Để huấn luyện mô hình sinh ảnh nội soi chứa polyp luận án đã sử dụng hàm
tối ưu Adam với momentum = 0,5, tốc độ học λ= 0,0001, batch_size = 2. Trong
bộ sinh, các lớp ở phần encode dropout =0,5 được áp dụng sau các lớp tích chập
2D. Với mô hình học sâu phân vùng polyp luận án dùng trọng số huấn luyện trước bằng bộ dữ liệu ảnh tự nhiên ImageNet của bộ mã hóa làm tham số khởi tạo. Sau đó huấn luyện để tinh chỉnh toàn bộ tham số của mô hình trên dữ liệu ảnh nội soi sử dụng hàm tối ưu Adam với tham số momentum=0.5 và tốc độ học λ=0.0002. Mô hình cuối cùng là mô hình có đạt hệ số dice lớn nhất trên tập validation. Tất cả các mô hình và thuật toán đều được lập trình và huấn luyện sử dụng thư viện Keras Tensorflow backend trên máy tính với card đồ họa GeForce GTX 1080 Ti GPU. Các mô hình được huấn luyện 5 lần với 200 epoch mỗi lần và kết quả được lấy trung bình của 5 lần chạy.
Để đánh giá hiệu quả của việc tạo các ảnh nội soi chứa polyp như một công cụ tăng cường dữ liệu cho hệ thống học sâu phân vùng polyp trên ảnh nội soi luận án thực hiện so sánh độ chính xác của mô hình học sâu phân vùng polyp được huấn luyện bằng hai bộ dữ liệu huấn luyện khác nhau: một là bộ dữ liệu huấn luyện gồm các mẫu ban đầu thu thập do các chuyên gia y tế gán nhãn
hai là bộ dữ liệu huấn luyện mới bao gồm các các mẫu dữ liệu ban đầu và các ảnh nội soi có polyps tổng hợp do mạng sinh dữ liệu tạo ra. Luận án đã sử dụng các độ đo đánh giá độ chính xác của mô hình phân vùng polyp là: Điểm số Dice, IoU, Recall (ký hiệu Re), Precision (ký hiệu Prec). Chi tiết về các độ đo này đã được trình bày trong phần 1.3.5 của Chương 1.