Cải tiến phương pháp học sâu cho tác vụ phân loại ảnh và ứng dụng cho bài toán chẩn đoán ung thư da

Bài viết Cải tiến phương pháp học sâu cho tác vụ phân loại ảnh và ứng dụng cho bài toán chẩn đoán ung thư da đưa ra các phương pháp cải tiến độ chính xác của mô hình học sâu sử dụng mạng nơ-ron tích chập, ứng dụng cho bài toán phân loại ảnh trẩn đoán ung thư da.
Nội dung trích xuất từ tài liệu:
Cải tiến phương pháp học sâu cho tác vụ phân loại ảnh và ứng dụng cho bài toán chẩn đoán ung thư da Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8 CẢI TIẾN PHƯƠNG PHÁP HỌC SÂU CHO TÁC VỤ PHÂN LOẠI ẢNH VÀ ỨNG DỤNG CHO BÀI TOÁN CHẨN ĐOÁN UNG THƯ DA Nguyễn Trung Hiếu1, Đỗ Văn Hải2 1 Trung tâm Không gian Mạng Viettel, 2Khoa CNTT, Trường Đại học Thủy lợi1. GIỚI THIỆU CHUNG 2. PHƯƠNG PHÁP NGHIÊN CỨU Ung thư da là một vấn đề sức khỏe cộng 2.1. Xây dựng hệ thốngđồng lớn, với hơn 5.000.000 trường hợp Hệ thống trẩn đoán ung thư da được xâymới được chẩn đoán ở Hoa Kỳ mỗi năm. dựng như các bài toán phân loại ảnh khác:Ung thư hắc tố (melanoma cancer) là dạng ảnh đầu vào được đưa vào các lớp trích chọnung thư da nguy hiểm nhất, chịu trách đặc trưng của mạng tích chập để trích xuất ranhiệm cho phần lớn các ca tử vong do ung véc-tơ đặc trưng, véc-tơ này được đưa quathư da. Năm 2015, tỷ lệ mắc u ác tính toàn một mạng nơ-ron nhiều lớp với số đầu racầu được ước tính là hơn 350.000 trường được định nghĩa trước, ví dụ: bệnh A, bệnhhợp, với gần 60.000 ca tử vong. Mặc dù tỷ B, hoặc không bị bệnh.lệ tử vong là đáng kể, nhưng khi được phát 2.2. Tăng cường số lượng và đa dạnghiện sớm, tỷ lệ sống của khối u ác tính vượt hoá dữ liệuquá 95%. Tuy nhiên chi phí và thời gian Một mô hình học sâu nhiều tầng-lớp cầnđào tạo các y bác sĩ có đủ chuyên môn cho rất nhiều dữ liệu để được huấn luyện hiệucông việc trẩn đoán ung thư da là rất lớn, quả, cho độ chính xác cao. Hơn nữa ảnh chụpkhông thể đáp ứng nhu cầu thực tế. da để trẩn đoán có thể được chụp trong Phân loại hình ảnh là một bài toán có rất những điều kiện tối-sáng, tương phản, màunhiều ứng dụng thực tiễn trong các ngành da, góc chụp khác nhau, nên trong nghiêncông nghiệp, nông nghiệp,… Đặc biệt trong cứu này, chúng tôi sử dụng các phương phápy tế, phân loại ảnh có thể góp phần giải tăng cường dữ liệu ảnh sau để nâng cao tínhquyết bài toán trẩn đoán ung thư qua ảnh tổng quát của mô hình:chụp X quang, chụp da liễu. Trong những  Chỉnh độ sáng, độ tương phảnnăm gần đây, các mô hình học sâu sử dụng  Xoay góc chụp, lật ngược ảnhmạng nơ-ron tích chập được sử dụng rất  Thay đổi màu da, thêm long trên da mộtrộng rãi và thành công cho nhiều bài toán cách ngẫu nhiên.phân loại ảnh. Nhưng để ứng dụng trongbài toán trẩn đoán ung thư da, các mô hình 2.3. Tăng tần số lấy mẫunày phải cực kì chính xác để đưa ra hỗ trợ Trong các bài toán học giám sát nói chunghay thậm chí thay thế các bác sĩ. và phân loại ảnh nói riêng, phân bố dữ liệu Trong nghiên cứu này, chúng tôi đưa ra qua các lớp đóng vai trò rất quan trọng trongcác phương pháp cải tiến độ chính xác của hiệu quả huấn luyện mô hình. Việc lượng dữmô hình học sâu sử dụng mạng nơ-ron tích liệu học của một lớp nào đó áp đảo các lớpchập, ứng dụng cho bài toán phân loại ảnh còn lại sẽ khiến mô hình bị thiên kiến,trẩn đoán ung thư da. thường sẽ cho kết quả phân loại lên lớp đó. 111Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-3869-8 Để khắc phục việc mất cân bằng dữ liệu, 3.3. Phương pháp đánh giáchúng tôi sử dụng một phương pháp lấy mẫu Phương pháp đánh giá được sử dụng làsao cho tần số xuất hiện trong mỗi vòng lặp AUC (Area Under the Curve) - cũng chính làhuấn luyện của từng lớp là như nhau. tiêu chuẩn đánh giá được sử dụng trong cuộc3. KẾT QUẢ NGHIÊN CỨU thi ISIC 2017. 3.1. Phân tích và chuẩn hoá dữ liệu 3.4. Kết quả thí nghiệm Dữ liệu được sử dụng trong nghiên cứu Kết quả thí nghiệm được so sánh trực tiếpnày là tập ISIC 2017, gồm 3 lớp Melanoma, với top 1 và top 5 bảng xếp hạng của cuộc thiSeborrheic Keratosis và Nevus. Tập dữ liệu ISIC 2017:này gồm 2000 ảnh cho tập huấn luyện Kết quả thí Top1 ISIC Top5 ISIC(training set), 150 ảnh cho tập phát triển nghiệm 2017 2017(development set) và 600 ảnh cho tập kiểm Melanoma 0.848 0.874 0.836thử (test set). AUC Seborrheic 0.953 0.96 ...