I. Phân loại bệnh da và phân tích ảnh y tế tại HCMUTE
Nghiên cứu này, thực hiện tại HCMUTE, tập trung vào phân loại bệnh da người thông qua phân tích cấu trúc ảnh. Công trình ứng dụng kỹ thuật số y tế và công nghệ AI trong chẩn đoán y tế, cụ thể là mạng nơ-ron tích chập (CNN), để phát hiện bệnh da. Dữ liệu sử dụng bao gồm hình ảnh y tế của các bệnh da thường gặp, được thu thập và tiền xử lý kỹ lưỡng. Mục tiêu chính là xây dựng một hệ thống hỗ trợ chẩn đoán bệnh da hiệu quả, góp phần vào nghiên cứu y tế HCMUTE và ứng dụng AI trong y tế. Nghiên cứu cũng đánh giá hiệu quả chẩn đoán thông qua các chỉ số thống kê và ma trận nhầm lẫn.
1.1. Tổng quan về nhận dạng bệnh da và xử lý ảnh
Phần này trình bày tổng quan về các phương pháp hiện có trong nhận dạng bệnh da, bao gồm cả phương pháp truyền thống và sử dụng học máy. Các nghiên cứu trước đây thường sử dụng phân tích cấu trúc ảnh, đặc biệt là phân tích GLCM, để trích xuất đặc trưng từ hình ảnh bệnh da. Tuy nhiên, những hạn chế của các phương pháp này được chỉ ra. Xử lý ảnh, bao gồm các bước như tiền xử lý ảnh, phân đoạn ảnh, và trích xuất ROI, đóng vai trò quan trọng trong việc cải thiện chất lượng dữ liệu đầu vào cho quá trình phân loại. Kỹ thuật lọc ảnh, ví dụ như sử dụng bộ lọc Butterworth, được đề cập để giảm nhiễu. Thuật toán phân đoạn Otsu và phép toán hình thái học (giãn nở, xói mòn) được áp dụng để tách vùng quan tâm (ROI) chứa dấu hiệu bệnh. Các phương pháp này, kết hợp với việc sử dụng xử lý ảnh bằng Python hoặc xử lý ảnh bằng Matlab, tạo điều kiện thuận lợi cho việc xây dựng hệ thống tự động. Phân tích dữ liệu y tế và mục tiêu nghiên cứu y tế HCMUTE là những trọng tâm chính.
1.2. Phương pháp phân loại bệnh da dựa trên mạng nơ ron tích chập
Phần này tập trung vào việc áp dụng mạng nơ-ron tích chập (CNN), một kỹ thuật học sâu trong y tế, cho phân loại bệnh da. Mô hình CNN được huấn luyện trên tập dữ liệu hình ảnh bệnh da đã được tiền xử lý. Trích xuất đặc trưng từ ảnh sử dụng GLCM và các phương pháp khác được đề cập. Mục tiêu là tối ưu hoá hiệu năng của mô hình, đo lường bằng độ chính xác và ma trận nhầm lẫn. Dữ liệu y tế được sử dụng cần được cân bằng để đảm bảo độ tin cậy của kết quả. Việc chọn lựa các đặc trưng tối ưu trong số 11 đặc trưng GLCM được phân tích kỹ lưỡng. Mô hình học sâu được sử dụng cần có khả năng phát hiện sớm bệnh da, hỗ trợ chẩn đoán bệnh da và giảm thời gian huấn luyện. Học máy trong y tế và mô hình dự đoán bệnh da được thảo luận kỹ hơn.
1.3. Kết quả và ứng dụng thực tiễn
Phần này trình bày kết quả thực nghiệm của nghiên cứu. Độ chính xác của phân loại được báo cáo, cùng với các phân tích về ma trận nhầm lẫn. Những hạn chế của phương pháp được chỉ ra. Ứng dụng thực tiễn của hệ thống được thảo luận, nhấn mạnh vào tiềm năng hỗ trợ bác sĩ trong chẩn đoán bệnh da. Công trình nghiên cứu có thể được ứng dụng trong bệnh viện da liễu HCMUTE và các cơ sở y tế khác. Phát hiện sớm bệnh da là mục tiêu quan trọng, giúp cải thiện khả năng điều trị và tiên lượng bệnh. Việc đánh giá hiệu quả chẩn đoán được thực hiện một cách toàn diện. Nghiên cứu cũng đóng góp vào việc phát triển công nghệ AI trong chẩn đoán y tế tại Việt Nam. Khoa công nghệ thông tin HCMUTE đóng vai trò quan trọng trong nghiên cứu này.
