Ứng Dụng Mô Hình Deep Learning Trong Chẩn Đoán Bệnh Võng Mạc Tiểu Đường

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp khoa học máy tính ứng dụng mô hình deep learning trong chẩn đoán các cấp độ bệnh võng, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Tác giả: Đoàn Trọng Hải Anh
• Người hướng dẫn: Th.S. Trịnh Huy Hoàng
• Trường học: Trường Đại Học Sư Phạm TPHCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Ứng Dụng Mô Hình Deep Learning Trong Chẩn Đoán Bệnh Võng Mạc Tiểu Đường
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIEU
• 1.1. Tinh cấp thiết/ lý do chọn đề tài
• 1.2. Cách tiếp cận, phương pháp, phạm vi nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Công trình nghiên cứu liên quan
• 1.5. Tóm tắt nội dung khóa luận tốt nghiệp
• 1.6. Cấu trúc khóa luận tốt nghiệp
• 2. CHƯƠNG 2: CƠ SỞ LY THUYET
• 2.1. Khái quát về bệnh võng mạc tiêu đường
• 2.2. Một số kiến thức về xử lý ảnh số
• 2.3. Phân loại hình ảnh trong thị giác máy tính
• 2.4. Các phương pháp rút trích đặc trưng hình ảnh
• 2.5. Các loại độ đo được sử dụng để đánh giá các mô hình
• 2.6. Hàm mất mát
• 3. CHƯƠNG 3: CÁC PHƯƠNG PHÁP THỰC HIỆN
• 3.1. Mô hình K-Nearest Neighbor (KNN)
• 3.2. Mô hình Random Forest
• 3.3. Mô hình Support Vector Machine (SVM)
• 3.4. Mô hình Naive Bayes
• 3.5. Mô hình dựa trên kiến trúc GoogLeNet
• 3.6. Mô hình Convolutional Neural Network (CNN) đề xuất
• 4. CHƯƠNG 4: CÀI ĐẶT THỰC NGHIỆM, ĐÁNH GIÁ VÀ SO SÁNH
• 4.1. Cấu hình phần cứng
• 4.2. Các ứng dụng, thư viện, module, framework, package cần thiết
• 4.3. Ngôn ngữ lập trình Python
• 4.4. Tiền xử lý dữ liệu
• 4.5. Tăng cường dữ liệu
• 4.6. Cài đặt, huấn luyện và đánh giá mô hình
• 4.7. So sánh các mô hình
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• DANH MỤC BẢNG
• DANH MỤC HÌNH ẢNH
• DANH MỤC THUẬT NGỮ, CHỮ VIẾT TẮT

Tóm tắt

I. Tổng quan về Ứng Dụng Mô Hình Deep Learning Trong Chẩn Đoán Bệnh Võng Mạc Tiểu Đường

Bệnh võng mạc tiểu đường (Diabetic Retinopathy - DR) là một trong những biến chứng nghiêm trọng của bệnh tiểu đường, có thể dẫn đến mù lòa nếu không được phát hiện và điều trị kịp thời. Việc ứng dụng Deep Learning trong chẩn đoán bệnh này đã mở ra nhiều cơ hội mới cho ngành y tế. Mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), đã chứng minh được khả năng phân loại và chẩn đoán chính xác các cấp độ của bệnh võng mạc tiểu đường thông qua việc phân tích hình ảnh nền võng mạc.

1.1. Khái niệm về Bệnh Võng Mạc Tiểu Đường

Bệnh võng mạc tiểu đường là một tình trạng bệnh lý xảy ra do tổn thương mạch máu trong võng mạc, dẫn đến các triệu chứng như mờ mắt, nhìn đôi và có thể gây mù lòa. Việc phát hiện sớm và điều trị kịp thời là rất quan trọng.

1.2. Tầm quan trọng của Deep Learning trong Y Tế

Deep Learning đã trở thành một công cụ mạnh mẽ trong y tế, giúp cải thiện độ chính xác trong chẩn đoán và điều trị. Các mô hình học sâu có khả năng xử lý và phân tích lượng lớn dữ liệu hình ảnh, từ đó đưa ra những dự đoán chính xác hơn.

II. Vấn Đề và Thách Thức Trong Chẩn Đoán Bệnh Võng Mạc Tiểu Đường

Chẩn đoán bệnh võng mạc tiểu đường gặp nhiều thách thức, bao gồm việc nhận diện các triệu chứng sớm và phân loại chính xác các cấp độ bệnh. Các bác sĩ thường phải đối mặt với khối lượng lớn hình ảnh và dữ liệu, điều này có thể dẫn đến sai sót trong chẩn đoán. Việc áp dụng Công Nghệ AI và Deep Learning có thể giúp giảm thiểu những vấn đề này.

2.1. Những Khó Khăn Trong Việc Phát Hiện Sớm

Nhiều bệnh nhân không nhận ra triệu chứng của bệnh võng mạc tiểu đường cho đến khi bệnh đã tiến triển nặng. Điều này làm tăng nguy cơ mất thị lực và gây khó khăn trong việc điều trị.

2.2. Khối Lượng Dữ Liệu Lớn và Độ Chính Xác Thấp

Việc xử lý một lượng lớn hình ảnh y tế đòi hỏi thời gian và công sức lớn. Các phương pháp truyền thống có thể không đủ hiệu quả để đạt được độ chính xác cao trong chẩn đoán.

III. Phương Pháp Deep Learning Để Chẩn Đoán Bệnh Võng Mạc Tiểu Đường

Mô hình Deep Learning như CNN đã được áp dụng để chẩn đoán bệnh võng mạc tiểu đường với độ chính xác cao. Các mô hình này có khả năng học hỏi từ dữ liệu hình ảnh và tự động phân loại các cấp độ bệnh. Việc sử dụng các kỹ thuật như Xử Lý Hình Ảnh và Phân Tích Dữ Liệu là rất quan trọng trong quá trình này.

3.1. Mô Hình CNN Trong Chẩn Đoán

Mô hình CNN được thiết kế để nhận diện các đặc trưng trong hình ảnh, giúp phân loại các cấp độ bệnh võng mạc tiểu đường một cách chính xác. Các lớp tích chập và pooling trong CNN giúp giảm thiểu kích thước dữ liệu đầu vào mà vẫn giữ lại các thông tin quan trọng.

3.2. Kỹ Thuật Tiền Xử Lý Dữ Liệu

Tiền xử lý dữ liệu là bước quan trọng để cải thiện độ chính xác của mô hình. Các kỹ thuật như tăng cường dữ liệu và chuẩn hóa hình ảnh giúp mô hình học tốt hơn từ các dữ liệu đầu vào.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Deep Learning Trong Chẩn Đoán

Nhiều nghiên cứu đã chỉ ra rằng việc áp dụng Deep Learning trong chẩn đoán bệnh võng mạc tiểu đường mang lại kết quả khả quan. Các mô hình CNN đã đạt được độ chính xác lên đến 100% trong một số trường hợp thử nghiệm. Điều này cho thấy tiềm năng lớn của công nghệ trong việc cải thiện chất lượng chăm sóc sức khỏe.

4.1. Kết Quả Nghiên Cứu và Đánh Giá

Các nghiên cứu cho thấy mô hình CNN có độ chính xác cao hơn so với các phương pháp học máy truyền thống như K-NN và SVM. Điều này chứng tỏ rằng Deep Learning có thể là giải pháp hiệu quả cho việc chẩn đoán bệnh võng mạc tiểu đường.

4.2. Ứng Dụng Trong Thực Tế

Nhiều bệnh viện và phòng khám đã bắt đầu áp dụng các mô hình học sâu để hỗ trợ bác sĩ trong việc chẩn đoán bệnh võng mạc tiểu đường, từ đó nâng cao chất lượng dịch vụ y tế.

V. Kết Luận và Hướng Phát Triển Tương Lai

Việc ứng dụng Deep Learning trong chẩn đoán bệnh võng mạc tiểu đường không chỉ giúp nâng cao độ chính xác mà còn giảm tải công việc cho các bác sĩ. Tương lai, công nghệ này có thể được mở rộng để áp dụng cho nhiều bệnh lý khác trong y tế. Cần tiếp tục nghiên cứu và phát triển các mô hình mới để cải thiện hơn nữa khả năng chẩn đoán.

5.1. Tương Lai Của Deep Learning Trong Y Tế

Deep Learning có tiềm năng lớn trong việc cải thiện chẩn đoán và điều trị nhiều bệnh lý khác nhau. Việc phát triển các mô hình mới và cải tiến các kỹ thuật hiện tại sẽ là hướng đi quan trọng trong tương lai.

5.2. Khuyến Nghị Nghiên Cứu Thêm

Cần có thêm nhiều nghiên cứu để đánh giá hiệu quả của các mô hình học sâu trong các tình huống thực tế khác nhau. Việc hợp tác giữa các nhà nghiên cứu và bác sĩ sẽ giúp tối ưu hóa quy trình chẩn đoán và điều trị.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Bệnh võng mạc tiểu đường (Diabetic Retinopathy - DR) là một trong những biến chứng mạn tính phổ biến và nguy hiểm nhất của bệnh đái tháo đường, gây tổn thương trực tiếp lên hệ thống vi mạch võng mạc và dẫn đến suy giảm thị lực nghiêm trọng. Theo các số liệu thống kê y tế được tác giả dẫn giải, có khoảng 90% bệnh nhân tiểu đường tiến triển sau 10 đến 15 năm sẽ xuất hiện tổn thương võng mạc tiểu đường, không phụ thuộc vào việc bệnh nhân mắc thể phụ thuộc Insulin hay không phụ thuộc Insulin. Trên phạm vi toàn cầu, với hơn 200 triệu người mắc bệnh đái tháo đường, căn bệnh này trở thành nguyên nhân hàng đầu gây mù lòa ở các quốc gia đang phát triển và phát triển. Riêng tại Hoa Kỳ, bệnh võng mạc tiểu đường chiếm 12% tổng số các ca mù lòa mới hàng năm và ghi nhận tỷ lệ mắc đặc biệt cao trong độ tuổi lao động từ 20 đến 64 tuổi.

Vấn đề thực tiễn nan giải nằm ở cơ chế sinh bệnh học: các mao mạch võng mạc bị tổn thương dẫn đến tắc nghẽn, thiếu máu cục bộ, kích thích cơ thể sản sinh các mạch máu mới (tân mạch). Tuy nhiên, các tân mạch này có thành mạch rất mỏng manh, dễ vỡ, gây xuất huyết võng mạc, xuất huyết dịch kính, xơ hóa và co kéo dẫn tới bong võng mạc hoặc phù hoàng điểm. Ở các giai đoạn khởi phát, triệu chứng lâm sàng thường diễn tiến âm thầm, không có dấu hiệu suy giảm thị lực rõ ràng, khiến người bệnh chủ quan và không tiếp cận điều trị kịp thời. Khi bệnh nhân nhận thấy thị lực suy giảm thì tổn thương cấu trúc đáy mắt đã ở mức nghiêm trọng, việc can thiệp bằng laser hoặc phẫu thuật trở nên phức tạp và tốn kém.

Nhằm hỗ trợ giải quyết tình trạng quá tải trong công tác sàng lọc nhãn khoa và nâng cao độ chính xác trong phân loại bệnh lý, tác giả xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

1. Mục tiêu nghiên cứu tổng quát: Tìm kiếm và xây dựng phương pháp học sâu (Deep Learning) tối ưu nhằm giải quyết bài toán chẩn đoán tự động 5 cấp độ của bệnh võng mạc tiểu đường dựa trên ảnh chụp đáy mắt, đảm bảo hiệu quả cao về độ chính xác và tốc độ xử lý, góp phần giảm tải khối lượng công việc cho nhân viên y tế.
2. Nhiệm vụ nghiên cứu cụ thể:
   • Hệ thống hóa cơ sở lý thuyết y sinh về 5 giai đoạn tiến triển của bệnh võng mạc tiểu đường và kỹ thuật xử lý ảnh số.
   • Thu thập, làm sạch, loại bỏ nhiễu và tăng cường dữ liệu ảnh đáy mắt.
   • Thiết kế, xây dựng mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đề xuất và mô hình tùy biến dựa trên kiến trúc GoogLeNet.
   • Huấn luyện, đánh giá và so sánh thực nghiệm mô hình học sâu với các thuật toán học máy truyền thống gồm K-Nearest Neighbor (K-NN), Support Vector Machine (SVM), Naive Bayes và Random Forest.
3. Đối tượng và phạm vi nghiên cứu:
   • Đối tượng nghiên cứu: Dữ liệu ảnh màu nền võng mạc (fundus images) của mắt người bình thường và bệnh nhân ở các cấp độ bệnh lý khác nhau.
   • Phạm vi dữ liệu và không gian nghiên cứu: Bộ dữ liệu Diabetic Retinopathy gồm hơn 35.000 hình ảnh đáy mắt được thu thập từ nền tảng Kaggle, đã được các bác sĩ chuyên khoa kiểm định và gắn nhãn theo 5 mức độ bệnh lý. Hệ thống nghiên cứu giới hạn trong bài toán phân loại đa lớp trên ảnh chụp đáy mắt, không áp dụng cho các kỹ thuật chẩn đoán hình ảnh khác.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp liên ngành giữa kiến thức y sinh học nhãn khoa và các nguyên lý xử lý ảnh số cùng học máy:

1. Khung lý thuyết và khái niệm chuyên ngành

• Y sinh học về 5 giai đoạn bệnh võng mạc tiểu đường:
  • Mắt chưa mắc bệnh: Võng mạc bình thường, không có dấu hiệu tổn thương mạch máu.
  • Bệnh lý võng mạc nền (Background DR): Mao mạch võng mạc phình to thành các vi phình mạch, xuất hiện xuất huyết nhẹ dạng chấm, tích tụ chất tiết trong võng mạc và phù mạch máu cục bộ; thị lực bệnh nhân chưa giảm rõ rệt.
  • Bệnh lý hoàng điểm (Maculopathy): Phù nề vùng hoàng điểm kèm xuất tiết cứng xung quanh, gây suy giảm thị lực nghiêm trọng, đòi hỏi can thiệp laser quang đông kịp thời.
  • Bệnh lý tiền tăng sinh (Pre-proliferative DR): Xuất hiện các vùng thiếu máu nuôi dưỡng cục bộ lan rộng, tổn thương xuất huyết, xuất tiết và phù võng mạc nặng.
  • Bệnh lý tăng sinh (Proliferative DR): Mô sợi và mô mỡ tăng sinh dày đặc, phát triển tân mạch bất thường, gây biến dạng cấu trúc võng mạc, xuất huyết dịch kính, co kéo bong võng mạc và có nguy cơ mất thị lực vĩnh viễn.
• Xử lý ảnh số và biểu diễn dữ liệu: Điểm ảnh (pixel), không gian màu RGB với 3 kênh màu giá trị từ 0 đến 255, cấu trúc biểu diễn dữ liệu mảng đa chiều (Tensor 3 chiều), kỹ thuật co giãn kích thước ảnh (Resizing), tăng độ tương phản (Contrast enhancement), cắt bỏ viền nền đen (Background cropping) và xoay ảnh (Rotation).
• Trích xuất đặc trưng và học biểu diễn:
  • Convolutional Neural Network (CNN): Cơ chế tự động trích xuất các đặc trưng không gian cục bộ từ mức thấp đến mức cao thông qua các tầng tích chập (Convolutional Layer) với các bộ lọc (filter/kernel), tầng gộp (Pooling Layer) để giảm chiều dữ liệu và tránh quá khớp (overfitting), tầng duỗi thẳng (Flatten) và các tầng liên kết đầy đủ (Fully-Connected Layer).
  • Principal Component Analysis (PCA): Phương pháp phân tích thành phần chính được khảo sát như một kỹ thuật giảm số chiều không gian đặc trưng tuyến tính để tăng tốc độ huấn luyện.
• Độ đo đánh giá và hàm mất mát:
  • Độ chính xác: $\text{Accuracy} = \frac{\text{Số lượng dự đoán chính xác}}{\text{Tổng số lượng dữ liệu}}$
  • Hàm mất mát phân loại đa lớp Cross Entropy: $H(p,q) = -\sum p(x) \log(q(x))$
  • Ma trận nhầm lẫn (Confusion Matrix) dùng để phân tích chi tiết sự nhầm lẫn giữa các lớp bệnh lý trên tập kiểm tra.

2. Phương pháp nghiên cứu thực tế

• Phương pháp lý thuyết: Phân tích, tổng hợp tài liệu chuyên ngành về nhãn khoa, thị giác máy tính và các kiến trúc mạng nơ-ron sâu trong y tế.
• Phương pháp thực nghiệm:
  • Tiền xử lý dữ liệu: Cắt chặt vùng nền thừa (background), chuẩn hóa toàn bộ hình ảnh về kích thước đồng nhất $224 \times 224$ pixel, nâng cao độ tương phản để làm rõ tổn thương vi mạch, loại bỏ dữ liệu gây nhiễu và áp dụng kỹ thuật tăng cường dữ liệu (Data Augmentation) thông qua phép xoay ảnh ngẫu nhiên.
  • Xây dựng mô hình: Thiết kế mạng CNN đề xuất; xây dựng lại và tinh chỉnh mô hình dựa trên kiến trúc GoogLeNet với 9 khối Inception, các tầng Max Pooling, Average Pooling, Dropout (40%) và hàm kích hoạt Softmax ở đầu ra với 5 nút; triển khai các mô hình học máy đối chứng (K-NN, Random Forest, SVM, Naive Bayes).
• Công cụ và môi trường thực nghiệm: Ngôn ngữ lập trình Python kết hợp các thư viện chuyên dụng gồm TensorFlow, Keras, OpenCV và Scikit-learn (Sklearn).

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 thiết lập tính cấp thiết của đề tài xuất phát từ thực trạng bệnh võng mạc tiểu đường là nguyên nhân hàng đầu gây mù lòa nhưng khó phát hiện ở giai đoạn sớm. Tác giả phân tích tiềm năng của trí tuệ nhân tạo và học sâu trong chẩn đoán y khoa, so sánh khả năng ghi nhớ và nhận diện hình ảnh của máy tính với quá trình đào tạo bác sĩ. Chương này trình bày mục tiêu xây dựng hệ thống chẩn đoán đa lớp, xác định phạm vi nghiên cứu trên tập dữ liệu hơn 35.000 ảnh từ Kaggle, tổng quan công trình liên quan của ThS. Trịnh Huy Hoàng và cộng sự về ứng dụng GoogLeNet trong phân loại ung thư phổi và đại tràng (đạt độ chính xác 99,66% và 100%), đồng thời tóm tắt phương hướng nghiên cứu và bố cục 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn diện các nền tảng lý thuyết phục vụ đề tài. Về y học, chương trình bày chi tiết khái niệm, nguyên nhân sinh bệnh và đặc điểm lâm sàng của 5 giai đoạn bệnh võng mạc tiểu đường kèm hình ảnh minh họa tổn thương (vi phình mạch, xuất huyết, xuất tiết dạng chấm, phù hoàng điểm, tân mạch). Về kỹ thuật xử lý ảnh, chương phân tích cấu trúc điểm ảnh, không gian màu RGB, biểu diễn tensor 3 chiều, các kỹ thuật tiền xử lý (thay đổi kích thước, tăng độ tương phản, xoay ảnh) và bài toán phân loại ảnh trong thị giác máy tính. Cuối cùng, chương giải trình nguyên lý trích xuất đặc trưng bằng CNN, phương pháp giảm chiều PCA, định nghĩa độ đo Accuracy và công thức toán học của hàm mất mát Cross Entropy.

Chương 3: Các phương pháp thực hiện

Chương 3 trình bày chi tiết nguyên lý hoạt động, thuật toán, ưu điểm và nhược điểm của 6 mô hình được khảo sát:

• K-Nearest Neighbor (K-NN): Phân loại dựa trên khoảng cách của $K$ láng giềng gần nhất trong không gian đặc trưng.
• Random Forest: Thuật toán rừng cây quyết định ngẫu nhiên do Leo Breiman và Adele Cutler phát triển, hoạt động theo cơ chế biểu quyết đa số (majority voting) để giảm hiện tượng overfitting.
• Support Vector Machine (SVM): Xây dựng siêu mặt phẳng tối ưu trong không gian đặc trưng tăng cường để phân tách các lớp thông qua các vector hỗ trợ và hàm nhân (kernel).
• Naive Bayes: Thuật toán phân loại xác suất dựa trên định lý Bayes với giả định các đặc trưng độc lập có điều kiện.
• Mô hình dựa trên kiến trúc GoogLeNet: Sử dụng 9 khối mô-đun Inception chạy song song các phép tích chập và gộp với nhiều kích thước bộ lọc khác nhau nhằm giảm kích thước feature maps, tích hợp tầng Average Pooling, tầng Dropout (40%) và tầng Softmax điều chỉnh về 5 đầu ra tương ứng với 5 cấp độ bệnh.
• Mô hình CNN đề xuất: Kiến trúc mạng tích chập gồm các tầng Convolutional (áp dụng phép tích chập giữa ma trận ảnh và bộ lọc để tạo bản đồ đặc trưng), các kỹ thuật Stride, Padding ('same'/'valid'), hàm kích hoạt phi tuyến ReLU ($f(x) = \max(0, x)$), các tầng Max Pooling, tầng Flatten và các tầng Fully-Connected.

Chương 4: Cài đặt thực nghiệm, đánh giá và so sánh

Chương 4 trình bày toàn bộ quá trình thực nghiệm kỹ thuật:

• Thiết lập môi trường phần cứng và cấu hình các thư viện Python, TensorFlow, Keras, OpenCV, Sklearn.
• Xử lý bộ dữ liệu: Minh họa cấu trúc thư mục dữ liệu, lọc bỏ các mẫu gây nhiễu, cắt chặt vùng nền viền đen để đưa ảnh về kích thước chuẩn $224 \times 224$ pixel, áp dụng tăng tương phản và xoay ảnh để cân bằng số lượng mẫu giữa các cấp độ bệnh.
• Huấn luyện và kiểm thử các mô hình: Phân tích đường cong độ chính xác (accuracy) và hàm mất mát (loss) qua các epoch huấn luyện, phân tích ma trận nhầm lẫn (confusion matrix) trên tập kiểm tra độc lập cho từng mô hình (CNN đề xuất, GoogLeNet biến đổi, K-NN với các giá trị $K$, Random Forest, SVM, Naive Bayes).
• Tổng hợp và so sánh hiệu năng giữa các phương pháp trên cùng một tập kiểm tra.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các kết quả đạt được của khóa luận trong việc xây dựng thành công mô hình học sâu chẩn đoán chính xác 5 cấp độ bệnh võng mạc tiểu đường, đánh giá ưu thế vượt trội của mạng CNN đề xuất so với các phương pháp học máy truyền thống, đồng thời vạch ra các định hướng mở rộng nghiên cứu trong tương lai.

---

Kết quả và đóng góp

1. Kết quả thực nghiệm chính

Khóa luận đã tiến hành huấn luyện và đánh giá đối chứng toàn bộ 6 mô hình trên tập dữ liệu kiểm tra (test set) của ảnh nền võng mạc. Kết quả ghi nhận tại văn bản như sau:

STT	Mô hình / Thuật toán	Loại mô hình	Kết quả đánh giá trên tập kiểm tra (Test Set)
1	CNN đề xuất	Học sâu (Deep Learning)	Đạt độ chính xác tuyệt đối 100%
2	GoogLeNet (tùy biến)	Học sâu (Deep Learning)	Đạt độ chính xác rất cao (kém hơn CNN đề xuất một lượng nhỏ)
3	K-Nearest Neighbor (K-NN)	Học máy truyền thống	Độ chính xác phụ thuộc tham số $K$, thấp hơn rõ rệt so với học sâu
4	Support Vector Machine (SVM)	Học máy truyền thống	Hiệu suất phân loại trung bình trên tập dữ liệu lớn
5	Random Forest	Học máy truyền thống	Độ chính xác thấp hơn các kiến trúc mạng nơ-ron sâu
6	Naive Bayes	Học máy truyền thống	Hiệu năng phân loại hạn chế do giả định độc lập đặc trưng

Mô hình mạng nơ-ron tích chập (CNN) do tác giả tự thiết kế đạt hiệu suất phân loại cao nhất với độ chính xác tuyệt đối 100% trên tập dữ liệu kiểm tra, thể hiện sự tối ưu của việc kết hợp các tầng trích xuất đặc trưng cục bộ, hàm kích hoạt ReLU, tầng Max Pooling và tầng liên kết đầy đủ. Mô hình GoogLeNet xây dựng lại từ đầu với 9 khối Inception cũng cho kết quả tiệm cận, trong khi toàn bộ 4 mô hình học máy truyền thống (K-NN, SVM, Random Forest, Naive Bayes) đều cho kết quả phân loại thấp hơn rõ rệt.

2. Đóng góp của đề tài

• Về mặt kỹ thuật: Tác giả đã đề xuất một cấu trúc mạng CNN tùy chỉnh phù hợp với bài toán phân loại ảnh võng mạc 5 lớp, chứng minh tính hiệu quả vượt trội của mạng tích chập so với việc trích xuất đặc trưng thủ công kết hợp học máy cổ điển; đồng thời tùy biến thành công kiến trúc GoogLeNet từ 1000 lớp ban đầu xuống 5 lớp bệnh lý võng mạc tiểu đường.
• Về mặt ứng dụng: Cung cấp quy trình tiền xử lý ảnh nhãn khoa hoàn chỉnh (lọc nhiễu, cắt nền, tăng tương phản, tăng cường dữ liệu) giúp mô hình đạt độ hội tụ cao và hạn chế tối đa nguy cơ quá khớp.

---

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

• Nghiên cứu thực nghiệm chủ yếu dựa trên bộ dữ liệu thứ cấp được thu thập từ nền tảng Kaggle; mô hình chưa được kiểm thử trực tiếp trên các hệ thống thiết bị chụp đáy mắt thời gian thực tại các bệnh viện lâm sàng ở Việt Nam.
• Phạm vi đầu vào hoàn toàn phụ thuộc vào ảnh màu đáy mắt đơn lẻ, chưa kết hợp các dữ liệu lâm sàng đa phương thức của bệnh nhân.

2. Hướng phát triển trong tương lai

• Nghiên cứu kết hợp nhiều nguồn dữ liệu y tế khác nhau (như dữ liệu chụp cắt lớp vi tính, hình ảnh cộng hưởng từ, giải trình tự gen và các chỉ số bệnh án cá nhân cụ thể của bệnh nhân) để nâng cao độ tin cậy trong việc đánh giá và dự đoán sự tiến triển của căn bệnh.
• Đóng gói và phát triển mô hình thành ứng dụng y tế thông minh trên điện thoại di động hoặc hệ thống hỗ trợ chẩn đoán tại cơ sở y tế, giúp phổ biến công nghệ sàng lọc nhanh chóng và tiết kiệm chi phí.

---

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo hữu ích cho các nhóm đối tượng sau:

• Sinh viên và học viên chuyên ngành Khoa học máy tính, Công nghệ thông tin, Trí tuệ nhân tạo: Có thể tham khảo phương pháp thiết kế cấu trúc mạng CNN tùy biến, cách thức sửa đổi và huấn luyện lại kiến trúc GoogLeNet với các khối Inception cho bài toán phân loại đa lớp.
• Người nghiên cứu trong lĩnh vực Xử lý ảnh y tế (Medical Image Processing): Cung cấp tài liệu tham khảo chi tiết về quy trình tiền xử lý ảnh chụp đáy mắt, bao gồm các bước cắt bỏ phông nền, chuẩn hóa kích thước về $224 \times 224$ pixel, thuật toán tăng độ tương phản và kỹ thuật tăng cường dữ liệu chống mất cân bằng mẫu.
• Cán bộ nghiên cứu Kỹ thuật y sinh: Cung cấp góc nhìn tổng quan về cơ chế sinh bệnh học của 5 giai đoạn bệnh võng mạc tiểu đường gắn liền với các dấu hiệu thị giác máy tính.

---

Câu hỏi thường gặp

1. Khóa luận phân loại bệnh võng mạc tiểu đường thành những cấp độ cụ thể nào?

Khóa luận phân loại bệnh thành 5 cấp độ tương ứng với 5 giai đoạn bệnh lý: (1) Giai đoạn mắt chưa mắc bệnh, (2) Giai đoạn bệnh lý võng mạc nền, (3) Giai đoạn bệnh lý hoàng điểm, (4) Giai đoạn bệnh lý tiền tăng sinh, và (5) Giai đoạn bệnh lý tăng sinh.

2. Kích thước chuẩn của hình ảnh đầu vào sau khi tiền xử lý là bao nhiêu?

Toàn bộ hình ảnh trong bộ dữ liệu sau khi được cắt bỏ phần phông nền (background) thừa và loại bỏ nhiễu đều được chuẩn hóa về kích thước cố định là $224 \times 224$ pixel trước khi đưa vào huấn luyện mô hình.

3. Kiến trúc GoogLeNet trong khóa luận được cấu hình như thế nào để phục vụ bài toán?

Thay vì sử dụng lại trọng số có sẵn cho các đối tượng thông thường, tác giả xây dựng lại mạng GoogLeNet từ đầu gồm 9 khối Inception, 4 lớp Max Pooling ngoài khối Inception, lớp Average Pooling, lớp Dropout với tỷ lệ 40% nhằm giảm hiện tượng overfitting, và lớp đầu ra sử dụng hàm kích hoạt Softmax với 5 nút ra tương ứng với 5 cấp độ bệnh.

4. Kết quả độ chính xác của mô hình CNN đề xuất đạt mức nào trên tập kiểm tra?

Mô hình mạng nơ-ron tích chập (CNN) do tác giả đề xuất đạt độ chính xác tuyệt đối 100% trên tập dữ liệu kiểm tra (test set) của ảnh nền võng mạc, thể hiện kết quả vượt trội so với mô hình GoogLeNet cũng như 4 thuật toán K-NN, SVM, Naive Bayes và Random Forest.

5. Bộ dữ liệu thực nghiệm được sử dụng trong khóa luận có quy mô bao nhiêu và lấy từ nguồn nào?

Nghiên cứu sử dụng bộ dữ liệu Diabetic Retinopathy gồm hơn 35.000 bức ảnh chụp đáy mắt được thu thập từ nền tảng Kaggle, trong đó các ca bệnh đã được các bác sĩ chuyên khoa gắn nhãn chính xác theo các cấp độ bệnh lý.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Đoàn Trọng Hải Anh đã nghiên cứu và triển khai thành công các kỹ thuật học sâu trong bài toán phân loại tự động 5 giai đoạn của bệnh võng mạc tiểu đường từ ảnh chụp đáy mắt. Mô hình mạng nơ-ron tích chập (CNN) đề xuất kết hợp cùng quy trình tiền xử lý ảnh nghiêm ngặt đã đạt độ chính xác 100% trên tập kiểm tra, chứng minh tính ưu việt rõ rệt so với các thuật toán học máy cổ điển. Công trình cung cấp một tài liệu tham khảo có giá trị cao về mặt phương pháp luận và kỹ thuật thực nghiệm cho các nghiên cứu ứng dụng thị giác máy tính trong chẩn đoán y tế.

Trích đoạn nội dung tài liệu

Mở đầu - Lý do chọn đề tải - Mục tiêu nghiên cứu - _ Cách tiếp cận, phương pháp, phạm vi nghiên cứu, công trình nghiên cứu liên quan - Tóm tắt nội dung khóa luận - Cấu trúc khoá luận. Chương 2: Cơ sở lý thuyết - Kiến thức cần nắm về bệnh võng mạc tiêu đường - Một số kiến thức về xử lý ảnh số - Phân loại hình anh trong thị giác máy tính - Cac phương pháp rút trích đặc trưng hình anh - Các loại độ đo được sử dung dé đánh giá các mô hình. 17 - Hàm mat mát Chương 3: Các phương pháp giải quyết bai toán. - K-nearest neighbor - Random forest - Support vector machine - Naive Bayes - M6hinh dựa trên kiến trac GoogLeNet - Convolutional Neural Network dé xuất, Chương 4: Cài dat thực nghiệm.

đánh giá va so sánh - Cau hình máy tính - Cài đặt các ứng dung, thư viện, module, framework, package cần thiết - Dữ liệu - Cài đặt, huấn luyện và đánh giá các mô hình -_ So sánh các mô hinh. Chương 5: Kết luận - Kết luận - Hướng phát triển. 18 CHƯƠNG 2: CƠ SỞ LY THUYET 2. Khái quát về bệnh võng mạc tiêu đường: Căn bệnh võng mạc tiêu đường ngày càng trở nên phô biến ở các nước dang phát triển và được xem lả nguyên nhân chính dẫn đến mù loa ở các quốc gia.

Có khoảng 90% các trường hợp tiểu đường tiến triển sau 10-15 năm sẽ phát triển bệnh võng mạc tiểu đường, bất kê loại tiêu đường phụ thuộc vào Insulin hay không [1]. Với hơn 200 triệu người mắc tiêu đường trên toàn cau, nếu không được phát hiện và điều trị kịp thời, các tôn thương của bệnh tại võng mạc như phù hoảng điểm, xuất huyết võng mạc, xuất huyết dịch kính, bong võng mạc sẽ trở nên rất nghiêm trọng và có thê dẫn đến mù loa [10]. Nguyên nhân gây ra bệnh võng mạc tiểu đường: Các mao mạch võng mac bị tôn thương do bệnh tiêu đường, gây tắc vả thiểu máu võng mạc, khiến cơ thẻ kích thích phát triển tân mạch (mạch máu mới) để nuôi đưỡng các vùng võng mạc bị thiểu máu [1]. Tuy nhiên, những tân mach nay mỏng manh và dé vỡ, gây ra các bién chứng như xuất huyết dịch kính và xơ hóa, dẫn đến co kéo và bong võng mạc.

Hoàng điểm (điểm vàng) là trung tâm của võng mạc, đây là nơi có tập trung nhiều tế bao thị giác nhất và là bộ phận quan trọng trong quá trình nhận dạng hình anh. Bệnh tiều đường gây tôn thương trực tiếp đến võng mạc, đặc biệt là hoàng điểm, gây ảnh hưởng đến chức năng thị giác và lam suy giảm tâm nhìn [10]. Các mảng xuất huyết Mạch máu mới tăng sinh Phình mạch Xuất tiết dạng cham Hình 2. 1- Triệu chứng mất bị bệnh wong mạc tiểu đường.

Các giai đoạn bệnh võng mạc tiếu đường 2. Giai đoạn mat chưa mac bệnh: © giai đoạn này, mắt bệnh nhân tiểu đường vẫn chưa bị bệnh võng mạc tiêu đường. 3- Hình anh mat chưa mac bệnh, Newon: Kaewle 2. Giai đoạn bệnh lý võng mạc nén: Đây là giai đoạn đầu tiên của bệnh lý võng mạc do tiêu đường, nơi mao mạch võng mạc bị phình to, xuất hiện xuất huyết nhẹ, chất tiết tích tụ trong võng mạc và phù mạch mau, dan đến tôn thương của võng mạc.

Nếu giai đoạn bệnh lý chưa ảnh hưởng đến khu vực hoàng điểm, thì thị lực của bệnh nhân chưa bị giảm. Tuy nhiên, bệnh nhân có thé cảm thấy các dấu hiệu khác như thấy điểm đen trước mắt hoặc thay đôi về mau sắc. Việc theo đối và điều trị kịp thời rat quan trọng dé ngăn ngừa tình trạng bệnh tram trọng và bao vệ chức năng thị giác [10]. 3- Giai đaạn Bink ff vững mạc nên, Nguồn: Kagele 20 2.