NGHIÊN CỨU MẠNG HỌC SÂU CHO NHẬN DẠNG BỆNH PHỔI TỪ ẢNH X-QUANG

Abstract

Trong lĩnh vực y tế, việc ứng dụng công nghệ trí tuệ nhân tạo (AI) và máy học (machine learning) ngày càng đóng vai trò quan trọng, đặc biệt là trong việc phân tích hình ảnh X-quang để hỗ trợ chẩn đoán bệnh. Luận văn này tập trung nghiên cứu và phát triển hệ thống nhận diện ảnh X-quang y tế dựa trên các mô hình học sâu tiên tiến, nhằm tự động phát hiện các dấu hiệu bệnh lý trong hình ảnh với độ chính xác cao, từ đó góp phần giảm thiểu thời gian và nâng cao hiệu quả trong công tác chẩn đoán. Trong quá trình thực hiện luận văn, ba mô hình học sâu phổ biến đã được lựa chọn để so sánh và đánh giá, bao gồm ResNet50, VGG19 và DenseNet. ResNet50 với kiến trúc mạng dư thừa giúp giảm thiểu hiện tượng mất mát thông tin khi tăng số lớp; VGG19 với kiến trúc đơn giản và độ sâu lớn cho phép phát hiện các đặc trưng phức tạp trong ảnh; và DenseNet với khả năng kết nối giữa các lớp chặt chẽ, giúp cải thiện hiệu suất phân loại mà không làm tăng đáng kể số tham số. Các mô hình này được huấn luyện trên bộ dữ liệu X-quang y tế bao gồm nhiều loại bệnh lý khác nhau. Kết quả thử nghiệm cho thấy từng mô hình có ưu và nhược điểm riêng trong việc nhận diện các đặc trưng bệnh lý. Kết luận của luận văn cho thấy sự tiềm năng của các mô hình học sâu trong việc tự động nhận diện hình ảnh Xquang, đồng thời mở ra hướng nghiên cứu tiếp theo nhằm tối ưu hóa các mô hình cho các bài toán y tế cụ thể hơn.