PHÁT HIỆN TỔN THƯƠNG TRÊN DA BẰNG PHƯƠNG PHÁP MÁY HỌC

Abstract

Ung thư da là một trong những loại ung thư nguy hiểm nhất. Nếu không được chẩn đoán và điều trị sớm, nó sẽ lây lan sang các vùng khác của cơ thể gây nguy hiểm đến tính mạng. Trong bối cảnh phát triển mạnh mẽ của cuộc cách mạng công nghệ 4.0, việc ứng dụng trí tuệ nhân tạo vào lĩnh vực y học đang nhận được rất nhiều sự quan tâm. Việc ứng dụng học sâu (Deep Learning) trong lĩnh vực y học đã tạo ra những bước tiến đáng kể, đặc biệt là ứng dụng trong việc phát hiện bệnh trên da dựa trên hình ảnh da liễu. Đề tài này tiến hành xây dựng mô hình “Phát hiện tổn thương bất thường trên da bằng phương pháp máy học” dựa vào hình ảnh trích xuất vùng da bị tổn thương và thực hiện phân loại các loại tổn thương. Mô hình này có thể hỗ trợ bác sĩ đưa ra quyết định tốt hơn. Nghiên cứu này tiến hành phân loại 8 loại tổn thương trên da: dày sừng ánh sáng, ung thư biểu mô tế bào đáy, dày sừng tiết bã, u sợi bì, ung thư tế bào hắc tố, nốt ruồi, ung thư biểu mô tế bào vảy, tổn thương mạch máu. Mục tiêu là xây dựng một mô hình phát hiện tổn thương bất thường trên da và phân loại thành các lớp khác nhau thông qua mạng nơ-ron tích chập (CNN). Đề tài này sử dụng bộ dữ liệu ISIC 2019 bao gồm 25.331 ảnh từ một cuộc thi do Kaggle tổ chức. Đầu tiên, dữ liệu đầu vào sẽ thông qua bước tiền xử lý ảnh để loại bỏ những thông tin không cần thiết có trong ảnh, thay đổi kích thước ảnh thành 64×64 pixels và trong bài toán này sẽ sử dụng không gian màu HSV thay vì không gian màu RGB (ảnh gốc). Trong nghiên cứu này, sẽ tiến hành thử nghiệm việc huấn luyện mô hình phát hiện tổn thương bất thường trên da bằng mạng nơ-ron tích chập (CNN) với bộ dữ liệu ảnh đã qua bước tiền xử lý và bộ dữ liệu gốc. Kết quả thực nghiệm cho thấy không có sự chênh lệch nhiều về độ chính xác của giữa hai bộ dữ liệu. Kết quả của bộ dữ liệu lọc nhiễu và bộ dữ liệu gốc lần lượt là 0.678 và 0.663. Việc thực hiện quá trình tiền xử lý chưa đạt được kết quả mong muốn nên dẫn đến hiệu quả của mô hình huấn luyện trên bộ dữ liệu lọc nhiễu thấp hơn so với mô hình huấn luyện trên bộ dữ liệu gốc.