Phát hiện sớm bệnh ung thư da thông qua ảnh chụp từ điện thoại

MỤC LỤC ĐỒ ÁN TỐT NGHIỆP i NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP i PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN ii PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN iii LỜI CẢM ƠN iv TÓM TẮT ĐỒ ÁN TỐT NGHIỆP v MỤC LỤC vi DANH MỤC CÁC TỪ VIẾT TẮT ix DANH MỤC CÁC BẢNG BIỂU x DANH MỤC CÁC BIỂU ĐỒ VÀ HÌNH ẢNH xi CHƯƠNG 1: TỔNG QUAN 1.1 Lý chọn đề tài 1.2 Mục tiêu đề tài 1.3 Đối tượng tìm hiểu CHƯƠNG 2: TỔNG QUAN VỀ BỆNH UNG THƯ DA 2.1 Định nghĩa 2.2 Các triệu chứng 2.2.1 Trường hợp phát triển ung thư da 2.2.2 Ung thư tế bào đáy 2.2.3 Ung thư tế bào vảy 2.2.4 U ác tính 2.2.5 Các dấu hiệu loại ung thư da phổ biến 2.3 Nguyên nhân 2.3.1 Các tế bào liên quan đến bệnh ung thư da 2.3.2 Ánh sáng tử ngoại nguyên nhân tiềm khác 2.3.3 Yếu tố nguy 2.4 Các giai đoạn ung thư 2.5 Phương pháp điều trị vi 2.6 Phòng chống 2.7 Hiện trạng ung thư da Việt Nam CHƯƠNG 3: TỔNG QUAN VỀ HỌC MÁY 3.1 Giới thiệu học máy 3.1.1 Giới thiệu chung 3.1.2 Phân loại 10 3.1.3 Các bước học máy 10 3.2 Giới thiệu học sâu 11 3.2.1 Giới thiệu chung 11 3.2.2 Cách hoạt động 12 3.2.3 Các kỹ thuật học sâu 12 3.2.4 Nhược điểm học sâu 13 3.3 Tìm hiểu CNN (Convolutional Neural Network) 13 3.3.1 Định nghĩa 13 3.3.2 Lịch sử phát triển 14 3.3.3 Kiến trúc 14 3.3.4 Cách thức xử lý tốn phân tích ảnh 19 3.3.5 Ứng dụng 19 3.4 Tìm hiểu thư viện Keras 19 3.4.1 Định nghĩa 19 3.4.2 Cách cài đặt 20 3.4.3 Cấu trúc 20 CHƯƠNG 4: TỔNG QUAN VỀ ANDROID VÀ FIREBASE 25 4.1 Giới thiệu hệ điều hành android 25 4.1.1Giới thiệu chung 25 4.1.1 Các phiên Android 26 4.1.2 Kiến trúc hệ điều hành 26 4.2 Giới thiệu tảng Firebase 27 4.2.1 Giới thiệu chung 27 4.2.2 Lịch sử phát triển 28 4.2.3 Cách thức hoạt động 28 vii 4.2.4 Ưu điểm nhược điểm 29 4.2.5 Các dịch vụ cung cấp 29 CHƯƠNG 5: ỨNG DỤNG HỌC SÂU GIẢI QUYẾT BÀI TOÁN BỆNH UNG THƯ DA 31 5.1 Luồng xử lý toán 31 5.2 Xác định yêu cầu ứng dụng 31 5.2.1 Use Case 31 5.2.2 Danh sách Usecase 32 5.2.3 Mô tả Use Case 34 5.2.3.1 Mô tả use case cho User 34 5.2.3.2 Mô tả use case cho Doctor 40 5.2.4 Mơ hình Machine Learning áp dụng - Densenet 201 48 CHƯƠNG 6: THIẾT KẾ VÀ HIỆN THỰC ỨNG DỤNG 50 6.1 Thiết kế hệ thống 50 6.1.1 Sequence Diagram 50 6.1.2 Data Flow Diagram 54 6.2 Thiết kế liệu 55 6.3 Thiết kế giao diện người dùng 56 6.3.1 Giao diện ứng dụng bệnh nhân 56 6.3.2 Giao diện ứng dụng bác sĩ 59 6.4 Mô tả Web Admin 62 6.5 Hiện thực ứng dụng 63 6.6 Mô tả Dataset 63 6.6.1 Thu thập phân loại ung thư: 63 6.6.2 Thu thập dataset 64 CHƯƠNG 7: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN 66 7.1 Tổng kết 66 7.1.1 Những kiến thức đạt 66 7.1.2 Những chức hoàn thành cho ứng dụng 66 7.1.3 Hạn chế khó khăn 66 7.2 Hướng phát triển 66 TÀI LIỆU THAM KHẢO 68 viii DANH MỤC CÁC TỪ VIẾT TẮT CNN: Convolutional Neural Network RNN: Recurrent Neural Network ANN:Artificial Neural Network GANs: Generative adversarial networks UV: Bức xạ tia cực tím AIDS: Hội chứng suy giảm miễn dịch mắc phải DNA: deoxyribonucleic acid GPU:Graphics Processing Unit – xử lý đồ họa API: Application Programming Interface - phương thức trung gian kết nối ứng dụng thư viện khác ix DANH MỤC CÁC BẢNG BIỂU Bảng 4.1.1 Các phiên Android…………………………………………………….26 Bảng 5.2.2.1: Danh sách use case User……………………………………………….32 Bảng 5.2.2.2: Danh sách use case Doctor………………………………… …….… 33 Bảng 5.2.3.1.1: UCDK: Đăng ký……………………………………………… ………… 34 Bảng 5.2.3.1.2: UCDN: Đăng nhập………………………………………… …………… 35 Bảng 5.2.3.1.3: UCDX: Đăng xuất…………………………………………………….……36 Bảng 5.2.3.1.4: UCCD: Gửi yêu cầu chuẩn đoán………………………………… …….37 Bảng 5.2.3.1.5: UCUT: Xem thông tin ung thư …………………………………… ……37 Bảng 5.2.3.1.6: UCCH: Trả lời câu hỏi…………………………….………………………38 Bảng 5.2.3.1.7: UCCA: Chụp ảnh………………………………………… ………………39 Bảng 5.2.3.1.8: UCPH: Xem phản hồi……………………………………….…………….39 Bảng 5.2.3.2.1: UCDND: Đăng nhập…………………………………….……………… 40 Bảng 5.2.3.2.2: UCDXD: Đăng xuất……………………………………….………………41 Bảng 5.2.3.2.3: UCNBN: Nhận hồ sơ…………………………………………………… 42 Bảng 5.2.3.2.4: UCDSC: Xem danh sách chờ………………………………………… 42 Bảng 5.2.3.2.5: UCDCD: Xem danh sách chẩn đoán bệnh……………………… 43 Bảng 5.2.3.2.6: UCCDD: Chẩn đoán bệnh……………………………………………… 44 Bảng 5.2.3.2.7: UCXAD: Xem ảnh………………………………………… …………….44 Bảng 5.2.3.2.8: UCXTL: Xem câu trả lời…………………………………………………45 Bảng 5.2.3.2.9: UCGPH: Gửi phản hồi……………………………………………………46 Bảng 5.2.3.2.10: UCXKQ: Xem kết chuẩn đoán………………………………… 46 Bảng 5.2.3.2.11: UCGYC: Gửi yêu cầu xét nghiệm…………………………….………47 Bảng 6.5.2.1 Bảng dataset………………………………………………………………… 64 Bảng 6.5.2.2 Data Augmentation………………………………………………………… 64 Bảng 6.5.2.3 Data training model………………………………………………………… 64 x DANH MỤC CÁC BIỂU ĐỒ VÀ HÌNH ẢNH Hình 3.1: Mối quan hệ AI, Machine Learning Deep Learning ……………….…9 Hình 3.2.1 Mơ Deep Learning………………………………………………………….…11 Hình 3.3.3 Kiến trúc CNN………………………………………………………….……….…14 Hình 3.3.3a Trường tiếp nhận cục bộ………………………………………………………….…15 Hình 3.3.3b Hidden Layer lớp ẩn 1………………………………………………………….……16 Hình 3.3.3c Hidden Layer lớp ẩn 2………………………………………………………….……16 Hình 3.3.3d Feature map………………………………………………………….………………….16 Hình 3.3.3e Lớp tổng hợp Pooling………………………………………………………….…….17 Hình 3.3.3f Max-pooling units………………………………………………………….………….18 Hình 3.3.3g Neuron đầu CNN………………………………………………………….…18 Hình 3.4.3a Cấu trúc Keras……………………………………………………………………20 Hình 3.4.3b Module xây dựng model……………………………………………………………20 Hình 3.4.3c Sub-module Layers…………………………………………………………… ….…21 Hình 4.1.2 Cấu trúc hệ điều hành Android.………………………………………………27 Hình 5.1 Luồng xử lý tốn……………………………………………………………… 31 Hình 5.2.1a Usecase User………………………………………………………….………….31 Hình 5.2.1b Usecase Doctor………………………………………………………….……….32 Hình 5.2.4 Mơ hình Densenet 201………………………………………………………….…….48 Hình 5.2.4a Khối lớp tích chập………………………………………………………………48 Hình 5.2.4b Chi tiết Parameter……………………………………………………………….49 Hình 6.1.1a Đăng ký (User)………………………………………………………….…………….50 Hình 6.1.1b Đăng nhập (User)………………………………………………………….…………50 Hình 6.1.1c Chẩn đốn bệnh (User)………………………………………………………….….51 Hình 6.1.1d Xem ảnh (Doctor)……………………………………………………………………51 Hình 6.1.1e Xem danh sách bệnh nhân chẩn đốn (Doctor)…………………………51 Hình 6.1.1f Xem danh sách bệnh nhân chờ (Doctor)……………………………….52 6.Hình 6.1.1g Đăng nhập (Doctor)………………………………………………………….……52 Hình 6.1.1h Gửi phản hồi (Doctor)………………………………………………………… … 53 Hình 6.1.1i: Xem danh sách câu trả lời (Doctor)…………………………………………… 53 Hình 6.1.1k Gửi yêu cầu xét nghiệm (Doctor)…………………………………………….…53 Hình 6.1.1l: Xem kết xét nghiệm (Doctor)……………………………………………….54 Hình 6.1.2 Data flow cho bác sĩ………………………………………………………….……….54 Hình 6.1.2c Data flow cho Admin………………………………………………………….… 55 Hình 6.2a Entity Relationship Diagram phía User…………………………………… … 55 Hình 6.2b Entity Relationship Diagram phía Doctor………………………………………56 Hình 6.3.1a Giao diện đăng nhập………………………………………………………….…… 56 Hình 6.3.1b Giao diện đăng ký.………………………………………………………… ….… 57 Hình 6.3.1c Giao diện đăng nhập thành cơng.…………………………………… … 57 Hình 6.3.1d Giao diện chọn vị trí chụp ảnh bệnh………………………………………58 Hình 6.3.1e, Giao diện điền thơng tin gửi u cầu…………………………………… 58 xi Hình 6.3.1f Giao diện theo dõi yêu cầu gửi feedback………………………………59 Hình 6.3.2a Giao diện đăng nhập………………………………………………………….………59 Hình 6.3.2b Giao diện đăng nhập thành cơng……………………………………… …60 Hình 6.3.2c Giao diện hình chờ, nhận hồn thành u cầu.………………… 60 Hình 6.3.2d Giao diện nhận u cầu chuẩn đốn……………………………… 61 Hình 6.3.2e Giao diện u cầu hồn thành…………………………………….61 Hình 6.4a Giao diện chính………………………………………………………….……………… 62 Hình 6.4b Giao diện tạo tài khoản………………………………………………………….…… 62 Hình 6.4c Giao diện chỉnh sửa thơng tin…………………………………………………… …63 Hình 6.6.1 Phân loại ung thư………………………………………………………….……………64 Hình 6.6.2 Kết training model…………………………………………………………… …65 xii CHƯƠNG 1: TỔNG QUAN 1.1 Lý chọn đề tài Ngày xã hội ngày phát triển đại, hướng tới tầm cao Những máy móc, thiết bị, robot tự động tạo nhằm phục vụ cho hoạt động người, giúp người thực công việc phức tạp đòi hỏi phải đáp ứng tốt sức lực lẫn trí óc Để tạo nên thứ đại người áp dụng loại công nghệ tương lai có tên Machine Learning Machine Learning(máy học) ngành học cung cấp cho máy tính khả học hỏi mà khơng cần lập trình cách rõ ràng Hiện Machine Learning xu hướng phát triển nhanh chóng nhiều ngành lĩnh vực khác nhau, nhờ vào đời thiết bị máy cảm ứng tự động Các ứng dụng Machine Learning trở nên quen thuộc như:  Xe tự lái, giảm thiểu tai nạn Google? Chính chất machine learning  Các ưu đãi recommendation online Amazon & Netflix? Ứng dụng Machine Learning sống ngày  Muốn biết người dùng nói bạn Twitter? Machine Learning kết hợp với sáng tạo quy tắc ngôn ngữ  Nhận diện lừa đảo? Một nhu cầu sử dụng hiển nhiên ngày Biết tầm quan trọng phát triển ứng dụng Machine Learning tương lai nên nhóm chúng em định chọn đề tài cho đồ án tốt nghiệp “Phát sớm bệnh ung thư da thông qua ảnh chụp từ điện thoại” 1.2 Mục tiêu đề tài - Áp dụng ngôn ngữ Java làm app android triển khai Firebase - Áp dụng thuật toán CNN phân tích ảnh: tìm model tốt để xử lý ảnh ung thư da - Liên kết App với model máy học xử lý ảnh từ ảnh chụp điện thoại 1.3 Đối tượng tìm hiểu - Ngơn ngữ Java tảng Firebase - Machine Learning: thuật toán CNN, thư viện hỗ trợ Keras,numpy,os, cv2 CHƯƠNG 2: TỔNG QUAN VỀ BỆNH UNG THƯ DA 2.1 Định nghĩa Ung thư da - tăng trưởng bất thường tế bào da, thường phát triển da tiếp xúc với ánh nắng mặt trời Nhưng hình thức phổ biến bệnh ung thư xảy vùng da không thường tiếp xúc với ánh sáng mặt trời Có ba loại ung thư da - ung thư biểu mô tế bào đáy, ung thư biểu mơ tế bào vảy u ác tính Có thể làm giảm nguy ung thư da cách hạn chế tránh tiếp xúc với xạ tia cực tím (UV) Kiểm tra da với thay đổi đáng ngờ giúp phát ung thư da giai đoạn sớm Phát sớm ung thư da mang lại cho hội lớn cho điều trị thành công ung thư da 2.2 Các triệu chứng 2.2.1 Trường hợp phát triển ung thư da Ung thư da phát triển chủ yếu vào vùng da tiếp xúc ánh nắng mặt trời, bao gồm, da mặt, môi, tai, cổ, ngực, cánh tay bàn tay, chân phụ nữ Nhưng hình thành khu vực mà tiếp xúc với ánh nắng lịng bàn tay, bên móng tay, khoảng trống ngón chân móng chân vùng sinh dục Ung thư da xảy đến với người, tất màu da, bao gồm người có da tối Khi khối u ác tính xảy người có màu da tối, nhiều khả xảy khu vực thường không coi tiếp xúc với ánh nắng mặt trời 2.2.2 Ung thư tế bào đáy Ung thư tế bào đáy thường xảy khu vực ánh nắng mặt trời tiếp xúc thể, chẳng hạn mặt, tai da đầu Ung thư tế bào đáy xuất như: -Một vết sưng ngọc trai sáp -Một vết sẹo phẳng, tổn thương màu da màu nâu 2.2.3 Ung thư tế bào vảy Thông thường, ung thư biểu mô tế bào vảy xảy khu vực chịu nắng thể, chẳng hạn mặt, môi, tai tay Ung thư tế bào vảy xuất như: -Một nhóm, màu đỏ hạch -Tổn thương phẳng với vảy, cặn bề mặt 2.2.4 U ác tính -Lớn với đốm nâu sẫm màu -Nốt ruồi thay đổi màu sắc, kích thước cảm thấy hay chảy máu -Một tổn thương nhỏ với biên giới khơng bình thường, phần xuất màu đỏ, trắng, xanh màu xanh đen -Tổn thương đến vào lòng bàn tay, lịng bàn chân, ngón tay hay ngón chân, màng nhầy niêm mạc miệng, mũi, âm đạo hay hậu môn 2.2.5 Các dấu hiệu loại ung thư da phổ biến -Sarcoma Kaposi Hình thức ung thư da phát triển mạch máu da gây mảng tím đỏ da màng nhầy Sarcoma Kaposi chủ yếu xảy người có hệ thống miễn dịch suy yếu, chẳng hạn người có AIDS, người dùng thuốc ức chế miễn dịch tự nhiên, chẳng hạn người trải qua cấy ghép nội tạng Sarcoma Kaposi xảy người lớn tuổi Địa Trung Hải -Ung thư tế bào Merkel Nốt bóng xảy da nang lông Ung thư tế bào Merkel thường tìm thấy vùng tiếp xúc với mặt trời đầu, cổ, cánh tay chân -Ung thư biểu mô tuyến bã nhờn Bệnh ung thư phổ biến bắt nguồn từ tuyến dầu da Ung thư biểu mô tuyến bã nhờn, thường xuất nốt cứng, khơng đau - phát triển nơi nào, phần lớn xảy mí mắt, nơi thường xuyên bị nhầm lẫn với vấn đề mí khác 2.3 Nguyên nhân Ung thư da xảy lỗi (đột biến) hình thành DNA tế bào da khỏe mạnh Các đột biến gây tế bào phát triển ngồi tầm kiểm sốt tạo thành khối tế bào ung thư 2.3.1 Các tế bào liên quan đến bệnh ung thư da Ung thư da bắt đầu vào lớp da - lớp biểu bì Lớp biểu bì lớp mỏng cung cấp nắp bảo vệ tế bào da thể liên tục Lớp biểu bì có chứa ba loại tế bào:  Tế bào vảy nằm bề mặt bên chức lớp lót bên da  Tế bào đáy, sản xuất tế bào da mới, bên tế bào vảy  Melanocytes - sản xuất melanin, sắc tố cung cấp màu da bình thường - đặt phần lớp biểu bì Melanocytes sản xuất melanin nhiều ánh nắng mặt trời để giúp bảo vệ lớp sâu da Extra melanin tạo màu da rám nắng tối Hình 6.1.1l: Xem kết xét nghiệm (Doctor) 6.1.2 Data Flow Diagram Hình 6.1.2a Data flow cho bệnh nhân Hình 6.1.2 Data flow cho bác sĩ 54 Hình 6.1.2c Data flow cho Admin 6.2 Thiết kế liệu Hình 6.2a Entity Relationship Diagram phía User 55 Hình 6.2b Entity Relationship Diagram phía Doctor 6.3 Thiết kế giao diện người dùng 6.3.1 Giao diện ứng dụng bệnh nhân Hình 6.3.1a Giao diện đăng nhập 56 Hình 6.3.1b Giao diện đăng ký Hình 6.3.1c Giao diện đăng nhập thành cơng 57 Hình 6.3.1d Giao diện chọn vị trí chụp ảnh bệnh Hình 6.3.1e Giao diện điền thơng tin gửi yêu cầu 58 Hình 6.3.1f Giao diện theo dõi yêu cầu gửi feedback 6.3.2 Giao diện ứng dụng bác sĩ Hình 6.3.2a Giao diện đăng nhập 59 Hình 6.3.2b Giao diện đăng nhập thành cơng Hình 6.3.2c Giao diện hình chờ, nhận hồn thành yêu cầu 60 Hình 6.3.2d Giao diện nhận u cầu chuẩn đốn Hình 6.3.2e Giao diện u cầu hồn thành 61 6.4 Mơ tả Web Admin  Đường dẫn truy cập: https://webadminfrontend-pchohu4vcqas.a.run.app/?fbclid=IwAR3Is-flEH3j3qcwxZgNdOg8CpGBcD0IXtalenc9CSmjqYj1dn9JCxn5fQ Giao diện web quản lý tài khoản Hình 6.4a Giao diện Hình 6.4b Giao diện tạo tài khoản 62 Hình 6.4c Giao diện chỉnh sửa thông tin 6.5 Hiện thực ứng dụng - Ứng dụng chạy tảng Android 4.0 trở lên - Code thuật toán Machine Learning sử dụng Python 3.6 - Sử dụng thư viện máy học Keras - Dữ liệu lưu trữ Firebase 6.6 Mô tả Dataset Dataset:  HARVARD:https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.79 10/DVN/DBW86T  REDI: https://www.dropbox.com/home/REDMED_SKINDATASET  ISIC:https://www.isicarchive.com/#!/topWithHeader/onlyHeaderTop/gallery?filter=%5B%5D Số lượng ảnh: 50000 Image Kích thước ảnh: 600x450 Loại ảnh: ảnh màu Số lớp: lớp (ung thư không ung thư) Số ảnh sử dụng: 50000 ảnh train, 10000 ảnh test 6.6.1 Thu thập phân loại ung thư: - Lành tính - Ác tính 63 Hình 6.6.1 Phân loại ung thư 6.6.2 Thu thập dataset Bảng 6.5.2.1 Bảng dataset Dataset Lành tính Ác tính HARVARD 7400 Img 1900 Img REDI 1500 Img 400 Img ISIC 1500 Img 2200 Img  Chuẩn hóa sử dụng data augmentation: Tổng 8300 Img 1900 Img 3700 Img Bảng 6.5.2.2 Data Augmentation Data Augmentation Lành tính 15500 Img  Sử dụng data để training model nhận diện ảnh ung thư: Bảng 6.5.2.3 Data training model Data Training Model Lành tính 25000 Img Ác tính 25000 Img Ác tính 31500 Img Size 600 x 450 600 x 450 64  Bảng kết Training Model: Hình 6.6.2 Kết training model 65 CHƯƠNG 7: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN 7.1 Tổng kết 7.1.1 Những kiến thức đạt Hiểu rõ Machine Learning thuật toán CNN, biết thư viện hỗ trợ cho việc xây dựng model, tính tốn, lấy đường dẫn, cách chuẩn bị dataset, cách train model để có độ xác cao, cách tính độ xác, biết thêm số cú pháp Python, dịch vụ cung cấp Firebase, cách thêm Firebase vào ứng dụng android 7.1.2 Những chức hoàn thành cho ứng dụng Bệnh nhân:  Cho phép bệnh nhân gửi yêu cầu chẩn đoán bệnh bao gồm chụp ảnh trả lời câu hỏi  Cho phép bệnh nhân xem phản hồi bác sĩ yêu cầu chẩn đoán Bác sĩ:  Có thể nhận bệnh nhân danh sách chẩn đốn để tiến hành chẩn đốn  Xem thông tin bệnh nhân gửi yêu cầu chẩn đoán bệnh  Gửi phản hồi lại cho bệnh nhân 7.1.3 Hạn chế khó khăn Hạn chế: Do thời gian làm đồ án có hạn nên ứng dụng cịn thiếu số chức nhỏ khơng ảnh hưởng đến hoạt động ứng dụng Giao diện chưa đẹp bắt mắt so với ứng dụng phổ biến Ứng dụng phát triển tảng android, tốc độ xử lý cịn chậm Khó khăn: Vì lần tiếp xúc làm việc với machine learning nên phải nhiều thời gian để tìm hiểu cách xử lý cách hoạt động thuật tốn Khó khăn việc kết hợp machine learning với ứng dụng android, việc tìm kiếm tập liệu (dataset) ảnh ung thư da Cấu hình máy yếu gây thời gian việc train model Tốn tiền thời gian mua host khơng có sẵn host free với đủ dung lượng để chứa code tạo API 7.2 Hướng phát triển Để ứng dụng hồn thiện cần phải tiếp tục hoàn thành chức sau: Bệnh nhân:  Bệnh nhân xem thơng tin bệnh ung thư da  Bệnh nhân tùy chỉnh lại ngơn ngữ ứng dụng 66  Bệnh nhân cập nhật lại thơng tin tài khoản  Nhận yêu cầu xét nghiệm hướng dẫn xét nghiệm từ bác sĩ Bác sĩ:  Có thể gửi yêu cầu xét nghiệm cho bệnh nhân mà bác sĩ phụ trách phản hồi  Xem danh sách bệnh nhân chẩn đoán khứ  Nhận thơng báo từ ứng dụng có bệnh nhân gửi yêu cầu xét nghiệm hay bệnh nhân nhận có kết xét nghiệm 67 TÀI LIỆU THAM KHẢO [1] https://towardsdatascience.com/review-densenet-image-classificationb6631a8ef803 [2] https://machinelearningcoban.com/2018/07/06/deeplearning/ [3] http://vietnamnet.vn/vn/suc-khoe/cac-loai-benh/ung-thu/cac-giai-doan-cua-ungthu-da-ma-ban-nen-biet-389047.html [4] https://towardsdatascience.com/applied-deep-learning-part-1-artificial-neuralnetworks [5] https://firebase.google.com/docs/android/setup [6] https://azure.microsoft.com/en-gb/overview/what-is-azure/ 68 ... tra da với thay đổi đáng ngờ giúp phát ung thư da giai đoạn sớm Phát sớm ung thư da mang lại cho hội lớn cho điều trị thành công ung thư da 2.2 Các triệu chứng 2.2.1 Trường hợp phát triển ung thư. .. ruồi bất thư? ??ng, xem chúng thư? ??ng xuyên thay đổi Các tổn thư? ?ng tiền ung thư da Có tổn thư? ?ng da biết đến actinic keratoses làm tăng nguy phát triển ung thư da Tăng trưởng tiền ung thư da thư? ??ng... ngày Biết tầm quan trọng phát triển ứng dụng Machine Learning tương lai nên nhóm chúng em định chọn đề tài cho đồ án tốt nghiệp ? ?Phát sớm bệnh ung thư da thông qua ảnh chụp từ điện thoại? ?? 1.2 Mục