Sử dụng kỹ thuật học sâu nhận dạng một số bệnh ngoài da: luận văn thạc sĩ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG TRẦN THỊ HỒNG SỬ DỤNG KỸ THUẬT HỌC SÂU NHẬN DẠNG MỘT SỐ BỆNH NGOÀI DA LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG TRẦN THỊ HỒNG SỬ DỤNG KỸ THUẬT HỌC SÂU NHẬN DẠNG MỘT SỐ BỆNH NGỒI DA Chun ngành: Cơng Nghệ Thơng Tin Mã ngành: 8480201 LUẬN VĂN THẠC SĨ CƠNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS TRẦN VĂN LĂNG Đồng Nai, Năm 2019 i LỜI CẢM ƠN Qua trình học tập rèn luyện Trường Đại Học Lạc Hồng, với biết ơn kính trọng, xin gửi lời cảm ơn chân thành đến Ban Giám Hiệu nhà trường, phịng ban, khoa Cơng Nghệ Thơng Tin Thầy nhiệt tình hướng dẫn, giảng dạy, giúp đỡ em suốt thời gian học tập, nghiên cứu hoàn thiện đề tài nghiên cứu khoa học Đặc biệt, em xin bày tỏ lòng biết ơn sâu sắc tới Thầy PGS.TS Trần Văn Lăng trực tiếp hướng dẫn nhiệt tình ln đồng hành em q trình thực đề tài Em xin gửi lời cảm ơn đến người thân gia đình anh chị, bạn lớp quan tâm giúp đỡ suốt thời gian học tập làm luận văn Mặc dù cố gắng nhiều, nhiên điều kiện lực thân hạn chế, nên luận văn khơng tránh khỏi thiếu sót Kính mong nhận đóng góp ý kiến Quý thầy cô giáo, bạn bè đồng nghiệp để nghiên cứu hồn thiện Tơi xin chân thành cảm ơn! Đồng Nai, Ngày 20 tháng 11 năm 2019 Học viên Trần Thị Hồng ii LỜI CAM ĐOAN Tôi cam đoan kết đạt luận văn sản phẩm riêng cá nhân tôi, kết đạt trình học tập nghiên cứu khoa học độc lập Các nội dung luận văn tham khảo từ tài liệu trích dẫn thích đầy đủ Khơng có sản phẩm hay nghiên cứu người khác sử dụng luận văn mà khơng có trích dẫn theo quy định Tôi xin chịu trách nhiệm luận văn Đồng Nai, Ngày 20 tháng 11 năm 2019 Học viên Trần Thị Hồng iii TÓM TẮT ĐỀ TÀI ( Dùng cho học viên người hướng dẫn) Đề tài: Sử Dụng Kỹ Thuật Học Sâu Nhận Dạng Một Số Bệnh Ngồi Da Ngành: Cơng nghệ thơng tin Mã số: 916000200 Học viên: Trần Thị Hồng Người hướng dẫn: PGS.TS Trần Văn Lăng NỘI DUNG TÓM TẮT Nội dung giao kết mong đợi người hướng dẫn Thu thập liệu liên quan nằm phạm nghiên cứu đề tài: Bài toán nhận dạng số bệnh ngồi da thời gian gần có kết nỗi bật nhiên gặp vài khó khăn việc thu thập xử lý liệu, chưa xây dựng mơ hình chuẩn việc nhận dạng bệnh ngồi da Các mơ hình học sâu ANN, CNN, RNN, LSTM,…đang mơ hình áp dụng nhiều tốn từ toán phân loại đến toán nhận dạng thu nhiều thành tựu nỗi bật Sử dụng mơ hình huấn luyện ResNet 101, sử dụng kỹ thuật tinh chỉnh để cập nhật trọng số huấn luyện tập ảnh IMAGENET Tập huấn luyện sử dụng Tensorflow Google Colab với GPU Hiện kỹ thuật học sâu không dừng lại mức mà nhiều nhà nghiên cứu phát triển, cải tiến để áp dụng nâng cao hiệu cho toán khác Việc nghiên cứu kỹ thuật học sâu thiếu luận văn Đề tài “Sử dụng kỹ thuật học sâu nhận dạng số bệnh ngồi da” Sẽ xây dựng mơ hình nhận dạng số bệnh da dựa liệu thu thập được, đồng thời đưa quy trình cụ thể để huấn luyện mơ hình bước xử lý liệu đến trích xuất đặc trưng cuối xây dựng mơ hình nhận dạng dựa kỹ thuật học sâu Đồng Nai, Ngày 20 tháng 11 năm 2019 Người hướng dẫn Học viên PGS.TS Trần Văn Lăng Trần Thị Hồng iv MỤC LỤC LỜI CẢM ƠN .i LỜI CAM ĐOAN ii TÓM TẮT ĐỀ TÀI iii MỤC LỤC iv DANH MỤC HÌNH VẼ vi DANH MỤC BẢNG BIỂU vii DANH MỤC VIẾT TẮT vii CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Về đề tài 1.1.1 Đặt vấn đề nghiên cứu 1.1.2 Mục tiêu nghiên cứu 1.2 Về sở lý thuyết 1.2.1 Giới thiệu xử lý ảnh 1.2.2 Bài toán nhận dạng 1.2.3 Bài toán nhận dạng bệnh da CHƯƠNG TỔNG QUAN VỀ PHƯƠNG PHÁP HỌC MÁY 13 2.1 Phương pháp học máy truyền thống 13 2.2 Phương pháp học sâu 16 2.3 Mạng neural tích chập 18 2.3.1 Kiến trúc mạng neural tích chập 19 2.3.2 Một số kiến trúc mạng tích chập học sâu 21 CHƯƠNG TỔNG QUAN VỀ GOOGLE COLAB 28 3.1 Tổng quan công nghệ 28 3.2 Một số ứng dụng công nghệ thông minh (AI) nghành y tế 29 3.2.1 Phẫu thuật với hỗ trợ từ robot 29 3.2.2 Trợ lý y tá ảo 29 3.2.3 Giúp gánh bớt khối lượng công việc nhiệm vụ quản trị 29 3.2.4 Phân tích hình ảnh 29 3.2.5 Hỗ trợ chẩn đoán lâm sàng 30 3.3 Ứng dụng học máy 30 v CHƯƠNG NHẬN DẠNG BỆNH NGOÀI DA 33 4.1 Thiết kế hệ thống 33 4.2 Các bước thực nghiệm với kỹ thuật mạng neural tích chập 33 4.3 Xây dựng cấu trúc mạng neural tích chập 34 4.4 Dữ liệu thực nghiệm nhận dạng bệnh da 34 4.5 Kết thực nghiệm 35 4.6 Kết luận 40 TÀI LIỆU THAM KHẢO vi DANH MỤC HÌNH VẼ Hình 2.1 Hình ảnh dịch vụ chăm sóc sức khỏe [6] 13 Hình 2.2 Ứng dụng Strems cơng ty DeepMind [28] 14 Hình 2.3 Sự khác biệt AI, Machine learning Deep learning [9] 17 Hình 2.4 Bài tốn phân loại ảnh [5] 18 Hình 2.5 Kiến trúc mạng neural tích chập [11] .19 Hình 2.6 Ví dụ lọc tích chập sử dụng ma trận điểm ảnh [7] 20 Hình 2.7 Phương thức Avarage Pooling Max Pooling [8] 20 Hình 2.8 Minh họa hoạt động lớp pooling [26] 21 Hình 2.9 Ví dụ nhận dạng khn mặt người [5] .23 Hình 2.10 Kiến trúc mạng LeNet5 [7] 23 Hình 2.11 Kiến trúc mạng AlexNet [21] 24 Hình 2.12 Kiến trúc mạng ZFNet [20] 25 Hình 2.13 Một dạng cụ thể kiến trúc mạng GooLeNet [25] 26 Hình 2.14 Kiến trúc mạng VGGNet [14] 27 Hình 3.1 Google ứng dụng chăm sóc sức khỏe [31] .28 Hình 3.2 Ung thư tế bào hắc tố [30] 31 Hình 3.4 Sử dụng AI chuẩn đốn bệnh nhiễm hắc tố da [30] 32 Hình 4.1 Sơ đồ nhận dạng bệnh da 33 Hình 4.2 Một vài hình ảnh tập liệu ISIC .34 Hình 4.3 Một vài hình ảnh sử dụng ResNet [34] 35 Hình 4.4 Một vài hình ảnh tập liệu 35 Hình 4.5 Tải liệu đầu vào .37 Hình 4.6 Lấy vài mẫu ( hình ảnh) để Train .37 Hình 4.7 Quá trình Train 38 Hình 4.8 Thống kê kết trình huần luyện 38 Hình 4.9 Test liệu 39 Hình 4.10 Thống kê kết huấn luyện ResNet101 .40 Hình 4.11 Thống kê kết huấn luyện ResNet152 40 vii DANH MỤC BẢNG BIỂU Bảng 4.1 Bộ liệu hình ảnh bảy loại bệnh khác .36 Bảng 4.2 Thống kê trình huấn luyện 39 DANH MỤC VIẾT TẮT Các từ viết tắt Tiếng Anh Tiếng Việt DNN Deep Neural Network Mạng ̣nơ-ron sâu CNN Convolutional Neural Networks Mạng nơ-ron tích chập ANN Artificial Neural Network Mạng nơ-ron nhân tạo SVM Support vector machine Máy vector hỗ trợ LSTM Long Short Term Memory Bộ nhớ ngắn hạn AI Artificial Intelligence Trí tuệ nhân tạo CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Về đề tài 1.1.1 Đặt vấn đề nghiên cứu Ngày nay, với phát triển khoa cơng nghệ việc giao tiếp người với máy tính trở nên dễ dàng Với nhiều kiến trúc học máy khác áp dụng mạng neural nhân tạo (ANN), mạng neural học sâu (DNN), bước áp dụng vào lĩnh vực khác đời sống lĩnh vực thị giác máy tính, lĩnh vực tự động nhận dạng giọng nói, xử lý ngơn ngữ tự nhiên, lĩnh vực y khoa, kết vượt trội so với phương pháp truyền thống Đặc biệt với phát triển phần cứng mạnh mẽ cho phép tính tốn hàng tỷ phép tính giây, tạo tiền đề cho mạng CNN trở nên phổ biến Một ứng dụng quan trọng mạng CNN cho phép máy tính có khả nhìn phân tích, mạng CNN sử dụng để nhận dạng hình ảnh đối tượng cách đưa qua nhiều lớp với lọc tích chập để sau nhận dạng đối tượng Da phận quan trọng thể, da có nhiệm vụ bảo vệ thể che chở cho thể khỏi tác nhân gây bệnh nguy hiểm Vì thế, cách tốt để bảo vệ da tìm bệnh ngồi da để có cách chữa trị kịp thời nhanh chóng Ngày nay, bệnh ngồi da ngày phổ biến đặc biệt nước có điều kiện khí hậu nóng ẩm Việt Nam Vì vậy, để nhận dạng số bệnh da luận văn áp dụng kỹ thuật học sâu để nhận dạng bệnh da tự động, đặc biệt bệnh da phổ biến cần thiết 1.1.2 Mục tiêu nghiên cứu Mục tiêu nghiên cứu đề tài xây dựng mơ hình nhận dạng số bệnh ngồi da, đánh giá phân tích độ xác mơ hình dựa liệu cụ thể Đối tượng nghiên cứu tập trung nghiên cứu nhận dạng bảy loại bệnh: Nhọt, trứng cá, bệnh vẩy nến, ung thư tế bào đáy, ung thư tế bào vảy, ung thư tế bào hắc tố, bệnh bạch biến a) Tổng quan nghiên cứu liên quan Trong nghiên cứu Jang Hyung Lee Kwang Gi Kim số toán y khoa quan tâm đến việc ứng dụng kỹ thuật học sâu việc hỗ trợ 29 dự đốn khả sống sót cách bệnh nhân hai bệnh viện khác Tỉ lệ xác trí tuệ nhân tạo Google lên đến 95% bệnh viện thứ 93% bệnh viện thứ hai Google tên tuổi đầu việc nghiên cứu, phát triển đưa ứng dụng AI để cải thiện trải nghiệm người dùng qua sản phẩm, dịch vụ thông minh thiết thực Từ sản phẩm thân thuộc như: Google Translate, GMail, Google Search, Google Maps, Trí tuệ nhân tạo gần gũi với tất người, áp dụng vào nhiều lĩnh vực sống người, Những lợi ích trí tuệ nhân tạo đến với tất người Google thực theo ba phương thức: Cải thiện trải nghiệm người dùng qua sản phẩm Google, giúp giải thách thức nhân loại bảo vệ môi trường, tiết kiệm lương, chăm sóc sức khoẻ,… 3.2 Một số ứng dụng cơng nghệ thông minh (AI) nghành y tế 3.2.1 Phẫu thuật với hỗ trợ từ robot Với ngành chăm sóc sức khỏe, phân tích nhiều liệu, từ hồ sơ tiền y tế công cụ cần dùng phẫu thuật Ứng dụng robot giúp giảm 21% thời gian nằm viện bệnh nhân Một nghiên cứu thực 379 bệnh nhân chỉnh hình cho thấy quy trình với robot có hỗ trợ AI gây biến chứng gấp năm lần so với phẫu thuật có bác sĩ phẫu thuật 3.2.2 Trợ lý y tá ảo Từ tương tác với bệnh nhân, hướng dẫn bệnh nhân thực biện pháp chăm sóc hiệu nhất, trợ lý y tá ảo tiết kiệm chi phí nhiều cho ngành chăm sóc sức khỏe 3.2.3 Giúp gánh bớt khối lượng cơng việc nhiệm vụ quản trị Giúp tiết kiệm kinh phí cho ngành y tế máy móc giúp bác sĩ, y tá nhiều nhân viên khác tiết kiệm thời gian xử lý công việc Công nghệ chuyển ngữ từ giọng nói sang văn giúp xếp kết xét nghiệm, kê toa thuốc viết ghi biểu đồ 3.2.4 Phân tích hình ảnh Việc phân tích hình ảnh tốn nhiều thời gian nhân viên y tế Vì vậy, nhóm nghiên cứu Đại học MIT dẫn dắt vừa phát triển thuật tốn máy học có khả phân tích scan 3D nhanh 1.000 lần so với thời Việc đánh giá tức giúp bác sĩ ca phẫu thuật có nguồn thông tin quan trọng AI kỳ vọng cải thiện hệ công cụ X-quang mà không phụ 30 thuộc vào mẫu mô Phân tích hình ảnh AI cịn hỗ trợ bệnh nhân nhiều vùng sâu vùng xa, nơi điều kiện tiếp cận dễ dàng với nhà cung cấp dịch vụ chăm sóc sức khỏe Các gọi y tế hiệu bệnh nhân dùng camera điện thoại gửi ảnh vết xước, chỗ phát ban để xác định biện pháp chăm sóc cần thiết Vì thế, AI cơng nghệ học máy thay đổi khơng ngành y mà thay đổi sống bệnh nhân 3.2.5 Hỗ trợ chẩn đoán lâm sàng Các nhà nghiên cứu đại học Stanford tạo thuật tốn AI có khả nhận dạng ung thư da giỏi khơng bác sỹ chun nghiệp Phần mềm huấn luyện gần 130.000 hình ảnh liên quan đến nốt ruồi, vết tấy tổn thương da thơng qua hình thức deep learning [31] 3.3 Ứng dụng học máy Trong năm gần học máy (ML – Machine learning) phát triển mạnh mẽ quan tâm đặc biệt từ cộng đồng học thuật từ xã hội Các ví dụ học máy phải kể đến: Ứng dụng học máy điện thoại thơng minh: Học máy có vai trị to lớn việc hỗ trợ tính Smartphone Từ trợ lý giọng nói việc sử dụng đơn giản để mở khóa thơng qua nhận dạng khn mặt Tối ưu hóa giao thơng: Các cơng ty Uber, Lyft, Grab,…đã sử dụng học máy để ứng dụng nhiều sản phẩm từ việc lên kế hoạch cho việc tối ưu tuyến đường đến việc định giá Bản đồ google ví dụ điển hình việc sử dụng học máy Dịch vụ web: Trong việc lọc email, google dịch, Lĩnh vực tài chính: Từ phát gian lận đến phòng chống gian lận, thuật toán học máy thay đổi cách ngân hàng làm việc để cải thiện trải nghiệm khách hàng Lĩnh vực chăm sóc sức khỏe: Machine Learning xu hướng phát triển nhanh chóng ngành chăm sóc sức khỏe, nhờ vào đời thiết bị máy cảm ứng đeo sử dụng liệu để đánh giá tình hình sức khỏe bệnh nhân thời gian thực (real-time) Công nghệ Machine Learning giúp chuyên gia y tế xác định xu hướng tín hiệu để cải thiện khả điều trị, chẩn đoán bệnh Một số nghiên cứu ung thư da: 31 Ung thư da tăng trưởng bất thường tế bào da Có ba loại ung thư da ung thư tế bào đáy, ung thư tế bào vảy ung thư tế bào hắc tố Khi tế bào da tăng đột biến cách khơng kiểm sốt được, chúng tạo thành khối gọi khối u khối u thường gọi tổn thương da Khối u gọi ung thư chúng cấu tạo từ tế bào ác tính Hình 3.2 Ung thư tế bào hắc tố [30] Ung thư tế bào hắc tố da bệnh phổ biến Để AI học cách nhận biết bệnh ung thư da nhà khoa học Stanford sử dụng thuật toán deep learning có sẵn Google tạo ra, với chức phân loại hình ảnh Họ miêu tả trình nghiên cứu mình, hàng nghìn hình ảnh thu thập toàn giới, với việc cho biết hình bệnh gì, u lành hay u ác Kho liệu khơng có sẵn để huấn luyện thuật tốn, nhà khoa học phải tự tạo nó, họ phải lấy hình ảnh từ Internet làm việc với trường Y học để tạo sưu tập ngăn nắp từ đống liệu lộn xộn tên bệnh viết nhiều thứ tiếng khác Tạo sở liệu gồm 129.450 ảnh 2.032 loại bệnh khác nhau,.hệ thống AI sau qt điểm ảnh hình này, tìm kiếm tương đồng bệnh với bệnh tình người mắc ung thư da Sau q trình luyện tập, hệ thống nhận diện bệnh [30] 32 Hình 3.3 Sử dụng AI chuẩn đoán bệnh nhiễm hắc tố da [30] Mục đích phát triển phần mềm họ để thay bác sỹ, mà giúp người có phương pháp chuẩn đốn xác giá thành khơng q đắt đỏ Họ cịn mong muốn tạo phiên cao cấp thuật tốn biến thành ứng dụng dung nhà 33 CHƯƠNG NHẬN DẠNG BỆNH NGOÀI DA 4.1 Thiết kế hệ thống Ảnh đầu vào Phát vùng ngồi da bị bệnh Trích xuất đặc trưng bệnh Nhận dạng Loại bệnh Hình 4.1 Sơ đồ nhận dạng bệnh ngồi da Phân tích thiết kế hệ thống dựa vào (hình 4.1) phân tích sau:  Ảnh đầu vào tập ảnh gắn nhãn  Để phát vùng bệnh ngồi da  Trích xuất đặc trưng tập liệu ảnh đầu vào đưa vào mạng CNN để huấn luyện  Việc nhận dạng bệnh da dựa trích xuất đặc trưng hình ảnh thu với liệu huấn luyện để phát bệnh ngồi da Từ cho kết bệnh 4.2 Các bước thực nghiệm với kỹ thuật mạng neural tích chập B 1: Xây dựng CSDL ảnh bảy loại bệnh da B 2: Tiền xử lý ảnh CSDL gán nhãn B 3:Ứng dụng mơ hình CNN đề thực bước tính tốn cần thiết B 4: Mơ hình huấn luyện nhận dạng bệnh từ CSDL ảnh xây dựng B5: Thống kê độ xác với tỉ lệ Train Set / Final Test 34 4.3 Xây dựng cấu trúc mạng neural tích chập Luận văn xây dựng cấu trúc mạng neural tích chập để nhận dạng bệnh da sau:  Ảnh đầu vào  Lớp tích chập ( Convolution layer)  Lớp giảm kích thước (Pooling layer)  Lớp sửa liệu (ReLU layer)  Lớp lọc cực đại (Max Pooling)  Lớp chuẩn hóa (Normalization layer)  Các khối InceptLaye  Lớp lọc cực đại (Max Pooling)  Lớp Dropout  Lớp kết nối đầy đủ (Full Connection)  Lớp đầu (Softmax)  Ảnh đầu 4.4 Dữ liệu thực nghiệm nhận dạng bệnh ngồi da Ngày nay, file hình ảnh chụp thiết bị điện thoại thông minh bắt đầu tiếp cận để chuyển đoán bệnh ngồi da Hình ảnh chụp bệnh ngồi da sau lần “học” cung cấp hình ảnh bệnh xác Trong tương lai, việc chuyên gia da liễu chun khoa dùng ảnh để chuẩn đốn bệnh da nhận quan tâm nhiều bệnh nhân lĩnh vực chăm sóc sức khỏe Hình 4.2 Một vài hình ảnh tập liệu ISIC 35 Trong báo ResNet Explained (năm 2015): + Dữ liệu chia lại vào folder, chia train-val: 8012 – 2003 , resize 224, normalize(imagenet_stats) + Model: ResNet101, ResNet152, fast.ai + batch 64, epoch, epoch Hình 4.3 Một vài hình ảnh sử dụng ResNet [34] 4.5 Kết thực nghiệm Luận văn sử dụng liệu hình ảnh để thực nghiệm, từ tập liệu lưu trữ ISIC2018 gồm 10015 hình ảnh định dạng (.JPG), liệu cung cấp hiệp hội hợp tác hình ảnh da quốc tế (ISIC - International skin imaging collaboration) Hình 4.4 Một vài hình ảnh tập liệu 36 Số lượng liệu từ tập Train, Test bảy bệnh da dùngTensorflow Google Colab với GPU:  Train Set: 10015 ảnh định dạng JPG, kích thước 600 × 450, phân bố label (bảng 5.2)  Final Test: 1512 ảnh ( trước nhãn) Label Image 1113 6705 514 327 1099 115 142 Bảng 4.1 Bộ liệu hình ảnh bảy loại bệnh khác Một vài hình ảnh trình chạy DEMO chương trình:  Hình ảnh load liệu đầu vào  Lấy vài mẫu ( hình ảnh) để Training  Quá trình Training  Thống kê kết trình huần luyện  Test liệu 37 Hình 4.5 Tải liệu đầu vào Hình 4.6 Lấy vài mẫu ( hình ảnh) để Train 38 Hình 4.7 Quá trình Train Hình 4.8 Thống kê kết trình huần luyện 39 Hình 4.9 Test liệu Epoch Train_loss Valid_loss Accuracy Time 1.510189 0.903956 0.741887 14:50 0.821171 0.622611 0.779331 2:30 0.609793 0.517862 0.804294 2:29 0.517883 0.495490 0.810784 2:29 Bảng 4.2 Thống kê trình huấn luyện Kết mơ hình huấn luyện ResNet 101 dùng Tensorflow Google Colab với GPU (Hình 4.10) 40 Hình 4.10 Thống kê kết huấn luyện ResNet101 Kết huấn luyện mơ hình ResNet 152 dùng Tensorflow Google Colab với GPU (Hình 4.11) Hình 4.11 Thống kê kết huấn luyện ResNet152 4.6 Kết luận Kết nghiên cứu luận văn sử dụng kỹ thuật học sâu việc nhận dạng hình ảnh đạt số kết sau: - Đã tìm hiểu số vấn đề nhận dạng xử lý ảnh - Tìm hiểu số phương pháp nhận dạng bệnh da - Sử dụng Google Colab làm môi trường để viết code cho ứng dụng Deep Learning, huấn luyện dự đoán mẫu Về ưu điểm: Thuật tốn cài đặt nhanh, tìm vùng bệnh xác với tỷ lệ tương đối cao 95,4% (đối với bệnh có liệu lớn) Về Nhược điểm: Với bệnh có liệu thuật tốn nhận dạng với mức độ xác khơng cao, chưa áp dụng thuật toán thiết bị di động TÀI LIỆU THAM KHẢO [1] https://wikisuckhoe.com/benh-da-lieu/, Bệnh gia liễu [2] Vũ Hữu Tiệp (2017).Machine Learning cơbản http://machinelearningcoban.com/general/2017/02/06/featureengineering/ [3] Tri-Cong Pham, Chi-Mai Luong, Muriel Visani, and Van-Dung Hoang, “Deep CNN and Data Augmentation for Skin Lesion Classification ”, 2018 [4] Sara Nasiri, Matthias Jung, Julien Helsper, Madjid Fathi “Deep – CLASS at ISIC Machine Learning Challenge 2018”, arXiv:1807.08993v1, 2018 [5] https://talkwithcheryl.blogspot.com/2017/11/machine-learning-cho-moi-nguoi4-cac.html [6] http://khoahocphattrien.vn/cong-nghe/ai-dang-thay-doi-khoa-hoc-nhu-thenao/2019072603144729p1c859.htm [7] Huew Engineering (2015) Introduction to Convolution Neural Networks – Huew Engineering https://engineering.huew.co/introduction-to-convolution-neural- networks-18981d1cd09a [8] Samer, C H., Rishi, K., & Rowen (2015) Image Recognition Using Convolutional Neural Networks Cadence Whitepaper, 1–12 [9] https://quantrimang.com/su-khac-biet-giua-ai-hoc-may-va-hoc-sau-157948 [10] https://viblo.asia/p/ung-dung-convolutional-neural-network-trong-bai-toan- phan-loai-anh-4dbZNg8ylYM [11] Andrej Karpathy (n.d.) CS231n Convolutional Neural Networks for Visual Recognition - Transfer Learning http://cs231n.github.io/transfer-learning/ [12] Samer, C H., Rishi, K., & Rowen (2015) Image Recognition Using Convolutional Neural Networks Cadence Whitepaper, 1–12 [13] Andrej Karpathy (n.d.) CS231n Convolutional Neural Networks for Visual Recognition - Transfer Learning http://cs231n.github.io/transfer-learning/ [14] Yosinski, J., Clune, J., Bengio, Y., & Lipson, H (2014) How transferable are features in deep neural networks? Advances in Neural Information Processing Systems 27 (Proceedings of NIPS), 27, 1–9 [15] Jimmie Goode (2015) Classifying images in the Oxford 102 flower dataset with CNNs – Jimmie Goode http://jimgoo.com/flower-power/ [16] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Fei-Fei, L (2015) ImageNet Large Scale Visual Recognition Challenge International Journal of Computer Vision, 115(3), 211–252 [17] ImageNet Large Scale Visual Recognition Competition 2012 (ILSVRC2012) http://image-net.org/challenges/LSVRC/2012/results.html [18] Krizhevsky, A., Sutskever, I., & Geoffrey E., H (2012) ImageNet Classification with Deep Convolutional Neural Networks Advances in Neural Information Processing Systems 25 (NIPS2012), 1–9 [19] Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner, “Gradientbased learning applied to document recognition,” Proceedings of the IEEE, vol 86, no 11, pp 2278-2324, 1998 [20] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton, “Imagenet classification with deep convolutional neural networks,” in Advances in neural information processing systems, 2012, pp 1097-1105 [21] https://forum.machinelearningcoban.com/t/kien-truc-cac-mang-cnn-noi-tieng- phan-1-alex-lenet-inception-vgg/2582 [22] http://ictvietnam.vn/nhat-ban-phat-trien-may-noi-soi-ai-phat-hien-som-ung-thu- da-day.htm [23] http://www.cit.ctu.edu.vn/~dtnghi/rech/dir_0/gen.pdf [24] Jang Hyung Lee, PhD, Kwang Gi Kim, PhD, Department of Biomedical Engineering, Gachon University School of Medicine, Incheon, Korea, The Case of Bone Age Estimation, Healthc Inform Res January, pp 86-92, 2018 [25] Matthew D Zeiler and Rob Fergus, “Visualizing and understanding convolutional networks,” in European conference on computer vision, 2014, pp 818-833: Springer [26] TS Hồng Văn Dũng, Giáo trình Nhận dạng xử lý ảnh, Nhà xuất Khoa học kỹ thuật, 2018 [27] https://kcb.vn/wp-content/uploads/2015/09/Huong-dan-chan-doan-dieu-tri-Da- lieu [28] https://tuoitre.vn/chay-dua-su-dung-tri-tue-nhan-tao-chan-doan-benh- 20180508070825583.htm [29] http://idl.biz.vn/Cong-nghe/post288/Nhung-vi-du-ve-hoc-may-pho-bien-trong- doi-song-chung-ta.html [30] https://khoahoc.tv/thuat-toan-ai-co-kha-nang-chan-doan-duoc-ung-thu-da-dung- den-96-78011 [31] https://thanhnien.vn/cong-nghe/5-ung-dung-noi-bat-nhat-cua-tri-tue-nhan-tao- vao-y-te-987709.html [32] http://itechseeker.com/tutorials/tensorflow/gioi-thieu-ve-tensorflow/ [33] http://medinet.gov.vn/chuyen-muc/so-y-te-tphcm-trien-khai-ung-dung-tra-cuu- noi-kham-chua-benh-tren-dien-thoai-th-c4714-18014.aspx [34] https://towardsdatascience.com/introduction-to-resnets-c0a830a288a4 ... Kết luận Kết nghiên cứu luận văn sử dụng kỹ thuật học sâu việc nhận dạng hình ảnh đạt số kết sau: - Đã tìm hiểu số vấn đề nhận dạng xử lý ảnh - Tìm hiểu số phương pháp nhận dạng bệnh da - Sử dụng. .. toán khác Việc nghiên cứu kỹ thuật học sâu thiếu luận văn Đề tài ? ?Sử dụng kỹ thuật học sâu nhận dạng số bệnh ngồi da” Sẽ xây dựng mơ hình nhận dạng số bệnh ngồi da dựa liệu thu thập được, đồng... HỌC LẠC HỒNG TRẦN THỊ HỒNG SỬ DỤNG KỸ THUẬT HỌC SÂU NHẬN DẠNG MỘT SỐ BỆNH NGỒI DA Chun ngành: Cơng Nghệ Thông Tin Mã ngành: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC