Một thử nghiệm học chuyển giao trong bài toán phân lớp ảnh siêu âm vú

Bài viết "Một thử nghiệm học chuyển giao trong bài toán phân lớp ảnh siêu âm vú" trình bày một thử nghiệm học chuyển giao cho bài toán phân lớp ảnh y khoa là ảnh siêu âm vú. Kết quả thử nghiệm cho thấy, với học chuyển giao từ ResNet50 cho kết quả tốt nhất đạt được là 88%, đồng thời ở mô hình chuyển giao này, hàm tối ưu RMSprop là phù hợp nhất với bài toán. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Một thử nghiệm học chuyển giao trong bài toán phân lớp ảnh siêu âm vú MỘT THỬ NGHIỆM HỌC CHUYỂN GIAOTRONG BÀI TOÁN PHÂN LỚP ẢNH SIÊU ÂM VÚ 1st Nguyễn Thị Hương Lý Khoa Công nghệ Thông tin Trường Đại học Nha Trang TP Nha Trang, Việt Nam lynth@ntu.edu.vn Abstract— Bài báo cáo này tôi trình bày một thử nghiệm học B. Học chuyển giao (transfer learning)chuyển giao cho bài toán phân lớp ảnh y khoa là ảnh siêu âm vú. Sự phụ thuộc vào dữ liệu là một trong những vấn đềKết quả thử nghiệm cho thấy, với học chuyển giao từ ResNet50 nghiêm trọng nhất trong học sâu. Học sâu phụ thuộc rất nhiềucho kết quả tốt nhất đạt được là 88%, đồng thời ở mô hìnhchuyển giao này, hàm tối ưu RMSprop là phù hợp nhất với bài vào dữ liệu huấn luyện khổng lồ so với các phương pháp họctoán. máy truyền thống, vì nó cần một lượng lớn dữ liệu để hiểu được các mẫu dữ liệu tiềm ẩn. Dữ liệu đào tạo không đủ là Keywords—học chuyển giao, VGG16, ResNet50 một vấn đề không thể tránh khỏi trong một số lĩnh vực ứng dụng đặc biệt. Việc thu thập dữ liệu phức tạp và tốn kém khiến I. DẪN NHẬP việc xây dựng một bộ dữ liệu chất lượng và quy mô lớn là vô Ung thư vú là một trong những nguyên nhân phổ biến nhất cùng khó khăn.gây ra tử vong cho phụ nữ trên toàn thế giới. Phát hiện sớm Học chuyển giao là một kỹ thuật học máy, theo đó một môgiúp giảm số lượng những trường hợp tử vong sớm. hình được đào tạo và phát triển cho một nhiệm vụ và sau đó Đã có nhiều nghiên cứu được thực hiện phân loại hình ảnh được sử dụng lại cho nhiệm vụ liên quan thứ hai, theo đóy khoa trong đó có hình ảnh siêu âm vú. Chính vì vậy, tôi chọn những gì đã học được trong một cài đặt này được khai thác đểnghiên cứu và phân lớp cho tập dữ liệu siêu âm vú “Breast cải thiện hiệu quả trong cài đặt khác[6]. Quá trình Transferultrasound images dataset - 2019” [1]. learning sẽ tận dụng lại các đặc trưng được học từ pre-trained model. II. HỌC CHUYỂN GIAO Kiến trúc mô hình sử dụng transfer learning bao gồm 2A. Học sâu và mạng neuron tích chập phần: Học sâu gần đây đã nhận được sự quan tâm ngày càng • Một mạng “Based network- BN” (Hình 2) có tác dụngnhiều từ các nhà nghiên cứu và đã được ứng dụng thành công trích lọc đặc trưng (feature- extraction), based networkcho nhiều ứng dụng trong thực thế. Các thuật toán học sâu cố này được trích xuất từ một phần của pre-trained modelgắng “học” các đặc trưng trừu tượng mức cao từ bộ dữ liệu sau khi loại bỏ các top fully connected layers.học lớn, điều đó giúp học sâu vượt trội so học máy truyềnthống. Học sâu tự động trích xuất các đặc trưng dữ liệu bằng • Các lớp Fully Connected Layers (FC) (Hình 2) giúpcác thuật toán học không giám sát hoặc bán giám sát, và trích giảm chiều dữ liệu và tính toán phân phối xác suất ởchọn đặc trưng phân cấp. Ngược lại, các phương pháp học output. Bản chất của FC chính là một mạng perceptronmáy truyền thống cần xác định các đặc trưng theo cách thủ đa lớp - một kiến trúc nguyên thủy nhất của thuật toáncông, điều này làm tăng gánh nặng cho nhà phát triển một cách neural network. Tùy vào các bài toán cụ thể sẽ điềunghiêm trọng. Có thể nói, học sâu là một thuật toán học biểu chỉnh số lượng các units ở output.diễn dựa trên tập dữ liệu quy mô lớn trong học máy. Quá trình khởi tạo mô hình ta sẽ tận dụng các trọng số (weights) của BN. Dữ liệu ảnh sau khi đi qua BN sẽ tạo ra nh ...