Bối cảnh và vấn đề nghiên cứu

Ung thư phổi là một trong những căn bệnh ung thư phổ biến nhất và có tỷ lệ tử vong cao hàng đầu trên phạm vi toàn cầu, tạo ra áp lực và gánh nặng lớn đối với hệ thống y tế. Tại Việt Nam, ung thư phổi đứng thứ hai về tỷ lệ mắc phải ở cả hai giới tính. Việc phát hiện sớm và chẩn đoán chính xác giai đoạn bệnh đóng vai trò then chốt trong việc đưa ra phác đồ điều trị kịp thời, từ đó cải thiện tỷ lệ sống sót cũng như chất lượng cuộc sống cho bệnh nhân.

Trong thực tiễn lâm sàng, các phương pháp chẩn đoán hình ảnh y tế thủ công truyền thống đối mặt với nhiều hạn chế: chi phí thực hiện cao, thời gian chờ đợi kết quả kéo dài, tình trạng thiếu hụt đội ngũ bác sĩ chuyên khoa chẩn đoán hình ảnh, cùng với sự phụ thuộc lớn vào kinh nghiệm chủ quan của nhân viên y tế trong việc nhận diện tổn thương. Để giải quyết những thách thức này, việc ứng dụng công nghệ học sâu (Deep Learning) và phương pháp học chuyển giao (Transfer Learning) được xem là giải pháp hỗ trợ đắc lực nhằm tự động hóa quy trình phân tích hình ảnh, giảm thiểu chi phí xét nghiệm và rút ngắn thời gian chẩn đoán.

Khóa luận tốt nghiệp của tác giả hướng tới việc giải quyết bài toán trên thông qua các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Xây dựng mô hình chẩn đoán ung thư phổi tự động dựa trên việc điều chỉnh kiến trúc mạng học sâu GoogLeNet nhằm tương thích tối ưu với đặc tính của bộ dữ liệu hình ảnh y khoa.
  2. Thiết lập quy trình thực nghiệm, huấn luyện và đánh giá so sánh hiệu năng của mô hình GoogLeNet cải tiến với các mô hình học máy và học sâu khác.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Mạng thần kinh sâu (Deep Neural Networks) ứng dụng phương pháp học chuyển giao vào bài toán chẩn đoán và phân loại bệnh ung thư phổi, tập trung cụ thể vào kiến trúc mạng nơ-ron tích chập GoogLeNet.
  • Phạm vi nghiên cứu: Khóa luận tập trung nghiên cứu cơ chế sửa đổi, tinh chỉnh kiến trúc GoogLeNet (cấu trúc gồm 22 lớp có trọng số, hoặc 27 lớp nếu tính cả các lớp gộp) để giải quyết bài toán phân loại hình ảnh mô bệnh học phổi thành các nhóm bệnh lý cụ thể.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên hệ thống lý thuyết về mạng nơ-ron nhân tạo, thị giác máy tính và học chuyển giao sâu:

  • Mạng thần kinh nhân tạo (Artificial Neural Networks - ANN) và Perceptron đa lớp (Multi-Layer Perceptron - MLP): Cấu trúc nơ-ron nhân tạo tiếp nhận tín hiệu đầu vào $X = [x_1, x_2, ..., x_m]$, kết hợp với trọng số liên kết $W = [w_1, w_2, ..., w_m]$, độ lệch (bias) và biến đổi phi tuyến qua hàm kích hoạt (Activation Function). Mô hình MLP bao gồm ba thành phần cơ bản: lớp đầu vào (Input Layer), các lớp ẩn (Hidden Layers) trích xuất đặc trưng phức tạp, và lớp đầu ra (Output Layer) đưa ra kết quả phân loại.
  • Mạng thần kinh tích chập (Convolutional Neural Networks - CNN): Kiến trúc chuyên dụng cho phân tích ảnh bao gồm các lớp tích chập (Convolutional Layer) sử dụng bộ lọc (filter/kernel) để tạo bản đồ đặc trưng (feature map); các lớp gộp (Pooling Layer) như Gộp cực đại (Max Pooling) và Gộp trung bình (Average Pooling) nhằm giảm kích thước không gian và tránh quá khớp (overfitting); lớp kết nối đầy đủ (Fully Connected Layer) và lớp Softmax để tính xác suất phân loại. Các hàm kích hoạt phi tuyến tiêu biểu gồm hàm Sigmoid, hàm Hyperbolic Tangent (Tanh), và hàm Rectified Linear Unit (ReLU) cùng các biến thể Leaky ReLU, Parametric ReLU (PReLU).
  • Khung lý thuyết học chuyển giao (Transfer Learning): Xác lập dựa trên các khái niệm Miền nguồn ($D_S$), Nhiệm vụ nguồn ($T_S$), Miền mục tiêu ($D_T$) và Nhiệm vụ mục tiêu ($T_T$). Khóa luận phân loại học chuyển giao thành ba nhóm chính:
    • Học chuyển giao quy nạp (Inductive Transfer Learning): Nhiệm vụ nguồn và mục tiêu khác nhau, miền dữ liệu có thể giống hoặc khác nhau.
    • Học chuyển giao chuyển tiếp (Transductive Transfer Learning): Nhiệm vụ nguồn và mục tiêu tương tự, miền dữ liệu khác nhau.
    • Học chuyển giao không giám sát (Unsupervised Transfer Learning): Tập trung vào bài toán không nhãn ở miền mục tiêu (như phân cụm, giảm chiều dữ liệu).
  • Các thành phần chuyển giao và cơ chế kiểm soát chuyển giao tiêu cực (Negative Transfer): Chuyển giao tri thức cá thể (Instances), chuyển giao biểu diễn đặc trưng (Feature-representation), chuyển giao tham số (Parameter) và chuyển giao quan hệ (Relational-knowledge). Nhằm ngăn chặn hiện tượng giảm hiệu năng do miền nguồn không tương đồng, khóa luận trình bày các phương pháp: từ chối thông tin xấu (Rejecting bad information theo nghiên cứu của Rosenstein), lựa chọn nhiệm vụ nguồn dựa trên thứ bậc chuyển giao (Transfer hierarchy của Taylor et al.), và mô hình hóa độ tương tự nhiệm vụ.
  • Chiến lược học chuyển giao sâu: Trích xuất đặc trưng cố định (Pre-trained model as feature extractor - đóng băng các lớp biểu diễn, chỉ huấn luyện bộ phân loại) và tinh chỉnh mô hình (Fine-tuning - đóng băng chọn lọc và tái huấn luyện một số lớp trên tập dữ liệu mới).

Phương pháp nghiên cứu: Tác giả kết hợp phương pháp mô hình hóa bài toán thực tế, khảo sát tổng quan tài liệu và thực nghiệm kiểm chứng. Quy trình nghiên cứu bao gồm: thu thập và chuẩn hóa bộ dữ liệu hình ảnh phổi, tiền xử lý và phân chia tập dữ liệu (huấn luyện, kiểm định, kiểm thử), áp dụng các kỹ thuật tăng cường dữ liệu (Data Augmentation) và điều chuẩn (Regularization), xây dựng và tinh chỉnh mô hình GoogLeNet chuyển giao, sau đó đánh giá thông qua các chỉ số đo lường độ chính xác (Accuracy), hàm mất mát (Loss) và ma trận nhầm lẫn (Confusion Matrix).

Nguồn dữ liệu y khoa khảo sát: Tác giả phân tích và tổng hợp 4 bộ dữ liệu tiêu chuẩn quốc tế phục vụ bài toán ung thư phổi:

  1. LC25000 (Lung and Colon Cancer Histopathological Image Dataset): Gồm 25.000 ảnh màu mô bệnh học kích thước $768 \times 768$ pixel chia đều 5 lớp (mỗi lớp 5.000 ảnh). Riêng tập dữ liệu phổi gồm 15.000 ảnh chia thành 3 lớp: Ung thư biểu mô tuyến phổi (Lung_aca), Ung thư biểu mô tế bào vảy phổi (Lung_scc), và Mô phổi lành tính (Lung_n).
  2. Lung-PET-CT-Dx: Gồm 251.135 ảnh DICOM CT và PET-CT của bệnh nhân ung thư phổi, phân thành 4 nhóm mô bệnh học (Adenocarcinoma, Small Cell Carcinoma, Large Cell Carcinoma, và nhóm khác), được 5 chuyên gia phẫu thuật nội soi giàu kinh nghiệm định vị và gán nhãn khối u.
  3. LIDC-IDRI: Gồm 1.018 ảnh chụp cắt lớp vi tính (CT) lồng ngực định dạng DICOM kèm chú thích XML, được thẩm định qua quy trình 2 giai đoạn bởi 4 bác sĩ chuyên khoa phổi giàu kinh nghiệm (phân loại khối u $> 3\text{ mm}$, $= 3\text{ mm}$, và không phải khối u $> 3\text{ mm}$).
  4. LUNA 16 (Lung Nodule Analysis 16): Tập con được tinh lọc từ LIDC-IDRI với 36.378 chú thích trên 888 ca chụp CT, xác định 1.186 tổn thương dạng nốt phổi kích thước $> 3\text{ mm}$ là các ca dương tính phục vụ huấn luyện và đánh giá thuật toán.

Nội dung chính theo từng chương

Chương 1. Tổng quan tình hình nghiên cứu

Chương này khái quát thực trạng dịch tễ học của bệnh ung thư phổi, phân tích ưu nhược điểm giữa phương pháp chẩn đoán hình ảnh thủ công và phương pháp chẩn đoán tự động ứng dụng trí tuệ nhân tạo. Tác giả tổng hợp hai hướng tiếp cận chính trong y văn:

  • Hướng tiếp cận học máy truyền thống: Sử dụng các kỹ thuật trích xuất đặc trưng thủ công như ma trận đồng xuất mức xám (GLCM) của Firdaus và cộng sự, hoặc biến thể cục bộ nhị phân trên từng vùng (Patch-based LBP) kết hợp biến đổi Cosine rời rạc (DCT) của Rehman và cộng sự, sau đó phân loại bằng các thuật toán máy học véc-tơ hỗ trợ (SVM) hoặc K láng giềng gần nhất (KNN).
  • Hướng tiếp cận học sâu: Phân tích các mô hình mạng nơ-ron tích chập (CNN) phát hiện ung thư phổi từ ảnh X-quang và ảnh chụp CT, điển hình như kiến trúc mã hóa - giải mã dạng "thắt cổ chai" của Shimazaki et al. nhằm tối ưu độ nhạy và kiểm soát tỷ lệ dương tính giả (FP), hoặc mô hình CNN nhiều lớp của Abunajm et al. đạt độ chính xác $99%$ trên ảnh CT. Đồng thời, chương 1 phân tích chi tiết cấu trúc, quy cách gán nhãn và định dạng dữ liệu của 4 bộ dữ liệu chuẩn: LC25000, Lung-PET-CT-Dx, LIDC-IDRI và LUNA 16.

Chương 2. Cơ sở lý thuyết

Chương 2 trình bày có hệ thống các nguyên lý kỹ thuật và nền tảng toán học của toàn bộ đề tài:

  • Các phương pháp chẩn đoán hình ảnh y khoa truyền thống: Cơ chế vận hành, chỉ định và giá trị chẩn đoán của chụp X-quang ngực, chụp cắt lớp vi tính (CT ngực), chụp tích hợp PET/CT sử dụng chất đánh dấu phóng xạ, và chụp cộng hưởng từ (MRI).
  • Mạng nơ-ron tích chập (CNN): Chi tiết hóa các phép toán tích chập hai chiều giữa ma trận ảnh đầu vào và ma trận hạt nhân/bộ lọc; các cơ chế bước trượt (Stride đơn và Stride lớn) cùng cơ chế đệm viền (Padding zero và Padding constant) để kiểm soát kích thước bản đồ đặc trưng; các phép gộp Max Pooling, Average Pooling; các hàm kích hoạt Sigmoid, Tanh, ReLU.
  • Lý thuyết học chuyển giao và học chuyển giao sâu: Định nghĩa toán học về miền và nhiệm vụ; các phân loại chuyển giao (Inductive, Transductive, Unsupervised); các thành phần chuyển giao tri thức; các cơ chế kiểm soát hiện tượng chuyển giao tiêu cực; các biến thể học chuyển giao sâu (Domain Adaptation, Domain Confusion, Multitask Learning, One-shot Learning, Zero-shot Learning); bảng so sánh giữa phương pháp phát triển mô hình từ đầu và phương pháp sử dụng mô hình huấn luyện sẵn (Pre-trained Model).
  • Khảo sát các kiến trúc CNN kinh điển: Phân tích lược sử phát triển và cấu trúc mạng qua từng thời kỳ:
    • LeNet-5 (1998): Sử dụng bộ lọc $5 \times 5$, hàm kích hoạt Sigmoid và gộp trung bình $2 \times 2$.
    • AlexNet (2012): Kiến trúc 8 lớp (5 lớp tích chập với bộ lọc $11 \times 11, 5 \times 5, 3 \times 3$, 3 lớp kết nối đầy đủ), sử dụng hàm ReLU và huấn luyện phân luồng trên 2 GPU.
    • VGG16 (2014): Chuẩn hóa toàn bộ bộ lọc tích chập về kích thước nhỏ $3 \times 3$, chứng minh việc xếp chồng 3 lớp tích chập $3 \times 3$ giảm tham số (27 so với 49 của bộ lọc $7 \times 7$) nhưng tăng độ sâu phi tuyến và hạn chế quá khớp.
    • GoogLeNet (2014): Phát triển cấu trúc khối khởi động (Inception Module) xử lý đa nhánh song song với các bộ lọc kích thước $1 \times 1, 3 \times 3, 5 \times 5$ kết hợp nhánh gộp $3 \times 3$, sử dụng lớp tích chập $1 \times 1$ để giảm chiều kênh đầu vào, kết hợp 9 khối Inception và lớp gộp trung bình toàn cục (Global Average Pooling).
    • ResNet (2015): Giải quyết vấn đề triệt tiêu đạo hàm trên các mạng rất sâu thông qua các khối dư (Residual Block) với kết nối tắt đồng nhất (Identity Shortcut Connection).

Chương 3. Ứng dụng phương pháp học chuyển giao vào chẩn đoán ung thư phổi

Chương này mô tả chi tiết giải pháp kỹ thuật đề xuất:

  • Lựa chọn mô hình nền tảng GoogLeNet đã được huấn luyện trước trên tập dữ liệu ImageNet quy mô lớn.
  • Thiết kế phương án sửa đổi cấu trúc mạng GoogLeNet: thay thế các lớp phân loại cuối cùng của mô hình gốc (vốn được thiết kế cho 1000 lớp đối tượng tổng quát) bằng lớp kết nối đầy đủ và lớp Softmax mới tương ứng với không gian 3 lớp bệnh lý phổi của bộ dữ liệu LC25000 (Lung_aca, Lung_scc, Lung_n).
  • Thiết lập quy trình tiền xử lý ảnh đầu vào, chuẩn hóa kích thước và giá trị điểm ảnh, cấu hình hàm mục tiêu tối ưu và các kỹ thuật điều chuẩn nhằm thích ứng trọng số của mạng Inception với đặc trưng mô bệnh học.

Chương 4. Thực nghiệm và đánh giá

Chương này trình bày toàn bộ quá trình thử nghiệm thực tế:

  • Thiết lập cấu hình môi trường phần cứng, môi trường phần mềm và các siêu tham số huấn luyện mô hình.
  • Theo dõi quá trình huấn luyện và xác thực mô hình thông qua biểu đồ độ lỗi (Loss) và biểu đồ độ chính xác (Accuracy) qua các chu kỳ (epochs).
  • Phân tích hiệu năng chi tiết bằng ma trận nhầm lẫn (Confusion Matrix) trên tập kiểm thử để đánh giá mức độ nhận diện chính xác giữa các lớp tổn thương ác tính và mô phổi lành tính.
  • Tổng hợp bảng số liệu so sánh kết quả thực nghiệm của mô hình GoogLeNet chuyển giao đề xuất với các kiến trúc mô hình học sâu khác.

Chương 5. Kết luận và hướng phát triển

Chương tổng kết các kết quả đạt được về mặt lý thuyết và thực nghiệm, nêu rõ những đóng góp chính của khóa luận, đồng thời phân tích các mặt hạn chế và vạch ra định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

Khóa luận đã hiện thực hóa việc ứng dụng học chuyển giao sâu vào bài toán phân loại ảnh mô bệnh học ung thư phổi với các kết quả cụ thể:

  • Huấn luyện và tinh chỉnh thành công kiến trúc mạng GoogLeNet trên tập dữ liệu ảnh mô bệnh học phổi trích xuất từ LC25000, đạt sự hội tụ ổn định giữa độ chính xác và hàm mất mát trên cả tập huấn luyện và tập xác thực.
  • Thiết lập bảng so sánh hiệu năng thực nghiệm giữa mô hình đề xuất và các cấu trúc mạng nơ-ron tích chập khác trong cùng điều kiện thực nghiệm.
Đặc tính / Tiêu chí Tiếp cận xây dựng mô hình từ đầu Tiếp cận học chuyển giao (Đề xuất)
Khởi đầu trọng số Khởi tạo ngẫu nhiên từ đầu Kế thừa trọng số huấn luyện sẵn (Pre-trained)
Yêu cầu dữ liệu Đòi hỏi tập dữ liệu rất lớn Hoạt động hiệu quả trên tập dữ liệu giới hạn
Thời gian huấn luyện Kéo dài, tiêu tốn nhiều tài nguyên tính toán Rút ngắn đáng kể thời gian huấn luyện
Khả năng tùy chỉnh Mức độ kiểm soát cấu trúc cao Tùy chỉnh ở mức độ các lớp trích xuất/phân loại
Hiệu suất ban đầu Thấp ở các chu kỳ đầu Đạt độ chính xác và tính hội tụ cao từ sớm

Đóng góp của đề tài do tác giả tự xác định:

  • Chứng minh tính khả thi và hiệu quả của việc điều chỉnh kiến trúc GoogLeNet đa nhánh (Inception Module) vào việc phân tích các đặc trưng vi thể phức tạp của ảnh mô bệnh học phổi.
  • Đưa ra quy trình chi tiết về áp dụng học chuyển giao sâu, giúp giải quyết bài toán thiếu hụt tài nguyên tính toán và dữ liệu gán nhãn y khoa lớn.
  • Cung cấp tài liệu tham khảo có cấu trúc rõ ràng về lý thuyết mạng nơ-ron tích chập, các kiến trúc CNN kinh điển (LeNet, AlexNet, VGG16, GoogLeNet, ResNet) và các cơ chế học chuyển giao y khoa.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:

    • Nghiên cứu tập trung chủ yếu vào việc sửa đổi kiến trúc mạng GoogLeNet trên một dạng dữ liệu đơn lẻ là ảnh mô bệnh học (tập con của bộ dữ liệu LC25000), chưa thực hiện đánh giá chéo trên các dạng chẩn đoán hình ảnh phức tạp khác như ảnh chụp cắt lớp vi tính (CT) hay ảnh PET-CT (chẳng hạn như Lung-PET-CT-Dx hay LIDC-IDRI).
    • Khả năng tổng quát hóa của mô hình đối với các biến thể mô bệnh học hiếm gặp hoặc chất lượng ảnh thu nhận từ các thiết bị sinh thiết khác nhau chưa được kiểm chứng toàn diện.

  • Hướng phát triển:

    • Tiếp tục thử nghiệm và so sánh với các kiến trúc học sâu tiên tiến hơn như ResNet, NASNetMobile hoặc các mô hình tối ưu cho thiết bị di động.
    • Mở rộng phạm vi huấn luyện mô hình trên các bộ dữ liệu đa phương thức (Multimodal Dataset), kết hợp cả dữ liệu ảnh CT, PET/CT và thông tin lâm sàng của bệnh nhân.
    • Tích hợp mô hình vào phần mềm hỗ trợ chẩn đoán lâm sàng thực tế để đánh giá hiệu quả hỗ trợ quyết định của bác sĩ trong môi trường bệnh viện.

Giá trị tham khảo

Khóa luận là nguồn tư liệu học thuật giá trị cho:

  • Sinh viên và học viên ngành Khoa học máy tính, Công nghệ thông tin và Kỹ thuật dữ liệu: Có thể tham khảo toàn bộ chương 2 như một tài liệu tổng hợp chuẩn mực về toán học mạng nơ-ron, cơ chế hoạt động của các lớp CNN, các hàm kích hoạt phi tuyến và các chiến lược học chuyển giao (Fine-tuning, Feature Extractor, xử lý Negative Transfer).
  • Người nghiên cứu về Trí tuệ nhân tạo trong Y tế (AI in Healthcare) và Thị giác máy tính: Cung cấp thông tin tổng quan, chi tiết về cấu trúc và quy cách truy cập của 4 bộ dữ liệu chuẩn quốc tế về ung thư phổi (LC25000, Lung-PET-CT-Dx, LIDC-IDRI, LUNA 16).
  • Các nghiên cứu viên thực hiện đề tài phân loại ảnh y khoa: Tham khảo phương pháp sửa đổi kiến trúc Inception của GoogLeNet và quy trình thiết kế thực nghiệm đánh giá mô hình học sâu.

Câu hỏi thường gặp

1. Khóa luận sử dụng kiến trúc mạng học sâu nào làm mô hình nền tảng và độ sâu của kiến trúc đó là bao nhiêu?
Khóa luận lựa chọn mô hình nền tảng là mạng GoogLeNet (ra đời năm 2014 với khối Inception Module). Theo văn bản, kiến trúc GoogLeNet có độ sâu gồm 22 lớp có trọng số, hoặc 27 lớp nếu tính thêm các lớp gộp chung.

2. Bộ dữ liệu LC25000 có quy mô và cấu trúc phân chia các lớp như thế nào?
Bộ dữ liệu LC25000 gồm tổng cộng 25.000 ảnh màu kích thước $768 \times 768$ pixel định dạng JPEG, chia đều thành 5 lớp (mỗi lớp 5.000 ảnh): Ung thư biểu mô đại tràng (Colon_aca), Mô đại tràng lành tính (Colon_n), Ung thư biểu mô tuyến phổi (Lung_aca), Ung thư biểu mô tế bào vảy phổi (Lung_scc), và Mô phổi lành tính (Lung_n). Trong đó, phần dữ liệu phổi gồm 15.000 ảnh thuộc 3 lớp bệnh lý phổi.

3. Theo khảo sát trong khóa luận, bộ dữ liệu Lung-PET-CT-Dx có những đặc điểm kỹ thuật và thông tin bệnh học nào?
Bộ dữ liệu Lung-PET-CT-Dx bao gồm 251.135 ảnh DICOM CT và PET-CT của bệnh nhân nghi ngờ ung thư phổi đã qua sinh thiết, phân thành 4 nhóm mô bệnh học: Ung thư tuyến phổi (A), Ung thư biểu mô tế bào nhỏ (B), Ung thư biểu mô tế bào lớn (E), và nhóm khác. Dữ liệu có độ phân giải cao (CT: $512 \times 512$ pixel, $1\text{mm} \times 1\text{mm}$; PET: $200 \times 200$ pixel, $4\text{mm} \times 4\text{mm}$), với vị trí khối u được đánh dấu bởi 5 chuyên gia phẫu thuật nội soi (2 người có trên 15 năm kinh nghiệm và 3 người có trên 5 năm kinh nghiệm).

4. Khối Inception Module trong mô hình GoogLeNet hoạt động theo nguyên lý nào để tối ưu hóa việc trích xuất đặc trưng?
Inception Module trong GoogLeNet không sử dụng các lớp tích chập đơn lẻ có kích thước cố định mà triển khai song song nhiều bộ lọc có kích thước khác nhau (bao gồm $1 \times 1, 3 \times 3, 5 \times 5$) kết hợp với một nhánh gộp cực đại $3 \times 3$. Kiến trúc này sử dụng các lớp tích chập $1 \times 1$ trước các bộ lọc lớn hơn để giảm số lượng kênh đầu vào, giúp mô hình học được các biểu diễn đặc trưng đa tỷ lệ mà vẫn duy trì số lượng tham số thấp và hạn chế quá khớp.

5. Khóa luận trình bày các phương pháp nào để ngăn ngừa hiện tượng chuyển giao tiêu cực (Negative Transfer)?
Tác giả nêu rõ ba phương pháp hạn chế chuyển giao tiêu cực: (1) Từ chối thông tin không tốt (Rejecting bad information) bằng cách loại bỏ hoàn toàn hoặc chọn lọc loại bỏ phần kiến thức gây hại dựa trên ngưỡng tương đồng; (2) Lựa chọn nhiệm vụ nguồn phù hợp (Choosing a source task) dựa trên độ tương đồng, kích thước, chất lượng dữ liệu và phân bậc chuyển giao (Transfer Hierarchy); (3) Mô hình hóa sự tương tự nhiệm vụ (Modeling task similarity) bằng cách tận dụng nhiều nhiệm vụ nguồn để học các đặc điểm chung.

Kết luận

Khóa luận tốt nghiệp của tác giả đã nghiên cứu và triển khai thành công giải pháp ứng dụng phương pháp học chuyển giao sâu vào bài toán phân loại hình ảnh ung thư phổi dựa trên việc điều chỉnh kiến trúc mạng GoogLeNet. Công trình đã hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơ-ron tích chập, các chiến lược học chuyển giao cũng như khảo sát các bộ dữ liệu y khoa chuẩn quốc tế. Kết quả thực nghiệm khẳng định tính khả thi của mô hình đề xuất trong việc hỗ trợ rút ngắn thời gian và nâng cao tính chuẩn xác cho quy trình chẩn đoán y tế.