̂ ( ( )) (2.40)
Trong đó:
là tham số được huấn luyện của mô hình
Vec-tơ đặc trưng của nút đang được cập nhật sẽ được sử dụng để cập nhật đặc trưng mới , đặc trưng mới này có được bằng cách chuẩn hóa ̂ :
̂
Chƣơng 3: Phƣơng pháp xây dựng mô hình 3.1. Các nghiên cứu liên quan
3.1.1. Phân loại ảnh với mạng nơ-ron tích chập
Chẩn đoán bệnh dựa trên các ảnh y tế một cách tự động có thể được coi như một bài toán phân loại ảnh. Các thuật toán học máy ban đầu được áp dụng cho bài toán này, điển hình là SVM (Support Vector Machine), cũng đã đem lại những kết quả khả quan [39, 56 ], kèm theo nó là khả năng giải thích được các dự đoán đưa ra từ thuật toán. Tuy nhiên, SVM cũng có những hạn chế như: độ chính xác vẫn chưa theo kịp thực tế ở nhiều loại ảnh và có thể cần thêm vào các kĩ thuật trích chọn đặc trưng.
Các kiến trúc mạng học sâu, đặc biệt là kiến trúc mạng nơ-ron tích chập - CNN ra đời với khả năng tự động trích xuất các đặc trưng thông qua các bộ lọc, đã đem lại những cải thiện đáng kể đối với các bài toán phân loại ảnh nói chung và phân loại ảnh y tế nói riêng [42] . Trong một vài nghiên cứu, mạng CNN còn có khả năng cho độ chính xác dự đoán có thể so sánh với chẩn đoán của các chuyên gia. Một ví dụ cụ thể là mạng ChexNet - kiến trúc mạng với 121 lớp mạng cho kết quả phân loại ảnh X-quang ngực có thể so sánh với kết quả chẩn đoán trung bình của bốn bác sĩ [54] .
Với bài toán phân loại ảnh xạ hình tưới máu cơ tim, nghiên cứu trong bài báo [3] đề cập đến một mạng CNN giúp chẩn đoán bệnh động mạch vành. Ảnh đầu vào của mạng này là ảnh cực đã qua xử lý từ phần mềm y tế.
3.1.2. Phân loại ảnh với mạng nơ-ron đồ thị
Bằng nhiều cách khác nhau thì ảnh cũng có thể được chuyển sang dưới dạng đồ thị. Do đo, nhiều nghiên cứu [2, 40] đã đề xuất các thuật toán, phương pháp khác nhau cho bài toán xử lý ảnh dựa trên đồ thị. Các mạng nơ-ron đồ thị cũng có thể áp dụng cho các bài toán phân loại ảnh.
Trong [40] , tác giả đánh giá độ chính xác phân loại trên tập dữ liệu chữ số viết tay MNIST khi áp dụng các mạng nơ-ron đồ thị khác nhau. Với [2] , tác giả bài viết lại đề xuất một cách xây dựng đồ thị dựa trên các các siêu pixel trong ảnh (Superpixel) và áp dụng mạng GAT để phân loại. Riêng với bài toán phân loại ảnh cực, tài liệu [47] đề xuất một cách xây dựng đồ thị dạng lưới nhện từ ảnh cực (hình 3.1) [47] và áp dụng các mạng nơ-ron đồ thị tích chập trên miền tần số.