Đề tài ứng dụng đánh giá tình trạng mụn trứng cá và gợi ý lộ trình hỗ trợ điều trị

Ứng dụng đánh giá tình trạng mụn trứng cá, gợi ý lộ trình hỗ trợ điều trị cá nhân hóa. Tìm hiểu về công nghệ và lợi ích trong bài viết này!

• Tác giả: Phạm Nguyễn Xuân Nguyên
• Người hướng dẫn: ThS. Trần Ngọc Bảo Duy
• Trường học: Trường Đại học Bách Khoa - ĐHQG-HCM
• Chuyên ngành: Khoa học và Kỹ thuật Máy tính
• Đề tài: Ứng dụng đánh giá tình trạng mụn trứng cá và gợi ý lộ trình hỗ trợ điều trị
• Loại tài liệu: Luận văn đại học
• Năm xuất bản: 2020
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt
• Danh sách hình vẽ
• Danh sách bảng
• 1. I. Giới thiệu
• 1.1. Thực trạng chung
• 1.1.1. Thực trạng về mặt xã hội
• 1.1.2. Thực trạng về mặt công nghệ
• 1.2. Tính cấp thiết của đề tài
• 1.2.1. Tác hại của mụn
• 1.2.2. Ý tưởng đề tài
• 1.2.3. Lợi ích của ứng dụng
• 1.3. Định hướng nghiên cứu
• 1.3.1. Mục tiêu nghiên cứu
• 1.3.2. Nhiệm vụ nghiên cứu
• 1.3.3. Khách thể và đối tượng nghiên cứu
• 1.3.4. Phạm vi nghiên cứu
• 1.4. Kế hoạch thực hiện luận văn
• 2. II. Kiến thức nền tảng
• 2.1. Kiến thức về mặt y học
• 2.2. Các công trình nghiên cứu liên quan
• 2.2.1. Medical Image Processing in Automatic Acne Detection for Medical Treatment
• 2.2.2. Automated facial acne assessment from smartphone images
• 3. III. Thiết kế kiến trúc đề tài
• 3.1. Các kiến thức sử dụng trong bài báo
• 3.2. Thiết kế kiến trúc
• 3.2.1. Mô-đun 1: Nhận diện điểm bất thường
• 3.2.2. Mô-đun 2: Phân loại điểm bất thường
• 3.2.3. Mô-đun 3: Đánh giá tình trạng
• 3.2.4. Mô-đun 4: Gợi ý điều trị
• 4. IV. Thử nghiệm và đánh giá
• 4.1. Thử nghiệm
• 4.1.1. Ma trận nhầm lẫn (Confusion Matrix)
• 4.1.2. Độ recall của mụn
• 4.1.3. Đánh giá phương pháp nhận diện điểm bất thường
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Hướng dẫn tổng quan đề tài ứng dụng AI đánh giá mụn online

Đề tài nghiên cứu này tập trung vào việc phát triển một ứng dụng AI nhận diện mụn nhằm giải quyết vấn đề phổ biến về mụn trứng cá. Mụn trứng cá được Tổ chức Y tế Thế giới (WHO) xem là một bệnh mãn tính, ảnh hưởng đến hơn 90% trẻ ở tuổi dậy thì và kéo dài đến tuổi trưởng thành. Vấn đề này không chỉ gây tác động thẩm mỹ mà còn ảnh hưởng sâu sắc đến tâm lý, làm giảm sự tự tin và chất lượng cuộc sống. Đề tài hướng tới việc xây dựng một hệ thống chẩn đoán mụn trứng cá tự động, có khả năng đánh giá mức độ nghiêm trọng của mụn và đưa ra gợi ý điều trị ban đầu. Mục tiêu chính là cung cấp một công cụ tiện lợi, nhanh chóng và chính xác, hỗ trợ người dùng, đặc biệt là học sinh, sinh viên, trong việc hiểu rõ tình trạng da của mình. Nghiên cứu này là một đồ án tốt nghiệp CNTT tiêu biểu, kết hợp kiến thức y học và công nghệ, đặc biệt là xử lý ảnh y tế và machine learning trong da liễu. Ứng dụng sẽ phân tích hình ảnh khuôn mặt, xác định vị trí, phân loại các loại mụn phổ biến, từ đó đưa ra phác đồ điều trị mụn cá nhân hóa. Đây là một bước tiến quan trọng trong việc dân chủ hóa dịch vụ tư vấn da liễu online, giúp người dùng tiếp cận các giải pháp chăm sóc da hiệu quả mà không cần tốn quá nhiều chi phí hay thời gian.

1.1. Bối cảnh và tính cấp thiết của hệ thống chẩn đoán mụn

Mụn trứng cá là một bệnh lý da liễu phổ biến, xuất phát từ bốn yếu tố chính: tăng tiết bã nhờn, thay đổi trong nang lông, vi khuẩn Propionibacterium acnes, và tình trạng viêm nhiễm. Thực trạng cho thấy nhiều người, đặc biệt là sinh viên, thiếu kiến thức đúng đắn để phân loại mụn và thường tự điều trị sai cách. Một khảo sát trên 195 sinh viên cho thấy phần lớn (57.9%) tìm kiếm thông tin trên Internet, một nguồn thông tin thiếu kiểm chứng. Điều này dẫn đến nguy cơ làm tình trạng mụn trở nên nghiêm trọng hơn, để lại sẹo và vết thâm vĩnh viễn. Việc phát triển một hệ thống chẩn đoán mụn trứng cá là cực kỳ cấp thiết, giúp người dùng nhận biết sớm, phân loại chính xác các loại mụn (mụn đầu đen, mụn đầu trắng, sẩn viêm, mụn mủ) và hiểu được mức độ nghiêm trọng. Hệ thống này hoạt động như một công cụ sàng lọc ban đầu, giúp giảm tải cho các bác sĩ da liễu và trao quyền cho người dùng chủ động hơn trong việc chăm sóc da mụn.

1.2. Mục tiêu nghiên cứu chính của luận văn về AI trong da liễu

Mục tiêu cốt lõi của luận văn về AI này là tìm ra một phương pháp nhận diện mụn trứng cá nhanh chóng và chính xác thông qua hình ảnh chụp bằng điện thoại thông minh. Nhiệm vụ nghiên cứu bao gồm: 1) Nghiên cứu cơ sở y học về các loại mụn trứng cá thông thường và cách nhận diện chúng. 2) Phân tích và đánh giá các phương pháp nhận diện mụn hiện có, cả về mặt công nghệ và y khoa. 3) Đề xuất một mô hình cải tiến, kết hợp các thuật toán nhận dạng mụn hiệu quả. 4) Xây dựng một cơ sở dữ liệu ảnh mụn để huấn luyện và kiểm thử mô hình. Cuối cùng, đề tài hướng đến việc hiện thực hóa mô hình này thành một ứng dụng thực tế, có khả năng phân tích, đánh giá mức độ nghiêm trọng của mụn, và cung cấp lộ trình hỗ trợ điều trị phù hợp cho từng cá nhân, góp phần cải thiện sức khỏe làn da trong cộng đồng.

II. Top thách thức khi tự điều trị và chăm sóc da mụn tại nhà

Việc tự điều trị mụn tại nhà đối mặt với nhiều rào cản, đặc biệt với đối tượng sinh viên và người có thu nhập thấp. Thách thức lớn nhất là về kinh tế. Theo khảo sát, 84.6% sinh viên chỉ có thể chi dưới 1 triệu đồng mỗi tháng cho việc chăm sóc da. Chi phí cao cho một lần khám và điều trị tại phòng khám da liễu (93% cho rằng tốn kém) khiến họ ngần ngại tìm đến sự trợ giúp chuyên nghiệp trừ khi tình trạng đã rất nặng. Thách thức thứ hai là sự thiếu hụt kiến thức chuyên môn. Người dùng thường không phân biệt được các loại mụn, dẫn đến việc lựa chọn sai sản phẩm điều trị. Sự phổ biến của các thói quen sinh hoạt không lành mạnh như thức khuya, stress, ăn nhiều đồ ngọt cũng làm tình trạng mụn tái phát và nặng hơn. Những khó khăn này nhấn mạnh nhu cầu về một giải pháp công nghệ có khả năng cung cấp kiến thức và định hướng điều trị chính xác. Một phần mềm phân tích da thông minh có thể giúp khắc phục những hạn chế này, mang lại hiệu quả cao hơn trong việc chăm sóc da mụn tại nhà.

2.1. Hạn chế của các giải pháp công nghệ phân tích da hiện có

Thị trường hiện nay đã có một số công nghệ hỗ trợ phân tích da, nhưng vẫn tồn tại nhiều hạn chế. Các thiết bị chuyên dụng như Skin Scanner của Dior hay máy soi da kết nối máy tính tuy có độ chính xác cao nhưng chi phí rất đắt đỏ và không phổ biến, người dùng thông thường khó tiếp cận. Các ứng dụng di động như Effaclar Spot Scan của La Roche-Posay tuy tiện lợi hơn nhưng cũng có nhược điểm. Ứng dụng này yêu cầu điều kiện chụp ảnh khắt khe (3 góc mặt, ánh sáng chuẩn), thời gian phân tích lâu và chỉ gợi ý sản phẩm skincare của chính hãng, làm giảm sự lựa chọn của người dùng. Hơn nữa, nhiều ứng dụng khác như TroveSkin hay Medgic thường tập trung vào các chỉ số chung như nếp nhăn, độ ẩm thay vì đi sâu vào phân loại và đánh giá mức độ nghiêm trọng của mụn. Những hạn chế này tạo ra một khoảng trống thị trường cho một ứng dụng toàn diện hơn.

2.2. Rào cản tâm lý và nhu cầu tư vấn da liễu online cấp thiết

Ngoài các vấn đề về kinh tế và kiến thức, rào cản tâm lý cũng là một yếu tố quan trọng. Nhiều người cảm thấy e ngại khi phải đến gặp bác sĩ da liễu nếu tình trạng mụn chưa quá nặng. Mụn trứng cá còn gây ra các tác động tiêu cực về tâm lý, làm mất tự tin trong giao tiếp và tạo ra rào cản xã hội. Khảo sát của nhóm nghiên cứu cho thấy nhu cầu rất lớn về một công cụ có thể giúp người dùng tự kiểm tra tại nhà. Cụ thể, người dùng rất mong muốn biết chính xác loại mụn, tình trạng nặng nhẹ của da, và nhận được gợi ý sản phẩm phù hợp. Nhu cầu về một dịch vụ tư vấn da liễu online tiện lợi, riêng tư và đáng tin cậy là rất rõ ràng. Một ứng dụng thông minh có thể đáp ứng chính xác nhu cầu này, trở thành một người trợ lý ảo đắc lực cho người dùng trong hành trình điều trị mụn.

III. Phương pháp ứng dụng AI nhận diện mụn qua xử lý ảnh y tế

Giải pháp cốt lõi của đề tài là xây dựng một hệ thống nhận diện mụn tự động dựa trên công nghệ xử lý ảnh y tế và trí tuệ nhân tạo. Quy trình này được chia thành nhiều mô-đun chuyên biệt, bắt đầu từ việc tiền xử lý ảnh đầu vào cho đến khi xác định được các vùng da bất thường. Hệ thống này, hay còn gọi là acne detection system, được thiết kế để hoạt động hiệu quả trên ảnh chụp từ điện thoại di động thông thường. Đầu vào là một bức ảnh chân dung 2D, chụp rõ khuôn mặt. Mô-đun đầu tiên, Nhận diện điểm bất thường, sẽ thực hiện các bước như giảm nhiễu, cân bằng sáng, và quan trọng nhất là phát hiện khuôn mặt cùng các vùng nhiễu (tóc, mắt, môi) để loại trừ. Sau đó, thuật toán nhận dạng mụn sẽ được áp dụng trên vùng da còn lại. Phương pháp này dựa trên việc phân tích không gian màu của ảnh, một kỹ thuật phổ biến trong lĩnh vực computer vision for dermatology. Các nghiên cứu liên quan như “Automated facial acne assessment from smartphone images” đã chỉ ra hiệu quả của việc sử dụng không gian màu CIE Lab* để phân tách các điểm bất thường (mụn, thâm, sẹo) khỏi nền da khỏe mạnh.

3.1. Kỹ thuật phân vùng khuôn mặt và vai trò của không gian màu

Để tăng độ chính xác, thay vì xử lý toàn bộ khuôn mặt, hệ thống áp dụng kỹ thuật phân vùng. Dựa trên nghiên cứu của Amini và cộng sự, khuôn mặt được định vị bằng 68 điểm mốc, sau đó được chia thành 5 vùng chính: trán, má trái, má phải, mũi và cằm. Việc nhận diện điểm bất thường trên từng vùng riêng biệt giúp thuật toán hoạt động hiệu quả hơn. Kỹ thuật phân đoạn màu đóng vai trò then chốt. Thay vì dải màu HSV, nghiên cứu này ưu tiên sử dụng dải màu CIE Lab*. Kênh màu 'a*' trong không gian này đặc biệt hiệu quả trong việc phân biệt các sắc độ đỏ và xanh lá, giúp làm nổi bật các tổn thương viêm đỏ của mụn. Bằng cách xác định một ngưỡng giá trị phù hợp trên kênh màu 'a*', hệ thống có thể tự động khoanh vùng các khu vực có dấu hiệu bất thường, tạo ra dữ liệu đầu vào cho bước phân loại tiếp theo.

3.2. Xây dựng mô hình nhận diện đối tượng để xác định mụn

Sau khi xác định các điểm bất thường, bước tiếp theo là phân loại chúng. Đây là lúc mô hình nhận diện đối tượng phát huy vai trò. Các điểm bất thường được trích xuất từ ảnh gốc và đưa vào một mô hình học máy đã được huấn luyện trước. Mô hình này, thường là một mạng nơ-ron tích chập (CNN) thuộc lĩnh vực deep learning phân loại mụn, sẽ phân tích các đặc trưng của từng điểm ảnh như màu sắc, kết cấu, hình dạng. Đầu ra của mô-đun này là các nhãn phân loại, ví dụ: mụn đầu trắng, mụn đầu đen, sẩn viêm đỏ, mụn mủ, hoặc không phải mụn (vết thâm, nốt ruồi). Để mô hình hoạt động chính xác, việc xây dựng một cơ sở dữ liệu ảnh mụn chất lượng cao, được gán nhãn bởi chuyên gia da liễu, là yếu tố quyết định. Chất lượng của dữ liệu đầu vào này sẽ ảnh hưởng trực tiếp đến hiệu suất của toàn bộ hệ thống.

IV. Cách deep learning phân loại mụn và gợi ý phác đồ điều trị

Sau khi các điểm bất thường được khoanh vùng, hệ thống chuyển sang giai đoạn phân loại và đánh giá. Mô-đun Phân loại điểm bất thường sử dụng các kỹ thuật machine learning trong da liễu để xác định chính xác từng loại mụn. Các thuật toán học sâu (deep learning) được huấn luyện trên một tập dữ liệu lớn gồm hàng ngàn hình ảnh mụn đã được gán nhãn. Mô hình sẽ học cách phân biệt các đặc điểm tinh vi giữa mụn đầu trắng, mụn đầu đen, sẩn viêm và mụn mủ. Kết quả của bước này là một bản đồ mụn chi tiết trên khuôn mặt người dùng, với từng vị trí được gán nhãn cụ thể. Dựa trên số lượng và loại mụn được phát hiện, Mô-đun Đánh giá tình trạng sẽ tính toán mức độ nghiêm trọng của mụn theo các thang điểm y khoa chuẩn hóa, ví dụ như kỹ thuật Leeds. Kết quả cuối cùng là một con số hoặc cấp độ (nhẹ, trung bình, nặng) phản ánh tổng quan tình trạng da hiện tại, làm cơ sở cho việc gợi ý lộ trình điều trị.

4.1. Xây dựng hệ chuyên gia tư vấn trị mụn và cá nhân hóa lộ trình

Mô-đun cuối cùng và quan trọng nhất là Gợi ý điều trị. Đây là một hệ chuyên gia tư vấn trị mụn được xây dựng dựa trên kiến thức y khoa. Đầu vào của mô-đun này là kết quả phân loại và đánh giá mức độ nghiêm trọng. Dựa trên loại mụn chủ đạo và tình trạng tổng thể, hệ thống sẽ: 1) Cung cấp thông tin về nguyên nhân gây ra loại mụn đó. 2) Đưa ra cảnh báo nếu tình trạng mụn ở mức độ nặng và khuyên người dùng nên đi gặp bác sĩ. 3) Gợi ý một phác đồ điều trị mụn cá nhân hóa, bao gồm các bước chăm sóc da cơ bản, hoạt chất điều trị phù hợp và những thay đổi trong lối sống. Lộ trình này được thiết kế riêng cho từng người, đảm bảo tính phù hợp và hiệu quả, thay vì các lời khuyên chung chung.

4.2. Gợi ý sản phẩm skincare phù hợp dựa trên phân tích dữ liệu

Một tính năng giá trị gia tăng của hệ thống là skincare routine recommender. Dựa trên loại mụn và mức độ nghiêm trọng, ứng dụng có thể gợi ý sản phẩm skincare chứa các hoạt chất đặc trị phù hợp. Ví dụ, với mụn đầu đen và mụn nhẹ, hệ thống có thể gợi ý sản phẩm chứa Salicylic Acid (BHA). Với mụn viêm, Benzoyl Peroxide hoặc Retinoids có thể được đề xuất. Không giống như các ứng dụng của một nhãn hàng, hệ thống này được thiết kế để gợi ý sản phẩm từ nhiều thương hiệu khác nhau với các mức giá đa dạng. Điều này giúp người dùng, đặc biệt là sinh viên, có thể tìm thấy sản phẩm hiệu quả và phù hợp với ngân sách của mình. Tính năng này giúp kết nối trực tiếp từ chẩn đoán đến giải pháp, hoàn thiện trải nghiệm người dùng.

V. Bí quyết đánh giá hiệu quả của ứng dụng chẩn đoán mụn online

Để xác minh hiệu quả của phương pháp đề xuất, nhóm nghiên cứu đã tiến hành thử nghiệm trên một tập dữ liệu thực tế gồm 10 hình ảnh khuôn mặt của sinh viên. Quá trình đánh giá được thực hiện một cách khoa học và có hệ thống. Đầu tiên, phương pháp nhận diện điểm bất thường được áp dụng trên 10 tấm ảnh. Kết quả dự đoán của thuật toán sau đó được so sánh với kết quả thực tế (ground truth), được xác định thủ công bởi nhóm nghiên cứu và sẽ được kiểm chứng lại bởi bác sĩ da liễu. Việc đánh giá không chỉ dừng lại ở độ chính xác tổng thể, mà còn đi sâu vào các chỉ số hiệu suất quan trọng hơn trong các bài toán y tế. Các chỉ số này giúp hiểu rõ hơn về khả năng của mô hình trong việc phát hiện đúng các trường hợp bị mụn và không bỏ sót chúng. Kết quả từ đồ án tốt nghiệp CNTT này cho thấy tiềm năng lớn trong việc áp dụng công nghệ để hỗ trợ chẩn đoán và chăm sóc da mụn.

5.1. Phân tích ma trận nhầm lẫn và chỉ số Precision Recall

Ma trận nhầm lẫn (Confusion Matrix) là công cụ chính để đánh giá hiệu suất. Ma trận này trực quan hóa kết quả dự đoán qua bốn giá trị: True Positive (TP - phát hiện đúng điểm mụn), False Positive (FP - nhận nhầm điểm không phải mụn), True Negative (TN - xác định đúng điểm không phải mụn), và False Negative (FN - bỏ sót điểm mụn). Trong chẩn đoán y tế, việc giảm thiểu FN (bỏ sót bệnh) thường quan trọng hơn. Từ đó, hai chỉ số Precision và Recall được tính toán. Precision đo lường độ chính xác của các dự đoán dương tính, trong khi Recall (độ nhạy) đo lường khả năng phát hiện tất cả các trường hợp dương tính thực tế. Bảng đánh giá cho thấy chỉ số Recall trong việc phát hiện mụn đạt 63.68%, một con số khá ổn định với tập dữ liệu đầu vào có nhiều yếu tố gây nhiễu như ánh sáng không đều, chất lượng ảnh mờ.

5.2. Ý nghĩa kết quả Recall cao hơn Precision trong chẩn đoán

Kết quả thử nghiệm cho thấy chỉ số precision thấp trong khi recall cao. Điều này có thể chấp nhận được trong bối cảnh của một ứng dụng sàng lọc. Một chỉ số Recall cao có nghĩa là mô hình có khả năng phát hiện hầu hết các nốt mụn thực tế, giảm thiểu việc bỏ sót. Một chỉ số Precision thấp hơn có nghĩa là mô hình có thể nhận nhầm một số điểm không phải mụn (như nốt ruồi, tàn nhang) là mụn. Tuy nhiên, sai lầm này ít nghiêm trọng hơn việc bỏ sót một nốt mụn viêm đang cần điều trị. Đầu ra của mô-đun nhận diện sẽ được chuyển đến mô-đun phân loại. Mô-đun phân loại sẽ có nhiệm vụ lọc ra các dự đoán sai (FP) này. Do đó, việc ưu tiên Recall ở giai đoạn đầu là một chiến lược thiết kế hợp lý, đảm bảo không bỏ lỡ các tổn thương quan trọng cần được đánh giá mức độ nghiêm trọng của mụn.

Trích đoạn nội dung tài liệu

TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG-HCM KHOA KHOA HỌC VÀ KỸ THUẬT MÁY TÍNH ĐỀ CƯƠNG LUẬN VĂN ĐẠI HỌC ĐỀ TÀI ỨNG DỤNG ĐÁNH GIÁ TÌNH TRẠNG MỤN TRỨNG CÁ VÀ GỢI Ý LỘ TRÌNH HỖ TRỢ ĐIỀU TRỊ Giảng viên hướng dẫn: ThS. Trần Ngọc Bảo Duy Giảng viên phản biện: TS. Nguyễn Đức Dũng Sinh viên thực hiện: 1712393 - Phạm Nguyễn Xuân Nguyên 1713214 - Trần Thị Thắm 1713217 - Đỗ Minh Thắng TP. HỒ CHÍ MINH - THÁNG 12 NĂM 2020 MỤC LỤC I Giới thiệu 4 1 Thực trạng chung .1 Thực trạng về mặt xã hội .2 Thực trạng về mặt công nghệ.

7 2 Tính cấp thiết của đề tài .1 Tác hại của mụn .3 Lợi ích của ứng dụng. 14 3 Định hướng nghiên cứu .1 Mục tiêu nghiên cứu .2 Nhiệm vụ nghiên cứu .3 Khách thể và đối tượng nghiên cứu .4 Phạm vi nghiên cứu. 15 4 Kế hoạch thực hiện luận văn. 16 II Kiến thức nền tảng 18 1 Kiến thức về mặt y học.

18 2 Các công trình nghiên cứu liên quan .1 Medical Image Processing in Automatic Acne Detection for Medical Treatment .2 Automated facial acne assessment from smartphone images [2] 24 III Thiết kế kiến trúc đề tài 26 1 Các kiến thức sử dụng trong bài báo. 26 2 Thiết kế kiến trúc .1 Mô-đun 1: Nhận diện điểm bất thường .2 Mô-đun 2: Phân loại điểm bất thường .3 Mô-đun 3: Đánh giá trình trạng .4 Mô-đun 4: Gợi ý điều trị. 35 IV Thử nghiệm và đánh giá 36 1 Thử nghiệm .1 Ma trận nhầm lẫn (Confusion Matrix) .2 Độ recall của mụn .3 Đánh giá phương pháp nhận diện điểm bất thường. 39 TÀI LIỆU THAM KHẢO 40 DANH SÁCH HÌNH VẼ 1 Số phần trăm bạn gặp vấn đề về mụn.

5 2 Chi phí các bạn bỏ ra để chăm sóc da mặt. 5 3 Kiến thức chăm sóc da mặt khi bị mụn. 6 4 Ý kiến về tình trạng da đủ để đi gặp bác sĩ da liễu. 7 5 Ý kiến về việc đi bác sĩ da liễu.

8 6 Máy Skin Scanner của Dior. 8 7 Máy soi da và tóc kết nối vi tính 6100U. 9 8 Web app Effaclar Spot Scan của La Roche-Posay. 10 9 Tỉ lệ số người phân loại mụn.

12 10 Khảo sát mong muốn, nhu cầu của người dùng về mụn trên khuôn mặt 13 11 Tỉ lệ người dùng quan tâm đến đề tài ứng dụng của nhóm. 14 12 Các hình chuẩn về chấm điểm tình trạng mụn trong phương pháp Hayashi. 21 13 Kỹ thuật nhận diện đốm [1]. 27 14 Mô phỏng 68 điểm được định nghĩa trên khuôn mặt.

28 15 Thực tế 68 điểm được định nghĩa trên khuôn mặt [2]. 29 16 5 vùng trên khuôn mặt [2]. 29 17 Kỹ thuật phân đoạn màu dùng CIE L*a*b* [2]. 30 18 Kỹ thuật phân đoạn màu dùng HSV [1].

30 19 Quy trình nhận diện điểm bất thường. 32 20 Lược đồ quy trình thực hiện. 33 21 Ảnh mẫu tiêu chuẩn đầu vào. 34 DANH SÁCH BẢNG 1 Bảng thống kê mụn nhân đầu trắng và đầu đen.

18 2 Bảng thống kê mụn sân viêm đỏ, mụn mủ, mụn cục và mụn nang. 19 3 Bảng so sánh giữa 2 phương pháp chấm điểm và đếm thương tổn. 21 4 Bảng so sánh giữa kết quả nhận diện điểm bất thường và kết quả thực tế 37 5 Điều kiện và giải thích các giá trị trong ma trận nhầm lẫn (Confusion matrix). 38 6 Bảng đánh giá precision recall của phương pháp nhận diện điểm bất thường.

39 4 Lời cam đoan Nhóm cam đoan mọi điều được ghi trong báo cáo, cũng như mã nguồn là do nhóm tự thực hiện - trừ các kiến thức tham khảo có trích dẫn cũng như mã nguồn mẫu do chính nhà sản xuất cung cấp, hoàn toàn không sao chép từ bất cứ nguồn nào khác. Nếu lời cam đoan trái với sự thật, nhóm xin chịu mọi trách nhiệm trước Khoa và Nhà trường. Nhóm sinh viên thực hiện đề tài 1 Lời cảm ơn Nhóm sinh viên thực hiện đề tài 2 Tóm tắt Xã hội ngày càng phát triển, cuộc sống càng trở nên đầy đủ và tiện nghi hơn và con người càng biết chăm lo cho bản thân của mình hơn. Nhưng việc xã hội phát triển cũng góp phần khiến cho con người trở nên bận rộn và ít cho thời gian chăm sóc cho bản thân mình, đặc biệt là học sinh, sinh viên và người mới bắt đầu đi làm.

Bản thân bác sĩ da liễu cũng trở nên bận rộn hơn trong thời đại này. Việc có một ứng dụng để có giúp đỡ phần nào đó công việc những bác sĩ này hay góp phần cải thiện chất lượng cuộc sống của những người bận rộn là điều cần thiết. Trong báo cáo này, nhóm đã nghiên cứu và đưa ra các khái niệm, đặc tính về các loại bệnh da liễu, cụ thể là các nhóm liên quan đến mụn trứng cá. Ngoài ra, còn cung cấp các phương pháp đánh giá tình trạng mụn trên khuôn mặt và các công trình nghiên cứu liên quan đến đề tài luận văn này.

Dựa vào đó, nhóm đề xuất giải pháp nhận diện điểm bất thường, đó là bước đầu tiên trong việc hoàn thành ứng dụng. Thực trạng chung 1.1 Thực trạng về mặt xã hội Mụn trứng cá là một vấn đề phổ biến ở tất cả mọi người, mọi chủng tộc. Bác sĩ Hoàng Văn Minh, trưởng phòng khám da liễu Bệnh viên Đại học Y dược thành phố Hồ Chí Minh, cho biết có đến trên 90% trẻ ở tuổi dậy thì đều bị mụn. Trong đó có khoảng 20% mụn tiếp tục tiến triển của tuổi thanh niên và kèo dài sau 30 tuổi [12].

Ngày nay, một số nhà khoa học trên thế giới và Tổ chức Y tế Thế giới (WHO) đã coi mụn trứng cá như là một bệnh mãn tính, chứ không chỉ là một vấn đề thẩm mỹ, bệnh dễ tái phát, ảnh hưởng đến tâm, sinh lý, gây giảm sút sự tự tin, tác động xấu đến đời sống xã hội của người bệnh. Chúng ta cần có các biệt pháp để trị mụn phù hợp thay vì chờ mụn tự hết, bởi vì nếu không biết cách trị mụn, mụn sẽ dễ phát triển nặng hơn, viêm nhiễm, lây lan và để lại sẹo xấu khó điều trị [12]. Theo nghiên cứu, có bốn yếu tố chính liên quan đến việc sinh bệnh mụn trứng cá [13]: 1. Sự tăng tiết bả nhờn.

Sự phát triển và biệt hóa của nang lông bị thay đổi. Vi khuẩn Propionibacterium acnes sinh ra khi nang lông bị bịt kín. Sự viêm nhiễm. Nhóm đã thực hiện một cuộc khảo sát về tình trạng chăm sóc da mặt và mức độ hiểu biết về mụn.

Sau đây là bản mô tả của cuộc khảo sát: − Số lượng người thực hiện: 195. − Thời gian bắt đầu khảo sát: ngày 20/12/2020. − Thời gian kết thúc khảo sát: ngày 27/12/2020. − Độ tuổi: khoảng từ 18-24.

− Nghề nghiệp: sinh viên. − Giới tính: Nam/Nữ 4 Hình 1: Số phần trăm bạn gặp vấn đề về mụn − Hình thức câu hỏi: 16 câu hỏi trắc nghiệm và 2 câu hỏi điền đáp án. Các vấn đề khó khăn sinh viên gặp phải khi bị mụn như sau: 1. Vấn đề kinh tế khi trị mụn Hình 2: Chi phí các bạn bỏ ra để chăm sóc da mặt Khác với những người đã đi làm có thể tự chủ tài chính và đủ điều kiện để chăm sóc da thường xuyên, sinh viên khi bị mụn sẽ phải đối mặt với thách thức rất lớn và vấn đề đó chính là kinh tế.

Phần đa sinh viên có kinh tế eo hẹp phụ thuộc vào gia đình, khả năng chi trả cho việc chăm sóc da là không lớn (Dưới 1 triệu/tháng (84.6%)) vì vậy không có đủ điều kiện để đi bác sĩ da liễu, và chăm sóc theo phác đồ điều trị khi bị mụn. Vấn đề da mụn sinh viên bị tái phát 5 Sinh viên đối mặt với nhiều áp lực từ việc học, làm bài tập lớn, các cuộc thi. Tình trạng thức khuya học bài, bỏ ăn uống là tình trạng thường xuyên xảy ra. Áp lực này ảnh hướng lớn tới tình trạng mụn tái phát hoặc nặng hơn ở sinh viên.

Thiếu hụt kiến thức về chăm sóc da Hình 3: Kiến thức chăm sóc da mặt khi bị mụn Khi bị mụn, sinh viên thường không nhận biết được mình đang bị loại mụn nào, từ đó tìm được cách điều trị phù hợp. Phần đa sinh viên tự tìm hiểu trên mạng với nguồn Internet (57.9%) và mua sản phẩm điều trị theo số đông, bạn bè(28. Việc sử dụng sản phẩm không phù hợp có thể khiến tình trạng da trở nên nặng hơn. Tùy tiện trong thói quen sinh hoạt, ăn uống Cuối cùng, sinh viên thường có thói quen ăn uống không lành mạnh, ăn uống các loại đồ ăn có thành phần đường huyết (glycemic) cao như cơm, đồ ngọt, bánh mì, mì gói và điều này dễ gây ra mụn[14].

Các phương pháp điều trị mụn trứng cá hiện có là [13]: − Phương pháp 1: Thực hiện thói quen và phương pháp trị mụn trứng cá tại nhà. Các phương pháp như tránh chạm da lên mặt, không tự ý nặn mụn, bảo vệ da khỏi ánh nắng mặt trời, rửa mặt sạch. Những biện pháp này khi áp dụng mỗi ngày sẽ giúp hạn chế và ngăn ngừa sự xuất hiện của mụn trứng cá. Tuy nhiên, phương pháp này không giúp giảm mụn khi tình trạng mụn của bạn từ nhẹ trở lên.

− Phương pháp 2: Sử dụng những thành phần hoạt chất điều trị mụn trứng cá: Các sản phẩm trị mụn thường có dạng gel, miếng dán, kem, lotion. Chứa các 6 thành phần giúp trị một số loại mụn, tiêu diệt vi khuẩn, giảm tiết dầu,. từ đó giúp giảm mụn. Phương pháp này thường được các bạn sử dụng vì các sản phẩm có giá thành đa dạng, dễ dàng mua được sản phẩm vừa túi tiền.

Tuy nhiên, mỗi loại có thành phần khác nhau phù hợp với loại da và kiểu mụn khác nhau. Nếu sử dụng sai sản phẩm sẽ khiến tình trạng mụn không giảm mà còn có hại cho da. − Phương pháp 3: Phương pháp điều trị mụn trứng cá chuyên sâu hơn. Phương pháp này được các bác sĩ sử dụng khi việc dùng phương pháp 1 và 2 không giúp cải thiện được tình trạng mụn.

Bác sĩ sẽ kê đơn các thuốc giúp giảm mụn, hoặc sử dụng liệu pháp ánh sáng và laser. Những phương pháp này thường có hiệu quả nhanh hơn tuy nhiên tốn chi phí và có nhiều tác dụng phụ ảnh hưởng ví dụ như tác dụng phụ của thuốc hoặc làm da trở nên nhạy cảm hơn. Phương pháp này thường chỉ được các bạn sinh viên cân nhắc khi tình trạng mụn nặng hoặc rất nặng vì phần đa sinh viên cho rằng việc này tốn tiền (93%).