Luận Văn Tốt Nghiệp: Phân Loại Ảnh Ung Thư Dựa Trên Phương Pháp Học Sâu

Bệnh ung thư hiện đang là một trong những nguyên nhân chính gây tử vong trên toàn cầu. Việc chẩn đoán sớm và chính xác các loại ung thư là rất quan trọng trong việc điều trị và nâng cao tỷ lệ sống sót cho bệnh nhân. Trong bối cảnh này, khoa học máy tính với sự phát triển của học sâu (Deep Learning) đã mở ra những hướng đi mới trong việc phân loại ảnh ung thư. Các phương pháp machine learning và computer vision hiện đại cho phép tự động hóa quy trình phân tích hình ảnh y tế, từ đó hỗ trợ các bác sĩ trong việc đưa ra chẩn đoán chính xác hơn. Đặc biệt, việc sử dụng các mạng nơ-ron tích chập (CNN) đã chứng minh được hiệu quả trong việc nhận diện và phân loại các tổn thương ác tính và lành tính từ ảnh chụp. Theo một nghiên cứu, việc áp dụng học sâu vào phân loại ảnh đã giúp cải thiện độ chính xác lên đến 92.3%, cho thấy tiềm năng to lớn của công nghệ này trong lĩnh vực y tế.

Trong nghiên cứu này, dữ liệu y tế được sử dụng chủ yếu là các hình ảnh từ tập dữ liệu HAM10000, một bộ dữ liệu lớn chứa các hình ảnh chẩn đoán về ung thư da. Các nghiên cứu trước đó đã chỉ ra rằng việc áp dụng các kỹ thuật phân tích hình ảnh và thuật toán học sâu có thể cải thiện đáng kể khả năng phát hiện ung thư. Các công trình nghiên cứu như "Data Augmentation for Skin Lesion Analysis" và "A comparative study of deep learning architectures on melanoma detection" đã cho thấy sự hiệu quả của các mô hình như DenseNet và YOLO trong việc phân loại và nhận diện các loại ung thư khác nhau. Những nghiên cứu này đã đặt nền tảng cho việc phát triển các mô hình học sâu mới, với khả năng tổng quát và độ chính xác cao hơn trong việc phát hiện các dấu hiệu của ung thư.

Để thực hiện phân loại ảnh ung thư, nghiên cứu này đề xuất sử dụng hai phương pháp chính: DenseNet201 và YOLOv7. DenseNet201 là một kiến trúc mạng nơ-ron tích chập được thiết kế để tối ưu hóa việc sử dụng các đặc trưng trong học sâu, cho phép cải thiện độ chính xác trong việc phân loại các tổn thương da. Mặt khác, YOLOv7 là một trong những mô hình computer vision tiên tiến nhất hiện nay, cho phép phát hiện và phân loại đối tượng trong thời gian thực. Việc kết hợp hai phương pháp này không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian xử lý, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định kịp thời và chính xác hơn trong quá trình chẩn đoán ung thư.

Kết quả thực nghiệm cho thấy mô hình DenseNet201 đạt độ chính xác 92.3% trong việc phân loại các loại ung thư da, trong khi YOLOv7 đạt 86%. Sự khác biệt này cho thấy rằng mặc dù cả hai phương pháp đều có ưu điểm riêng, nhưng DenseNet201 cho thấy sự vượt trội hơn trong việc xử lý các hình ảnh y tế phức tạp. Việc so sánh và đánh giá giữa các phương pháp cũng chỉ ra rằng việc áp dụng các kỹ thuật dữ liệu tăng cường có thể cải thiện đáng kể độ chính xác và khả năng tổng quát của các mô hình. Những kết quả này không chỉ có giá trị trong nghiên cứu mà còn có thể được áp dụng thực tiễn trong các cơ sở y tế, góp phần nâng cao hiệu quả chẩn đoán và điều trị ung thư.

Nghiên cứu này đã chứng minh rằng việc áp dụng học sâu trong phân loại ảnh ung thư không chỉ mang lại hiệu quả cao mà còn mở ra hướng đi mới trong việc chẩn đoán và điều trị ung thư. Các kết quả đạt được từ mô hình DenseNet201 và YOLOv7 cho thấy tiềm năng to lớn của công nghệ này trong việc hỗ trợ các bác sĩ trong việc phát hiện sớm và chính xác các dấu hiệu của ung thư. Hướng phát triển trong tương lai có thể bao gồm việc áp dụng thêm các mô hình machine learning khác, cải tiến kỹ thuật dữ liệu tăng cường, và mở rộng nghiên cứu đến các loại ung thư khác, từ đó nâng cao khả năng ứng dụng thực tiễn của công nghệ này trong y tế.