Sử dụng phương pháp deep learning trong nhận dạng dữ liệu y tế (tt)

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ¾¾¾¾¾¾¾¾¾ NGUYỄN HUỲNH THUÝ HIỀN SỬ DỤNG PHƯƠNG PHÁP DEEP LEARNING TRONG NHẬN DẠNG DỮ LIỆU Y TẾ C C R UT.L D Chuyên ngành: Khoa học máy tính Mã số: 8480101 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng – Năm 2021 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS PHẠM MINH TUẤN Phản biện 1: TS Phạm Công Thắng Phản biện 2: TS Trịnh Công Duy C C R UT.L Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ D Khoa học máy tính họp Trường Đại học Bách khoa vào ngày 23 tháng 01 năm 2021 Có thể tìm hiểu luận văn tại: - Trung tâm Học liệu Truyền thông , Đại học Đà Nẵng Trường Đại học Bách khoa - Thư viện Khoa Công Nghệ Thông Tin, Trường Đại học Bách khoa – ĐHĐN MỞ ĐẦU LÝ DO CHỌN ĐỀ TÀI Cùng với phát triển khoa học cơng nghệ, trí tuệ nhân tạo xem nhân tố định hình tương lai Với phát triển nhanh chóng năm gần đây, trí tuệ nhân tạo thực vào sống Hàng loạt công nghệ sử dụng trí tuệ nhân tạo đời giúp ích cho người nhiều lĩnh vực an ninh, bảo mật, y học, giáo dục Machine learning lĩnh vực trí tuệ nhân tạo (AI) Nguyên tắc cốt lõi Machine learning máy tiếp nhận liệu C C R UT.L tự học Machine learning phương pháp phân tích liệu mà D tự động hóa việc xây dựng mơ hình phân tích Một kỹ thuật sử dụng phổ biến Machine learning kỹ thuật Deep learning Deep learning lĩnh vực chuyên sâu Machine learning Nó sử dụng số kỹ thuật Machine learning để giải vấn đề thực tế cách khai thác mạng thần kinh nhân tạo mô việc đưa định người Deep learning có ứng dụng sâu rộng lĩnh vực đời sống tìm kiếm sai khác văn bản, phát gian lận, nhận dạng chữ viết tay, nhận dạng hình ảnh, giọng nói góp phần quan trọng việc hỗ trợ người nhiều lĩnh vực đời sống Trong Y học, ảnh Y học thường chụp phận bên thể người thiết bị chuyên dụng máy X-Quang, máy chụp cắt lớp, máy chụp cộng hưởng từ … chất lượng ảnh thường không rõ khơng sắc nét nên gây khó khăn cho chuyên gia y học việc chuẩn đoán bệnh Mặc dù thiết bị y tế với công nghệ ngày nâng cao để hỗ trở chuyên gia y tế phân tích xử lý thơng tin từ hình ảnh cách xác nhanh chóng nhất, cần bước tiền xử lý giúp nhận dạng ảnh y học Từ ứng dụng thực tế, lợi ích mà Deep learning đem lại, tơi đề xuất đề tài: Vì lý tơi định chọn đề tài “Sử dụng phương pháp deep learning nhận dạng liệu y tế” MỤC TIÊU VÀ NHIỆM VỤ 2.1 Mục tiêu C C R UT.L Nghiên cứu kỹ thuật Deep learning thông qua phương pháp D CNN - Convolutional Neural Network (Mạng nơron tích chập) Kết hợp kỹ thuật Deep learning mơ hình nhận dạng Nghiên cứu xây dựng ứng dụng sử dụng phương pháp CNN ngơn ngữ lập trình Python 2.2 Nhiệm vụ Tìm hiểu phương pháp CNN (Convolutional Neural Network) deep learning Ứng dụng kỹ thuật deep learning việc nhận dạng ảnh y tế Nghiên cứu ngôn ngữ lập trình Python 3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 3.1 Đối tượng - Kỹ thuật deep learning phương pháp CNN – Mạng nơron tích chập - Môi trường thư viện ngôn ngữ Python hỗ trợ cho xử lý ảnh 3.2 Phạm vi nghiên cứu Dữ liệu y tế PHƯƠNG PHÁP NGHIÊN CỨU 4.1 Phương pháp nghiên cứu tài liệu Nghiên cứu tài liệu kỹ thuật deep learning, phép lọc, C C R UT.L thuật toán so khớp mẫu nhận dạng xử lý ảnh liên quan D 4.2 Phương pháp nghiên cứu thực nghiệm Sử dụng kỹ thuật deep learning để huấn luyện tập liệu hình ảnh y tế Xây dựng hệ thống dựa ngơn ngữ lập trình Python BỐ CỤC LUẬN VĂN MỤC LỤC MỞ ĐẦU LÝ DO CHỌN ĐỀ TÀI MỤC TIÊU VÀ NHIỆM VỤ CỦA ĐỀ TÀI ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU PHƯƠNG PHÁP NGHIÊN CỨU Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN BỐ CỤC LUẬN VĂN CHƯƠNG 1: NGHIÊN CỨU TỔNG QUAN 1.1 NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC 1.2 KHÁI QUÁT VỀ XỬ LÝ ẢNH 1.3 XỬ LÝ ẢNH TRONG Y TẾ CHƯƠNG 2: ÁP DỤNG KỸ THUẬT DEEP LEARNING VÀO NHẬN DẠNG DỮ LIỆU Y TẾ 2.1 MÔ HÌNH GIẢI PHÁP 2.2 PHÂN TÍCH GIẢI PHÁP 2.3 CÁC THUẬT TỐN 2.4 Q TRÌNH HUẨN LUYỆN CHƯƠNG 3: TRIỂN KHAI VÀ NHẬN XÉT C C R UT.L 3.1 DỮ LIỆU THỬ NGHIỆM 3.2 NGÔN NGỮ PYTHON VÀ THƯ VIỆN HỌC MÁY D 3.3 KẾT QUẢ THỬ NGHIỆM 3.4 ĐÁNH GIÁ KẾT QUẢ VỚI CÁC NGHIÊN CỨU LIÊN QUAN KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TÀI LIỆU THAM KHẢO CHƯƠNG NGHIÊN CỨU TỔNG QUAN 1.1 GIỚI THIỆU Các phương pháp chẩn đốn hình ảnh phong phú, chẩn đốn qua hình ảnh X-Quang, hình ảnh siêu âm, siêu âm – Doppler màu, hình ảnh nội soi (mà thơng dụng nội soi tiêu hố nội soi tiết niệu), hình ảnh chụp cắt lớp vi tính (Computed Tomography ScannerCT), hình ảnh chụp cổng hưởng từ hạt nhân (Magnetic Resonance Imaging) Các thiết bị máy y tế chẩn đốn hình ảnh ngày ứng dụng nhiều công nghệ thông tin, phần mềm cho máy Y C C R UT.L tế ngày nâng cấp, kỹ thuật số đời phát triển D ghi nhận phân tích tín hiệu tốt, cho hình ảnh sâu hơn, chất lượng ảnh tốt Ứng dụng xử lý ảnh có khả tác động mạnh mẽ đến sống lĩnh vực y tế Soi chụp máy tính dựa sở định lý cắt lớp, dùng thường xuyên xét nghiệm lâm sàng, ví dụ phát u não Những ứng dụng y học khác xử lý ảnh số gồm cải thiện ảnh X-Quang, nhận dạng đường biên mạch máu từ ảnh chụp tia X (angiograms), ảnh sau tái tạo gây khó khăn cho việc chuẩn đốn bệnh AI (Artificial Intelligent) ngành quan tâm thời gian gần Các hệ thống sử dụng AI sâu vào phục vụ nhiều lĩnh vực sống, hiểu cách đơn giản, AI trí thơng minh người tạo nhằm giúp máy tính hiểu, thích ứng, suy nghĩ xử lý thông tin phục vụ mục đích người Trong năm gần đây, có nhiều nghiên cứu sử dụng AI việc hỗ trợ chẩn đoán bệnh phân vùng nội tạng thể, phát khối u, hay xác định ung thư công bố nhiều báo khoa học : Hệ thống sử dụng phương pháp học chuyên sâu để đánh dấu phân đoạn vùng nội tạng từ ảnh CT, hay phương pháp học chuyên sâu để phát tổn thương phổi từ ảnh chụp CT, dự đoán ung thư qua số hóa sinh 1.2 TỔNG QUAN VỀ XỬ LÝ ẢNH 1.2.1 Các bước cần thiết xử lý ảnh a) Phần thu nhận ảnh (Image Acquisition) C C R UT.L - Qua camera (tương tự, số) - Từ vệ tinh qua cảm ứng (Sensors) - Qua máy quét ảnh (Scaners) D Các thiết bị thu nhận cho ảnh đen trắng Nhìn chung hệ thống thu nhận ảnh thực trình • Cảm biến: biến đổi lượng quang học thành lượng điện • Tổng hợp lượng điện thành ảnh b) Tiền xử lý (Image Preprocessing): Sau thu nhận, ảnh bị nhiễu ,mờ , khơng sắc nét nên cần đưa vào tiền xử lý để nâng cao chất lượng Chức tiền xử lý lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét c) Phân đoạn (Segmentation): hay phân vùng tách ảnh đầu vào thành vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Ví dụ: để nhận dạng chữ (hoặc mã vạch) phong bì thư cho mục đích phân loại phẩm, cần chia câu, chữ địa tên người thành từ, chữ, số (hoặc vạch) riêng biệt để nhận dạng Đây phần phức tạp khó khăn xử lý ảnh dễ gây lỗi, làm độ xác ảnh Kết nhận dạng ảnh phụ thuộc nhiều vào công đoạn d) Biểu diễn ảnh (Image Representation): Ảnh máy tính kết thu nhận theo phương pháp số hoá nhúng thiết bị kỹ thuật khác Quá trình lưu trữ ảnh nhằm mục đích: • Tiết kiệm nhớ • Giảm thời gian xử lý Việc lưu trữ thông tin nhớ có ảnh hưởng lớn đến việc C C R UT.L hiển thị, in ấn xử lý ảnh xem tập hợp điểm với D kích thước sử dụng nhiều điểm ảnh ảnh đẹp, mịn thể rõ chi tiết ảnh người ta gọi đặc điểm độ phân giải Việc lựa chọn độ phân giải thích hợp tuỳ thuộc vào nhu cầu sử dụng đặc trưng ảnh cụ thể, sở ảnh thường biểu diễn theo mơ hình e) Nhận dạng nội suy ảnh (Image Recognition and Interpretation): Nhận dạng ảnh trình xác định ảnh Quá trình thường thu cách so sánh với mẫu chuẩn học (hoặc lưu) từ trước Nội suy phán đoán theo ý nghĩa sở nhận dạng Có nhiều cách phân loai ảnh khác ảnh Theo lý thuyết nhận dạng, mơ hình tốn học ảnh phân theo hai loại nhận dạng ảnh bản: - Nhận dạng theo tham số - Nhận dạng theo cấu trúc f) Cơ sở tri thức (Knowledge Base): Như nói trên, ảnh đối tượng phức tạp đường nét, độ sáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiễu Trong nhiều khâu xử lý phân tích ảnh ngồi việc đơn giản hóa phương pháp tốn học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận xử lý ảnh theo cách người g) Mô tả (biểu diễn ảnh) : Ảnh sau số hoá lưu vào nhớ, chuyển sang khâu để phân tích Nếu lưu trữ ảnh trực tiếp từ ảnh thơ, địi hỏi dung lượng nhớ cực lớn không hiệu theo quan điểm ứng dụng công nghệ 1.2.2 C C R UT.L Các vấn đề xử lý ảnh D Điểm ảnh (Picture Element) Mức xám, màu Độ phân giải Lấy mẫu lượng tử hoá ảnh Các lân cận điểm ảnh 1.3 CÁC ỨNG DỤNG CỦA DEEP LEARNING TRONG ẢNH Y TẾ 1.3.1 Ảnh ảnh y tế Ảnh y tế tên gọi chung nhóm ảnh sử dụng y học ảnh siêu âm, ảnh cộng hưởng từ - MRI, hay ảnh X-quang Các phương pháp chẩn đoán ảnh y tế bao gồm : Chụp X-Quang : Chẩn đoán nguyên nhân đau, xác định mức độ chấn thương, đánh giá hiệu phương pháp điều trị 10 1.3.2 Các ứng dụng deep learning ảnh y tế Việc sử dụng AI để hỗ trợ người tìm thơng tin hữu ích cách nhanh chóng bước cần thiết quan trọng để phát triển ngành y tăng khả chữa trị thành công cho bệnh nhân Các hệ thống AI cần “huấn luyện” để có khả sử dụng thơng tin học, từ để đưa kết luận phù hợp Theo nhà nghiên cứu sử dụng ảnh chụp CT nội tạng chuyên gia “đánh dấu” để huấn luyện cho hệ thống AI Sau huấn luyện, hệ thống AI có khả tự đánh dấu nội tạng ảnh CT khác với độ xác phù hợp (phụ thuộc vào liệu phương pháp huấn luyện) mà không cần can thiệp người 1.3.3 C C R UT.L Các cơng trình nghiên cứu deep learning D nước Các hệ thống sử dụng AI sâu vào phục vụ nhiều lĩnh vực sống như: Điều khiển tự động (máy lạnh, máy giặt biết tự điều chỉnh cường độ, mức độ vận hành; xe tự lái), an ninh (các hệ thống nhận dạng khuôn mặt, vân tay, chữ viết, giọng nói, mống mắt), y tế (hỗ trợ chẩn đốn bệnh, phát khối u, dự đoán bệnh), sinh học (phát gen, tối ưu gen), hóa học (dự đốn liên kết hóa học, cấu trúc hóa học), kinh tế, nơng nghiệp 1.4 DEEP LEARNING VÀ CÁC MƠ HÌNH 1.4.1 Deep learning Tất mạng thần kinh có lớp đầu vào, liệu ban đầu đưa vào lớp đầu ra, tạo dự đoán cuối 11 Nhưng mạng lưới thần kinh sâu, có nhiều “lớp tế bào” ẩn lớp đầu vào đầu ra, lớp cho liệu vào 1.4.2 Các mơ hình deep learning CNN: Convolutional Neural Network mơ hình Deep Learning tiên tiến, cửa sổ trượt (Sliding Windows) ma trận mô tả hình dưới: Hình Ảnh minh hoạ mơ hình CNN C C R UT.L Các convolutional layer có parameter (kernel) D học để tự điều chỉnh lấy thơng tin xác mà khơng cần chọn feature Trong hình ảnh ví dụ trên, ma trận bên trái hình ảnh trắng đen số hóa RNN : RNN đời với ý tưởng sử dụng nhớ để lưu lại thơng tin từ từ bước tính tốn xử lý trước để dựa vào đưa dự đốn xác cho bước dự đốn Về mạng RNN có dạng sau: Hình Ảnh minh hoạ mạng RNN 12 Ví dụ ta có câu gồm chữ, mạng nơ-ron triển khai gồm tầng nơ-ron tương ứng với chữ tầng Lúc việc tính tốn bên RNN thực sau: • xt đầu vào bước t Ví dụ, x1 vec-tơ one-hot tương ứng với từ thứ câu • st trạng thái ẩn bước t Nó nhớ mạng st tính tốn dựa trạng thái ẩn phía trước đầu vào bước đó: st =f(Uxt+Wst−1) • ot đầu bước t Ví dụ, ta muốn dự đốn từ xuất câu ot vec-tơ xác xuất từ danh sách từ vựng ta: ot = softmax(Vst) D C C R UT.L 13 CHƯƠNG 2: GIẢI PHÁP ĐỀ XUẤT 2.1 TỔNG QUAN ĐỀ XUẤT Mơ hình tổng qt biểu diễn hình C C R UT.L D Hình Ảnh mơ hình tổng qt 2.2 2.2.1 BỘ DỮ LIỆU Tổng quan liệu y tế Ảnh y tế gồm: kỹ thuật chẩn đoán ảnh y khoa tạo hình ảnh giải phẫu thể nhờ sử dụng từ trường sóng radio Hình 2 Ví dụ ảnh MRI chụp đầu gối 14 Ảnh X-Quang : X-Quang loại xạ lượng cao Máy chụp XQuang phát chùm tia X có xạ cao, tia X xuyên qua mô mềm va thành dịch thể dễ dàng Hình Ví dụ ảnh X-Quang ngực Ảnh siêu âm : siêu âm phương pháp chẩn đoán bệnh cách sử dụng đầu dị phát sóng siêu âm C C R UT.L D Hình Ví dụ ảnh siêu âm túi mật Ảnh CT Scan: kỹ thuật cho phép phóng chùm tia X liên tục qua thể Hình ảnh thu dược máy vi tính xử lý, tái tạo cho cấu trúc bên Hình Ví dụ ảnh CT Scan ngực cắt ngang 15 Ảnh histopathology : hay gọi mô bệnh học nghiên cứu dấu hiệu bệnh cách kiểm tra mẫu mô sinh thiết đặt cố định lam kính hiển vi Ảnh mô bệnh học ảnh chứa mô chụp lại lam kính hiển vi giúp bác sĩ phân tích xác bệnh Hình Ví dụ ảnh mô học Histopathology 2.2.2 C C R UT.L Bộ liệu ảnh y tế Trong luận văn sử dụng liệu hình ảnh làm liệu D để huấn luyện kiểm tra, sử dụng ảnh histopathology làm ví dụ Để xây dựng liệu ảnh y tế, luận văn thu thập ảnh histopathology phận thể ghi lại nhãn tương ứng với ảnh để đánh dấu phân biệt ảnh Để cho liệu phong phú đầy đủ luận văn sử dụng liệu IDC (Invasive Ductal Carcinoma), với nguồn liệu sử dụng cho việc phát ung thư vú, liệu cung cấp ảnh cát lát cắt quét 162 hình ảnh ung thư vú, từ cho 277.524 vá có kích thước 50x50 pixel trích xuất gồm phần, âm tính (negative) dương tính (positive) Tên tệp ảnh có định dạng: 10253idx5_x1351_y1101_class0 Trong : 16 - 10253idx5 id bệnh nhân - Toạ độ x lát cắt: x1351 - Và toạ độ y lát cắt: y1101 - Class lớp lớp âm tính hay dương tính Như mơ tả liệu bao gồm 277,524 vá có kích thước 50x50 pixel với: - 198,738 ảnh âm tính (negative) - 78,786 ảnh dương tính (positive) C C R UT.L D Hình Ảnh histopathology IDC âm tính dương tính 2.2.3 Xây dựng liệu Từ liệu gốc tập hợp hình ảnh với nhãn chia riêng biệt cho id bệnh nhân Hình Mơ hình hố tách datasets 17 Hình Tách dataset từ liệu gốc biễu diễn dạng code 2.3 TIỀN XỬ LÝ (DATA PRE-PROCESSING) Ảnh histopathology có kích thước lớn có cấu trúc phức tạp, lý nên dùng hầu hết học máy deep learning, hình ảnh chứa nhiều thơng tin kết cấu hình ảnh nên giúp chẩn đốn thành công loại bệnh C C R UT.L Ở bước tiền xử lý này, thường có giai đoạn bao gồm : D Ảnh gốc không cần xử lý Tiền xử lý mức normal Tiền xử lý mức second normal Over pre-processing algorithm 2.4 2.4.1 TRÍCH CHỌN ĐẶC TRƯNG Convolution layer Cấu trúc CNN bao gồm tập hợp lớp gồm : lớp đầu vào (input layer), lớp trích xuất đặc trưng ( a feature extraction layer), lớp đánh nhãn ( a classification layer) lớp đầu Lớp trích xuất đặc trưng tạo lớp convolution pooling Convolution layer lớp quan trọng lớp của mơ hình CNN Lớp chịu trách nhiệm xử lý hình ảnh đầu vào để trích xuất tính mơ tả hình ảnh đầu vào Lớp 18 có chức phát đặc trưng có tính khơng gian hiệu Trong lớp có đối tượng là: ma trận đầu vào, filters, receptive field, feature map Convolution layer nhận đầu vào ma trận filter cần phải học Bộ filter trượt qua vị trí ảnh để tính tích chập filter phần tương ứng ảnh Phần tương ứng ảnh gọi receptive field, tức vùng mà neuron nhìn thấy để đưa định ma trận cho trình gọi feature map, filter tìm kiếm đặc trưng định tích chập cho giá trị lớn Tầng convolution có chức phát đặc trưng cụ thể ảnh Những đặc trưng bao gồm đặc trưng C C R UT.L góc, cạnh, màu sắc, đặc trưng phức tạp texture ảnh D Vì filter qt qua tồn ảnh, nên đặc trưng nằm vị trí ảnh, cho dù ảnh bị xốy trái/phải đặc trưng bị phát 2.4.2 Filter Hình 10 Minh hoạ trình xử lý với lọc filter 19 Trong ảnh màu ví dụ ảnh histopathology sử dụng luận văn lọc áp dụng trường hợp số kênh kênh màu Ảnh RGB thường sử dụng đầu vào mơ hình CNN với độ sâu lọc (the depth of filter) thường độ sâu ảnh, trường hợp 2.5 HUẤN LUYỆN Ở phần luận văn giới thiệu mơ hình học huấn luyện khác sử dụng deep learning 2.5.1 Học có giám sát (supervised learning ) Có ba mơ hình học sâu : phân loại (classification), hồi quy (regression), phân đoạn (segmentation) Với phân loại C C R UT.L phương pháp tiếp cận dựa phân loại pixel cửa sổ trượt D xây dựng theo công thức phát đối tượng phân loại hình ảnh Ở mơ hình thứ hồi quy tập trung vào việc dự đốn vị trí đối tượng ví dụ tế bào hạt nhân đơi dự đốn mức độ nghiêm trọng ung thư vú Với mơ hình cuối liên quan tới mạng tích chập hồn tồn 2.5.2 Học khơng giám sát (unsupervised learning) Unsupervised Learning nhóm thuật toán hay phương pháp kỹ thuật cho phép máy tự học hỏi tìm mơ hình hay cấu trúc ẩn liệu khơng gắn nhãn trước Điều đồng nghĩa với việc có liệu đầu vào hồn tồn khơng biết outcome 20 CHƯƠNG 3: TRIỂN KHAI VÀ NHẬN XÉT 3.1 DỮ LIỆU THỬ NGHIỆM Dữ liệu thử nghiệm xây dựng nhiều đối tượng khác nhau, đối tượng gán với mã id định phân loại thành loại : âm tính dương tính tương ứng với Tập liệu chia làm phần: huấn luyện thử nghiệm Bộ liệu sử dụng thu thập từ nguồn IDC phổ biến website Kaggle Bộ liệu bao gồm 277,524 ảnh histopathology với kích thước 50x50 pixel mô tả bảng C C R UT.L Số lượng Phân loại Ký hiệu 198,738 Negative D 78,786 Positive Mô tả Số lượng ảnh hay vá thuộc loại âm tính Số lượng ảnh hay vá thuộc loại dương tính Bảng Bảng mơ tả loại liệu 3.2 NGÔN NGỮ PYTHON VÀ THƯ VIỆN HỌC MÁY 3.2.1 Ngôn ngữ python 3.2.2 Thư viện học máy 3.3 KẾT QUẢ THỬ NGHIỆM Để thử nghiệm cần chia liệu gốc thành liệu khác bao gồm huấn luyện, thử nghiệm với 21 liệu chia thành phần với ảnh negative ảnh positive C C R UT.L D Bảng 3.2 Ảnh chia liệu gốc thành liệu huấn luyện thử nghiệm Để tạo model huấn luyện luận văn sử dụng API Sequential thư viện Keras tensorflow với tham số gồm: - chiều dài, chiều rộng : kích thước ảnh - độ sâu : số kênh màu ứng với ảnh - lớp : số lớp dự đốn network, lớp 22 Sau chia liệu tiến hành chạy file huấn luyện để huấn luyện liệu Giá trị epoch thay đổi tuỳ ý để so sánh kết lần chạy Quá trình huấn luyện thời gian lượng liệu để huấn luyện lớn C C R UT.L Hình Ảnh trình huấn luyện dựa liệu ảnh D histopathology Hình Ảnh kết trình huấn luyện 23 3.4 ĐÁNH GIÁ KẾT QUẢ VỚI CÁC NGHIÊN CỨU LIÊN QUAN Nhìn vào đầu mơ hình thấy mơ hình đạt kết khoản 79-80%, nhiên độ xác thơ khoản 80% thực tế liệu huấn luyện phân loại dương tính âm tính với độ xác liệu phân loại khoản 93% nên để hiệu suất mơ hình cụ thể giá trị tính tốn sensitivity (cho giá trị positive) tỷ lệ dương tính thật specificity (cho giá trị negative) mức độ phủ định hay âm tính thực đạt khoản 77% 85% Ngồi để xác cần tăng số lần chạy epoch lên tầm 40, lần chạy tốn nhiều thời C C R UT.L gian để huấn luyện cho kết nên luận văn giảm số lần chạy D để hiển thị kết cách nhanh Bản thân hình ảnh mơ học (histopathology) có kích thước lớn hình ảnh lẫn kích thước khơng gian đĩa cứng nên để tối ưu trình huấn luyện luận văn sử dụng hình ảnh có kích thước nhỏ khoảng 50x50 pixel , nghiên cứu khác sử dụng hình ảnh có kích thước lớn 24 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Số lượng ứng dụng áp dụng công nghệ dựa học máy học sâu ngày tăng lĩnh vực chăm sóc sức khoẻ dự báo tương lai phổ biến tìm thấy ứng dụng dựa AI deep learning nhúng với liệu bệnh nhân theo thời gian thực ln có sẵn từ hệ thống chăm sóc sức khoẻ Máy học học sâu chịu trách nhiệm cho công nghệ đột phá mang tên “Computer Vision”, học máy trở nên dễ tiếp cận phát triển khả giải thích, hy vọng tìm thấy nhiều nguồn liệu C C R UT.L từ hình ảnh khác việc nhận dạng hình ảnh y tế Luận văn trình bày tổng quan phương pháp xử lý ảnh D lý thuyết deep learning việc áp dụng phương pháp CNN deep learning việc nhận dạng liệu y tế Các thực nghiệm liệu mẫu cho thấy tiềm phương pháp áp dụng thực tế Hướng phát triển : Vì phạm vi thực nghiệm thu hẹp ảnh histopathology ảnh mô học nên áp dụng thực tế với ảnh làm người dùng khó hiểu, ứng dụng dùng giao diện console chưa tối ưu mặc hiển thị để người dùng dễ hiểu Vì hướng phát triển sử dụng loại liệu khác ảnh X-Quang, ảnh MRI hiển thị giao diện có đồ hoạ để người dùng nhìn trực quan dễ hiểu ... pháp xử lý ảnh D lý thuyết deep learning việc áp dụng phương pháp CNN deep learning việc nhận dạng liệu y tế Các thực nghiệm liệu mẫu cho th? ?y tiềm phương pháp áp dụng thực tế Hướng phát triển :... xử lý giúp nhận dạng ảnh y học Từ ứng dụng thực tế, lợi ích mà Deep learning đem lại, tơi đề xuất đề tài: Vì lý định chọn đề tài ? ?Sử dụng phương pháp deep learning nhận dạng liệu y tế? ?? MỤC TIÊU... Histopathology 2.2.2 C C R UT.L Bộ liệu ảnh y tế Trong luận văn sử dụng liệu hình ảnh làm liệu D để huấn luyện kiểm tra, sử dụng ảnh histopathology làm ví dụ Để x? ?y dựng liệu ảnh y tế, luận văn