ứng dụng học sâu trong việc chẩn đoán ung thư vú

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (17.92 MB, 92 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

THÀNH PHỐ HỒ CHÍ MINH, NĂM 2022

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhhghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihh

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

Cơng trình được hồn thành tại Trường Đại học Cơng nghiệp TP. Hồ Chí Minh. Người hướng dẫn khoa học: TS. Nguyễn Ngọc Sơn ...

Luận văn thạc sĩ được bảo vệ tại Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Cơng nghiệp thành phố Hồ Chí Minh ngày . . . tháng . . . . năm . . .

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

1. PGS. TS Nguyễn Tấn Lũy ... - Chủ tịch Hội đồng 2. PGS. TS Nguyễn Đình Tuyên ... - Phản biện 1

3. TS. Trần Hữu Toàn ... - Phản biện 2 4. PGS. TS Trương Đình Nhơn ... - Ủy viên 5. TS. Trần Minh Chính ... - Thư ký

<b>CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN TỬ </b>

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>NHIỆM VỤ LUẬN VĂN THẠC SĨ </b>

Họ tên học viên: HOÀNG ĐỨC QUÝ ... MSHV: 19630241 ... Ngày, tháng, năm sinh: 30/05/1993 ... Nơi sinh: TP. Hồ Chí Minh . Chuyên ngành: Kỹ thuật điện tử ... Mã chuyên ngành: 8520203

Ứng dụng học sâu trong việc chẩn đoán ung thư vú

<b>NHIỆM VỤ VÀ NỘI DUNG: </b>

- Tìm hiểu lý thuyết về học sâu và ứng dụng vào nhận dạng khối u vú trong ảnh x-quang - Xây dựng mơ hình học sâu nhận dạng khối u vú

- Huấn luyện và đánh giá mô hình theo tiêu chí đánh giá đề x́t

- Triển khai ứng dụng hỗ trợ chẩn đoán ung thư sử dụng mơ hình học sâu đề x́t

<b>II. NGÀY GIAO NHIỆM VỤ: Theo quyết định số 1035/QĐ-ĐHCN ngày 12/08/2021 III. NGÀY HOÀN THÀNH NHIỆM VỤ: 04/03/2022... IV. NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. Nguyễn Ngọc Sơn </b>

<i>Tp. Hồ Chí Minh, ngày … tháng … năm 20 … </i>

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

<b>LỜI CẢM ƠN </b>

Lời đầu tiên, tôi xin được gửi lời cảm ơn chân thành đến thầy hướng dẫn của tôi – TS. Nguyễn Ngọc Sơn đã tận tình hướng dẫn và đợng viên tôi từ những ngày đầu tiên nhận đề tài. Những hướng dẫn và góp ý của thầy có ý nghĩa quan trọng và ảnh hưởng trực tiếp đến nghiên cứu của tôi.

Tôi cũng xin được cảm ơn đến GS. TS. Hồ Phạm Huy Ánh đã hỗ trợ, dẫn dắt tôi vào con đường nghiên cứu khoa học, tạo mọi điều kiện cho tôi được học hỏi, nghiên cứu tại phịng thí nghiệm của thầy.

Tơi cũng xin cảm ơn những đồng nghiệp của tôi là Nghiên cứu sinh Cao Văn Kiên, Nguyễn Tiến Đạt đã cho những góp ý hữu ích tới đề tài nghiên cứu của tôi.

Cuối cùng nhưng vô cùng quan trọng, tôi muốn cảm ơn gia đình tơi, đặc biệt là mẹ và bạn gái tơi vì đã hết lịng tin tưởng và ủng hộ tôi trong thời gian tôi học tập.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

<b>TÓM TẮT LUẬN VĂN THẠC SĨ </b>

Trong những năm gần đây, học sâu đã được nghiên cứu và áp dụng rộng rãi trong lĩnh vực thị giác máy tính bởi tính hiệu quả của chúng trong nhiều ứng dụng khác nhau đã được chứng minh thông qua các nghiên cứu khoa học. Đặc biệt, việc áp dụng học sâu vào phân tích ảnh y tế là một chủ đề thu hút nhiều sự chú ý. Trong quyển luận văn này, học viên đề xuất một bợ khung phát hiện đối tượng tiên tiến có tên là YOLO áp dụng vào mợt mơ hình máy tính hỗ trợ chẩn đốn (CAD). Cụ thể, mơ hình có thể tự động phát hiện khối u trong ảnh x-quang vú kĩ thuật số được thu thập từ tập dữ liệu INbreast và phân loại chúng là lành tính hay ác tính mà khơng có sự can thiệp của con người. Kết quả cho thấy mơ hình đề x́t đạt 94.4% đợ chính xác trung bình (mAP) trong việc phát hiện khối u, cho thấy tiềm năng áp dụng vào thực tiễn.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

<b>ABSTRACT </b>

In recent years, deep learning has been researched and broadly applied in the field of computer vision due to its effectiveness which had been proved in various application through scientific research. Especially, applying deep learning in medical image analysis is a topic attracted a vast attention. This thesis proposes a state-of-the-art object detection framework namely YOLO applied to a computer-aided detection (CAD) model. Specifically, the model can detect tumors in digital mammograms automatically and distinguished them as benign or malignant without human intervention. The quantiative result demonstrated that the proposed model reached 94.4% mAP in tumor detection task, showing the potential to be applied in practice<small>. </small>

123docz.net - File bi loi xin lienhe: <small>922413069:37:30 PM9:37:30 PM922413069:37:30 PM9:37:30 PM922413069:37:30 PM9:37:30 PM</small>

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

<b>LỜI CAM ĐOAN </b>

Cơng trình nghiên cứu trong quyển luận văn được thực hiện trực tiếp từ chính bản thân tôi. Các kết quả nghiên cứu và các kết luận trong luận văn là trung thực, không sao chép dưới bất kỳ hình thức nào và dưới mợt nguồn dữ liệu nào. Việc tham khảo tài liệu chuyên ngành như các tạp chí khoa học, sách, báo (nếu có) đã được trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định.

<b>Hoàng Đức Quý </b>

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

DANH MỤC BẢNG BIỂU ...xi

DANH MỤC TỪ VIẾT TẮT ... xii

PHẦN MỞ ĐẦU ... 1

1. Đặt vấn đề... 1

2. Mục đích nghiên cứu ... 1

3. Đối tượng và phạm vi nghiên cứu ... 1

4. Phương pháp nghiên cứu ... 2

5. Ý nghĩa thực tiễn của đề tài ... 2

TỔNG QUAN ... 3

1.1 Sơ lược về ung thư vú ... 3

1.2 Hệ thống máy tính hở trợ chẩn đốn ... 4

1.3 Phát biểu vấn đề ... 5

1.4 Nội dung nghiên cứu chính ... 6

1.4.1 Nợi dung nghiên cứu: ... 7

1.4.2 Những đóng góp chính: ... 7

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

2.3.4 Thuật toán non-max suppression ... 18

2.3.5 Ưu và nhược điểm của YOLOv1 ... 20

2.4 Thuật toán YOLOv2 ... 20

2.4.1 Kiến trúc mơ hình ... 20

2.4.2 Chuẩn hóa theo batch (Batch normalization) ... 22

2.4.3 Sử dụng bộ phân loại đầu vào phân giải cao ... 22

2.4.4 Dự đốn với hợp mỏ neo ... 23

2.5 Thuật toán YOLOv3 ... 24

2.5.1 Kiến trúc mơ hình YOLOv3 ... 24

2.5.2 Đưa ra dự đốn trên các tỉ lệ khác nhau ... 26

2.6 Thuật toán YOLOv4 ... 28

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

2.6.1 Những cải thiện đáng kể ... 29

2.6.2 Kiến trúc mơ hình YOLOv4 ... 31

2.7 Thuật tốn YOLOv5 ... 34

XÂY DỰNG MƠ HÌNH HỌC CHẨN ĐOÁN UNG THƯ VÚ DÙNG HỌC SÂU ... 35

4.1 Kết quả h́n luyện mơ hình ... 48

4.2 Kết quả đánh giá mơ hình ... 49

4.3 Kết quả triển khai mơ hình lên phần mềm ... 53

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ... 55

DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỚ CỦA HỌC VIÊN ... 57

TÀI LIỆU THAM KHẢO ... 58

PHỤ LỤC ... 62

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

Phụ lục A: NGƠN NGỮ LẬP TRÌNH VÀ NHỮNG THƯ VIỆN CẦN THIẾT ... 62

Phụ lục B: MÃ CHƯƠNG TRÌNH XÂY DỰNG MƠ HÌNH YOLOv3 ... 63

Phụ lục C: MÃ CHƯƠNG TRÌNH XÂY DỰNG MƠ HÌNH YOLOv4 ... 65

Phụ lục D: MÃ CHƯƠNG TRÌNH XÂY DỰNG ỨNG DỤNG CAD ... 69

Phụ lục E: CÁC BƯỚC SỬ DỤNG PHẦN MỀM ... 73

Phụ lục F: DỰ ĐỐN HỘP BAO ĐỚI TƯỢNG DỰA TRÊN HỘP NEO ... 74

Phụ lục G: ỨNG DỤNG WEB DỰA TRÊN THUẬT TỐN ĐỀ XUẤT ... 75

LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN ... 77

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

<b>DANH MỤC HÌNH ẢNH </b>

Hình 1.1 Sơ đồ xử lý của mợt hệ thống CAD ... 4

Hình 2.1 Mối quan hệ giữa học sâu, học máy và AI ... 8

Hình 2.2 Mạng perceptron nhiều lớp... 9

Hình 2.3 Mạng nơ-ron tích chập điển hình ... 10

Hình 2.4 Phép tương quan chéo hai chiều ... 11

Hình 2.5 Phép gợp cực đại và gợp trung bình ... 12

Hình 2.6 Lớp kết nối đầy đủ trong CNN ... 13

Hình 2.7 Ý tưởng của YOLO [25] ... 14

Hình 2.8 Véc-tơ dự đốn và véc-tơ nhãn ngõ ra để huấn luyện ... 15

Hình 2.9 Minh họa thuật tốn NMS ... 19

Hình 2.10 Giá trị IOU giữa hai hợp giới hạn ... 19

Hình 2.11 Kiến trúc YOLOv2 ... 22

Hình 2.12 Trường hợp sử dụng hai hợp mỏ neo để đưa ra dự đốn (màu vàng) ... 24

Hình 2.13 Cấu trúc khối Residual trong kiến trúc YOLOv3... 26

Hình 2.14 Cấu trúc hồn chỉnh của YOLOv3 ... 27

Hình 2.15 Hiệu śt mơ hình YOLOv4 so sánh với các mơ hình phát hiện đối tượng tiên tiến khác [39] ... 29

Hình 2.16 Hàm kích hoạt Mish và ReLU ... 30

Hình 2.17 Mạng tởng hợp đường dẫn (PAN) ... 32

Hình 2.18 Kiến trúc CSPDarknet-53 ... 33

Hình 3.1 Quy trình thực hiện nghiên cứu ... 35

Hình 3.2 Mợt số nhũ ảnh trong tập dữ liệu INbreast. (a) ID: 22670465; (b) ID: 22613650; (c) ID: 22614127; (d) ID: 51048765 ... 36

Hình 3. 3 Lưu đồ tiền xử lý nhũ ảnh ... 37

Hình 3. 4 Ví dụ tiền xử lý của nhũ ảnh ID:22613702. (a) Hình gốc; (b) Ảnh nhị phân; (c) Ảnh nhị phân đã lọc nhiễu; (d) Ảnh sau lọc nhiễu; (e) Trích xuất vùng ngực của nhũ ảnh; (f) Ảnh được chuẩn hóa; (g) Ảnh sau khi đệm ... 38

Hình 3.5 Kiến trúc mơ hình học sâu đề x́t dựa trên thuật tốn YOLOv3 ... 39

Hình 3.6 Kiến trúc mơ hình học sâu đề x́t dựa trên thuật toán YOLOv4 ... 40

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

Hình 3.7 Các phép biến đởi ảnh ... 41

Hình 3.8 Phương pháp khởi động tốc độ học và suy giảm tốc đợ học cơ-sin ... 42

Hình 3.9 Giao diện thiết kế giao diện ứng dụng WPF trên phần mềm Visual Studio 2019. ... 45

Hình 3.10 Quy trình triển khai mơ hình vào ứng dụng ... 46

Hình 3.11 Lưu đồ thực hiện của phần mềm chẩn đốn khối u ... 47

Hình 4.1 Đồ thị khảo sát sự hội tụ hàm mục tiêu của hai mơ hình YOLOv3 và YOLOv4 trên tập đánh giá ... 48

Hình 4.2 Đường cong PR với ba trường hợp kích thước ảnh đầu vào của mơ hình YOLOv3: a) 416 x 416, b) 512 x 512, c) 608 x 608 và YOLOv4: d) 416 x 416, e) 512 x 512, f) 608 x 608 ... 51

Hình 4. 3 Mợt số kết quả phát hiện và chẩn đoán khối u trên tập đánh giá. Tất cả ví dụ đến từ phân lớp lành tính. (Màu xanh lá: vị trí khối u thật, màu xanh dương: dự đốn của mơ hình) ... 52

Hình 4.4 Mợt số kết quả phát hiện và chuẩn đốn khối u trên tập đánh giá. Tất cả ví dụ đến từ phân lớp ác tính. (Màu xanh lá: vị trí khối u thật, màu xanh dương: dự đốn của mơ hình) ... 53

Hình 4. 5 Mợt số kết quả chẩn đoán trên phần mềm CAD đề xuất ... 54

Hình E.1 Chọn nhũ ảnh cần chẩn đốn ... 73

Hình E.2 Hiển thị kết quả chẩn đốn ... 73

Hình F.1 Dự đốn hợp bao đối tượng với hợp neo ... 74

Hình G.1 Sơ đồ khối ứng dụng web hỗ trợ chẩn đốn ung thư vú ... 75

Hình G.2 Giao diện ứng dụng web iDr ... 76

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

<b>DANH MỤC BẢNG BIỂU </b>

Bảng 2.1 Kiến trúc chi tiết của mạng YOLO với 24 lớp tích chập ... 16

Bảng 2.2 Darknet-19 ... 21

Bảng 2.3 Kiến trúc Darknet-53 ... 25

Bảng 3.1 Thông số thiết lập cho thí nghiệm ... 43

Bảng 4.1 Kết quả đánh giá mơ hình với đầu vào có đợ phân giải khác nhau ... 49

Bảng 4.2 So sánh với các nghiên cứu gần đây ... 50

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

<b>DANH MỤC TỪ VIẾT TẮT </b>

<b>AI </b> Artificial Intelligent

<b>ANN </b> Artificial Neural Network

<b>BOF </b> Bag of Freebies

<b>BOS </b> Bag of Specials

<b>CAD </b> Computer-Aided Detection

<b>CNN </b> Convolution Neural Network

<b>CSP </b> Cross Stage Partial

<b>DL </b> Deep Learning

<b>FPN </b> Feature Pyramid Network

<b>IOU </b> Intersection over Union

<b>LR </b> Learning Rate

<b>mAP </b> Mean Average Precision

<b>MRI </b> Magnetic Resonance Imaging

<b>NMS </b> Non-Max Supression

<b>NMS </b> Non-maximum Suppression

<b>PAN </b> Path Aggregation Network

<b>ROI </b> Region of Interest

<b>SPP </b> Spatial Pyramid Pooling

<b>WPF </b> Window Presentation Foundation

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

<b>PHẦN MỞ ĐẦU </b>

Ung thư vú là chứng bệnh mà các tế bào ác tính sinh ra trong các mô của tuyến vú. Theo Hiệp Hội Ung Thư Hoa Kỳ, ung thư vú là loại ung thư phổ biến nhất ở nữ giới trên phạm vi toàn cầu và là loại ung thư phở biến thứ hai nói chung. Tại Mỹ, năm 2019, có 268,600 ca bệnh ung thư vú xâm lấn được chẩn đoán ở nữ và 2,670 ca ở nam. Trong số đó, 41,760 phụ nữ và 500 đàn ông được cho là sẽ tử vong vì ung thư vú [1]. Ở Việt Nam, số ca mắc mới trong năm 2018 là 15,529 ca (chiếm 9.2% tổng số ca ung thư) và 6,103 ca được cho là tử vong (chiếm 5.3% số ca tử vong do ung thư) [2]. Tuy nhiên, tỉ lệ sống sót của bệnh nhân trong 5 năm được ước tính là 99% nếu bệnh nhân được chẩn đoán và phát hiện sớm khi ung thư vừa mới ở giai đoạn bắt đầu [1]. Do đó, nghiên cứu trong việc chẩn đốn sớm bệnh ung thư vú là một đề tài nghiên cứu cụ thể thu hút nhiều sự chú ý và quan tâm.

<b> 2. Mục đích nghiên cứu </b>

Xây dựng mợt mơ hình chẩn đốn bệnh ung thư vú dựa trên kỹ thuật học sâu nhằm hỗ trợ cho các bác sĩ x-quang trong việc chẩn đoán ung thư từ ảnh x-quang vú mợt cách chính xác.

<b> 3. Đối tượng và phạm vi nghiên cứu </b>

Đối tượng nghiên cứu: kĩ thuật học sâu và ứng dụng của nó trong bài toán nhận diện khối u trong nhũ ảnh kĩ thuật số.

Phạm vi nghiên cứu: ung thư vú thường đặc trưng bởi khối u trong ngực của phụ nữ. Vì vậy, đề tài luận văn tập trung vào bài toán phát hiện khối u trong nhũ ảnh và gán nhãn nó là lành tính hay ác tính, những bất thường khác như vơi hóa, cấu trúc khơng đồng đều sẽ không được nghiên cứu hay cân nhắc đến.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

<b> 4. Phương pháp nghiên cứu </b>

Phương pháp nghiên cứu trong luận văn là:

• Nghiên cứu tài liệu khoa học có liên quan trực tiếp đến đề tài. • Thu thập dữ liệu nhũ ảnh từ nguồn mở được cơng nhận khoa học.

• Xây dựng mơ hình AI sử dụng ngơn ngữ lập trình Python và huấn luyện trên máy ảo Google Colab.

• Đánh giá, so sánh kết quả của mơ hình với các kết quả nghiên cứu đã có. • Triển khai mơ hình vào phần mềm hỗ trợ chẩn đốn.

<b> 5. Ý nghĩa thực tiễn của đề tài </b>

Ý nghĩa khoa học: Đưa ra giải pháp phát hiện khối u vú bằng mơ hình học sâu dựa trên thuật tốn YOLO cải tiến bằng các kĩ thuật: khởi đợng và tinh chỉnh tốc độ học cô-sin, tăng cường ảnh trong huấn luyện.

Ý nghĩa thực tiễn: Cung cấp một cơng cụ hỗ trợ có tiềm năng ứng dụng vào thực tiễn cho các bác sĩ x-quang trong việc chẩn đoán ung thư vú nhằm giảm thiểu tỉ lệ chẩn đoán sai dẫn đến rủi ro về sức khỏe, tài sản và thời gian của bệnh nhân.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

<b>TỔNG QUAN </b>

Phần lớn ca bệnh ung thư vú được phát hiện khi người bệnh phát giác khối u sưng lên ở ngực hoặc nổi hạch ở nách, những triệu chứng không cụ thể như đau hay cảm giác nặng nề ở ngực, những sự thay đổi ở vùng da xung quanh vú như: đỏ, sưng, các vết sần sùi [1]. Tuy nhiên, khi khối u còn nhỏ và dễ dàng chữa trị, khơng có bất cứ dấu hiệu hay mợt triệu chứng cụ thể nào xảy ra. Vì vậy, việc phát hiện sớm bệnh ung thư vú là một nhân tố vô cùng quan trọng trong việc điều trị ung thư, góp phần giúp bệnh nhân tăng tỉ lệ điều trị thành cơng. Có nhiều phương pháp trong việc chẩn đoán sớm bệnh ung thư vú như tự khám vú, khám vú định kì, chẩn đốn hình ảnh như: chụp nhũ ảnh, siêu âm vú, chụp cộng hưởng từ.

Khối u vú thường được phát hiện thông qua chẩn đốn hình ảnh trước khi các triệu chứng phát triển hoặc sau khi người bệnh chú ý thấy một khối u lên ở ngực. Siêu âm vú (Ultrasonic) là kỹ thuật sử dụng sóng âm tần số cao quét qua phần ngực, kỹ thuật này thường được kết hợp với chụp nhũ ảnh để đánh giá trường hợp nhũ ảnh có mật đợ mơ vú dày. Chụp cợng hưởng từ (MRI – Magnetic Resonance Imaging) tuyến vú sử dụng sóng vơ tuyến và từ trường để đưa ra hình ảnh chi tiết bên trong của tuyến vú. So sánh với siêu âm vú và chụp nhũ ảnh, MRI nhạy hơn trong việc phát hiện các khối u nhỏ ở các đối tượng có nguy cơ mắc ung thư vú cao [3]. Chụp nhũ ảnh (Mammography) là kỹ thuật chụp ảnh x-quang cho tuyến vú nhằm mục đích chẩn đoán và sàng lọc ung thư vú và các bệnh lý khác. Mặc dù phương pháp chụp nhũ ảnh không thể chứng minh rằng vùng bất thường trong nhũ ảnh là ung thư, nhưng nếu nhũ ảnh cho thấy dấu hiệu đáng ngờ của ung thư thì mợt mẫu mơ được lấy ra để tiến hành sinh thiết. Tuy nhiên, những bất lợi của chụp nhũ ảnh là ít hiệu quả với phụ nữ dưới 40 tuổi và phụ nữ có mật đợ mơ vú dày. Gần đây, phát triển trong công nghệ chụp nhũ ảnh số như tăng cường độ tương phản nhũ ảnh số cho kết quả chẩn đoán tốt hơn là nhũ ảnh phim và siêu âm trong trường hợp mật độ mô vú dày [4], [5].

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

Như đã đề cập ở trên, trong trường hợp nghi ngờ bệnh nhân mắc ung thư vú, mẫu mơ tế bào được phân tích dựa trên kĩ thuật sinh thiết bằng kim (FNA). Nếu khối u có thể sờ nắn được, cách đơn giản nhất là đâm vào khối u bằng một ống tiêm gắn kim nhỏ và trích phần cần phân tích ra. Nếu khối u khơng thể sờ nắn được thì có thể sử dụng kim với sự hướng dẫn của máy siêu âm. Chi tiết về phương pháp sinh thiết có thể xem trong tài liệu [6].

<b>1.2 Hệ thống máy tính hở trợ chẩn đốn </b>

Mặc dù có sự phát triển của các kỹ thuật phát hiện ung thư vú, việc phân loại bệnh ung thư vẫn còn các vấn đề như: chất lượng hình ảnh y tế thấp và sai sót chủ quan từ con người dẫn đến sơ suất trong chẩn doán. Mộ nghiên cứu khảo sát cho thấy 31% trong số 8401 bác sĩ X-quang ở Mỹ thừa nhận từng có sơ suất [7]. Nguyên nhân phổ biến nhất là do chẩn đốn sai, trong đó ung thư vú có số lượng ca sai sót thường xuyên nhất. Do đó, các hệ thống máy tính hỗ trợ chẩn đốn (Computer-aided Detection - CAD) đã được phát triển để vượt qua các hạn chế hiện tại và được sử dụng trong nhiều phương pháp chẩn đốn hình ảnh khác nhau bao gồm: chụp x-quang vú (nhũ ảnh), siêu âm vú, và chụp MRI [8]. Mục đích của hệ thống CAD là cải thiện chất lượng và năng suất của các bác sĩ lâm sàng trong việc chẩn đốn hình ảnh. Mợt hệ thống CAD bao gồm bốn bước như hình 1.1.

Bước 1: Ảnh y tế được tiền xử lý nhằm loại nhiễu (nhiễu muối tiêu, các kí hiệu góc chụp, nhiễu trắng).

Bước 2: Vùng tổn thương được xác định bằng các phương pháp xử lý hình ảnh. Bước 3: Đặc trưng của vùng tởn thương được tính tốn bởi các chuyên gia. Bước 4: Các đặc trưng được đưa vào mơ hình phân loại để đưa ra kết quả.

Hình 1.1 Sơ đồ quy trình hoạt đợng của mợt hệ thống CAD

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

Phát hiện khối u là một bước quan trọng trong quy trình hoạt động của một hệ thống CAD, nhằm xác định vùng tởn thương (ví dụ: khối u, vơi hóa…) cho các phân tích sâu hơn. Đặc trưng của khối u bao gồm nhiều loại tḥc tính như: hình dạng, kích thước, và vị trí khối u trong nhũ ảnh. Phát hiện khối u mang nhiều thách thức hơn các tác vụ phát hiện vùng tổn thương khác do sự giống nhau về đặc điểm của chúng so với các tế bào thông thường [9]. Các hệ thống CAD thông thường dựa vào các bác sĩ x-quang đặc trưng hóa khối u và phân tích những đặc trưng thủ cơng này nhằm nhận biết chúng là lành tính hay ác tính thơng qua các thuật tốn học máy [10]–[12]. Tuy nhiên, những đặc trưng quan trọng dễ bị thiếu sót trong quy trình truyền thống này.

Mặt khác, trong các hệ thống CAD dựa trên trí tuệ nhân tạo (Artificial Intelligent – AI) gần đây, thuật toán học sâu trừu tượng hóa những đặc trưng của ảnh đầu vào như là một bộ miêu tả đặc trưng. Cơ chế tự học là nhân tố thành cơng chính của những thuật tốn học sâu ngày nay. Đã có những báo cáo rằng những mơ hình AI có thể đạt được kết quả tương tự như những bác sĩ x-quang có chuyên môn cao [13]–[15]. Hơn thế nữa, liên quan đến việc phát hiện và phân loại khối u trong nhũ ảnh, nhiều nghiên cứu đã được công bố [16]–[21].

Những tiến bộ trong lĩnh vực phát hiện đối tượng được xây dựng trên sự thành công của những phương pháp vùng đề x́t [22] với những mơ hình học sâu nổi tiếng như R-CNN [23], Faster R-CNN [24]. Cơ chế hoạt động của chúng là sử dụng phương pháp tìm kiếm chọn lọc để tạo ra một tập hợp những vùng tiềm năng chứa các đối tượng. Kế tiếp, mơ hình trích x́t những đặc trưng của vùng thơng qua mạng neural tích chập (convolutional neural network – CNN) và cuối cùng xác định xác suất phân lớp cho đối tượng cũng như hộp bao (bounding box) chứa đối tượng bằng kĩ thuật hồi quy tuyến tính.

Ứng dựng vào lĩnh vực phát hiện khối u, Akselrod-Ballin và cộng sự [17] kết hợp mơ hình Faster R-CNN được tinh chỉnh và một mô-đun phân đoạn vú với nhau để

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

thực hiện việc phát hiện và phân loại khối u trên một tập dữ liệu nhũ ảnh riêng tư. Ribli và cợng sự [18] h́n luyện mơ hình Faster R-CNN trên tập dữ liệu DDSM và đánh giá mơ hình trên tập dữ liệu INbreast. Argawal và cộng sự [19] h́n luyện mơ hình mạng Faster R-CNN trên mợt tập dữ liệu quy mô lớn tên là OPTINAM Mammography Image Database (OMI-DB) và tinh chỉnh mơ hình trên tập dữ liệu INbreast. Mặc dù có những kết quả đáng kể, những hướng tiếp cận của họ tồn tại những hạn chế như: mơ hình đề x́t phức tạp do cơ chế huấn luyện hai giai đoạn của phương pháp vùng đề xuất, dẫn đến tốc độ huấn luyện và đánh giá chậm. Không giống như những hướng tiếp cận trên, Al-masni và cộng sự [20] và các tác giả trong [21] sử dụng mơ hình học sâu YOLO [25] cho việc phát hiện và phân loại khối u trên nhũ ảnh. Một trong những điểm mạnh thuật toán của mơ hình YOLO là tốc đợ, bởi vì nó sử dụng mợt mạng nơ-ron duy nhất xác định tọa độ đối tượng trên ảnh như một vấn đề hồi quy. Tuy nhiên, mơ hình của các tác giả trên có đợ chính xác thấp và gặp khó khăn trong việc phát hiện những khối u đặc biệt nhỏ do sự hạn chế của mơ hình YOLO ở phiên bản đầu tiên. Điều này là một hạn chế to lớn trong việc phát hiện khối u trong nhũ ảnh bởi vì khối u thường rất nhỏ và chiếm một phần khiêm tốn trên nhũ ảnh. Một điểm bất cập khác là họ đã sử dụng phương pháp tăng cường dữ liệu trước khi chia ra tập huấn luyện và tập đánh giá dẫn đến việc đánh giá mơ hình khơng chính xác. Tolba [26] sử dụng hai mơ hình tiên tiến hơn là YOLOv3 và YOLOv4 trong việc phát hiện khối u và sử dụng kết quả này đưa vào bộ phân loại dựa trên mạng ResNet và Inception. Tuy nhiên, hướng tiếp cận này có hạn chế là làm tăng sự phức tạp của mơ hình dẫn đến những hạn chế như: giảm tốc đợ xử lý của mơ hình, tăng gánh nặng phần cứng; trong khi kết quả không thực sự cải thiện nhiều so với các cơng trình nghiên cứu trước.

<b>1.4 Nội dung nghiên cứu chính </b>

Học viên đề x́t mợt hệ thống hỗ trợ chuẩn đốn bằng máy tính (CAD) dựa trên thuật tốn YOLO (YOLOv3 và YOLOv4). So sánh với những phiên bản trước, YOLOv3 và YOLOv4 có nhiều cải thiện như cải tiến mơ hình và đưa ra dự đốn trên nhiều tỉ lệ bản đồ đặc trưng, do đó tăng cường việc phát hiện vật thể nhiều

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

kích thước, đặc biệt là những vật thể nhỏ. So sánh với phiên bản trước đó, kiến trúc mơ hình được phát triển sâu hơn, đặc trưng được bảo tồn và tởng hợp trong các lớp mạng, do đó đợ chính xác của mơ hình được tăng đáng kể trong khi vẫn duy trì được điểm mạnh là tốc đợ xử lý nhanh đảm bảo hoạt động theo thời gian thực.

<i><b>1.4.1 Nội dung nghiên cứu: </b></i>

(1) Thu thập và tiền xử lý dữ liệu bằng cách sử dụng các kĩ thuật xử lý ảnh như biến đởi hình học: phép xói mịn (erosion), phép giãn nở (dilation), phương pháp tăng cường độ tương phản.

(2) Xây dựng mơ hình học sâu dựa trên thuật tốn YOLOv3 và YOLOv4.

(3) Tối ưu giai đoạn huấn luyện bằng các phương pháp tinh chỉnh tốc độ học như phương pháp khởi động tốc độ học và suy giảm tốc độ học cô-sin.

(4) Giải quyết vấn đề hạn chế dữ liệu bằng các kĩ thuật tăng cường ảnh trong q trình h́n luyện.

(5) Đánh giá mơ hình dựa trên các tiêu chí như đợ chính xác trung bình (Average Precision), đồ thị đường cong đợ chính xác – gọi lại (Precision – Recall curve). (6) Triển khai mơ hình học sâu vào phần mềm CAD trên nền tảng .NET của Microsoft.

(7) Học viên đề x́t mợt phần mềm CAD dựa trên mơ hình học sâu tiên tiếng có thể đồng thời giải quyết đồng thời việc phát hiện và phân loại khối u trên nhũ ảnh. (8) Học chuyển giao và kĩ thuật tăng cường dữ liệu tại chỗ được sử dụng để giải quyết nhược điểm thiếu hụt dữ liệu khi huấn luyện mơ hình với tập dữ liệu nhỏ. (9) Phương pháp khởi động tốc độ học và suy giảm cô-sin (cosine) được sử dụng để tinh chỉnh giai đoạn h́n luyện.

(10) Mơ hình đề x́t được huấn luyện và đánh giá trên nhiều độ phân giải hình ảnh khác nhau nhằm tìm ra đợ phân giải tối u của nhũ ảnh cho việc huấn luyện mô hình học sâu đề xuất.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

<b>CƠ SỞ LÝ THUYẾT </b>

Học sâu (Deep Learning) là một nhánh của học máy (Machine Learning), nhưng trong một thập kỉ gần đây đã phát triển một cách bùng nổ nhờ vào những đột phá trong cơ sở hạ tầng máy tính (phần cứng và phần mềm) và sự ra đời của các tập dữ liệu đủ lớn và được gán nhãn.

Học sâu là một cơ chế học đặc trưng phân cấp. Yoshua Bengio đưa ra bình luận của mình trong bài báo của ơng [27]: “Những thuật tốn học sâu tìm cách khai thác cấu trúc không biết ở dữ liệu đầu vào nhằm khám phá ra những miêu tả tốt, thường ở nhiều cấp độ, với những đặc trưng cấp cao được xác định theo các đặc trưng cấp thấp hơn”.

Ngoài ra, trong cuốn sách mà ông đồng tác giả với Ian Goodfellow và Aaron Courvile có tựa đề “Deep Learning” [28], các tác giả định nghĩa học sâu trên khía cạnh đợ sâu của kiến trúc mơ hình: “hệ thống phân cấp các khái niệm cho phép máy tính học những khái niệm phức tạp bằng cách xây dựng chúng từ những khái

Hình 2.1 Mối quan hệ giữa AI và học máy, học sâu

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

niệm đơn giản hơn. Nếu chúng ta vẽ một biểu đồ thể hiện các khái niệm này được xây dựng chồng lên nhau như thế nào thì biểu đồ sẽ sâu, với nhiều lớp. Vì lí do này, chúng tơi gọi hướng tiếp cận này là học sâu”.

Như vậy, có thể hiểu học sâu là mợt thuật tốn phân tích dữ liệu với mợt cấu trúc logic tương tự với não người với nhiều lớp nơ-ron thần kinh liên kết với nhau. Ta phân tích mạng Perceptron nhiều lớp như mợt ví dụ của học sâu (Hình 2.2).

<i>Lớp X được gọi là lớp ngõ vào, H<sub>1</sub> tới H<sub>n</sub></i> là số lớp ẩn của mạng, càng nhiều lớp ẩn, mơ hình càng “sâu” hơn và có khả năng trích x́t thơng tin chính xác hơn. Trong quá trình huấn luyện, mạng Perceptron nhiều lớp sẽ cập nhật các ma trận

<i>trọng số W<sub>1</sub> tới W<sub>n</sub></i> bằng giải thuật lan truyền ngược cho đến khi mạng dự đốn kết quả chính xác tương ứng với nhãn của dữ liệu huấn luyện.

Tuy nhiên, trong lĩnh vực phân tích hình ảnh, đầu vào thường là các ma trận ba chiều, việc sử dụng mạng MLP là không hiệu quả do số lượng đầu vào quá lớn dẫn đến quá trình huấn luyện dễ bị quá khớp (overfitting) và yêu cầu phần cứng máy tính phải đủ khả năng lưu trữ và xử lý. Do đó, mạng nơ-ron tích chập (CNN) là mợt mơ hình học sâu được nghiên cứu, phát triển và ứng dụng rộng rãi bởi những tiện ích và tính hữu hiệu của nó, đặc biệt trong lĩnh vực phân tích hình ảnh.

Hình 2.2 Mạng perceptron nhiều lớp

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

Mạng CNN là mợt chi của mạng nơ-ron sâu được cấu thành từ ba lớp cơ bản: lớp tích chập, lớp gợp và lớp kết nối đầy đủ (Hình 2.3) được sử dụng phở biến trong lĩnh vực xử lý hình ảnh. Trong đó, các lớp tích chập và lớp gợp có nhiệm vụ trích và xử lý bản đồ đặc trưng từ ảnh đầu vào, sau đó lớp kết nối đầy đủ nhận bản đồ đặc trưng này và tiến hành học những đặc trưng tiêu biểu nhằm đưa ra quyết định ở ngõ ra của mạng.

Mạng nơ-ron tích chập như cái tên của nó thực hiện mợt loạt phép tốn gọi là phép tích chập (convolution). Trong tốn học, phép tích chập được hiểu là một phép tốn tuyến tính thực hiện với hai hàm số cho kết quả là một hàm số thứ ba, phép tính chập được kí hiệu bằng dấu hoa thị (Phương trình 2-1).

Ở quyển luận văn này, ta chỉ xét định nghĩa phép tích chập trong trường hợp mạng CNN. Đối số đầu tiên (hàm 𝑥) chỉ đầu vào của mỗi lớp và đối số thứ hai (hàm 𝑤) là các bộ lọc và ngõ ra 𝑦 thường được gọi là ma trận đặc trưng hay bản đồ đặc trưng. Trong các ứng dụng học sâu, đầu vào thường có dạng ma trận hai chiều hay mảng đa chiều trong lập trình, bợ lọc cũng có dạng mảng đa chiều của các trọng

Hình 2.3 Mạng nơ-ron tích chập điển hình

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

số. Ví dụ trường hợp đầu vào là ảnh hai chiều 𝐼 ∈ 𝑅<sup>𝑖×𝑗</sup>, ta thường sử dụng bợ lọc hai chiều 𝐾:

𝑆(𝑖, 𝑗) = 𝐼(𝑖, 𝑗) ∗ 𝐾(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑖 − 𝑚, 𝑗 − 𝑛)𝐾(𝑚, 𝑛)<sub>𝑚</sub> <sub>𝑛</sub> (2-2) Tuy nhiên, khái niệm tích chập sử dụng trong CNN là phương trình (2-3) thay vì (2-2). Phương trình này có tên là tương quan chéo (cross-correlation). Điểm khác biệt duy nhất giữa hai phép tốn là phép tích chập lật bợ lọc theo chiều ngang, sau đó lật theo chiều dọc cịn phép tương quan chéo khơng lật bợ lọc. Do đó, trong phạm vi quyển luận văn này, khi đề cập đến phép tích chập, ta hiểu đó là phép tương quan chéo. Để hiểu rõ hơn, ta xét ví dụ ở Hình 2.4. Trong đó, kết quả của phép tích chập được tính bằng cách áp dụng bộ lọc vào vùng trên cùng, bên trái (ô màu xanh dương) của ma trận đầu vào và dịch chuyển từ phải sang trái và từ trên xuống dưới với sải bước (stride) bằng một.

𝑆(𝑖, 𝑗) = 𝐼(𝑖, 𝑗) ⊗ 𝐾(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑖 + 𝑚, 𝑗 + 𝑛)𝐾(𝑚, 𝑛)<sub>𝑚</sub> <sub>𝑛</sub> (2-3)

Một điều quan trọng phải lưu ý là thông thường đầu ra hay bản đồ đặc trưng sau khi thực hiện lớp tích chập có kích thước nhỏ hơn đầu vào. Để tránh việc giảm kích thước, người ta có thể sử dụng các bợ đệm (padding) ở đầu vào.

Hình 2.4 Phép tương quan chéo hai chiều

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

<i>Một cách tổng quát, với đầu vào là mợt ảnh xám có kích thước H×W, sải bước S, </i>

<i>bợ đệm P và bợ lọc có kích thước F×F thì đầu ra của lớp tích chập sẽ có kích </i>

Hiện nay, có hai phép gợp phở biến là gộp cực đại (max-pooling) và gộp trung bình (average pooling). Cái thứ nhất lấy giá trị cực đại của mợt vùng cụ thể (theo kích thước bợ lọc) trong bản đồ đặc trưng, trong khi cái thứ hai lấy giá trị trung bình (Hình 2.5).

Gợp cực đại, Kích thước: 2x2, Sải bước: 2

Gợp trung bình, Kích thước: 2x2, Sải bước: 2

Hình 2.5 Phép gợp cực đại và gợp trung bình

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

Lớp kết nối đầy đủ có cấu trúc như mợt mạng nơ-ron thơng thường (Hình 2.6). Các đặc trưng trích từ lớp tích chập được làm phẳng và đưa vào lớp kết nối đầy đủ.

<i>Mỗi đặc trưng X<sub>n=0, 1... n</sub></i> được kết nối với tất cả các nơ-ron của lớp kết nối đầy đủ

<i>FC<small>1</small> và các nơ-ron của lớp FC<small>1</small> kết nối với tất cả các nơ-ron của lớp FC<small>2</small></i>. Chính vì tính chất này mà lớp kết nối đầy đủ còn được cọi là lớp dày đặc.

Trong quá trình huấn luyện, trọng số 𝑊 của lớp kết nối đầy đủ được cập nhật bằng thuật toán suy giảm đợ dốc để tối thiểu hóa sai số giữa ngõ ra dự đoán và nhãn thực tế của ảnh đầu vào.

<b>2.3 Thuật toán YOLOv1 </b>

You Only Look Once (YOLO) được giới thiệu lần đầu bởi Joseph Redmon và cộng sự [25] tạo nên một trường phái mới trong bài tốn phát hiện đối tượng. Trước đó, để giải quyết bài toán trên, người ta thường dùng CNN với phương pháp vùng đề xuất (Region Proposal) với đại diện là họ mạng R-CNN. Cụ thể, R-CNN trước tiên tạo ra các vùng có khả năng chứa đối tượng, sau đó chạy các bợ phân loại trên các vùng này và tiến hành hậu xử lý để loại bỏ các dự đốn trùng lắp và tinh chỉnh hợp bao đối tượng dự đốn được. Vì cách thức hoạt đợng như trên mà họ mạng R-CNN được xếp vào trường phái bợ phát hiện hai giai đoạn.

Hình 2.6 Lớp kết nối đầy đủ trong CNN

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

YOLOv1 đề xuất một mạng CNN duy nhất để thực hiện đồng thời việc dự đốn các hợp bao đối tượng và phân bố lớp của chúng. Mơ hình thống nhất này có nhiều lợi thế như: đơn giản trong ý tưởng và cách thực hiện, tốc độ xử lý thời gian thực. Do đó, YOLOv1 được áp dụng khá phở biến trong các ứng dụng nhận dạng đối tượng trong thực tế.

<i><b>2.3.1 Ý tưởng </b></i>

YOLO chia bức ảnh đầu vào thành các ơ lưới (Hình 2.7) có kích thước 𝑆 × 𝑆. Nếu tâm của đối tượng nằm trong mợt ơ lưới thì ơ lưới này chịu trách nhiệm xác đối

<i>tượng đó. Mỗi ơ lưới dự đốn B hộp chứa đối tượng và điểm số tự tin (confident </i>

score) cho mỗi hộp. Điểm số tự tin của hộp giới hạn thể hiện mơ hình tự tin bao nhiêu vào dự đốn khả năng hợp giới hạn này chứa đối tượng. Bên cạnh đó, mỗi

<i>hợp chứa 4 thơng số (x, y, w, h) tương ứng với tọa độ tâm và chiều rộng, chiều dài </i>

của hộp.

Mỗi ô lưới chỉ dự đoán một tập gồm 𝐶 phân bố xác suất phân lớp của đối tượng

<i>bất kể số lượng hộp B. Như vậy, ngõ ra của mạng là mợt tensor có kích thước </i>

Hình 2.7 Ý tưởng của YOLO [25]

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

(

)

. Với cấu trúc ngõ ra như vậy thì mỗi ơ chỉ dự đốn được cho mợt đối tượng dẫn đến việc mơ hình sẽ khó phát hiện đối tượng ở gần nhau do khả năng tâm của đối tượng nằm cùng một ô lưới. Điểm bất lợi này sẽ được giải quyết trong những phiên bản sau của YOLO.

Mục đích của thuật tốn YOLO là phát hiện một đối tượng bằng cách dự đốn chính xác hợp chứa đối tượng đó và khoanh vùng đối tượng dựa trên tọa đợ hợp chứa. Mơ hình YOLO được huấn luyện với những bức ảnh có nhãn là tọa độ hộp sự thật (hộp chứa đối tượng được các chun gia xác định chính xác tọa đợ). Do

<i>đó, các vectơ hợp giới hạn dự đốn tương ứng với vectơ đầu ra ŷ và các vectơ hộp sự thật tương ứng với nhãn ngõ ra vectơ y. Nhãn vectơ 𝑦 và vectơ dự đoán ŷ được </i>

minh họa ở Hình 2.8, trong đó ơ màu xanh dương khơng có bất kỳ đối tượng nào, điểm tin cậy của dự đốn trong ơ xanh dương bằng 0, khi đó tất cả các tham số còn lại sẽ bị bỏ qua. Trong khi ô màu xanh lá chứa tâm của đối tượng (con chó) nên đợ tin cậy của hợp chứa đối tượng (màu đỏ) bằng 1.

ŷ =ۏێێێێێۍ0

ŷ =

b<sub>x</sub>b<sub>y</sub>b<sub>w</sub>b<sub>y</sub>10 ے

Hình 2.8 Véc-tơ dự đốn và véc-tơ nhãn ngõ ra để huấn luyện

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 31</span><div class="page_container" data-page="31">

Mợt cách tởng qt, YOLOv1 là mợt mạng CNN gồm 24 lớp tích chập theo sau bởi hai lớp kết nối đầy đủ (fully connected layer) (Bảng 2.1). Có thể thấy các chuỗi lớp tích chập 1x1 theo sau bởi lớp tích chập 3 x 3 chiếm phần lớn cấu trúc của mạng YOLO. Đây là ý tưởng từ cấu trúc mạng nổi tiếng GoogleNet [32] giúp làm giảm kích thước đầu vào và thực hiện việc tính tốn nhanh hơn.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

<i>dùng hai tham số λ<sub>coord</sub> và λ<sub>noobj</sub> để giải quyết vấn đề trên. Cụ thể, λ<sub>coord</sub></i> được đặt bằng 5 để tăng ảnh hưởng của hàm mục tiêu từ dự đốn tọa đợ hợp giới hạn và 𝜆<sub>𝑛𝑜𝑜𝑏𝑗</sub> được đặt bằng 0.05 để giảm ảnh hưởng hàm mục tiêu từ các dự đốn đợ tự tin từ các hợp khơng chứa đối tượng.

<i>(Phương trình 2-6). 1<sub>ij</sub><sup>obj</sup> bằng 1 nếu có đối tượng trong hợp bao thứ j tại ô thứ i, </i>

bằng 0 nếu ngược lại.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

<i>sự thật. 1<sub>ij</sub><sup>obj</sup></i> được xác định bằng 1 nếu có đối tượng trong ơ lưới, bằng 0 nếu khơng

<i>có. Cịn 1<sub>ij</sub><sup>noobj</sup></i> thì ngược lại.

Phần cuối cùng của hàm mất mát dùng để tính tốn mất mát của phân bố xác suất

<i>phân lớp (Phương trình 2-9), ngoại trừ có thêm 1<sub>i</sub><sup>obj</sup></i>, thuật ngữ này được sử dụng vì YOLO khơng phạt lỗi phân loại ngay cả khi khơng có đối tượng nào trong ơ.

<i><b>2.3.4 Thuật tốn non-max suppression </b></i>

YOLO xuất ra nhiều hộp giới hạn dự đốn từ mỗi ơ lưới (Hình 2.5). Do đó, sẽ có hiện tượng nhiều hợp giới hạn chồng chất cho mợt đối tượng (Hình 2.9), điều này là khơng cần thiết vì ta chỉ cần mợt hợp giới hạn cho mợt đối tượng duy nhất. Thuật tốn non-max suppression (NMS) được thực hiện để loại bỏ những hộp khơng cần thiết. Thuật tốn NMS gồm 3 bước chính:

• Bước 1: Sắp xếp tất cả các hợp bao đối tượng dự đốn và chọn ra hợp có điểm số tự tin cao nhất.

• Bước 2: Tìm tất cả hợp có giá trị IOU cao hơn ngưỡng với hộp được chọn.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

• Bước 3: Loại bỏ tất cả các hợp có giá trị IOU lớn hơn mợt ngưỡng định trước.

Cần lưu ý là IOU chỉ tỉ lệ giao nhau giữa hai hợp bao đối tượng (Phương trình 10).

Trong đó, 𝑆<sub>𝑜𝑣𝑒𝑟𝑙𝑎𝑝</sub> là phần diện tích giao giữa hợp giới hạn dự đốn và hợp sự thật của đối tượng và 𝑆<sub>𝑢𝑛𝑖𝑜𝑛</sub> là diện tích phần hợp giữa chúng. Hình 2.10 minh họa thuật tốn NMS.

Hình 2.10 Giá trị IOU giữa hai hợp giới hạn Hình 2.9 Minh họa thuật tốn NMS

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

<i><b>2.3.5 Ưu và nhược điểm của YOLOv1 </b></i>

Ưu điểm:

• Tốc đợ xử lý thời gian thực.

• Đơn giản trong ý tưởng và cách thực hiện. • Tính khái qt của mơ hình cao.

Nhược điểm:

• Đợ chính xác chưa cao so với các mơ hình họ R-CNN.

• Khó phát hiện các đối tượng nằm gần nhau và có kích thước nhỏ.

<b>2.4 Thuật tốn YOLOv2 </b>

YOLOv1 có nhiều hạn chế như: chỉ số Recall thấp (khả năng định vị tất cả đối tượng trong ảnh), sai sót trong trong việc khoanh vùng đối tượng nhiều hơn các thuật tốn khác, khó khăn trong phát hiện các vật thể nhỏ và gần nhau. Vì thế, YOLOv2 ra đời [33] với mục tiêu cải thiện trong đợ chính xác mơ hình mà vẫn giữ được điểm mạnh về tốc độ. Một số ý tưởng được đề x́t để cải thiện đợ chính xác của mơ hình gồm: chuẩn hóa theo batch, sử dụng bợ phân loại có đợ phân giải cao, sử dụng hợp mỏ neo để đưa ra dự đốn.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 36</span><div class="page_container" data-page="36">

<i>Trong đó, 𝐷 có cấu trúc là B * (5+C). 𝐵 là số hộp neo sử dụng để dự đoán sẽ </i>

<i>được đề cập ở phần sau, 5 + C là tḥc tính của hợp bao đối tượng dự đoán và tập </i>

hợp xác suất phân lớp của đối tượng. Có thể thấy cấu trúc này có sự khác biệt với YOLOv1 nơi mà mợt ơ lưới chỉ có thể đưa ra dự đốn cho mợt đối tượng duy nhất, sự khác biệt này cho phép mợt ơ lưới có thể dự đốn nhiều đối tượng trong trường hợp tâm các đối tượng cùng nằm trong mợt ơ lưới. Như vậy, nhược điểm khó phát hiện các đối tượng ở gần nhau trong ảnh được giải quyết.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

<i><b>2.4.2 Chuẩn hóa theo batch (Batch normalization) </b></i>

Chuẩn hóa theo batch (BN) là mợt trong những phương pháp chuẩn hóa phở biến trong mơ hình học sâu [34]. BN có thể được áp dụng vào từng lớp riêng rẻ hay cho tất cả các lớp của mạng: đầu tiên tính giá trị ngõ ra sau kích hoạt của lớp mạng như thường lệ sau đó chuẩn hóa theo phương trình (2-11)

Phiên bản đầu tiên của YOLO sử dụng 20 lớp tích chập như bợ trích đặc trưng để tiền huấn luyện trên tập ImageNet có kích thước ảnh 224 x 224 và chuyển đởi sang mơ hình phát hiện đối tượng bằng cách thêm vào 4 lớp tích chập và 2 lớp kết nối

Hình 2.11 Kiến trúc YOLOv2

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

đầy đủ (Bảng 2.1), sau đó đó tiếp tục huấn luyện mơ hình với kích thước hình ảnh đầu vào 448 x 448.

Ở YOLOv2, sau khi huấn luyện mạng Darknet-19 như bộ phân loại với tập dữ liệu ImageNet kích thước 224 x 224, tác giả tiếp tục huấn luyện mơ hình thêm 10 chu kì h́n luyện với ảnh có kích thước 448 x 448 để giúp mơ hình điều chỉnh trọng số phù hợp với hình ảnh có đợ phân giải cao hơn trước khi chuyển đởi mơ hình để h́n luyện cho việc phát hiện đối tượng. Việc sử dụng bộ phân loại với đầu vào có đợ phân giải cao này giúp tăng mAP của mơ hình xấp xỉ 4%.

Thay vì dự đốn tọa đợ hợp bao đối tượng trực tiếp bằng lớp kết nối đầy đủ như phiên bản đầu tiên, YOLOv2 loại bỏ tất cả các lớp kết nối đầy đủ và sử dụng các hợp mỏ neo để đưa ra dự đốn về hợp bao đối tượng.

Hợp mỏ neo (cịn được gọi là hộp mặc định) là một tập hợp các hộp được xác định trước có hình dạng khớp với đối tượng (bao quanh đối tượng). Bởi vì hầu hết các đối tượng trong tập dữ liệu huấn luyện (ví dụ: người, xe đạp, v.v.) có tỉ lệ chiều cao và chiều rộng tương đối tương đồng. Vì vậy, khi dự đốn các hợp bao đối tượng, chúng ta chỉ cần tinh chỉnh sai lệch kích thước hợp mỏ neo với đối tượng mong muốn. Việc dự đốn sai lệch của hợp mỏ neo và hợp bao thật sự thay vì trực tiếp dự đốn tọa đợ hợp bao đối tượng làm q trình h́n luyện dễ dàng hơn (Phụ lục E).

Như đã đề cập ở phiên bản YOLO đầu tiên, ô lưới chứa tâm đối tượng sẽ chịu trách nhiệm dự đốn hợp bao đối tượng đó. Hình 2.12 cho thấy tâm của con chó (hình trịn đỏ) nằm trong ơ lưới chính giữa. Cả hai hợp neo có tâm (màu vàng) trùng với tâm ô lưới, đều giao với hộp bao thật sự của đối tượng (hộp màu đỏ). Tuy nhiên, chỉ hợp có đường viền dày hơn được chọn do có tỉ lệ IOU với hợp đỏ cao nhất. Thuật tốn YOLOv2 sẽ điều chỉnh sai lệch giữa hộp neo này và hộp bao thật sự của đối tượng qua từng bước huấn luyện. Việc sử dụng hộp mỏ neo để dự đốn làm tăng chỉ số Recall của mơ hình YOLOv2 từ 81% lên 88%. Cần lưu ý là kích

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">

thước và số lượng hộp neo được chọn nhờ chạy thuật toán phân cụm K-mean (K = 5) trên tập dữ liệu.

<b>2.5 Thuật toán YOLOv3 </b>

YOLOv3 ra đời với những cải tiến đáng kể như: kiến trúc mơ hình lớn hơn, đưa ra dự đốn trên nhiều tỉ lệ bản đồ đặc trưng. Mơ hình đã được sử dụng rộng rãi cho các tác vụ phát hiện đối tượng đặc biệt là trong các tập dữ liệu hình ảnh tự nhiên như PASCAL VOC [35], MSCOCO [36].

<i><b>2.5.1 Kiến trúc mơ hình YOLOv3 </b></i>

YOLOv3 sử dụng bợ trích đặc trưng gồm 53 lớp tích chập nhiều hơn phiên bản trước đó 34 lớp. Đối với mạng nơ-ron sâu, nhiều lớp hơn có nghĩa là đợ chính xác cao hơn. Tuy nhiên, hình ảnh đầu vào bị thu nhỏ khi chuyển tiếp đến các lớp sâu hơn, dẫn đến mất các đặc trưng chi tiết. Đó là lý do tại sao phiên bản YOLOv2 thường gặp khó khăn với việc phát hiện vật thể nhỏ. Kaiming He và cộng sự công bố mạng Residual (ResNet) với ý tưởng bỏ qua kết nối để giúp các bản đồ đặc

Hình 2.12 Trường hợp sử dụng hai hợp mỏ neo để đưa ra dự đốn (màu vàng)

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

trưng truyền qua các lớp sâu hơn mà không xảy ra hiện tượng biến mất độ dốc (vanishing gradient) [37]. Kiến trúc YOLOv3 là sự lai tạo giữa kiến trúc Darknet-53 (53 lớp tích chập) và mạng ResNet (Bảng 2.3).

<b>Bảng 2.3 Kiến trúc Darknet-53 </b>

<b>bước sải <sup>Kích thước ngõ </sup>ra </b>

Convolutional 32 3 x 3 416 x 416 Convolutional 64 3 x 3 / 2 208 x 208

Convolutional 32 1 x 1 Convolutional 64 3 x 3

Convolutional 128 3 x 3 / 2 104 x 104 Convolutional 64 1 x 1

Convolutional 256 3 x 3 / 2 52 x 52 Convolutional 128 1 x 1

Convolutional 512 3 x 3 / 2 26 x 26 Convolutional 256 1 x 1

Cụ thể các khối Residual cấu tạo bởi chuỗi tích chập kích thước 1 × 1 và 3 × 3 theo sau là một lớp bỏ qua kết nối (Hình 2.13). Với việc sử dụng khối Residual, vấn đề biến mất độ dốc khi tối ưu trọng số được giải quyết. Một điểm mạnh khác khi sử dụng khối Residual là bảo tồn được các đặc trưng từ các lớp trước trong quá trình xử lý bản đồ đặc trưng.

92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM92Thursday, June 13, 20249:37:30 PM9:37:30 PM

92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM92Thursday, June 13, 20249:37:31 PM9:37:31 PM

92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM92Thursday, June 13, 20249:37:33 PM9:37:33 PM

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

</div>

ứng dụng học sâu trong việc chẩn đoán ung thư vú

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>NHIỆM VỤ LUẬN VĂN THẠC SĨ </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>LỜI CẢM ƠN </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>TÓM TẮT LUẬN VĂN THẠC SĨ </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>ABSTRACT </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>LỜI CAM ĐOAN </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>DANH MỤC HÌNH ẢNH </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>DANH MỤC BẢNG BIỂU </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>DANH MỤC TỪ VIẾT TẮT </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>PHẦN MỞ ĐẦU </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>TỔNG QUAN </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

<b>CƠ SỞ LÝ THUYẾT </b>

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

(

)

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

92hghieh euu uhah lau mot xo ehuhg xa khuah eo kha hahg ue ehe ham moe gay hai treh ecm tai huyeh eco uhohg tihh hoc bihhThursday, June 13, 2024

Tài liệu liên quan

Tài liệu bạn tìm kiếm đã sẵn sàng tải về