Trong thế kỷ 21, sự bùng nổ của công nghệ thông tin và trí tuệ nhân tạo đã thay đổi cách chúng ta tiếp cận và giải quyết các vấn đề y học. Một trong những ứng dụng quan trọng nhất của trí tuệ nhân tạo trong lĩnh vực y học là khả năng phân loại và nhận dạng bệnh lý dựa trên hình ảnh y học. Đặc biệt, trong việc chẩn đoán các bệnh liên quan đến não, như các khối u não, trí tuệ nhân tạo đã trở thành một phần quan trọng của quá trình chẩn đoán và điều trị. Khối u não là một bệnh lý nguy hiểm và phức tạp. Các loại khối u có thể đa dạng về kích thước, hình dạng, vị trí và tính chất. Việc chẩn đoán đúng loại khối u và xác định tính bình hoặc ác tính của nó là quan trọng để đưa ra quyết định về phương pháp điều trị phù hợp. Chẩn đoán sai có thể dẫn đến quá trình điều trị không cần thiết hoặc trễ chẩn đoán có thể gây nguy hiểm đến sức khỏe của bệnh nhân. Trong bối cảnh này, ảnh chụp cộng hưởng từMRI (Magnetic Resonance Imaging) đã trở thành công cụ quan trọng trong việc đánh giá các vấn đề liên quan đến não. MRI cung cấp hình ảnh cận thực và chi tiết về cấu trúc của não, giúp chuyên gia y tế dự đoán và phân loại khối u. Tuy nhiên, việc phân loại các loại khối u dựa trên ảnh MRI vẫn đòi hỏi sự can thiệp của các chuyên gia và có thể mắc nhiều khó khăn. Với sự phát triển của trí tuệ nhân tạo, đặc biệt là mạng nơ ron tích hợp (CNN), chúng ta đã có cơ hội tự động hóa quá trình phân loại khối u não từ ảnh MRI. Mạng nơ ron tích hợp đã tỏ ra xuất sắc trong việc nhận dạng và phân loại đối tượng trong hình ảnh, và có tiềm năng lớn trong lĩnh vực y học.
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN o0o ĐỒ ÁN CHUYÊN NGÀNH NGÀNH : KHOA HỌC MÁY TÍNH Đề tài: Phân loại khối u não qua ảnh chụp cổng hưởng từ - MRI mạng Nơ-ron tích chập Giảng viên hướng dẫn: TS Nguyễn Mạnh Cường Lớp : 20231IT6052002 Nhóm : 17 SV thực : Phạm Cao Lương-2020605264 Bùi Duy Nghiêm-2020604948 Bùi Hồng Quân-2020606682 Hà Nội -2024 MỤC LỤC LỜI MỞ ĐẦU NỘI DUNG CHƯƠNG 1: KHẢO SÁT VÀ PHÁT BIỂU BÀI TOÁN 1.1Tìm hiểu sơ bệnh u não 1.1.1 Khối u não 1.1.2 Tần xuất xuất 1.1.3 Sự nguy hiểm 1.1.4 Phân biệt u não ung thư não 1.1.5 Khối u não nguyên phát di 1.1.6 Vị trí u não .4 1.1.7Triệu chứng khối u não .5 1.1.8 Nguyên nhân yếu tố nguy 1.1.9 Sự di truyền khối u não .6 1.1.10 Chẩn đoán khối u não 1.1.11 Phân loại khối u não .8 1.2 Thực trạng bệnh ung thư não giới Việt Nam .9 1.2.1 Thực trạng giới 1.2.3 Thực trạng Việt Nam 12 1.3 Phát biểu toán 16 1.3.1 Hiện trạng vấn đề hướng xử lý 16 1.3.2 Sơ toán: 17 CHƯƠNG 2: CÁC KỸ THUẬT GIẢI QUYẾT BÀI TOÁN .21 2.1 Phương hướng tiếp cận toán 21 2.2 Một số kỹ thuật giải toán 21 2.2.1 Máy vectơ hỗ trợ (Support Vector Machine - SVM) .22 2.2.2 K láng giềng gần (K-Nearest Neighbor – K-NN) 23 2.2.3 Mạng nơ ron tích chập (Convolutional neural network - CNN) 25 CHƯƠNG 3:THỰC NGHIỆM 31 3.1 Nội dung chương trình thực nghiệm 31 TỔNG KẾT 39 TÀI LIỆU THAM KHẢO 40 DANH MỤC HÌNH ẢNH Hình 1:Giải phẫn chức não Hình1.2:Số liệu ca mắc giới .10 Hình1.3:Số liệu tử vong giới 10 Hình1.4:Số liệu hồi phục giới 11 Hình1.5:Số liệu dự đốn ca mắc giới 11 Hình1.6:Số liệu dự đốn ca tử vong giới 12 Hình1.7:Số liệu ca mắc Việt Nam 13 Hình1.8:Số liệu ca tử vong Việt Nam 14 Hình1.9:Số ca sống sót Việt Nam .15 Hình2.1:Minh họa thuật tốn SVM .22 Hình2.2:Cơng thức KNN 24 Hình2.3:Hình ảnh minh họa mạng CNN .25 Hình2.4:Hình ảnh minh họa mạng AlexNet 26 Hình2.5:Hình ảnh minh họa mạng VGG .27 Hình2.6:Hình ảnh minh họa mạng ResNet 28 Hình2.7ResNet sử dụng kết nối tắt xuyên qua hay nhiều lớp 29 LỜI CẢM ƠN Trước tiên với tình cảm sâu sắc chân thành nhất, cho phép chúng em bày tỏ lịng biết ơn đến thầy trường Đại học Công Nghiệp Hà Nội, đặc biệt thầy cô khoa Công Nghệ Thông Tin trường tạo điều kiện cho chúng em có kỳ đồ án tốt nghiệp Và em xin chân thành cảm ơn thầy giáo Tiến Sĩ Nguyễn Mạnh Cường – người tận tâm hướng dẫn chúng em qua buổi nói chuyện, hướng dẫn, thảo luận lĩnh vực đề tài Trong trình làm đồ án, q trình làm báo cáo, khó tránh khỏi sai sót Chúng em mong nhận ý kiến đóng góp từ thầy để học thêm nhiều kinh nghiệm hoàn thành tốt báo cáo tốt nghiệp tới Chúng em xin chúc thầy cô dồi sức khỏe, vui vẻ thành công sống Chúng em xin chân thành cảm ơn Nhóm thực Nhóm 17 LỜI MỞ ĐẦU Trong kỷ 21, bùng nổ cơng nghệ thơng tin trí tuệ nhân tạo thay đổi cách tiếp cận giải vấn đề y học Một ứng dụng quan trọng trí tuệ nhân tạo lĩnh vực y học khả phân loại nhận dạng bệnh lý dựa hình ảnh y học Đặc biệt, việc chẩn đoán bệnh liên quan đến não, khối u não, trí tuệ nhân tạo trở thành phần quan trọng trình chẩn đoán điều trị Khối u não bệnh lý nguy hiểm phức tạp Các loại khối u đa dạng kích thước, hình dạng, vị trí tính chất Việc chẩn đốn loại khối u xác định tính bình ác tính quan trọng để đưa định phương pháp điều trị phù hợp Chẩn đoán sai dẫn đến q trình điều trị khơng cần thiết trễ chẩn đốn gây nguy hiểm đến sức khỏe bệnh nhân Trong bối cảnh này, ảnh chụp cộng hưởng từ-MRI (Magnetic Resonance Imaging) trở thành công cụ quan trọng việc đánh giá vấn đề liên quan đến não MRI cung cấp hình ảnh cận thực chi tiết cấu trúc não, giúp chuyên gia y tế dự đoán phân loại khối u Tuy nhiên, việc phân loại loại khối u dựa ảnh MRI đòi hỏi can thiệp chuyên gia mắc nhiều khó khăn Với phát triển trí tuệ nhân tạo, đặc biệt mạng nơ ron tích hợp (CNN), có hội tự động hóa trình phân loại khối u não từ ảnh MRI Mạng nơ ron tích hợp tỏ xuất sắc việc nhận dạng phân loại đối tượng hình ảnh, có tiềm lớn lĩnh vực y học Với mục tiêu ứng dụng trí tuệ nhân tạo vào phân loại khối u não từ ảnh chụp cộng hưởng từ-MRI, đề tài đời Chúng đặt mục tiêu nghiên cứu phát triển hệ thống sử dụng mạng nơ ron tích hợp để phân loại loại khối u não cách tự động xác Điều giúp rút ngắn thời gian chẩn đốn, đảm bảo tính xác đồng thời giảm bớt gánh nặng cho chuyên gia y tế Trong phần đề tài, chúng tơi trình bày chi tiết phương pháp quy trình thực hiện, bao gồm việc thu thập tiền xử lý liệu, xây dựng mô hình CNN, thực nghiệm tập liệu thực tế Chúng hy vọng đề tài đóng góp vào việc cải thiện chẩn đốn điều trị khối u não, làm giảm tải công việc chuyên gia y tế tạo hướng tiến lĩnh vực y học sử dụng trí tuệ nhân tạo Nội dung báo cáo đồ án tốt nghiệp bao gồm chương sau: Chương 1: Khảo sát phát biểu toán Trong chương ,nhóm tiến hành khảo sát sơ thơng tin liên quan đến tình trạng u não người ,hiện trạng bệnh toàn giới nói chung Việt Nam nói riêng Sau nhóm tìm hiểu kỹ thuật dùng việc chẩn đốn Sau phần khảo sát ,trình bày toán đặt phân loại khối u qua hình ảnh Chương 2: Các kỹ thuật giải toán Sau phát biểu xác định rõ rang u cầu tốn, nhóm trình bày kỹ thuật giải toán ưu nhược điểm chúng Chương 3: Thực nghiệm Tại chương 3, nhóm tập trung q trình thực nghiệm kết đạt sau Phần Tổng kết Cuối phần kết luật, tổng hợp kết đạt được, hướng phát triển mở rộng đề tài nghiên cứu tương lai NỘI DUNG CHƯƠNG 1: KHẢO SÁT VÀ PHÁT BIỂU BÀI TỐN 1.1Tìm hiểu sơ bệnh u não 1.1.1 Khối u não Khối u não phát triển tế bào bất thường não Giải phẫu não phức tạp, với phần khác chịu trách nhiệm cho chức khác hệ thần kinh Các khối u não phát triển phần não hộp sọ, bao gồm lớp màng bảo vệ, mặt não (nền sọ), thân não, xoang khoang mũi nhiều khu vực khác Có 120 loại khối u khác phát triển não, tùy thuộc vào loại mô mà chúng phát sinh.[1] 1.1.2 Tần xuất xuất Tỷ lệ mắc u não ác tính ngun phát chuẩn hóa theo độ tuổi toàn cầu hàng năm ~3,7 100.000 nam 2,6 100.000 nữ Tỷ lệ dường cao quốc gia phát triển (nam, 5,8 nữ, 4,1 100.000) so với quốc gia phát triển nước phát triển (nam 3,0 nữ 2,1 100.000).[2] 1.1.3 Sự nguy hiểm (Các thông tin từ 1.1.3 đến 1.1.11 trích dẫn từ tài liệu tham khảo [3]) Các khối u não nguy hiểm chúng gây áp lực lên phần não khỏe mạnh lan sang khu vực Một số khối u não ung thư trở thành ung thư Chúng gây vấn đề chặn dòng chất lỏng xung quanh não, điều dẫn đến tăng áp lực bên hộp sọ Một số loại khối u lan truyền qua dịch tủy sống đến vùng xa não cột sống 1.1.4 Phân biệt u não ung thư não Tất bệnh ung thư não khối u, tất khối u não ung thư Các khối u não không ung thư gọi khối u não lành tính Các khối u não lành tính thường phát triển chậm, có đường viền rõ ràng lan rộng Các khối u lành tính nguy hiểm Chúng làm tổn thương chèn ép phận não, gây rối loạn chức nghiêm trọng Các khối u não lành tính nằm khu vực quan trọng não đe dọa tính mạng Rất khối u lành tính trở thành ác tính Ví dụ khối u lành tính điển hình bao gồm u màng não, u bao thần kinh tiền đình u tuyến yên 1.1.5 Khối u não nguyên phát di Khối u não nguyên phát khối u bắt đầu não Ví dụ khối u thường bắt nguồn từ não bao gồm u màng não u thần kinh đệm Rất khối u vỡ lan sang phần khác não tủy sống Thông thường hơn, khối u lan đến não từ phận khác thể Các khối u não di căn, gọi khối u não thứ phát, khối u ác tính có nguồn gốc từ ung thư nơi khác thể sau di (lan rộng) đến não Các khối u não di phổ biến khoảng bốn lần so với khối u não nguyên phát Chúng phát triển nhanh chóng, đơng đúc xâm lấn mơ não gần 1.1.6 Vị trí u não Các khối u não hình thành phần não, có số vùng định hình thành khối u cụ thể: +)U màng não hình thành màng não, lớp màng bảo vệ não +)Các khối u tuyến yên phát triển tuyến yên +)Các khối u u nguyên bào tủy phát sinh từ tiểu não thân não +)Các khối u sọ phát triển mặt não, gọi sọ 1.1.7 Triệu chứng khối u não Các phần khác não kiểm soát chức khác nhau, triệu chứng khối u não khác tùy thuộc vào vị trí khối u Ví dụ, khối u não nằm tiểu não phía sau đầu gây khó khăn di chuyển, lại, giữ thăng phối hợp Nếu khối u ảnh hưởng đến đường quang học, chịu trách nhiệm thị giác, thay đổi thị lực xảy Hình 1:Giải phẫn chức não (Nguồn :hình ảnh trích dẫn từ tài liệu tham khảo [6]) Kích thước khối u tốc độ phát triển ảnh hưởng đến triệu chứng mà người gặp phải Nói chung, triệu chứng phổ biến khối u não bao gồm: +)Nhức đầu +)Động kinh co giật +)Khó suy nghĩ, nói tìm từ +)Thay đổi tính cách hành vi +)Yếu, tê liệt phần bên thể +)Mất thăng bằng, chóng mặt đứng khơng vững +)Mất thính giác +)Thay đổi tầm nhìn +)Nhầm lẫn phương hướng +)Mất trí nhớ 1.1.8 Nguyên nhân yếu tố nguy Các bác sĩ số tế bào bắt đầu hình thành tế bào khối u Nó liên quan đến gen người môi trường người đó, hai Một số nguyên nhân yếu tố nguy tiềm ẩn khối u não bao gồm: +)Ung thư lây lan từ phận khác thể +)Một số điều kiện di truyền khiến người sản xuất mức số tế bào +)Tiếp xúc với số dạng xạ 1.1.9 Sự di truyền khối u não Di truyền nguyên nhân gây số lượng nhỏ (dưới 5%) khối u não Một số tình trạng di truyền khiến cá nhân có nguy phát triển khối u cao hơn, bao gồm: +)Bệnh u xơ thần kinh +)Bệnh Von Hippel-Lindau +)Hội chứng Li-Fraumeni +)Bệnh polyp tuyến gia đình Thơng qua việc nghiên cứu ứng dụng mạnh mẽ học sâu vào nhiều toán khác lĩnh vực thị giác máy thời gian gần đây, mạng nơ ron tích chập ngày trở nên đa dạng với nhiều kiến trúc kèm theo ưu điểm riêng biệt, tiêu biểu kể đến mơ hình sau: • Mạng nơ ron tích chập sâu AlexNet (Deep Convolutional Neural Networks) o Mạng AlexNet giới thiệu vào năm 2012, đặt theo tên Alex Krizhevsky, tác giả thứ báo đột phá phân loại ImageNet Mạng AlexNet bao gồm tầng mạng nơ-ron tích chập, chiến thắng thi ImageNet Large Scale Visual Recognition Challenge năm 2012 với cách biệt không tưởng AlexNet lần chứng minh đặc trưng thu việc học vượt qua đặc trưng thiết kế thủ công, phá vỡ định kiến trước nghiên cứu thị giác máy tính AlexNet có tám tầng gồm: năm tầng tích chập, hai tầng ẩn kết nối đầy đủ, tầng đầu kết nối đầy đủ AlexNet sử dụng ReLU thay sigmoid làm hàm kích hoạt Hình2.4:Hình ảnh minh họa mạng AlexNet (Nguồn: https://www.mdpi.com/2072-4292/9/8/848) Ngày AlexNet bị vượt qua kiến trúc hiệu nhiều bước quan trọng để từ mạng nông đến mạng sâu sử dụng ngày • Mạng sử dụng khối VGG (Networks Using Blocks) o Ý tưởng sử dụng khối lần đầu xuất mạng VGG, đặt theo tên nhóm VGG thuộc Đại học Oxford Sử 26 dụng framework học sâu đại với vịng lặp chương trình để xây dựng cấu trúc lặp lại tương đối dễ dàng o Khối mạng tích chập cổ điển chuỗi tầng sau đây: (i) tầng tích chập (với phần đệm để trì độ phân giải), (ii) tầng phi tuyến ReLU, (iii) tầng gộp tầng gộp cực đại Một khối VGG gồm chuỗi tầng tích chập, tiếp nối tầng gộp cực giảm chiều khơng gian Hình2.5:Hình ảnh minh họa mạng VGG (Nguồn: Hình ảnh trích dẫn từ tài liệu tham khảo [10]) o Việc sử dụng khối giúp ta định nghĩa mạng đoạn mã nguồn ngắn gọn thiết kế mạng phức tạp cách hiệu • Mạng phần dư ResNet (Residual Networks 27 Hình2.6:Hình ảnh minh họa mạng ResNet (Nguồn: Hình ảnh trích dẫn từ tài liệu tham khảo [11]) ResNet (viết tắt residual network), mạng học sâu nhận quan tâm từ năm 2012 sau thi LSVRC2012 trở nên phổ biến lĩnh vực thị giác máy ResNet khiến cho việc huấn luyện hàng trăm chí hàng nghìn lớp mạng nơ ron trở nên khả thi hiệu o o Nhờ khả biểu diễn mạnh mẽ ResNet, hiệu suất nhiều ứng dụng thị giác máy, không ứng dụng phân loại hình ảnh tăng cường Một số ví dụ kể đến ứng dụng phát đồ vật nhận dạng khuôn mặt o Theo định lý gần phổ quát, mặt kiến trúc, mạng nơ ron truyền thẳng có khả xấp xỉ hàm với liệu huấn luyện cung cấp, miễn không vượt sức chứa Tuy nhiên, xấp xỉ tốt liệu khơng phải mục tiêu nhất, cần mô hình có khả tổng qt hóa liệu Đó lý kiến trúc sâu trở thành xu hướng cộng đồng nghiên cứu o Tuy nhiên, tăng độ sâu mạng không đơn giản xếp chồng lớp lại với Mạng sâu khó huấn luyện vấn đề biến đạo hàm (vanishing gradient) – độ dốc truyền ngược trở lại lớp trước đó, phép nhân lặp lặp lại làm cho độ dốc cực nhỏ Kết là, hiệu suất mạng bị bão hòa giảm hiệu nhanh chóng o Ý tưởng ResNet sử dụng kết nối tắt đồng 28 để xuyên qua hay nhiều lớp Một khối gọi residual block Hình2.7ResNet sử dụng kết nối tắt xuyên qua hay nhiều lớp o Việc xếp chồng lớp không làm giảm hiệu suất mạng Chúng ta đơn giản xếp chồng ánh xạ đồng lên mạng hiệu kiến trúc không thay đổi Điều giúp cho kiến trúc sâu khơng kiến trúc nông Hơn nữa, với kiến trúc này, lớp phía có thơng tin trực tiếp từ lớp nên điều chỉnh trọng số hiệu o Sau ResNet, hàng loạt biến thể kiến trúc giới thiệu Thực nghiệm cho thấy kiến trúc sau huấn luyện mạng nơ ron với độ sâu hàng nghìn lớp ResNet nhanh chóng trở thành kiến trúc phổ biến thị giác máy tính Ưu nhược điểm tốn phân lớp ảnh: • Ưu điểm: o Mạng nơ ron tích chập có khả xử lý ảnh đầu vào bị biến dạng, xoay hay co dãn o Có khả giảm số chiều liệu đầu vào mà giữ đặc trưng quan trọng 29 o Không bị phụ thuộc nhiều vào hàm tiền xử lý liệu phức tạp • Nhược điểm: o Cần nhiều thời gian dung lượng phần cứng huấn luyện o Kém hiệu với tập liệu nhỏ (học khớp overfitting) 30 CHƯƠNG 3:THỰC NGHIỆM 3.1 Nội dung chương trình thực nghiệm Để giải tốn ,nhóm chọn thực mã nguồn ứng dụng Colab Google với điểm mạnh có nhiều đơn vị điện tốn miễn phí để sử dụng Import thư viện cần thiết 31 Tiền xử lý liệu 32 Khởi tạo xây dựng mơ hình Tổng quan cấu trúc mạng nơ-ron Model: "sequential" _ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 148, 148, 32) 896 conv2d_1 (Conv2D) (None, 146, 146, 64) 18496 max_pooling2d (MaxPooling2 (None, 73, 73, 64) D) dropout (Dropout) (None, 73, 73, 64) 0 conv2d_2 (Conv2D) (None, 71, 71, 64) 36928 conv2d_3 (Conv2D) (None, 69, 69, 64) 36928 dropout_1 (Dropout) (None, 69, 69, 64) max_pooling2d_1 (MaxPoolin (None, 34, 34, 64) g2D) dropout_2 (Dropout) conv2d_4 (Conv2D) (None, 34, 34, 64) (None, 32, 32, 128) 0 73856 33 conv2d_5 (Conv2D) (None, 30, 30, 128) 147584 conv2d_6 (Conv2D) (None, 28, 28, 128) 147584 max_pooling2d_2 (MaxPoolin (None, 14, 14, 128) g2D) dropout_3 (Dropout) (None, 14, 14, 128) 0 conv2d_7 (Conv2D) (None, 12, 12, 128) 147584 conv2d_8 (Conv2D) (None, 10, 10, 256) 295168 max_pooling2d_3 (MaxPoolin (None, 5, 5, 256) g2D) dropout_4 (Dropout) (None, 5, 5, 256) flatten (Flatten) (None, 6400) dense (Dense) (None, 512) dense_1 (Dense) dropout_5 (Dropout) dense_2 (Dense) (None, 512) (None, 512) (None, 4) 0 3277312 262656 2052 ================================================================= Total params: 4447044 (16.96 MB) Trainable params: 4447044 (16.96 MB) Non-trainable params: (0.00 Byte) 34 Cấu hình q trình huấn luyện huấn luyện mơ hình Vẽ biểu đồ độ xác mơ hình tập huấn luyện tập validation sau epoch trình huấn luyện 35 Vẽ biểu đồ giá trị hàm mát (loss) tập huấn luyện tập validation sau epoch 36 Dự đốn hình ảnh u não 37 Vậy hình ảnh model dự đoán u màng não 38 TỔNG KẾT Qua trình thực đề tài , nhóm thấy cơng nghệ trí tuệ nhân tạo nói riêng hay Deep learning nói chung có tiềm to lớn cho người đặc biệt lĩnh vực y tế Nhóm thấy công nghệ tiến triển vượt bậc ,công nghệ phân loại nhận dạng u não chưa thể thay quan điểm ý kiến chuyên ngành chuyên gia lĩnh vực y tế Trong tương lai,việc dự đốn qua phân loại mang tính chất hỗ trợ mặt thời gian cho chuyên gia y tế Sau tìm hiểu thực xong đề tài ,nhóm em thấy cịn có nhiều điểm cải thiện tốt xác định vị trí khối u qua ảnh chụp , Hy vọng nghiên cứu nhóm góp phần thúc đẩy đề tài liên quan tới hỗ trợ phát triển y tế nước nhà Nhóm xin gửi lời cảm ơn chân thành tới thầy giáo, Tiến sĩ Nguyễn Mạnh Cường tận tình hướng dẫn em thực đề tài Xin chúc thầy luôn mạnh khỏe thành công nghiên cứu tới Nhóm xin trân trọng cảm ơn Nhóm 17 39 TÀI LIỆU THAM KHẢO [1] Các triệu chứng khối u não-Hà An https://dantri.com.vn/suckhoe/cac-trieu-chung-cua-khoi-u-nao-20220314180210713.htm [2] Brain Tumor Epidemiology: Consensus from the Brain Tumor Epidemiology Consortium (BTEC)- Melissa L Bondy, Tiến sĩ, Giáo sư, Khoa Dịch tễ học, Trung tâm Ung thư MD Anderson , https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2861559 [3] Brain Tumors and Brain Cancer https://www.hopkinsmedicine.org/health/conditions-anddiseases/brain-tumor [4] Global Cancer Observatory https://gco.iarc.fr/ [5] Brain Tumor Classification (MRI) https://www.kaggle.com/datasets/sartajbhuvaji/brain-tumorclassification-mri [6] Giải phẫu học chức não bộ- BS Nguyễn Thế Tiến https://yhoccongdong.com/thongtin/giai-phau-hoc-va-chuc-nang-naobo [7] Giới thiệu Support Vector Machine (SVM) https://viblo.asia/p/gioi-thieu-ve-support-vector-machine-svm6J3ZgPVElmB [8] R A Saputra, Suharyanto, S Wasiyanti, D F Saefudin, A Supriyatna, A Wibowo, 2020, Rice Leaf Disease Image Classifications Using KNN Based On GLCM Feature Extraction, IOPscience, Indonesia [9] [Deep Learning] Tìm hiểu mạng tích chập (CNN) https://viblo.asia/p/deep-learning-tim-hieu-ve-mang-tich-chap-cnnmaGK73bOKj2 [10] https://vi.d2l.ai/chapter_convolutional-modern/vgg.html [11] https://trituenhantao.io/kien-thuc/resnet-mang-hoc-sau-dungnghia/ 40