Phân loại ảnh ung thư vú từ xa sử dụng mạng học sâu

• Tác giả: Nguyễn Thành Trung
• Người hướng dẫn: PGS. Nguyễn Thanh Hải
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử - Viễn Thông
• Đề tài: Phân Loại Ảnh Ung Thư Vú Từ Xa Sử Dụng Mạng Học Sâu
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu, đối tượng và giới hạn nghiên cứu
• 1.2. Nội dung thực hiện
• 1.3. Bố cục
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Một số khái niệm về các giai đoạn ung thư vú
• 2.2. Các bước thực hiện kĩ thuật chụp x-quang vú
• 2.3. Phân loại các tổn thương X-quang vú
• 2.4. Cách thức hoạt động của Deep Learning
• 2.5. Ưu và nhược điểm của Deep Learning
• 2.6. Convolutional Neural Networks (CNN)
• 2.7. Một số Mô Hình Phân Loại Dựa Trên Mô Hình CNN
• 2.8. Ứng dụng của Website trong lĩnh vực y tế
• 3. CHƯƠNG 3: PHÂN LOẠI HÌNH ẢNH UNG THƯ VÚ DÙNG MẠNG EFFICIENTNET-B0
• 3.1. Sơ đồ khối của hệ thống
• 3.2. Thu thập dữ liệu
• 3.3. Cơ Sở Dữ Liệu Mini-DDSM
• 3.4. Xử lý dữ liệu
• 3.5. Biến đổi dữ liệu (Data Transform)
• 3.6. Tinh Chỉnh Mô Hình
• 3.7. Mô hình mạng EfficientNet-B0
• 3.8. Quá Trình Huấn Luyện Mô Hình
• 3.9. Thông tin phần cứng sử dụng để huấn luyện mô hình
• 4. CHƯƠNG 4: XÂY DỰNG HỆ THỐNG CHẨN ĐOÁN TỪ XA
• 4.1. Thiết kế hệ thống chẩn đoán từ xa bệnh ung thư vú dựa trên trí tuệ nhân tạo
• 4.2. Mô hình hệ thống hỗ trợ chẩn đoán từ xa bệnh ung thư vú
• 4.3. Tổng quan về hệ thống
• 4.4. Xây dựng ứng dụng
• 4.5. Thi Công Frontend
• 4.6. Thi Công Backend
• 4.7. Thi công model API
• 5. CHƯƠNG 5: KẾT QUẢ VÀ NHẬN XÉT
• 5.1. Kết quả huấn luyện hệ thống
• 5.2. Kết quả huấn luyện thể hiện ở dạng biểu đồ
• 5.3. Đánh giá theo phương pháp ma trận nhầm lẫn
• 5.4. Kiểm tra độ chính xác và độ ổn định của hệ thống
• 5.5. Độ chính xác của hệ thống
• 5.6. Độ ổn định của hệ thống
• 5.7. Kết quả thực thi Website
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Hướng phát triển
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH SÁCH CÁC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về phân loại ảnh ung thư vú từ xa bằng mạng học sâu

Phân loại ảnh ung thư vú từ xa bằng mạng học sâu đang trở thành một trong những giải pháp tiên tiến trong lĩnh vực y tế. Công nghệ này không chỉ giúp phát hiện sớm bệnh mà còn nâng cao độ chính xác trong chẩn đoán. Việc áp dụng mạng học sâu trong phân tích hình ảnh y tế đã mở ra nhiều cơ hội mới cho việc chăm sóc sức khỏe, đặc biệt là trong việc phát hiện ung thư vú, một trong những căn bệnh phổ biến nhất ở phụ nữ.

1.1. Khái niệm về phân loại ảnh ung thư vú

Phân loại ảnh ung thư vú là quá trình sử dụng các thuật toán học máy để phân tích và phân loại hình ảnh X-quang vú thành các nhóm như bình thường, u lành tính và ung thư. Điều này giúp bác sĩ đưa ra quyết định chính xác hơn trong việc chẩn đoán.

1.2. Tầm quan trọng của mạng học sâu trong y tế

Mạng học sâu, đặc biệt là các mô hình CNN, đã chứng minh được hiệu quả vượt trội trong việc phân tích hình ảnh y tế. Chúng có khả năng học từ dữ liệu lớn và cải thiện độ chính xác chẩn đoán, từ đó hỗ trợ bác sĩ trong việc phát hiện sớm ung thư vú.

II. Vấn đề và thách thức trong phân loại ảnh ung thư vú

Mặc dù công nghệ phân loại ảnh ung thư vú từ xa bằng mạng học sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức lớn. Chất lượng dữ liệu đầu vào, sự đa dạng của các loại hình ảnh và khả năng giải thích kết quả là những vấn đề cần được giải quyết để nâng cao hiệu quả của hệ thống.

2.1. Chất lượng dữ liệu ảnh X quang

Chất lượng và độ chính xác của hệ thống phân loại phụ thuộc rất nhiều vào dữ liệu huấn luyện. Việc sử dụng các tập dữ liệu không đồng nhất có thể dẫn đến sai sót trong chẩn đoán.

2.2. Độ phức tạp trong việc giải thích kết quả

Một trong những thách thức lớn là khả năng giải thích kết quả của mô hình học sâu. Bác sĩ cần hiểu rõ lý do đằng sau các quyết định của hệ thống để có thể tin tưởng vào kết quả chẩn đoán.

III. Phương pháp phân loại ảnh ung thư vú bằng mạng học sâu

Để phân loại ảnh ung thư vú, nhiều mô hình mạng học sâu đã được áp dụng, trong đó có VGG-16, EfficientNet-B0 và DenseNet. Mỗi mô hình có những ưu điểm và nhược điểm riêng, và việc lựa chọn mô hình phù hợp là rất quan trọng để đạt được kết quả tốt nhất.

3.1. Mô hình VGG 16 trong phân loại ảnh

VGG-16 là một trong những mô hình CNN phổ biến, nổi bật với cấu trúc đơn giản nhưng hiệu quả. Mô hình này đã được chứng minh là có khả năng phân loại hình ảnh ung thư vú với độ chính xác cao.

3.2. Mô hình EfficientNet B0 và ưu điểm của nó

EfficientNet-B0 là một mô hình mới hơn, được thiết kế để tối ưu hóa hiệu suất và độ chính xác. Mô hình này có khả năng xử lý nhanh và chính xác hơn so với các mô hình truyền thống.

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

Hệ thống phân loại ảnh ung thư vú từ xa không chỉ giúp bác sĩ trong việc chẩn đoán mà còn có thể được áp dụng rộng rãi trong các cơ sở y tế. Việc sử dụng công nghệ này có thể giảm tải khối lượng công việc cho bác sĩ và nâng cao chất lượng chăm sóc sức khỏe.

4.1. Hệ thống chẩn đoán từ xa

Hệ thống cho phép người dùng tải lên ảnh X-quang và nhận kết quả phân loại ngay lập tức. Điều này giúp tiết kiệm thời gian và chi phí cho bệnh nhân.

4.2. Kết quả nghiên cứu và đánh giá hiệu quả

Nghiên cứu cho thấy hệ thống phân loại ảnh ung thư vú từ xa đạt được độ chính xác cao, giúp phát hiện sớm các dấu hiệu của bệnh và hỗ trợ bác sĩ trong quá trình chẩn đoán.

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

Phân loại ảnh ung thư vú từ xa bằng mạng học sâu là một lĩnh vực nghiên cứu đầy tiềm năng. Với sự phát triển không ngừng của công nghệ, hệ thống này hứa hẹn sẽ ngày càng hoàn thiện và được áp dụng rộng rãi trong thực tiễn, góp phần nâng cao chất lượng chăm sóc sức khỏe.

5.1. Hướng phát triển trong tương lai

Trong tương lai, việc cải thiện chất lượng dữ liệu và phát triển các mô hình học sâu mới sẽ là những yếu tố quan trọng để nâng cao hiệu quả của hệ thống phân loại ảnh ung thư vú.

5.2. Tác động đến ngành y tế

Công nghệ này không chỉ giúp phát hiện sớm ung thư vú mà còn có thể mở rộng ra nhiều lĩnh vực khác trong y tế, từ chẩn đoán đến điều trị, mang lại lợi ích cho hàng triệu bệnh nhân.