ỨNG DỤNG TRÍ TUỆ NHÂN tạo xây DỰNG MẠNG NEURON hỗ TRỢ CHẨN đoán BỆNH UNG THƯ vú

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC KHOA CÔNG NGHỆ KỸ THUẬT - ĐIỆN TỬ VIỄN THÔNG BÁO CÁO ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI ỨNG DỤNG TRÍ TUỆ NHÂN TẠO XÂY DỰNG MẠNG NEURON HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ VÚ Giảng viên hướng dẫn : PGSTS HUỲNH LƯƠNG NGHĨA Sinh viên thực : ĐOÀN THỊ BÍCH NGỌC Chuyên ngành : THIẾT BỊ ĐIỆN TỬ Y TẾ Lớp : D10TBĐTYT Khoá : 2015 – 2020 HÀ NỘI – Năm 2019 BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC KHOA CÔNG NGHỆ KỸ THUẬT - ĐIỆN TỬ VIỄN THÔNG BÁO CÁO ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI ỨNG DỤNG TRÍ TUỆ NHÂN TẠO XÂY DỰNG MẠNG NEURON HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ VÚ Giảng viên hướng dẫn : PGSTS HUỲNH LƯƠNG NGHĨA Sinh viên thực : ĐỒN THỊ BÍCH NGỌC Chun ngành : THIẾT BỊ ĐIỆN TỬ Y TẾ Lớp : D10TBĐTYT Khoá : 2015 – 2020 HÀ NỘI – Năm 2019 Báo cáo đồ án tốt nghiệp LỜI CẢM ƠN Lời em xin tỏ lòng biết ơn sâu sắc đến thầy: PGSTS Huỳnh Lương Nghĩa, người tận tình hướng dẫn, truyền nhiệt huyết khoa học tạo điều kiện thuận lợi cho em nghiên cứu đề tài Em xin chân thành cảm ơn thầy giáo chủ nhiệm ThS Trần Trọng Thắng tồn thể q thầy Khoa Công Nghệ Kỹ Thuật – Điện Tử Viễn Thông tận tình dạy dỗ, truyền đạt cho em nhiều kiến thức quý báu, sở để em tiếp cận kiến thức khoa học Em xin gửi lời cảm ơn tới Trường Đại học Điện Lực tạo điều kiện giúp đỡ em trình học tập trường Cuối em xin gửi lời cảm ơn tới gia đình, bạn bè, người giúp đỡ động viên em hoàn thành đồ án Em xin chân thành cảm ơn! Hà nội, tháng 11 năm 2019 Sinh viên thực Đồn Thị Bích Ngọc GVHD: PGSTS Huỳnh Lương Nghĩa i SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp LỜI CAM ĐOAN Em xin cam đoan: Em xin cam đoan cơng trình nghiên cứu em thực hướng dẫn thầy: PGSTS Huỳnh Lương Nghĩa Các kết đạt báo cáo sản phẩm riêng cá nhân, không chép người khác Nội dung báo cáo có tham khảo sử dụng số thông tin, tài liệu từ nguồn sách, tạp chí liệt kê danh mục tài liệu tham khảo Mọi chép không hợp lệ, vi phạm quy chế đào tạo hay gian trá, em xin chịu hoàn toàn trách nhiệm Hà Nội, tháng 12 năm 2019 Sinh viên thực Đồn Thị Bích Ngọc GVHD: PGSTS Huỳnh Lương Nghĩa ii SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp NHẬN XÉT (Của giáo viên hướng dẫn) Giảng viên hướng dẫn (Ký, ghi rõ họ tên) GVHD: PGSTS Huỳnh Lương Nghĩa iii SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp NHẬN XÉT (Của giáo viên phản biện) Giảng viên hướng dẫn (Ký, ghi rõ họ tên) GVHD: PGSTS Huỳnh Lương Nghĩa iv SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp MỤC LỤC LỜI CẢM ƠN I LỜI CAM ĐOAN II MỤC LỤC V DANH MỤC HÌNH ẢNH VII DANH MỤC BẢNG BIỂU IX DANH MỤC VIẾT TẮT X LỜI MỞ ĐẦU XI CHƯƠNG 1: TỔNG QUAN VỀ ỨNG DỤNG MẠNG NƠRON NHÂN TẠO TRONG Y TẾ 1.1 Khái quát mạng nơron nhân tạo 1.1.1 Mạng nơron sinh học 1.1.2 Mạng nơron nhân tạo 1.2 Y tế với mạng nơron nhân tạo 10 1.2.1 Các lĩnh vực y tế sử dụng mạng nơron nhân tạo 10 1.2.2 Các ứng dụng mạng nơron nhân tạo Y tế 11 1.3 Kết luận chương 14 CHƯƠNG 2: THIẾT KẾ MẠNG NƠRON HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ VÚ SỬ DỤNG PHẦN MỀM MATLAB 15 2.1 Tại sử dụng phần mềm Matlab 15 2.1.1 Giới thiệu phần mềm Matlab 15 2.1.2 Lý chọn phần mềm Matlab để thiết kế mạng 16 2.1.3 Giới thiệu công cụ Neural Network Toolbox Matlab 16 2.2 Xây dựng sở liệu thiết kế mạng nơron 17 2.2.1 Chọn sở liệu 17 2.2.2 Chuẩn hóa sở liệu .20 2.3 Thiết kế mạng nơron hỗ trợ chẩn đoán 21 GVHD: PGSTS Huỳnh Lương Nghĩa v SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp 2.3.1 Lựa chọn cấu trúc mạng .21 2.3.2 Thuật toán luyện mạng: thuật toán lan truyền ngược (MLP) .24 2.4 Kết luận chương 26 CHƯƠNG 3: LUYỆN, THẨM ĐỊNH VÀ THỬ NGHIỆM MẠNG 27 3.1 Trường hợp thuộc tính đầu vào khơng gán trọng số 28 3.1.1 Luyện, thẩm định thử nghiệm 28 3.1.2 Kết 32 3.2 Trường hợp thuộc tính đầu vào gán trọng số .34 3.2.1 Luyện, thẩm định thử nghiệm 34 3.2.2 Kết 39 3.3 Đánh giá tầm quan trọng tham số đầu vào 47 3.4 Kết luận chương 50 CHƯƠNG 4: ĐÁNH GIÁ VÀ KẾT LUẬN 51 KẾT LUẬN 53 TÀI LIỆU THAM KHẢO 54 GVHD: PGSTS Huỳnh Lương Nghĩa vi SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp DANH MỤC HÌNH ẢNH Hình 1.1: Cấu trúc nơron sinh học điển hình Hình 1.2: Cấu trúc ba lớp mạng nơron Hình 1.3: Q trình xử lý thơng tin mạng nơron .5 Hình 1.4: Mạng tự kết hợp Hình 1.5: Mạng kết hợp khác kiểu Hình 1.6: Mạng truyền thẳng Hình 1.7: Mạng phản hồi Hình 2.1: Mơ hình mạng MLP .22 Hình 2.2: Mạng chuyển tiếp hai lớp với lớp ẩn 10 nơron 23 Hình 2.3: Mạng chuyển tiếp hai lớp với lớp ẩn 15 nơron 23 Hình 3.1: Hiệu suất xác nhận tốt 32 Hình 3.2: Ma trận kết trình luyện, xác nhận, kiểm tra sai số .32 Hình 3.3: Hiệu suất xác nhận tốt 33 Hình 3.4: Ma trận kết trình luyện, xác nhận, kiểm tra sai số .33 Hình 3.5: Hiệu suất xác nhận tốt 39 Hình 3.6: Ma trận kết trình luyện, xác nhận, kiểm tra sai số .39 Hình 3.7: Hiệu suất xác nhận tốt 40 Hình 3.8: Ma trận kết trình luyện, xác nhận, kiểm tra sai số .40 Hình 3.9: Hiệu suất xác nhận tốt 41 Hình 3.10: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 41 Hình 3.11: Hiệu suất xác nhận tốt 42 Hình 3.12: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 42 Hình 3.13: Hiệu suất xác nhận tốt 43 Hình 3.14: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 43 Hình 3.15: Hiệu suất xác nhận tốt 44 Hình 3.16: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 44 GVHD: PGSTS Huỳnh Lương Nghĩa vii SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp Hình 3.17: Hiệu suất xác nhận tốt 45 Hình 3.18: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 45 Hình 3.19: Hiệu suất xác nhận tốt 46 Hình 3.20: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 46 Hình 3.21: Hiệu suất xác nhận tốt 49 Hình 3.22: Ma trận kết trình luyện, xác nhận, kiểm tra sai số 49 GVHD: PGSTS Huỳnh Lương Nghĩa viii SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp - Case 4: Hình 3.9: Hiệu suất xác nhận tốt Hình 3.10: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 41 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp - Case 5: Hình 3.11: Hiệu suất xác nhận tốt Hình 3.12: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 42 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp  Trường hợp số lớp ẩn 15 nơron: - Case 2: Hình 3.13: Hiệu suất xác nhận tốt Hình 3.14: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 43 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp - Case 3: Hình 3.15: Hiệu suất xác nhận tốt Hình 3.16: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 44 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp - Case 4: Hình 3.17: Hiệu suất xác nhận tốt Hình 3.18: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 45 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp - Case 5: Hình 3.19: Hiệu suất xác nhận tốt Hình 3.20: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 46 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp 3.3 Đánh giá tầm quan trọng tham số đầu vào Chúng ta dụng mơ hình mạng lớp ẩn với số nơron lớp ẩn 10 để gán trọng số cho tham số ước tính trọng số cho tham số lại Cụ thể: Trường hợp 1: tham số độ dày nhóm, khối tế bào gán trọng số 1, tham số lại gán trọng số Trường hợp 2: tham số độ đồng đều, đồng dạng kích thước tế bào gán trọng số 1, tham số lại gán trọng số Trường hợp 3: Tham số độ đồng đều, đồng dạng hình dạng tế bào gán trọng số 1, tham số lại gán trọng số Trường hợp 4: Tham số độ bám dính mép viền gán trọng số 1, tham số lại gán trọng số Trường hợp 5: Tham số kích thước tế bào biểu mô đơn gán trọng số 1, tham số lại gán trọng số Trường hợp 6: Thông số hạt nhân gán trọng số 1, tham số lại gán trọng số Trường hợp 7: Tham số nhiễm sắc nhạt gán trọng số 1, tham số gán trọng số Trường hợp 8: Thơng số hạt nhỏ bình thường hạt nhân tế bào gán trọng số 1, tham số lại gán trọng số Trường hợp 9: Tham số phân đôi tế bào gán trọng số 1, tham số lại gán trọng số Kết cho trường hợp thể Bảng 3.1 GVHD: PGSTS Huỳnh Lương Nghĩa 47 SVTH: Đoàn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp Bảng 3.1: Kết kiểm tra đánh giá mạng thần kinh để xác minh tầm quan trọng tham số đầu vào Số trường hợp Train Confusion Matrix 85.3 Validation Confusion Matrix 86.7 Test Confusion Matrix 89.5 All Confusion Matrix 86.1 Best Validation Performance 0.161 92.4 90.5 94.3 92.4 0.096 92.8 87.1 93.3 84.8 88.6 84.8 92.3 86.4 0.086 0.208 90.0 88.6 88.6 89.6 0.151 92.2 86.7 90.5 91.1 0.141 90.2 90.0 92.4 89.5 91.4 87.6 90.7 89.6 0.107 0.167 80.8 74.3 75.2 79.0 0.289 Từ bảng trên, để xác minh tầm quan trọng tham số đầu vào, sử dụng mơ hình mạng để gán trọng số giảm dần cho mức cấu trúc thể Cụ thể: Thuộc tính 3: Tham số độ đồng đều, đồng dạng hình dạng tế bào gán trọng số Thuộc tính 2: Tham số độ đồng đều, đồng dạng kích thước tế bào gán trọng số 0.9 Thuộc tính 7: Tham số nhiễm sắc nhạt gán trọng số 0,8 Thuộc tính 6: Thông số hạt nhân gán trọng số 0,7 Thuộc tính 5: Tham số kích thước tế bào biểu mô đơn gán trọng số 0,6 Thuộc tính 1: Tham số độ dày nhóm, khối tế bào gán trọng số 0,5 Thuộc tính 8: Thơng số hạt nhỏ bình thường hạt nhân tế bào gán trọng số 0,4 Thuộc tính 4: Tham số độ bám dính mép viền gán trọng số 0,3 Thuộc tính 9: Tham số phân đơi tế bào gán trọng số 0,2 I6=[I1(1,:).*0.5;I1(2,:).*0.9;I1(3,:).*1;I1(4,:).*0.3;I1(5,:).*0.6;I1(6,:).*0.7;I1(7 ,:).*0.8;I1(8,:).*0.4;I1(9,:).*0.2] GVHD: PGSTS Huỳnh Lương Nghĩa 48 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp  Kết quả: Hình 3.21: Hiệu suất xác nhận tốt Hình 3.22: Ma trận kết trình luyện, xác nhận, kiểm tra sai số GVHD: PGSTS Huỳnh Lương Nghĩa 49 SVTH: Đoàn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp 3.4 Kết luận chương Trong chương hoàn thành trình luyện, thẩm định thử mạng áp dụng thực tiễn vào liệu thu thập bênh ‘Ung thư vú” cho kết mong muốn Tổng hợp kết cho chương GVHD: PGSTS Huỳnh Lương Nghĩa 50 SVTH: Đoàn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp CHƯƠNG 4: ĐÁNH GIÁ VÀ KẾT LUẬN Để thuận tiện cho việc đánh giá ta đưa kết thử nghiệm Neural Network vào bảng tổng hợp sau: Bảng 4.1: Tổng hợp kết kiểm tra đánh giá mạng thần kinh trường hợp với số lớp ẩn 10 nơron Validation Confusion Matrix Test All Confusion Confusion Matrix Matrix Best Validation Performance không gán 95,9 trọng số 0.1, 0.2, 0.3 95,3 97,1 97,1 96,3 0,051 98,1 94,3 95,6 0,026 0.3, 0.2, 0.1 98,2 99,0 98,1 98,3 0,016 0.25, 0.5, 0.75 95,9 94,3 98,1 96,0 0,073 0.75, 0.5, 0.25 97,5 93,3 92,4 96,1 0,087 Case Trọng số Case Case Case Case Case Train Confusion Matrix Bảng 4.2: Tổng hợp kết kiểm tra đánh giá mạng thần kinh trường hợp với số lớp ẩn 15 nơron Validation Confusion Matrix Test All Confusion Confusion Matrix Matrix Best Validation Performance 97,1 94,3 95,7 0,049 96,7 99,0 96,2 97,0 0,022 97,8 97,1 95,2 97,3 0,034 0.25, 0.5, 0.75 96,7 95,2 95,2 96,3 0,074 0.75, 0.5, 0.25 93,5 93,3 94,3 93,6 0,092 Case Trọng số Train Confusion Matrix Case không trọng số Case 0.1, 0.2, 0.3 Case 0.3, 0.2, 0.1 Case Case gán 95,7 GVHD: PGSTS Huỳnh Lương Nghĩa 51 SVTH: Đoàn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp Bảng 4.3: Kết kiểm tra đánh giá mạng thần kinh với trường hợp gán trọng số giảm dần theo mức độ quan trọng thuộc tính Trọng số Trọng số giảm dần theo mức độ quan trọng thuộc tính Train Confusion Matrix Validation Confusion Matrix 96,5 Test Confusion Matrix 93,3 All Confusion Matrix 96,2 96,0 Best Validation Performance 0,069 Việc so sánh kết lần luyện mạng cho phép kết luận: Bảng 4.1 Bảng 4.2 cho thấy: – Mơ hình Mạng MLP chẩn đốn bệnh Ung thư vú có độ xác cao độ hội tụ tương đối nhanh tương đương với kết nhận [14] phù hợp sử dụng chẩn đoán y học – Việc gán hệ số trọng cho triệu chứng đầu vào tương ứng với mức cấu trúc có ý nghĩa (độ xác thời gian hội tụ cải thiện) Nếu trọng số định xác theo thứ tự cấp cấu trúc, hiệu cải thiện tốt trường hợp tham chiếu không gán trọng số – Với việc thay đổi số nơron lớp ẩn không ảnh hưởng nhiều đến độ xác thời gian hội tụ mạng Tuy nhiên việc số nơron lớp mạng tăng lên nhiều làm cho việc huấn luyện mạng trở lên khó khăn lâu Chính luyện mạng ưu tiên việc sử dụng nơron lớp ẩn Nhìn vào bảng 3.1 chương ta thấy rằng: trường hợp với “tính đồng đều, đồng dạng kích thước tế bào” trường hợp với “tính đồng đều, đồng dạng hình dạng tế bào” có hiệu suất xác nhận tốt Điều khẳng định phù hợp phương pháp trọng số sử dụng Bảng 4.3 cho ta kết tương đối khả quan độ xác độ hội tụ mạng, từ ta thấy việc gán trọng số dựa vào mức độ quan trọng thuộc tính đầu vào có ý nghĩa việc chẩn đoán bệnh lý GVHD: PGSTS Huỳnh Lương Nghĩa 52 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp KẾT LUẬN Như vậy, đồ án nghiên cứu áp dụng lý thuyết mạng nơron nhân tạo, cụ thể mơ hình mạng nơron truyền thẳng huấn luyện giải thuật lan truyền ngược cho toán hỗ trợ chẩn đoán bệnh Ung thư vú Các đóng góp đồ án: Đồ án trình bày tổng quan mạng nơron nhân tạo, sâu xem xét mạng nơron lan truyền thẳng huấn luyện thuật toán lan truyền ngược nhằm đạt tới kết tốt cho toán tối ưu trọng số mạng nơron nhân tạo Bằng phương pháp sử dụng thuật toán lan truyền ngược (MLP) thiết kế mơ hình mạng nơron hỗ trợ chẩn đốn bệnh Ung thư vú, giúp đỡ bác sĩ nhiều việc thăm khám đưa kết chẩn đoán phác đồ điều trị phù hợp với bệnh nhân Việc sử dụng mơ hình thần kinh cho thấy tỷ lệ phần trăm thành công tốt So với phân tích phân biệt tuyến tính, mạng MLP đạt kết tốt số lượng liệu đầu vào Tuy nhiên phân loại nhiệm vụ phức tạp nhiệm vụ không đủ số lượng mẫu đào tạo, mạng nơron đạt kết tốt nhiều so với mơ hình thống kê chuẩn Điều xác minh mạng MLP kiểm tra cho vấn đề phân loại phù hợp để sử dụng y học Do triệu chứng dấu hiệu bệnh lý nhận phương pháp đo, khám khác nên phương pháp gán trọng số cho thuộc tính tương ứng với mức cấu trúc thể khác áp dụng cho tất loại bệnh, đặc biệt bệnh liên quan đến thay đổi cấu trúc vi mô thể Hướng phát triển tiếp theo: Để nâng cao chất lượng phương pháp sử dụng Mạng Neural Network nên: Xây dựng sở liệu phù hợp điều kiện Việt Nam Cần sử dụng phần mềm có độ chuyên nghiệp cao Cần hệ thống hóa phương pháp gán trọng số cho loại thuộc tính đầu vào khác GVHD: PGSTS Huỳnh Lương Nghĩa 53 SVTH: Đoàn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp TÀI LIỆU THAM KHẢO [1] Hopfield JJ: Neural networks and physical systems with emergent collective computational abilities Proc Nat Acad Sci, 1982; 2554-2558 [2] Kohonen T: Self-organised formation of topologically correct feature maps Biological Cybernetics, 1982; 43: 59-69 [3] Rummelhart DE, McLelland JL: Parallel distributed processing: Explorations in the microstructure of Cognition Vol I Foundation, MIT Press 1987 [4] Kornel Papik, Bela Molnar, Rainer Schaefer, Zalan Dombovari, Zsolt Tulassay, Janos Feher: Application of neural networks in medicine — a review [5] https://www.mathworks.com/products/matlab-online.html, last visit: 5/14/18 [6] Giger ML, Huo Z (2000), Artificial Neural Networks in Breast Cancer Diagnosis, Merging of Computer- Extracted Features From Breast Images, IEEE Xplore [7] Deepa Rao, Sujuan Zhao (2012) Prediction of Breast cancer [8] https://gsm672.wikispaces.com/Prediction+of+Breast+cancer, last visit: 5/14/18 [9] Garg B, Sufian Beg MM, Ansari AQ (2009), Optimizing Number of Inputs to Classify Breast Cancer Using Artificial Neural Network J Comput Sci Syst Biol 2:247254 doi:10.4172/jcsb.100003 [10] N W Street, W H Wolberg, O L Mangasarian Nuclear feature extraction for breast tumor diagnosis In: IS&T/SPIE’s Symposium on Electronic Imaging: Science and Technology International Society for Optics and Photonics, 1993 s 861870 [11] Попечителев Е.П, Методы медико-биологических исследований, Учеб Пособие, Житомир, 1997 [12] Huỳnh Lương Nghĩa, Additional Lectures course "Methodology of Exploring BioMedical Electronic systems" Hanoi Technical University LeQuyDon, 2011 [13] Nghia, HL Phuong NT: Some views on academic orientations of BME as new branch of learning In: Proceedings of the 6th International Conference on the Development of Biomedical Engineering in Vietnam June 27-29, 2016 in HCM city [14] S Kajan, D Pernecký, J.Goga : Application of neural network in medical Diagnostics GVHD: PGSTS Huỳnh Lương Nghĩa 54 SVTH: Đồn Thị Bích Ngọc Báo cáo đồ án tốt nghiệp [15] UCI: Machine Learning Repository [online] http://archive.ics.uci.edu/ml/ GVHD: PGSTS Huỳnh Lương Nghĩa 55 SVTH: Đồn Thị Bích Ngọc ... hiệu bệnh tật từ lâu trước bác sĩ Chính em chọn đề tài ? ?Ứng dụng trí tuệ nhân tạo xây dựng mạng nơron hỗ trợ chẩn đoán bệnh Ung thư vú? ?? Mục tiêu đồ án: Tập trung khảo sát mơ hình mạng nơron, áp dụng. .. CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC KHOA CÔNG NGHỆ KỸ THUẬT - ĐIỆN TỬ VIỄN THÔNG BÁO CÁO ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI ỨNG DỤNG TRÍ TUỆ NHÂN TẠO XÂY DỰNG MẠNG NEURON HỖ TRỢ CHẨN ĐOÁN BỆNH UNG THƯ VÚ... với chẩn đoán y tế, ANNs thư? ??ng áp dụng perceptron đa lớp (MLP) Dựa sở liệu xử lý ta tiến hành xây dựng mạng nơron nhân tạo đa lớp truyền thẳng (MLP) hỗ trợ chẩn đoán bệnh Ung thư vú Một mạng