Ứng dụng học sâu cho phân loại ảnh ung thư vú

BỌ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC su PHẠM THÀNH PHĨ HỊ CHÍ MINH Phạm Thị Ngọc Linh ỦNG DỤNG HỌC SÂU CHO PHÂN LOẠI ÁNH UNG THU vú Chuyên ngành: Khoa học máy tính Mã SỐ: 8480101 LUẬN VĂN THẠC sĩ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DÁN KHOA HỌC: • PGS TS PHẠM THẾ BÁO TS NGUYÊN VIÉT HƯNG Thành phố Hồ Chí Minh - 2022 LỜI CAM ĐOAN Tôi xin cam đoan luận van "ứng dụng học sâu cho phân loại ánh ung thư vú” tim hiểu, nghiên cứu thực hướng dần cùa quý Thầy PGS TS Phạm The Bao TS Nguyền Viết Hung Luận vàn khơng có chép từ tài liệu, cơng trình nghiên cứu khác mà khơng ghi rõ nguồn tài liệu tham khào Kết quà thực nghiệm trình bày luận văn khách quan chưa dtrợc cồng bố cơng trinh nghiên cứu khác Thành phố Hồ Chí Minh, ngày 25 thủng 04 nám 2022 Tác già Phạm Thị Ngọc Linh LỜI CÁM ƠN Lời nói dầu tiên, tơi xin gửi lời càm ơn sâu sac den quý Thầy hướng dẫn cùa PGS TS Phạm 'rhe Báo TS Nguyễn Viết Hưng Quý Thầy đinh hướng, trực tiếp hướng dẫn nhiệt tinh giúp đờ chi bao suốt q trình thực luận văn nảy Tơi xin chân thành cảm ơn quý Thầy (rực tiếp giăng dạy VÌI truyền đạt kiến thức cho tơi suốt q trình học tập vừa qua trường Đại học Sư phạm Thành phố HỒ Chí Minh Tơi xin dược cam ơn hỗ trợ den từ quý Thầy Cô cơng tác Phịng Sau đại học Khoa Cơng nghệ thông tin trường Dại học Sư phạm Thành phố Hồ Chí Minh bạn học viên khóa khống thời gian tơi học tập trường Dồng thời, xin gửi lời cam ơn đến quý Thầy Cô Ban Giám Hiệu, tố Tin hục trường THPT chuyên Trần Htmg Đạo đà tạo điều kiện hỗ trợ nhiều q trình đơi di học Cuối cùng, xin gứi lời cám ơn đền bạn bồ, người thản vã đặc biệt đẳng sinh thành cùa Mẹ người úng hộ dịnh tơi ln cho tơi động lực đê tơi hồn thành luận văn Trong trình thực luận vãn dù gặp nhiều khó khản áp lực từ cơng việc có nhiều biến cố xáy ra, tơi cố gắng để hồn thiện luận vàn Tuy nhiên, luận vàn không tránh khói thiếu sót Tơi mong góp ý cùa quý Thầy Cô anh chị em dồng nghiệp Xin chân thành cam ƠT1! Thành phu Hồ Chí Minh, ngày 25 tháng 04 nám 2022 Tác giá Phạm Thị Ngọc Linh MỤC LỤC Lời cam đoan Lời câm ơn Danh mục kí hiệu từ viết tắt Danh mục bàng biểu Danh mục hình vỗ Danh mục biểu đồ MỠ ĐÀU Chương TỎNG QUAN 1.1 Bài toán phân loại ánh ung thư vú IDC 1.1.1 Vấn đề cua toán 1.1.2 Hiệu quà mang lại giãi toán .6 1.2 Các hưởng tiếp cận .6 1.3 Khó khăn thách thức 13 1.4 Phạm vi để tài .15 1.5 Đe xuất hướng giai 15 Chương co SỞ LÝ THUYẾT .16 2.1 Bệnh học kỹ thuật so 16 2.1.1 Giới thiệu .16 2.1.2 Những ưu điểm hạn chế thực hành DP 17 2.2 Ánh toàn trang chiếu 18 2.3 Mạng nơ-ron nhàn tạo 19 2.3.1 Giới thiệu .19 2.3.2 Biếu diền mạng nơ-ron 20 2.4 Mạng học sâu 22 2.4.1 Giới thiệu .22 2.4.2 Mạng CNN 23 Chương XÂY DỤNG GIÃI THUẬT 25 3.1 Tống quan 25 3.2 Đánh giá chắt lượng ánh không gian mù 26 3.3 Xây dựng kiến trúc mạng 28 3.3.1 Mô tà kiến trúc ntạng đề xuất 28 3.3.2 Hàm lồi hàm tối ưu 29 3.4 Phương pháp đánh giá 30 3.4.1 Dộ xác 30 3.4.2 Ma trận nhầm lần 30 Chương KẾT QUẢ VÀ ĐÁNH GIÁ 33 4.1 Dừ liệu 33 4.2 Môi trường thực nghiệm .34 4.3 Các siêu tham số huấn luyện 35 4.4 Kct thực nghiệm đánh giá .35 Chương KÉT LUẬN VÀ HƯỚNG PHÁT TRIÈN 46 5.1 Kết đạt 46 5.2 Đóng góp cùa luận vãn .46 5.3 Hướng phát triển 46 TÀI LIỆU THAM KHẢO 48 DANH MỤC CÁC KÍ HIỆU VÀ TỪ VIẾT TÁT Từ viết tắt Từ viết dầy dii BRISQƯE Blind/ Refcrenceless Image Spatial Quality Evaluator CNN Convolutional Neural Network DNN Deep Neural Networks DP Digital I typology HF Handcraft Features IDC Invasive Ductal Carcinoma IQA Image Quality Assessment NSGA-IĨ Noil-dominated Sorting Genetic Algorithm WSI Whole Slide Image DANH MỤC CÁC BÁNG BIÊU Bang 1.1 Kiến trúc mạng AlexNet Andrew vả Anant đề xuất 10 Bang 3.1 Bang mô tà ma trận nham lần .31 Bang 4.1 Thống kê số lượng mầu cúa tập dừ liệu .34 Bâng 4.2 Bang đối sánh kết q huấn luyện cùa mơ hình mơ hình tập liệu gốc khơng tãng cường ành có sử dụng IQA phương pháp Cross-validation 38 Bàng 4.3 Bang đối sánh kết qua huấn luyện cua mơ hình mơ hình tập dừ liệu gốc có tâng cường tập huấn luyện bang phương pháp Cross- Validation 39 Bang 4.4 Bang đoi sánh kết quà kicm thư tập dừ liệu gốc có tâng cường dừ liệu huấn luyện cùa mơ hình đề xuất mơ hình cùa tác già Malm phương pháp Cross-validation dánh giá tập kiểm thứ 40 Bang 4.5 Bang kết quà huấn luyện mị hình đề xuất Malm tập dừ liệu gốc với phương pháp Hold-out có sứ dụng 1QA không sư dụng IQA .41 DANH MỤC CÁC HÌNH VÈ Hình 1.1 Kiến trúc CNN dược dề xuất bời Cruz cộng Hình 1.2 Minh họa quy trinh lấy mẫu bảng kỳ thuật Grid Sampling, (a) Một WSI với thích thú cơng từ nhà nghiên cứu bệnh học (b) WSI phân chia thành ban vá hình ánh Các mầu chi lấy vùng lưới màu Hình 1.3 Kiến ưúc mạng sớ cùa nhóm tác giá 12 Hình 1.4 Bốn kiến trúc mạng xây dựng kiến trúc sờ nhóm tác già 13 Hình 2.1 Hệ thống bệnh học kỳ thuật số 16 Hình 2.2 Te bào thần kinh sinh học 19 Hĩnh 2.3 Mạng thần kinh sinh học tố chức thành nhiều lớp .20 Hình 2.4 Mơ hình ANN tổng quát .20 Hình 2.5 Một mạng nơ-ron dơn gián với tham số cho trước .21 Hình 2.6 Quá trình tính tốn đe giám sai sổ băng lan truyền ngược 21 Hình 2.7 Lịch sử học sâu .23 Hình 2.8 Một ví dụ mạng học sâu CNN .24 Hình 3.1 Giái thuật phân loại ánh IDC phương pháp đe xuất .25 Hĩnh 3.3 Phân phối cua cường độ diêm ánh sau chuẩn hóa hình ánh a) Ánh có gán nhăn IDC từ tập dừ liệu ánh ung thư vú b) Biểu đỗ phân phối cường dộ diêm ánh chuẩn hóa MSCN ánh 28 Hình 3.4 Kiến trúc mạng dược đe xuất 29 Hình 4.1 Một ví dụ ánh gán nhãn không phái ung thư vú IDC 33 Hình 4.2 Một ví dụ anh gán nhãn ung thư vú IDC 33 Hỉnh 4.3 Thổng kê kết qua ILSVRC qua năm 43 bốn hướng lẫn cận cùa điềm DANH MỤC CÁC BIÊU ĐÔ Biểu đổ 4.1 Biểu dồ hàm lồi 35 Biếu đồ 4.2 Biểu đồ $0 sánh độ đo ACC cùa cíỉc mị hình thực nghiệm .44 Bicu đồ 4.3 B1CU đồ so sánh Precision mơ hình thực nghiệm 44 Biểu đồ 4.4 Biểu đồ so sánh độ đo Recall cua mơ hình thực nghiệm .45 Biêu đồ 4.5 Biẻu đồ so sánh độ đo F1 cùa mơ hình thực nghiệm 45 MỚ ĐẤU Lý chọn đề tài Ung thư đà nhừng vắn đe khó khàn cùa y khoa xã hội, ung thư vú lã cân bệnh ác tính thirờng gập nữ giới Hang năm, giới có khống hai triệu người chẩn đoán bị ung thư vú khống sáu trăm nghìn người tư vong bệnh I ] Theo thống kê cùa GLOBOCAN năm 2020 Việt Nam có gần trâm tám mươi nghìn ca mắc ung thư hai mươi nghìn người mắc bệnh ung thư vú [11 Cũng nám 2020, Việt Nam ghi nhận chín nghìn trường hợp tử vong bệnh Đây thực so đáng lo ngại, moi quan tâm toàn xà hội Trong số tất cà loại ung thư vú ung thư biểu mô ống xâm lấn (Invasive Ductal Carcinoma - IDC) phổ biến nhất, chiếm gần 80% tất cá chân đoán [2J [3], [4J IDC loại ung thư xuất phát từ tế bào lót dẫn sừa làm nhiệm vụ mang sừa mẹ đến núm vú phá vờ thành ống dẩn xâm lấn mô lân cận Ngày nhờ vào phát triển cùa công nghệ, nhà nghiên cứu bệnh học áp dụng phương pháp phản tích anh sinh thiết (Whole Slide Image - WSI) Các ânh dừ liệu gán nhãn vùng có nguy bị ung thư ảnh thu thập dược từ bệnh nhân mac bệnh IDC từ ànlì nhà giãi phẫu bệnh có thề xác định mức dộ phát triền cùa bệnh - q trình cịn gọi phân loại khối u - đê dự đoán kết quà cua bệnh nhân dề xuất lộ trinh điều trị thi Việc phát tricn phương pháp hiệu đe tự động phát ung thư biêu mô ống xâm lấn việc phân loại mức độ phát triển cùa khối u đưa két dự đoán cho bệnh nhân vần vấn đe thách thức cho nhà nghiên cứu bệnh học, nhà nghiên cứu nhiều thời gian dề qt lượng lớn hình ành mơ lành bệnh có sần dể xác định vùng ác lính tiêm ân 39 Bảng 4.3 Báng dổi sánh kết huấn luyện cùa mơ hình ỉ mơ hình tập dử liệu gốc có (ăng cường tập huấn luyện phưong pháp Cross-validation Dữ liệu huấn luyện (có tăng cường) Dừ liệu kiềm tra chéo A+B A+B (90%) (10%) Mơ hình ACC 0.82 0.80 Precision Recall 0.84 0.78 0.77 0.84 Fl 0.82 0.80 Ghi 40 Bảng 4.4 Báng dổi sánh kết kiếm thứ tập dử liệu gốc có tăng cường liệu huấn luyện cùa mơ hình dề xuất mơ hình cùa tác già Malm Ị16Ị bàng phương pháp Cross-validation đánh giá tập kiểm thứ Dù liệu huấn luyện (huấn luyện, kiểm tra chéo) Dử liêu • kiểm thứ A A (90%) (10%) Mơ hình (10%) A3 (90%) (10%) 0.74 0.67 0.70 0.78 0.50 0.81 0.75 0.67 0.71 0.75 0.48 0.59 0.77 0.78 0.77 0.79 0.77 0.70 0.73 0.82 0.86 0.79 0.79 0.83 0.84 0.78 0.78 0.76 0.82 A2 A+B A+B A+B (80%) (10%) (10%) 0.82 0.83 0.81 0.81 0.78 A4 0.84 0.80 0.76 0.80 0.81 Ghi 0.61 0.78 B A3 0.83 1 AI (10%) Fl 0.82 AI (10%) Recall A2 (90%) Precision B Al AI ACC 0.79 0.83 0.81 0.81 0.77 IQA 41 Báng 4.5 Báng kết q huấn luyện ciia mơ hình dề xuất Malm í 16] trcn tập liệu gốc vói phuưng pháp Hold-out có sử dụng 1QA khơng sử dụng IQA Dử liệu huấn luyện Dữ liệu kiểm tra chéo Dừ liêu kiểm thứ • A+B A+B A+B (80 %) (10%) (10%) Mơ hình AI A2 B Precision Recall 0.79 0.76 0.77 0.78 0.76 0.77 0.79 0.85 0.58 0.69 0.79 0.48 0.77 0.77 0.78 0.77 0.78 0.82 Fl Ghi 0.79 B AI ACC A2 0.82 0.80 0.60 0.77 0.79 IQA 42 Báng 4.6 Thống kê hiệu suất mơ hình đề xuất huấn luyện cách chia liệu khác ACC Precision Recall Fl B 0.82 0.64 0.69 0.66 A4 0.82 0.66 0.68 0.76 0.82 0.79 Truừng họp Dữ liệu huấn luyện (huấn luyện, kicm tra chéo) Dữ liệu kiểm thứ A (90%), A (10%) Al (90%) Al (10%) A+B (80%) A+B (10%) A+B 0.79 0.71 Ghi Hold-out (10%) Al, A2 B 0.79 0.85 0.58 0.69 Al.B A2 0.77 0.77 0.78 0.77 A (90%) A (10%) B 0.81 0.39 0.84 0.53 A2 0.82 0.86 0.82 0.84 0.78 0.82 B 0.83 0.74 0.67 0.70 A4 0.82 0.77 0.78 0.77 A+B (10%) 0.80 0.84 0.78 0.81 0.81 0.83 A3 (90%), A3 (10%) (tâng cirờng liệu) A+B (90%) A+B (10%) (tăng cường dừ liệu) A (90%) A (10%) (tâng cường liệu) 10 AI (90%) A1 (10%) (tàng cưởng dừ liệu) 11 A+B (80%) A+B(10%) (tăng cưởng dừ liệu) Cross-validation 43 Kết huấn luyện mơ hình cua chúng tơi sau chọn cách chia dừ liệu theo trường hợp thỏ báng 4.7 Kết qua cho thấy hiệu suất mơ hình đề xuất cao chì vịng 50 lần huấn luyện Bảng 4.7 Kết quà chi số đánh giá mơ hình thử nghiệm Sỗ lần ACC huấn luvện •• 25 Precision 0.85 0.80 30 0.82 0.86 40 0.83 0.87 50 0.84 0.84 200 Mạng CNN c Recall Fl 0.80 0.82 0.81 0.82 0.88 0.82 0.87 0.83 0.83 0.84 0.85 0.85 ă có bứt phá thi cùa ILSVRC (ImageNet Large Scale Visual Recognition Challenge) VC thách thức nhận dạng, phân loại anh, từ năm 2012 đến nay, là: AlcxNct [41] VGG-16 [42] ResNet-50 [43] tập liệu, qua hình 4.3 ILSVRC15 ReiNet IISVRC14 GoogleNet ILSVRC'14 IISVRC13 ILSVRC'12 VGG AlenNct lỉình 4.3 Thống kê kết ILSVRC qua năm Ị44Ị Kết q đánh giá hiệu suất cũa mơ hình the bicu đồ 4.3 độ xác ACC, biểu đồ 4.4 độ đo Precision, biếu đồ 4.5 dộ đo 44 Recall biểu đồ 4.6 độ đo Fl Tuy số lớp thiết kế mạng hơn, mỏ hình cua chúng tơi vừa đàm bào hiệu suất cao mang tính ơn định 45 Biểu đồ 4.4 Biểu đồ so sánh độ đo Recall mơ hình thực nghiệm 46 Chng KÉT LUẬN VÀ HƯỚNG PHÁT TRIẾN 5.1 Kết đạt đưọc Bộ phân loại tự động IDC đe xuất mang lại hiệu suắl cao Từ kết thực nghiệm, nhận thấy chất lượng ánh có ánh hường đen việc học cùa mơ hình Hệ thống phân loại cho kết quà khác dối với liệu khác dùng phương pháp BRISQƯE để phân tập Chúng dã chọn dược cách phân chia liệu hợp lý, mang lại hiệu suất cao ôn định phương pháp đánh thực Kết cụ the qua độ đo ACC Precision Recall Fl 84%, 88%, 82% 87% Ket q thực nghiệm mơ hình Malm [16] tâng giá trị độ đo ACC từ - 2% tùy vào cách chia liệu Điểu làm tăng thêm dộ tin cậy cho nhận định cùa chúng tơi 5.2 Dóng góp cùa luận văn Trong trình nghiên cửu thực nghiệm, luận văn giai tốt toán phân loại ung thư vú 1DC Phương pháp mà chúng tơi đề xuất góp phần đánh giá chát lượng dừ liệu dâu vào giúp lựa chọn cách phân tập liệu mang tính tống quát, tối ưu đạt hiệu suất cao cho phân loại IĐC ành WS1 Tuy nhiên, giới hạn thời gian nghiên cứu phương pháp chi thực nghiệm trôn tập dừ liệu ung thư vú Các báng kết qua mà chúng lôi cung cap luận ván phần phan ánh chất lượng ánh đầu vào ánh hưởng đen hiệu suât phân loại tự động IDC 5.3 Hướng phát triền Thơng qua q trình nghiên cứu từ nhiều kiến trúc mạng CNN đà có thực nghiệm, thấy thách thức dặt nhiệm vụ phân loại ánh ung thư vú 1DC không chi lựa chọn mơ hình phù hợp mà cịn cần phái hiếu dừ liệu có cấu trúc Đối VỚI ánh mơ học có cấu 47 trúc phức tạp ngồi mơ ung thư ánh cịn có mơ mờ mà coi nhiều phân tích anh Dần đến bán vá trích xuắt từ mầu mồi WS1 gốc đà có khác nhau, bán vá có nhiều nhiễu, bán vá có nhicu Trong lương lai, SC tập trung nghiên cứu phát triền thuật toán đánh giá độ phức tạp mặt cấu trúc ành mô học dế lựa chọn mẫu dặc biệt dể học nhiều mẫu khác Điều giúp mơ hình học xác thơng tin cần thiết, giam thời gian huấn luyện Dồng thời, qua trình thực nghiệm lựa chọn tham số phù hợp tiến hành phương pháp đe xuất đa dừ liệu Chúng tin ràng, công việc mà hướng đen se cãi thiện hiệu suất láng độ xác cùa hệ thong phân loại anh ung thư vú IDC 48 TÀI LIỆU THAM KHÁO • 111 Ferlay J Ervik M, Lam F, Colombet M, Mery L, Pineros M, Znaor A, Socrjomataram Bray F "Global Cancer Observatory: Cancer Today.” International Agency for Research on Cancer World Health Organization 12 2020 (Online] Available https://gco.iarc.fr/today (Accessed 17 20211 |2| C SDVYT., "Hướng dần Điều Trị Ung Thư Vú dành cho Phụ Nừ." 2016 |3] Carol Desantis Rebecca Siegel Priti Bandi Ahmcdin Jemal, "Breast cancer statistics," A Cancer Journal for Clinicians, 2011 [4] J L Wang A K Ibrahim H Zhuang A Muhamcd Ali A Y Li and A Wu "A study on automatic detection of 1DC breast cancer with convolutional neural networks," in Conference on Computational Science and Computational Intelligence, 2018 (5] Robert A Smith Vilma Cokkinides; Andrew C von Eschenbach; Bernard Levin; Carmel Cohen; Carolyn D Runowicz; Stephen Sencr "American Cancer Society Guidelines," A Cancer Journal for Clinicians, no DOI: 10.3322/canjclin.52.1.8 2002 |6] Jegs "Breast Histology Images," 2017 (Online] Available; https://www.kaggle.com/datasets/simjcg/lymphoma-subtvpc-classification-fl-vs-cll I Accessed 25 2022] |7| F A Spanhol "Automatic Breast Cancer Classification From Histopathological Images: A Hybrid Approach." in Thesis submitted in partial fulfillment of the require- meats for the degree of Doctor in Computer Science, Graduate Program in Computer 2018 18] Gil Patrus Pena Jose' de Souza Andrade-Filho "How Docs A Pathologist Make A Diagnosis” Archives of Pathology & Laboratory Medicine, 2009 19] Metin N Gurcan Laura E Bouchcron Ali Can Anant Madabhushi Nasir M Rajpoot, and Bulent Yener "Histopathological Image Analysis: A 49 Review," IEEE Reviews in Biomedical Engineering, vol 2, pp 147-171, 2009 [10] Angel Cruz-Roa Ajay Basavanhally, Fabio Gonz alez, Hannah Gilmore, Michael Feldman, Shridar Ganesan, Natalie Shih John Tomaszewski and Anant Madabhushi "Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks," Medical Imaging 2014: Digital Pathology, vol 9041.2014 1111 Teresa Araujo, Guilherme Aresla Eduardo Castro, José Rouco, Paulo Aguiar Catarina Eloy Antonio Polonia, and Aurelio Cainpilho, "Classification of breast cancer histology images using Convolutional Neural Networks.” Research Article, 2017 |!2|Djihane Houfan Sihem Slatnia, Okba Kazar Noureddine Zerhouni Abdelhak Merizig, Hamza Saouli, "Machine Learning Techniques for Breast Cancer Diagnosis: Literature Review." in Advanced Intelligent Systems for Sustainable Development, DOI: 10.1007/978-3-03036664-3 28 2020, pp 247-254 [13] Ashraf Osman Ibrahim; Siti Mariyam Shamsuddin "Intelligent Breast Cancer Diagnosis Based on Enhanced Pareto Optimal and Multilayer Perceptron Neural Network." International Journal of Computer Aided Engineering and Technology, vol 10, pp 543-556( 2018 [14] Fabio Spanhol Caroline Petiljea Laurent Heutte "Breast Cancer Histopathological Image Classification using Convolutional Neural Networks." International Joint Conference on Neural Networks , no DOI: 10.1109/IJCNN.2016.7727519, 2016 J15] Andrew Janowczyk, Anant Madabhushi, "Deep learning lor digital pathology image analysis: A comprehensive tutorial with selected use cases," Journal of Pathology Informatics, 2016 50 (161 R Malm, "Cancer Image TensorFlow CNN 80% Valid Acc " 2018 (Online] Available: https://www.kagglc.com/codc/raoulina/cancer-image-tensorflow-cnn-80-valid-acc 1171 Sébastien c Wong Adam Gate, Victor Stamatcscu, Mark D McDonnell "Understanding data augmentation for classification: when to warp?," in International Conference on Digital Image Computing: Techniques and Applications ịDICTA), 2016 118| Jun Sill, Yi l.i.Jte Zhu Haojte Sun, Yin Cai, "Joint sparse coding based spatial pyramid matching for classification of color medical image." Computerized Medical Imaging and Graphics, vol 41 pp 61-66, 2015 119| Scott Doyle Michael D Feldman, Natalie Shih John Tomaszewski, and Anant Madabhushi "Cascaded discrimination of normal, abnormal, and confounder classes in histopathology: Gleason grading of prostate cancer." BMC Bioinformatics, 2012 (20) Hadi Rezaeilouyeh All Mollahosseim and Mohammad H Mahoor, "Microscopic medical image classification framework via deep learning and shearlct transform," Journal of Medical Imaging, vol p 044501, 2016 (211 Matthew G Hanna Liron Pantanowilz "Digital Pathology." in Encyclopedia of Biomedical Engineering, vol University of Pittsburgh Medical Center Pittsburgh PA United Slates Elsevier Inc 2019 pp 524-532 [22] Jonhan Ho Stefan M Ahlers Curtis Stratman Orly Andor Liron Pantanowitz Jeffrey L Fine, John A Kuzmishin Michael c Montalto, Anil V Parwani, "Can digital pathology result in cost savings? A financial projection for digital pathology implementation at a large integrated health care organization," Pathology Informatic, p 5:33 2014 51 (231 Jonathan Bury, Jonathan Griffin, "Digital pathology," in tiancroft's Theory and Practice of Histological Techniques (Eighth Edition) Elsevier, 2019 pp 476-492 (24] Navid Farahani Anil V Parwani and Liron Pantanowilz, "Whole slide imaging in pathology: advantages, limitations, and emerging perspectives," Pathology and Laboratory Medicine International, p 23-33 2014 |25|A Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TcnsorFlow, O'Reilly Media Inc 2019 pp 15 - 495 (26] J D Kelleher Deep Learning, The Massachusetts Institute of Technology 2019 pp 1-158 1271 A F Gad Practical Computer Vision Applications Using Deep Learning with CNNs, Apress Media LLC, 2018, pp 25 - 227 128 J Y LeCun Y Bengio G Hinton "Deep Learning." Nate 2015 1291 Antonio Gulli el al Deep Learning with TensorFlow and Keras 2, Ed., Packt Publishing Ltd 2019 pp 109 - 404 (30] Y LeCun, et al., "Backpropagation Applied to Handwritten Zip Code." Neural Computation, vol no pp 541 - 551 1989 |311 lan Goodfellow, Yoshua Bengio, Aaron Courville Deep Learning, MIT Press, 2016, pp 1-372 |32|Anish Mittal Anush Krishna Moorthy and Alan Conrad Bovik "NoReference Image Quality Assessment in the spatial DomainA." IEEE TRANSACTIONS ON IMAGE PROCESSING, vol 21 pp 4695 - 4708 2012 133] K R Shrimali, "Image Quality Assessment: https://learnopencv.com/image-quality-assessment-brisciue/ (Accessed 17 2018] BRISQUE," 2018 (Online], Available: 52 |34| I) L Ruderman, " The statistics of natural images." Network: Computation in Neural Systems, vol p 517-548 1994 [35] Bernhard Scholkopf Robert c Williamson Peter L Bartlett, "New support vector algorithms." Neural Computation, vol 12 pp 1207-12145, 2000 136| K Sharili and A Leon-Garcia, "Estimation of shape parameter for generalized Gaussian distributions in subband decompositions of video." IEEE Transactions on Circuits and Systems for Video Technology, vol 5, pp 52-56 1995 [371 N E Lasmar Y Stitou Y Berthoumicu "Multiscale skewed heavy tailed model for texture analysis.” in ICIP - IEEE International Conference on Image Processing Cairo Egypt 138J D p Kingma, J L Ba "Adam: A Method For Stochastic Optimization." in ICLR 2015, 2015 |39| J Duchi, E Hazan, and Y Singer, "Adaptive Subgradient Methods for On-line Learning and Stochastic Optimization." Journal of Machine Learning Research, pp 2121 - 2159, 2011 |40| T Tieleman, and G Hinton, "Divide the gradient by a running average of it recent magnitude," Neural Networks for Machine Learning, pp 2631 2012 |41| Alex Krizhevsky Ilya Sutskever and Geoffrey E Hinton "ImageNet Classification with Deep Convolutional Neural Networks," ỊLSVRC, 2012 |42| Karen Simonyan , Andrew Zisserman "Very Deep Convolutional Networks for Large-Scale Image Recognition," ILSVRC, 2014 |431 Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun "Deep Residual Learning for Image Recognition." ILVSRC 2015 53 |44| s Das, "CNN Architectures: I.eNet, AlexNet, VGG, GoogLeNel, ResNet and more ," 16 11 2017 [Online] Available: https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-Vgg-googlenct-rcsnet-and-morc-666091488df5.1 Accessed 2022], |45| s w McCulloch, w Pitts "A logical calculus of the ideas immanent in nervous activity." Bulletin of Mathematical Biophysics, vol pp 115-133 1943 ... sư dụng mơ hình học sâu - mơ hình liên tiền lình vực máy học - để phân loại ãnh ung thư vú IDC có hay không dựa vào ánh WSI mô vú với ten đề tài ? ?Ung dụng học sâu cho phân loại ãnh ung thư vú" ... luận cho toán phân loại ánh ung thư y học nguồn tài liệu tham khao cho cộng đồng nghiên cứu phân loại ung thư vú IDC dựa anh sinh thiết vú mật thực tiễn: I.uận vãn cung cấp phương pháp phân loại. .. loại ành ung thư vú 1DC y khoa Từ dó có the cung cấp ứng dụng tự dộng nhận dạng tế bào ung thư IDC ành WSI hỗ trợ nhà nghiên cứu bệnh học rút ngăn thời gian phân loại vùng có tế bào ung thư IDC