xử lý và xây dựng mô hình là rất quan trọng trong quy trình này.

3.1. Chuẩn bị dữ liệu cho mô hình CNN

Chuẩn bị dữ liệu bao gồm việc thu thập, làm sạch và phân loại các hình ảnh tổn thương da. Việc này giúp đảm bảo rằng mô hình CNN có đủ thông tin để học và phân loại chính xác.

3.2. Tiền xử lý dữ liệu hình ảnh

Tiền xử lý dữ liệu hình ảnh bao gồm các bước như thay đổi kích thước, chuẩn hóa và tăng cường dữ liệu. Những bước này giúp cải thiện khả năng tổng quát của mô hình CNN.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của CNN

Kết quả nghiên cứu cho thấy mô hình CNN có khả năng phân loại tổn thương da với độ chính xác cao. Việc áp dụng mô hình này trong thực tiễn có thể giúp cải thiện quy trình chẩn đoán và điều trị bệnh lý da liễu.

4.1. Kết quả phân loại tổn thương da

Mô hình CNN đã đạt được độ chính xác cao trong việc phân loại các loại tổn thương da khác nhau. Kết quả này cho thấy tiềm năng lớn của CNN trong lĩnh vực y tế.

4.2. Ứng dụng thực tiễn của mô hình CNN

Mô hình CNN có thể được tích hợp vào các hệ thống y tế thông minh, giúp bác sĩ chẩn đoán nhanh chóng và chính xác hơn. Điều này không chỉ tiết kiệm thời gian mà còn nâng cao chất lượng chăm sóc sức khỏe.

V. Kết luận và hướng phát triển tương lai trong phân loại tổn thương da

Báo cáo này đã trình bày tổng quan về việc phân loại tổn thương da bằng CNN. Kết quả nghiên cứu cho thấy rằng CNN có thể cải thiện đáng kể độ chính xác trong chẩn đoán tổn thương da. Hướng phát triển tương lai có thể bao gồm việc tối ưu hóa mô hình và mở rộng ứng dụng trong các lĩnh vực khác.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu cho thấy CNN là một công cụ mạnh mẽ trong việc phân loại tổn thương da. Việc áp dụng CNN có thể giúp nâng cao hiệu quả chẩn đoán và điều trị.

5.2. Hướng phát triển trong tương lai

Hướng phát triển trong tương lai có thể bao gồm việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng của CNN trong các lĩnh vực y tế khác, từ đó nâng cao chất lượng chăm sóc sức khỏe.

Trích đoạn nội dung tài liệu

CHƯƠNG I. TỔNG QUAN VỀ ĐỀ TÀI VÀ CƠ SỞ LÝ THUYẾT 1. Giới thiệu về lý do chọn đề tài Ung thư da là một trong những vấn đề sức khỏe nghiêm trọng trên toàn cầu, và việc phát hiện sớm ung thư da đóng vai trò quan trọng trong việc cải thiện tỷ lệ sống sót và kết quả điều trị. Trong nỗ lực này, mô hình Convolutional Neural Network (CNN) đã được chứng minh là một công cụ mạnh mẽ và hiệu quả trong phát hiện ung thư da từ dữ liệu hình ảnh.

CNN có khả năng tự động học các đặc trưng và mô hình hoá thông qua quá trình huấn luyện trên dữ liệu. Điều này cho phép nó tìm ra các mẫu và đặc trưng phức tạp trong ảnh da liễu mà có thể không dễ dàng nhận thấy bằng mắt thường. Điểm mạnh này giúp CNN phân loại các ảnh da liễu một cách chính xác và hiệu quả, đồng thời giảm thiểu sự phụ thuộc vào kỹ thuật viên hoặc chuyên gia y tế. Ung thư da thường được chẩn đoán dựa trên việc phân tích các biểu hiện hình ảnh trên da như màu sắc, hình dạng và kích thước của nốt ruồi hay khối u.

CNN có thể xử lý dữ liệu không gian này một cách hiệu quả bằng cách sử dụng các lớp tích chập để trích xuất các đặc trưng từ ảnh. Điều này giúp nâng cao khả năng phát hiện các biểu hiện và đặc trưng quan trọng của ung thư da. Hiệu suất tính toán và tốc độ xử lý được triển khai trên các hệ thống tính toán hiệu suất cao, cho phép xử lý nhanh chóng và chính xác hàng ngàn hoặc thậm chí hàng triệu ảnh da liễu trong việc xử lý lượng lớn dữ liệu hình ảnh và giảm thời gian đáng kể trong quá trình chẩn đoán và đánh giá ung thư da. Phương pháp phát hiện ung thư da bằng CNN có tiềm năng ứng dụng rộng rãi trong thực tế.

Nó có thể được tích hợp vào các hệ thống y tế thông minh, ứng dụng di động hoặc thiết bị y tế di động để cung cấp hỗ trợ chẩn đoán và theo dõi từ xa cho bệnh nhân. Việc phát hiện ung thư da sớm và xác định các vùng da đáng ngờ có thể giúp giảm tải cho hệ thống y tế và tăng cường khả năng chăm sóc sức khỏe cộng đồng. 10 Downloaded by SAU SAU (saudinh1@gmail. Tổng quan về trí tuệ nhân tạo (Artificial intelligence) Vào năm 1943, Warren McCulioch và Walter Pitts bắt đầu thực hiện nghiên cứu ba cơ sở lý thuyết cơ bản: Triết học cơ bản và chức năng của các neural thần kinh; phân tích các mệnh đề logic; lý thuyết dự đoán của Turing.

Các tác giả đã nghiên cứu đề xuất mô hình neural nhân tạo, mỗi neural đặc trưng bởi hai trạng thái “bật”, “tắt” và phát hiện mạng neural có khả năng học. Vào đầu những năm 1980, những nghiên cứu thành công liên quan đến AI như các hệ chuyên gia (expert systems), một dạng của chương trình AI mô phỏng tri thức và các kỹ năng phân tích của một hoặc nhiều chuyên gia con người. AI được áp dụng trong logic, khai phá dữ liệu, chẩn đoán y học và nhiều lĩnh vực ứng dụng khác trong công nghiệp. Sự thành công dựa vào nhiều yếu tố: Tăng khả năng tính toán của máy tính, tập trung giải quyết các bài toán con cụ thể, xây dựng các mối quan hệ giữa AI và các lĩnh vực khác giải quyết các bài toán tương tự và một sự chuyển giao mới của các nhà nghiên cứu cho các phương pháp toán học vững chắc và chuẩn khoa học chính xác.

Tổng quan về ảnh và một số kỹ thuật xử lý ảnh 1. Tổng quan về ảnh 1. Một số khái niệm cơ bản Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật. Ảnh số bao gồm một tập hữu hạn các phần tử được biểu diễn bởi giá trị số.

Ảnh số có thể được biểu diễn dưới dạng ma trận hai chiều, mỗi phần tử của ảnh số gọi là điểm ảnh (pixel). Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm ảnh và càng làm cho tấm ảnh trở nên thực và sắc nét hơn. 11 Downloaded by SAU SAU ([e-mail]) lOMoARcPSD|39269578 Hình 1.

Ảnh ký tự chữ A và ma trận số của vùng chọn Điểm ảnh: Điểm ảnh (Pixel) là một phần tử của ảnh số tại tọa độ (x, y) với độ xám hoặc màu nhất định. Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh.1 mỗi điểm ảnh là một ô mang một giá trị số biểu thị mức xám từ 0 đến 255. Mức xám của ảnh: Mức xám: Là kết quả của sự biến đổi tương ứng 1 giá trị độ sáng của 1 điểm ảnh với một giá trị nguyên dương.

Thông thường nó xác định trong [0, 255] tuỳ thuộc vào giá trị mà mỗi điểm ảnh được biểu diễn. Các thang giá trị mức xám thông thường: 2, 16, 32, 64, 128. Ảnh đa mức xám thường dùng là 256, như vậy mức xám thường xác định trong khoảng [0, 255] tùy thuộc vào giá trị mà mỗi điểm ảnh được biểu diễn. Ma trận số biểu thị mức xám của các điểm ảnh.

12 Downloaded by SAU SAU ([e-mail]) lOMoARcPSD|39269578 Độ phân giải của ảnh:Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều. Một số độ phân giải thông thường được sử dụng trong các thiết bị hiển thị và lĩnh vực xử lý ảnh như 640x480, 800x600, 1024x768 (HD), 192x1080 (full HD), 3840x2160 (UHD)[2].

Một số dạng ảnh Ảnh màu: thường là các ảnh chứa thông tin về đối tượng được biểu diễn dưới dạng màu sắc mà mắc thường có thể quan sát được. Mỗi điểm ảnh có cấu trúc gồm nhiều kênh khác nhau, thông thường trong máy tính, nó biểu diễn 3 lớp màu cơ bản RGB (Red, Green, Blue)[2]. Ảnh đa mức xám: thường biểu diễn thông tin liên quan đến cường độ đa xám của đối tượng trong không gian mà không được thể hiện bởi màu sắc thực của nó[2]. Ảnh nhị phân: Giá trị xám của tất cả các điểm ảnh chỉ nhận giá trị 1 hoặc 0 như vậy mỗi điểm ảnh trong ảnh nhị phân được biểu diễn bởi 1 bit.

Ảnh nhị phân thường được dùng để biểu diễn, phân biệt sự xuất hiện đối tượng và nền trong mỗi bước ảnh. Một số kỹ thuật xử lý ảnh 1. Lược đồ ảnh (Histogram) Lược đồ ảnh là một đồ thị biểu diễn tần số xuất hiện của cường độ sáng điểm ảnh theo các mức hay nói cách khác lược đồ Histogram 13 Downloaded by SAU SAU ([e-mail]) lOMoARcPSD|39269578 của một hình ảnh biểu diễn lược đồ về sự phân bố các mức cường độ xám của một bức ảnh. Nhị phân hóa ảnh Để chuyển sang ảnh nhị phân trước tiên cần chuyển ảnh về dạng ảnh xám với các mức xám có giá trị từ 0 đến 255 dựa trên ba giá trị red, green, blue theo công thức: greycolor = r * 0.114 Sử dụng ngưỡng thích hợp để chuyển các điểm ảnh về dạng 0 (màu đen) hoặc 255 (màu trắng) theo nguyên tắc: g(x, y) = 1 nếu f(x, y) > T và g(x, y) = 0 nếu f(x, y) ≤ T Trong đó: ˗ g(x, y) là giá trị kết quả tại điểm ảnh có tọa độ (x, y); ˗ f(x, y) là giá trị điểm ảnh (x, y) của ảnh cần xử lý; ˗ T là ngưỡng.

Trích chọn và biểu diễn đặc trưng hình ảnh 1. Đặc trưng ảnh 1. Đặc trưng màu sắc Màu sắc là một đặc trưng nổi bật và được sử dụng phổ biến nhất trong tìm kiếm ảnh theo nội dung. Mỗi một điểm ảnh (thông tin màu sắc) có thể được biểu diễn như một điểm trong không gian màu sắc ba chiều.

Các không gian màu sắc thường dùng là: RGB, Munsell, CIE, HSV. Đặc trưng kết cấu Kết cấu hay còn gọi là vân (texture) là một đối tượng dùng để phân hoạch ảnh ra thành những vùng được quan tâm và để phân lớp những vùng đó. 14 Downloaded by SAU SAU ([e-mail]) lOMoARcPSD|39269578 Vân cung cấp thông tin sự sắp xếp về mặt không gian của màu sắc và cường độ của một ảnh. Đặc trưng hình dạng Hình dạng của một ảnh hay một vùng là một đặc trưng quan trọng trong việc xác định và phân biệt ảnh trong nhận dạng mẫu.

Mục tiêu chính của biểu diễn hình dạng trong nhận dạng mẫu là đo thuộc tính hình học của một đối tượng được dùng trong phân lớp, so sánh và nhận dạng đối tượng. Một số phương pháp trích chọn đặc trưng đơn giản 1. Trích chọn đặc trưng ảnh dựa trên màu sắc Lược đồ màu (Histogram): Là đại lượng đặc trưng cho phân bố màu cục bộ của ảnh. Độ đo tính tương tự về màu sắc được tính bằng phần giao của 2 lược đồ màu ảnh truy vấn H(IQ) và ảnh trong cơ sở dữ liệu ảnh H(ID).

Kết quả sẽ là một lược đồ màu thể hiện độ giống nhau giữa 2 ảnh trên. Tuy nhiên vì lược đồ màu chỉ thể hiện tính phân bố màu toàn cục của ảnh mà không xét đến tính phân bố cục bộ của điểm ảnh nên có thể có 2 ảnh xem rất khác nhau nhưng lại có cùng lược đồ màu. Vector liên kết màu (Color Coherence Vector): Là lược đồ tinh chế lược đồ màu, chia mỗi ô màu thành 2 nhóm điểm ảnh: nhóm liên kết màu (coherence pixels) và nhóm không liên kết màu (noncoherence pixels). Vector liên kết màu còn giúp giải quyết khuyết điểm về tính không duy nhất của lược đồ màu đối với ảnh.

Hai ảnh có thể có chung lược đồ màu nhưng khác nhau hoàn toàn, đây là khuyết điểm của lược đồ màu. Nhưng với tìm kiếm theo đặc trưng vector liên kết màu thì nó sẽ giải quyết được khuyết điểm không duy nhất này. Trích chọn đặc trưng ảnh dựa trên kết cấu ˗ Kết cấu hay còn gọi là vân (texture), là một đối tượng dùng để phân hoạch ảnh ra thành những vùng được quan tâm và để phân lớp những vùng đó. 15 Downloaded by SAU SAU ([e-mail]) lOMoARcPSD|39269578 Vân cung cấp thông tin sự sắp xếp về mặt không gian của màu sắc và cường độ của một ảnh.

Ví dụ cấu trúc của vân của một số loại lá cây.