Xác định ung thư da thông qua tập dữ liệu hình ảnh

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN NGUYỄN MINH ĐỨC - 18520210 PHẠM QUỐC ĐẠT - 18520584 BÁO CÁO ĐỒ ÁN XÁC ĐỊNH UNG THƯ DA THÔNG QUA TẬP DỮ LIỆU HÌNH ẢNH TP HỒ CHÍ MINH, 2021 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THÔNG TIN NGUYỄN MINH ĐỨC - 18520210 PHẠM QUỐC ĐẠT - 18520584 BÁO CÁO ĐỒ ÁN XÁC ĐỊNH UNG THƯ DA THƠNG QUA TẬP DỮ LIỆU HÌNH ẢNH TP HỒ CHÍ MINH, 2021 LỜI CẢM ƠN Lời đầu tiên, nhóm tác giả chân thành cảm ơn quý thầy Ths Huỳnh Tuấn Anh – giảng viên hướng dẫn đồ án Thầy người tạo động lực hội cho nhóm tác giả thực đồ án nghiên cứu khoa học Cảm ơn thầy giúp đỡ, hướng dẫn, sửa chữa đóng góp nhiều ý kiến quý báu xuyên suốt trình thực đồ án Tuy nhiên trình thực hiện, kiến thức kinh nghiệm cịn hạn chế, khó tránh khỏi sai sót Chính vậy, nhóm tác giả mong nhận góp ý từ q thầy để hồn thiện kiến thức, lấy làm hành trang quý báu công việc sau Xin chân thành cảm ơn quý thầy cô ! Nguyễn Minh Đức Phạm Quốc Đạt MỤC LỤC DANH MỤC HÌNH i DANH MỤC BẢNG iii TÓM TẮT Chương TỔNG QUAN ĐỀ TÀI 1.1 Động lực nghiên cứu .2 1.2 Phát biểu toán 1.3 Các thách thức .4 1.4 Mục tiêu phạm vi nghiên cứu 1.5 Đóng góp đồ án 1.6 Cấu trúc báo cáo đồ án Chương CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Giới thiệu tổng quan 2.2 Computer Vision 2.3 Một số sở lý thuyết 10 2.3.1 Mạng nơ-ron .10 2.3.1.1 Nơ-ron nhân tạo (perceptron) .10 2.3.1.2 Hàm kích hoạt (Activation function) 13 2.3.2 Mạng nơ-ron tích chập (Convolutional Nơ-ron Network) 14 2.3.2.1 Fully Connected Layer - FC Layer (Classification) .15 2.3.2.2 Convolutional Layer .16 2.3.2.3 Pooling Layer 17 2.3.3 Phân loại hình ảnh thị giác máy tính 17 2.3.3.1 Tổng quan .17 2.3.3.2 Phân loại nhị phân 19 2.3.3.3 Ứng dụng .19 2.4 Những liệu 20 2.4.1 Bộ liệu HAM10000 20 2.4.2 Bộ liệu PH2 .20 2.4.3 Bộ liệu MED-NODE 21 2.4.4 Bộ liệu Derm7pt 22 Chương BỘ DỮ LIỆU ISIC 2020 .24 3.1 Tổng quan 24 3.2 Mô tả liệu 25 3.3 Phân bố liệu 25 3.4 Biểu đồ cường độ điểm ảnh 28 Chương PHƯƠNG PHÁP CƠ SỞ .31 4.1 Phân loại đối tượng .31 4.1.1 EfficientNetB6 .31 4.1.2 VGG16 33 4.1.3 ResNet152V2 .34 4.1.4 InceptionResNetV2 35 4.1.5 InceptionV3 36 4.2 Mơ hình kỳ vọng 37 Chương THỰC NGHIỆM VÀ KẾT QUẢ 38 5.1 Cài đặt thực nghiệm 38 5.2 Chỉ số đánh giá 38 5.2.1 Area Under The Curve (AUC) .38 5.2.2 Precision .39 5.2.3 Recall 39 5.3 Phân tích 39 5.3.1 EfficientNetB6 .39 5.3.2 VGG16 40 5.3.3 ResNet152V2 .41 5.3.4 InceptionResNetV2 42 5.3.5 InceptionV3 43 5.3.6 Phân tích chung 44 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 46 6.1 Kết luận .46 6.2 Thuận lợi .46 6.3 Khó khăn .46 6.4 Hướng phát triển 46 i DANH MỤC HÌNH Hình 2.1 Mối quan hệ AI, Machine Learning Deep Learning .8 Hình 2.2 Sơ đồ mối liên hệ kĩ thuật Computer Vision Hình 2.3 Cấu tạo nơ ron thần kinh 11 Hình 2.4 Kiến trúc mạng nơ-ron nhân tạo .12 Hình 2.5 Cơng thức đồ thị số hàm kích hoạt 13 Hình 2.6 Một quy trình CNN để phân loại chữ số viết tay .14 Hình 2.7 Minh họa FC layer .15 Hình 2.8 Minh họa Convolution Layer .16 Hình 2.9 Minh họa Pooling Layer 17 Hình 2.10 Phân loại Binary Multiclass với x1 x2 biến mà lớp dự đoán 18 Hình 2.11 Một số hình ảnh liệu HAM10000 20 Hình 2.12 Một số hình ảnh liệu PH2 21 Hình 2.13 Một số hình ảnh nevus liệu MED-NODE .22 Hình 2.14 Một số hình ảnh khối u ác tính liệu MED-NODE 22 Hình 2.15 Một số hình ảnh liệu Derm7pt 23 Hình 3.1 Một số hình ảnh liệu ISIC 2020 .24 Hình 3.2 Thống kê theo loại u liệu ISIC 2020 26 Hình 3.3 Thống kê theo giới tính liệu ISIC 2020 26 Hình 3.4 Thống kê loại u theo giới tính liệu ISIC 2020 27 Hình 3.5 Thống kê theo độ tuổi liệu ISIC 2020 27 Hình 3.6 Thống kê liệu theo vị trí khối u thể bệnh nhân 28 Hình 3.7 Ví dụ biểu đồ cường độ điểm ảnh khối u lành tính .29 Hình 3.8 Ví dụ biểu đồ cường độ điểm ảnh khối u ác tính 30 Hình 4.1 Các mô-đun sử dụng để tạo kiến trúc EfficentNet 31 Hình 4.2 Các khối 32 Hình 4.3 Kiến trúc mơ hình EfficientNetB6 .33 Hình 4.4 Kiến trúc mơ hình VGG16 34 Hình 4.5 Kiến trúc mơ hình ResNet152V2 .34 Hình 4.6 Kiến trúc mơ hình InceptionResNetV2 .35 Hình 4.7 Kiến trúc mơ hình InceptionV3 36 Hình 5.1 Kết training mơ hình EfficentNetB6 40 Hình 5.2 Kết training mơ hình VGG16 .41 Hình 5.3 Kết training mơ hình ResNet152V2 .42 Hình 5.4 Kết training mơ hình InceptionResNetV2 43 Hình 5.5 Kết training mơ hình InceptionV3 44 DANH MỤC BẢNG Bảng 1.1 Phân loại khối u ảnh với đầu vào ảnh chứa khối u da, đầu giá trị nhị phân với ác tính lành tính .4 Bảng 5.1 Bảng tổng hợp kết cuối mơ hình sau 40 epoch .44 TĨM TẮT Cách mạng cơng nghệ 4.0 bùng nổ, chuyển đổi số xu hướng tất yếu phát triển, bứt phá lĩnh vực Đối với lĩnh vực y tế, công nghệ 4.0 nói chung trí tuệ nhân tạo (AI) nói riêng thúc đẩy nhiều bước tiến vượt bậc chẩn đoán điều trị bệnh Trong đồ án lần này, nhóm áp dụng mơ hình khác để giải nhiệm vụ phân loại khối u ác tính Đầu tiên, nhóm tìm hiểu áp dụng mơ hình phân loại tích hợp thư viện Keras tensorflow Nhóm ưu tiên lựa chọn mơ hình phân loại có độ xác cao (ResNet152V2, InceptionResNetV2, InceptionV3) số mơ hình áp dụng nghiên cứu xác định ung thư da trước (EfficientNetB6 VGG16) Thứ hai, nhóm áp dụng mơ hình vào liệu hình ảnh ung thư hắc tố da ISIC 2020 có lớp đối tượng lành tính ác tính với 33,126 ảnh từ 2,000 bệnh nhân Các kết thực nghiệm cho thấy, mơ hình InceptionResNetV2 đạt số đánh giá tốt nhất, cụ thể loss: 0.1326, auc: 0.9878, precision: 0.8911 recall: 0.6843 Đánh giá toàn diện ưu, nhược điểm phương pháp, tảng nghiên cứu cho cơng trình tương lai lớp trọng lượng Trong lĩnh vực nhận dạng hình ảnh nhiệm vụ địa hóa, ResNet có hiệu suất mạnh mẽ chứng tỏ tầm quan trọng nhiều nhiệm vụ nhận dạng trực quan 4.1.4 InceptionResNetV2 Hình 4.6 Kiến trúc mơ hình InceptionResNetV2 Mạng xây dựng cách tích hợp hai CNN chuyên sâu thành cơng nhất, ResNet Inception, chuẩn hóa hàng loạt sử dụng đầu lớp truyền thống, thay đầu tóm tắt Đặc biệt, mơ-đun cịn lại sử dụng phép tăng số lượng khối Inception đó, tăng độ sâu mạng Như đề cập trước đó, vấn đề rõ ràng liên quan đến mạng sâu giai đoạn huấn luyện, giải cách sử dụng kết nối lại Mạng giảm tỷ lệ phần dư cách tiếp cận hiệu để giải vấn đề đào tạo số lượng lớn lọc (lớn 1,000 lọc) sử dụng mạng Cụ thể, biến thể lại gặp phải cố không ổn định mạng đào tạo số lượng lọc vượt 1,000 Do đó, việc mở rộng phần dư góp phần ổn định đào tạo mạng Hình 4.5 minh họa dạng xem nén InceptionResNetV2 sử dụng nghiên cứu 35 4.1.5 InceptionV3 Hình 4.7 Kiến trúc mơ hình InceptionV3 GoogleNet, người chiến thắng phân loại theo dõi phát thi ILSVRC-2014, hệ CNN không Trong mạng này, chiều sâu (tức số lượng cấp độ) chiều rộng (tức số lượng đơn vị cấp độ), tăng lên mà không gây căng thẳng tính tốn GoogleNet phát triển dựa ý tưởng số kết nối lớp khơng hiệu có thơng tin dư thừa mối tương quan chúng Theo đó, sử dụng “Mô-đun Inception”, CNN thưa thớt, với 22 lớp quy trình xử lý song song hưởng lợi từ số phân loại phụ trợ lớp trung gian để cải thiện khả phân biệt lớp thấp Trái ngược với CNN thơng thường AlexNet VGG, hoạt động tích hợp tổng hợp sử dụng cấp, mơ-đun Inception hưởng lợi từ hai lớp Hơn nữa, lọc (phức hợp) với kích thước khác sử dụng lớp, cung cấp thông tin chi tiết trích xuất mẫu với kích thước khác Quan trọng là, lớp tích chập × 1, gọi lớp nút cổ chai, sử dụng để giảm độ phức tạp tính tốn số lượng tham số Nói xác hơn, lớp phức hợp × sử dụng trước lọc tích chập hạt nhân lớn (ví dụ: × × lớp mạng) để giảm số lượng tham số xác định cấp (tức trình tính tổng hợp) Ngồi ra, lớp chập × làm cho mạng sâu thêm 36 tính phi tuyến tính cách sử dụng ReLU sau lớp chập × Trong mạng này, lớp kết nối đầy đủ thay lớp gộp trung bình Điều làm giảm đáng kể số lượng tham số lớp kết nối đầy đủ bao gồm số lượng lớn tham số Do đó, mạng tìm hiểu đại diện sâu tính với tham số so với AlexNet nhanh nhiều so với VGG Hình 4.6 minh họa khung nhìn nén InceptionV3 sử dụng nghiên cứu 4.2 Mơ hình kỳ vọng Như mơ tả trên, mơ hình InceptionResNetV2 mơ hình kết hợp tinh tuý InceptionV3 ResNet Đây mô hình kỳ vọng có kết cao 37 Chương THỰC NGHIỆM VÀ KẾT QUẢ 5.1 Cài đặt thực nghiệm Nhóm sử dụng liệu ISIC 2020 chia thành tập con: training (33,126 ảnh) testing (10,980 ảnh) đề cập Toàn trình thực nghiệm thực TPU v3-8 REPLICAS: Kaggle Với model, nhóm sử dụng config “256: 13, 384: 15, 512: 15, 768: 15”, ảnh với độ phân giải 256x256 13 epoch độ phân giải lại 15 epoch 5.2 Chỉ số đánh giá 5.2.1 Area Under The Curve (AUC) AUC - ROC phương pháp tính tốn hiệu suất mơ hình phân loại theo ngưỡng phân loại khác Giả sử với toán phân loại nhị phân (2 lớp) sử dụng hồi quy logistic (logistic regression), việc chọn ngưỡng phân loại [0 1] khác ảnh hưởng đến khả phân loại mơ hình ta cần tính tốn mức độ ảnh hưởng ngưỡng AUC từ viết tắt Area Under The Curve ROC viết tắt Receiver Operating Characteristics ROC đường cong biểu diễn xác suất AUC biểu diễn mức độ phân loại mơ hình AUC-ROC cịn biết đến tên AUROC (Area Under The Receiver Operating Characteristics) Ý nghĩa AUROC diễn giải sau: Là xác suất mẫu dương tính lấy ngẫu nhiên xếp hạng cao mẫu âm tính lấy ngẫu nhiên Biểu diễn theo công thức, ta có AUC = P(score(x+) > score(x-)) Chỉ số AUC cao mơ hình xác việc phân loại lớp Đường cong ROC biểu diễn cặp số (TPR, FPR) ngưỡng với TPR trục tục FPR trục hoành 38 5.2.2 Precision Precision trả lời cho câu hỏi trường hợp dự báo positive có trường hợp ? Và tất nhiên precision cao mơ hình tốt việc phân loại hồ sơ BAD (BAD nhóm positive) Công thức precision sau: Precision cho biết mức độ chuẩn xác mơ hình hồ sơ dự báo BAD Ví dụ precision = 52.4%, tin hồ sơ dự báo BAD có 52.4% tỷ lệ hồ sơ phân loại Precision = 𝑇𝑃 𝑇𝑃 = total predicted positive 𝑇𝑃 + 𝐹𝑃 Cũng có ý nghĩa gần tương tự precision, có tử số có chút khác biệt mẫu số cơng thức tính tốn, số giúp đo lường hiệu suất dự báo nhóm positive, recall 5.2.3 Recall Recall đo lường tỷ lệ dự báo xác trường hợp positive tồn mẫu thuộc nhóm positive Công thức recall sau: Recall = 𝑇𝑃 𝑇𝑃 = total actual positive 𝑇𝑃 + 𝐹𝑁 Để tính recall phải biết trước nhãn liệu Do recall dùng để đánh gía tập train validation biết trước nhãn Trên tập test liệu coi hồn tồn chưa biết nhãn sử dụng precision 5.3 Phân tích 5.3.1 EfficientNetB6 Sau sử dụng mơ hình EfficientNetB6 để giải tốn Xác định ung thư da thơng qua tập liệu hình ảnh, nhóm trích xuất tổng số đặc trưng 39 40.962.441, có 40.738.009 đặc trưng thể dùng để huấn luyện 224.432 đặc trưng huấn luyện Kết thu sau 40 epochs hình bên dưới: Hình 5.1 Kết training mơ hình EfficentNetB6 Nhìn chung, kết thực nghiệm với mơ hình EfficientNetB6 đạt kết tốt với số sau cùng: loss: 0.1480 - auc: 0.9559 - precision: 0.8023 - recall: 0.3526 Có thể thấy rõ mơ hình hội tụ kết mơ hình khơng cải thiện thêm epoch 20 Mặt khác, mơ hình chưa bị tình trạng overfit Chỉ số loss khơng có thay đổi nhiều từ epoch 5.3.2 VGG16 Sau sử dụng mô hình VGG16 để giải tốn Xác định ung thư da thơng qua tập liệu hình ảnh, nhóm trích xuất tổng số đặc trưng 14.715.201, tồn dùng để huấn luyện Kết thu sau 40 epochs hình bên dưới: 40 Hình 5.2 Kết training mơ hình VGG16 Nhìn chung, kết thực nghiệm với mơ hình VGG16 đạt kết tốt với số sau cùng: loss: 0.1593 - auc: 0.9139 - precision: 0.8182 - recall: 0.0776 Có thể thấy rõ mơ hình đạt đỉnh epoch 27 không cải thiện sau epoch Mặt khác, mơ hình chưa bị tình trạng overfit Chỉ số loss giảm mạnh từ epoch từ khơng có thay đổi Chỉ số precision tăng mạnh epoch 15 5.3.3 ResNet152V2 Sau sử dụng mơ hình ResNet152V2 để giải tốn Xác định ung thư da thơng qua tập liệu hình ảnh, nhóm trích xuất tổng số đặc trưng 58.333.697, có 58.189.953 đặc trưng dùng để huấn luyện mơ hình Kết thu sau 40 epochs hình bên dưới: 41 Hình 5.3 Kết training mơ hình ResNet152V2 Nhìn chung, kết thực nghiệm với mơ hình ResNet152V2 đạt kết tốt với số sau cùng: loss: 0.1365 - auc: 0.9806 - precision: 0.8730 - recall: 0.5872 Có thể thấy rõ mơ hình hội tụ epoch 24 không cải thiện sau epoch Mặt khác, mơ hình chưa bị tình trạng overfit Chỉ số loss giảm mạnh từ epoch từ khơng có thay đổi Các số precision recall ổn định tăng dần epoch 5.3.4 InceptionResNetV2 Sau sử dụng mơ hình InceptionResNetV2 để giải tốn Xác định ung thư da thơng qua tập liệu hình ảnh, nhóm trích xuất tổng số đặc trưng 54.338.273, có 54.277.729 đặc trưng dùng để huấn luyện mơ hình Kết thu sau 40 epochs hình bên dưới: 42 Hình 5.4 Kết training mơ hình InceptionResNetV2 Nhìn chung, kết thực nghiệm với mơ hình InceptionResNetV2 đạt kết tốt với số sau cùng: loss: 0.1326 - auc: 0.9878 - precision: 0.8911 - recall: 0.6843 Có thể thấy rõ mơ hình hội tụ epoch 21 không cải thiện sau epoch Mặt khác, mơ hình chưa bị tình trạng overfit Chỉ số loss giảm mạnh từ epoch từ khơng có thay đổi đáng kể Các số precision recall ổn định tăng dần epoch 5.3.5 InceptionV3 Sau sử dụng mơ hình InceptionV3 để giải tốn Xác định ung thư da thơng qua tập liệu hình ảnh, nhóm trích xuất tổng số đặc trưng 21.804.833, có 21.770.401 đặc trưng dùng để huấn luyện mơ hình Kết thu sau 40 epochs hình bên dưới: 43 Hình 5.5 Kết training mơ hình InceptionV3 Nhìn chung, kết thực nghiệm với mơ hình InceptionV3 đạt kết tốt với số sau cùng: loss: 0.1410 - auc: 0.9788 - precision: 0.8567 - recall: 0.4931 Có thể thấy rõ mơ hình hội tụ epoch 17 không cải thiện sau epoch Mặt khác, mô hình chưa bị tình trạng overfit Chỉ số loss giảm mạnh từ epoch từ khơng có thay đổi đáng kể Các số precision recall ổn định tăng dần epoch 5.3.6 Phân tích chung Sau áp dụng mơ hình tích hợp sẵn tensorflow.keras, trải qua 40 epoch, nhóm thu dược kết sau đây: Mơ hình Loss Auc Precision Recall EfficientNetB6 0.1480 0.9559 0.8023 0.3526 VGG16 0.1593 0.9139 0.8182 0.0776 ResNet152V2 0.1365 0.9806 0.8730 0.5872 InceptionResNetV2 0.1326 0.9878 0.8911 0.6843 InceptionV3 0.1410 0.9788 0.8567 0.4931 Bảng 5.1 Bảng tổng hợp kết cuối mơ hình sau 40 epoch 44 Từ kết thu được, mơ hình InceptionResNetV2 VGG16 mơ hình có kết cao thấp mơ hình lựa chọn Điều khơng ngồi dự đốn mơ hình VGG16 giới thiệu vào năm 2014, mô hình InceptionResNetV2 giới thiệu trễ (2016) cịn xây dựng cách kết hợp hai mơ hình CNN chuyên sâu ResNet InceptionV3 45 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Trong đồ án lần này, nhóm áp dụng mơ hình phân loại tích hợp thư viện Keras tensorflow (EfficientNetB6, VGG16, ResNet152V2, InceptionResNetV2 InceptionV3) vào liệu hình ảnh ung thư hắc tố da ISIC2020 chứa lớp đối tượng lành tính ác tính với tổng cộng 33,126 ảnh từ 2,000 bệnh nhân Qua thử nghiệm, mơ hình InceptionResNetV2 với kỳ vọng với số đánh giá tốt loss: 0.1326, auc: 0.9878, precision: 0.8911, recall: 0.6843 6.2 Thuận lợi Trong suốt trình thực nghiên cứu nhóm nhận giúp đỡ nhiệt tình giáo viên hướng dẫn Ngồi ra, nhóm sử dụng TPU v3-8 cung cấp Kaggle, giúp thời gian huấn luyện mơ hình tối ưu 6.3 Khó khăn Bộ liệu huyến luyện bị ảnh hưởng yếu tố bên điều kiện ánh sáng, độ phơi sáng, độ bão hồ ảnh ảnh hưởng trực tiếp đến chất lượng hình ảnh, ánh sáng phân bổ khơng đều, xuất sợi lơng, tóc che khuất khối u, … Bên cạnh đó, cịn có yếu tố bên phương pháp tồn nhiều khuyết điểm, phát đối tượng chưa chuẩn xác hay liệu mang đặc thù khác nên địi hỏi nhóm phải linh hoạt, thử nghiệm liên tục nhiều mơ hình nhiều trường hợp để đạt kết mong muốn 6.4 Hướng phát triển Trong tương lai, nhóm tiếp tục đề xuất, sử dụng số mơ hình khác kết hợp nhiều mơ hình lại để cải thiện độ xác Đồng thời, để huấn luyện tốt cho mơ hình nhóm tìm kiếm thêm nhiều liệu khác mở rộng liệu ISIC 2020 nhóm sử dụng Hơn nữa, nhóm xây dựng ứng dụng 46 di động phân loại trực tiếp khối u lành tính ác tính nhằm sử dụng cho nhiều mục đích khác 47 TÀI LIỆU THAM KHẢO [1] Chollet, F Xception: Deep Learning with Depthwise Separable Convolutions arXiv 2016, arXiv:1610.02357 [2] Elshennawy, N.M and Ibrahim, D.M., 2020 Deep-pneumonia framework using deep learning models based on chest x-ray images Diagnostics, 10(9), p.649 [3] Giotis, I., Molders, N., Land, S., Biehl, M., Jonkman, M.F and Petkov, N., 2015 MED-NODE: A computer-assisted melanoma diagnosis system using nondermoscopic images Expert systems with applications, 42(19), pp.6578-658 [4] He, K., Zhang, X., Ren, S and Sun, J., 2016 Deep residual learning for image recognition In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 770-778) [5] Hu, F., Xia, G.S., Hu, J and Zhang, L., 2015 Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery Remote Sensing, 7(11), pp.14680-14707 [6] Kawahara, J., Daneshvar, S., Argenziano, G and Hamarneh, G., 2018 Seven-point checklist and skin lesion classification using multitask multimodal neural nets IEEE journal of biomedical and health informatics, 23(2), pp.538-546 [7] Krizhevsky, A., Sutskever, I and Hinton, G.E., 2012 Imagenet classification with deep convolutional neural networks Advances in neural information processing systems, 25, pp.1097-1105 [8] Lee, T., Ng, V., Gallagher, R., Coldman, A and McLean, D., 1997 Dullrazor®: A software approach to hair removal from images Computers in biology and medicine, 27(6), pp.533-543 [9] Mahdianpari, M., Salehi, B., Rezaee, M., Mohammadimanesh, F and Zhang, Y., 2018 Very deep convolutional neural networks for complex land cover mapping using multispectral remote sensing imagery Remote Sensing, 10(7), p.1119 48 [10] Mendonỗa, T., Ferreira, P.M., Marques, J.S., Marcal, A.R and Rozeira, J., 2013, July PH 2-A dermoscopic image database for research and benchmarking In 2013 35th annual international conference of the IEEE engineering in medicine and biology society (EMBC) (pp 5437-5440) IEEE [11] Simonyan, K and Zisserman, A., 2014 Very deep convolutional networks for large-scale image recognition arXiv preprint arXiv:1409.1556 [12] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V and Rabinovich, A., 2015 Going deeper with convolutions In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 1-9) [13] Tschandl, P., Rosendahl, C and Kittler, H., 2018 The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions 2018; Sci Data (5): 180161 [14] https://www.kaggle.com/neelgajare/siim-isic-melanoma- classification [15] https://www.kaggle.com/masdevallia/melanoma-classification-model- training [16] https://www.kaggle.com/c/siim-isic-melanoma-classification 49 ... 2020 Hình 3.1 Một số hình ảnh liệu ISIC 2020 24 3.2 Mô tả liệu Bộ liệu ISIC 2020 chứa hình ảnh cung cấp định dạng DICOM Các hình ảnh truy cập thư viện thư? ??ng có sẵn pydicom chứa hình ảnh siêu liệu. .. cho hình ảnh từ tập danh mục xác định đào tạo trước 17 Ví dụ, với tập hình ảnh, hình ảnh mơ tả mèo chó, thuật tốn “quan sát” tồn liệu dựa hình dạng, màu sắc để hình thành giả thuyết liên quan... thực tìm hiểu, thử nghiệm, nghiên cứu đồ án ? ?Xác định ung thư da thông qua tập liệu hình ảnh? ?? 1.2 Phát biểu tốn Ung thư tế bào hắc tố, loại ung thư da nghiêm trọng nhất, phát triển tế bào (tế