4.1 Tóm t逸t k院t qu違8衣v"8逢嬰c
Ü M映c tiêu:
‚ Xây d詠ng mơ hình m衣ng th亥n kinh tích ch壱p 泳ng d映ng trong chu育p"8qƒp"wpi" thu mô t院d q"x¿"8衣v"8瓜 chu育p"zƒe"v逢挨pi"8逢挨pi"vtqpi"d k"dƒq"8逢嬰c công b嘘 b荏i A. Cruz-Roa at al.[32] trên cùng t壱p d英 li羽u.
‚ A欝ng th運i n厩 l詠c biên d鵜ch ki院n trúc m衣ng th亥p"mkpj"8隠 xu医t sang mã verilog và ch泳ng minh tính kh違 thi c栄a ki院n trúc trong vi羽c t鰻ng h嬰p ph亥n c泳ng.
Ü T壱p d英 li羽u:
‚ D詠a trên t壱p d英 li羽w"8院n th運k"8k吋o"8隠 v k"p {"8逢嬰c báo cáo bao g欝m 277 524
違pj"m ej"vj逢噂c 50x50 pixels.
‚ Eƒe"vt逢運ng h嬰r"8逢嬰c ti院n hành th詠c nghi羽o"8逢嬰c li羽t kê 荏 b違ng sau
B違ng 2 B違ng th嘘ng kê d英 li羽u D英 li羽u Nhãn d英 li羽u Âm tính F⇔￢pi"v pj Hu医n luy羽n 126 986 50 630 Xác nh壱n 31 819 12 584 Ki吋m tra 39 933 15 572 Ü Cách th泳c th詠c thi:
‚ Ki院n trúc mơ hình m衣ng th亥n kinh tích ch壱r"8隠 xu医v"8逢嬰c xây d詠ng s穎 d映ng framework tensorflow, ph亥n c泳ng c栄a ki院p"vt¿e"8逢嬰c biên d鵜ch s穎 d映ng LeFlow. Các k院t qu違 8瓜 chính xác c栄a ki院n trúc d衣ng 荏 d衣pi"itcrj"vgpuqthnqy"8逢嬰c ti院n hành kh違o sát trên GPU Nvidia GTX 1050 và ki院n trúc ph亥n c泳pi"8逢嬰c kh違o sát s穎 d映ng ModelSim.
Ü Tóm t逸t k院t qu違:
277 524 違pj"8逢嬰c chia làm hai nhóm chính riêng bi羽t v噂i nhóm g欝m 222 019 違nh và 55 505 違nh. Nhóm 222 019 違pj"8亥w"vk‒p"8逢嬰c s穎 d映ng cho quá trình hu医n luy羽n và xác nh壱n. 55 505 違nh cịn l衣k"8逢嬰c s穎 d映ng cho q trình nh壱n d衣ng.
T鰻ng k院t qu違 nh壱n d衣pi"8衣v"8逢嬰c AUC t鰻ng th吋 trên GPU là 0.922. K院t qu違 nh壱n
d衣ng trên ph亥n c泳pi"8逢嬰c n瓜k"uw{"n "v逢挨pi"8欝ng v噂i GPU sau m瓜t s嘘 th詠c nghi羽m v噂i
các 違pj"pi "x q"v逢挨pi"泳ng 荏 GPU. B違ng 3 so sánh k院t qu違vjw"8逢嬰c t瑛 cơng trình này
v噂i eƒe"e»pi"vt·pj"8逢嬰c cơng b嘘vte"8Ơ{0
B違ng 3 Th嘘pi"m‒"uq"uƒpj"CWE"ejq"eƒe"rj逢挨pi"rjƒr
Rj逢挨pi"rjƒr AUC
A逢嬰c công b嘘 trong bài báo [32] 0.935 A逢嬰c công b嘘 trong bài báo [33] 0.902
40 Ki院n trúc 1 (s穎 d映ng b瓜 l丑c 5x5) Adadelta 0.920 Ki院n trúc 2 (s穎 d映ng b瓜 l丑c 3x3) Adam 0.914 Adadelta 0.922
Tuy nhiên trong mơ hình [32] có t噂i 458498 tham s嘘."pij c"n "n噂p"j挨p";0868"n亥n so v噂i 47534 tham s嘘 c栄c"o»"j·pj"8逢嬰e"8隠 xu医v"vtqpi"8隠 tài này. Chính s嘘n逢嬰ng tham s嘘 kh鰻ng l欝 là m瓜t trong nh英ng nguyên nhân chính d磯p"8院n rào c違n tri吋n khai ph亥n c泳ng cho các mơ hình m衣ng CNN sâu.
T鰻ng s嘘 xung clock cho quá trình nh壱n d衣ng là kho違ng 99 237 343 xung clock v噂i t亥n s嘘 50MHz (chu k 42pu+0"Ak隠u này có th吋 kh鰯pi"8鵜nh v噂i xung clock 50MHz thì t嘘e"8瓜 nh壱n d衣ng c栄a m衣ng th亥n kinh tích chr"n "3";:6"968":82"pu"vpi"8pi"30;:"ikƠ{0"Vw{"8Ơ{"ejc ph違i
là t嘘e"8瓜 ch衣y chính xác trong quy trình thi院t k院CUKE"pj逢pi"mj鰯pi"8鵜nh m瓜v"8k隠u ch逸c ch逸n
là t嘘e"8瓜 xung clock trong quy trình ASIC s胤 l噂p"j挨p"72OJ¦0"Aƒr"泳ng tính kh違 thi trong th運i
gian th詠c 荏 thi院t k院.
Hình 32 Tóm t逸t k院t qu違 mơ ph臼ng ph亥n c泳ng
4.2 Các c違i ti院n và k院t qu違 chi ti院t 4.2.1 Quy trình hu医n luy羽n m衣ng 4.2.1 Quy trình hu医n luy羽n m衣ng
Trong cơng trình này, m衣pi"8逢嬰e"8 q"v衣o trong 200 epochs và t亥n su医t xác nh壱n m厩i 1388 l亥n l員p, v噂i hai thu壱t toán t嘘k"逢w"j„c"mjƒe"pjcw."Cfco"]56] - Thu壱t tốn t嘘k"逢w"j„c"v嘘c 8瓜 h丑c thích 泳ng và Adadelta [35] - M瓜v"rj逢挨pi"rjƒr"v嘘e"8瓜 h丑c thích 泳ng. Ngồi ra, c違 hai t嘘k"逢w"j„c"p {"m院t h嬰p v噂i m瓜t k悦 thu壱v"8逢嬰c g丑i là t嘘e"8瓜 h丑c t壱p theo l鵜ch trình v噂i giá tr鵜 0,0001 8逢嬰c kh荏i t衣o dcp"8亥u cho Adam và 1 cho Adadelta, gi違m d亥n sau m厩k"3222"d逢噂c v噂i t益 l羽 2.;0"Swƒ"vt·pj"8 q"v衣o này c栄a hai ki院p"vt¿e"8逢嬰e"8隠 xu医t l亥p"n逢嬰v"8逢嬰c th吋 hi羽n trong Hình 33, Hình 34, Hình 35 và Hình 36 ucw"8Ơ{.
41
Hình 33 Bi吋w"8欝 traning mơ hình phân lo衣i 8逢嬰e"8隠 xu医v"8亥u tiên c栄a chúng tơi s穎 d映ng
Adam
Hình 34 Bi吋w"8欝 traning mơ hình phân lo衣i 8逢嬰e"8隠 xu医v"8亥u tiên c栄a chúng tơi s穎
d映ng Adadelta
Hình 35 Bi吋w"8欝 traning mơ hình phân lo衣i 8逢嬰e"8隠 xu医t th泳 hai c栄a chúng tôi s穎 d映ng
Adam
Hình 36 Bi吋w"8欝 traning mơ hình phân lo衣i
8逢嬰e"8隠 xu医t th泳 hai c栄a chúng tôi s穎 d映ng
Adadelta
Trong các hình này, có th吋 ch雨 ra r茨ng m衣ng liên t映e"v<pi"8瓜 chính xác c栄a q trình hu医n luy羽n và q trình xác nh壱p"8院n các giá tr鵜 t嘘k"逢w"e栄a chúng.
Tính nh医t quán c栄a q trình xác nh壱n fcq"8瓜ng khó d詠8qƒp"j挨p"uq"x噂i s詠 sn s飲 và nh医t quán c栄c"swƒ"vt·pj"8 q"v衣q0"J pj"xk"pj逢"x壱y có th吋 là do m泳e"8瓜 thách th泳e"e pi"pj逢"v pj" th詠c ti宇n c栄a t壱p d英 li羽u xác nh壱p"8逢嬰c s穎 d映ng, d磯p"8院n s詠 khác bi羽v"ecq"j挨p"vtqpi"8 q"v衣o. Vw{"pjk‒p."vtqpi"j挨p"422"m益 nguyên, s詠 bi院p"8瓜ng t鰻ng th吋 c栄a quá trình xác nh壱n v磯n có xu jpi"vwƠp"vjgq"sw"vtÃpj"8 q"vo c栄a o»"j·pj."8k隠u này ch泳ng t臼 r茨ng mơ hình khơng b鵜 overfitting hay underfitting.
42
4.2.2 Ki院n trúc m衣ng th亥n kinh tích ch壱r"8隠 xu医t
A吋8ƒpj"ikƒ"v pj"jk羽u qu違 c栄a ki院n trúc m衣ng th亥p"mkpj"8逢嬰e"8隠 xuv."ucw"8Ô{"8 tài s胤
rjÔp"v ej"éeqphwukqp"ocvtkzẹ"ea mơ hình m衣ng và trình bày các thơng s嘘.
B違ng 4 Confusion matrix c栄a mơ hình th泳 nh医t
Thu壱t tốn t嘘k"逢w T羽p d英 li羽u ki吋m tra Ch育p"8qƒp<"n pj"v pj Ch育p"8qƒp<"ƒe"v pj
Adam Th詠c t院: lành tính True Neg.: 36553 False Pos.: 3380
Th詠c t院: ác tính False Neg.: 4481 True Pos.: 11091
Adadelta Th詠c t院: lành tính True Neg.: 36820 False Pos.: 3113
Th詠c t院: ác tính False Neg.: 4438 True Pos.: 11134
B違ng 5 Confusion matrix c栄a mơ hình th泳 hai
Thu壱t tốn t嘘k"逢w T羽p d英 li羽u ki吋m tra Ch育p"8qƒp<"n pj"v pj Ch育p"8qƒp<"ƒe"v pj
Adam Th詠c t院: lành tính True Neg.: 36415 False Pos.: 3518
Th詠c t院: ác tính False Neg.: 4289 True Pos.: 11283
Adadelta Th詠c t院: lành tính True Neg.: 36737 False Pos.: 3196
Th詠c t院: ác tính False Neg.: 4143 True Pos.: 11429
True positive (TP): AÔ{"n "ee"ik"vt f逢挨pi"8逢嬰c d詠 8qƒp"ej pj"zƒe"e„"pij c"n "ikƒ"vt鵜 c栄a l噂p th詠c t院 là có và giá tr鵜 c栄a l噂p d詠 8qƒp"e pi"n "e„0 Ví d映: n院u giá tr鵜 l噂p th詠c t院 ch雨 ra r茨ng b羽nh nhân này f逢挨pi"v pj và l噂p d詠8qƒp"u胤 cho chúng ta k院t qu違v逢挨pi"v詠.
True negative (TN): AÔ{"n "ee"ik"vt Ôo"8c d詠 8qƒp"ej pj"zƒe"e„"pij c"n "ikƒ"vt鵜 c栄a l噂p th詠c t院 là không và giá tr鵜 c栄a l噂p d詠8qƒp"e pi"n "mj»pi0"X "f映: n院u l噂p th詠c t院 nói r茨ng b羽nh nhân p {"8«"âm tính và l噂p d詠8qƒp"u胤 cho chúng ta k院t qu違v逢挨pi"v詠.
F逢挨pi"v pj"ik違 và âm tính gi違, nh英ng giá tr鵜 này x違y ra khi l噂p th詠c t院 c栄a mơ hình m衣ng
mâu thu磯n v噂i l噂p d詠8qƒp0
False positive (FP): Khi l噂p th詠c t院 là không và l噂p d詠8qƒp"n "e„0"X "f映: n院u l噂p th詠c t院 nói r茨ng b羽nh nhân này âm tính pj逢pi"n噂p d詠8qƒp"ejq"m院t qu違 r茨ng bpj"pjƠp"p {"fpi" tính. Chúng ta khơng mong mu嘘n phân lo衣i nh亥m m瓜t bpj"pjÔp"p q"8"n "f逢挨pi"v pj"x "d逸t h丑 tr違k"swc"eƒe"8k隠u tr鵜8cw"8噂n, xâm l医n và t嘘n kém trong khi h丑 khơng th詠c s詠 c亥p"8院n nó.
43 False negative (FN): Khi l噂p th詠c t院n "e„"pj逢pi"n噂p d詠8qƒp"n "mj»pi0"X "f映: n院u giá tr鵜 l噂p th詠c t院 ch雨 ra r茨ng b羽nh nhân này f逢挨pi"v pj pj逢pi l噂p d詠 8qƒp"ejq"m院t qu違 âm tính. Chúng ta c亥n ph違i th詠c s詠 c育n tr丑ng n院u khơng mu嘘n phân lo衣i b羽nh pjƠp"p q"8"n "ov"pii không m逸c b羽nh trong khi h丑 th詠c s詠 8cpi"o逸c b羽nh và c亥n các gi違k"rjƒr"8k隠u tr鵜.
Trong nhi羽m v映 zƒe"8鵜nh xem b羽nh nhân có b鵜 wpi"vj逢"x¿"jc{"mj»pi."eƒe"o違ng hình 違nh ƒe"v pj"8逢嬰c phân lo衣i là lành tính (âm tính gi違+"p‒p"8逢嬰c quan tƠo"jp"pjku so v噂i các m違ng hình 違pj"n pj"v pj"8逢嬰c phân lo衣k"n "ƒe"v pj"*f逢挨pi"v pj"ik違). Âm tính gi違 e„"pij c"n "mj»pi" c違nh báo v隠 wpi"vj逢"x¿"vtqpi"mjk"vj詠c t院 8„"n "vt逢運ng h嬰r"wpi"vj逢"f磯p"8院n các v医p"8隠 s泳c kh臼e do khơng có bi羽n pháp phịng ng瑛c0"F逢挨pi"tính gi違 e„"pij c"n "eƒe"vt逢運ng h嬰p s胤 có bi羽n pháp phịng ng瑛a ngay c違 khi h丑 không th詠c s詠 c亥n thi院v0"Fq"8„."vj»pi"swc"xk羽c so sánh các ma tr壱n nh亥m l磯p."o»"j·pj"8隠 xu医t th泳 hai và thu壱t toán t嘘k"逢w"Cfcfgnvc"p鰻i lên là s詠 l詠a ch丑n phù h嬰p nh医t.
Ucw"mjk"8« làm rõ 4 thơng s嘘 trên, d詠c"x q"8„"ej¿pi"vc"e„"vj吋v pj"8逢嬰e"A瓜 nh衣{"x "A瓜 8員c hi羽u c栄a m衣ng th亥n kinh tích ch壱r"8逢嬰c thi院t k院. T瑛 các thông s嘘p {"8欝 th鵜 bi吋u di宇n các
8逢運pi"eqpi"8員c tính ho衣v"8瓜ng c栄a máy thu *TQE"Ewtxgu+"8逢嬰c bi吋u di宇n 荏 hình 37. A逢運ng
cong ROC là m瓜t cơng c映 h英u ích vì 8ây là bi吋w"8欝 c栄a t益 l羽f逢挨pi"v pj"ik違 (tr映c x) so v噂i t益
l羽f逢挨pi"v pj"vj詠c (tr映c y) cho m瓜t s嘘 giá tr鵜pi逢叡ng khác nhau trong kho違ng t瑛2.2"8院n 1,0.
Nói m瓜t cách khác, nó bi吋u th鵜 t益 l羽dƒq"8瓜ng sai so v噂i t益 l羽 trúng.
A瓜 nh衣{"jc{"e”p"8逢嬰c g丑i là True Positive Rate có th吋 8逢嬰c tính b茨ng cách chia s嘘
f逢挨pi"v pj"vj壱t (TP) cho t鰻ng s嘘f逢挨pi"v pj"vj壱t (TP) và s嘘 âm tính gi違 (FN). Ch雨 s嘘 này bi吋u
vt逢pi"ejq"8瓜 hi羽u qu違 c栄a mơ hình trong vi羽c d詠 8qƒp"8¿pi"eƒe"vt逢運ng h嬰r"f逢挨pg tính là f逢挨pi"v pj0
O怫"券月徊検"岫鯨結券嫌件建件懸件建検岻 噺劇堅憲結"鶏剣嫌件建件懸結嫌 髪 繋欠健嫌結"軽結訣欠建件懸結嫌劇堅憲結"鶏剣嫌件建件懸結嫌
Công th泳c 85
A瓜8員c hi羽u là t益 l羽 nh英pi"vt逢運ng h嬰p th詠c s詠 khơng có b羽nh và có k院t qu違 xét nghi羽m âm tính trong tồn b瓜eƒe"vt逢運ng h嬰p khơng b鵜 b羽nh. A瓜8員c hi羽u 8逢嬰c tính theo cơng th泳c sau
O怫"Ì忖潔"月件怡憲"岫鯨喧結潔件血件潔件建検岻 噺劇堅憲結"軽結訣欠建件懸結嫌 髪 繋欠健嫌結"鶏剣嫌建件懸結嫌劇堅憲結"軽結訣欠建件懸結嫌
44
繋欠健嫌結"鶏剣嫌件建件懸結"迎欠建結 噺 な 伐 O怫"Ì忖潔"月件怡憲
Cơng th泳c 87
Hình 37 A逢運pi"eqpi"TQE"ejq"eƒe"rj逢挨pi"vj泳c ti院p c壱p"vtqpi"8隠 tài
Nh壱n xét:
Pj逢"e„"vj吋 th医y trong Hình 37 và B違ng 3, có s詠 khác bi羽v"8ƒpi"ej¿"#"x隠 hi羽u su医t khi t嘘i 逢w"j„c"Cfcfgnvc"8逢嬰c s穎 d映ng thay vì k悦 thu壱t t嘘k"逢w"j„c"Cfco0"Jk羽u qu違x逢嬰t tr瓜k"j挨p"mjq違ng 1% d詠a trên k院t qu違 AUC. Ngồi ra, giá tr鵜 CWE"vjw"8逢嬰c t瑛 o»"j·pj"8«"ej丑n là 0,922, cao j挨p"8ƒpi"m吋 so v噂k"8k吋m chu育n hi羽n có trong [33] và g亥n gi嘘ng v噂i k院t qu違 vjw"8逢嬰c trong [32].
4.2.3 K院t qu違 th詠c hi羽n mô ph臼ng trên ph亥n c泳ng
L医y ng磯u nhiên m瓜t s嘘pj"fpi"v pj"x "Ôo"v pj"*42"nh b医t k +"8«"o»"rj臼ng k院t qu違 trên IRW"8go"mk吋m tra l衣i trên ki院n trúc ph亥n c泳ng thông qua ModelSim, k院t qu違8逢嬰c ghi ra file memory_dump.txt t瑛 thanh ghi ch泳a giá tr鵜 xác su医t l噂p mà 違pj"8逢嬰c phân lo衣i thu瓜c v隠 (/main_tb/top_inst/memory_controller_inst/temp12/ram) v噂i k院t qu違 v逢挨pi"8欝ng k院t qu違 8«" mơ ph臼pi"vt‒p"IRW0"Ak隠w"p {"8違m b違o tính chính xác và kh違 thi c栄a h羽 th嘘ng.
45
5. K蔭T LU一P"XÉ"J姶閏NG PHÁT TRI韻N
5.1 K院t lu壱n
Trong 8隠 tài này, m瓜t mơ hình m噂i c栄a m衣pi"n逢噂k"p挨-ron ph泳c h嬰r"8«8逢嬰c 8隠 xu医t và s穎 d映pi"8吋 phân lo衣i hình 違nh mơ h丑c vú cho các y院u t嘘piw{"e"wpi"vj"n "Ơo"v pj"jqe"fpi" tính. Giá tr鵜 AUC (Di羽p"v ej"f逢噂k"8逢運ng cong ROC) t鰻ng th吋n "2.;44"8衣v"8逢嬰c trên b瓜 55505 hình 違pj"*vtqpi"8„"37794"j·pj"違nh thu瓜c v隠 IDC). Theo k院t qu違 trong ph衣o"xk"8隠 tài này, ki院n trúc EPP"8«"8逢嬰c ch泳ng minh là có th吋 phát hi羽p"wpi"vj逢"x¿"jk羽u qu違. Ngoài ra, ki院n trúc ph亥n c泳ng c栄c"o»"j·pj"8隠 xu医v"8«"8逢嬰c t鰻ng h嬰p và xác minh thành cơng. T瑛 8k吋m này, n院u o»"j·pj"8逢嬰e"8隠 xu医v"vtqpi"d k"dƒq"p {"8逢嬰c phát tri吋n h院t kh違 p<pi"e栄a nó, nó s胤 có kh違 p<pi" tri吋n khai nh逢"o瓜t thi院t b鵜 ph亥n c泳ng c亥m tay phát hi羽n các y院u t嘘 piw{"e挨"wpi"vj逢"jq員c m瓜t quy trình mà 荏 8„"p„"e„"vj吋 ho衣v"8瓜pi"v逢挨pi"v詠 pj逢"o瓜v"ERW"8瓜c l壱p.
5.2 H逢噂ng phát tri吋n
R医t nhi隠u nghiên c泳w"vtqpi"v逢挨pi"nck"u胤 ti院p t映e"8逢嬰c th詠c hi羽n0"姶w"vk‒p"ecq"pj医t s胤 là vjw"8逢嬰c t壱p d英 li羽u l噂p"j挨p"pjk隠w"e pi"pj逢"v pj"pj医v"swƒp"j挨p"x "n o"xk羽c v噂i các tham s嘘 m衣pi"8吋 t嘘k"8c"j„c"8瓜 chính xác và lo衣i b臼 các ph栄 8鵜pj"uck0"A嘘i v噂i m瓜t s嘘 c違i ti院n khác, có nhi隠u chi院p"n逢嬰c nhúng khác nhau có th吋 8逢嬰c th穎 e pi"pj逢"eƒe quy trình g瓜p t嘘k"8c.
46
TÀI LI烏U THAM KH謂O
[1] Swathi et al.. ÐA Survey on Breast Cancer Diagnosis Methods and Modalities.Ñ in IEEE International Conference on Wireless Communications Signal Processing and Networking (WiSPNET), India, 2019, pp. 287-292.
[2] DeSantis et al.. ÐInternational variation in female breast cancer incidence and mortality rates.Ñ Cancer Epidemiology and Prevention Biomarkers, vol0"46 , pp. 1495-1506, 2015. [3] Ginsburg et al.. ÐBreast cancer early detection: A phased approach to
implementation.Ñ Cancer, vol0"348. pp. 2379-2393, 2020.
[4] Rositch et al.. ÐThe role of dissemination and implementation science in global breast cancer control programs: framewotmu." ogvjqfu." cpf" gzcorngu.Ñ Cancer, von0" 348. pp. 2394-2404, 2020.
[5] Interncvkqpcn"Cigpe{"hqt"Tgugctej"qp"Ecpegt0"ÐEcpegt"Vqfc{0"Fcvc"xkuwcnk¦cvkqp"vqqnu"hqt" exploring the global cancer burden kp" 423:Ñ. Internet: https://gco.iarc.fr/today/home,
2019.
[6] Singh et al.. ÐA Study on Convolution Neural Network for Breast Cancer Detection.Ñ in IEEE Second International Conference on Advanced Computational and Communication Paradigms (ICACCP), India, 2019, pp. 1-7.
[7] Omonigho et al.. ÐBreast Cancer: Tumor Detection in Mammogram Images Using Modified AlexNet Deep Convolution Neural Network.Ñ"in IEEE International Conference in Mathematics, Computer Engineering and Computer Science (ICMCECS), Nigeria, 2020, pp. 1-6.
[8] Yamlome et al.. ÐConvolutional Neural Network Based Breast Cancer Histopathology Image Classification.Ñ in 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Canada, 2020, pp. 1144-1147.
[9] Roy et al.. ÐDeep convolutional neural networks for breast cancer detection.Ñ in IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), USA, 2019, pp. 0169-0171.
[10] Narayanan et al.. ÐConvolutional Neural Network for Classification of Histopathology Images for Breast Cancer Detection.Ñ in IEEE National Aerospace and Electronics Conference (NAECON), USA, 2019, pp. 291-295.
[11] Shahidi et al.. ÐBreast Cancer Classification Using Deep Learning Approaches and Histopathology Image: A Comparison Study.Ñ IEEE Access, vol. 8, pp. 187531-187552, 2020.
47 [12] Kieffer et al.. ÐConvolutional neural networks for histopathology image classification:
Training vs. using pre-trained networks.Ñ in IEEE Seventh International Conference on Image Processing Theory, Tools and Applications (IPTA), Canada, 2017, pp. 1-6.
[13] Adeshina et al..ÐBreast cancer histopathology image classification with deep convolutional neural networks.Ñ in IEEE 14th international conference on electronics computer and computation (ICECCO), Kazakhstan, 2018, pp. 206-212.
[14] Patil et al.. ÐBreast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning.Ñ in IEEE International WIE Conference on Electrical and Computer Engineering (WIECON-ECE), India, 2019, pp. 1-4.
[15] Angara et al.. ÐConvolutional neural networks for breast cancer histopathological image classification.Ñ in IEEE 4th International Conference on Big Data and Information Analytics (BigDIA), USA, 2018, pp. 1-6.
[16] Xiang et al.. ÐBreast cancer diagnosis from histopathological image based on deep learning.Ñ in IEEE Chinese Control And Decision Conference (CCDC), China, 2019, pp. 4616-4619.
[17] Ding et al..ÐHardware Implementation of Convolutional Neural Network for Face Feature Extraction.Ñ in IEEE 13th International Conference on ASIC (ASICON), China, 2019, pp. 1-4.
[18] Farrukh et al.. ÐOptimization for efficient hardware implementation of CNN on FPGA.Ñ in IEEE International Conference on Integrated Circuits, Technologies and Applications (ICTA), China, 2018, pp. 88-89.
[19] Chen et al.. ÐHardware Acceleration Implementation of Three-Dimensional Convolutional Neural Network on Vector Digital Signal Processors.Ñ in 4th International Conference on Robotics and Automation Sciences (ICRAS), China, 2020, pp. 122-129.
[20] Google Developers Ỵ Iqqing" NNE." ÐMachine Learning Glossary0$" Kpvgtpgv<"
https://developers.google.com/machinelearning/glossary/#convolutional_neural_network.
2021.
[21] Abadi et al..ÐTensorflow: A system for large-scale machine learning.Ñ in 12th USENIX symposium on operating systems design and implementation (OSDI 16), Georgia, 2016, pp. 265-283.
[22] XLA Team - Google. ÐXLA-TensorFlow compiled.Ñ presented at Tensorflow Dev Summit, Mountain View, CA, 2017.
48 [23] Bryson et al.. ÐApplied optimal control: optimi¦cvkqp." guvkocvkqp" cpf" eqpvtqn.Đ IEEE
Transactions on Systems, Man, and Cybernetics, vol. 9, pp. 366-367, 1979, doi: 10.1109/TSMC.1979.4310229.
[24] Krizhevsky et al.. ÐImagenet classification with deep convolutional neural networks,Ñ Communications of the ACM, vol. 60, pp. 84-90, June 2017.
[25] Janowczyk et al.. ÐDeep learning for digital pathology image analysis: A comprehensive tutorial with selected use casesÑ. Journal of pathology informatics, vol. 7, pp. 29-29, 2016. [26] Cruz-Roa et al.. ÐAutomatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks,Ñ in Medical Imaging 2014: Digital Pathology, USA, 2014, vol. 9041, pp. 904103-1.
[27] Pedregosa et al.. ÐScikit-learn: Machine Learning in Python.Ñ Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.
[28] Canis et al.. ÐLegUp: An open-source high-level synthesis tool for FPGA-based processor/accelerator systems.Ñ ACM Transactions on Embedded Computing Systems (TECS), vol. 13, no. 2, pp. 1-27, 2013.
[29] Nane et al.. ÐA survey and evaluation of FPGA high-level synthesis tools.Ñ IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 35, no.10, pp. 1591-1604, 2015.
[30] Noronha et al.. ÐLeFlow: Enabling flexible FPGA high-level synthesis of tensorflow deep neural networks.Ñ in FSP Workshop 2018; Fifth International Workshop on FPGAs for Software Programmers, Ireland, 2018, pp. 1-8.
[31] Lattner et al.. ÐLLVM: A compilation framework for lifelong program analysis & transformation.Ñ in IEEE International Symposium on Code Generation and Optimization (CGO), USA, 2004, pp. 75-86.
[32] Narayanan et al.. ÐConvolutional Neural Network for Classification of Histopathology Images for Breast Cancer Detection.Ñ in IEEE National Aerospace and Electronics Conference (NAECON), USA, 2019, pp. 291-295.
[33] Cruz-Roa et al..ÐAccurate and reproducible invasive breast cancer detection in whole-slide images: A Deep Learning approacj"hqt"swcpvkh{kpi"vwoqt"gzvgpv.Ñ Scientific reports, vol. 7, no. 1, pp. 1-14, 2017.
[34] Kingma et al.. ÐAdam: A method for stochastic optimization.Ñ" rtgugpvgf" cv Third International Conference for Learning Representations (ICLR ), USA, 2015.
[35] Zeiler and M. D. Adadelta.$An adaptive learning rate method.$"ArXiv, vol. abs/1212.5701, 2012.
49 PH井N LÝ L卯CH TRÍCH NGANG
H丑 và tên: Võ T医n Phát
Pi {."vjƒpi."p<o"ukpj<"3813213;;8 P挨k"ukpj<"VR0"J欝 Chí Minh
A鵜a ch雨 liên l衣c: 340 Qu嘘c l瓜 22, xã Tân Phú Trung, huy羽n C栄 Chi, TPHCM
SWè"VTỵPJ"ẮQ"V萎O
T瑛 ngày A院n ngày Công vi羽c A鵜a ch雨 Thành tích
2014 2018 H丑c K悦 thu壱t