(Luận văn thạc sĩ) nghiên cứu và xây dựng ứng dụng chẩn đoán bệnh sử dụng mô hình học sâu

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHẠM TIẾN ĐỨC ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI - 2023 HÀ NỘI-2022 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHẠM TIẾN ĐỨC NGHIÊN CỨU VÀ XÂY DỰNG ỨNG DỤNG CHẨN ĐỐN BỆNH SỬ DỤNG MƠ HÌNH HỌC SÂU CHUYÊN NGÀNH : HỆ THỐNG THÔNG TIN MÃ SỐ: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS ĐÀO THỊ THÚY QUỲNH HÀ NỘI - 2023 LỜI CAM ĐOAN Tôi xin cam đoan đề án tốt nghiệp thạc sĩ : “ Nghiên cứu xây dựng ứng dụng chẩn đốn bệnh sử dụng mơ hình học sâu” Là cơng trình nghiên cứu riêng tơi, khơng chép người khác Trong toàn nội dung đề án, điều trình bày cá nhân tơi tạo tổng hợp từ nhiều nguồn tài liệu Tất nguồn tài liệu tham khảo có nguồn gốc rõ ràng hợp pháp Tơi xin hồn tồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà Nội, Ngày Tháng năm 2023 Phạm Tiến Đức LỜI CẢM ƠN Lời đầu tiên, em xin phép gửi lời cảm ơn chân thành sâu sắc tới Khoa đào tạo Sau đại học – Học viện Cơng nghệ Bưu Viễn thông tạo điều kiện cho em học hỏi tiếp thu nhiều kiến thức quan trọng để thực đề tài Bên cạnh đó, em xin gửi lời cảm ơn sâu sắc tới giảng viên hướng dẫn TS Đào Thị Thúy Quỳnh Trải qua trình học tập thực đề tài thời gian qua, cô bảo trợ giúp nhiệt tình trình thực đề tài Em xin gửi lời cảm ơn tới thầy cô giáo Học viện nói truyền đạt cho chúng em nhiều kiến thức môn học đại cương mơn học chun ngành, giúp em có đầy đủ hành trang, kiến thức để sau tự tin với lĩnh vực nghề nghiệp chọn Cuối cùng, em xin cảm ơn gia đình bạn bè, chỗ dựa vững tạo điều kiện, quan tâm, động viên em suốt trình học tập hoàn thành đề án tốt nghiệp thạc sĩ kỹ thuật Hà Nội, ngày … tháng … năm 2023 Học viên Phạm Tiến Đức MỤC LỤC MỞ ĐẦU LÝ DO CHỌN ĐỀ TÀI I II TỔNG QUAN ĐỀ TÀI III MỤC TIÊU NGHIÊN CỨU IV NỘI DUNG VÀ BỐ CỤC CỦA ĐỀ TÀI CHƯƠNG CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu toán chẩn đoán bệnh phổi sử dụng mạng nơ ron học sâu 1.2 Một số loại bệnh phổi chẩn đoán ảnh X Quang 1.3 Tổng quan trí tuệ nhân tạo 11 1.4 Tổng quan ảnh số kỹ thuật xử lý ảnh 11 1.4.1 Một số khái niệm xử lý ảnh 11 1.4.2 Một số kỹ thuật xử lý ảnh 14 1.5 Trích chọn đặc trưng biểu diễn đặc trưng hình ảnh 14 1.6 Kỹ thuật học máy 15 1.7 Ứng dụng mạng nơ ron chẩn đoán y tế 16 CHƯƠNG KỸ THUẬT HỌC SÂU MẠNG NƠ RON CNN 18 2.1 Tổng quan mạng nơ ron tích chập 18 2.1.1 Mạng nơ ron nhân tạo 18 2.1.2 Mạng nơ ron tích chập 27 2.2 Một số mơ hình pre-trained mạng nơ ron CNN 32 2.2.1 LeNet-5 33 2.2.2 VGG16 34 2.2.3 Resnet50 36 2.2.4 InceptionV3 36 2.2.5 Xception 39 2.2.6 Lựa chọn mơ hình học sâu để xây dựng ứng dụng 41 CHƯƠNG THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 43 3.1 Cơ sở liệu thực nghiệm 43 3.2 Xây dựng mơ hình học sâu giải toán 46 3.2.1 Chuẩn bị liệu 46 3.2.2 Xử lý liệu 46 3.2.3 Xây dựng mơ hình huấn luyện 49 3.2.4 Biên dịch huấn luyện mơ hình tạo 51 3.2.5 Kết trình huấn luyện 52 3.3 Xây dựng ứng dụng cài đặt 59 3.3.1 Luồng xử lý 59 3.3.2 Xây dựng ứng dụng 60 3.3.3 Kết demo ứng dụng 61 KẾT LUẬN 63 I Kết đạt 63 II Ưu điểm 63 III Nhược điểm 63 IV Kết luận hướng phát triển 64 DANH MỤC TÀI LIỆU THAM KHẢO 65 DANH SÁCH HÌNH Hình Ảnh X Quang người bệnh bị viêm phổi .5 Hình Ảnh X Quang người bệnh mắc Covid 19 Hình Ảnh X Quang người bệnh mắc lao phổi Hình Ảnh X Quang người bệnh có u phổi Hình Ảnh X Quang người bệnh bị khí phế thũng Hình Ảnh X Quang người bệnh bị xơ hoá phổi 10 Hình Ví dụ ảnh màu ảnh xám 12 Hình Quy trình xử lý trích rút đặc trưng ảnh 15 Hình Cấu tạo nơ ron người .18 Hình 10 Mơ hình tổng qt mạng nơ ron 20 Hình 11 Mơ hình mạng nơ ron Perceptron 21 Hình 12 Mơ hình mạng nơ ron truyền thẳng (Feed Forward Neural Network) 22 Hình 13 Mơ hình mạng nơ ron Multilayer Perceptron 23 Hình 14 Mơ hình mạng nơ ron tích chập (Convoluntional Neural Network) 24 Hình 15 Mơ hình mạng nơ ron hồi quy (Recurrent Neural Network) 25 Hình 16 Mơ hình mạng nơ ron Mô đun (Modular Neural Network) 26 Hình 17 Sơ đồ trình hình thành phát triển mạng nơ ron CNN 28 Hình 18 Kiến trúc tổng qt mơ hình mạng nơ ron CNN .28 Hình 19 Các thành phần kiến trúc mạng nơ ron CNN 29 Hình 20 Phương pháp tích chập ảnh xám .30 Hình 21 Max Pooling 31 Hình 22 Hai loại pooling 31 Hình 23 Pooling giúp làm giảm kích thước (width, height) khơng làm giảm dept 32 Hình 24 Kiến trúc LeNet-5 34 Hình 25 Kiến trúc VGG16 34 Hình 26 Kiến trúc Resnet50 36 Hình 27 Kiến trúc mơ hình Inception V3 .37 Hình 28 Kiến trúc tổng thể mơ hình Xception .39 Hình 29 Cấu tạo module mơ hình X Ception 40 Hình 30 Biểu đồ số lượng ghi tương ứng loại bệnh .43 Hình 31 Tập liệu X Quang lồng ngực .44 Hình 32 Biểu đồ phân chia tập liệu 44 Hình 33 Hai tập liệu để phân loại ảnh chụp XQuang ảnh chụp Xquang 45 Hình 34 Sơ đồ khái qt tồn tập liệu sử dụng .45 Hình 35 Biểu đồ số lượng ghi với loại bệnh tập liệu thử nghiệm 54 Hình 36 Luồng xử lý ứng dụng 59 Hình 37 Thiết kế sở liệu cho ứng dụng 60 Hình 38 Giao diện ban đầu ứng dụng 61 Hình 39 Thơng báo người dùng tải ảnh sai 61 Hình 40 Hiển thị kết sau chẩn đốn thành cơng 62 Hình 41 Click xem chi tiết thơng tin bệnh dự đoán 62 DANH SÁCH BẢNG BIỂU Bảng Kết trình huấn luyện mơ hình XCeption 55 Bảng Ma trận Confusion mơ hình XCeption tập liệu kiểm tra 55 Bảng Kết q trình huấn luyện mơ hình InceptionV3 56 Bảng Ma trận Confusion mơ hình InceptionV3 tập liệu kiểm tra 57 Bảng Kết q trình huấn luyện mơ hình VGG16 .58 Bảng Ma trận Confusion mơ hình VGG16 tập liệu kiểm tra 58 Bảng Tổng hợp so sánh kết kiểm thử ba mô hình 58 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Kí hiệu viết tắt AI Tiếng Anh Tiếng Việt Artifical Intelligence Trí tuệ nhân tạo ANN Artifical Neural Network Mạng nơ ron nhân tạo FFNN Feed Forward Neural Mạng nơ ron truyền Network thẳng RNN Recurrent Neural Network Mạng nơ ron hồi quy MLP Multilayer Perceptron Mạng nơ ron truyền thẳng có nhiều lớp CNN Convolutional Neural Mạng nơ ron tích chập Network RELU Rectified Linear Unit Hàm kích hoạt sử dụng mạng nơ ron DPI Dots per inch Số chấm inch PPI Pixels per inch Số điểm ảnh inch vuông RGB Red-Green-Blue Hệ màu RGB MỞ ĐẦU I LÝ DO CHỌN ĐỀ TÀI Sức khoẻ người có vai trò quan trọng phát triển kinh tế - xã hội đất nước toàn giới quyền người Hiện ngành CNTT ngày phát triển kéo theo lĩnh vực khác ngày đại hoá Việc ứng dụng CNTT đặc biệt ứng dụng thuật toán AI vào lĩnh vực y học đem lại nhiều hiệu cho nhân loại Xử lý ảnh kỹ thuật thị giác máy tính quan trọng giúp cho trình tiếp nhận, xử lý liệu phân tích nhằm đưa tri thức phục vụ cho hệ thống đưa định Xử lý ảnh có nhiều ứng dụng to lớn số chuyên ngành thiên văn học, địa lý, kinh tế, quân sự, … Đặc biệt y học, xử lý ảnh hỗ trợ tốt cho việc chẩn đốn hình ảnh bệnh khối u, xương, mạch, ung thư, … Đối với ảnh y học thường chụp phận bên thể thiết bị chuyên dụng máy chụp X Quang, máy chụp CT, máy siêu âm, nội soi, … Việc phân tích hình ảnh giúp bác sĩ nhanh chóng đưa chẩn đốn bệnh mà bệnh nhân mắc phải đưa giải pháp điều trị cho người bệnh Để nâng cao hiệu phân tích cho bác sĩ, kỹ thuật học sâu (Deep learning [1]) thường sử dụng cho khả huấn luyện máy tính học với lượng lớn liệu sử dụng để giải vấn đề cụ thể, mơ hình mạng nơ ron tích chập CNN sử dụng nhiều cho độ xác cao phù hợp để học phân tích liệu hình ảnh y khoa Đã có số nghiên cứu cho kết tốt việc chẩn đoán bệnh nhân mắc bệnh lao phổi, covid, … cho thấy khả thi việc áp dụng công nghệ AI chẩn đoán bệnh Tuy nhiên đa phần nghiên cứu tập trung vào việc phân loại chẩn đốn cho loại bệnh đặc trưng, bỏ sót dấu hiệu bệnh khác Việc tích hợp cơng nghệ chẩn đốn loại bệnh thành ứng dụng đem lại hiệu lớn, khơng giúp tăng hiệu chẩn đoán cho bác sĩ mà cịn chẩn đốn nhiều kết thông qua ảnh chụp đầu vào Từ hiệu tuyệt vời mà công nghệ AI mang lại cho ngành y học Mong muốn phát triển ứng dụng giúp chẩn đoán nhiều loại bệnh thơng qua việc ứng 51 c Mơ hình Xception base = Xception(weights="imagenet", input_shape=(299, 299, 3), include_top=False) for layers in base.layers: layers.trainable = False model = Sequential() model.add(Input(shape=(299, 299, 3))) model.add(base) model.add(Dropout(0.2)) model.add(Flatten()) model.add(Dropout(0.2)) model.add(Dense(16)) model.add(Dense(7, activation='softmax')) model.summary() 3.2.4 Biên dịch huấn luyện mơ hình tạo Ta tiến hành biên dịch huấn luyện mơ hình xây dựng from keras.optimizers import Adam model.compile( optimizer=Adam(learning_rate=1e-3), loss="categorical_crossentropy", metrics=["accuracy"], ) • model.compile() sử dụng để cấu hình tham số cần thiết cho trình huấn luyện mơ hình mạng neural Cụ thể: optimizer=Adam(learning_rate=1e-3): Sử dụng thuật tốn tối ưu hóa Adam để tối ưu hóa hàm mát (loss function) mơ hình với tốc độ học 1e-3 (0.001) • loss="categorical_crossentropy": Sử dụng hàm mát categorical crossentropy để tính tốn sai số dự đốn mơ hình nhãn đích liệu Categorical crossentropy hàm đo lường hiệu cho toán phân loại đa lớp • metrics=["accuracy"]: Sử dụng độ xác (accuracy) để đánh giá hiệu suất mơ hình q trình huấn luyện fitted_model = model.fit_generator(train,epochs=20,validation_data=val) Thực huấn luyện mô hình với hàm fit_generator “model” tạo Ta tiến hành huấn luyện mơ hình với epoch 20 (trong q trình thử nghiệm, tơi xác định số epoch đem lại kết tốt cho việc huấn luyện mơ hình) 52 3.2.5 Kết q trình huấn luyện 3.2.5.1 Mơi trường sử dụng để tiến hành huấn luyện Để tiến hành việc huấn luyện mơ hình xây dựng phần Về phần mềm, tơi sử dụng ngơn ngữ lập trình python phiên “3.9”; Thư viện Keras Tensorflow phiên “2.10.0” ; Hệ điều hành Window 10, NVDA CUDA Driver phiên “11.2.2” Về phần cứng, tồn q trình xây dựng mơ hình, huấn luyện mơ hình tập liệu sưu tập thự Máy tính có cấu hình bao gồm 16GB RAM, CPU Intel Core i5 10400, GPU NVDIA GTX 1660 Ti 3.2.5.2 Phương thức đánh giá kết a Accuracy metric Trong lĩnh vực học máy, Accuracy (chính xác) số đánh giá hiệu suất mơ hình phân loại Nó đo lường tỷ lệ số lần mà mơ hình phân loại tổng số lần liệu phân loại Cơng thức tính Accuracy : 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝐶𝑜𝑟𝑟𝑒𝑐𝑡 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠 𝐴𝑙𝑙 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠 • Correct Predictions : Số lần dự đốn • All Predictions : Tổng số lần dự đốn Ví dụ, mơ hình phân loại huấn luyện để phân loại hình ảnh mèo chó đánh giá tập liệu kiểm tra, đánh giá Accuracy cách tính tỷ lệ số lượng hình ảnh phân loại thành mèo chó so với tổng số hình ảnh tập liệu kiểm tra b Ma trận nhầm lẫn (Confusion matrix) Ma trận nhầm lẫn ma trận đơn giản sử dụng để đánh giá hiệu suất mơ hình học máy toán phân loại Ma trận hiển thị giá trị dự đốn mơ hình so với giá trị thực tế, giúp đánh giá mức độ xác độ xác mơ hình phân loại 53 Trong : • TP (True Positive): Số lượng liệu mơ hình dự đốn thuộc lớp positive (đúng dương) • FP (False Positive): Số lượng liệu mơ hình dự đốn thuộc lớp positive thực tế lại thuộc lớp negative (sai dương) • TN (True Negative): Số lượng liệu mơ hình dự đốn thuộc lớp negative (đúng âm) • FN (False Negative): Số lượng liệu mơ hình dự đốn thuộc lớp negative thực tế lại thuộc lớp positive (sai âm) Thông qua confusion matrix, ta tính tốn số độ đo đánh giá hiệu suất mơ hình, bao gồm: • Accuracy: Tỷ lệ số liệu dự đoán tổng số liệu • Precision: Tỷ lệ số liệu dự đoán positive tổng số liệu dự đốn positive • Recall: Tỷ lệ số liệu dự đoán positive tổng số liệu thuộc lớp positive thực tế • F1-score: Một độ đo kết hợp Precision Recall, giúp đánh giá hiệu suất tổng thể mơ hình 54 3.2.5.3 Đánh giá mơ hình a Dữ liệu đánh giá mơ hình phân loại bệnh Tổng số ảnh tập kiểm nghiệm 5625 ảnh Trong số lượng ảnh nhãn thể biểu đồ sau : Dữ liệu tập thử nghiệm 904 325 2548 419 918 175 Covid 19 Khí phế thũng Xơ hố phổi 336 U phổi Viêm phổi Lao phổi Bình thường Hình 35 Biểu đồ số lượng ghi với loại bệnh tập liệu thử nghiệm b Kết q trình huấn luyện mơ hình Xception Biểu đồ thể độ xác q trình huấn luyện thẩm định : XCeption Trainning 0.9 0.8 0.7 Accuracy 0.6 0.5 0.4 0.3 0.2 0.1 10 11 12 13 14 15 16 17 18 19 20 Epoch Train Accuracy Validate Accuracy 55 Epoch Train Accuracy Validate Accuracy 0.6325 0.7228 0.7072 0.706 0.7077 0.6677 0.7256 0.728 0.7311 0.7232 0.7412 0.7403 0.7497 0.7278 0.7569 0.7417 0.7623 0.7546 10 0.7668 0.7657 11 0.7697 0.758 12 0.7751 0.7337 13 0.7745 0.7689 14 0.778 0.7582 15 0.7832 0.7556 16 0.7842 0.7643 17 0.7848 0.7733 18 0.7906 0.7596 19 0.7865 0.7223 20 0.7949 0.7739 Bảng Kết q trình huấn luyện mơ hình XCeption Thử nghiệm mơ hình tập liệu kiểm tra Ta thu ma trận nhầm lẫn : covid19 emphysema fibrosis mass normal pneumonia tuberculosis covid19 616 15 33 140 95 emphysema 103 26 179 14 0 fibrosis 55 30 320 10 mass 107 38 744 23 normal 15 37 50 282 2155 pneumonia 0 36 293 tuberculosis 13 146 Bảng Ma trận nhầm lẫn mô hình XCeption tập liệu kiểm tra 56 c Kết q trình huấn luyện mơ hình InceptionV3 Biểu đồ thể độ xác q trình huấn luyện thẩm định InceptionV3 0.9 0.8 0.7 Accuracy 0.6 0.5 0.4 0.3 0.2 0.1 10 11 12 13 14 15 16 17 18 19 20 Epoch Train Accuracy Epoch 10 11 12 13 14 15 16 17 18 19 20 Validate Accuracy Train Accuracy Validate Accuracy 0.6327 0.6883 0.708 0.7261 0.7345 0.7417 0.7515 0.7524 0.7536 0.7588 0.7643 0.7698 0.7754 0.7722 0.7716 0.7709 0.7766 0.7795 0.7723 0.776 0.6668 0.7216 0.7287 0.7262 0.7355 0.7397 0.7132 0.7755 0.7325 0.7255 0.6564 0.757 0.754 0.7458 0.7605 0.739 0.7228 0.7833 0.7079 0.738 Bảng Kết q trình huấn luyện mơ hình InceptionV3 57 Thử nghiệm mơ hình tập liệu kiểm tra Ta thu ma trận nhầm lẫn : covid19 emphysema fibrosis mass normal pneumonia tuberculosis covid19 558 78 24 62 156 26 emphysema 116 195 fibrosis 62 14 330 11 mass 138 741 29 normal 10 71 291 2062 109 pneumonia 1 327 tuberculosis 4 142 Bảng Ma trận nhầm lẫn mơ hình InceptionV3 tập liệu kiểm tra d Kết trình huấn luyện mơ hình VGG16 Biểu đồ thể xác q trình huấn luyện thẩm định VGG16 0.9 0.8 Accuracy 0.7 0.6 0.5 0.4 0.3 0.2 0.1 10 11 12 13 14 15 16 17 18 19 20 Epoch Train Accuracy Epoch 10 Validate Accuracy Train Accuracy Validate Accuracy 0.6152 0.6883 0.708 0.7261 0.7345 0.7417 0.7515 0.7524 0.7546 0.7588 0.6649 0.7033 0.7392 0.7668 0.762 0.7364 0.7504 0.7129 0.7489 0.7799 58 11 12 13 14 15 16 17 18 19 20 0.7643 0.7698 0.7754 0.7722 0.7762 0.776 0.7818 0.7849 0.783 0.7886 0.7701 0.7826 0.7607 0.7502 0.7623 0.7973 0.7835 0.7652 0.7966 0.786 Bảng Kết trình huấn luyện mơ hình VGG16 Thử nghiệm mơ hình tập liệu kiểm tra Ta thu ma trận nhầm lẫn : covid19 emphysema fibrosis mass normal pneumonia tuberculosis covid19 522 0 31 348 emphysema 90 0 47 187 fibrosis 134 73 209 mass 269 169 479 0 normal 622 0 37 1885 pneumonia 22 0 291 14 tuberculosis 124 39 Bảng Ma trận nhầm lẫn mơ hình VGG16 tập liệu kiểm tra e Nhận xét kết Từ kết thu tập liệu kiểm tra mô hình huấn luyện Ta có bảng đánh giá kết theo số Precision, Recall, F1 Score sau : STT Mơ hình Precision Recall F1-Score VGG16 0.452 0.461 0.396 InceptionV3 0.745 0.704 0.701 XCeption 0.76 0.727 0.729 Bảng Tổng hợp so sánh kết kiểm thử ba mơ hình Do tính chất tập liệu hình ảnh mắc nhiều bệnh nên tỉ lệ liên quan bệnh cao, điều ảnh hưởng tới việc chẩn đoán nhầm sang bệnh khác nhiều Tuy nhiên mơ hình XCeption cho thấy số 59 lượng chẩn đoán bệnh đáng tin cậy Vì tơi sử dụng mơ hình XCeption huấn luyện để tiến hành xây dựng ứng dụng 3.3 Xây dựng ứng dụng cài đặt 3.3.1 Luồng xử lý Hình 36 Luồng xử lý ứng dụng Sau khởi chạy server, yêu cầu từ phía người dùng liệu sẻ gửi lên bao gồm hình ảnh X Quang lồng ngực cần chẩn đốn hình ảnh mã hoá base64 Khi server nhận liệu tiến hành xử lý hình ảnh : giải mã hình ảnh từ base64 thành định dạng hình hảnh JPEG lưu lại hình ảnh vào mục lưu trữ tạm thời Server tiến hành kiểm tra hình ảnh có phải ảnh Xquang không, thông báo cho người dùng ảnh khơng thể chẩn đốn Nếu có, máy chủ tải mơ hình huấn luyện, đồng thời xử lý hình ảnh thư mục tạm theo kích thước giống với kích thước yêu cầu mơ hình Mơ hình tiến hành dự đốn hình ảnh thuộc loại bệnh nào, đầu luồng dự đoán mảng chứa xác suất dự đốn loại bệnh 60 Sau có kết dự đốn Server thu thập thơng tin loại bệnh dự đoán, tổng hợp hiển thị cho người dùng kết Người dùng truy cập vào nhãn bệnh hiển thị để xem thông tin chi tiết bệnh dự đốn để tham khảo 3.3.2 Xây dựng ứng dụng 3.3.2.1 Mô tả ứng dụng Hệ thống xây dựng với mục đích giúp cho người dùng dễ dàng chẩn đoán người bệnh mắc loại bệnh dựa vào ảnh đầu vào Hiện ứng dụng xây dựng để chẩn đốn số bệnh phổi Sau có kết chẩn đoán, hệ thống giúp người dùng dễ dàng tra cứu tất thông tin quan trọng liên quan tới bệnh mà hệ thống chẩn đoán Giúp cho người dùng dễ dàng tham khảo có thêm thông tin bệnh Ứng dụng xây dựng dựa công cụ : - Giao diện : HTML, CSS, JS, Bootstrap 5, JQuery - Máy chủ xử lý : Node JS verson 17.0, Python version 3.9 - Cơ sở Dữ liệu : MySQL 3.3.2.2 Thiết kế Cơ sở liệu Hình 37 Thiết kế sở liệu cho ứng dụng 61 Thông tin bảng CSDL : • disease (Bệnh) : Lưu thơng tin bệnh, bao gồm tên bệnh, mơ tả, … • sympton (Triệu chứng) : Lưu thông tin triệu chứng bệnh • disease_sympton (disease_sympton) : Bảng liên kết bệnh triệu chứng, bệnh có nhiều triệu chứng • protocol (Phác đồ điều trị) : Lưu thông tin phác đồ điều trị cho bệnh tương ứng • Reference (Tham khảo) : Lưu đường dẫn, tài liệu mà tất bảng CSDL có tham khảo thơng tin 3.3.3 Kết demo ứng dụng Dưới hình ảnh thể giao diện chương trình Bước : Chọn hình ảnh X Quang cần chẩn đốn bệnh Sau ảnh tải lên ấn nút “Chẩn đoán” Hệ thống nhận ảnh dạng request phân tích hình ảnh Hình 38 Giao diện ban đầu ứng dụng Nếu ảnh tải lên ảnh X Quang lồng ngực, hệ thống thông báo yêu cầu người dùng tải lên ảnh khác Hình 39 Thơng báo người dùng tải ảnh sai 62 Bước : Hệ thống nhận hình ảnh từ client, tiến hành dự đốn ảnh với mơ hình huấn luyện đề cập chương trước thu thập thông tin liên quan tới loại bệnh mà hệ thống dự đoán Hệ thống tổng hợp kết trả thông tin tổng hợp bao gồm loại bệnh đoán kèm tỉ lệ mắc loại bệnh Kèm theo thơng tin chi tiết loại bệnh Giao diện hiển thị biểu đồ chứa xác suất bắc bệnh loại bệnh dự đoán Kèm thông tin chi tiết loại bệnh để người dùng tham khảo Hình 40 Hiển thị kết sau chẩn đốn thành cơng Bước : Kết hiển thị biểu đồ biểu diễn khả ảnh tải lên mắc bệnh phần thông tin liên quan tới bệnh Người dùng ấn vào xem thêm để xem thông tin chi tiết bệnh để tham khảo thơng tin Hình 41 Click xem chi tiết thơng tin bệnh dự đốn 63 KẾT LUẬN I Kết đạt Sau thực xong đề án, đạt kết sau : - Thứ nhất, tìm hiểu trình bày kiến thức xử lý ảnh, mạng nơ ron, kiến trúc mạng nơ ron tích chập CNN kiến thức có liên quan - Thứ hai, tìm hiểu cấu trúc mơ hình pre-trainned : VGG16, InceptionV3, Xception áp dụng vào mơ hình chẩn đốn bệnh - Áp dụng thành cơng mơ hình CNN tìm hiểu để viết chương trình phân loại, dự đoán bệnh dựa vào ảnh chụp Xquang lồng ngực Thử nghiệm đánh giá kết thu từ mơ hình huấn luyện - Xây dựng ứng dụng thực chẩn đoán bệnh dựa vào ảnh chụp X Quang lồng ngực môi trường web theo mơ hình client server Đồng thời xây dựng sở liệu thông tin tham khảo liên quan tới bệnh dự đoán II Ưu điểm - Kết chẩn đốn tương đối xác số bệnh : Covid 19, U phổi, Không mắc bệnh , viêm phổi lao phổi - Xây dựng thành công ứng dụng demo với giao diện trực quan - Áp dụng thành cơng việc chẩn đốn bệnh với mơ hình mạng nơ ron học sâu Từ tạo tiền đồ cho việc chẩn đoán bệnh khác dễ dàng Từ có phương hướng mở rộng giới hạn chẩn đốn thêm nhiều loại bệnh khác Góp phần giúp tiết kiệm thời gian chi phí cho việc xét nghiệm cho người bệnh tình hình dịch bệnh diễn biến ngày phức tạp III Nhược điểm - Độ xác mơ hình huấn luyện chưa đạt kết tốt số bệnh : Khí phế thũng, xơ hố phổi - Hạn chế kiến thức chuyên môn y khoa để xác định rõ ràng dấu hiệu bệnh ảnh X Quang lồng ngực - Việc triển khai mơ hình dự đốn mức độ thử nghiệm, chưa thể áp dụng nhiều vào thực tế để đánh giá hiệu đề tài 64 IV Kết luận hướng phát triển - Trong lĩnh vực xử lý hình ảnh nói chung tốn chẩn đốn bệnh nói riêng rộng lớn nhiều phương pháp, kỹ thuật khác để nghiên cứu nên mong muốn tương lai phát triển sau : - Cải thiện độ xác mơ hình cách : • Xử lý ảnh đầu việc xác định xác vị trí vùng phổi để việc huấn luyện xác • Thu thập thêm liệu đầu vào bệnh phổi đề cập bệnh khác để cải thiện độ xác tăng số lượng loại bệnh chẩn đốn - Tìm hiểu nghiên cứu thêm mơ hình CNN khác để áp dụng để tăng khả dự đoán - Từ kết thu thơng qua đề tài Tìm hiểu mở rộng thêm ứng dụng, xây dựng mơ hình để khơng chẩn đốn bệnh phổi mà cịn dự đốn bệnh tim, da, ưng thư, … 65 DANH MỤC TÀI LIỆU THAM KHẢO [1] N T Tuấn, Convolutional neural network, sách Deep Learning bản, 2019 [2] K S a A Zisserman, Very deep convolutional networks for large-scale image recognition, 2014 [3] X Z S R a J S K He, “Deep residual learning for image recognition,” in Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition, LasVegas, NV, USA, 2016 [4] V V S I J S Z W G U C L Christian Szegedy, Rethinking the Inception Architecture for Computer Vision, IEEE Conference on Computer Vision and Pattern Recognition , 2016 [5] I S a G E H A Krizhevsky, “Imagenet classification with deep convolutional neural networks, ”Advances in Neural Information Processing Systems", Springer, Berlin, Germany, 2012 [6] K H R G a J S S Ren, “Faster R-CNN: towards real-time object detection with region proposal networks” Advances in Neural Information Processing Systems", MIT Press, Cambridge, MA, USA, 2015 [7] J M - S University, WHAT IS ARTIFICIAL INTELLIGENCE?, Stanford, 2007 Nov 12 [8] G H Baxes, Digital Image Processing: Principles and Applications., New York, 1994 [9] U o M Library, What is Resolution? (https://guides.lib.umich.edu/c.php?g=282942&p=1885350), 2022 [10] V P Nguyên, Nhận dạng ảnh mặt người sử dụng mạng nơ ron, Tạp chí Khoa học & Cơng nghệ, 2014 [11] www.mygreatlearning.com, Types of Neural Networks and Definition of Neural Network, Great Learning Team, Nov 23, 2022 [12] K Fukushima, A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position, Biological Cybernetics, April 1980 [13] J P - A U R Kumar Vaibhav, Convolutional Neural Network for Classification for Indian Jewellery, March 2021 [14] M Gurucharan, Basic CNN Architecture: Explaining Layers of Convolutional Neural Network, https://www.upgrad.com/blog/basic-cnn-architecture/, JUL 28, 2022 [15] L Y B a P H Yann LeCun, Gradient-based learning applied to document recognition, IEEE Conference Proceedings, 1998 [16] F Chollet, Xception: Deep Learning With Depthwise Separable Convolutions, 2017