XÂY DỰNG HỆ THỐNG PHÁT HIỆN TỔN THƯƠNG PHỔI SỬ DỤNG MÔ HÌNH MẠNG NƠ-RON VGG-16 VÀ RESNET-50 TRÊN NỀN TẢNG PHÂN TÍCH DỮ LIỆU LỚN PHÂN HỆ 2: XÂY DỰNG VÀ ĐÁNH GIÁ MÔ HÌNH TRÊN MÔI TRƯỜNG XỬ LÝ DỮ LIỆU LỚN SPARK

Abstract

Viêm phổi có thể là một bệnh nhiễm trùng không thể cưỡng lại được đe dọa tính mạng ảnh hưởng đến một hoặc cả hai phổi ở những người thường do vi khuẩn gọi là Streptococcus pneumonia gây ra. Nguy cơ của bệnh viêm phổi là rất lớn đối với nhiều người, đặc biệt là ở các nước đang phát triển, nơi hàng tỷ người phải đối mặt với tình trạng suy kiệt sức sống. Ngày càng có nhiều sự quan tâm trong thế giới AI để nhận dạng và phân loại hình ảnh. Chụp X-quang ngực (CXR) được chọn là một trong những phương pháp lý tưởng hàng đầu cho các chuyên gia điều trị để chẩn đoán bệnh viêm phổi. Công việc nghiên cứu này về cơ bản đề xuất tạo ra việc sử dụng các loại mô hình CNN – Convolution Neural Network mà giúp phát hiện tổn thương phổi từ các hình ảnh chụp Xquang. Trong đề tài “Xây dựng hệ thống phát hiện tổn thương phổi sử dụng mạng nơ-ron VGG-16 & ResNet-50 trên nền tảng phân tích dữ liệu lớn” nhóm sẽ nghiên cứu và tự xây dựng hai mô hình CNN mà dựa vào hai kiến trúc CNN hiện đại là VGG-16 & ResNet-50, mục đích là để nghiên cứu chi tiết các mô hình học sâu, giảm số lượng tham số giúp tiết kiệm thời gian đào tạo, giữ lại các lớp đặc trưng của mạng nhưng vẫn đạt độ chính xác cao. Công việc được đề xuất đã được thử nghiệm bằng cách sử dụng bộ dữ liệu X-quang ngực chứa 5856 hình ảnh (4684 viêm phổi và 1172 bình thường) thu được từ Kaggle [1]. Ngoài ra, trong đề tài này nhóm chia ra thành hai phân hệ, ở phân hệ 1 nhóm tiến hành xây dựng và đánh giá các mô hình CNN dựa trên kiến trúc mạng VGG-16 & ResNet-50, sau khi mô hình xây dựng đã tối ưu và đạt độ chính xác cao thì ở phân hệ 2 nhóm sẽ áp dụng mô hình này để tiến hành đào tạo phân tán trong môi trường dữ liệu lớn của Spark, giúp tiết kiệm rất nhiều thời gian huấn luyện so với các môi trường truyền thống.