Phân loại hình ảnh OCT sử dụng mạng nơ-ron sâu

• Tác giả: Doan Tu Quynh
• Người hướng dẫn: ThS. Duong Phi Long
• Trường học: Trường Đại Học Công Nghệ Thông Tin
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Phân Loại Hình Ảnh OCT Bằng Mạng Nơ-Ron Sâu
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tổng quan đề tài
• 1.2. Lý do chọn đề tài
• 1.3. Phát biểu của bài toán và các thách thức
• 1.4. Mục tiêu và phạm vi
• 1.5. Bố cục của khóa luận
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Các khái niệm về mắt và chụp cắt lớp kết hợp quang học
• 2.2. Các bệnh lý về mắt
• 2.3. Các hướng tiếp cận liên quan đến bài toán
• 2.3.1. Hướng tiếp cận theo phương pháp học máy truyền thống
• 2.3.2. Hướng tiếp cận dựa trên học sâu
• 3. CHƯƠNG 3: MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI HÌNH ẢNH OCT DỰA TRÊN HỌC SÂU
• 3.1. Kiến trúc tổng quan
• 3.2. Huấn luyện và kết quả
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Giới thiệu bộ dữ liệu
• 4.2. Tiền xử lý dữ liệu
• 4.3. Phương pháp thực nghiệm
• 4.4. Các tiêu chí đánh giá
• 4.5. Kết quả thực nghiệm, đánh giá và bàn luận
• 4.6. So sánh và đánh giá các mô hình
• 5. CHƯƠNG 5: THỬ NGHIỆM CẢI TIẾN VÀ ĐÁNH GIÁ KẾT QUẢ
• 5.1. Những quan sát và ý tưởng cải tiến
• 5.2. Giới thiệu tổng quan
• 5.3. Kết quả thực nghiệm của mô hình đề xuất
• 5.4. Kết quả chi tiết của mô hình tổng hợp
• 5.5. So sánh và đánh giá kết quả
• 6. CHƯƠNG 6: XÂY DỰNG CÔNG CỤ PHÂN LỚP HÌNH ẢNH CẮT LỚP QUANG HỌC
• 6.1. Mô tả công cụ
• 6.2. Môi trường cài đặt và các thư viện sử dụng
• 6.3. Màn hình công cụ và kết quả một số mẫu thử nghiệm
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 7.1. Kết luận
• 7.2. Hướng phát triển
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN

I. Tổng quan về phân loại hình ảnh OCT bằng mạng nơ ron sâu

Công nghệ chụp cắt lớp kết hợp quang học (OCT) đã trở thành một công cụ quan trọng trong việc chẩn đoán các bệnh lý về mắt. Việc phân loại hình ảnh OCT bằng mạng nơ-ron sâu không chỉ giúp tăng độ chính xác mà còn giảm thời gian chẩn đoán. Mạng nơ-ron sâu, với khả năng học hỏi từ dữ liệu lớn, đã mở ra những cơ hội mới trong lĩnh vực y tế.

1.1. Ứng dụng của hình ảnh OCT trong y tế

Hình ảnh OCT cung cấp thông tin chi tiết về cấu trúc võng mạc, giúp bác sĩ phát hiện sớm các bệnh lý như đục thủy tinh thể và bệnh tiểu đường.

1.2. Lợi ích của mạng nơ ron sâu trong phân loại hình ảnh

Mạng nơ-ron sâu cho phép tự động hóa quá trình phân loại, giảm thiểu sai sót do con người và nâng cao hiệu quả chẩn đoán.

II. Thách thức trong phân loại hình ảnh OCT bằng mạng nơ ron sâu

Mặc dù mạng nơ-ron sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc phân loại hình ảnh OCT. Các vấn đề như chất lượng dữ liệu, sự khác biệt trong kích thước hình ảnh và chi phí thiết bị là những yếu tố cần được giải quyết.

2.1. Chất lượng dữ liệu hình ảnh OCT

Chất lượng hình ảnh OCT có thể bị ảnh hưởng bởi nhiều yếu tố như thiết bị chụp và điều kiện ánh sáng, dẫn đến độ chính xác thấp trong phân loại.

2.2. Chi phí và khả năng tiếp cận thiết bị OCT

Chi phí cao của thiết bị OCT khiến cho việc tiếp cận công nghệ này trở nên khó khăn, đặc biệt là ở các nước đang phát triển.

III. Phương pháp phân loại hình ảnh OCT bằng mạng nơ ron sâu

Có nhiều phương pháp khác nhau để phân loại hình ảnh OCT, trong đó mạng nơ-ron tích chập (CNN) là một trong những phương pháp phổ biến nhất. Các mô hình như Inception-v3, ResNet-50 và DenseNet-201 đã được áp dụng để cải thiện độ chính xác trong phân loại.

3.1. Mô hình Inception v3 trong phân loại hình ảnh

Inception-v3 là một trong những mô hình mạnh mẽ nhất, cho phép trích xuất đặc trưng từ hình ảnh một cách hiệu quả.

3.2. So sánh các mô hình mạng nơ ron sâu

Việc so sánh hiệu suất giữa các mô hình như ResNet-50 và DenseNet-201 giúp xác định mô hình tối ưu cho bài toán phân loại hình ảnh OCT.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu đã chỉ ra rằng việc áp dụng mạng nơ-ron sâu trong phân loại hình ảnh OCT mang lại kết quả khả quan. Độ chính xác của các mô hình được cải thiện đáng kể, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn.

4.1. Đánh giá hiệu suất của các mô hình

Các mô hình được đánh giá dựa trên các tiêu chí như độ chính xác, độ nhạy và độ đặc hiệu, cho thấy sự vượt trội của mạng nơ-ron sâu.

4.2. Ứng dụng trong thực tiễn y tế

Kết quả nghiên cứu có thể được áp dụng trong các cơ sở y tế để hỗ trợ bác sĩ trong việc chẩn đoán và điều trị các bệnh lý về mắt.

V. Kết luận và hướng phát triển tương lai

Phân loại hình ảnh OCT bằng mạng nơ-ron sâu không chỉ là một bước tiến trong công nghệ y tế mà còn mở ra nhiều cơ hội nghiên cứu mới. Hướng phát triển tương lai có thể tập trung vào việc cải thiện chất lượng dữ liệu và tối ưu hóa các mô hình học sâu.

5.1. Hướng nghiên cứu tiếp theo

Nghiên cứu có thể mở rộng sang việc áp dụng các kỹ thuật học sâu khác để cải thiện độ chính xác và khả năng tổng quát của mô hình.

5.2. Tác động đến ngành y tế

Việc áp dụng công nghệ này có thể giúp giảm thiểu gánh nặng cho hệ thống y tế và nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.