(Tóm tắt 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 NGHIÊN CỨU VÀ XÂY DỰNG ỨNG DỤNG CHẨN ĐOÁN BỆNH SỬ DỤNG MƠ HÌNH HỌC SÂU CHUN NGÀNH : HỆ THỐNG THƠNG TIN MÃ SỐ: 8.48.01.04 TÓM TẮT ĐỀ ÁN TỐT NGHIỆP THẠC SĨ HÀ NỘI - 2023 Đề án tốt nghiệp hồn thành HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học : TS Đào Thị Thuý Quỳnh Phản biện 1: …………………………………………………………………………… Phản biện 2: …………………………………………………………………………… Đề án tốt nghiệp bảo vệ trước hội đồng chấm đề án tốt nghiệp thạc sĩ Học viện Cong nghệ Bưu Viễn thơng Vào lúc : ……… ………… ngày …… tháng năm ……… Có thể tìm hiểu đề án tốt nghiệp : - Thư viện Học viện Công nghệ Bưu Viễn thơng MỞ ĐẦU I LÝ DO CHỌN ĐỀ TÀI Sức khoẻ người có vai trị 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 kĩ 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 đặc biệt y học, xử lý ảnh hỗ trợ tốt cho việc chẩn đốn hình ảnh bệnh khối u, xương, mạch, ung thư, … 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, kĩ thuật học sâu (Deep learning [ CITATION Ngu19 \l 1033 ]) 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 Từ hiệu tuyệt vời mà công nghệ AI mang lại cho ngành y học Mong muốn phát triển ứng dụng giúp chẩn đốn nhiều loại bệnh thơng qua việc ứng dụng thuật tốn học sâu Tơi lựa chọn để tài : “NGHIÊN CỨU VÀ XÂY DỰNG ỨNG DỤNG CHUẨN ĐỐN BỆNH SỬ DỤNG MƠ HÌNH HỌC SÂU” II TỔNG QUAN ĐỀ TÀI Các kĩ thuật học sâu (deep learning) nghiên cứu rộng rãi thử nghiệm chứng minh đạt hiệu cao tốn phân lớp , nhận dạng hình ảnh Các kiến trúc học sâu dựa mạng nơ ron tích chập (CNN – convolutional neural network [ Ngu19 \l 1033 ]) CITATION liên tục nghiên cứu cải tiến đem lại kết thử nghiệm ấn tượng, kể đến số mơ hình tiêu biểu VGG16 [ CITATION KSi14 \l 1033 ], ResNet[ CITATION KHe16 \l 1033 ], Inception [CITATION Chr \l 1033 ], … Đề án trước hết tập trung nghiên cứu, giới thiệu kiến thức chung xử lý hình ảnh ứng dụng AI toán xử lý phân loại hình ảnh(Classification) [ CITATION AKr12 \l 1033 ] ;Giới thiệu kiến trúc mạng CNN [ CITATION SRe15 \l 1033 ] ứng dụng Trên sở lý thuyết thu thập tiến hành xây dựng chương trình mơ chẩn đốn bệnh thông qua ảnh chụp đầu vào Đề tài tập trung vào xử lý hình ảnh chẩn đoán bệnh phổi dựa ảnh chụp X Quang lồng ngực, áp dụng giải thuật học sâu đại So sánh kết thu nhận xét, đánh giá để tìm kiến trúc mạng học sâu phù hợp làm tiền đề cho việc xây dựng ứng dụng hỗ trợ chẩn đốn bệnh thơng qua hình ảnh III MỤC TIÊU NGHIÊN CỨU - Giải tốn nhận dạng hình ảnh mơ hình mạng nơ ron CNN - Hiểu rõ kế thừa ưu điểm kiến trúc mạng nơ-ron CNN - Kế thừa nghiên cứu hệ thống nhận dạng hình ảnh y tế trước - Xây dựng hệ thống mạng nơ-ron chẩn đoán bệnh dựa vào hình ảnh chụp X Quang ngực - Nghiên cứu, đánh giá hiệu số kiến trúc mạng nơ ron - Học hỏi rẻn luyện kĩ : + Ứng dụng kiến thức học trình đào tạo vào thực tiễn + Tăng cường kiến thức nhận dạng hình ảnh, cụ thể mạng nơ ron, xây dựng tảng cho trình nghiên cứu sau + Nâng cao kĩ thực hành với ngôn ngữ lập trình python, framework thư viện AI 4 Chương CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu toán chẩn đoán bệnh phổi sử dụng mạng nơ ron học sâu Trong thể người, phổi phận quan trọng có vai trị trao đổi khí, trì sống cịn cho người Tuy nhiên tác động môi trường khiến cho bệnh phổi ngày gia tăng Bài toán chẩn đoán bệnh phổi với deep learning lĩnh vực nhận quan tâm lớn lĩnh vực thị giác máy tính y học Deep learning, đặc biệt mô hình convolutional neural network (CNN), chứng minh khả xuất sắc việc xử lý phân loại hình ảnh y tế từ liệu lớn phức tạp Đây toán thuộc dạng phân loại ảnh, để thực công việc này, ta sử dụng số mơ hình mạng nơ ron học sâu CNN có khả đọc đặc trưng hình ảnh, đặc điểm đặc trưng bệnh phổi cách huấn luyện mạng CNN liệu phân loại bệnh phổi, mạng CNN tự động học đặc trưng bệnh phổi phân loại xác hình ảnh vào lớp bệnh phổi khác Trong đề án tìm hiểu mơ hình học sâu phổ biến nay, từ tìm mơ hình tốt xây dựng mơ hình để xử lý toán dựa kiến trúc mơ hình tìm hiểu Sau xây dựng ứng dụng chẩn đoán bệnh phổi sử dụng mơ hình tạo 1.2 Một số loại bênh vềp hổi chẩn đoán ảnh X Quang - Viêm phổi (Pneumonia) - Covid 19 - Lao phổi (Tubculosis) - U phổi (Mass) - Khí phế thũng (Emphysema) - Xơ hoá phổi (Fibrosis) 1.3 Tổng quan ảnh số kĩ thuật xử lý ảnh 1.3.1 Một số khái niệm xử lý ảnh  Ảnh số : biểu diễn dạng số học hình ảnh máy tính Ảnh số có hai loại : Ảnh xám, ảnh màu  Ảnh xám : Loại ảnh sử dụng mức xám để biểu diễn thơng tin hình ảnh Trong điểm ảnh biểu diễn giá trị khoảng 0-255  Ảnh màu : Là loại ảnh sử dụng kênh màu để biểu diễn thơng tin hình ảnh, thông thường ảnh màu biểu diễn ba kênh RGB  Số bit để lưu trữ ảnh :  Công thức : Số bit = số điểm ảnh x số bit cho điểm ảnh  Độ phân giải ảnh : Là đại lượng dùng để mô tả mức độ chi tiết hình ảnh dựa số lượng điểm ảnh đơn vị độ dài diện tích 1.3.2 Một số kĩ thuật xử lý ảnh Một số kĩ thuật phổ biến xử lý ảnh : - Giảm nhiễu : Là trình loại bỏ giảm thiểu nhiễu có mặt ảnh - Biến đổi ảnh : Là trình sử dụng thuật toán để thay đổi thuộc tính hình ảnh - Xử lý biên ảnh : Là trình sử dụng lọc để giữ lại cấu trúc quan trọng ảnh - Nén ảnh : Là trình làm giảm dung lượng ảnh mà giữ lại tính chất ảnh ngưỡng chấp nhận - Phân vùng : Là trình chia ảnh thành vùng khơng chồng lấn 1.4 Trích chọn đặc trưng biểu diễn đặc trưng hình ảnh Quy trình trích chọn đặc trưng biểu diễn đặc trưng hình ảnh : 1.5 Kĩ thuật học máy Học máy lĩnh vực trí tuệ nhân tạo, giúp máy tính thay viết code trực tiếp máy tính học tự điều chỉnh từ liệu để làm số tác vụ cụ thể Một số kĩ thuật học máy tiêu biểu : - Học máy có giám sát (Supervised learning) : Dữ liệu huấn luyện chứa đầu vào đầu mong muốn Mục tiêu xây dựng mơ hình dự đốn đầu cho đầu vào - Học máy không giám sát (Unsupervised learning) : Dữ liệu huấn luyện chưa đầu vào mà không chứa đầu Mục tiêu tìm mẫu nhóm liệu - Học máy bán giám sát (Semi – supervised learning) : Kết hợp hai loại Mục tiêu xây dựng mơ hình dự đốn cho đầu vào dựa có nhãn khơng có nhãn 1.6 Ứng dụng mạng nơ ron chẩn đoán y tế Mạng nơ ron học sâu (Deep Learning) mang đến nhiều lợi ích đáng kể lĩnh vực y tế, mở tương lai hứa hẹn với tiến đáng kinh ngạc Dưới số lợi ích ứng dụng mạng nơ ron học sâu y tế: - Chẩn đoán phân loại bệnh - Dự đốn phịng ngừa bệnh tật - Hỗ trợ phẫu thuật điều trị - Dự báo dịch bệnh - Tuỳ chỉnh điều trị 7 Chương KỸ THUẬT HỌC SÂU MẠNG NƠ RON CNN 2.1 Tổng quan mạng nơ ron tích chập 2.1.1 Mạng nơ ron nhân tạo Mạng nơ ron nhân tạo (Artifical Neural Network – ANN) mơ hình tính tốn dựa hệ thống nơ ron não người Mạng nơ ron nhân tạo bao gồm số lượng lớn “nơ ron nhân tạo” hoạt động nhằm thực phép tính xử lý thơng tin Mỗi nơ ron nhân tạo nhaanj đầu vào từ nơ ron khác thơng qua kết nối, thực tính tốn đơn giản đầu vào truyền cho nơ ron khác Qua trình huấn luyện, mạng nơ ron tự điều chỉnh để tìm mẫu quy luật liên hệ liệu đầu vào đầu Mạng nơ ron nhân tạo ứng dụng để giải nhiều vấn đề phức tạp sống Một số ứng dụng kể đến : Hàng không vũ trụ, kinh tế, ngân hàng, quân sự, điện tử viễn thông, sản xuất robot, trợ lý ảo, y tế, giải trí, … Cấu tạo mạng nơ ron nhân tạo bao gồm Input Layer, nhiều khơng có Hidden Layer, Output Layer Các layer liên kết với thông qua node : Một số kiểu mạng nơ ron nhân tạo :  Perceptron  Feed Forward Neural Network ) Mạng nơ ron truyền thẳng  Multilayer Perceptron  Convoluntional Neural Network  Recurrent Neural Network 8  Modular Neural Network 2.1.2 Mạng nơ ron tích chập Mạng nơ ron CNN đề xuất lần đầu vào năm 1980 Kunihiko Fukushima, cải tiến vào năm 1998 thúc đẩy rình phát triển ngành computer vision Kiến trúc mạng nơ ron CNN : Mạng nơ ron CNN chia thành chiều : rộng, caom sâu Hai thành phần mạng nơ ron CNN bao gồm Phần trích chọn đặc trưng phần Phân lớp - Phần trích chọn đặc trưng : Mạng CNN tiến hành phép tích chập để tạo đồ đặc trưng, sau truyền qua hàm kích hoạt để tăng khả biểu diễn đặc trưng mơ hình Sau gộp để giảm kích thước đồ đặc trưng để giảm độ phức tạp Quá trình lặp lại nhiều lần với nhiều tầng tích chập gộp Sau kết truyền qua tầng kết nối đầy đủ để kết hợp đặc trưng thực bước phân lớp cuối - Phần phân lớp : Sau thông qua tầng tích chập gộp mạng nơ-ron tích chập (CNN) để trích chọn đặc trưng, q trình phân lớp thực thông qua tầng kết nối đầy đủ (fully connected layers) tầng cuối để tính tốn đầu dự đốn 9 Các tầng mạng nơ ron CNN : - Tầng tích chập (Covoluntional Layer) : Tầng tích chập CNN bao gồm tập hợp lọc (kernel) Các lọc trượt qua khắp khơng gian đầu vào để tính tốn đầu Kết cùa phép tích chập đồ đặc trưng (feature map) mới, giá trị đại diện cho kích hoạt lọc tương ứng vị trí tương ứng khơng gian đầu vào Q trình tích chập lọc đầu vào cho phép tìm kiếm nhận dạng đặc trưng cục cạnh, góc, hình dạng liệu khơng gian - Tầng tổng hợp (Pooling Layer) : Là thành phần quan trọng mạng nơ ron tích chập Nhiệm vụ tầng tổng hợp giảm kích thước đặc trưng trích xuất từ tầng tích chập giảm thiểu việc tính tốn Có hai loại tầng tổng hợp phổ biến Max Pooling, Average Prooling Việc sử dụng tầng tổng hợp giúp giảm kích thước đặc trưng, giảm số lượng tham số việc tính toán mạng Giúp giảm độ phức tạp tránh overfitting - Tầng kết nối đầy đủ : (Fully Connected Layer/Dense Layer) thành phần quan trọng mạng nơ ron Tầng kết nối đầu vào từ tầng trước với đầu tầng sau Trên nút tầng kết nối đầy đủ, có trọng số hệ số điều chỉnh (bias) tương ứng Tầng thực phép tính tuyến tính cách nhân giá trị đầu vào với trọng số tương ứng, sau cộng tổng kết lại áp dụng hàm kích hoạt phi tuyến tính lên tổng Q trình giúp mơ hình học tạo biểu diễn phi tuyến tính phức tạp liệu Tầng sử dụng tầng cuối mạng nơ ron để tạo dự đoán phân loại cuối dựa thơng tin trích xuất từ tầng trước 10 2.2 Một số mơ hình pre-trained mạng nơ ron CNN - Lenet-5 - VGG16 - Resnet50 - InceptionV3 - Xception 2.3 Lựa chọn mơ hình học sâu để xây dựng ứng dụng Từ mơ hình giới thiệu ưu nhược điểm chúng, ta sử dụng ba mơ hình VGG16, InceptionV3, Xception lý sau : - Hiệu suất cao - Kiến trúc phức tạp - Cấu trúc đa tầng - Kỹ thuật cải tiến - Đã đánh giá sử dụng rộng rãi 11 CHƯƠNG THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 3.1 Cơ sở liệu thực nghiệm Đề tài tập trung phát triển vào việc chẩn đoán bệnh liên quan tới phổi dựa vào phân loại ảnh X Quang lồng ngực Tập liệu sưu tầm có tổng cộng 22448 ảnh X Quang lồng ngực, : Covid19 Khí phế Xơ hố thũng phổi Số mẫu 3616 1303 1618 Dataset sưu tầm từ số nguồn : U Phổi Viêm 3674 phổi 1345 Lao phổi Bình 700 thường 10132 Bộ liệu hình ảnh X Quang phổi viện y tế quốc gia NIH - (https://www.kaggle.com/datasets/nih-chest-xrays/data) - Bộ liệu ảnh X Quang phổi người bệnh Covid 19 (https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiographydatabase) Trong trường hợp người dùng đưa ảnh đầu vào ảnh X Quang lồng ngực đưa kết khơng mong muốn Vì cần sử dụng dataset thứ hai để phục vụ việc phân biệt ảnh X Quang lồng ngực hay không Tập liệu bao gồm : Ảnh X Quang Không phải ảnh X Quang Số mẫu 1618 2000 Tiến hành tạo huấn luyện mơ hình kiểm tra loại ảnh với tập liệu thử nghiệm tập thử nghiệm Thu kết phân loại với Accuracy = 1.0 Như ứng dụng phân biệt ảnh đầu vào ảnh X Quang hay khơng với độ xác 100% 3.2 Xây dựng mơ hình học sâu giải toán III.2.1 Chuẩn bị liệu Dữ liệu ban đầu chia vào hai thư mục train validate với tỉ lệ 75 : 25 Mỗi thư mục chứa thư mục có tên nhãn bệnh chứa ảnh tương ứng với bệnh III.2.2 Xử lý liệu Sử dụng thư viện python cần thiết để xử lý liệu xây dựng mơ hình CNN Các thư viện nêu rõ chúng trình giải vấn đề 12 Tiến hành xử lý liệu trước đưa vào mơ hình để huấn luyện Sử dụng lớp ImageDataGenerator thư viện Keras để xử lý liệu hình ảnh cho việc huấn luyện mơ hình kiểm tra độ xác mơ hình Lớp ImageDataGenerator có nhiệm vụ sử dụng pháp xử lý ảnh (VD : Cắt, xoay, phóng to, thu nhỏ, …) để tạo phiên tăng cường ảnh huấn luyện Điều giúp tăng cường tập liệu làm cho mơ hình huấn luyện tránh overfitting Chúng ta tạo đối tượng “train_datagen” xử lý cho hình ảnh tập huấn luyện, “val_datagen” để xử lý cho hình ảnh tập kiểm tra Các tham số cấu hình bao gồm :  rescale=1./255 : Điều chỉnh lại tỉ lệ pixel ảnh cách chia tất giá trị pixel cho 255 để đưa chúng giá trị  shear_range: Tham số xác định mức độ biến dạng cắt ngang (shearing) áp dụng chiều rộng ảnh Giá trị tham số thiết lập 13 phạm vi từ đến 1, với giá trị lớn tạo mức độ biến dạng cắt ngang lớn  zoom_range: Tham số xác định mức độ thu phóng ảnh Giá trị tham số thiết lập phạm vi từ đến 1, với giá trị lớn tạo mức độ thu phóng lớn  horizontal_flip: Áp dụng phép lật ảnh theo chiều ngang (đổi vị trí ảnh từ trái sang phải) Bước Chúng ta tiến hành tạo luồng liệu phục vụ cho việc huấn luyện kiểm tra mơ hình Ta sử dụng hàm “flow_from_directory” lớp “ImageDataGenerator” để tạo hai luồng liệu đầu vào train cho việc huấn luyện val cho việc kiểm tra mơ hình học sâu Các tham số truyền vào sau :  “train”, “validate”: Đường dẫn tới thư mục chứa tập liệu huấn luyện kiểm tra mơ hình  target_size=(299, 299): Kích thước ảnh đầu vào sau resize kích thước Trong trường hợp này, kích thước đầu vào thiết lập (299, 299) pixels  batch_size=4: Kích thước batch liệu sử dụng trình huấn luyện Trong trường hợp này, batch chứa hình ảnh đầu vào nhãn tương ứng  class_mode='categorical': Kiểu đầu tập liệu huấn luyện, thiết lập 'categorical' để đảm bảo nhãn biểu diễn dạng one-hot encoding Điều có nghĩa nhãn biểu diễn dạng vector có độ dài với số lớp có phần tử vị trí tương ứng với lớp ảnh 14 Kết in : Sau thử in số thơng tin để kiểm tra : Kết in : III.2.3 Xây dựng mơ hình huấn luyện Sau tạo luồng liệu đầu vào cho việc huấn luyện kiểm tra mơ hình Chúng ta tiến hành xây dựng mơ hình để huấn luyện tập liệu, dựa mơ hình CNN phổ biến : VGG16, InceptionV3, Xception Một số thơng số cấu hình chung mơ hình :  Các mơ hình học sâu xây dựng dựa kiến trúc đề cập Chúng ta đóng băng tầng mơ hình để khơng cho phép cập nhật tầng q trình huấn luyện Và khơng bao gồm tầng fully connected cuối mạng để trích xuất đặc trưng  Mỗi mơ hình sử dụng trọng số tập liệu Imagenet Đầu vào mơ hình có kích thước 299x299 pixels  model = Sequential(): Khởi tạo mơ hình mạng nơ ron model.add(Input(shape=(299, 299, 3))): Thêm tầng đầu vào với kích thước (299, 299, 3)  model.add(base): Thêm tầng sử dụng mạng VGG16 đóng băng để trích xuất đặc trưng từ ảnh đầu vào model.add(Dropout(0.2)): Thêm tầng dropout để ngăn chặn overfitting  model.add(Flatten()): Thêm tầng flatten để chuyển đổi feature map từ mạng VGG16 thành vector đặc trưng dài model.add(Dropout(0.2)): Thêm tầng dropout để ngăn chặn overfitting 15  model.add(Dense(16)): Thêm tầng đầy đủ (fully connected layer) với 16 đơn vị  model.add(Dense(5, activation='softmax')): Thêm tầng đầy đủ cuối với đơn vị hàm kích hoạt softmax để phân loại ảnh vào lớp khác  model.summary(): Hiển thị thông tin chi tiết kiến trúc mơ hình a Mơ hình VGG16 base = VGG16(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() b Mơ Hình InceptionV3 base = InceptionV3(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() 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) 16 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() III.2.4 Kết trình huấn luyện Môi trường huấn luyện : Phần mềm sử dụng python 3.9, Keras & Tensorflow 2.10, Window10, NVDA CUDA Driver 11.2.2 Phần cứng sử dụng máy tính có cấu hình : 16GB RAM, CPU Intel Core i5 10400, GPU NVDA GTX 1660 Ti Phương thức đánh giá kết : Để đánh giá kết huấn luyện mơ hình tạo, ta sử dụng phương thức sau : - Accuracy metric : Cơng thức tính Accuracy Accuracy = Số lần dự đoán / Tổng số lần dự đoán - Confusion Matrix : Confusion matrix 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 - Kết huấn luyện mơ hình Xception : Ma trận confusion tập thử nghiệm : covid19 emphysema fibrosis mass normal pneumonia tuberculos is - covid1 emphysem fibrosi mas norma pneumoni tuberculos 616 15 a 15 103 55 107 37 s 33 26 30 38 50 s 140 179 320 744 282 l 95 14 10 23 2155 36 a 293 is 0 13 146 Kết huẩn luyện mơ hình InceptionV3 : Ma trận confusion tập thử nghiệm : covid19 emphysema covid1 emphysem fibrosi mas norma pneumoni tuberculos 558 a 78 116 s 24 s 62 195 l 156 a 26 is 0 17 fibrosis mass normal pneumonia tuberculos 0 10 62 138 71 14 330 741 291 11 29 2062 109 327 4 142 is - Kết huấn luyện mơ hình VGG16 : Ma trận confusion tập thử nghiệm : covid19 emphysema fibrosis mass normal pneumonia tuberculos is covid1 emphysem fibrosi mas norma pneumoni tuberculos 522 90 134 269 622 22 a 0 0 0 s 0 1 0 s 31 47 73 169 37 l 348 187 209 479 1885 291 a 2 14 is 0 0 124 39 Từ kết huấn luyện thử nghiệm tập huấn luyện kiểm tra Ta có bảng đánh giá 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 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 lượng chẩn đoán bệnh đáng tin cậy Vì tơi sử dụng mơ hình XCeption huấn luyện để tiến hành xây dựng ứng dụng 18 3.3 Xây dựng ứng dụng cài đặt - Luồng xử lý : - 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 19 - Thiết kế CSDL cho ứng dụng : - Kết demo ứng dụng : Bước : Chọn hình ảnh X Quang cần chẩn đoán bệnh Sau ảnh tải lên ấn nút “Chẩn đoán” Hệ thống nhận ảnh dạng request phân tích hình ảnh Nếu ảnh tải lên ảnh X Quang lồng ngực, hệ thống thông báo yêu cầu người dùng tải lên ảnh khác