Giới thiệu dự án

Theo thống kê của Tổ chức Y tế Thế giới (WHO), hiện có hơn 2,2 tỷ người trên toàn cầu đang phải sống chung với tình trạng suy giảm thị lực hoặc mù lòa, trong đó có ít nhất 1 tỷ trường hợp có thể phòng ngừa hoặc điều trị nếu được can thiệp sớm. Sự suy giảm thị lực gây tổn thất kinh tế ước tính lên tới 411 tỷ USD mỗi năm do sụt giảm năng suất lao động toàn cầu. Tại các quốc gia đang phát triển như Việt Nam, nơi 90% người mù sinh sống trong điều kiện tiếp cận dịch vụ y tế hạn chế, việc thiếu hụt đội ngũ bác sĩ nhãn khoa chuyên sâu là rào cản lớn trong công tác tầm soát bệnh lý đáy mắt.

Chụp cắt lớp kết hợp quang học (Optical Coherence Tomography - OCT) là kỹ thuật chẩn đoán hình ảnh y khoa không xâm lấn, sử dụng nguyên lý giao thoa ánh sáng có độ kết hợp thấp (Low-coherence Interferometry) để tái tạo hình ảnh cắt ngang vi cấu trúc võng mạc với độ phân giải micromet. Tuy nhiên, quy trình đọc và phân loại ảnh OCT truyền thống hoàn toàn phụ thuộc vào việc kiểm tra thủ công của bác sĩ, dẫn đến các thách thức lớn:

  • Tốc độ chẩn đoán chậm, gây tắc nghẽn quy trình tại các cơ sở y tế tuyến trên.
  • Nguy cơ sai sót do biến thiên chủ quan giữa các chuyên gia (inter-observer variability) hoặc do quá tải công việc.
  • Độ tương phản hình ảnh và nhiễu đốm (speckle noise) từ thiết bị quét gây khó khăn trong phân biệt các tổn thương tinh vi ở giai đoạn đầu.

Khóa luận tốt nghiệp "Phân lớp hình ảnh cắt lớp quang học võng mạc sử dụng các phương pháp học sâu" của nhóm tác giả Đoàn Tú Quỳnh và Trần Ngọc Mỹ Phương (Khoa Hệ thống Thông tin, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, hướng dẫn bởi ThS. Dương Phi Long) đã được thực hiện nhằm giải quyết triệt để bài toán trên. Đề tài tập trung vào 4 mục tiêu cốt lõi:

  1. Nghiên cứu toàn diện các đặc trưng giải phẫu bệnh lý đáy mắt trên ảnh OCT gồm: Tân mạch hắc mạc (Choroidal Neovascularization - CNV), Phù hoàng điểm do tiểu đường (Diabetic Macular Edema - DME), Cặn vàng võng mạc (Drusen) và Trạng thái bình thường (Normal).
  2. Xây dựng, huấn luyện và đánh giá hiệu năng 4 kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) chuyên sâu: Inception-v3, ResNet-50, DenseNet-201 và EfficientNet-B3 trên tập dữ liệu chuẩn hóa 109,309 ảnh OCT.
  3. Đề xuất phương pháp kết hợp mô hình (Ensemble Learning) nâng cao dựa trên lý thuyết tập mờ (Fuzzy Logic), ứng dụng các biến thể hàm Gompertz và hàm mũ để tối ưu hóa điểm số quyết định (decision scores).
  4. Phát triển công cụ phần mềm hoàn chỉnh với giao diện trực quan hóa (GUI), cho phép người dùng tải ảnh OCT và nhận kết quả phân lớp thời gian thực kèm độ tin cậy.

Phạm vi nghiên cứu được xác định trên bộ dữ liệu ảnh OCT 2D (B-scan) thu thập từ năm 2013 đến 2017, tập trung vào bài toán phân loại đa lớp (Multi-class Classification) 4 trạng thái bệnh lý hoàng điểm phổ biến nhất.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi học sâu bùng nổ, các phương pháp thị giác máy tính truyền thống chủ yếu dựa trên kỹ thuật trích xuất đặc trưng thủ công như Phân tích thành phần chính (PCA) kết hợp Mẫu nhị phân cục bộ (Local Binary Patterns - LBP), sau đó phân loại bằng Máy vectơ hỗ trợ (SVM) hoặc K láng giềng gần nhất (KNN). Bảng dưới đây so sánh các hướng tiếp cận hiện nay:

Tiêu chí Chẩn đoán thủ công bởi chuyên gia Học máy truyền thống (LBP + SVM/Random Forest) Học sâu đơn mô hình (Single CNN - ResNet/DenseNet) Mô hình đề xuất (Fuzzy Rank-based CNN Ensemble)
Độ chính xác trung bình 92.0% - 95.0% 85.0% - 89.5% 96.5% - 98.6% > 99.3%
Thời gian chẩn đoán / mẫu 3 - 5 phút 1 - 2 giây 50 - 100 ms < 45 ms
Chi phí triển khai / vận hành Rất cao (yêu cầu bác sĩ chuyên khoa) Thấp (thuật toán nhẹ) Trung bình (cần GPU chuẩn) Tối ưu (chạy song song/tinh giản)
Độ ổn định đa trung tâm Phụ thuộc kinh nghiệm chuyên gia Kém (nhạy cảm với nhiễu ảnh) Khá (dễ thiên vị trên dữ liệu lệch) Rất cao (tự điều chỉnh trọng số mờ)
Khả năng tự động hóa 0% Trung bình Tốt Toàn diện

Yêu cầu hệ thống được xác định theo mô hình MoSCoW:

  • Must-have: Khả năng phân loại chuẩn xác 4 lớp (NORMAL, CNV, DME, DRUSEN); module tiền xử lý khử nhiễu và chuẩn hóa kích thước ảnh; thuật toán tổng hợp mờ Fuzzy Rank Sum.
  • Should-have: Giao diện trực quan hóa cho phép xem phân phối xác suất dự đoán của từng mô hình thành phần; ma trận độ tin cậy.
  • Could-have: Tùy chọn chuyển đổi linh hoạt giữa các hàm thứ hạng mờ (Gompertz, Exponential, Mitscherlich).
  • Won't-have (giai đoạn này): Phân đoạn tự động từng lớp giải phẫu 3D voxel; tích hợp trực tiếp vào phần cứng máy quét OCT của bên thứ ba.

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa hướng dịch vụ (Service-Oriented Architecture), phân tách rõ ràng giữa tầng tiền xử lý, tầng trích xuất đặc trưng học sâu, tầng tính toán thứ hạng mờ và tầng giao diện tương tác:

flowchart TD
    A["Ảnh đầu vào OCT (B-scan DICOM/PNG/JPG)"] --> B["Module tiền xử lý (Resize 224x224/299x299, Normalize, Grayscale to RGB)"]
    B --> C["Tầng Backbone Trích xuất Đặc trưng"]
    C --> C1["Inception-v3 (Feature Map 8x8x2048)"]
    C --> C2["ResNet-50 (Residual Bottleneck Blocks)"]
    C --> C3["DenseNet-201 (Dense Connectivity & Transition)"]
    C1 --> D1["Softmax Score Vector S1"]
    C2 --> D2["Softmax Score Vector S2"]
    C3 --> D3["Softmax Score Vector S3"]
    D1 & D2 & D3 --> E["Tầng Hợp nhất Thứ hạng Mờ (Fuzzy Rank Fusion Engine)"]
    E --> E1["Chuyển đổi Decision Score qua hàm Gompertz / Exponential"]
    E1 --> E2["Xử lý giá trị phạt CCES (Complement of Confidence Sum)"]
    E2 --> F["Tính tổng điểm quyết định mờ (Final Minimum Fuzzy Rank)"]
    F --> G["Nhãn phân loại cuối cùng & Báo cáo độ tin cậy"]
    G --> H["Giao diện người dùng GUI (Streamlit / Desktop App)"]

Technology Stack và phiên bản cụ thể:

  • Ngôn ngữ cốt lõi: Python 3.10.12
  • Framework Học sâu: PyTorch 2.1.2+cu121, Torchvision 0.16.2, TensorFlow 2.15.0
  • Thư viện Thị giác máy tính & Xử lý số học: OpenCV 4.9.0.80, NumPy 1.26.4, SciPy 1.12.0, Albumentations 1.4.0
  • Machine Learning & Đánh giá: Scikit-Learn 1.4.1.post1, Pandas 2.2.1
  • Giao diện & Trực quan hóa: Streamlit 1.32.0, Matplotlib 3.8.3, Seaborn 0.13.2

Tiêu chuẩn bảo mật và hiệu năng:

  • Mã hóa dữ liệu truyền tải theo chuẩn TLS 1.3 và lưu trữ cục bộ tuân thủ chuẩn ẩn danh hóa dữ liệu bệnh nhân (HIPAA/GDPR de-identification).
  • Độ trễ phản hồi tính toán (Inference Latency) tối đa $\le 50 \text{ ms}$ trên GPU NVIDIA T4 hoặc $\le 250 \text{ ms}$ trên CPU Intel Xeon 8 vCPUs.

Methodology

Quy trình phát triển tuân thủ phương pháp Agile Scrum với các vòng lặp sprint 2 tuần:

  • Milestone 1 (Tuần 1-4): Thu thập, làm sạch và gán nhãn tập dữ liệu OCT Kaggle (109,309 ảnh). Thiết lập đường ống (pipeline) Data Augmentation.
  • Milestone 2 (Tuần 5-8): Xây dựng và huấn luyện độc lập 4 mô hình nền tảng (Inception-v3, ResNet-50, DenseNet-201, EfficientNet-B3) sử dụng Transfer Learning từ trọng số tiền huấn luyện ImageNet.
  • Milestone 3 (Tuần 9-12): Nghiên cứu, xây dựng công thức toán học và cài đặt thử nghiệm các hàm tổng hợp thứ hạng mờ: Gompertz, Estimated Gompertz, Exponential, Mitscherlich, Modified Gamma.
  • Milestone 4 (Tuần 13-16): Kiểm thử đóng gói mô hình, xây dựng GUI chẩn đoán, tối ưu hóa suy luận và hoàn thiện báo cáo khoa học.

Đánh giá rủi ro: Hiện tượng Overfitting trên các phân lớp mất cân bằng được kiểm soát nghiêm ngặt bằng kỹ thuật Label Smoothing ($0.1$), Dropout ($0.4$), và cơ chế Early Stopping với độ trễ (patience) là 10 epochs.

Implementation và kết quả

Development process

Cốt lõi đột phá của khóa luận nằm ở thuật toán Tổng hợp mô hình dựa trên thứ hạng mờ (Fuzzy Rank-based Fusion). Thay vì sử dụng kỹ thuật Softmax Average Voting thông thường vốn dễ bị sai lệch bởi một mô hình dự đoán tự tin thái quá (overconfident), phương pháp này gán thứ hạng mờ dựa trên hàm phi tuyến nhằm cân bằng độ tin cậy giữa các bộ phân loại.

Công thức biến đổi thứ hạng mờ sử dụng hàm Gompertz: $$R_{ij} = a \cdot e^{-b \cdot e^{-c \cdot S_{ij}}}$$

Trong đó $S_{ij}$ là xác suất Softmax của mô hình thứ $i$ đối với lớp $j$. Sau đó, điểm bù độ tin cậy (Complement of Confidence Factor Sum - CCES) và tổng thứ hạng mờ (Fuzzy Rank Sum - FRS) được kết hợp với tham số phạt $P$:

$$\text{Final Score}j = \sum{i=1}^{M} R_{ij} + P \times \left(1 - \sum_{i=1}^{M} S_{ij}\right)$$

Lớp đầu ra được lựa chọn theo giá trị điểm tối thiểu: $\hat{y} = \arg\min_j (\text{Final Score}_j)$.

Đoạn mã hiện thực thuật toán tổng hợp mờ trong hệ thống:

import numpy as np
import torch
import torch.nn.functional as F

class FuzzyRankGompertzFusion:
    def __init__(self, a: float = 1.0, b: float = 1.0, c: float = 1.0, penalty: float = 0.5):
        self.a = a
        self.b = b
        self.c = c
        self.penalty = penalty

    def compute_gompertz_rank(self, score_matrix: np.ndarray) -> np.ndarray:
        """
        score_matrix: Ma trận kích thước (num_models, num_classes) chứa Softmax scores
        """
        # Áp dụng hàm Gompertz tính thứ hạng mờ
        fuzzy_ranks = self.a * np.exp(-self.b * np.exp(-self.c * score_matrix))
        return fuzzy_ranks

    def fuse_predictions(self, model_outputs: list[torch.Tensor]) -> int:
        """
        model_outputs: Danh sách tensor xác suất từ các mô hình CNN thành phần
        """
        # Chuyển đổi tensor sang mảng 2D (num_models, num_classes)
        prob_matrix = np.array([F.softmax(out, dim=1).detach().cpu().numpy().squeeze() 
                                for out in model_outputs])
        num_models, num_classes = prob_matrix.shape

        # 1. Tính toán Fuzzy Ranks
        fuzzy_ranks = self.compute_gompertz_rank(prob_matrix)

        # 2. Tính toán tổng thứ hạng mờ FRS cho từng lớp
        frs = np.sum(fuzzy_ranks, axis=0)

        # 3. Tính điểm bù độ tin cậy (CCES) với giá trị phạt
        confidence_sums = np.sum(prob_matrix, axis=0)
        cces = self.penalty * (num_models - confidence_sums)

        # 4. Điểm quyết định tổng hợp cuối cùng
        final_scores = frs + cces

        # Chọn lớp có điểm số mờ nhỏ nhất (Lowest Rank Index)
        predicted_class_id = int(np.argmin(final_scores))
        return predicted_class_id

Cấu trúc mã nguồn được phân bổ khoa học:

oct_classification_system/
├── configs/               # Hyperparameters, paths, optimizer configs
├── datasets/              # PyTorch Dataset, DataLoader, Albumentations pipeline
├── models/                # Backbones (Inception_v3, ResNet50, DenseNet201, EfficientNet)
├── fusion/                # Gompertz, Exponential, Mitscherlich fuzzy modules
├── evaluation/            # Confusion matrix, Precision-Recall, ROC-AUC calculations
├── gui/                   # Streamlit interactive application code
├── train.py               # Distributed model training and checkpointing
└── inference.py           # Production inference pipeline

Testing và validation

Bộ dữ liệu thực nghiệm gồm 109,309 ảnh OCT được chia theo tỷ lệ phân tầng (Stratified Split): 80% Training, 10% Validation, và 10% Test độc lập. Mô hình được huấn luyện trên 4 card GPU NVIDIA Tesla V100 với thuật toán tối ưu hóa Adam (learning rate $= 10^{-4}$, weight decay $= 10^{-5}$) kết hợp Cosine Annealing Learning Rate Scheduler qua 50 epochs.

Kết quả kiểm thử chi tiết trên tập dữ liệu Test:

Mô hình phân lớp Accuracy (%) Precision (%) Recall / Sensitivity (%) F1-Score (%)
Inception-v3 97.82 97.85 97.80 97.82
ResNet-50 98.15 98.18 98.12 98.15
DenseNet-201 98.64 98.66 98.62 98.64
EfficientNet-B3 98.10 98.12 98.08 98.10
Go-Ensemble (Gompertz) 99.12 99.15 99.10 99.12
Ex-Ensemble (Exponential) 99.05 99.08 99.02 99.05
EGo-Ensemble (3 Models: Inception + ResNet + DenseNet)* 99.35 99.38 99.32 99.35

*EGo-Ensemble là mô hình tối ưu nhất đạt mức độ chính xác đỉnh cao trên toàn bộ 4 phân lớp.

Kết quả đạt được

Đánh giá F1-score chi tiết theo từng phân lớp bệnh lý của mô hình đề xuất EGo-Ensemble:

  • CNV (Tân mạch hắc mạc): Precision = 99.45%, Recall = 99.60%, F1-Score = 99.52%
  • DME (Phù hoàng điểm): Precision = 99.10%, Recall = 98.95%, F1-Score = 99.02%
  • DRUSEN (Cặn vàng võng mạc): Precision = 98.90%, Recall = 99.05%, F1-Score = 98.97%
  • NORMAL (Bình thường): Precision = 99.85%, Recall = 99.70%, F1-Score = 99.77%

Hệ thống đã đạt và vượt toàn bộ các chỉ tiêu kỹ thuật đề ra ban đầu, loại bỏ hầu như hoàn toàn hiện tượng phân loại nhầm giữa tổn thương Drusen giai đoạn sớm và màng đáy CNV.

Đổi mới và đóng góp

  1. Ứng dụng toán học mờ vào Ensemble Learning: Khác với các nghiên cứu trước đây chỉ sử dụng hàm trung bình cộng hoặc bầu chọn đa số (Hard/Soft Voting), đề tài áp dụng thành công hàm Gompertz ước lượng (Estimated Gompertz - EGo) để ánh xạ phi tuyến xác suất dự đoán sang miền thứ hạng mờ. Điều này giúp loại bỏ ảnh hưởng tiêu cực của các mô hình thành phần khi gặp các ca bệnh có độ nhiễu cao.
  2. Cơ chế phạt độ tin cậy thích ứng (CCES Penalty): Tích hợp thông số phạt tự thích ứng dựa trên tổng bù độ tin cậy, giúp hệ thống duy trì độ chính xác cực cao ngay cả khi có sự bất đồng quan điểm giữa các mạng nơ-ron thành phần.
  3. Hiệu năng vượt trội so với các công trình công bố quốc tế: So sánh trực tiếp với nghiên cứu của Jongwoo Kim và Loc Tran (2021) đạt Accuracy 98.7% và Mingxin Wang (2023) đạt 99.1%, mô hình EGo-Ensemble của khóa luận thiết lập chuẩn độ chính xác mới với 99.35%, giảm tỷ lệ lỗi phân loại tương đối hơn 50%.
  4. Xây dựng bộ công cụ lâm sàng hoàn chỉnh: Chuyển hóa toàn bộ nghiên cứu lý thuyết thành ứng dụng phần mềm có giao diện người dùng trực quan, hỗ trợ bác sĩ hiển thị đồng thời kết quả phân loại riêng lẻ của từng mạng và kết quả tổng hợp tối ưu.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế

Hệ thống được thiết kế để triển khai vào quy trình khám chữa bệnh tại các bệnh viện mắt và trung tâm y tế:

  • Tầm soát diện rộng tại tuyến y tế cơ sở: Kỹ thuật viên chụp ảnh OCT có thể đưa trực tiếp file ảnh vào phần mềm để nhận kết quả phân loại sơ bộ trong vòng vài giây, nhanh chóng chuyển tuyến các ca bệnh nguy cấp (CNV xuất huyết hoặc DME nặng).
  • Hệ thống trợ lý ảo ý kiến chuyên gia thứ hai (Second Opinion): Hỗ trợ bác sĩ nhãn khoa kiểm chứng lại chẩn đoán, giảm tải áp lực thị giác khi phải đọc hàng trăm ca B-scan mỗi ngày.

Chiến lược triển khai và Tối ưu chi phí

Hệ thống được đóng gói hoàn chỉnh dưới dạng Docker Container, tích hợp TensorRT / ONNX Runtime để tăng tốc độ suy luận:

  • Chi phí vận hành: Triển khai trên hạ tầng điện toán đám mây với 1 instance GPU NVIDIA T4 (chi phí ~0.35 USD/giờ) có thể xử lý hơn 80,000 lượt quét mỗi ngày, giảm hơn 85% chi phí vận hành so với quy trình sàng lọc truyền thống.
  • ROI (Tỷ suất hoàn vốn): Tiết kiệm hàng nghìn giờ làm việc chuyên môn của bác sĩ mỗi năm, đồng thời ngăn ngừa chi phí điều trị đắt đỏ cho bệnh nhân nhờ phát hiện tổn thương võng mạc ở giai đoạn vàng.

Hạn chế và hướng phát triển

Dù đạt kết quả vượt bậc, đề tài vẫn ghi nhận một số hạn chế mang tính kỹ thuật:

  • Dữ liệu huấn luyện chủ yếu là ảnh cắt lớp 2D (B-scan); chưa khai thác triệt để mối tương quan không gian 3D giữa các lát cắt liên tiếp (Volumetric OCT).
  • Bộ dữ liệu thu thập chủ yếu từ một dòng thiết bị quét Spectral-Domain OCT; khả năng tổng quát hóa trên ảnh thu từ các dòng máy quét thế hệ mới như Swept-Source OCT cần được kiểm chứng thêm.

Hướng phát triển trong tương lai:

  1. Tích hợp kiến trúc Vision Transformer (Swin Transformer, Med-ViT) kết hợp cơ chế chú ý (Self-Attention) đa tầng.
  2. Ứng dụng kỹ thuật Học liên kết (Federated Learning) nhằm huấn luyện mô hình đa trung tâm giữa nhiều bệnh viện mà không cần chia sẻ dữ liệu bệnh nhân nhạy cảm.
  3. Mở rộng hệ thống để phân đoạn tự động (Segmentation) dịch dưới võng mạc (Subretinal Fluid) và dịch trong võng mạc (Intraretinal Fluid).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận mã nguồn mẫu chuẩn mực về xử lý ảnh y tế, quy trình tinh chỉnh Hyperparameters và kỹ thuật dung hợp mô hình mờ.
  • Kỹ sư AI & Lập trình viên: Nắm vững phương pháp kết hợp các kiến trúc CNN hiện đại (Inception, ResNet, DenseNet) và kỹ thuật đóng gói mô hình AI vào ứng dụng thực tế.
  • Cơ sở Y tế & Doanh nghiệp: Sở hữu giải pháp công nghệ có khả năng tích hợp trực tiếp vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS/DICOM) với chi phí thấp và độ chính xác chuẩn lâm sàng.
  • Nhà nghiên cứu Y sinh: Nền tảng phương pháp luận vững chắc để mở rộng cho các bài toán phân lớp ảnh cắt lớp khác như CT lồng ngực, MRI não.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai mô hình là gì?

Để chạy suy luận (Inference), hệ thống chỉ yêu cầu CPU Intel Core i5 thế hệ 8 (hoặc tương đương), 8GB RAM và không bắt buộc có GPU rời. Để tối ưu tốc độ $< 45 \text{ ms/ảnh}$, khuyến nghị trang bị GPU từ NVIDIA GTX 1650 trở lên.

2. Mô hình xử lý thế nào đối với các ảnh OCT bị mờ hoặc có dị vật quang học?

Đường ống tiền xử lý của hệ thống tích hợp bộ lọc làm nét tương phản cục bộ (CLAHE) và thuật toán chuẩn hóa độ sáng. Nếu chất lượng ảnh quá kém không đạt ngưỡng tương phản tối thiểu, hệ thống sẽ phát cảnh báo yêu cầu chụp lại thay vì đưa ra kết luận sai lệch.

3. Hệ thống có khả năng tích hợp vào phần mềm quản lý bệnh viện (HIS/PACS) không?

Có. Module suy luận được thiết kế dưới dạng RESTful API chuẩn OpenAPI/Swagger, dễ dàng giao tiếp qua giao thức HTTP/JSON hoặc DICOM Web standard với các hệ thống HIS/PACS hiện hành.

4. Tại sao hàm Gompertz lại vượt trội hơn các hàm kích hoạt khác trong bài toán này?

Hàm Gompertz có đặc tính tăng trưởng theo hàm mũ ban đầu và hội tụ mượt mà về đường tiệm cận. Đặc tính phi tuyến này phản ánh chính xác phân phối xác suất đầu ra của mạng CNN y tế, nơi điểm số quyết định của lớp đúng thường vượt trội nhưng không bao giờ tuyệt đối bằng 1.

5. Chi phí tái huấn luyện mô hình khi có dữ liệu bệnh nhân mới là bao nhiêu?

Nhờ ứng dụng phương pháp Fine-tuning Transfer Learning, quá trình tái huấn luyện định kỳ trên tập dữ liệu 10,000 ảnh mới chỉ mất khoảng 45 phút trên 1 GPU V100 với chi phí điện toán đám mây chưa đến 2 USD.

Kết luận

Khóa luận tốt nghiệp "Phân lớp hình ảnh cắt lớp quang học võng mạc sử dụng các phương pháp học sâu" của nhóm sinh viên Trường Đại học Công nghệ Thông tin - ĐHQG-HCM là công trình nghiên cứu ứng dụng mẫu mực, giải quyết triệt để bài toán chẩn đoán tự động bệnh lý võng mạc. Bằng việc kết hợp sáng tạo giữa các kiến trúc mạng nơ-ron tích chập hàng đầu (Inception-v3, ResNet-50, DenseNet-201) và kỹ thuật dung hợp thứ hạng mờ Gompertz, đề tài đã xác lập độ chính xác ấn tượng 99.35%.

Giải pháp không chỉ mang giá trị học thuật xuất sắc mà còn mở ra tiềm năng thương mại hóa và ứng dụng lâm sàng sâu rộng, góp phần thu hẹp khoảng cách tiếp cận y tế chất lượng cao cho hàng triệu người bệnh. Để tìm hiểu thêm về kiến trúc mã nguồn và trải nghiệm công cụ demo chẩn đoán hình ảnh OCT, bạn có thể kết nối trực tiếp với nhóm tác giả và Khoa Hệ thống Thông tin - ĐH CNTT ĐHQG-HCM.