Luận Văn Thạc Sĩ Về Phân Đoạn Ảnh Tuyến Tụy Sử Dụng Phương Pháp Học Sâu

• Tác giả: Võ Nguyên Thành
• Trường học: Trường Đại Học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phân Đoạn Ảnh Tuyến Tụy Bằng Học Sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. MỞ ĐẦU
• 1.2. MỤC LỤC
• 1.3. GIỚI THIỆU
• 1.4. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.5. KẾT QUẢ NGHIÊN CỨU
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÔNG NGHỆ
• 2.1. Computed Tomography
• 2.2. Digital Imaging and Communications in Medicine (DICOM)
• 2.3. Các kỹ thuật xử lý ảnh y tế
• 2.4. SIFT
• 2.5. Random Forest
• 2.6. Precision và Recall
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Thiết kế nghiên cứu
• 3.2. Thu thập dữ liệu
• 3.3. Xử lý dữ liệu
• 4. CHƯƠNG 4: KẾT QUẢ VÀ THẢO LUẬN
• 4.1. Kết quả phân tích
• 4.2. Thảo luận
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

I. Giới thiệu

Luận văn này tập trung vào việc phân đoạn ảnh tuyến tụy bằng các phương pháp học sâu. Hình ảnh y tế như hình ảnh MRI và hình ảnh siêu âm là những nguồn dữ liệu chính. Việc phân tích hình ảnh giúp xác định các khối u và bệnh lý khác trong tuyến tụy. Sử dụng mạng nơ-ron và các thuật toán machine learning, nghiên cứu này hướng đến việc cải thiện độ chính xác trong chẩn đoán y tế.

1.1. Tầm quan trọng của phân đoạn ảnh

Phân đoạn ảnh là một bước quan trọng trong phân tích hình ảnh. Nó giúp tách biệt các cấu trúc khác nhau trong ảnh, từ đó hỗ trợ cho việc chẩn đoán. Y học chính xác yêu cầu các phương pháp phân đoạn chính xác để đảm bảo rằng các bác sĩ có thể đưa ra quyết định đúng đắn dựa trên dữ liệu hình ảnh.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng các phương pháp học sâu để phân đoạn ảnh tuyến tụy. Các mô hình như CNN (Convolutional Neural Network) được áp dụng để xử lý dữ liệu y tế. Mô hình học sâu được huấn luyện trên tập dữ liệu lớn, bao gồm các hình ảnh từ các bệnh viện. Kết quả cho thấy rằng các mô hình này có thể đạt được độ chính xác cao trong việc phân đoạn các cấu trúc trong ảnh.

2.1. Dữ liệu và tiền xử lý

Dữ liệu được thu thập từ các nguồn khác nhau, bao gồm hình ảnh MRI và hình ảnh siêu âm. Trước khi đưa vào mô hình, dữ liệu cần được tiền xử lý để loại bỏ nhiễu và cải thiện chất lượng hình ảnh. Các kỹ thuật như tăng cường dữ liệu và chuẩn hóa được áp dụng để tối ưu hóa quá trình học.

III. Kết quả và thảo luận

Kết quả cho thấy rằng mô hình học sâu có thể phân đoạn chính xác các cấu trúc trong ảnh tuyến tụy. Độ chính xác của mô hình đạt được là 95%, cho thấy tiềm năng ứng dụng trong y học chính xác. Việc sử dụng thuật toán phân đoạn giúp cải thiện khả năng chẩn đoán và điều trị bệnh nhân. Các nghiên cứu tiếp theo có thể mở rộng ứng dụng của mô hình này trong các lĩnh vực khác của y học.

3.1. Đánh giá hiệu suất

Hiệu suất của mô hình được đánh giá thông qua các chỉ số như precision, recall và F1-score. Kết quả cho thấy mô hình không chỉ chính xác mà còn có khả năng phát hiện các khối u nhỏ mà các phương pháp truyền thống có thể bỏ sót. Điều này mở ra hướng đi mới cho việc ứng dụng machine learning trong y học.