Ứng dụng thuật toán cnn vào dự đoán hình ảnh x rays hỗ trợ chẩn đoán bệnh xương khớp

BỘ GIÁO DỤC VÀ ĐÀO TAO TRƢỜNG ĐẠI HỌC QUY NHƠN NGỤY VŨ NAM ỨNG DỤNG THUẬT TOÁN CNN VÀO DỰ ĐỐN HÌNH ẢNH X-RAYS HỖ TRỢ CHẨN ĐỐN BỆNH XƢƠNG KHỚP LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG Bình Định – Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TAO TRƢỜNG ĐẠI HỌC QUY NHƠN NGỤY VŨ NAM ỨNG DỤNG THUẬT TỐN CNN VÀO DỰ ĐỐN HÌNH ẢNH XRAYS HỖ TRỢ CHẨN ĐOÁN BỆNH XƢƠNG KHỚP Chuyên ngành: Khoa học liệu ứng dụng Mã số: 8904648 LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG Ngƣời hƣớng dẫn khoa học: TS NGUYỄN TẤN TRUNG Bình Định – Năm 2022 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thực luận văn thực riêng tôi, dƣới hƣớng dẫn TS Nguyễn Tấn Trung Mọi tham khảo từ nguồn tài liệu, cơng trình nghiên cứu liên quan nƣớc quốc tế đƣợc trích dẫn cách rõ ràng luận văn Mọi chép không hợp lệ hay vi phạm quy chế tơi xin hồn toàn chịu trách nhiệm chịu kỷ luật trƣờng Đại học Quy Nhơn Bình Định, ngày 20 tháng 08 năm 2022 Học viên Ngụy Vũ Nam LỜI CẢM ƠN Trong q trình thực hồn thiện luận văn này, xin gửi lời cảm ơn chân thành đến thầy Khoa Tốn – Thống kê Khoa công nghệ thông tin trƣờng Đại học Quy Nhơn nhƣ thầy thính giảng trƣờng, viện Thành phố Hồ Chính Minh cung cấp cho kiến thức quý báu suốt năm học vừa qua Đặc biệt, xin gửi lời cảm ơn sâu sắc tới TS Nguyễn Tấn Trung cho gợi ý dẫn q báu q trình nghiên cứu hồn thiện luận văn thạc sĩ Tôi xin chân thành cảm ơn! Bình Định, ngày 20 tháng 08 năm 2022 Học viên Ngụy Vũ Nam MỤC LỤC TRANG PHỤ BÌA LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC BẢNG DANH MỤC HÌNH VẼ MỞ ĐẦU 1 CHƢƠNG 1: TỔNG QUAN 1.1 Trí tuệ nhân tạo 1.2 Học máy (Machine learning) 1.2.1 Định nghĩa 1.2.2 Học có giám sát 1.2.3 Học không giám sát 1.2.4 Học tăng cường 1.3 Học sâu (Deep learning): 1.3.1 Mạng nơ-ron nhân tạo .8 1.3.2 Định nghĩa 11 1.3.3 Những thành công học sâu thời gian gần .11 1.4 Ứng dụng trí tuệ nhân tạo y tế 12 1.4.1 Thử nghiệm lâm sàng .13 1.4.2 Phân tích y tế 14 1.4.3 Robot y tế .16 1.4.4 Y tế di động 17 1.4.5 Chăm sóc người già .18 1.5 Kết luận 19 CHƢƠNG MẠNG NƠ-RON TÍCH CHẬP 19 2.1 Kiến trúc Mạng nơ-ron tích chập 20 2.2 Lớp tích chập 21 2.3 Lớp lấy mẫu (Pooling) 22 2.4 Lớp kết nối đầy đủ (Fully connected layer) 23 2.5 Lớp chuẩn hóa theo lơ (Batch normalization) 24 2.6 Hàm kích hoạt phi tuyến tính: 24 2.6.1 Hàm Sigmod 25 2.6.2 Hàm Tanh .26 2.6.3 Hàm RELU .27 2.6.4 Hàm ELU .28 1.6.5 Hàm LeakyReLU 29 2.7 Phép tích chập tách biệt theo chiều sâu MobileNet 29 2.8 Kết luận 30 CHƢƠNG 3: MƠ HÌNH PHÁT HIỆN BẤT THƢỜNG TỪ ẢNH X-QUANG XƢƠNG CHI TRÊN 31 3.1 Bệnh lý xƣơng khớp 31 3.2 Phƣơng pháp chụp X-quang (X-rays) 34 3.3 Phân tích liệu hình ảnh X-quang MURA: 35 3.4 Xây dựng mơ hình phân lớp ảnh X-quang 40 3.5 Huấn luyện mơ hình 41 3.6 Đánh giá mơ hình 44 3.7 Triển khai mơ hình 46 3.8 Kết luận 48 KẾT LUẬN 49 TÀI LIỆU THAM KHẢO 51 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN 54 DANH MỤC HÌNH VẼ Hình 1.1 Cấu trúc mạng nơ-ron nhân tạo[12] Hình 1.2 Sơ đồ nguyên lý hoạt động nút mạng nơ-ron nhân tạo 10 Hình 1.3 Đồ thị hàm kích hoạt phổ biến đạo hàm chúng [4] 10 Hình 2.1 Cấu trúc Mạng nơ-ron tích chập[15] 21 Hình 2.2 Mơ phép tích chập chạy ma trận đầu vào 22 Hình 2.3 Một lọc phát nét cong 22 Hình 2.4 Cách lấy mẫu tối đa mẫu trung bình [17] 23 Hình 2.5 Lớp kết nối đầy đủ 24 Hình 2.6 Đồ thị hàm Sigmoid 26 Hình 2.7 Đồ thị hàm Tanh 27 Hình 2.8 Đồ thị hàm RELU 28 Hình 2.9 Đồ thị hàm ELU 28 Hình 2.10 Đồ thị hàm LeakyReLU 29 Hình 2.11 Bên trái: tích chập tiêu chuẩn với chuẩn hóa hàm kích hoạt ReLU Bên phải: phép tích chập phân tách theo chiều sâu với phép nhân theo chiều sâu phép nhân điểm theo sau chuẩn hóa hàm kích hoạt ReLU [9] 30 Hình 3.1 Các vị trí xƣơng đƣợc nghiên cứu[2] 36 Hình 3.2 Ví dụ ảnh liệu 37 Hình 3.3 File CVS lƣu đƣờng dẫn nhãn liệu 39 Hình 3.4 Biểu đồ số ảnh vị trí chụp khác 40 Hình 3.5 Quy trình dự đốn mơ hình 41 Hình 3.6 Lần huấn luyện đầu, mơ hình dừng epoch 17, lấy trọng số tốt epoch 15 43 Hình 3.7 Huấn luyện tồn trọng số, mơ hình đạt đƣợc số đồng thuận 0.6 44 Hình 3.8 Mã QR để tải tập tin cài đặt chƣơng trình 46 Hình 3.9 Mơ hình đƣợc triển khai điện thoại thông minh Redmi Note 4X phiên Android (trái) với Ram 2GB Xiaomi Redmi Note 10S phiên Android 12 47 Hình 3.10 Phân bố hình ảnh tập liệu kiểm nghiệm 45 DANH MỤC BẢNG BIỂU Bảng 1.1 Các nhánh nghiên cứu thuộc Trí tuệ nhân tạo .3 Bảng 2.1 So sánh MobileNet GoogleNet, VGG 16[9] 29 Bảng 3.1 Chỉ số đo độ hiệu mô hình vị trí kiểm tra 45 MỞ ĐẦU Chăm sóc y tế (healthcare) ƣu tiên hàng đầu phát triển xã hội hầu hết quốc gia giới Đặc biệt, tình hình biến động lớn giới đại dịch, vấn đề chăm sóc y tế sức khỏe cộng đồng lại ngày trở nên cấp thiết cần hỗ trợ đắc lực từ máy móc nhân lực nƣớc bị tải khám chữa bệnh.[5] Sự phát triển mạnh mẽ năm gần trí tuệ nhân tạo (AI) [8][13] tảng liệu lớn (Big Data) mang tới tiềm hỗ trợ to lớn việc giải vấn đề y tế, chăm sóc sức khỏe, khám chữa bệnh… [6] Thơng qua ví dụ tình hình tải việc khám chữa bệnh Việt Nam, nhu cầu cần đƣợc đặt giải sớm việc hỗ trợ y bác sĩ khám chữa bệnh mà AI hỗ trợ nhƣ trợ lý bác sĩ ảo Một số hỗ trợ mà AI giúp ích cho hiệu kể đến chẩn đoán ảnh y khoa [14] Với việc hồ sơ bệnh nhân đƣợc khám sàng lọc trợ lý bác sĩ ảo, cơng việc bác sĩ đƣợc giảm thiểu đáng kể cần ngồi kiểm tra lại kết chẩn đoán máy, đồng thời rút ngắn đáng kể thời gian khám chữa bệnh tăng số lƣợng bệnh nhân hỗ trợ ngày lên nhiều lần [7] Các tình trạng xƣơng khớp ảnh hƣởng đến 1,7 tỷ ngƣời toàn giới, [11] nguyên nhân phổ biến gây đau tàn tật lâu dài, nghiêm trọng, với 30 triệu lƣợt khám khoa cấp cứu hàng năm ngày tăng Trong bác sĩ X-quang giàu kinh nghiệm khơng phải lúc sẵn sàng đầy đủ để chẩn đoán Do cần thiết có cơng nghệ hình ảnh y tế chẩn đốn cấp độ chun gia, hƣớng tới cải thiện khả tiếp cận chăm sóc sức khỏe nơi giới hạn chế khả tiếp cận với bác sĩ X-quang có tay nghề cao Phù hợp với xu phát triển học máy, để đáp ứng nhu cầu thiếu thốn nhân lực y tế đƣợc nêu trên, đề tài tiến hành áp dụng triển khai thuật toán mạng học sâu tích chập để chẩn đốn sơ ảnh chụp X-quang xƣơng chi Nếu đƣợc triển khai tốt, đề tài đƣợc mong đợi góp phần hỗ trợ nhân viên y tế việc chẩn đoán điều trị bệnh, góp phần nhỏ vào q trình tự động hóa việc khám chữa bệnh nhờ ứng dụng trí tuệ nhân tạo Luận văn gồm chƣơng:  Chƣơng 1: Trình bày khái niệm từ học máy học sâu ứng dụng trí tuệ nhân tạo y tế, cho nhìn khái quát tồn cảnh học máy  Chƣơng 2: Trình bày cụ thể mạng nơ-ron tích chập, Lớp (layer) thƣờng gặp mạng  Chƣơng 3: Trình bày việc triển khai ứng dụng mạng thần kinh tích chập để giải toán phân loại ảnh X-quang Cuối phần kết luận cho phép tóm tắt kết đạt đƣợc nêu tồn tại, dựa vào để đƣa mục tiêu phƣơng hƣớng phát triển cho hệ thống sau 40 Hình 3.4 Biểu đồ số ảnh vị trí chụp khác 3.4 Xây dựng mơ hình phân lớp ảnh X-quang Các mơ hình học sâu dùng mạng tích chập phổ biến kể đến GoogleNet, VGGnet, Inception, Xception, v.v., Tuy nhiên, để có đƣợc độ xác cao, mơ hình thƣờng đánh đổi mạng sâu phức tạp Kiến trúc mơ hình MobileNet đƣợc thiết kế để tạo mơ hình nhỏ, độ trễ thấp với đánh đổi độ xác MobileNet đƣợc dùng để xây dƣng mơ hình với định hƣớng chạy đƣợc điện thoại thông minh giúp việc triển khai sử dụng mơ hình đƣợc tiện lợi linh hoạt Do tơi chọn sử dụng kiến trúc mạng MobileNetv2 làm kiến trúc mơ hình để dự đốn xác suất bất thƣờng cho hình ảnh ca bệnh Mạng sử dụng kiến trúc MobileNetv2 - mạng cải tiến MobileNet có áp dụng thêm ý tƣởng khối phần dƣ (residual block) nút thắt cổ chai 41 (bottlenecking feature), lớp kết nối đầy đủ cuối đƣợc thay lớp có đầu hàm kích hoạt Sigmoid cho xác suất bất thƣờng đƣợc dự đoán Nếu xác suất lớn 0.5, kiểm tra đƣợc cho bất thƣờng Hình 3.5 Quy trình dự đốn mơ hình Đối với hình ảnh X vị trí chụp T tập huấn luyện, tối ƣu hàm mát nhị phân cross entropy có trọng số (The weighted binary cross entropy loss): ( Với số hình củ ) ( , | ) ( ) ( | ) tỉ lệ hình bình thường bất thường tổng ỗi vị trí chụp 3.5 Huấn luyện mơ hình Trƣớc đƣa hình ảnh vào mạng, hình ảnh đƣợc chuẩn hóa để giá trị điểm ảnh nằm khoảng từ -1 đến Hình ảnh đƣợc chỉnh lại thành kích thƣớc 224 × 224 điểm ảnh Dữ liệu đƣợc tăng cƣờng trình đào tạo cách áp dụng phép đảo chiều xoay ngẫu nhiên 30 độ hình ảnh có sẵn Các trọng số mạng đƣợc khởi tạo với trọng số từ mơ hình đƣợc đào tạo trƣớc ImageNet Hàm mát đƣợc tối ƣu thuật toán Adam với tham số mặc định β1 = 0.9 β2 = 0.999 Mơ hình đƣợc đào tạo qua lơ nhỏ có kích thƣớc Sử dụng tốc độ học ban đầu 0,0001 42 đƣợc phân rã theo hệ số 10 giá trị hàm mát không giảm sau vịng lặp Tơi dùng phƣơng pháp học chuyển tiếp để huấn luyện mạng từ trọng số có trƣớc Quy trình huấn luyện gồm bƣớc: đầu tiên, đóng băng mạng MobileNet, đào tạo lớp cuối lớp kết nối đầy đủ hàm kích hoạt dự đoán cuối Sau lớp cuối đƣợc huấn luyện, tiếp tục huấn luyện mạng cập nhật trọng số tồn mạng Q trình sử dụng liệu để đào tạo gồm giai đoạn: - Khởi tạo trọng số mơ hình với trọng số từ mơ hình đƣợc đào tạo trƣớc ImageNet, tơi đào tạo với tồn liệu vị trí chụp Ở bƣớc này, tơi cho mơ hình ―làm quen‖ với liệu hình ảnh X-quang, trọng số mơ hình phù hợp để đào tạo nhận diện ảnh X-quang bất thƣờng Việc giúp tăng số xác bƣớc sau, tập ảnh có số ảnh nhỏ cẳng tay cánh tay - Huấn luyện mơ hình theo trƣờng hợp vị trí riêng biệt, dùng phƣơng pháp học chuyển tiếp nhƣng trọng số dùng trọng số từ mơ hình đƣợc đào tạo liệu 40000 ảnh X-quang 43 Hình 3.6 Lần huấn luyện đầu, mơ hình dừng epoch 17, lấy trọng số tốt epoch 15 44 Hình 3.7 Huấn luyện tồn trọng số, mơ hình đạt đƣợc số đồng thuận 0.6 3.6 Đánh giá mơ hình Mơ hình đƣợc đánh giá tập kiểm tra hồn tồn chƣa đƣợc dùng q trình huấn luyện Với trung bình 400 ảnh vị trí chụp, với số lƣợng hình ảnh bình thƣờng bất thƣờng khơng cân để việc đánh giá đƣợc xác 45 Hình 3.8 Phân bố hình ảnh tập liệu kiểm nghiệm Vì liệu khơng cân nên dùng hệ số đồng thuận (Cohen’s kappa) làm số chủ đạo để đánh giá độ hiệu mơ hình Ngồi số số nhƣ Recall, ROC_AOC số cần quan tâm Các số độ hiệu mô hình tập kiểm thử đƣợc tóm tắt bảng sau, làm tròn đến chữ số sau phần thập phân Bảng 3.1 Chỉ số đo độ hiệu mơ hình vị trí kiểm tra ELBOW FINGER FOREARM HAND HUMERUS SHOULDER WRIST Precision 0.880 0.807 0.875 0.651 0.874 0.864 0.885 Recall 0.798 0.827 0.794 0.730 0.848 0.797 0.815 F1_score 0.837 0.817 0.833 0.689 0.861 0.829 0.849 ROC_AOC 0.937 0.932 0.938 0.879 0.944 0.915 0.941 Cohen’s kappa 0.734 0.700 0.745 0.566 0.741 0.673 0.751 Mơ hình có số đồng thuận gần 0.7 gần với kết mơ hình dùng cấu trúc Densennet [16] Mơ hình có số diện tích dƣới 46 đƣờng cong ROC tốt (lớn 90%) đủ để ứng dụng thực tiễn chẩn đốn y tế.[3] Tuy nhiên mơ hình cịn có số Recall chƣa thật cao, dễ bỏ qua trƣờng hợp dƣơng tính Dù mơ hình dừng lại việc hỗ trợ, đƣa ý kiến tham khảo giúp bác sĩ chẩn đoán, chƣa thể hoạt động mà khơng có giám sát ngƣời Hiệu dự đốn hình chụp Xquang bàn tay thấp bất thƣờng, mơ hình khơng làm việc tốt với liệu cân nhiều tập hình ảnh X-quang bàn tay tập liệu cân số bảy tập liệu với số hình ảnh âm tính gần gấp lần số hình ảnh dƣơng tính Ngồi bàn tay có nhiều ngón tay, khớp cấu trúc phức tạp bảy vị trí xét nên gây khó khăn cho việc nhận diện 3.7 Triển khai mơ hình Tập trung vào tính nhỏ gọn tiện lợi, mơ hình đƣợc triển khai thử nghiệm qua ứng dụng điện thoại thông minh Ứng dụng dễ dàng cài đặt tập tin APK kích thƣớc 18 MB Có thể tải tập tin từ Google Drive qua đƣờng dẫn: https://drive.google.com/file/d/1InjAHoIZKuK8pPZoqtbfT4cr7vTsEL6s/vie w Hình 3.9 Mã QR để tải tập tin cài đặt chƣơng trình 47 Trên điện thoại thơng minh, hình ảnh đƣợc tải vào trực tiếp từ camera máy tải lên từ nhớ máy, ảnh đƣợc chuẩn hóa theo cách chuẩn hóa ảnh lúc huấn luyện mơ hình (căn chỉnh thành kích thƣớc 224x224, giá trị điểm ảnh đƣợc đƣa khoảng từ -1 đến 1) sau đƣa vào mơ hình để dự đốn Mơ hình dùng ứng dụng mơ hình với trọng số từ lần huấn luyện toàn tập liệu (chƣa chia trƣờng hợp vị trí khác nhau), mơ hình có Precision 0.85, Recall 0.75, ROC_AOC 0.89 hệ số đồng thuận Cohen’s kappa 0.65 Kết xuất chẩn đoán ―Bình thƣờng‖ hay ―Bất thƣờng‖ đƣợc xuất hình Kết bất thƣờng mơ hình dự đốn xác suất lớn 0.5 Hình 3.10 Mơ hình đƣợc triển khai điện thoại thông minh Redmi Note 4X phiên Android (trái) với Ram 2GB Xiaomi Redmi Note 10S phiên Android 12 48 3.8 Kết luận Chƣơng trình bày trình xây dựng ứng dụng phân lớp ảnh Xquang bất thƣờng hay bình thƣờng Tìm hiểu thƣờng thức bệnh xƣơng khớp nhƣ phƣơng pháp chụp ảnh X-quang để phát bệnh xƣơng khớp Quy trình xây dựng ứng dụng (application) ứng dụng học máy nói chung gồm bƣớc: tìm hiểu kiến thức chuyên ngành; hiểu liệu; xây dựng đánh giá, lựa chọn mô hình cuối triển khai mơ hình 49 KẾT LUẬN Phát bất thƣờng ảnh chụp X-quang xƣơng khớp có ứng dụng lâm sàng quan trọng Đầu tiên, mơ hình phát bất thƣờng đƣợc sử dụng để ƣu tiên danh sách hàng đợi chữa trị Cụ thể hơn, ca bệnh đƣợc chẩn đốn bất thƣờng đƣợc tiến hành quy trình giải thích hình ảnh, cho phép bệnh nhân ốm yếu nhận đƣợc chẩn đoán điều trị nhanh Hơn nữa, ca chẩn bệnh đƣợc xác định bình thƣờng tự động đƣợc định đọc sơ ―bình thƣờng‖ Việc giúp phân loại mức độ ƣu tiên ca bệnh đƣợc máy chẩn đoán bất thƣờng bình thƣờng, kết chẩn đốn đƣợc đƣa sớm với ca bất thƣờng Ngoài mẫu báo cáo X-quang cho nghiên cứu bình thƣờng đƣợc cung cấp cho bác sĩ X-quang để xem xét phê duyệt nhanh Thêm vào đó, việc xác định bất thƣờng tự động giúp chống lại mệt mỏi bác sĩ X-quang Các bác sĩ X-quang toàn giới đọc ngày nhiều ca bệnh với nhiều hình ảnh cho ca bệnh Tình trạng thiếu bác sĩ làm vấn đề thêm nghiêm trọng hơn, đặc biệt bác sĩ X-quang khu vực lạc hậu mặt y tế.[16] Đề tài tạo mơ hình Mạng nơ-ron tích chập dự đốn tình trạng xƣơng khớp dựa vào ảnh X-quang Độ xác mơ hình chấp nhận đƣợc để dùng nhƣ cộng cung cấp ý kiến tham khảo cho bác sĩ chẩn đốn hình ảnh, giúp giảm nhẹ áp lực nhân viên y tế, phân loại bệnh nhân điều trị Ứng dụng tạo gọn nhẹ tiện lợi dễ cài đặt sử dụng Bƣớc đầu tạo đƣợc ứng dụng chạy thử điện thoại, nhƣng ứng dụng mang tính thử nghiệm cịn đơn giản, hạn chế, chƣa triển khai mơ hình cho vị trí cụ thể nên độ xác bị giảm Quy trình sử lý chuẩn hóa ảnh đầu vào ứng dụng (viết ngơn ngữ lập trình Java) chƣa thật khớp với chuẩn hóa ảnh đầu vào mơ hình q trình huấn luyện Ứng 50 dụng cần phát triển hoàn chỉnh thêm thực có giá trị ứng dụng thực tiễn Định hƣớng tƣơng lai cần phát triển thêm độ xác mơ hình Việc cần có phối hợp nhà phát triển ứng dụng điện thoại, nhƣ phối hợp bệnh viện địa phƣơng, tạo điều kiện cho việc thu thập liệu thực tế để mơ hình hoạt động thêm tốt môi trƣờng thực tế Nhấn mạnh mô hình đƣa ý kiến mang tính tham khảo cho bác sĩ dự đoán, phân loại bệnh nhân, chƣa có máy móc đủ độ tin cậy để thay hồn tồn bác sĩ việc chẩn đoán đƣa phƣơng pháp điều trị cho bệnh nhân 51 TÀI LIỆU THAM KHẢO [1] Nguyễn Quang Hoan (2007), Nhập mơn trí tuệ nhân tạo, Học Viện Cơng nghệ Bƣu Chính Viễn Thơng, Hà Nội, trang 165 [2] Nguyễn Quang Quyền, Bài giảng giải phẫu học, trang 134 [3] Nguyễn Văn Tuấn, Diễn giải nghiên cứu tiên lƣợng: ROC (Receiver Operating Characteristic), địa chỉ: , truy cập ngày 17.8.2022 [4] Géron A (2017), Hands-on Machine Learning with Scikit-Learn and Tensorflow – Concepts, Tools, and Techniques to Build Intelligent Systems, 1, O‟Reilly Media, 1005 Gravenstein Highway North, Sebastopol, CA 95472 [5] Margaretta Colangelo, AI in medical imaging may make the biggest impact in healthcare, , truy cập ngày 17.8.2022 [6] Secinaro, S., Calandra, D., Secinaro, A et al The role of artificial intelligence in healthcare: a structured literature review BMC Medical Informatics and Decision Making 2021, trang 12 [7] Joe Duraes, New Data on Stroke Care Show the Impact of Viz.ai’s Artificial Intelligence-Powered Platform on Patient Outcomes, , truy cập ngày 10.8.2022 52 [8] K Doi (2017), ―Computer-aided diagnosis in medical imaging: Historical review, current status and future potential‖, Computerized Medical Imaging and Graphics, số 31, trang 198-211 [9] Andrew G Howard, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, 2017, arXiv:1704.04861 [10] Deng, L.; Yu, D., Deep Learning: Methods and Applications, Foundations and Trends in Signal Processing, 2014, (3–4): 1–199 doi: 10.1561/2000000039 [11] Esteva, Andre, Kuprel, Brett, Novoa, Roberto A, Ko, Justin, Swetter, Susan M, Blau, Helen M, and Thrun, Sebastian Dermatologist-level classification of skin cancer with deep neural networks Nature, 2017, 542(7639), trang115–118 [12] Bre, F., Giminez, J 2017 Prediction of wind pressure coefficients on building surfaces using Artificial Neural Networks Cited 6.12.2019 , truy cập ngày 17.8.2022 [13] Q Li, R.M Nishikawa, Computer-Aided Detection and Diagnosis in Medical Imaging, Taylor & Francis eBooks, CRC Press, New York, 2015, trang 446 [14] A.S Panayides, AI in medical imaging informatics: current challenges and future directions, IEEE Journal of Biomedical and Health Informatics, 2020, 24(7), trang1837-1857 53 [15] Prabhu, Understanding of Convolutional Neural Network (CNN) — Deep Learning, , truy cập ngày 17.8.2022 [16] Pranav Rajpurkar, Jeremy Irvin1, Aarti Bagul , Daisy Ding , Tony Duan , Hershel Mehta , Brandon Yang1, Kaylie Zhu , Dillon Laird , Robyn L Ball , Curtis Langlotz, Katie Shpanskaya , Matthew P Lungren , Andrew Y Ng MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs, 2017, arXiv:1712.06957 [17] Saha, S 2018 A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way, , truy cập ngày 17.8.2022 54 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN