Luận văn thạc sĩ ứng dụng học máy trong xây dựng phần mềm hỗ trợ xác định tư thế ngồi chuẩn cho bác sỹ trung tâm chuẩn đoán hình ảnh bệnh viện k

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - - TẠ MẠNH CƯỜNG ỨNG DỤNG HỌC MÁY TRONG XÂY DỰNG PHẦN MỀM HỖ TRỢ XÁC ĐỊNH TƯ THẾ NGỒI CHUẨN CHO BÁC SỸ TRUNG TÂM CHUẨN ĐOÁN HÌNH ẢNH BỆNH VIỆN K LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) Hà Nội, năm 2022 e HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - - TẠ MẠNH CƯỜNG ỨNG DỤNG HỌC MÁY TRONG XÂY DỰNG PHẦN MỀM HỖ TRỢ XÁC ĐỊNH TƯ THẾ NGỒI CHUẨN CHO BÁC SỸ TRUNG TÂM CHUẨN ĐỐN HÌNH ẢNH BỆNH VIỆN K Chun ngành: KHOA HỌC MÁY TÍNH Mã số: 8.48.01.01 LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGÔ QUỐC DŨNG Hà Nội, năm 2022 e i LỜI CAM ĐOAN Tơi xin cam đoan: Khóa luận tốt nghiệp với đề tài “Ứng dụng học máy xây dựng phần mềm hỗ trợ xác định tư ngồi chuẩn cho bác sỹ trung tâm chuẩn đốn hình ảnh Bệnh viện K” cơng trình nghiên cứu cá nhân Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Hà Nội, tháng 12 năm 2021 Người thực Tạ Mạnh Cường e ii LỜI CẢM ƠN Em xin gửi lời cảm ơn chân thành tới tập thể Thầy Cô giáo thuộc Học viện Công nghệ BCVT, trang bị cho em kiến thức suốt trình học tập Đặc biệt, em xin gửi lời cảm ơn sâu sắc tới giảng viên - TS Ngô Quốc Dũng, người tận tình, trực tiếp hướng dẫn em suốt trình thực luận văn tốt nghiệp Nhân đây, xin gửi lời cảm ơn tới Ban lãnh đạo, Viện, Khoa, Phòng, Trung tâm, Bộ phận Bệnh viện K nhiệt tình giúp đỡ, cung cấp số liệu tạo điều kiện cho em hoàn thành luận văn tốt nghiệp Xin trân trọng cảm ơn! Hà Nội, tháng 12 năm 2021 Người thực Tạ Mạnh Cường e iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii Mục lục ii Danh mục hình vẽ .v Danh mục bảng biểu vi MỞ ĐẦU .1 Lý chọn đề tài Tổng quan vấn đề nghiên cứu .2 CHƯƠNG PHÂN TÍCH BÀI TỐN PHÂN LOẠI ẢNH TƯ THẾ NGỒI CỦA BÁC SỸ sử dụng mạng nơ-ron 1.1 Tổng quan toán 1.2 Ứng dụng học máy, học sâu phân tích tư ngồi 1.2.1 Học máy 1.2.2 Học sâu 1.2.3 Mạng nơ-ron nhân tạo 1.3 Các nghiên cứu liên quan 14 1.3.1 Nhận diện tư ngồi OpenPose .14 1.3.2 Phân loại tư ngồi dựa cảm biến .17 1.3.3 Nhận diện dáng ngồi với YOLO 19 1.4 Kết luận chương I 21 CHƯƠNG XÂY DỰNG HỆ THỐNG MẠNG NƠ-RON CÓ KHẢ NĂNG PHÂN LOẠI ẢNH TƯ THẾ NGỒI CỦA BÁC SỸ VÀ ĐƯA VÀO SỬ DỤNG THỰC TẾ 22 e iv 2.1 Mô hình đề xuất 22 2.1.1 Ước tính đặc trưng tư người (Pose Estimation) 22 2.1.2 Tiền xử lý đặc trưng tư 28 2.1.3 Xây dựng mạng nơ-ron để phân loại đặc trưng tư người 29 2.2 Xây dựng liệu 30 2.3 Hệ thống huấn luyện mơ hình phân loại đặc trưng tư người .32 2.3.1 Xử lý liệu .32 2.3.2 Xây dựng mơ hình 36 2.3.3 Huấn luyện mơ hình 36 2.3.4 Kết thử nghiệm 38 2.4 CHƯƠNG Kết luận chương II .40 THỰC NGHIỆM VÀ ĐÁNH GIÁ .41 3.1 Các mơ hình thực nghiệm 41 3.2 Đánh giá kết thực nghiệm .42 3.3 Kết luận chương III 46 KẾT LUẬN VÀ KIẾN NGHỊ 47 TÀI LIỆU THAM KHẢO 47 e v DANH MỤC HÌNH VẼ Hình 1.1 Mơ tả lại cách thiết kế nơ-ron nhân tạo so với cấu trúc nơ-ron thần kinh Hình 1.2 Mơ hình mạng nơ-ron kết nối đầy đủ gồm lớp đầu vào, lớp ẩn gồm lớp con, lớp đầu 10 Hình 1.3 Mơ tả mạng nơ-ron tích chập .13 Hình 1.4 Mơ tả mạng nơ-ron hồi quy 14 Hình 1.5: Mơ tả điểm thể đường nối OpenPose 15 Hình 1.6: Bộ liệu thu từ phương pháp tác giả 16 Hình 1.7 Độ xác mơ hình sau 100 vịng lặp huấn luyện 16 Hình 1.8 Giá trị hàm mát mơ hình sau 100 vịng lặp huấn luyện 17 Hình 1.9 Tổng quan bước nghiên cứu phân tích [14] 17 Hình 1.10 Mơ tả liệu thu từ cảm biến đặt ghế [14] .18 Hình 1.11 Định nghĩa số Precision, Recall Accuracy [14] 19 Hình 1.12 Bảng thống kê độ xác thuật toán thử nghiệm Tham khảo trực tiếp nghiên cứu [14] 19 Hình 1.13 Kết chạy mơ hình tác giả với ảnh mẫu [4] .20 Hình 2.1 Sơ đồ xử lý phân loại tư người cho toán phân loại tư ngồi .22 Hình 2.2 Mơ tả 17 điểm khớp mà PoseNet ước tính 24 Hình 2.3 Mơ tả điểm khớp mà BlazePose ước tính 26 Hình 2.4 Mơ tả cấu trúc mạng nơ-ron phân loại đặc trưng tư người 30 Hình 2.5 Mơ tả cấu trúc thư mục liệu 33 Hình 3.1: Sơ đồ tổng quát hệ thống thực nghiệm 41 Hình 3.2 Ứng dụng phân biệt tư lệch phải 42 Hình 3.3 Ứng dụng phân biệt tư cúi người 43 Hình 3.4 Ứng dụng phân biệt tư lệch trái 43 Hình 3.5 Ứng dụng phân biệt tư tốt .44 Hình 3.6 Ứng dụng phân biệt sai tư (cúi người) 44 Hình 3.7 Ứng dụng phân biệt sai tư (lệch phải) 45 e vi Hình 3.8 Ứng dụng phân biệt sai tư (lệch trái) 45 DANH MỤC BẢNG BIỂU Bảng 2.1 So sánh chất lượng mơ hình MoveNet PoseNet Nguồn: Pose estimation and classification on edge devices with MoveNet and TensorFlow Lite – TensorFlow Blog [17] .27 Bảng 2.2 Minh họa chuẩn hóa Min-max với điểm khớp Tọa độ điểm nhân với kích thước ảnh làm trịn thành số ngun để phục vụ cho mục đích minh họa .29 Bảng 2.3 Một số ví dụ liệu xây dựng 31 e MỞ ĐẦU Lý chọn đề tài Bệnh cột sống bệnh thường hay gặp phải, đặc biệt nhân viên văn phòng hay người lao động mơi trường phải ngồi nhiều nói chung Tại Việt Nam, tỷ lệ mắc bệnh Cơ-Xương-Khớp gia tăng nhanh chóng năm gần gây áp lực lớn lên hạ tầng y tế; theo thống kê từ iccare.com.vn, có 30% người 35 tuổi, 60% người 65 tuổi 85% người 80 tuổi mắc bệnh thối hóa khớp bệnh cột sống Việt Nam trở thành nước có tốc độ già hóa dân số nhanh giới với 10,1 triệu người cao tuổi, chiếm 11% Theo chuyên gia y tế, tuổi thọ người nâng cao tỷ lệ mắc bệnh Cơ-Xương-Khớp dần phổ biến Trung tâm Chẩn đốn hình ảnh thành lập ngày 08/09/2017 theo định số 1718/ QĐ-BVK với nhiệm vụ khám chữa bệnh bác sỹ thuộc Trung tâm Chẩn đoán hình ảnh ba sở Bệnh Viện K Bệnh nhân ung thư bệnh nhân điều trị đa mô thức nên việc so sánh kết phim lần chụp đặt nhiều thời gian áp lực cho bác sĩ đọc Đối với bệnh nhân hóa trị xạ trị có hội chẩn phim sau đến chu kỳ điều trị Ngoài bác sỹ phải ngồi đọc chỗ ngày, luôn phải đeo đai lưng thường mỏi vai gáy; thời gian làm sớm từ sáng tới 12 trưa, sau đổi ca Bệnh viện môi trường làm việc nặng nề nhiều áp lực, dễ gây nên vấn đề sức khỏe cho người lao động môi trường Nhiều công việc mơi trường bệnh viện có đặc thù vận động, ví dụ cơng việc chẩn đốn hình ảnh yêu cầu y bác sỹ phải ngồi phân tích hình ảnh nhiều liền, dễ gây nên bệnh, đặc biệt bệnh cột sống Học máy (tiếng Anh: machine learning) lĩnh vực trí tuệ nhân tạo liên quan đến việc nghiên cứu xây dựng kĩ thuật cho phép hệ thống "học" tự động từ liệu để giải vấn đề cụ thể Các thuật toán học máy phù hợp kết hợp với liệu số lượng lớn, tinh chọn, xử lý tốt giải e tốn khó, phức tạp Tính hiệu học máy chứng minh thực tế nhiều lĩnh vực xử lý ngôn ngữ tự nhiên, xử lý ảnh, y sinh, tin sinh Với mục tiêu ứng dụng thành tự Học máy việc phân tích cảnh báo tư ngồi cho bác sỹ trung tâm chẩn đốn hình ảnh bệnh viện K Học viên lựa chọn đề tài “Ứng dụng học máy xây dựng phần mềm hỗ trợ xác định tư ngồi chuẩn cho bác sỹ trung tâm chuẩn đốn hình ảnh Bệnh viện K” Tổng quan vấn đề nghiên cứu Mạng nơ-ron tích chập kiến trúc mạng nơ-ron nghiên cứu để phục vụ cho toán với liệu đầu vào hình ảnh, dạng liệu đa chiều với thành phần liên quan với mặt khơng gian Mạng nơ-ron tích chập đời giải nhiều tốn khó liên quan đến xử lý ảnh mở nhiều hướng xử lý ảnh hiệu Một tốn phổ biến mà mạng nơ-ron tích chập giải tốt tốn nhận diện/phân loại đối tượng Nhận diện/phân loại đối tượng lớp toán mà vật thể ảnh phát (chỉ vị trí – nhận diện) đánh nhãn (phân loại) dựa tập vật thể cho trước Một số phương pháp cổ điển kể đến sử dụng thuật toán SIFT (Scale Invariant Feature Transform) [1] HOG (Histogram of Oriented Gradients) [2] để trích xuất đặc trưng từ ảnh đầu vào, sau sử dụng phương pháp Máy học Vec-tơ (Support Vector Machine) để phân loại đặc trưng trích xuất nêu Các phương pháp thường áp dụng cấu trúc mạng nơ-ron, có khả phân loại đối tượng cách hồn chỉnh, khơng cần thơng qua nhiều bước phương pháp cổ điển Bài toán xác định tư ngồi chuẩn cho bác sỹ trung tâm chẩn đốn hình ảnh Bệnh viện K đưa tốn nhận diện/phân loại hình ảnh tư ngồi Một tập liệu hình ảnh tư ngồi bác sỹ với hai nhãn tốt xấu thu thập Sau hệ thống mạng nơ-ron tích chập xử lý “học” từ tập liệu để phân loại hình ảnh tư tốt xấu Đầu vào hệ thống ảnh nguồn ảnh từ camera e 37 model.compile({ optimizer: 'adam', loss: 'categoricalCrossentropy', metrics: [tf.metrics.recall, tf.metrics.precision], }); Trong  Tham số optimizer thuật tốn tối ưu, thuật toán Adam chọn  Tham số loss hàm mát/chi phí, hàm mát categorical crossentropy chọn  Tham số metrics độ đo, độ đo Precision, Recall chọn Sau đó, mơ hình huấn luyện lưu lại sau huấn luyện xong: await model.fit(tensorData, tensorLabels, { epochs: 100, // Số lượng vòng lặp batchSize: 512, // Kích thước lơ liệu validationSplit: 0.2, // Tỷ lệ chia huấn luyện/kiểm thử }); await model.save(`file://${process.cwd()}/scripts/model`); Tồn mã phần xây dựng huấn luyện mơ hình async function run() { await init(); await getDataset(); const tensorData = tf.tensor(data); const tensorLabels = tf.oneHot(tf.tensor1d(labels, 'int32'), LABELS.length); const model = tf.sequential({ layers: [ tf.layers.dense({ inputShape: [34], units: 16, activation: 'relu' }), tf.layers.dense({ units: 8, activation: 'relu' }), tf.layers.dense({ units: 4, activation: 'softmax' }), ] }); model.compile({ optimizer: 'adam', loss: 'categoricalCrossentropy', metrics: [tf.metrics.recall, tf.metrics.precision], }); await model.fit(tensorData, tensorLabels, { epochs: 100, // Số lượng vòng lặp batchSize: 512, // Kích thước lơ liệu e 38 validationSplit: 0.2, // Tỷ lệ chia liệu huấn luyện/kiểm thử shuffle: true, // Đảo liệu sau vòng lặp }); await model.save(`file://${process.cwd()}/scripts/model`); } 2.3.4 Kết thử nghiệm Sau 100 vòng lặp, kết huấn luyện thu sau: Precision 1.2 0.8 0.6 0.4 0.2 11 21 31 41 51 precision 61 71 81 91 81 91 precision ki?m th? Recall 1.2 0.8 0.6 0.4 0.2 11 21 31 41 recall e 51 61 recall ki?m th? 71 39 Loss 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 11 21 31 41 51 loss 61 71 81 91 loss ki?m th? Các thông số huấn luyện sau:  epochs: 100, // Số lượng vòng lặp  batchSize: 512, // Kích thước lơ liệu  validationSplit: 0.2, // Tỷ lệ chia liệu huấn luyện/kiểm thử  shuffle: true, // Đảo liệu sau vòng lặp Đường màu da cam biểu đồ đại diện cho kết thử nghiệm liệu kiểm thử, đường màu xanh nước biển đại diện cho kết thử nghiệm liệu huấn luyện Có bốn tiêu chí sau toán phân loại nhiều lớp Đối với nhãn:  True positive (gọi tắt TP): tỉ lệ dự đoán liệu thuộc nhãn  True negative (gọi tắt TN): tỉ lệ dự đoán liệu không thuộc nhãn  False positive (gọi tắt FP): tỉ lệ dự đoán liệu thuộc nhãn sai  False negative (gọi tắt FN): tỉ lệ dự đốn liệu khơng thuộc nhãn sai Nghiên cứu sử dụng tiêu chí đánh giá precision recall e 40  Precision: định nghĩa tỉ lệ số điểm true positive số điểm phân loại positive (TP + FP) Công thức: precision = TP / (TP + FP)  Recall: định nghĩa tỉ lệ số điểm true positive số điểm thực positive (TP + FN) FN điểm thực positve bị đánh nhầm thành negative Công thức: recall = TP / (TP + FN)  Precision cao đồng nghĩa với việc độ xác liệu phân loại thuộc nhãn cao, nhiên không đảm bảo độ xác điểm phân loại không thuộc nhãn Recall cao đồng nghĩa với việc tỉ lệ bỏ sót điểm true positive thấp, khơng đảm bảo độ xác đữ liệu phân loại thuộc nhãn Sau 100 epoch, số Precision Recall tăng đạt ngưỡng cao Tuy nhiên, loss kiểm thử khơng hội tụ Có thể thấy thuật tốn huấn luyện có hiệu tương liệu huấn luyện kiểm thử: hội tụ với liệu huấn luyện số precision, recall cao liệu kiểm thử 2.4 Kết luận chương II Dựa nghiên cứu liên quan lý thuyết, tảng lập trình hỗ trợ cho học sâu, hệ thống mạng nơ-ron phân loại ảnh tư ngồi bác sĩ xây dựng Hệ thống gồm hai phần trích xuất phân loại đặc trưng tư người Bộ liệu tư người thu với nhãn cúi người, lệch trái, lệch phải tốt e 41 CHƯƠNG 3.1 THỰC NGHIỆM VÀ ĐÁNH GIÁ Các mơ hình thực nghiệm Hệ thống sử dụng mơ hình thực nghiệm mô tả phần 2.3.2 Đầu vào hệ thống luồng các ảnh chụp dáng ngồi liên tiếp từ webcam, đầu kết phân loại dáng ngồi người ngồi trước webcam Hình 3.1: Sơ đồ tổng quát hệ thống thực nghiệm Đầu vào hệ thống thực nghiệm ảnh trích xuất từ webcam Sau ảnh trích xuất đặc trưng tư người mạng MoveNet có sẵn TensorFlow Các đặc trưng tiền xử lý để vecto đặc trưng đưa qua mơ hình phân loại vecto đặc trưng để kết (cúi người, lệch trái, lệch phải, tốt) Hệ thống tổng hợp lại nhãn 10 dự đoán liên tiếp, đưa kết luận chung dựa số nhãn chiếm đa số 10 dự đoán Cấu phần trích xuất đặc trưng tư người xây dựng MoveNet, cấu phần phân loại vecto đặc trưng học sâu xây dựng huấn luyện TensorFlow.js, mô tả phần 2.3.1 Hệ thống thực nghiệm thử nghiệm với kịch sau: e 42  Tình nguyện viên ngồi trước webcam cho phần thân tình nguyện viên rõ hình webcam Sau thực tư sau khoảng 10 giây kiểm tra kết trả o Ngồi lệch trái o Ngồi lệch phải o Cúi người o Ngồi thẳng  Tình nguyện viên ngồi trước webcam, phần thân tình nguyện viên khơng rõ hình webcam Sau thực tư sau khoảng 10 giây kiểm tra kết trả o Ngồi lệch trái o Ngồi lệch phải o Cúi người o Ngồi thẳng 3.2 Đánh giá kết thực nghiệm Với kịch đầu tiên, kết trả với tư Hình 3.2 Ứng dụng phân biệt tư lệch phải e 43 Hình 3.3 Ứng dụng phân biệt tư cúi người Hình 3.4 Ứng dụng phân biệt tư lệch trái e 44 Hình 3.5 Ứng dụng phân biệt tư tốt Với kịch thứ hai kết khơng Hình 3.6 Ứng dụng phân biệt sai tư (cúi người) e 45 Hình 3.7 Ứng dụng phân biệt sai tư (lệch phải) Hình 3.8 Ứng dụng phân biệt sai tư (lệch trái) Một số khả dẫn đến kết trên:  Tập liệu thu chưa đủ tốt để giúp mạng nơ-ron nhận biết hết tình  Hai tư khác cho đặc trưng tư giống (ví dụ trường hợp đặc trưng tư bị thiếu điểm hai bên hông) e 46 3.3 Kết luận chương III Hệ thống mạng nơ-ron xây dựng đáp ứng yêu cầu phân loại tư ngồi Tuy nhiên, hệ thống chưa thực đảm bảo tính xác tất tính Nhìn chung, hệ thống đem vào ứng dụng thực tế, với số chỉnh sửa thêm, nhiên, cần phải nghiên cứu thêm để tối ưu khả tính xác hệ thống Cốt lõi phần mềm việc phân loại tư ngồi dựa vào hình ảnh quay diện camera thời gian thực Từ hệ thống nghiên cứu cài đặt thêm hệ thống cảnh báo dựa vào kết phân loại tư ngồi Gợi ý: phần mềm chạy ngầm bác sỹ sử dụng máy tính, làm riêng thiết bị cảnh báo lắp phịng làm việc bác sỹ, có kết nối đến camrea gắn trước mặt bác sỹ e 47 KẾT LUẬN VÀ KIẾN NGHỊ Luận văn đáp ứng mục tiêu nghiên cứu đề Chương sau: Mục tiêu 1: Xây dựng hệ thống tích hợp mạng nơ-ron có khả xác định tư ngồi cho bác sỹ Trung tâm Chẩn đốn hình ảnh Bệnh viện K Mục tiêu 2: Trên sở kết nghiên cứu, luận văn đưa hướng Hỗ trợ phận, khoa, phòng đơn vị bệnh viện cách tác động nhằm nâng cao công suất làm việc đảm bảo an toàn, sức khỏe cho cán nhân viên, nâng cao chất lượng bệnh viện Như vậy, so với nghiên cứu trước đây, tác giả chứng minh tác động tư ngồi ảnh hưởng không nhỏ đến sức khỏe môi trường làm việc cán nhân viên Trung tâm khoa chẩn đốn hình ảnh Bệnh viện K e 48 TÀI LIỆU THAM KHẢO [1] N Dalal and B Triggs, "Histograms of oriented gradients for human detection," 2005 [2] D G Lowe, "Distinctive Image Features," 2004 [3] K Chen, "Sitting Posture Recognition Based on OpenPose," IOP Conf Series: Materials Science and Engineering, 2019 [4] J L H Hao, "Sitting Posture Identifier using AI," 2020 [Online] Available: https://dev.to/jonathanlawhh/sitting-posture-identifier-using-ai-2p2h [5] T M Mitchell, "Machine Learning," 1997 [Online] Available: http://www.cs.cmu.edu/~tom/mlbook.html [6] F H B I D A M A K John R Koza, Automated Design of Both the Topology and Sizing of Analog Electrical Circuits Using Genetic Programming, 1996, pp 151-170 [7] J Hu, H Niu, J Carrasco, B Lennox and F Arvin, "Voronoi-Based MultiRobot Autonomous Exploration in Unknown Environments via Deep Reinforcement Learning," IEEE Transactions on Vehicular Technology, vol 69, no 12, pp 14413 - 14423, 2020 [8] C M Bishop, Pattern Recognition and Machine Learning, Springer, 2006 [9] J H Friedman, Data Mining and Statistics: What's the connection?, 1998 [10] "What is Machine Learning?," IBM, [Online] Available: https://www.ibm.com/cloud/learn/machine-learning [Accessed 15 08 2021] e 49 [11] V Zhou, "Machine Learning for Beginners: An Introduction to Neural Networks," Medium, 20 12 2019 [Online] Available: https://towardsdatascience.com/machine-learning-for-beginners-anintroduction-to-neural-networks-d49f22d238f9 [12] P Domingos, The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, Basic Books, 2015 [13] E Alpaydin, Introduction to Machine Learning (Fourth ed.)., MIT, 2020 [14] Y S W K B J a M H Y Yong Min Kim, "Classification of Children’s Sitting Postures Using Machine Learning Algorithms" [15] I A A G Dan Oved, "Real-time Human Pose Estimation in the Browser with TensorFlow.js," 07 05 2015 [Online] Available: https://blog.tensorflow.org/2018/05/real-time-human-pose-estimationin.html [16] D Cochard, "BlazePose : A 3D Pose Estimation Model," 30 06 2021 [Online] Available: https://medium.com/axinc-ai/blazepose-a-3d-pose- estimation-modeld8689d06b7c4#:~:text=BlazePose%20(Full%20Body)%20is%20a,for%20e xample%20in%20fitness%20applications [17] Y.-h C Khanh LeViet, "Pose estimation and classification on edge devices with MoveNet and TensorFlow Lite," 16 2021 [Online] Available: https://blog.tensorflow.org/2021/08/pose-estimation-and-classification-onedge-devices-with-MoveNet-and-TensorFlow-Lite.html [18] P N Stuart Jonathan Russell, Artificial Intelligence: A Modern Approach, 1995 e 50 [19] M Mohri, A Rostamizadeh and A Talwalkar, Foundations of Machine Learning, The MIT Press, 2012 [20] T Mitchell, Machine Learning, McGraw Hill, 1997 [21] E Alpaydin, Introduction to Machine Learning, third edition, MIT Press, 2014 [22] M I Jordan and C M Bishop, Computer Science Handbook, Second Edition (Section VII: Intelligent Systems), Boca Raton, Florida: Chapman & Hall/CRC Press LLC, 2004 [23] A Ratner, S Bach, P Varma and Chris, "Weak Supervision: The New Programming Paradigm for Machine Learning," 06 06 2019 [Online] Available: https://hazyresearch.github.io/snorkel/blog/ws_blog_post.html [24] M van Otterlo and M Wiering, "Reinforcement learning and markov decision processes Reinforcement Learning," Adaptation, Learning, and Optimization, pp 3-42, 2012 [25] A Zell, Simulation neuronaler Netze [Simulation of Neural Networks], Addison-Wesley, 2003 [26] Artificial intelligence (3rd ed.), Addison-Wesley Pub Co., 1992 [27] "The Machine Learning Dictionary," 04 11 2009 [Online] Available: https://web.archive.org/web/20180826151959/http://www.cse.unsw.edu.au/ ~billw/mldict.html#activnfn [28] J W C D A L a F C H Maysam F Abbod, "Application of Artificial Intelligence to the Management of Urological Cancer," Journal of Urology, p 1150–1156, 2007 e 51 [29] R W Christian W Dawson, "An artificial neural network approach to rainfall-runoff modelling," Hydrological Sciences Journal, pp 47-66, 1998 [30] D Ciresan, U Meier, J Masci, L M Gambardella and J Schmidhuber, "Flexible, High Performance Convolutional Neural Networks for Image Classification," Proceedings of the Twenty-Second International Joint Conference on Artificial Intelligence-Volume, p 1237–1242, 2011 [31] M Miljanovic, "Comparative analysis of Recurrent and Finite Impulse Response Neural Networks in Time Series Prediction," Indian Journal of Computer and Engineering, 2012 [32] S Lau, "A Walkthrough of Convolutional Neural Network — Hyperparameter Tuning," Medium, 11 07 2017 [Online] Available: https://towardsdatascience.com/a-walkthrough-of-convolutional-neuralnetwork-7f474f91d7bd [33] M G R C Alex Kendall, "PoseNet: A Convolutional Network for RealTime 6-DOF Camera Relocalization," 2015 [34] A H M Z A Z L.-C C Mark Sandler, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," 2018 e ... tiêu ứng dụng thành tự Học máy việc phân tích cảnh báo tư ngồi cho bác sỹ trung tâm chẩn đốn hình ảnh bệnh viện K Học viên lựa chọn đề tài ? ?Ứng dụng học máy xây dựng phần mềm hỗ trợ xác định tư ngồi. ..HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - - TẠ MẠNH CƯỜNG ỨNG DỤNG HỌC MÁY TRONG XÂY DỰNG PHẦN MỀM HỖ TRỢ XÁC ĐỊNH TƯ THẾ NGỒI CHUẨN CHO BÁC SỸ TRUNG TÂM CHUẨN ĐOÁN HÌNH ẢNH BỆNH VIỆN... ĐOAN Tơi xin cam đoan: Khóa luận tốt nghiệp với đề tài ? ?Ứng dụng học máy xây dựng phần mềm hỗ trợ xác định tư ngồi chuẩn cho bác sỹ trung tâm chuẩn đốn hình ảnh Bệnh viện K? ?? cơng trình nghiên cứu