PHÂN LOẠI UNG THƯ TRÊN NHŨ ẢNH BẰNG KỸ THUẬT HỌC MỜ TRONG MÔI TRƯỜNG DỮ LIỆU LỚN

Abstract

Luận văn "Phân loại ung thư trên nhũ ảnh bằng kỹ thuật học mờ trong môi trường dữ liệu lớn" tập trung nghiên cứu và phân tích các mô hình học sâu, nhằm đề xuất giải pháp xây dựng hệ thống hỗ trợ chẩn đoán sớm ung thư vú dựa trên nhũ ảnh X-quang. Hệ thống không chỉ giúp cải thiện hiệu quả tầm soát mà còn góp phần tiết kiệm thời gian, chi phí điều trị, đặc biệt trong bối cảnh tỷ lệ mắc ung thư vú ở phụ nữ ngày càng trẻ hóa và có nguy cơ tử vong cao nếu phát hiện muộn. Đề tài triển khai nghiên cứu ba mô hình học sâu gồm Xception, ResNet50V2 và MammoViT. Đồng thời, các lớp Max Pooling và Fully Connected trong những kiến trúc gốc được thay thế bằng các lớp học mờ (Fuzzy Layers) nhằm khảo sát tác động của kỹ thuật học mờ đến hiệu suất mô hình. Kết quả thực nghiệm cho thấy mô hình MammoViT kết hợp Fuzzy Pooling Layer đạt hiệu suất cao nhất trên tập dữ liệu VN-Bre25 với độ chính xác 98.78%. Trong khi đó, trên tập con của bộ dữ liệu MVinDr, mô hình Xception kết hợp Fuzzy Fully Connected và Fuzzy Pooling Layer đạt kết quả tốt nhất với độ chính xác 94.79%. Nhìn chung, các mô hình sử dụng kỹ thuật học mờ đều đạt hiệu quả ấn tượng khi tất cả các chỉ số đều vượt mốc 90%. Từ đó, đề tài đề xuất sử dụng hai mô hình tiêu biểu là MammoViT Fuzzy Pooling Layer và Xception Hybrid (Fuzzy FC + Fuzzy Pooling) làm nền tảng cho hệ thống phân loại ung thư vú trên nhũ ảnh. Ngoài ra, đề tài cũng bước đầu khảo sát khả năng huấn luyện mô hình trong môi trường phân tán. Tuy nhiên, do giới hạn về tài nguyên phần cứng và thời gian triển khai, việc đánh giá hiệu suất toàn diện trên hệ thống phân tán vẫn chưa được thực hiện đầy đủ.