(Đồ án hcmute) chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN CHẨN ĐỐN MỘT SỐ BỆNH PHỔI SỬ DỤNG XỬ LÝ ẢNH VÀ HỌC SÂU GVHD: TRẦN TIẾN ĐỨC SVTH: NGUYỄN LÊ ĐIỀN MSSV: 16110309 SVTH: NGUYỄN TRƯỜNG TRÁNG MSSV: 16110489 SKL007096 Tp Hồ Chí Minh, năm 2020 an TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA CƠNG NGHỆ THÔNG TIN BỘ MÔN CÔNG NGHỆ PHẦN MỀM - - NGUYỄN LÊ ĐIỀN: NGUYỄN TRƯỜNG TRÁNG: 16110309 16110489 Đề tài: CHẨN ĐOÁN MỘT SỐ BỆNH PHỔI SỬ DỤNG XỬ LÝ ẢNH VÀ HỌC SÂU KHÓA LUẬN TỐT NGHIỆP KỸ SƯ CNTT GIẢNG VIÊN HƯỚNG DẪN ThS TRẦN TIẾN ĐỨC KHÓA 2016 - 2020 an TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA CÔNG NGHỆ THÔNG TIN BỘ MÔN CÔNG NGHỆ PHẦN MỀM - - NGUYỄN LÊ ĐIỀN: NGUYỄN TRƯỜNG TRÁNG: 16110309 16110489 Đề tài: CHẨN ĐOÁN MỘT SỐ BỆNH PHỔI SỬ DỤNG XỬ LÝ ẢNH VÀ HỌC SÂU KHÓA LUẬN TỐT NGHIỆP KỸ SƯ CNTT GIẢNG VIÊN HƯỚNG DẪN ThS TRẦN TIẾN ĐỨC KHÓA 2016 - 2020 an ĐH SƯ PHẠM KỸ THUẬT TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc KHOA CNTT ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên Sinh viên 1: Nguyễn Lê Điền MSSV: 16110309 Họ tên Sinh viên 2: Nguyễn Trường Tráng MSSV: 16110489 Ngành: Công nghệ Thơng tin Tên đề tài: Chẩn đốn số bệnh phổi sử dụng xử lý ảnh học sâu Họ tên Giáo viên hướng dẫn: ThS Trần Tiến Đức NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm: Tp Hồ Chí Minh, ngày tháng Giáo viên hướng dẫn (Ký & ghi rõ họ tên) an năm 2020 ĐH SƯ PHẠM KỸ THUẬT TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh Phúc KHOA CNTT ******* ******* PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên Sinh viên 1: Nguyễn Lê Điền MSSV: 16110309 Họ tên Sinh viên 2: Nguyễn Trường Tráng MSSV: 16110489 Ngành: Công nghệ Thông tin Tên đề tài: Chẩn đoán số bệnh phổi sử dụng xử lý ảnh học sâu Họ tên Giáo viên phản biện: …………………………………………………… NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm: Tp Hồ Chí Minh, ngày tháng Giáo viên phản biện (Ký & ghi rõ họ tên) an năm 2020 LỜI CẢM ƠN Lời nhóm xin phép gửi lời cảm ơn chân thành sâu sắc đến với Khoa Công Nghệ Thông Tin – Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh tạo điều kiện cho nhóm chúng em học tập, phát triển tảng kiến thức sâu sắc thực đề tài Bên cạnh nhóm chúng em xin gửi đến thầy Trần Tiến Đức lời cảm ơn sâu sắc Trải qua trình dài học tập thực đề tài thời gian qua Thầy tận tâm bảo nhiệt tình nhóm chúng em suốt q trình từ lúc bắt đầu kết thúc đề tài Nhờ có tảng kiến thức chuyên ngành vững cộng thêm với kinh nhiệm yêu cầu thực tế ngồi xã hội thơng qua việc học trường chuyến thực tế thu thập ý kiến người dùng Tập thể thầy cô Khoa Công Nghệ Thông Tin đặc biệt thầy Trần Tiến Đức tặng cho chúng em khối lượng kiến thức kinh nghiệm khổng lồ chuyên ngành công việc tương lai Đặc biệt điều giúp thơi thúc chúng em hồn thành đề tài Đây hành trang vô lớn chúng em trước bước sống Tuy nhiên lượng kiến thức vô tận với khả hạn hẹp chúng em cố gắng để hồn thành cách tốt Chính việc xảy thiếu sót điều khó tránh khỏi Chúng em hi vọng nhận góp ý tận tình q thầy(cơ) qua chúng em rút học kinh nghiệm hoàn thiện cải thiện nâng cấp lại sản phẩm cách tốt đẹp Chúng em xin chân thành cảm ơn! Nhóm thực Nguyễn Lê Điền – 16110309 Nguyễn Trường Tráng – 16110489 an Trường ĐH Sư Phạm Kỹ Thuật TP.HCM Khoa Công nghệ Thơng tin ĐỀ CƯƠNG KHĨA LUẬN TỐT NGHIỆP Họ tên Sinh viên 1: Nguyễn Lê Điền MSSV 1: 16110309 Họ tên Sinh viên 2: Nguyễn Trường Tráng MSSV 2: 16110489 Thời gian làm khóa luận: Từ 30/03/2020 đến 19/07/2020 (15 tuần) Chuyên ngành: Công nghệ phần mềm Tên đề tài: Chuẩn đoán số bệnh phổi sử dụng xử lý ảnh học sâu Giáo viên hướng dẫn: ThS Trần Tiến Đức Nhiệm vụ khóa luận: Lý thuyết: • Tìm hiểu tốn chẩn đốn bệnh phổi thơng qua hình ảnh X-Quang phổi • Tìm hiểu xử lý ảnh, học sâu mơ hình pre-trained VGG16, MobileNet, DenseNet121 • Tìm hiểu số phương pháp hỗ trợ cải thiện độ xác đánh giá độ xác mơ hình Thực hành: • Nghiên cứu mơ hình pre-trained VGG16, MobileNet, DenseNet121 • Áp dụng mơ hình vào chẩn đốn bệnh liên quan đến phổi • Sử dụng Flask, thực mơ hình thành sản phẩm tương thích với người dùng Đề cương viết khóa luận LỜI CẢM ƠN DANH SÁCH HÌNH DANH SÁCH BẢNG BIỂU Chương 1: MỞ ĐẦU 1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI 1.2 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN 1.3 MỤC TIÊU NGHIÊN CỨU Chương 2: CƠ SỞ LÝ THUYẾT an Chương 3: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 3.1 KIẾN THỨC CƠ SỞ 3.1.1 Mạng Nơ-ron nhân tạo 3.1.2 Tổng quan xử lý ảnh 3.1.3 Mạng Nơ-ron tích chập 3.1.4 Các mơ hình pre-trained 3.2 ÁP DỤNG VÀO CHẨN ĐỐN CÁC BỆNH PHỔI DỰA TRÊN HÌNH CHỤP X-QUANG 3.2.1 Giới thiệu tập liệu 3.2.2 Phân tích liệu bệnh 3.2.3 Mơ tả toán 3.2.4 Giới thiệu bệnh phổi chẩn đoán 3.2.5 Nền tảng kỹ thuật áp dụng 3.2.6 Các phương pháp hỗ trợ 3.2.7 Các bước xây dựng mô hình chẩn đốn 3.2.8 Triển khai mơ hình Chương 4: KẾT QUẢ, NHẬN XÉT VÀ KẾT LUẬN 4.1 KẾT QUẢ ĐẠT ĐƯỢC 4.2 HẠN CHẾ 4.3 KẾT LUẬN VỀ HƯỚNG PHÁT TRIỂN Chương 5: TÀI LIỆU THAM KHẢO an MỤC LỤC LỜI CẢM ƠN DANH SÁCH HÌNH DANH SÁCH BẢNG BIỂU Chương 1: MỞ ĐẦU 10 1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI 10 1.2 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN 10 1.3 MỤC TIÊU NGHIÊN CỨU 11 Chương 2: CƠ SỞ LÝ THUYẾT 12 Chương 3: NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 14 3.1 KIẾN THỨC CƠ SỞ .14 3.1.1 Mạng Nơ-ron nhân tạo .14 3.1.1.1 Khái niệm Perceptron mạng Perceptron 14 3.1.1.2 Hàm kích hoạt (Activation Functions - AFs) 15 3.1.1.3 Đạo hàm thuật toán giảm độ dốc (Gradient Descent) 17 3.1.1.4 Mạng nơ-ron nhân tạo (Neural Network - NN) 21 3.1.1.5 Lan truyền tiến (Feedforward) 25 3.1.1.6 Lan truyền ngược (Backpropagation) 27 3.1.1.7 Xây dựng mơ hình mạng nơ-ron nhân tạo với ngôn ngữ Python Error! Bookmark not defined 3.1.2 Tổng quan xử lý ảnh 34 3.1.2.1 Ảnh máy tính .34 3.1.2.2 Phép tích chập (convolution) .38 3.1.2.3 Ý nghĩa phép tích chập 40 3.1.3 Mạng Nơ-ron tích chập 41 3.1.3.1 Mạng nơ-ron tích chập gì? .41 3.1.3.2 Phương pháp tích chập 42 3.1.3.3 Cấu trúc mạng nơ-ron tích chập 42 3.1.4 Các mơ hình pre-trained .50 3.1.4.1 Mơ hình pre-trained VGG16 .50 3.1.4.2 Mơ hình pre-trained MobileNet 50 3.1.4.3 Mơ hình pre-trained DenseNet 52 an 3.2 ÁP DỤNG VÀO CHẨN ĐOÁN CÁC BỆNH PHỔI DỰA TRÊN HÌNH CHỤP X-QUANG 53 3.2.1 Giới thiệu tập liệu 53 3.2.2 Phân tích liệu bệnh .57 3.2.3 Mơ tả tốn 59 3.2.4 Giới thiệu bệnh phổi chẩn đoán 60 3.2.4.1 Xẹp phổi (Atelectasis) 60 3.2.4.2 Bóng tim to (Cardiomegaly) 61 3.2.4.3 Tràn dịch màng phổi (Effusion) 62 3.2.4.4 Thâm nhiễm phổi (Infiltration) 64 3.2.4.5 Dạng khối (Mass) 65 3.2.4.6 Dạng nốt (Nodule) .66 3.2.4.7 Viêm phổi (Pneumonia) 68 3.2.4.8 Tràn khí màng phổi (Pneumothorax) 69 3.2.4.9 Đông đặc (Consolidation) 70 3.2.4.10 Phù phổi (Edema) 72 3.2.4.11 Khí phế thũng (Emphysema) 72 3.2.4.12 Xơ hóa (Fibrosis) .75 3.2.4.13 Dày màng phổi (Pleural_Thickening) .76 3.2.4.14 Thoát vị (Hernia) .77 3.2.4.15 COVID-19 78 3.2.5 Nền tảng kỹ thuật áp dụng .79 3.2.5.1 Keras 79 3.2.5.2 Kaggle Notebook .79 3.2.5.3 Flask 80 3.2.6 Các phương pháp hỗ trợ .80 3.2.6.1 Phương pháp đường cong ROC 80 3.2.6.2 Phương pháp Gradient-weighted Class Activation Mapping (Grad CAM) 86 3.2.7 Các bước xây dựng mơ hình chẩn đốn .87 3.2.7.1 Tiền xử lý liệu 87 3.2.7.2 Phân chia tập huấn luyện, thẩm định, kiểm tra .92 3.2.7.3 Xử lý liệu 93 3.2.7.4 Xây dựng mơ hình huấn luyện .95 3.2.7.5 Đánh giá mơ hình 103 3.2.8 Triển khai mơ hình Error! Bookmark not defined Chương 4: KẾT QUẢ, NHẬN XÉT VÀ KẾT LUẬN 115 an Hình 3.75 Biểu đồ thể loại bệnh tập kiểm tra Thực dự đoán tập kiểm tra np_steps = test_gen.n / test_gen.batch_size pred_y = model.predict_generator(test_gen, steps=np_steps, verbose=True) Kết in ra: 802/801 [==============================] - 97s 121ms/step Tính tốn điểm AUROC mơ hình tập kiểm tra: auc = roc_auc_score(test_gen.labels, pred_y) print(f'ROC AUC: {auc}') Kết in ra: Đối với mơ hình DenseNet121 ROC AUC: 0.7751341885402295 Đối với mơ hình MobileNetV2 ROC AUC: 0.7883182574972037 Đối với mơ hình VGG16 104 an ROC AUC: 0.6195372865511413 Vẽ biểu đồ đường cong ROC: fig, c_ax = plt.subplots(1, 1, figsize=(9, 9)) for idx, c_label in enumerate(all_labels): fpr, tpr, thresholds = roc_curve(test_gen.labels[:, idx].astype(int), pred_y[:, idx]) c_ax.plot(fpr, tpr, label=f'{c_label} (AUC: {auc(fpr, tpr)})') c_ax.legend() c_ax.set_xlabel('False Positive Rate') c_ax.set_ylabel('True Positive Rate') Mơ hình DenseNet121 Hình 3.76 Biểu đồ ROC thể độ xác bệnh mơ hình DenseNet121 Mơ hình MobileNetV2 105 an Hình 3.77 Biểu đồ ROC thể độ xác bệnh mơ hình MobileNet Mơ hình VGG16 106 an Hình 3.78 Biểu đồ ROC thể độ xác bệnh mơ hình VGG16 Tìm ngưỡng xác định loại bệnh theo mơ hình từ đường cong ROC: ngưỡng xác định bệnh điểm mà hiệu mẫu dương tính chẩn đốn (True Positive - TPR) với mẫu dương tính chẩn đoán sai (False Positive - FPR) thấp Hay nói cách khác, ta có TPR - (1 - FPR) gần Ngưỡng xác định điểm thỏa điều kiện điểm tối ưu mơ hình chẩn đốn Chúng tơi xác định điểm ngưỡng cho loại bệnh theo mơ sau: DenseNet121 MobileNetV2 VGG16 Atelectasis 9.31 8.64 11.4 Cardiomegaly 0.81 0.65 2.24 Consolidation 3.78 5.53 5.52 Covid19 0.01 5.07 0.45 Edema 1.65 2.74 2.78 107 an Effusion 10.99 12.75 15.33 Emphysema 1.09 3.36 1.96 Fibrosis 0.84 0.92 1.19 Hernia 0.07 0.12 0.13 Infiltration 23.43 25.87 21.6 Mass 3.38 4.61 4.93 Nodule 6.24 6.76 5.21 Pleural_Thickening 2.13 3.66 3.2 Pneumonia 1.11 1.29 0.94 Pneumothorax 2.6 3.22 4.84 Dựa vào ngưỡng xác định bệnh theo mơ hình, chúng tơi lập ma trận confusion cho tập liệu kiểm tra: Mơ hình DenseNet121 Atelectasis 2237 Pneumothorax Pneumonia Pleural_Thickening Nodule Mass Infiltration Hernia Fibrosis Emphysema Effusion Edema Covid19 Consolidation Atelectasis Cardiomegaly Bảng 3.8 Ma trận confusion cho tập liệu với model DenseNet121 807 1443 109 839 967 818 943 1104 849 905 677 1230 1524 834 Cardiomegaly 321 838 382 78 385 314 102 314 407 341 163 144 324 516 128 Consolidation 617 489 1396 103 824 693 328 395 333 820 516 468 602 1041 437 Covid19 19 17 37 24 26 10 13 17 19 12 15 Edema 246 287 619 59 717 280 67 157 66 439 194 269 207 520 138 Effusion 1834 1230 2739 153 1685 3683 833 1233 1085 1583 1497 1084 2042 2479 1086 Emphysema 339 129 380 52 157 297 797 342 272 208 383 295 513 211 444 Fibrosis 119 62 148 39 68 143 133 303 146 118 131 151 248 176 163 19 20 23 33 45 62 34 29 35 24 12 Hernia 43 108 an Infiltration 1738 1560 3444 368 2636 1782 995 1554 1028 3971 1698 1757 2027 3349 1298 Mass 528 288 812 119 360 514 398 553 517 434 1237 648 874 577 523 Nodule 412 264 666 104 430 388 331 552 398 380 604 924 666 635 452 Pleural_Thickening 371 179 534 75 243 450 309 504 314 304 450 378 819 458 425 Pneumonia 154 161 313 43 143 161 85 175 96 189 155 188 204 353 138 Pneumothorax 828 331 1074 144 453 821 1171 1063 721 687 1046 838 1546 754 1930 Mơ hình MobileNetV2 Consolidation Covid19 Edema Effusion Emphysema Fibrosis Hernia Infiltration Mass Nodule Pleural_Thickening Pneumonia Pneumothorax 144 893 223 983 247 93 1700 383 346 321 41 420 Cardiomegaly 305 500 263 154 342 17 31 644 53 79 60 25 31 Consolidation 627 74 986 349 745 71 55 1178 245 325 176 60 175 Covid19 0 43 0 0 0 0 0 Edema 230 44 430 447 315 10 13 507 57 200 34 32 39 Effusion 1939 227 1932 616 3768 234 122 2609 656 677 774 95 530 Emphysema 392 98 45 250 679 23 551 135 130 163 396 Fibrosis 104 16 60 16 139 25 98 244 62 111 118 84 13 11 35 13 12 Infiltration 1711 298 2184 1233 1847 315 212 5509 675 1212 539 175 593 Mass 564 33 482 99 522 130 60 876 909 497 331 16 248 Nodule 419 28 374 150 399 111 84 745 372 773 226 38 221 Pleural_Thickening 391 33 298 82 474 79 99 625 190 247 440 28 250 Atelectasis Cardiomegaly Bảng 3.9 Ma trận confusion cho tập liệu với model MobileNet Atelectasis 2356 Hernia 34 109 an Pneumonia 148 23 214 56 177 16 25 262 67 143 57 28 58 Pneumothorax 918 24 456 135 787 652 129 1475 458 486 680 25 1627 Mơ hình VGG16 Atelectasis 2570 Pneumothorax Pneumonia Pleural_Thicke ning Nodule Mass Infiltration Hernia Fibrosis Emphysema Effusion Edema Covid19 Consolidation Atelectasis Cardiomegaly Bảng 3.10 Ma trận confusion cho tập liệu với model VGG16 2610 1670 358 1880 1190 1300 1420 1720 1300 1800 1190 1080 2540 1130 Cardiomegaly 632 891 542 81 551 326 386 423 549 434 592 325 306 802 390 Consolidation 1140 1500 1400 120 1310 960 642 534 827 1000 1010 454 464 1490 631 Covid19 28 32 22 11 24 23 20 20 21 24 22 17 17 27 17 Edema 768 752 700 47 747 522 303 236 400 436 556 197 217 612 324 Effusion 3010 3810 3090 594 3200 3720 2140 1860 2480 2350 3080 1780 1750 4020 1970 Emphysema 604 908 497 212 517 505 676 723 812 453 656 610 535 883 359 Fibrosis 191 293 133 63 152 151 218 326 301 132 218 200 164 287 186 63 23 21 28 42 59 60 27 38 40 30 57 29 Infiltration 3860 4830 3770 498 3740 2900 2270 2240 3040 4380 3520 1800 1830 4680 2210 Mass 912 1300 678 187 782 612 711 898 975 658 1020 605 577 1230 593 Nodule 833 1150 672 175 670 575 699 861 945 494 724 699 552 1100 608 Pleural_Thickenin 651 g 906 546 178 569 459 576 635 740 457 649 517 571 894 536 Pneumonia 367 437 317 44 172 266 213 220 297 179 324 178 167 444 205 Pneumothorax 1540 2290 1290 546 1320 1200 1420 1790 2010 1210 1770 1500 1440 2210 1720 Hernia 33 Nhận xét: tính chất tập liệu hình ảnh có nhiều bệnh nên tỉ lệ liên quan bệnh lớn, điều khiến việc chẩn đoán nhầm sang bệnh khác 110 an nhiều Tuy nhiên mơ hình MobileNetV2 số lượng chẩn đốn bệnh thực đáng tin cậy 3.2.8 Xây dựng ứng dụng demo 3.2.8.1 Luồng xử lý Hình 3.79 Luồng xử lý ứng dụng demo 3.2.8.2 Mô tả chi tiết Sau khởi chạy server, weight tải lên mơ hình tương ứng Khi server sẵn sàng đáp ứng, yêu cầu từ phía người dùng gửi lên Dữ liệu gửi lên hình ảnh mã hóa base64 định dạng gốc hình Khi server nhận liệu tiến hành xử lý hình ảnh đó: chuyển từ based64 encoded thành định dạng hình resize kích thước hình giống với kích thước u cầu mơ hình Sau đó, hình ảnh đưa qua mơ hình để dự đốn, tùy theo kết dự đốn, hình ảnh lưu lại nơi tương ứng Sau dự đốn hình ảnh qua mơ hình, mơ hình cho kết xác xuất dự đoán bệnh Từ ta so sánh kết dự đốn với ngưỡng loại bệnh theo mơ hình 111 an Nếu kết dự đoán bệnh lớn ngưỡng bệnh ta kết luận hình ảnh ban đầu mắc bệnh tương ứng Với bệnh kết luận ta tiếp tục tiến hành áp dụng phương pháp Grad-CAM để xác định vùng hình ảnh X-Quang có dấu hiệu bệnh Kết trả xác xuất dự đốn mơ hình, kết luận chẩn đốn mơ hình hình ảnh khoanh vùng bệnh tương ứng 3.2.8.3 Kết demo ứng dụng Bước 1: Chọn hình ảnh X-Quang cần chẩn đốn bệnh, chọn vị trí vùng phổi để tăng tỉ lệ chẩn đốn xác bấm nút phân tích Hình 3.80 Bước đầu việc chẩn đoán Bước 2: Xem kết chẩn đoán: Đây kết chẩn đốn hình ảnh X-Quang mơ hình (DenseNet121, MobileNet, VGG16) Ta thấy biểu đồ cho biết tỉ lệ mắc bệnh theo mơ hình 112 an Hình 3.81 Biểu đồ chẩn đoán bệnh Để xác định hình ảnh X-Quang ban đầu mắc phải bệnh theo biểu đồ trên, ta phải so sánh với ngưỡng xác định bệnh theo mơ bảng 113 an Bảng 3.11 Bảng ngưỡng xác định bệnh mơ hình Dưới vùng mà mơ hình xác định mắc bệnh Màu đỏ thể vùng có dấu hiệu bệnh tương ứng Màu vàng thể dấu hiệu tổn thương mức thấp Vùng màu xanh vùng có nguy thấp khơng xác định bệnh 114 an Chương 4: KẾT QUẢ, NHẬN XÉT VÀ KẾT LUẬN 4.1 KẾT QUẢ ĐẠT ĐƯỢC Sau thực xong đề tài, chúng em đạt kết đạt sau đây: - Thứ nhất, tìm hiểu trình bày kiến thức xử lý ảnh, thuật toán CNN kiến thức liên quan - Tìm hiểu cấu trúc mơ hình pre-trained như: VGG16, MobileNet, DenseNet áp dụng vào mơ hình chẩn đốn - Xây dựng mơ hình CNN thực chẩn đốn số bệnh phổi dựa hình chụp X-Quang triển khai thử nghiệm môi trường web 4.2 ƯU ĐIỂM - Kết chẩn đoán tương đối xác số bệnh: Covid-19, Khí phế thủng, bóng tim to, phù phổi - Xây dựng ứng dụng demo có giao diện trực quan - Áp dụng phương pháp Grad-CAM để phân tích chi tiết vùng có vấn đề liên quan tới bệnh chẩn đốn hình ảnh X-Quang - Áp dụng việc chẩn đoán Covid-19 virus Corona gây ra, tạo tiền đề cho việc chẩn đoán bệnh dễ dàng hơn, giúp tiết kiệm thời gian chi phí cho việc xét nghiệm người nhiễm covid tình hình dịch bệnh diễn biến phức tạp 4.3 NHƯỢC ĐIỂM - Độ xác model chưa tối ưu số bệnh: Viêm phổi, thâm nhiễm phổi - Thiếu kiến thức chuyên môn mặt y học để chẩn đốn dấu hiệu bệnh hình ảnh X-Quang - Việc triển khai mơ hình dự đốn mức độ thử nghiệm, chưa ứng dụng vào thực tế để quan sát hiệu đề tài 4.4 KẾT LUẬN VỀ HƯỚNG PHÁT TRIỂN Trong lĩnh vực xử lý ảnh nói chung tốn chẩn đốn bệnh phổi nói riêng rộng lớn nhiều phương pháp, kỹ thuật để nghiên cứu nên nhóm chúng em có hướng phát triển sau: • Cải thiện độ xác cho mơ hình cách: 115 an o Xử lý hình ảnh đầu vào việc xác định xác vị trí vùng phổi để việc huấn luyện xác o Thu thập thêm liệu đầu vào bệnh thoát vị, viêm phổi, phù phổi, xơ hóa, … để cải thiện độ xác mơ hình bệnh • Tìm hiểu, nghiên cứu áp dụng mơ hình vào việc chẩn đốn để kết cho xác nhắm đến mục tiêu ứng dụng thực tiễn hướng đến y tế thông minh, tiện lợi 116 an Chương 5: TÀI LIỆU THAM KHẢO Deep Learning Course Link: https://nttuan8.com/ VGG16 – Convolutional Network for Classification and Detection, Link: https://neurohive.io/en/popular-networks/vgg16/ MobileNetV2 — Light Weight Model (Image Classification) Link: https://towardsdatascience.com/review-mobilenetv2-light-weight-model-imageclassification-8febb490e61c Understanding and visualizing DenseNets, Link: https://towardsdatascience.com/understanding-and-visualizing-densenets-7f688092391a Multi-layer Perceptron Backpropagation Link: https://machinelearningcoban.com/2017/02/24/mlp/ Các phương pháp đánh giá hệ thống phân lớp Link: https://machinelearningcoban.com/2017/08/31/evaluation/ Diễn giải nghiên cứu tiên lượng: ROC (Receiver Operating Characteristic) Link: http://timmachhoc.vn/din-gii-nghien-cu-tien-lng-roc-receiver-operating-characteristic/ Grad-CAM: Gradient-weighted Class Activation Mapping, Link: http://gradcam.cloudcv.org/ Gradient weighted Class Activation Map (Grad-CAM), Link: https://medium.com/@ninads79shukla/gradcam-73a752d368be 117 an an ... NGHỆ PHẦN MỀM - - NGUYỄN LÊ ĐIỀN: NGUYỄN TRƯỜNG TRÁNG: 16110309 16110489 Đề tài: CHẨN ĐOÁN MỘT SỐ BỆNH PHỔI SỬ DỤNG XỬ LÝ ẢNH VÀ HỌC SÂU KHÓA LUẬN TỐT NGHIỆP KỸ SƯ CNTT GIẢNG VIÊN HƯỚNG DẪN... Trường Tráng MSSV 2: 16110489 Thời gian làm khóa luận: Từ 30/03/2020 đến 19/07/2020 (15 tuần) Chuyên ngành: Công nghệ phần mềm Tên đề tài: Chuẩn đoán số bệnh phổi sử dụng xử lý ảnh học sâu Giáo... 16110309 Họ tên Sinh viên 2: Nguyễn Trường Tráng MSSV: 16110489 Ngành: Công nghệ Thông tin Tên đề tài: Chẩn đoán số bệnh phổi sử dụng xử lý ảnh học sâu Họ tên Giáo viên hướng dẫn: ThS Trần Tiến