Phân loại tế bào ung thư máu bằng các kỹ thuật xử lý dữ liệu không cân bằng

Khóa luận trình bày phương pháp phân lớp ảnh hiển vi tế bào ung thư máu bằng kỹ thuật xử lý mất cân bằng dữ liệu trong khoa học máy tính.

• Tác giả: Lý Hồng Thiên Ân
• Người hướng dẫn: TS. Lê Minh Hưng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phân loại tế bào ung thư máu bằng kỹ thuật xử lý dữ liệu không cân bằng
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. GIỚI THIỆU
• 2. TỔNG QUAN
• 2.1. Mạng nơ-ron tích chập — CNN
• 2.2. Mô hình EfficientNet
• 2.3. Hàm kích hoạt
• 2.4. Hàm mất mát
• 2.4.1. Hàm mất mát Binary Cross-Entropy
• 2.4.2. Hàm mất mát Focal Loss
• 2.4.3. Hàm mất mát Hinge
• 2.5. Lớp Fully Connected (FC)
• 2.6. Học chuyển tiếp và tinh chỉnh mạng
• 2.7. Các mô hình học sâu liên quan
• 2.7.1. Mô hình DenseNet
• 3. PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Các nghiên cứu liên quan
• 3.2. Phương pháp tiền xử lý ảnh đầu vào
• 3.3. Phương pháp xử lý mất cân bằng dữ liệu
• 3.4. Hàm mất mát cải tiến Focal Hinge Loss
• 3.5. Các thực nghiệm
• 4. KẾT QUẢ THỰC NGHIỆM
• 4.1. Thực nghiệm 1: Phân lớp với SVM
• 4.2. Thực nghiệm 2: Huấn luyện mô hình DenseNet201 và EfficientNetB2 với các hàm mất mát khác nhau
• 4.3. Thực nghiệm 3: Thực nghiệm hàm mất mát đề xuất Focal Hinge Loss và kết hợp mô hình
• 4.4. Chương trình demo
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân loại tế bào ung thư máu bằng kỹ thuật xử lý dữ liệu không cân bằng

Phân loại tế bào ung thư máu là một lĩnh vực nghiên cứu quan trọng trong y học hiện đại. Bệnh bạch cầu, một loại ung thư tế bào bạch cầu, có thể gây ra nhiều hậu quả nghiêm trọng nếu không được phát hiện sớm. Việc áp dụng các kỹ thuật xử lý dữ liệu không cân bằng giúp cải thiện độ chính xác trong việc phân loại tế bào ung thư. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng các mô hình học máy có thể hỗ trợ bác sĩ trong việc chẩn đoán và điều trị bệnh.

1.1. Khái niệm về tế bào ung thư máu và tầm quan trọng của phân loại

Tế bào ung thư máu, đặc biệt là tế bào bạch cầu, có vai trò quan trọng trong hệ miễn dịch. Việc phân loại chính xác các tế bào này giúp xác định loại bệnh và phương pháp điều trị phù hợp. Nghiên cứu cho thấy rằng việc phân loại sớm có thể nâng cao tỷ lệ sống sót cho bệnh nhân.

1.2. Các thách thức trong phân loại tế bào ung thư máu

Một trong những thách thức lớn nhất trong phân loại tế bào ung thư máu là sự không cân bằng trong dữ liệu. Các loại tế bào ác tính thường xuất hiện với số lượng ít hơn so với tế bào bình thường, dẫn đến khó khăn trong việc huấn luyện mô hình. Điều này yêu cầu các phương pháp xử lý dữ liệu đặc biệt để cải thiện độ chính xác.

II. Vấn đề dữ liệu không cân bằng trong phân loại tế bào ung thư máu

Dữ liệu không cân bằng là một vấn đề phổ biến trong các bài toán phân loại, đặc biệt là trong lĩnh vực y tế. Khi số lượng mẫu của các lớp khác nhau không đồng đều, mô hình học máy có thể bị thiên lệch, dẫn đến kết quả không chính xác. Việc nhận diện và xử lý vấn đề này là rất cần thiết để cải thiện hiệu suất của các mô hình phân loại tế bào ung thư.

2.1. Nguyên nhân gây ra dữ liệu không cân bằng

Dữ liệu không cân bằng thường xảy ra do sự phân bố tự nhiên của các loại tế bào trong cơ thể. Trong trường hợp bệnh bạch cầu, tế bào ác tính thường xuất hiện với số lượng ít hơn nhiều so với tế bào bình thường. Điều này dẫn đến việc các mô hình học máy không thể học được các đặc điểm quan trọng của tế bào ác tính.

2.2. Tác động của dữ liệu không cân bằng đến kết quả phân loại

Khi dữ liệu không cân bằng, mô hình có xu hướng dự đoán lớp chiếm ưu thế nhiều hơn, dẫn đến tỷ lệ chính xác cao nhưng không phản ánh đúng thực tế. Điều này có thể gây ra hậu quả nghiêm trọng trong chẩn đoán và điều trị bệnh, vì tế bào ác tính có thể bị bỏ sót.

III. Phương pháp xử lý dữ liệu không cân bằng trong phân loại tế bào ung thư

Để giải quyết vấn đề dữ liệu không cân bằng, nhiều phương pháp đã được đề xuất. Các kỹ thuật như tăng cường dữ liệu, điều chỉnh trọng số và sử dụng các thuật toán học máy đặc biệt có thể giúp cải thiện độ chính xác của mô hình. Việc áp dụng các phương pháp này là rất quan trọng để nâng cao hiệu quả phân loại tế bào ung thư máu.

3.1. Kỹ thuật tăng cường dữ liệu

Kỹ thuật tăng cường dữ liệu giúp tạo ra các mẫu mới từ dữ liệu hiện có, từ đó làm tăng số lượng mẫu của lớp thiểu số. Các phương pháp như xoay, lật và thay đổi độ sáng của hình ảnh có thể được áp dụng để tạo ra các biến thể mới của tế bào ác tính.

3.2. Điều chỉnh trọng số trong mô hình học máy

Điều chỉnh trọng số cho các lớp trong mô hình học máy giúp tăng cường ảnh hưởng của lớp thiểu số. Bằng cách tăng trọng số cho các tế bào ác tính, mô hình có thể học được các đặc điểm quan trọng hơn, từ đó cải thiện độ chính xác trong phân loại.

IV. Ứng dụng thực tiễn của phân loại tế bào ung thư máu

Phân loại tế bào ung thư máu không chỉ có ý nghĩa trong nghiên cứu mà còn trong thực tiễn lâm sàng. Các mô hình phân loại chính xác có thể giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn trong việc chẩn đoán và điều trị bệnh. Điều này có thể làm tăng tỷ lệ sống sót cho bệnh nhân và cải thiện chất lượng cuộc sống.

4.1. Cải thiện quy trình chẩn đoán

Việc áp dụng các mô hình phân loại tế bào ung thư máu giúp giảm thời gian chẩn đoán. Bác sĩ có thể nhận được kết quả nhanh chóng và chính xác hơn, từ đó đưa ra phương pháp điều trị phù hợp ngay từ giai đoạn đầu.

4.2. Tăng cường hiệu quả điều trị

Các mô hình phân loại chính xác giúp xác định loại tế bào ung thư, từ đó bác sĩ có thể lựa chọn phương pháp điều trị hiệu quả hơn. Điều này không chỉ giúp tăng tỷ lệ sống sót mà còn giảm thiểu tác dụng phụ của điều trị.

V. Kết luận và tương lai của phân loại tế bào ung thư máu

Phân loại tế bào ung thư máu bằng kỹ thuật xử lý dữ liệu không cân bằng là một lĩnh vực đầy tiềm năng. Với sự phát triển của công nghệ và các phương pháp học máy, khả năng phân loại chính xác các tế bào ác tính ngày càng được cải thiện. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều giải pháp mới cho việc chẩn đoán và điều trị bệnh bạch cầu.

5.1. Xu hướng nghiên cứu trong tương lai

Nghiên cứu trong lĩnh vực phân loại tế bào ung thư máu sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo và học sâu. Các mô hình mới sẽ được phát triển để cải thiện độ chính xác và hiệu quả trong việc phân loại tế bào.

5.2. Tác động đến ngành y tế

Sự phát triển của các phương pháp phân loại tế bào ung thư máu sẽ có tác động lớn đến ngành y tế. Điều này không chỉ giúp nâng cao chất lượng chẩn đoán mà còn cải thiện khả năng điều trị cho bệnh nhân, từ đó nâng cao tỷ lệ sống sót.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HÒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA KHOA HỌC MÁY TÍNH LÝ HÒNG THIÊN ÂN TRÀN DƯƠNG KHA KHÓA LUẬN TÓT NGHIỆP PHAN LỚP ANH HIẾN VI TE BAO UNG THU MAU BẰNG CAC KY THUAT XU LY MAT CAN BANG DU LIEU CLASSIFCATION OF MALIGNANT CELLS IN B-ALL WHITE BLOOD CANCER MICROSCOPIC IMAGE USING UNBALANCED DATASET PROCESSING TECHNIQUES CU NHÂN NGANH KHOA HỌC MAY TÍNH TP. HO CHi MINH, 2021 ĐẠI HỌC QUỐC GIA TP. HÒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA KHOA HỌC MÁY TÍNH LÝ HÒNG THIÊN ÂN- 17520210 TRAN DƯƠNG KHA - 17520602 KHÓA LUẬN TÓT NGHIỆP PHAN LỚP ANH HIẾN VI TE BAO UNG THU MAU BẰNG CAC KY THUAT XU LY MAT CAN BANG DU LIEU CLASSIFCATION OF MALIGNANT CELLS IN B-ALL WHITE BLOOD CANCER MICROSCOPIC IMAGE USING UNBALANCED DATASET PROCESSING TECHNIQUES CU NHÂN NGANH KHOA HỌC MAY TÍNH GIANG VIEN HUONG DAN TS.

LE MINH HUNG TP. HO CHÍ MINH, 2021 DANH SÁCH HOI DONG BAO VỆ KHÓA LUẬN Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số TH SH Ki ni tt ngày ./2021 của Hiệu trưởng Trường Đại học Công nghệ Thông tin. Chủ tịch: PGS.TS Lê Hoàng Thái 2. Cáp Phạm Dinh Thăng 3.

Ủy viên: TS. Mai Tiến Dũng ĐẠI HỌC QUỐC GIA TP. HÒ CHÍ MINH CONG HOA XÃ HOI CHỦ NGHĨA VIỆT NAM TRUONG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP. năm 2021 NHẬN XÉT KHÓA LUẬN TÓT NGHIỆP CỦA GIẢNG VIÊN HƯỚNG DẪN Tên khóa luận: PHAN LỚP ANH HIẾN VI TE BAO UNG THU MAU BANG CÁC KỸ THUẬT XU LY MÁT CAN BANG DU LIEU (CLASSIFCATION OF MALIGNANT CELLS IN B-ALL WHITE BLOOD CANCER MICROSCOPIC IMAGE USING UNBALANCED DATASET PROCESSING TECHNIQUES) Nhóm SV thực hiên: Cán bô hướng dẫn: Lý Hồng Thiên Ân — 17520210 TS.

Lê Minh Hưng Tran Dương Kha — 17520602 Đánh giá Khóa luân: 1. Về cuốn báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét về hình thức cuốn báo cáo: Điểm từng sinh viên: Lý Hồng Thiên An:. /10 Tran Dương Kha:. /10 Người nhận xét (Ký tên và ghi rõ họ tên) ĐẠI HỌC QUOC GIA TP.

HO CHÍ MINH CONG HOA XÃ HOI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP. năm 2021 NHAN XÉT KHÓA LUẬN TOT NGHIỆP CUA CÁN BỘ PHAN BIEN Tên khóa luận: PHAN LỚP ANH HIẾN VI TE BAO UNG THU MAU BANG CÁC KỸ THUAT XU LY MAT CAN BANG DU LIEU (CLASSIFCATION OF MALIGNANT CELLS IN B-ALL WHITE BLOOD CANCER IMCROSCOPIC IMAGE USING UNBALANCED DATASET PROCESSING TECHNIQUES) Nhom SV thuc hién: Cán bô phản biên: Lý Hồng Thiên Ân - 17520210 TS. Mai Tiến Dũng Trần Dương Kha - 17520602 Đánh gia Khóa luân: 1. Về cuốn báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét về hình thức cuốn báo cáo: Lý Hồng Thiên Ân: ./10 Tran Dương Kha:.

/10 Người nhận xét (Ký tên và ghi rõ họ tên) ĐẠI HỌC QUOC GIA TP. HO CHÍMINH CỘNG HÒA XA HOI CHỦ NGHĨA VIỆT NAM TRUONG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN DE CUONG CHI TIẾT TEN DE TÀI: Phân lớp ảnh hiển vi tế bao ung thu máu bằng các kỹ thuật xử ly mat cân bằng dữ liệu TÊN DE TÀI TIENG ANH: Classification of Malignant Cells in B-ALL White Blood Cancer Microscopic Image using unbalanced dataset processing techniques Cán bộ hướng dẫn: T.S Lê Minh Hưng Thời gian thực hiện: Từ ngày 07/09/2020 đến ngày 11/01/2021. Sinh viên thực hiện: Lý Hồng Thiên Ân - 17520210 Lớp: KHTN2017 Email: [e-mail] Điện thoại: [phone] Tran Dương Kha — 17520602 Lớp: KHTN2017 Email: 17520602 @gm.vn Điện thoại: [phone] Nội dung đề tài: -_ Trong lĩnh vực y khoa về ung thư, bệnh ung thư máu rất nguy hiểm vì sự sản sinh mat kiểm SOát của tế bào bạch cầu, dẫn đến thiếu máu. Điều này có thể dẫn đến chết sớm nếu được chân đoán vào những giai đoạn sau hay quá trình điều trị bị trì hoãn.

Vì vậy cần có các công cụ hỗ trợ dé phát hiện tế bào ung thư ở giai đoạn đầu đề điều trị sớm, làm tăng khả năng sống của bệnh nhân. Mục tiêu: - _ Tìm hiểu kiến thức liên quan bệnh ung thư máu và các hướng giải quyết đã có - Dé xuât mô hình mới trong việc phân loại tê bào ung thư mau Phạm vi đề tài: -__ Nhóm sử dụng bộ dữ liệu từ cuộc thi ISBI2019 Đối tượng: - _ Tập trung vào lĩnh vực y khoa về ung thư máu Phương pháp thực hiện: - Tim hiểu và phân tích dữ liệu ảnh hiền vi tế bào ung thư máu - - Khảo sát các phương pháp tiên xử lý và hướng giải quyêt phân loại ảnh tê bào ung thư máu đã có - _ Xây dựng mô hình dé cải thiện các van đề tồn dong ở các mô hình đã có Kết quả mong đợi: - _ Xây dựng và nghiên cứu một số phương pháp, mô hình phân loại ảnh tế bao ung thư máu - Một mô hình phân loại có độ chính xác cao hơn mô hình học sâu truyền thống Kế hoạch thực hiện: STT Thời gian Nội Dung Sinh viên thực hiện 1 07/09/2020 - 14/09/2020 | Xác định dé tài thực hiện Lý Hồng Thiên Ân Trần Dương Kha 2 15/09/2020 - 25/09/2020 | Tìm hiểu các nghiên cứu Lý Hồng Thiên Ân liên quan Trần Dương Kha So sánh kết quả từng phương pháp 3 26/09/2020 - 03/10/2020. | Phân tích, xử lý dữ liệu Lý Hồng Thiên Ân Trần Dương Kha 4 04/10/2020 - 24/10/2020 | Thực nghiệm các hướng Lý Hồng Thiên Ân phát triện Trần Dương Kha 5 25/10/2020 - 25/11/2020 | Tiến hành cài đặt một số Lý Hồng Thiên Ân phương pháp đã nghiên cứu Trần Dương Kha 6 26/11/2020 - 14/12/2020 | Đánh giá kết quả đã nghiên | Lý Hồng Thiên An cứu và đưa ra các độ đo của Trần Dương Kha mô hình 7 15/12/2020 - 11/01/2021 | Viết báo cáo và chính sửa | Lý Hồng Thiên An Trần Dương Kha Xác nhận của CBHD TP. HCM, ngày 11 tháng 01 năm 2021 (Ký tên và ghi rõ họ tên) Sinh viên (Ký tên và ghi rõ họ tên) TS.

Lê Minh Hưng Lý Hồng Thiên Ân Trần Dương Kha LOI CAM ON Đầu tiên, chúng em xin bày tỏ lòng biết on đến toàn thé Ban giám hiệu, quý thầy cô trường Đại học Công nghệ Thông tin đã tận tình giảng dạy, chỉ bảo chúng em trong suốt quãng thời gian dưới mái trường Đại học. Chúng em xin cảm ơn TS. Lê Minh Hưng đã tận tình giúp đỡ, hướng dẫn chúng em trong suốt thời gian thực hiện đề tài khóa luận, cảm ơn thầy chia sẻ, động viên chúng em trong những quãng thời gian gặp khó khăn để chúng em có thể hoàn thành khóa luận thuận lợi nhất. Chúng em cũng xin cảm ơn đến tập thể các bạn lớp KHTN2017 đã đồng hành cùng chúng em trong suốt bốn năm học tập dưới mái trường Dai học.

Dù nhóm thực hiện khóa luận đã cô gắng dé hoàn thành khóa luận với khả năng tốt nhất, nhưng khóa luận này khó tránh khỏi những thiếu sót, nhóm thực hiện rất mong những ý kiến đóng góp của quý thầy cô. Một lần nữa chúng em xin chân thành cảm ơn! MỤC LỤC /9/:81990:70c07. DANH MỤC CÔNG THUC .-- 2-2 s£s£Ss£EsseEssSvssSxsersserseerserssersee DANH MỤC HÌNH V Ế .-- <2 s©ss©Ess©xs©xseESsersstrsersserssersetrserssersee DANH MỤC TU VIET TAT .- 5° s° 52s se S2 ESs£Ss£EssEssEssexserserssessee TOM TAT KHÓA LUẬN .----2-22¿©2S£+EEE£2EEC2EE2221E222127122211 211 2E. 2 S3 9 TH HH HH Tnhh nh ng 2 1.2 _ Thách thức và hướng giải QuyẾt.----¿-2¿©++++cx2x++zx+srxezrxrrreee 6 1.3 Mục tiêu và phạm vi nghién CỨU.4 Dong góp của khoá luận.5 Cấu trúc khóa luận.-:---c+:+22++t2£Exttttrrttrtrrtrrrrrrrrrrrrrrrrrk 8 CHƯƠNG 2.1 Mạng nơ-ron tích chập — CNN.1 Mang nơ-ron tích Chap.- cv 9 HH ng rưy 10 2.3 Hàm kích hoạt.-- - SG HH HH rệt 13 2.5 Lớp Fully Connected (FC).2 Học chuyền tiếp và tinh chỉnh mang.3 Các mô hình học sâu liên quan .1 Mô hình DenselNet.-- sàn HH ngư 19 2.2 Mô hình EfficlentÌNet.

LH HH ng ng 21 2.4 HAM mất Mato.1 Hàm mat mát Binary Cross-Entropy.2 Hàm mất mát Focal O§S.-- ¿2252 se SE+E+E+E+E+E+EvESEeEEEEzezszrsee 27 2.3 Hàm mat mát Hinge 1088. PHƯƠNG PHÁP THỰC HIỆN.--2-©52©52+ss+cxcccez 31 cô: na e.2 _ Các nghiên cứu liên Quan. --- 5 5 + + xxx ng nrệt 32 3. Phương pháp thực hiỆn.1 Phương pháp tiền xử lý ảnh đầu vào .2 Phương pháp xử lý mat cân bằng dit liệu.3 Hàm mất mát cải tiến Focal Hinge Loss.1 DG ai cha .2 Cac thực nghiỆm.

c1 22211131111 1113 1119 1111 1H ng nh ng 41 4.1 Thực nghiệm 1: Phân lớp với SVM.2 Thực nghiệm 2: Huấn luyện mô hình DenseNet201 và EfficientNetB2 với các hàm mat mát khác nhau.3 Thực nghiệm 3: Thực nghiệm hàm mất mát đề xuất Focal Hinge Loss và kết hợp mô hình.3 Chương trình demo.-- c3 **E*EESEEEEEEtrereerrsrrrrererrsee 48 CHƯƠNG 5. KET LUẬN VA HƯỚNG PHAT TRIẺN.1 Kt yan cocseccecccccccsscsssesssesssssssessecssecsssssssssecsussssssessseessessusssesssecsseesssseessess 51 5.2 Hướng phát tien .ccececceeccecceccessessessesssssessecsesssessessessesssessessessesseessesseesees 51 TÀI LIEU THAM KHAO0. ccccccsscssssesssessssesssesssessssesssecssecsssesasecssesssnsessessseee 53 DANH MỤC BANG Bảng 3.1 Phân phối dit liệu huấn luyện trước và sau khi tăng cường.1 Kết quả trên tập đánh giá và kết quả trên tập kiểm tra khi sử dụng SVM Vi dac trung SURF 012122.2 Kết qua W-FI của các thực nghiệm với các ham mat mát trên tập kiểm Bang 4.3 Kết quả W-F1 của phương pháp đề xuất với các hàm mắt mát đã thực nghiệm trên tập kIÊm (T4.-- --- 5 + 11 91 1v ng ng ngư 45 Bảng 4.4 Confusion matrix của các mô hình tương ứng khi sử dụng Focal Hing Bang 4.5 So sánh kết quả W-F1 Score của phương pháp đề xuất với các công trinh HEN Quan 00. 47 DANH MỤC CÔNG THỨC Công thức 1 Binary CTOSS-€TTODY.

Gà vn ngu 26 Công thức 2 Hàm mat mát CE trong bài báo về Focal Loss.---- 27 Công thức 3 Định nghĩa xác suất của mô hình trong bài báo về Focal Loss. 27 Công thức 4 Hàm mat mát Focal Loss .-- - 2-2 + +2 + E+E+EeEEeExeExzrezxez 29 Công thức 5 Ham mat mát Hinge Loss .cccccccsscsssesssesssesseessecssecsessecssecssecseesses 30 Công thức 6 Ham mat mát Weighted Binary Cross-entropy.---------- 38 Công thức 7 Trọng số của hàm WBCE o.csssesssessesssesssesssessscssecssecsssssecssecssecseceses 38 Công thức 8 Hàm mất mát Focal Hinge Loss.-- 2 2- 2 s2 +2+z+£z+£xcsez 39 Công thức 9 Định nghĩa tham số alpha .---2- 2-2 2 22S£+E££E££EeEEeEszrxzrszsez 39 DANH MỤC HÌNH VE Hình 1.1 Minh họa bệnh bạch cầu .---¿©5++cc22+vtctcvvvrerrtrrrrrrrrrrrk 3 Hình 1.2 Minh họa phương pháp đo tế bao dong chảyy.3 Minh họa quy trình phân ỚP.1 Minh họa toàn bộ luồng CNN để xử lý hình ảnh đầu vào và phân loại các đôi tượng dựa trên giá tri [6] .2 Minh họa lớp Convolutional với bộ lọc 3x3, bước trượt l.3 Minh hoa hàm kích hoạt SigmOId.4 Minh họa hàm kích hoạt Tanh .5 Minh họa hàm kích họa ReLU .---- 2 5255222 *£++2z££++ze£cezzx+ 13 Hình 2.6 Minh họa Max Pooling và Average Pooling.7 Minh họa lớp Fully Connected.