Luận văn Thạc sĩ Máy tính: Chẩn đoán bệnh da liễu qua hình ảnh sử dụng mô hình cộng tác của phân đoạn và phân lớp trên bộ dữ liệu ISIC-2018

Luận văn Thạc sĩ Máy tính của Nguyễn Tú Anh tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam, năm 2024, tập trung vào chẩn đoán bệnh da liễu qua hình ảnh sử dụng mô hình cộng tác của phân đoạn và phân lớp trên bộ dữ liệu ISIC-2018. Đề tài này có ý nghĩa cấp thiết do tỷ lệ mắc bệnh da liễu, đặc biệt là ung thư da, ngày càng tăng. Nghiên cứu này nhằm mục đích phát triển một hệ thống học sâu hiệu quả để hỗ trợ chẩn đoán, cải thiện độ chính xác và hiệu suất của mô hình thông qua sự kết hợp cộng tác giữa phân đoạn vùng tổn thương và phân lớp các loại tổn thương da.

Luận văn này hướng đến việc xây dựng một phương pháp có tính ứng dụng cao, có thể hỗ trợ bác sĩ trong việc chẩn đoán bệnh da liễu, từ đó góp phần nâng cao hiệu quả điều trị và cải thiện chất lượng chăm sóc y tế. Đồng thời, nghiên cứu này cũng đóng góp vào sự phát triển chung của lĩnh vực y học toàn cầu.

Luận văn đề xuất một phương pháp chẩn đoán bệnh da liễu dựa trên hình ảnh, kết hợp phân đoạn và phân lớp sử dụng các mô hình học sâu tiên tiến. Cụ thể, luận văn tập trung vào việc:

1. **Phân đoạn vùng tổn thương:** Sử dụng mô hình U-Net và các biến thể để xác định chính xác vùng tổn thương trong ảnh da liễu, tách biệt rõ ràng giữa vùng tổn thương và vùng da bình thường.
2. **Phân lớp tổn thương:** Ứng dụng các mô hình học sâu như ResNet và VGG để phân loại vùng tổn thương đã được xác định thành các loại bệnh lý da liễu cụ thể.
3. **Tích hợp mô hình cộng tác:** Kết hợp hai thành phần phân đoạn và phân lớp trong một hệ thống cộng tác, tận dụng tối đa ưu điểm của từng thành phần để cải thiện hiệu suất chẩn đoán toàn diện.
4. **Đánh giá và tối ưu hóa:** Đánh giá hiệu quả của hệ thống trên bộ dữ liệu ISIC-2018, sử dụng các chỉ số đo lường như Dice Similarity Coefficient (DSC), Accuracy, và F1-Score, đồng thời tối ưu hóa mô hình để đảm bảo tính chính xác và khả năng tổng quát hóa cao.

Luận văn cũng thảo luận về các thách thức trong chẩn đoán bệnh da liễu từ hình ảnh, bao gồm tính phức tạp của hình ảnh, dữ liệu không cân bằng và chất lượng hình ảnh không đồng nhất. Các phương pháp tối ưu hóa, chẳng hạn như thuật toán Adam, hàm mất mát Dice Loss và lịch trình học (Learning Rate Schedule) cũng được áp dụng để cải thiện hiệu suất mô hình.

Kết quả thực nghiệm cho thấy mô hình đề xuất đạt hiệu suất cao trong việc phân đoạn và phân loại tổn thương da, với chỉ số mAP (Mean Average Precision) cho phân đoạn đạt 94.43% và độ chính xác tổng thể cho phân loại đạt 78% khi sử dụng ResNet101 kết hợp với phân đoạn U-Net. Tuy nhiên, luận văn cũng chỉ ra một số hạn chế, như tỷ lệ false positives còn tương đối cao và khó khăn trong việc phân loại các tổn thương nhỏ hoặc có đặc điểm tương đồng. Hướng phát triển bao gồm thu thập dữ liệu da liễu thực tế tại Việt Nam, phát triển hệ thống AI chẩn đoán tự động và đánh giá thử nghiệm lâm sàng để đưa hệ thống vào ứng dụng thực tế.