Luận văn Thạc sĩ: Phát hiện và nhận dạng hình dáng loại viên thuốc sử dụng Deep Learning

Với sự phát triển không ngừng của ngành dược phẩm và sự đa dạng về chủng loại viên thuốc, việc phát hiện và nhận dạng chính xác các loại viên thuốc trở thành một thách thức lớn, đặc biệt đối với người lớn tuổi và những viên thuốc không có nhãn mác. Thực trạng này tiềm ẩn nhiều rủi ro nghiêm trọng, dẫn đến các sai sót trong sử dụng thuốc, gây ra tác dụng phụ, phải nhập viện và thậm chí tử vong, như các số liệu thống kê tại Hoa Kỳ và Ấn Độ đã chỉ ra. Do đó, việc nghiên cứu và triển khai các giải pháp tự động để xác định viên thuốc là vô cùng cấp thiết, nhằm nâng cao chất lượng chăm sóc sức khỏe và giảm thiểu các trường hợp lỗi sử dụng thuốc. Luận văn này tập trung vào việc ứng dụng công nghệ Deep Learning để xây dựng một hệ thống phát hiện và nhận dạng hình dáng viên thuốc một cách hiệu quả và chính xác.

Sinh viên, nghiên cứu sinh, và các chuyên gia trong lĩnh vực Khoa học Máy tính, Hệ thống Thông tin, Xử lý ảnh, và Học sâu; đặc biệt là những người quan tâm đến ứng dụng công nghệ trong y tế, dược phẩm, và chăm sóc sức khỏe để nâng cao an toàn bệnh nhân.

Luận văn trình bày một giải pháp toàn diện cho bài toán phát hiện và nhận dạng hình dáng loại viên thuốc tự động, nhằm giải quyết thách thức lớn trong an toàn y tế và chăm sóc sức khỏe. Với sự phức tạp và đa dạng của các loại thuốc, cùng với nguy cơ cao về lỗi sử dụng thuốc nếu không được xác định chính xác, một hệ thống tự động là cần thiết. Nghiên cứu này tập trung vào việc ứng dụng các phương pháp học sâu, đặc biệt là Deep Learning và các mô hình Mạng nơ-ron tích chập (CNN) tiên tiến. Cụ thể, mô hình Mask R-CNN được đề xuất và triển khai do khả năng vượt trội trong việc phát hiện và phân đoạn đối tượng, cho phép xác định chính xác ranh giới của từng viên thuốc. Quy trình giải pháp bao gồm hai giai đoạn chính: Tiền xử lý ảnh và Phát hiện/Nhận dạng. Giai đoạn tiền xử lý đóng vai trò quan trọng trong việc chuẩn bị dữ liệu đầu vào (ảnh viên thuốc) thông qua các kỹ thuật như tăng cường dữ liệu, lọc nhiễu, và trích xuất đặc trưng, nhằm nâng cao độ chính xác và khả năng tổng quát của mô hình. Sau đó, dữ liệu đã được xử lý sẽ được đưa vào huấn luyện mô hình Mask R-CNN. Luận văn cũng tiến hành so sánh hiệu quả của phương pháp đề xuất với các kỹ thuật xử lý ảnh truyền thống, đồng thời đánh giá kết quả thực nghiệm trên bộ dữ liệu ảnh thuốc CURE với 8.973 hình ảnh từ 196 lớp viên thuốc. Hệ thống này có ý nghĩa thực tiễn cao, giúp hỗ trợ đắc lực cho bệnh nhân, người lớn tuổi và nhân viên y tế trong việc nhận diện thuốc nhanh chóng và chính xác, qua đó giảm thiểu đáng kể các rủi ro liên quan đến sử dụng thuốc sai.