Ứng dụng kỹ thuật học sâu trong chẩn đoán bệnh ngoài da

i ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA BÙI HUY HOÀNG ỨNG DỤNG KỸ THUẬT HỌC SÂU TRONG CHẨN ĐỐN BỆNH NGỒI DA Chun ngành: KHOA HỌC MÁY TÍNH Mã số: 8480101 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC TS Hoàng Văn Dũng Đà Nẵng - Năm 2019 ii LỜI CAM ĐOAN Tôi xin cam đoan: Những nội dung luận văn thực hướng dẫn trực tiếp TS Hoàng Văn Dũng Mọi tham khảo dùng luận văn trích dẫn rõ ràng tên tác giả, tên cơng trình, thời gian, địa điểm cơng bố Mọi chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tơi xin chịu hồn tồn trách nhiệm Xin gửi lời cảm ơn đến quý thầy cô Khoa Công nghệ thông tin, Trường Đại học Bách khoa Đà Nẵng thầy giáo Trường Đại học Quảng Bình truyền đạt kiến thức quý báu cho suốt thời gian học tập vừa qua Xin chân thành cảm ơn TS Hoàng Văn Dũng tận tình hướng dẫn, truyền đạt kiến thức, kinh nghiệm cho tơi suốt q trình thực luận văn Tác giả Bùi Huy Hoàng iii MỤC LỤC LỜI CAM ĐOAN ii MỤC LỤC iii TÓM TẮT LUẬN VĂN vi DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT vii DANH MỤC CÁC BẢNG viii DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ ix MỞ ĐẦU 1 Lý chọn đề tài Mục đích ý nghĩa đề tài Mục tiêu nhiệm vụ Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Phương tiện, công cụ triển khai Cấu trúc luận văn CHƯƠNG I CƠ SỞ LÝ THUYẾT Tổng quan trí tuệ nhân tạo (Artificial intelligence) 1.1.1 Các lĩnh vực trí tuệ nhân tạo 1.1.2 Một số ứng dụng trí tuệ nhân tạo Tổng quan ảnh số kỹ thuật xử lý ảnh 1.2.1 Tổng quan ảnh 1.2.1.1 Một số khái niệm 1.2.1.2 Một số dạng ảnh 1.2.2 Một số kỹ thuật xử lý ảnh 1.2.2.1 Lược đồ ảnh (Histogram) 1.2.2.2 Nhị phân hóa ảnh 10 1.2.2.3 Làm mịn ảnh 10 1.2.2.4 Phép co ảnh - Erosion 11 Trích chọn biểu diễn đặc trưng hình ảnh 11 1.3.1 Đặc trưng ảnh 11 1.3.1.1 Đặc trưng màu sắc 11 1.3.1.2 Đặc trưng kết cấu 12 1.3.1.3 Đặc trưng hình dạng 12 1.3.2 Một số phương pháp trích chọn đặc trưng đơn giản 12 1.3.2.1 Trích chọn đặc trưng ảnh dựa màu sắc 12 iv 1.3.2.2 Trích chọn đặc trưng ảnh dựa kết cấu 12 1.3.2.3 Trích chọn đặc trưng ảnh dựa hình dạng 13 1.3.3 Mơ tả đặc trưng HOG 14 1.3.3.1 Đặc trưng HOG 14 1.3.3.2 Quá trình trích rút đặc trưng HOG 14 1.3.4 Mô tả đặc trưng SIFT 18 1.3.4.1 Đặc trưng SIFT 18 1.3.4.2 Quá trình xử lý SIFT 19 1.3.4.3 Mô tả đặc trưng keypoint 22 Phương pháp phân đoạn ảnh 22 Kỹ thuật học máy 26 1.5.1 1.5.2 Tổng quan 26 Máy phân loại Vector hỗ trợ (Support Vector Machine) 27 1.5.3 Mạng neural nhân tạo 29 1.5.4 Mạng neural sâu 32 CHƯƠNG KỸ THUẬT HỌC SÂU CNN TRONG CHẨN ĐOÁN BỆNH 33 Bài tốn chẩn đốn bệnh ngồi da hình ảnh 33 2.1.1 Các nghiên cứu liên quan 33 2.1.1.1 Giới thiệu Lưu trữ ISIC 33 2.1.1.2 Tổng quan Ung thư da 33 2.1.2 Mục tiêu toán chẩn đoán bệnh 34 2.1.3 Dữ liệu chẩn đoán bệnh 35 2.1.3.1 Dữ liệu đầu vào 35 2.1.3.2 Dữ liệu đầu 36 2.1.3.3 Chứng minh tính xác 36 2.1.4 Đánh giá chẩn đoán bệnh 37 2.1.4.1 Mục tiêu số liệu 37 2.1.4.2 Số liệu khác 37 2.1.5 Chạy thử chương trình chẩn đoán bệnh 38 2.1.5.1 Xác thực 38 2.1.5.2 Kiểm tra 38 Mạng neural học sâu sử dụng nhận dạng 38 2.2.1 Giới thiệu mơ hình CNN 38 2.2.2 Cấu trúc mơ hình CNN 39 2.2.3 Hoạt động mơ hình CNN 41 2.2.4 Một số kiến trúc học sâu huấn luyện sử dụng 42 v 2.2.4.1 Mơ hình Mạng AlexNet 42 2.2.4.2 Mơ hình Mạng ZFNet 44 2.2.4.3 Mơ hình mạng GoogLeNet 45 2.2.4.4 Mơ hình mạng VGG19 47 Thiết kế hệ thống học sâu chẩn đoán bệnh 48 2.3.1 Kiến trúc tổng quát 48 2.3.2 Kiến trúc học sâu dựa vào mạng Deepmind inception 49 2.3.3 Tăng cường liệu cho mạng học sâu 51 CHƯƠNG THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 53 Cơ sở liệu thực nghiệm 53 Xây dựng kiến trúc học máy môi trường cài đặt 54 3.2.1 3.2.2 Xây dựng kiến trúc mạng tham số thực nghiệm 54 Môi trường cơng cụ lập trình 57 Quy trình đánh giá, phân loại liệu 58 Phân tích kết 59 Kết thực nghiệm 60 3.5.1 Kết đánh giá khối u ác tính liệu ISIC2017 60 3.5.2 Kết đánh giá loại bệnh sắc tố da liệu ISIC2018 61 Một số kết đánh giá so sánh giải pháp 65 Một số kết so sánh, đánh giá sử dụng kết hợp nhiều phương pháp 66 3.7.1 Các phương pháp trích xuất đặc trưng 66 3.7.2 Các phương pháp học máy 67 3.7.3 Phân tích kết theo kỹ thuật tiền xử lý 67 3.7.4 Phân tích kết theo đặc trưng 68 3.7.5 Phân tích kết theo kỹ thuật học máy 69 KẾT LUẬN VÀ KIẾN NGHỊ 71 Kết luận 71 Kiến nghị 71 TÀI LIỆU THAM KHẢO 72 vi TÓM TẮT LUẬN VĂN ỨNG DỤNG KỸ THUẬT HỌC SÂU TRONG CHẨN ĐỐN BỆNH NGỒI DA Học viên: Bùi Huy Hoàng, Chuyên ngành: Khoa Học Máy Tính Mã số: 8480101 Khóa: K35, Trường Đại học Bách khoa - ĐHĐN Tóm tắt - Kỹ thuật học sâu hướng tiếp cận thu hút đông đảo nhà khoa học nghiên cứu công ty công nghệ quan tâm Với hỗ trợ nguồn liệu lớn sức mạnh tính tốn máy tính, mạng học sâu trở nên hiệu hơn, đạt độ xác vượt trội so với phương pháp truyền thống có khả ứng dụng cao thực tế Kỹ thuật học sâu cho thấy khả đáp ứng tốt nhiệm vụ nhận dạng hiểu nội dung ngữ cảnh Kỹ thuật học sâu thực trở thành lĩnh vực nghiên cứu tiềm Tuy nhiên, có nhiều vấn đề thách thức kỹ thuật học sâu nguồn liệu huấn luyện, thời gian tính tốn độ xác Trong luận văn này, nghiên cứu, xây dựng kiến trúc mạng neural nhân tạo học sâu dựa kiến trúc CNN kỹ thuật phân tích hình ảnh để nhận dạng, phân loại bệnh da từ mẫu ảnh vùng da bất thường, đồng thời sử dụng phương pháp tăng cường liệu để cải thiện độ xác Đầu tiên, mạng neural học sâu xây dựng cách sử dụng số inceptions sử dụng phép tích chập song song khác nhằm rút ngắn thời gian xử lý Thứ hai, tăng cường hình ảnh từ tập liệu huấn luyện nhằm tạo liệu lớn đủ cho mạng neural học sâu thực huấn luyện Mục đích tránh vấn đề liệu huấn luyện không đủ lớn dẫn tới kết xác Kết đánh giá thử nghiệm tập liệu thực cho thấy cách phân loại đề xuất có độ xác trung bình 85,44%; có cách phân loại số bệnh có độ xác 90% Kết cho thấy phương pháp đề xuất luận văn ứng dụng để hỗ trợ chẩn đoán bệnh, nâng cao chất lượng phát bệnh, góp phần phát triển dịch vụ chăm sóc sức khỏe cộng đồng Từ khóa - Kỹ thuật học sâu, mạng neural nhân tạo, mạng neural sâu, liệu huấn luyện TECHNICAL APPLICATION OF DEPARTMENT IN DIAGNOSIS OF OUTSIDE OF SKIN DISEASE Abstract - Deep learning technique is a new approach that is attracting a lot of research scientists and technology companies interested With the support of large data sources and computing power of computers, deep learning networks become more efficient, achieve superior accuracy compared to traditional methods and have high applicability in reality Deep learning techniques have shown the ability to respond well to the task of identification as well as understanding the content and context in it Deep learning techniques have really become a potential area of research However, there are many challenges in deep learning techniques such as training data sources, calculation time and accuracy In this thesis, we have studied and built neural network architecture artificial deep learning based on CNN architecture and image analysis techniques to identify and classify skin diseases from abnormal skin areas, and use data enhancement methods to improve degrees exactly First, deep learning neural networks are built using some inceptions that use different parallel convolution to shorten processing time Second, enhance the image from the training data set to generate data that is larger enough for deep learning neural networks to carry out training Its purpose is to avoid the problem of training data not large enough to result in inaccurate results The test evaluation results on real data sets show that the proposed classification has an average accuracy of over 80%; there is a classification for some diseases with accuracy above 90% This result shows that my proposed method in this thesis can be applied to support disease diagnosis, improve the quality of disease detection, contribute to the development of community health care services Key words - Deep learning techniques, artificial neural networks, deep neural network, training data vii DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Ký hiệu AI AKIEC ANN AP BB BCC BKL BRF CNN DF DNN GPU HOG HSV LBP LN LR MEL NN NV PPV ReLU RF SEN SIFT SOM SPC SVM UAC VASC Diễn giải Tiếng Anh Artificial intelligence Actinic Keratosis Artificial Neural Network Average Precision Balanced Baggin Basal cell carcinoma Benign keratosis Balanced Random Forest Convolution Neural Network Dermatofibroma Deep Neural Network Graphics Processing Unit Histogram of Oriented Gradients Hue-Saturation-Value Local Binary Pattern Linear normalization Logistic Regression Melanoma Neural Network Nevus Positive predictive value Rectified Linear Unit Random Forest Sensitivity Scale-Invariant Feature Transform Self Organizing Maps Specificity Support Vetor Machines Area Under Curve Vascular lesion Tiếng Việt Trí tuệ nhân tạo Dày sừng quang hóa (rối loạn tế bào sừng dạng tiền ung thư) Mạng neural nhân tạo Độ xác trung bình Cân đóng gói Ung thư tế bào đáy Chứng khơ sừng quang hóa Rừng ngẫu nhiên cân Mạng neural tích chập U da lành tính Mạng neural sâu Đơn vị xử lý đồ họa Biểu đồ định hướng Giá trị bảo hịa Mơ hình nhị phân cục Chuẩn hóa tuyến tính Hồi quy logistic U ác tính Mạng neural Nốt ruồi Giá trị tiên đốn tích cực Hiệu chỉnh đơn vị tuyến tính Rừng ngẫu nhiên Độ nhạy Biến đổi đặc trưng tỉ lệ không thay đổi Mạng neural tự tổ chức Độ đặc hiệu Máy vector hỗ trợ Giá trị diện tích đường cong Thương tổn mạch máu viii DANH MỤC CÁC BẢNG Bảng 2.1 Mô tả kiến trúc 25 lớp mạng AlexNet Matlab 43 Bảng 2.2 Kiến trúc mạng VGG19 48 Bảng 3.1 Kiến trúc mạng học sâu DAGNetworks với 73 lớp ẩn, lớp đầu vào lớp phân loại cuối 54 Bảng 3.2 Kết thực nhận dạng với liệu huấn luyện 2000 mẫu ảnh 60 Bảng 3.3 Ký hiệu bệnh số lượng mẫu liệu 61 Bảng 3.4 Ma trận chéo kết chẩn đoán bệnh 61 Bảng 3.5 Ma trận chéo tỷ lệ phần trăm kết chẩn đoán bệnh 62 Bảng 3.6 Kết đánh giá theo tiêu chí chẩn đốn loại bệnh ngồi da 62 Bảng 3.7 Số lượng mẫu theo bệnh 65 Bảng 3.8 Kết nhận dạng bệnh 65 Bảng 3.9 Tỷ lệ nhận dạng theo loại bệnh 65 Bảng 3.10 Phân loại AUC hiệu định nghĩa tiêu chuẩn sử dụng với phương pháp trích xuất 69 ix DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ Hình 1.1 Ảnh ký tự chữ A ma trận số vùng chọn Hình 1.2 Ma trận số biểu thị mức xám điểm ảnh Hình 1.3 Lược đồ ảnh đa mức xám kích thước 64x64 pixels Hình 1.4 Lược đồ cường độ sáng theo chiều ngang ảnh (trục Ox) Hình 1.5 Lược đồ cường độ sáng theo chiều dọc ảnh (trục Oy) 10 Hình 1.6 Minh họa phép co ảnh ảnh nhị phân 11 Hình 1.7 Ảnh nhị phân ký tự A trước sau co ảnh 11 Hình 1.8 Ảnh minh họa vector liên kết hệ số góc liên kết biên cạnh 14 Hình 1.9 Q trình trích đặc trưng HOG 15 Hình 1.10 Mẫu ảnh đầu vào chia thành cell block để tính đặc trưng HOG 15 Hình 1.11 Tính hướng độ lớn gradient 16 Hình 1.12 Tính gradient ảnh 16 Hình 1.13 Chia hướng theo bin lược đồ hướng gradient 17 Hình 1.14 Sơ đồ tổng quan trích rút đặc trưng HOG 18 Hình 1.15 Đối tượng vùng cửa sổ thay đổi co giãn ảnh 19 Hình 1.16 Tính DoG theo mức tỷ lệ tạo thành hình chóp 20 Hình 1.17 Xác định điểm cực trị dựa vào mức giá trị DoG 21 Hình 1.18 Kết minh họa tính DoG tính xác điểm cực trị 21 Hình 1.19 Mơ tả đặc trưng keypoint lược đồ hướng gradient 22 Hình 1.20 Sử dụng phương pháp phân đoạn khác xử lý ảnh y tế 24 Hình 1.21 Minh họa phân cụm k-means 25 Hình 1.22 Quá trình nhận dạng đối tượng 27 Hình 1.23 Đường thẳng phân chia lớp không gian chiều 28 Hình 1.24 Margin SVM 28 Hình 1.25 Mơ hình ANN 30 Hình 1.26 Quá trình xử lý thông tin ANN 30 Hình 1.27 Hàm chuyển đổi 31 Hình 1.28 Mơ hình mạng neural 32 Hình 2.1 Hình ảnh số bệnh da 35 x Hình 2.2 Mơ hình mạng Neural tích chập 39 Hình 2.3 Tính tích chập với filter 39 Hình 2.4 Tính tốn với phương pháp MaxPooling 40 Hình 2.5 Hình ảnh kết ứng với 32 filter 41 Hình 2.6 Kiến trúc lớp mơ hình AlexNet 42 Hình 2.7 Kiến trúc lớp mơ hình FZNet 44 Hình 2.8 Một dạng cụ thể kiến trúc mạng GoogLeNet 46 Hình 2.9 Sơ đồ tổng quát giải pháp phân loại bệnh qua hình ảnh 49 Hình 2.10 Kiến trúc tổng thể Inception V4 50 Hình 3.1 Các hình ảnh u ác tính 53 Hình 3.2 Các hình ảnh u lành tính 53 Hình 3.3 Minh họa số mẫu bệnh chuẩn đoán 63 Hình 3.4 Minh họa số mẫu bệnh chẩn đoán nhầm 64 Hình 3.5 Sơ đồ phương pháp đánh giá 66 Hình 3.6 Kết AUC tốt phương pháp tiền xử lý hai liệu 68 Hình 3.7 Kết AUC tốt phương pháp trích xuất đặc trưng khác với phương pháp tiền xử lý trước 68 70 • HSV phương pháp trích xuất đặc trưng • Rừng ngẫu nhiên (BRF) đóng gói làm phân loại Kết dự đốn cấu 81,46% AUC, độ xác 74,75%, độ nhạy 90,09% độ đặc hiệu 72,84% Trong cơng trình nghiên cứu này[34], thực đánh giá chuyên sâu để phân loại Khối u ác tính cách sử dụng học máy Cụ thể, nghiên cứu đề xuất hệ thống phân loại bao gồm bước tiền xử lý, phương pháp trích xuất đặc trưng, phân loại đánh giá kết Nghiên cứu thử nghiệm với phương thức khác cho bước tiền xử lý liệu, phương pháp trích xuất đặc trưng phân loại Kết thử nghiệm nghiên cứu cho thấy: sử dụng liệu thực nghiệm HAM10000 tốt so với liệu thực nghiệm ISIC2016 71 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Qua kết so sánh giải pháp phương pháp mà luận văn nghiên cứu đạt kết tốt Như trình bày phần trên, độ xác trung bình phương pháp mà luận văn nghiên cứu chẩn đốn tồn liệu 85.44% Trong phạm vi mục tiêu đề tài, nội dung nghiên cứu kết thu đề tài đảm bảo nhiệm vụ mục tiêu đề ra: Nghiên cứu, xây dựng kiến trúc mạng neural nhân tạo học sâu dựa kiến trúc CNN kỹ thuật phân tích hình ảnh để nhận dạng, phân loại bệnh da từ mẫu ảnh vùng da bất thường Kết phân loại vùng bất thường liên quan đến u hắc tố sở quan trọng, có nhiều ý nghĩa hỗ trợ chẩn đoán bệnh, nâng cao chất lượng phát bệnh ung thư Bên cạnh đó, đề tài góp phấn tạo xu hướng việc nghiên cứu, ứng dụng khoa học kỹ thuật tiên tiến vào phục vụ dân sinh, y tế chăm sóc sức khỏe cộng đồng Kết nghiên cứu đề tài ứng dụng góp phần điều chỉnh, thay đổi hình thức khám chữa bệnh ứng dụng tiến khoa học, công nghệ thông tin vào lĩnh vực y tế, góp phần phát triển dịch vụ chăm sóc sức khỏe địa phương Tuy nhiên, mạng học sâu cần lượng liệu lớn để huấn luyện mơ hình nhận dạng hiệu Trong toán nhận dạng phân loại bệnh da từ mẫu ảnh vùng da bất thường, liệu huấn luyện cho loại bệnh cịn cân Do vậy, chúng tơi đề xuất giải pháp tăng cường hình ảnh liệu huấn luyện gốc để tạo mơ hình nhận dạng đủ mạnh, có độ xác cao Kết nghiên cứu cho thấy hướng nghiên cứu đề tài phát triển hồn thiện sản phẩm phần mềm phục vụ cộng đồng, người dùng cá nhân theo hình thức thương mại miễn phí thơng qua cài đặt phần mềm tiện ích máy tính, smartphone Kiến nghị Các cấp quản lý cần quan tâm, đầu tư dự án để mở rộng nghiên cứu, phối hợp nghiên cứu liên ngành nhằm giải toán thực tế lĩnh vực công nghệ thông tin, y tế, nông nghiệp, công nghiệp góp phần phát triển dịch vụ, kinh tế, xã hội Cần trang cấp hệ thống phần cứng đủ mạnh phục vụ công tác nghiên cứu, ứng dụng, đồng thời trang cấp, đồng hóa hệ thống sở hạ tầng nhằm phát huy vai trị khoa học cơng nghệ tăng cường dịch vụ khám chữa bệnh, chăm sóc sức khỏe cộng đồng 72 TÀI LIỆU THAM KHẢO Tiếng việt [1] Phạm Thọ Hoàn, Phạm Thị Anh Lê, "Trí tuệ nhân tạo artificial intelligence" Khoa Cơng nghệ thơng tin Trường Đại học Sư phạm Hà Nội, 2011 [2] Hồng Văn Dũng, “Giáo trình nhận dạng xử lý ảnh”, Nhà xuất khoa học kỹ thuật, 2018 [3] Vũ Hữu Tiệp, “Sách Machine Learning bản” Trường đại học Pennsylvania State University, Hoa Kỳ, 2018 [4] Nguyễn Ngọc Ái, Ứng dụng kỹ thuật xử lý ảnh mạng tích chập nhận dạng phiếu trả lời trắc nghiệm viết tay, Luận văn thạc sỹ, Trường Đại học Tôn Đức Thắng, 2018 [5] Hồ Ngọc Mai, Phát nhận dạng loại xe sử dụng kỹ thuật FASTER R-CNN, Luận văn thạc sỹ, Trường Đại học Tôn Đức Thắng, 2018 Tiếng Anh [6] Paul Viola, Michael Jones, Rapid object detection using a boosted cascade of simple features, CVPR, 2001 [7] Linda shapiro, Geogre Stockman, Computer Vision, New Jersey, Prentice Hall, pp 159-166, 1992 [8] Ramesh Jain, Rangachar Kasturi, Brian Dchunck, Machine vission, McGraw-Hill Inc, 1995 [9] Codella, N.C.F., Nguyen, Q.B., Pankanti, S., Gutman, D., Helba, B., Halpern, A., Smith, J R, Deep learning ensembles for melanoma recognition in dermoscopy images, IBM J Res Dev 61(4), 2017 [10] Esteva, A., Kuprel, B., Novoa, R.A., Ko, J., Swetter, S.M., Blau, H.M., Thrun, S., Dermatologist-level classification of skin cancer with deep neural networks, Nature 542, pp 115-118, 2017 [11] Codella, N.C.F., Cai, J., Abedini, M., Garnavi, R., Halpern, A., Smith, J.R, Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images In: Zhou, L., Wang, L., Wang, Q., Shi, Y (eds.), MLMI 2015 LNCS, vol 9352, pp 118-126, 2015 73 [12] R Segal, K Miller, and A Jemal, “Cancer statistics, 2018,” CA Cancer JClin, vol.68,pp.7–30,2018 [13] P Tschandl, C Rosendahl, and H Kittler, “The ham10000 dataset, a large collection of multi-source dermatoscopic images of common pigmentedskinlesions,”Scientificdata, vol.5, p.180161, 2018 [14] Alex Krizhevsky, Ilya Sutskever, Geoffey Hinton, "Imagenet classification with deep convolutional neural networks", Advances in neural information processing systems, pp 1097-1105, 2012 [15] Matthew Zeiler, Rob Fergus, "Visualizing and understanding convolutional networks", ECCV, pp 818-833, 2014 [16] Christian Szegedy, et al, "Going deeper with convolutions", CVPR, 2015 [17] Szegedy, C., Ioffe, S., Vanhoucke, V., Alemi, A.A, Inception-v4, InceptionResNet and the impact of residual connections on learning In: Artificial Intelligence, pp 4278-4284, 2017 [18] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z, Rethinking the inception architecture for computer vision In: Computer Vision and Pattern Recognition (CVPR), vol 2016, pp 2818-2826, 2016 [19] D Gutman, N C F.Codella, M E.Celebi,B.Helba,M.A.Marchetti, N K Mishra, and A Halpern , Skin lesion analysis toward melanoma detection: A challenge at the international symposium on biomedical imaging (ISBI), 2016 [20] Barata, C., Celebi, M.E., Marques, J.S, Improving dermoscopy image classification using color constancy IEEE J Biomed, Health Inform 19, pp 11461152, 2014 [21] Ercal, F., Chawla, A., Stoecker, W.V., Lee, H.C., Moss, R.H., Neural network diagnosis of malignant melanoma from color images IEEE Trans Biomed, Eng 41, pp 837-845, 1994 [22] Wong, S.C., Gatt, A., Stamatescu, V., McDonnell, M.D, Understanding data augmentation for classification: when to warp? In: 2016 International Conference on Digital Image Computing: Techniques and Applications (DICTA), pp 1-6, 2016 74 [23] J.-q Ma, “Content-based image retrieval with hsv color space and texture features,” in Web Information Systems and Mining, 2009 WISM 2009 International Conference on IEEE, pp 61-63, 2009 [24] Z Guo, L Zhang, and D Zhang, “A completed modeling of local binary pattern operator for texture classification,” IEEE transactions on image processing, vol 19, no 6, pp 1657–1663, 2010 [25] D G Lowe, “Distinctive image features from scale-invariant keypoints,” International journal of computer vision, vol 60, no 2, pp 91-110, 2004 [26] D G Lowe et al, “Object recognition from local scale-invariant features.” in iccv, vol 99, no 2, pp 1150-1157, 1999 [27] I Jolliffe, Principal component analysis, Springer, 2011 [28] B.Schoălkopf,C.J.Burges,A.J.Smolaetal, Advancesinkernel methods: support vector learning, MIT press, 1999 [29] D W Hosmer Jr, S, Lemeshow, and R X Sturdivant, Applied logistic regression John Wiley & Sons, vol 398, 2013 [30] L Breiman, “Random forests,” Machine learning, vol 45, no 1, pp 5-32, 2001 [31] G.Raătsch,T.Onoda,andK.-R.Muăller, Softmarginsforadaboost, learning, vol 42, no 3, pp 287-320, 2001 Machine [32] S Hido, H Kashima, and Y Takahashi, “Roughly balanced bagging for imbalanced data,” Statistical Analysis and Data Mining: The ASA Data Science Journal, vol 2, no 5-6, pp 412-426, 2009 [33] T M Khoshgoftaar, M Golawala, and J Van Hulse, “An empirical study of learning from imbalanced data using random forest,” in 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007), vol IEEE, pp 310-317, 2007 [34] T.C.Pham, G.S Tran, N.T.Phuong, D.Antoine, L.C.Mai, V.D.Hoang, “A comparative study for classification of skin cancer”, IEEE International Conference on System Science and Engineering, pp 1-6, 2019 75 D D H TRlfON D H H s 76 CQ NA BA H KH D DON DAN H B b H Ba di L l b Nh x LuA G vi B e c h l H C T d NGH VI H p VA THA N S Hoa d6 c k B x H H h h ki c h v phi NH~NXE T H T Huy T T T L T T D T Nguy T Hoa V T H H v T M M V V TRAcHNHl¢M TRON C H t T H k H B DON d d nh x Ph il V V V V V H Ph b Ho Ph b V U v V H D Ng hua D N8 tha k H d6 T T ' v V d n J Tr T V n 20 77 78 b Y e C k kh d Di@ d g T K v s ehi du - t1 s Ba H n c DON T Tr t T v NHA C T TRUON D H T HI TRrrON TRUON PHON B PGS.T NGUYE HON BAc T H Tl H DON Huy H Hu KHO 79 80 81 82 83 84 ... VĂN ỨNG DỤNG KỸ THUẬT HỌC SÂU TRONG CHẨN ĐỐN BỆNH NGỒI DA Học viên: Bùi Huy Hồng, Chun ngành: Khoa Học Máy Tính Mã số: 8480101 Khóa: K35, Trường Đại học Bách khoa - ĐHĐN Tóm tắt - Kỹ thuật học sâu. .. hệ thống ứng dụng hỗ trợ bác sỹ việc chẩn đoán số bệnh da Mục tiêu nhiệm vụ a Mục tiêu - Nắm vững kỹ thuật học sâu toán chẩn đoán bệnh qua ảnh chụp qua da - Đề xuất mơ hình chẩn đốn bệnh qua... cứu kỹ thuật trí tuệ nhân tạo, kỹ thuật mạng neural học sâu để ứng dụng phân tích hình ảnh chụp qua da b Phạm vi nghiên cứu Nghiên cứu đề xuất mơ hình chẩn đốn bệnh qua ảnh chụp qua da để ứng dụng