Phân loại ảnh ung thư dựa trên phương pháp học sâu tại Đại học Bách Khoa TP.HCM

• Tác giả: Nguyễn Trần Đăng Khoa
• Người hướng dẫn: PGS. Nguyễn Thanh Bình
• Trường học: Đại học Bách Khoa TP.HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phân loại ảnh ung thư dựa trên phương pháp học sâu
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP.Hồ Chí Minh

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Mục tiêu và nội dung đề tài
• 1.2. Giới hạn đề tài
• 1.3. Cấu trúc báo cáo
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Ảnh ung thư
• 2.2. Mạng nơ-ron tích chập (Convolutional neural network)
• 2.2.1. Thuật ngữ trong CNN
• 2.2.2. Tầng tích chập (Convolution layer)
• 2.2.3. Đệm (padding)
• 2.2.4. Sải bước (stride)
• 2.3. Các nghiên cứu liên quan
• 2.3.1. Công trình nghiên cứu: Data Augmentation for Skin Lesion Analysis [5]
• 2.3.2. Công trình nghiên cứu: A comparative study of deep learning architectures on melanoma detection [6]
• 2.3.3. Công trình nghiên cứu: A multi-class skin Cancer classification using deep convolutional neural networks [7]
• 2.3.4. Công trình nghiên cứu: Soft-Attention Improves Skin Cancer Classification Performance [8]
• 2.3.5. Công trình nghiên cứu: The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions [9]
• 2.3.6. Công trình nghiên cứu: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors [10]
• 3. CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT PHÂN LOẠI ẢNH UNG THƯ DA
• 3.1. Yêu cầu bài toán
• 3.2. Phương pháp đề xuất
• 3.2.1. Phân loại ảnh ung thư sử dụng DenseNet
• 3.2.2. Phân loại ảnh ung thư sử dụng Yolo
• 3.3. Thang đo đánh giá
• 4. CHƯƠNG 4: HIỆN THỰC VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Tập dữ liệu và phần cứng máy tính
• 4.2. Kết quả hiện thực
• 4.2.1. Phương pháp DenseNet201
• 4.2.2. Phương pháp Yolov7
• 4.3. So sánh và đánh giá kết quả
• 4.3.1. Kết quả đạt được
• 4.3.2. Ưu và nhược điểm của các phương pháp đề xuất
• 4.3.3. Hướng mở rộng tương lai
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về phân loại ảnh ung thư bằng học sâu

Bệnh ung thư đang trở thành một trong những nguyên nhân hàng đầu gây tử vong trên toàn cầu. Việc phát hiện sớm và chính xác ung thư là rất quan trọng để nâng cao tỷ lệ sống sót cho bệnh nhân. Trong bối cảnh đó, công nghệ học sâu đã mở ra những cơ hội mới trong việc phân loại ảnh ung thư. Nghiên cứu từ Đại học Bách Khoa TP.HCM đã áp dụng các phương pháp học sâu để cải thiện độ chính xác trong chẩn đoán ung thư.

1.1. Tầm quan trọng của việc phát hiện sớm ung thư

Phát hiện sớm ung thư giúp tăng khả năng điều trị thành công. Nghiên cứu cho thấy rằng việc chẩn đoán sớm có thể cải thiện tỷ lệ sống sót lên đến 90%.

1.2. Công nghệ học sâu trong y tế

Học sâu đã được ứng dụng rộng rãi trong y tế, đặc biệt là trong phân tích hình ảnh y tế. Công nghệ này giúp tự động hóa quá trình chẩn đoán và giảm thiểu sai sót của con người.

II. Thách thức trong phân loại ảnh ung thư hiện nay

Mặc dù công nghệ học sâu đã mang lại nhiều lợi ích, nhưng vẫn còn nhiều thách thức trong việc phân loại ảnh ung thư. Các vấn đề như độ chính xác, tính khả thi và sự đa dạng của các loại ung thư cần được giải quyết.

2.1. Độ chính xác trong chẩn đoán

Độ chính xác của các mô hình học sâu phụ thuộc vào chất lượng dữ liệu đầu vào. Việc thu thập và xử lý dữ liệu ảnh ung thư là một thách thức lớn.

2.2. Sự đa dạng của các loại ung thư

Mỗi loại ung thư có những đặc điểm hình ảnh khác nhau, điều này đòi hỏi các mô hình học sâu phải được đào tạo với dữ liệu phong phú và đa dạng.

III. Phương pháp học sâu trong phân loại ảnh ung thư

Nghiên cứu từ Đại học Bách Khoa TP.HCM đã áp dụng các phương pháp học sâu như DenseNet201 và Yolov7 để phân loại ảnh ung thư. Những phương pháp này đã cho thấy hiệu quả cao trong việc cải thiện độ chính xác chẩn đoán.

3.1. Phương pháp DenseNet201

DenseNet201 là một kiến trúc mạng nơ-ron tích chập giúp cải thiện khả năng học tập của mô hình thông qua việc kết nối các lớp với nhau. Phương pháp này đã đạt được độ chính xác lên đến 92.3%.

3.2. Phương pháp Yolov7

Yolov7 là một trong những mô hình phát hiện đối tượng tiên tiến nhất hiện nay. Mô hình này cho phép phát hiện nhanh chóng và chính xác các tổn thương ung thư trên ảnh.

IV. Ứng dụng thực tiễn của phân loại ảnh ung thư

Việc áp dụng các phương pháp học sâu trong phân loại ảnh ung thư không chỉ giúp cải thiện độ chính xác mà còn hỗ trợ các bác sĩ trong quá trình chẩn đoán. Nghiên cứu đã chỉ ra rằng việc sử dụng công nghệ này có thể giảm thiểu thời gian chẩn đoán và tăng cường hiệu quả điều trị.

4.1. Kết quả nghiên cứu từ Đại học Bách Khoa TP.HCM

Nghiên cứu đã đạt được những kết quả khả quan với độ chính xác cao trong việc phân loại ảnh ung thư da, góp phần nâng cao khả năng chẩn đoán sớm.

4.2. Tác động đến ngành y tế

Công nghệ học sâu không chỉ giúp cải thiện chẩn đoán mà còn mở ra hướng đi mới cho việc phát triển các ứng dụng y tế thông minh.

V. Kết luận và tương lai của phân loại ảnh ung thư

Phân loại ảnh ung thư bằng phương pháp học sâu đang trở thành một xu hướng quan trọng trong y tế. Nghiên cứu từ Đại học Bách Khoa TP.HCM đã chứng minh rằng công nghệ này có thể cải thiện đáng kể độ chính xác trong chẩn đoán ung thư. Tương lai của lĩnh vực này hứa hẹn sẽ còn nhiều tiềm năng phát triển.

5.1. Hướng phát triển trong nghiên cứu

Cần tiếp tục nghiên cứu và phát triển các mô hình học sâu mới để nâng cao độ chính xác và khả năng ứng dụng trong thực tiễn.

5.2. Tương lai của công nghệ học sâu trong y tế

Công nghệ học sâu sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện chất lượng chẩn đoán và điều trị ung thư, mở ra nhiều cơ hội mới cho ngành y tế.