NGHIÊN CỨU HIỆU QUẢ CỦA CÁC MÔ HÌNH HỌC SÂU TIÊN TIẾN  TRONG PHÂN LOẠI BỆNH PHỔI BẰNG HÌNH ẢNH X-QUANG NGỰC

Nguyễn Hữu Khánh

doi:10.34238/tnu-jst.8408

NGHIÊN CỨU HIỆU QUẢ CỦA CÁC MÔ HÌNH HỌC SÂU TIÊN TIẾN TRONG PHÂN LOẠI BỆNH PHỔI BẰNG HÌNH ẢNH X-QUANG NGỰC

Thông tin bài báo

Ngày nhận bài: 25/07/23 Ngày hoàn thiện: 30/08/23 Ngày đăng: 31/08/23

Các tác giả

Nguyễn Hữu Khánh , Đại học Thái Nguyên

Tóm tắt

Theo báo cáo bệnh lao toàn cầu năm 2022 của WHO, ước tính có khoảng 10,6 triệu người mắc lao và 1,6 triệu người tử vong do lao trên toàn thế giới. Trong khi đó, viêm phổi được ước tính gây ra hơn 700.000 ca tử vong mỗi năm trên toàn cầu theo UNICEF. Tại Việt Nam, hai bệnh này vẫn là vấn đề y tế nghiêm trọng với số ca mắc và tử vong không nhỏ. Để hỗ trợ chẩn đoán bệnh phổi hiệu quả, nghiên cứu đã áp dụng các kỹ thuật học sâu, đặc biệt là các mô hình CNN tiêu biểu như Resnet, DenseNet, Xception, MobileNet và InceptionV3, để phân loại ảnh X-quang phổi. Các mô hình này được áp dụng kỹ thuật học chuyển tiếp tinh chỉnh mô hình sau đó được huấn luyện và so sánh để tìm ra mô hình có độ chính xác cao nhất. Kết quả cho thấy mô hình MobileNet là xuất sắc nhất, với độ chính xác lên đến 98,31%, cao nhất so với các mô hình khác. Kết quả nghiên cứu có thể được triển khai, phát triển thành hệ thống hỗ trợ y tế để giúp bác sĩ và nhân viên y tế xác định chính xác và nhanh chóng các loại bệnh phổi từ ảnh X-quang, từ đó giúp cải thiện quá trình chẩn đoán và điều trị cho bệnh nhân.

Từ khóa

Học sâu; Mạng nơron tích chập; Bệnh về phổi; Ảnh X-quang; Học chuyển tiếp

Toàn văn:

PDF

Tài liệu tham khảo

[1] T. Kasaeva, K. Floyd, A. Baddeley, S. d. Boon, A. Dean, H. M. Dias, D. Falzon, K. Floyd, I. G. Baena, N. Gebreselassie, P. Glaziou, M. Lalli, I. Law, and P. Nguhiu, Global tuberculosis report 2022, World Health Organization, 2022.

[2] UNICEF, "Childhood pneumonia: Everything you need to know," UNICEF, November 08, 2022. [Online]. Available: https://www.unicef.org/stories/childhood-pneumonia-explained. [Accessed July 15, 2023].

[3] P. Thuong, "Experts show how to detect children with pneumonia early at home (In Vietnamese)," Health and Life, November 03, 2022. [Online]. Available: https://suckhoedoisong.vn/chuyen-gia-chi-cach-phat-hien-tre-mac-viem-phoi-som-nhat-tai-nha-169221102231244035.htm. [Accessed July 15, 2023].

[4] M. Abubakar, I. Shah, W. Ali, and F. Bashir, "Classification of Pneumonia and Tuberculosis from Chest X-rays," March 25, 2021. [Online]. Available: https://arxiv.org/abs/2103.14562. [Accessed July 15, 2023].

[5] R. Mogaveera, R. Maur, Z. Qureshi, and Y. Mane, "Multi-class Chest X-ray classification of Pneumonia, Tuberculosis and Normal X-ray images using ConvNets," ITM Web of Conferences, vol. 44, 2022, Art. no. 03007, doi: 10.1051/itmconf/20224403007.

[6] S. Kudum, D. Shah, I. Vaish, and P. Tirumala, "Determining the best convolutional neural network for identifying tuberculosis and pneumonia in chest x-rays," The Journal of Emerging Investigators, vol. 5, 2022. [Online]. Available: https://emerginginvestigators.org/articles/21-047. [Accessed July 15, 2023].

[7] A.Pranaya, D.V.Sowmya, L.Poojitha, P.Grace, K.Bhavya and Dr.N.V. Ganapathi Raju, "Pneumonia Detection Using Deep Learning," E3S Web of Conferences, vol. 391, 2023, doi: 10.1051/e3sconf/ 202339101067.

[8] A. Nair, A. Mohan, J. J. Fernandez, S. B. Seema, and V. G. Sreena, "Chest X-ray Image Classification for Tuberculosis using Deep Convolutional Neural Network," National Conference on Smart Systems and Technologies, vol. 8, no. 7, pp. 96-103, 2021.

[9] K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778, doi: 10.48550/arXiv.1512.03385.

[10] G. Huang, Z. Liu, L. v. d. Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 4700-4708. [Online]. Available: https://arxiv.org/abs/1608.06993. [Accessed July 15, 2023].

[11] F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 1251-1258. [Online]. Available: https://arxiv.org/abs/1610.02357. [Accessed July 15, 2023].

[12] A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam, "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," arXiv, 2017. [Online]. Available: https://arxiv.org/abs/1704.04861. [Accessed July 15, 2023].

[13] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, "Rethinking the Inception Architecture for Computer Vision," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2818-2826. [Online]. Available: https://arxiv.org/abs/1512.00567. [Accessed July 15, 2023].

[14] T. Rahman, A. Khandakar, M. A. Kadir, K. R. Islam, K. F. Islam, Z. B. Mahbub, M. A. Ayari, and M. E. H. Chowdhury, "Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and Visualization," IEEE Access, vol. 8, pp. 191586 - 191601, 2020.

[15] D. Kermany, K. Zhang, and M. Goldbaum, "Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification," Mendeley Data, 2018. [Online]. Available: https://dx.doi.org/10.17632/rscbjbr9sj.2. [Accessed July 15, 2023].

DOI: https://doi.org/10.34238/tnu-jst.8408

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ