Phát hiện và khoanh vùng ung thư thận hiệu quả bằng kỹ thuật deep learning

• Tác giả: Lê Duy Linh
• Người hướng dẫn: TS. Phan Anh Cang
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Vĩnh Long
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát hiện và khoanh vùng ung thư thận bằng kỹ thuật deep learning
• Loại tài liệu: khóa luận tốt nghiệp đại học
• Năm xuất bản: 2022
• Địa điểm: Vĩnh Long

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ KHOA HỌC CỦA ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Cơ sở thực tiễn
• 1.3. Nghiên cứu liên quan
• 1.4. Vấn đề đặt ra
• 1.5. Hướng giải quyết
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Bệnh ung thư thận
• 2.2. Ung thư thận
• 2.3. Nguyên nhân gây bệnh
• 2.4. Ung thư thận và các giai đoạn phát triển
• 2.5. Cách thức gây bệnh
• 2.6. Dấu hiệu và triệu chứng
• 2.7. Phương pháp điều trị
• 2.8. Phương pháp chuẩn đoán
• 2.9. Tổng quan về trí tuệ nhân tạo
• 2.10. Một số công nghệ Trí tuệ nhân tạo phổ biến
• 2.11. Ứng dụng của trí tuệ nhân tạo trong cuộc sống hiện nay
• 2.12. Khái niệm Machine Learning
• 2.13. Machine learning Workflow
• 2.14. Phân loại Machine learning
• 2.15. Một số khái niệm cơ bản
• 2.16. Ứng dụng của Machine learning
• 2.17. Khái niệm Deep Learning
• 2.18. Các ưu điểm nổi bật của Deep Learning
• 2.19. Cách thức hoạt động của Deep Learning
• 2.20. Ứng dụng của Deep Learning
• 2.21. Mạng học sâu và vai trò
• 2.22. Vai trò của học sâu trong phát hiện và dự đoán
• 2.23. Mạng nơ-ron tích chập CNN
• 2.24. Kiến trúc mạng ResNet và các chỉ số đánh giá
• 2.25. Kiến trúc mạng Unet và các chỉ số đánh giá
• 2.26. Công cụ xây dựng
• 2.27. Sử dụng Google Colab kết hợp với các thư viện máy học để xây dựng và huấn luyện các mô hình Deep Learning
• 2.28. Sử dụng Tensorflow để xây dựng mô hình Deep Learning
• 2.29. Sử dụng Keras API để triển khai và đào tạo mô hình Deep Learning
• 3. CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT
• 3.1. Mô hình đề xuất
• 3.2. Kiến trúc đề xuất phát hiện khoanh vùng tổn thương thận do ung thư
• 3.3. Mô hình Unet phát hiện và phân vùng khối u dựa trên dấu hiệu tổn thương thận
• 3.4. Mô hình Resnet phát hiện khối u dựa trên dấu hiệu tổn thương thận
• 3.5. Pha tiền xử lý và tăng cường dữ liệu
• 3.5.1. Tăng cường dữ liệu áp dụng phương pháp Flip images
• 3.5.2. Tăng cường dữ liệu áp dụng phương pháp rotation images
• 3.5.3. Tăng cường dữ liệu áp dụng phương pháp crop images
• 3.5.4. Tăng cường dữ liệu áp dụng phương pháp resize images
• 3.6. Pha huấn luyện mô hình
• 3.7. Pha phân loại
• 4. CHƯƠNG 4: KẾT QUẢ
• 4.1. Môi trường thực nghiệm
• 4.2. Kịch bản và tham số huấn luyện
• 4.3. Kết quả huấn luyện
• 4.4. Thời gian huấn luyện
• 4.5. Kết quả kiểm thử và hình ảnh
• 5. CHƯƠNG 5: KẾT LUẬN – HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về ung thư thận

Ung thư thận là một loại ung thư phổ biến trong hệ tiết niệu, bắt đầu từ một hoặc cả hai quả thận. Bệnh thường không có triệu chứng rõ ràng ở giai đoạn đầu, dẫn đến việc chẩn đoán muộn. Theo thống kê, ung thư thận chiếm khoảng 2% tổng số ca ung thư, với tỷ lệ mắc cao hơn ở nam giới. Các yếu tố nguy cơ bao gồm tuổi tác, hút thuốc, và tiền sử gia đình. Việc phát hiện sớm ung thư thận là rất quan trọng để nâng cao tỷ lệ sống sót cho bệnh nhân. Sử dụng công nghệ hình ảnh như CT giúp phát hiện khối u, nhưng việc phân biệt giữa khối u ác tính và lành tính vẫn còn nhiều thách thức. Do đó, nghiên cứu về phương pháp phát hiện ung thư thận bằng deep learning là cần thiết để cải thiện độ chính xác trong chẩn đoán.

II. Cơ sở lý thuyết về deep learning

Deep learning là một nhánh của machine learning, sử dụng các mạng nơ-ron để học từ dữ liệu. Các mô hình deep learning có khả năng tự động trích xuất đặc trưng từ dữ liệu mà không cần sự can thiệp của con người. Điều này đặc biệt hữu ích trong lĩnh vực y tế, nơi mà dữ liệu hình ảnh như CT rất phong phú. Mạng nơ-ron tích chập (CNN) là một trong những kiến trúc phổ biến nhất trong deep learning, cho phép phân tích hình ảnh hiệu quả. Các nghiên cứu đã chỉ ra rằng deep learning có thể đạt được độ chính xác cao trong việc phát hiện và phân loại các loại ung thư, bao gồm cả ung thư thận. Việc áp dụng deep learning trong phát hiện ung thư thận không chỉ giúp tăng cường độ chính xác mà còn giảm thiểu thời gian chẩn đoán.

III. Phương pháp nghiên cứu

Phương pháp nghiên cứu trong đề tài này bao gồm việc thu thập dữ liệu hình ảnh từ các bệnh nhân ung thư thận và áp dụng các mô hình deep learning như U-net và ResNet để phát hiện và khoanh vùng tổn thương. Quá trình này bao gồm các bước tiền xử lý dữ liệu, tăng cường dữ liệu và huấn luyện mô hình. Tăng cường dữ liệu giúp cải thiện độ chính xác của mô hình bằng cách tạo ra nhiều biến thể của hình ảnh gốc. Việc sử dụng Google Colab và các thư viện như TensorFlow và Keras giúp tối ưu hóa quá trình huấn luyện. Kết quả từ các mô hình này sẽ được so sánh để xác định mô hình nào đạt hiệu suất tốt nhất trong việc phát hiện ung thư thận.

IV. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình deep learning có khả năng phát hiện ung thư thận với độ chính xác cao. Các chỉ số như độ nhạy, độ đặc hiệu và độ chính xác tổng thể được đánh giá qua các bài kiểm tra trên tập dữ liệu kiểm thử. Mô hình U-net cho thấy hiệu suất vượt trội trong việc phân đoạn khối u so với các mô hình khác. Thời gian huấn luyện cũng được ghi nhận, cho thấy khả năng tối ưu hóa trong việc xử lý dữ liệu lớn. Những kết quả này không chỉ khẳng định tính khả thi của việc áp dụng deep learning trong phát hiện ung thư thận mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực y tế.

V. Kết luận và hướng phát triển

Đề tài nghiên cứu đã chứng minh rằng việc áp dụng deep learning trong phát hiện ung thư thận là khả thi và hiệu quả. Các mô hình như U-net và ResNet đã cho thấy khả năng phát hiện và khoanh vùng tổn thương với độ chính xác cao. Hướng phát triển tiếp theo có thể bao gồm việc mở rộng tập dữ liệu, cải thiện các thuật toán học sâu và áp dụng vào thực tiễn lâm sàng. Việc phát triển các ứng dụng hỗ trợ bác sĩ trong chẩn đoán ung thư thận sẽ góp phần nâng cao chất lượng điều trị và giảm thiểu gánh nặng cho hệ thống y tế.