ỨNG DỤNG MẠNG NƠ-RON XÁC ĐỊNH KHẢ NĂNG UNG THƯ DA DỰA VÀO HÌNH ẢNH LUẬN VĂN THẠC SĨ

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA
---------------------------------------

HUỲNH CHỈNH

ỨNG DỤNG MẠNG NƠ-RON XÁC ĐỊNH KHẢ NĂNG UNG
THƯ DA DỰA VÀO HÌNH ẢNH

Chuyên ngành: Kỹ thuật Điện tử
Mã số:
60.52.02.03

LUẬN VĂN THẠC SĨ

NGƯỜI HƯỚNG DẪN KHOA HỌC
TS. HUỲNH VIỆT THẮNG

Đà Nẵng – Năm 2019


i

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc

LỜI CAM ĐOAN
Kính gửi: Hội đồng bảo vệ luận văn tốt nghiệp Khoa Điện Tử - Viễn Thông,
Trường Đại Học Bách Khoa – Đại Học Đà Nẵng.
Tôi tên là: Huỳnh Chỉnh.
Hiện là học viên lớp Cao học Kỹ thuật điện tử - Khoá 35 - Khoa Điện Tử - Viễn

Thông, Trường Đại Học Bách Khoa – Đại Học Đà Nẵng. Tôi xin cam đoan nội dung
của luận văn này không phải là bản sao chép của bất cứ luận văn hoặc cơng trình nào
đã có từ trước. Nếu vi phạm tơi xin chịu hồn tồn trách nhiệm.

Học viên

Huỳnh Chỉnh


ii

MỤC LỤC
LỜI CAM ĐOAN ................................................................................................ i
MỤC LỤC ....................................................................................................... ii
TÓM TẮT LUẬN VĂN...................................................................................... v
DANH MỤC CÁC TỪ VIẾT TẮT .................................................................... vi
DANH MỤC CÁC HÌNH ................................................................................. vii
DANH MỤC CÁC BẢNG .………………………………… ……………… .ix
MỞ ĐẦU

....................................................................................................... 1

CHƯƠNG 1. TỔNG QUAN VỀ BỆNH UNG THƯ DA ..................................... 4
1.1.

Giới thiệu chương ................................................................................. 4

1.2.

Lý thuyết cấu tạo giải phẫu, sinh lý của da ............................................ 4

1.3.

Đặc điểm của bệnh ung thư da .............................................................. 5

1.3.1. Ung thư da không phải khối u ác tính .............................................. 6
1.3.2. Ung thư hắc tố ác tính ..................................................................... 7
1.4.

Dấu hiệu nhận biết ung thư da .............................................................. 9

1.4.1. Tính bất đối xứng.......................................................................... 10
1.4.2. Đường viền ................................................................................... 10
1.4.3. Màu sắc ........................................................................................ 10
1.4.4. Đường kính ................................................................................... 11
1.4.5. Quy mơ phát triển ......................................................................... 11
1.5.

Phương pháp chẩn đốn ung thư da .................................................... 12

1.5.1. Phương pháp soi da ....................................................................... 12
1.5.2. Phương pháp xử lý hình ảnh da bị tổn thương ............................... 12
1.6.

Kết luận chương ................................................................................. 12

CHƯƠNG 2. TỔNG QUAN VỀ MẠNG NƠ-RON TÍCH CHẬP...................... 13
2.1.

Giới thiệu chương ............................................................................... 13

2.2.

Mạng Nơ-ron nhân tạo ........................................................................ 13

2.2.1. Cấu trúc một Nơ-ron sinh học ....................................................... 13


iii
2.2.2. Cấu trúc một Perceptron................................................................ 14
2.3.

Multi-layers Perceptron (MLP) ........................................................... 15

2.4.

Mạng Nơ-ron tích chập (Convolutional Neural Network – CNN) ....... 16

2.4.1. Vùng tiếp nhận cục bộ .................................................................. 17
2.4.2. Trọng số dùng chung .................................................................... 19
2.4.3. Pooling ......................................................................................... 22
2.4.4. Lớp ReLU ..................................................................................... 23
2.4.5. Lớp Dropout ................................................................................. 24
2.4.6. Hàm tổn hao ................................................................................. 25
2.5.

Một số mạng nơ-ron tích chập phổ biến .............................................. 26

2.5.1. Mạng LeNet-5............................................................................... 26
2.5.2. Mạng AlexNet ............................................................................. 27

2.5.3. Mạng GoogleNet/Inception ........................................................... 27
2.5.4. Mô hình mạng VGG ..................................................................... 28
2.6.

Kết luận chương ................................................................................. 30

CHƯƠNG 3. XÂY DỰNG HỆ THỐNG CHẨN ĐOÁN KHẢ NĂNG UNG THƯ
DA DỰA VÀO HÌNH ẢNH.......................................................................... 31
3.1.

Giới thiệu chương ............................................................................... 31

3.2.

Tổng quan hệ thống chẩn đoán khả năng ung thư da dựa vào hình ảnh 31

3.3.

Chuẩn hóa dữ liệu ............................................................................... 32

3.4.

Khối phân vùng .................................................................................. 32

3.4.1. Giới thiệu. ..................................................................................... 32
3.4.2. Mơ hình mạng Unet ...................................................................... 33
3.5.

Khối phân loại .................................................................................... 35

3.5.1. Giới thiệu ...................................................................................... 35
3.5.2. Xây dựng hệ thống phân loại ........................................................ 35
3.5.3. Mô hình mạng VGG16 ................................................................. 36
3.6.

Kết luận chương ................................................................................. 37

CHƯƠNG 4. KẾT QUẢ VÀ ĐÁNH GIÁ......................................................... 38


iv
4.1.

Giới thiệu chương ............................................................................... 38

4.2.

Cơ sở dữ liệu ISIC-2018 ..................................................................... 38

4.3.

Tiêu chí đánh giá ................................................................................ 39

4.3.1. Độ chính xác (accuracy)................................................................ 39
4.3.2. Confusion matrix .......................................................................... 39
4.3.3. Precision và Recall........................................................................ 40
4.4.

Kịch bản huấn luyện và kiểm tra của hệ thống .................................... 41

4.4.1. Huấn luyện và kiểm tra mơ hình phân vùng .................................. 41
4.4.2. Huấn luyện và kiểm tra mơ hình phân loại .................................... 42
4.5.

Kết quả huấn luyện và kiểm tra mơ hình phân vùng ............................ 43

4.6.

Kết quả huấn luyện và kiểm tra mơ hình phân loại .............................. 44

4.7.

Các yếu tố tác động đến hiệu suất nhận dạng của mơ hình .................. 46

4.7.1. Ảnh hưởng của tiền xử lý dữ liệu .................................................. 46
4.7.2. Learning Rate ............................................................................... 47
4.7.3. Vai trò của Dropout ...................................................................... 48
4.8.

Nhận xét đánh giá hiệu suất của hệ thống phân loại ............................ 50

4.9.

Kết luận chương ................................................................................. 50

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ......................................................... 51


v

TÓM TẮT LUẬN VĂN
ỨNG DỤNG MẠNG NƠ-RON XÁC ĐỊNH KHẢ NĂNG UNG THƯ DA DỰA
VÀO HÌNH ẢNH
Học viên:

Huỳnh Chỉnh

Mã số: 60.52.02.03

Khóa: 35

Chuyên ngành:

Kỹ thuật điện tử

Trường Đại học Bách khoa - ĐHĐN

Tóm tắt – Gần đây, kỹ thuật học sâu (Deep Learning) đã tạo ra những bước tiến đáng kể
trong việc giải quyết các bài tốn phân tích hình ảnh, đặc biệt trong phân tích hình ảnh y tế đã
cho phép phát triển các hệ thống chẩn đoán bệnh dựa trên hình ảnh có thể hỗ trợ các bác sĩ
đưa ra quyết định tốt hơn về sức khỏe của bệnh nhân. Chẩn đốn bệnh dựa trên hình ảnh da
người là một lĩnh vực mà các phương pháp mới này có thể được áp dụng với tỉ lệ thành công
cao.
Luận văn này tập trung vào vấn đề dựa vào hình ảnh trích xuất vùng da bị tổn thương và thực
hiện phân loại để xác định khả năng bị bệnh ung thư da. Luận văn sử dụng kiến trúc mạng nơron Unet để thực hiện việc phân vùng trích xuất vùng da bị tổn thương và loại bỏ các thành
phần không cần thiết trong hình ảnh trích xuất. Tiếp theo, luận văn sử dụng mơ hình mạng nơron VGG để thực hiện phân loại ảnh trích xuất để phát hiện bệnh lành tính hay ác tính. Cuối
cùng, luận văn thực hiện đánh giá tồn bộ hệ thống khi kết hợp hai mơ hình phân vùng – phân
loại so với hệ thống chỉ sử dụng một mơ hình phân loại. Kết quả thử nghiệm trên bộ dữ liệu
ISIC-2018 cho thấy hệ thống đạt được độ chính xác khá cao, có thể mở ra một hướng nghiên
cứu và ứng dụng đầy hứa hẹn của kỹ thuật học sâu trong xử lý hình ảnh y tế để hỗ trợ chẩn

đốn bệnh dựa vào hình ảnh.
Từ khóa – deep learning, skin-cancer, convolutional neural networks

APPLICATION OF NEURAL NETWORKS TO DETERMINE SKIN CANCER
ABILITIES FROM DERMOSCOPIC IMAGES
Abstract – Recently, deep learning techniques have made significant progress in image
analysis problems, especially in medical image analysis. Image-based disease analysis can
assist doctors to make better decisions about a patient's health and treatment. Human skinbased disease diagnosis is one research area where these new methods can be applied with
high success rates.
This thesis focuses on determination of skin cancer possibility based on dermoscopic images
extracted from damaged skin. The thesis uses Unet neural network architecture to perform
segmentation for extracting the damaged skin region from the dermoscopic image. Next, the
thesis uses VGG neural network model to make classification to detect benign or malignant
diseases. Finally, we evaluate the entire system when combining segmentation-andclassification, compared with systems using only one classification model. The test results on
the ISIC-2018 data set show that the system achieves a high level of accuracy, which can
open a promising research direction in research and application of deep learning techniques in
medical image processing.
Key words - deep learning, skin-cancer, convolutional neural networks


vi

DANH MỤC CÁC TỪ VIẾT TẮT
Từ viết tắt

Tiếng Anh

Tiếng Việt

AI

Artificial Intelligence

Trí tuệ nhân tạo

ML

Machine Learning

Học máy

ANN

Artificial Neural Network

Mạng lưới thần kinh nhân tạo

CNN

Convolutional Neural Network

Mạng lưới thần kinh tích chập

MM

Malignant Melanoma

Khối u ác tính

NMSC

Non-Melanoma Skin Cancer

Ung thư da khơng phải khối u
ác tính

MLP

Multi-layers Perceptron

Nhiều lớp perceptron

FC

Full-Connection

Kết nối đầy đủ

ReLU

Rectified Linear Units

Đơn vị tuyến tính chỉnh lưu

GPU

Graphics Processing Unit

Đơn vị xử lý đồ họa

BCC

Basal cell carcinoma

Ung thư biểu mô tế bào đáy

SCC

Squamous cell carcinoma

Ung thư biểu mô tế bào vảy

CSDL

database

Cơ sở dữ liệu


vii

DANH MỤC CÁC HÌNH

Hình 1.1. Cấu tạo của da người[1] ....................................................................... 4
Hình 1.2. Ung thư biểu mơ tế bào đáy.................................................................. 6
Hình 1.3. Ung thư biểu mơ tế bào vảy.................................................................. 7
Hình 1.4. Ung thư hắc tố lan trên bề mặt (Superficial spreading melanoma) ........ 8
Hình 1.5. Ung thư hắc tố lentigo (Lentigo maligna) ............................................. 8
Hình 1.6. Ung thư hắc tố Acral lentiginous melanoma ......................................... 9
Hình 1.7. Ung thư hắc tố dạng nốt (Nodular melanoma) ...................................... 9

Hình 1.8. Tính đối xứng và bất đối xứng của nốt ruồi lành tính và ác tính ......... 10
Hình 1.9. Đường viền của nốt ruồi lành tính và ác tính ...................................... 10
Hình 1.10. Màu sắc của nốt ruồi lành tính và ác tính .......................................... 11
Hình 1.11. Đường kính của nốt ruồi lành tính và ác tính .................................... 11
Hình 1.12. Sự phát triển của nốt ruồi ác tính ...................................................... 11
Hình 2.1. Tế bào nơ-ron thần kinh của con người [17] ....................................... 13
Hình 2.2. Cấu trúc của một Perceptron đơn giản ................................................ 14
Hình 2.3. Một mơ hình mạng MLP gồm các lớp Full Connection ...................... 15
Hình 2.4. Cấu trúc mạng đa lớp MLP ................................................................ 16
Hình 2.5. Ảnh ngõ vào với kích thước 8 x 8....................................................... 17
Hình 2.6. Vùng cục bộ - vùng màu xanh có gạch chéo ....................................... 18
Hình 2.7. Quá trình dịch của các cửa sổ bộ lọc .................................................. 18
Hình 2.8. Sự dịch chuyển theo chiều ngang và dọc của bộ lọc ........................... 19
Hình 2.9. Minh họa việc áp dụng một filter lấy tích chập lên ảnh ngõ vào ......... 20
Hình 2.10. Các bản đồ đặc tính được tạo thành tương ứng với các bộ lọc .......... 20
Hình 2.11. Kích thước bị thu nhỏ sau q trình lấy tích chập ............................. 21
Hình 2.12. Chèn padding được thực hiện trước khi lấy tích chập ....................... 22
Hình 2.13. Lấy mẫu xuống giúp giảm kích thước dữ liệu ................................... 23
Hình 2.14. Hàm kích hoạt ReLU, chuyển các giá trị âm về 0 ............................. 23


viii
Hình 2.15. Mạng Nơ-ron trước và sau quá trình Dropout, các node gạch chéo là
các node đã bị loại bỏ[15] .................................................................................. 24
Hình 2.16. Kiến trúc mơ hình mạng LeNet-5[27] ............................................... 26
Hình 2.17. Kiến trúc mơ hình mạng AlexNet[27] .............................................. 27
Hình 2.18. Kiến trúc mơ hình mạng GoogleNet/Inception[27] ........................... 28
Hình 2.19. Cấu trúc cơ bản của các loại mạng VGG. [23] .................................. 29
Hình 2.20. Kiến trúc mơ hình mạng VGG16. [23] ............................................. 30
Hình 3.1 Sơ đồ tổng quát của hệ thống .............................................................. 31

Hình 3.2. Ảnh trước và sau khi được chuẩn hóa cho khối phân vùng ................. 32
Hình 3.3. Ảnh trước và sau khi được chuẩn hóa cho khối phân loại ................... 32
Hình 3.4. Sơ đồ tổng quát của khối phân vùng ................................................... 33
Hình 3.5. Mơ hình mạng Unet cho bài tốn phân vùng [22] ............................... 34
Hình 3.6. Kết quả của mẫu trước và sau khi qua khối phân vùng ....................... 34
Hình 3.7. Liệu bi mới được thêm vào sẽ thuộc vào lớp bi xanh hay bi đỏ?......... 35
Hình 3.8. Sơ đồ tổng quát của hệ thống phân loại .............................................. 36
Hình 3.9. Mơ hình mạng VGG16 cho bài tốn phân loại.................................... 37
Hình 4.1. Một số hình ảnh trong bộ dữ liệu ISIC-2018 [24] ............................... 38
Hình 4.2. Minh họa unnormalized confusion matrix và normalized confusion
matrix ................................................................................................................ 40
Hình 4.3. Minh họa cách tính Precision và Recall .............................................. 40
Hình 4.4. Hình (a) mẫu ảnh gốc, hình (b) mẫu ảnh phân vùng gốc ..................... 43
Hình 4.5. Hình (a) mẫu ảnh gốc, hình(b) mẫu ảnh phân vùng qua mơ hình ........ 43
Hình 4.6. Biểu đồ thể hiện hiệu suất của mơ hình phân vùng ở dữ liệu huấn luyện
và kiểm tra ......................................................................................................... 43
Hình 4.7. Kết quả kiểm tra mơ hình trên tập dữ liệu khơng qua khối phân vùng 44
Hình 4.8. Kết quả kiểm tra mơ hình trên tập dữ liệu đã phân vùng từ CSDL ...... 45
Hình 4.9. Kết quả kiểm tra mơ hình trên tập dữ liệu đã qua khối phân vùng được
xây dựng ở mục 4.4.1 ........................................................................................ 46
Hình 4.10. Kết quả kiểm tra mơ hình trên tập dữ liệu vào khơng qua tiền xử lý . 47
Hình 4.11. Tác động của Learning rate lên mơ hình phân loại ........................... 48


ix
Hình 4.12. Tỉ lệ nhận dạng lỗi của mơ hình phân loại trong trường hợp có lớp
Dropout ............................................................................................................. 49
Hình 4.13. Tỉ lệ nhận dạng lỗi của mơ hình phân loại trong trường hợp khơng có
lớp Dropout ....................................................................................................... 49

DANH MỤC CÁC BẢNG

Bảng 4.1. Ví dụ đơn giản về confusion matrix ................................................... 39
Bảng 4.2. Kịch bản huấn luyện và kiểm tra cho trường hợp 1 của mơ hình phân
loại .................................................................................................................... 42
Bảng 4.3. Kịch bản huấn luyện và kiểm tra cho trường hợp 2 của mơ hình phân
loại .................................................................................................................... 42
Bảng 4.4. Kịch bản huấn luyện và kiểm tra cho trường hợp 3 của mơ hình phân
loại .................................................................................................................... 42
Bảng 4.5. Thống kê kết quả thu được của 3 trường hợp cho bài toán phân loại .. 50
Bảng 4.6. Thống kê kết quả thu được 3 trường hợp cho bài toán phân loại của tác
giả Adri`a Romero L´opez ................................................................................. 50


1

MỞ ĐẦU
1. Tính cấp thiết của đề tài
Bệnh ngồi da phổ biến là một vấn đề y tế cộng đồng nghiêm trọng ở hầu hết các
nước trên thế giới, đặc biệt là ở các nước đang phát triển. Nó là một trong những
nguyên nhân gây gánh nặng bệnh tật toàn cầu, ảnh hưởng đến hàng triệu người trên
toàn thế giới. Các yếu tố lão hóa, mơi trường, di truyền và chấn thương có thể dẫn đến
sự phát triển của một loạt các bệnh ngồi da [7].
Chẩn đốn bệnh ngồi da là một lĩnh vực y tế phát triễn mạnh mẽ bằng cách sử
dụng các kỹ thuật trí tuệ nhân tạo. Các bệnh được sàng lọc trực quan và nhiều chẩn
đoán bệnh được thực hiện nghiêm ngặt với khám nghiệm trực quan tại phịng khám.
Một nhiệm vụ khó khăn là phát hiện tổn thương da giữa ung thư da (u ác tính, ung thư
biểu mơ) và tổn thương lành tính (nevi, keratosis seborrheic). Với 5,4 triệu trường hợp
ung thư da được chẩn đoán mỗi năm chỉ riêng ở Hoa Kỳ( khảo sát năm 2015) cho thấy
nhu cầu sàng lọc lâm sàng nhanh chóng và hiệu quả đang gia tăng [8]. Bệnh nhân với

ung thư da có xu hướng bị ảnh hưởng với nhiều nguyên nhân khác nhau, và vì vậy một
trong những thách thức trong khám sàng lọc ung thư da là xác định chúng trong vơ số
tổn thương lành tính. Một yếu tố quan trọng khác của những chẩn đoán này dựa trên
việc kiểm tra thời gian thay đổi tổn thương, tổn thương thay đổi nhanh có nhiều khả
năng gây ác tính. Như vậy, bệnh nhân và bệnh viện cần các công cụ để hỗ trợ quy mô
này.
Những tiến bộ gần đây trong phát hiện và theo dõi bệnh ngoài da sử dụng các mơ
hình machine learning như mạng neural tích chập CNN có tiềm năng tăng cường khả
năng chăm sóc sức khỏe bằng phát hiện các điểm ác tính, và phát hiện các tổn thương
tương ứng trên các hình ảnh, cho phép chúng được theo dõi tạm thời.
Luận văn này tập trung vào việc tìm hiểu bệnh ngồi da, áp dụng các thuật toán
tối ưu để huấn luyện hệ thống chẩn đốn tổn thương da có khả năng bị ung thư da.
Phương pháp soi da là một trong những phương thức hình ảnh chính được sử dụng
trong chẩn đốn da các tổn thương như u ác tính và các tổn thương sắc tố khác. Nhưng
trong luận văn này, để giảm thiểu các lỗi chẩn đoán do kết quả soi da khó khăn và tính
chủ quan của việc giải thích trực quan, luận văn sẽ phát triển các giải thuật phân tích
hình ảnh dựa trên database có sẵn đã thu thập được.
2. Mục tiêu nghiên cứu
Giải quyết bài toán nhận dạng hình ảnh bằng mơ hình mạng nơ-ron.
Xây dựng được hệ thống mạng nơ-ron phát hiện khả năng ung thư da dựa vào
hình ảnh.


2
Kế thừa được ưu điểm của các kiến trúc trong mạng nơ-ron.
Nghiên cứu, đánh giá hệ thống mạng nơ-ron dựa trên cơ sở dữ liệu ISIC-2018.
Trong quá trình thực hiện luận văn, tôi cũng học hỏi và rèn luyện được một số
kiến thức và kỹ năng sau:
-

Ứng dụng nội dung được học trong quá trình đào tạo vào thực tiễn.
Tăng cường kiến thức về nhận dạng hình ảnh, cụ thể về mạng Nơ-ron truyền
thống, Nơ-ron network, mạng Nơ-ron sâu tạo nền tảng cơ bản cho quá trình
nghiên cứu sau này.
- Nâng cao kỹ năng thực hành với ngôn ngữ lập trình python, các framework
tensorflow, thư viện keras.
- Tạo thói quen và rèn luyện kĩ năng đọc tài liệu khoa học, đặc biệt là tài liệu
tiếng anh.
3. Đối tượng và phạm vi nghiên cứu
a. Đối tượng nghiên cứu
-

Mơ hình mạng nơ-ron tích chập Unet dùng cho bài tốn phân vùng.
Mơ hình mạng nơ-ron VGG dùng cho bài toán phân loại bệnh lành tính hay
ác tính.
Đánh giá hiệu suất của hai mơ hình.
Cơ sở dữ liệu ISIC-2018 – dùng trong khảo sát và đánh giá hệ thống.

b. Phạm vi nghiên cứu
-

Nhận dạng hình ảnh tự nhiên.
Phân tích, xử lý ảnh.
Mạng Nơ-ron nhân tạo.
Cơ sở dữ liệu.

4. Phương pháp nghiên cứu
Luận văn này tập trung vào vấn đề tự động phát hiện tổn thương da và đưa ra
chẩn đốn ác tính hay lành tính.
Áp dụng thuật tốn phân vùng và phân loại từ hình ảnh da liễu bằng cách sử

dụng mạng nơ-ron nhân tạo
Đối với vấn đề đầu tiên là xây dựng một mạng nơ-ron để xác định trích xuất ra
vùng da bị tổn thương
Đối với vấn đề thứ hai là xây dựng một mạng nơ-ron với vai trò là phân loại là
vùng da bị tổn thương đó thuộc loại bệnh lành tính hay ác tính
Hệ thống được tiến hành đánh giá dựa trên bộ cơ sở dữ liệu chính là ISIC-2018.


3
Phương pháp nghiên cứu xuyên suốt của luận văn là kết hợp nghiên cứu lý
thuyết, và đánh giá thông qua mơ phỏng thực nghiệm. Q trình thực hiện bao gồm
các bước: xây dựng mơ hình, huấn luyện, đánh giá khả năng chẩn đoán bị ung thư da.
5. Bố cục đề tài
Trong luận văn “ỨNG DỤNG MẠNG NƠ-RON XÁC ĐỊNH KHẢ NĂNG UNG
THƯ DA DỰA VÀO HÌNH ẢNH”, tơi tập trung vào việc nghiên cứu, xây dựng và khảo
sát hiệu quả của hệ thống để giải quyết bài toán áp dụng mạng nơ-ron tạo ra chương
trình xác định khả năng ung thư da dựa vào hình ảnh. Nội dung của luận văn gồm 4
chương:
Chương 1: Tổng quan về bệnh ung thư da.
Chương 2: Tổng quan về mạng Nơ-ron tích chập.
Chương 3: Xây dựng hệ thống chẩn đoán khả năng ung thư da dựa vào hình ảnh.
Chương 4: Kết quả thực nghiệm và đánh giá.


4

CHƯƠNG 1. TỔNG QUAN VỀ BỆNH UNG THƯ DA
1.1. Giới thiệu chương
Trong các bệnh ung thư, ung thư da là căn bệnh khá phổ biến và biểu hiện bệnh
qua các khối u ở da. Như chúng ta đã biết, da là bộ phận lớn nhất trên cơ thể người,

thường xuyên tiếp xúc với ánh sáng mặt trời và các loại virus. Hai yếu tố trên khiến da
có nguy cơ mắc ung thư cao. Chương 1 sẽ giới thiệu tổng quan về cấu tạo của da và
các loại bệnh ung thư da ảnh hưởng đến sức khỏe của con người.
1.2. Lý thuyết cấu tạo giải phẫu, sinh lý của da
Da là cơ quan của hệ bài tiết, có nhiệm vụ: bao bọc cơ thể, bảo vệ cơ thể khỏi
bức xạ có hại của ánh sáng, ngăn không cho vi khuẩn và các sinh vật có hại xâm nhập
cơ thể. Da người có cấu tạo gồm 3 lớp: Lớp biểu bì, lớp bì và lớp mỡ dưới da (xem
Hình 1.1).

Hình 1.1. Cấu tạo của da người [1].

Ở lớp biểu bì có tầng sừng và tầng tế bào sống. Tầng sừng gồm có các tế bào đã
chết, xếp sít nhau, rất dễ bong ra. Tầng tế bào sống gồm các tế bào có khả năng phân
chia tạo thành tế bào mới, chứa các hạt sắc tố tạo nên màu da, một số tế bào sống phân
hóa thành tế bào sinh lơng và tế bào sinh móng.
Lớp bì được cấu tạo từ các sợi mô liên kết bền chặt, gồm các thụ quan, tuyến
nhờn, tuyến mồ hôi, lông và bao lông, cơ co chân lông, mạch máu. Cơ quan cảm giác


5
có mặt ở lớp bì bao gồm các tận cùng thần kinh nhạy cảm. Sự phân bố và mật độ của
các cơ quan cảm giác rất thay đổi, chúng tập trung nhiều nhất ở mơi và đầu ngón tay.
Lớp mỡ dưới da có các thành phần như: mơ mỡ giúp bảo vệ da khỏi những tác
động cơ học, cách nhiệt và lớp mỡ dưới da còn chứa dây thần kinh giúp da nhận biết
được những kích thích từ mơi trường [1].
Chất sừng: Là một chất đạm trong đó có axit amin kết hợp với lưu huỳnh. Sừng
là một chất kém bền vững, có phần nào dễ co dãn, dựa vào tính chất này người ta có
thể dùng những chất hóa học làm thay đổi cấu trúc của nó. Vì thế trong môi trường
sống hiện nay đang bị ô nhiễm, các làng nghề, chất hóa học trong cơng nghiệp chưa xử
lý thải ra môi trường ngày càng nhiều. Cường độ lao động của người dân càng cao,

làm cho lớp sừng trên da bị thay đổi, kém bền vững, chân tay sõy xỏt là điều kiện
thuận lợi cho vi trùng, ký sinh trùng, các bệnh dị ứng phát triển mạnh [1].
Da có nhiệm vụ che chở cho cơ thể, bảo vệ cơ thể chống lại sự xâm nhập của vi
trùng, ký sinh trùng, các tác nhân cơ giới, lý, hóa học có hại cho da. Do cấu trúc và sự
biến hóa khơng ngừng của các lớp tế bào thượng bì, những vi khuẩn ký sinh trên da
luôn luôn bị đẩy lùi, đào thải cùng tế bào sừng.
Lớp ngồi cùng của da có màng sáp gồm: Ion, Cl -, Na+, axit amin, đường, Ure,
Cholin, mỡ, ngăn nước và các chất hóa học thấm qua da, mùa hè mồ hôi tiết nhiều, để
lâu biến thành Amoniac, da trở nên kiềm pH, 6,5 - 7 vi khuẩn, nấm có điều kiện phát
triển. Vì thế mà bệnh ngoài da hay xuất hiện vào mùa hè, ở nơng thơn, cơng nhân lao
động trong hồn cảnh nóng, ẩm, thường xuyên dầm nước. Da có màng sáp bảo vệ
những thuốc tan trong nước, không bốc hơi sẽ không thấm được qua da. Những kim
loại nặng như chì, Asen có thể phá vỡ màng sỏp gõy nhiễm độc da. Ngoài ra da cũng
có chức năng bài tiết chất bã chống thấm nước làm da mềm mại, kháng vi khuẩn và
nấm[1].
Qua cấu tạo, đặc điểm sinh hóa, sinh lý da ta thấy tầm quan trọng của da trong
việc bảo vệ cơ thể chống lại sự xâm nhập của vi trùng, ký sinh trùng, hóa chất độc hại
đối với cơ thể. Da cũng tham gia phản ứng miễn dịch, điều hoà thân nhiệt giúp cho cơ
thể hoạt động tốt.
1.3. Đặc điểm của bệnh ung thư da
Ung thư da là một trong những bệnh ảnh hướng lớn đến sức khỏe của con người.
Nó được gây ra bởi sự phát triển của các tế bào ung thư trên bất kỳ lớp da nào và xảy
ra khi các tế bào trong một bộ phận cơ thể bắt đầu phát triển ngồi tầm kiểm sốt và
lan sang các cơ quan và mơ khác. Có hai loại ung thư da chính là ung thư hắc tố ác
tính (MM) và ung thư da không phải khối u ác tính (NMSC). Q trình hình thành u
lành và u ác có nhiều điểm giống nhau. Mỗi tế bào có một chu kỳ phát triển và chết đi


6
nhất định. Khi tế bào già chết đi, và một tế bào non ra đời kế tiếp vị trí, chức năng của

tế bào cũ. Trong một số trường hợp, đột biến gen làm cho tế bào già không chết đi,
những tế bào mới vẫn sinh ra không ngừng, dẫn tới sự tích tụ, gọi là một khối u.
1.3.1. Ung thư da khơng phải khối u ác tính
Ung thư da khơng phải khối u ác tính bao gồm ung thư biểu mô tế bào đáy
(BCC) và ung thư biểu mô tế bào vảy (SCC).
Ung thư biểu mô tế bào đáy (BCC) (xem hình 1.2) là ung thư da phổ biến nhất,
tuy nhiên ít nguy hiểm nhất nếu được phát hiện sớm. Ung thư này bắt đầu trong các tế
bào đáy. Các tế bào cơ bản bình thường xếp lớp biểu bì. Chúng là những tế bào da
thay thế tế bào cũ bằng những tế bào mới. Ung thư của các tế bào cơ bản dẫn đến các
khối u xuất hiện trên bề mặt da. Những khối u này thường trông giống như vết loét,
tăng trưởng, vết sưng, vết sẹo hoặc các mảng màu đỏ, thường là ở các bộ phận của cơ
thể tiếp xúc với ánh nắng mặt trời như mặt, đầu, cổ, tai, vai và lưng, tuy nhiên xảy ra
thường xuyên nhất ở mặt, điều này loại hiếm khi gây di căn [3 - 6].

Hình 1.2. Ung thư biểu mơ tế bào đáy.

Trong khi BCC hầu như không bao giờ lan đến những nơi khác trong cơ thể (di căn),
nó vẫn có thể dẫn đến sự biến dạng. Trong trường hợp hiếm hoi, nó có thể lan sang các
bộ phận khác của cơ thể. Nếu có, nó có thể trở thành mối đe dọa tính mạng. Hầu như
tất cả BCC phát triển trên các bộ phận của cơ thể thường xuyên tiếp xúc với ánh nắng
mặt trời. Các khối u có thể phát triển trên mặt, tai, vai, cổ, da đầu và cánh tay. Trong
trường hợp rất hiếm, các khối u phát triển trên những vùng không thường xuyên tiếp
xúc với ánh sáng mặt trời.


7
Ung thư biểu mơ tế bào vảy (SCC) (xem hình 1.3) là sự tăng trưởng mất kiểm
soát của các tế bào bất thường, phát sinh trong các tế bào vảy, là các tế bào hình thành
các lớp trên của da (biểu bì). Bệnh thường trơng giống các mảng đỏ có vảy, vết thương
hở, các khối u có phần trung tâm lõm xuống hoặc mụn cóc. Chúng có thể tróc vảy

hoặc chảy máu. Chúng có thể gây mất thẩm mỹ và đơi khi gây tử vong nếu để phát
triển.

Hình 1.3. Ung thư biểu mô tế bào vảy.

Loại ung thư này thường xuất hiện trên khu vực tiếp xúc tia cực tím trong ánh nắng
mặt trời của cơ thể như mặt, tai, cổ, môi, và lưng bàn tay. Ung thư biểu mô tế bào vảy
cũng có thể phát triển trong những vết sẹo hay các vết loét da mãn tính ở những vùng
khác của da trong cơ thể. Ung thư tế bào vảy có nhiều khả năng để phát triển thành các
lớp sâu hơn của da và lây lan đến các bộ phận khác trong cơ thể so với ung thư tế bào
đáy.
1.3.2. Ung thư hắc tố ác tính
Ung thư hắc tố là dạng ung thư da nguy hiểm nhất. Tế bào ung thư phát triển khi
các tổn thương Axit đêoxiribonucleic (ADN) không được chữa trị gây tổn hại tới tế
bào da, nguyên nhân thường do bức xạ tia cực tím từ ánh nắng mặt trời và việc nhuộm
da kích thích đột biến làm cho tế bào da nhân lên nhanh chóng hình thành các khối u
ác tính. Những khối u này bắt nguồn từ các tế bào melanocyte sản sinh sắc tố ở lớp
đáy biểu bì. U hắc tố thường giống nốt ruồi, một số phát triển từ nốt ruồi. Phần lớn các
u hắc tố có màu đen hoặc nâu, nhưng cũng có thể là màu da, hồng, đỏ, tím, xanh hoặc
trắng.
Nếu ung thư hắc tố được phát hiện sớm, bệnh có thể chữa trị. Ngược lại, nếu
bệnh đã tiến triển tới giai đoạn muộn và di căn sang các phần khác của cơ thể, việc


8
điều trị rất khó và tỉ lệ tử vong cao. Dù bệnh này không phải là dạng phổ biến nhất
trong các dạng ung thư da nhưng nó gây ra hầu hết các trường hợp tử vong. Trong năm
2016, ước tính có khoảng 76.380 trường hợp có khối u ác tính xâm lấn, với khoảng
46.870 ca bệnh ở nam giới và 29.510 ca bệnh ở nữ giới. [9].
Ung thư hắc tố có 4 dạng cơ bản bao gồm 3 dạng bắt đầu tại chỗ (in situ) - có

nghĩa là khối u chỉ nằm ở các lớp trên cùng của da - và đôi khi xâm lấn; dạng thứ tư
ngay từ khi hình thành đã bắt đầu xâm lấn. Khối u hắc tố xâm lấn nguy hiểm hơn, một
khi chúng đã thâm nhập sâu hơn vào da, chúng có thể lan ra các khu vực khác của cơ
thể [10].
Dạng phổ biến nhất là ung thư hắc tố lan trên bề mặt (Superficial spreading
melanoma) (xem hình 1.4). Trong một khoảng thời gian khá dài, khối u phát triển tại
các lớp da trên cùng trước khi thâm nhập sâu hơn. Dấu hiệu đầu tiên là sự xuất hiện
của một mảng da phẳng hoặc hơi lồi có màu thay đổi và có viền bất bình thường. Đây
là loại u ác tính có thể hình thành từ một nốt ruồi lành tính.

Hình 1.4. Ung thư hắc tố lan trên bề mặt (Superficial spreading melanoma). [11]

Ung thư hắc tố lentigo (Lentigo maligna) (hình 1.5) tương tự như ung thư hắc tố
lan trên bề mặt vì nó cũng xuất hiện gần với bề mặt da trong một khoảng thời gian.
Đây là dạng ung thư hắc tố tại chỗ thường thấy nhất ở người già, phát sinh sau thời
gian dài tiếp xúc với ánh nắng, da bị hư hỏng trên mặt, tai, tay và thân trên.


9
Hình 1.5. Ung thư hắc tố lentigo (Lentigo maligna). [11]

Dạng 3 ung thư hắc tố Acral lentiginousmelanoma (hình 1.6) cũng xuất hiện trên
bề mặt trước khi thâm nhập sâu hơn. Dấu hiệu gồm có sự đổi màu đen hoặc nâu dưới
móng tay hoặc lịng bàn tay, bàn chân. Bệnh thường tiến nhanh hơn so với hai dạng
bệnh đầu. Đây là loại khối u hắc tố thường gặp nhất ở người Mỹ gốc Phi và người
châu Á, đơi khi được tìm thấy ở người da đen và ít gặp ở người da trắng [11].

Hình 1.6. Ung thư hắc tố Acral lentiginous melanoma. [11]

Dạng 4 Ung thư hắc tố dạng nốt (Nodular melanoma) (hình 1.7) thường đã di căn

tại thời điểm chẩn đốn. Các khối u có dạng vết sưng màu đen, màu xanh, xám, trắng,
nâu, nâu, đỏ hoặc màu da. U xuất hiện ở thân, chân và cánh tay, chủ yếu là ở người
cao tuổi và nó cũng có thể có da đầu ở nam giới. Đây là dạng phức tạp nhất và được
tìm thấy trong 10 đến 15% các trường hợp [11].

Hình 1.7. Ung thư hắc tố dạng nốt (Nodular melanoma). [11]

Các giai đoạn tiến triển bệnh: Ung thư hắc tố giai đoạn đầu (giai đoạn 0 và I) khu
trú tại phạm vi nhất định; giai đoạn 0, khối u không xâm lấn và không xâm nhập vào
bên dưới bề mặt da, trong khi các khối u ở giai đoạn I đã xâm chiếm một phần da nhỏ
và phân bào chậm để phát triển. Giai đoạn II khối u lớn hơn và/ hoặc có thể bị loét;


10
đây được coi là giai đoạn trung gian. Ung thư hắc tố giai đoạn cuối (giai đoạn III và
IV) di căn tới các bộ phận khác của cơ thể.
1.4. Dấu hiệu nhận biết ung thư da
Nốt ruồi, đốm nâu trên da thường vơ hại. Tuy nhiên những ai có hơn 100 nốt ruồi
trên cơ thể có nguy cơ mắc ung thư hắc tố cao hơn bình thường. Những dấu hiệu bệnh
đầu tiên có thể xuất hiện ở một hoặc nhiều nốt ruồi khơng điển hình. Đó là lý do tại
sao việc nhận ra các thay đổi của nốt ruồi là vơ cùng quan trọng.
1.4.1. Tính bất đối xứng
Nốt ruồi lành tính có dạng đối xứng. Nếu vẽ một đường qua tâm nó sẽ chia khối
u thành hai phần bằng nhau. Nếu vẽ một đường thẳng qua một khối u bất thường hai
nửa sẽ khơng đối xứng – chính là một dấu hiệu cảnh báo cho khối u ác tính (hình 1.8).

Hình 1.8. Tính đối xứng và bất đối xứng của nốt ruồi lành tính và ác tính. [11]

1.4.2. Đường viền
Một nốt ruồi lành tính có bề mặt và viền nhẵn. Trong khi đó, viền của một khối u

hắc tố ác tính ở giai đoạn đầu có xu hướng khơng đồng đều, thường có dạng vỏ sị
hoặc có các khe hình chữ V (hình 1.9).

Hình 1.9. Đường viền của nốt ruồi lành tính và ác tính. [11]

1.4.3. Màu sắc
Hầu hết các nốt ruồi lành tính có màu đồng đều - thường là màu nâu. Nốt ruồi
nhiều màu là một tín hiệu cảnh báo. Một số sắc thái khác nhau của màu nâu,


11
chàm hoặc đen có thể xuất hiện. Khối u hắc tố cũng có thể chuyển thành màu
đỏ, trắng hoặc màu xanh (hình 1.10).

Hình 1.10. Màu sắc của nốt ruồi lành tính và ác tính. [11]

1.4.4. Đường kính
Nốt ruồi lành tính thường có đường kính nhỏ hơn so với những khối u ác tính.
Đường kính u hắc tố thường lớn khoảng ¼ inch hoặc 6mm, nhưng đôi khi
chúng trông nhỏ hơn khi phát hiện sớm (hình 1.11).

Hình 1.11. Đường kính của nốt ruồi lành tính và ác tính. [11]

1.4.5. Quy mơ phát triển
Thơng thường, nốt ruồi lành tính khơng biến đổi theo thời gian. Hãy cảnh giác
khi một nốt ruồi bắt đầu phát triển hoặc thay đổi theo bất kỳ cách nào. Những thay
đổi về kích thước, hình dạng, màu sắc, độ cao, hoặc các triệu chứng như chảy máu,
ngứa hoặc đóng vảy đều là những dấu hiệu nguy hiểm (hình 1.12).

Hình 1.12. Sự phát triển của nốt ruồi ác tính. [11]

12
1.5. Phương pháp chẩn đoán ung thư da
Hiện tại căn bệnh này đại diện cho một vấn đề sức khỏe nghiêm trọng, việc tìm
kiếm những phương pháp chẩn đốn lâm sàng chính xác là mối quan tâm thường trực
của các bác sĩ da liễu.
1.5.1. Phương pháp soi da
Phương pháp soi da đã được biết đến từ thế kỷ 17. Nhưng chỉ được tập trung
nghiên cứu trong vòng 40 năm trở lại đây chủ yếu tại Graz (Cộng hòa Áo) và được
ứng dụng để tăng độ chính xác của chuẩn đóan ung thư da bằng cách phân loại cấu
trúc nốt ruồi [12]. So sánh kết quả của kiểm tra sinh thiết và phương pháp soi da, thấy
rằng phương pháp soi da có thể áp dụng để nhận dạng khối u ác tính. Vì vậy, chúng ta
có thể hồn tồn tin tưởng phương pháp này, bởi vì nó đã trải qua một quá trình nghiên
cứu khoa học nghiêm ngặc trên nhiều trường hợp bệnh.
1.5.2. Phương pháp xử lý hình ảnh da bị tổn thương
Ngày nay, một số phương pháp về lĩnh vực xử lý ảnh đã được phát triển bằng
thuật toán hoặc hệ thống để phát hiện và phân loại các loại bệnh thơng qua hình ảnh da
bị tổn thương.
Trong luận văn này sẽ chú trọng vào việc áp dụng thuật toán để trích xuất hình
dạng của tổn thương da và sau đó trích xuất các đặc điểm quan tâm. Phát triển một hệ
thống tương quan với các thuật toán để thực hiện chẩn đốn chính xác.
1.6. Kết luận chương
Chương 1 đưa ra tầm nhìn tổng quan về bệnh ung thư da. Đặc điểm các loại bệnh
ung thư lành tính và ác tính. Mối nguy hiểm của ung thư da đến tính mạng của con
người. Khảo sát các phương pháp chẩn đoán ung thư da và đưa ra bài toán chẩn đoán
ung thư da dựa vào hình ảnh. Chương 2 và chương 3 sẽ trình bày rõ ràng và chi tiết
hơn về bài toán này.

13

CHƯƠNG 2. TỔNG
NG QUAN VỀ
V MẠNG NƠ-RON TÍCH CH
CHẬP
2.1. Giới thiệu chương
Chương 1 đã tìm hiểu
uv
về các bệnh
nh ung thư da và đưa ra bài toán xây ddựng hệ
thống chẩn đốn ung thư da d
dựa vào hình ảnh. Ở chương 2 chúng ta ssẽ tìm hiểu tổng
quan về mạng nơ-ron,, đi vào chi tiết
ti về các khái niệm cơ bảnn và các mơ hình m
mạng để
áp dụng vào bài tốn chẩn
n đoán phát hiện bệnh ung thư da dựaa vào hình ảnh.
2.2. Mạng Nơ-ron nhân ttạo
2.2.1. Cấu trúc một Nơ-ron
ron sinh học
Bộ não chúng ta sử d
dụng một mạng lớn các nơ-ron liên kết vớii nhau đđể xử lí
thơng tin. Ở não người trưở
ởng thành có hơn 100 tỉ tế bào nơ-ron, mỗii tế
t bào liên kết
với khoảng 100 ngàn tế bào nơ-ron khác [16]. Các tín hiệu xung điệnn th
thế đầu vào được
đưa qua mạng Nơ-ron này và tr
trả về các giá trị đầu ra khác nhau. Đốii với

v bộ não sinh
học, tín hiệu đầu
u ra này có th
thể là kích thích co cơ hay báo hiệu tuyến mồ
ồ hôi để tiết mồ
hôi. Cấu trúc cơ bản của mộ
ột nơ-ron sinh học được mơ tả như hình 2.1:

Hình 2.1
1. Tế bào nơ-ron thần kinh của con người. [17]

Trong đó:
-

Dendrites là các dây dẫn
nd
dữ liệu mảnh, dài, gắn liền với các nơ-ron
ron, truyền dữ liệu
(dưới dạng xung điện thếế) đến cho nơ-ron.
Nucleus là nhân của tế bào, chúng ti
tiếp nhận các tín hiệu đượcc truy
truyền đến nơ-ron,
tổng hợp và xử lý các tín hiệu
hi nhận được.
Axon là một loại dây dẫn
nd
dữ liệu nhưng khác vớii Dendrites, Axon có kh
khả năng phát
các xung điện thế, dẫn
n tín hiệu

hi từ Nucleus đi nơi khác.

Axon nối với Dendrites của các nơ-ron khác bằng các mối nốii đđặt biệt, gọi là
Synapse. Khi điện thế củaa các mối
m nối này tăng lên do xung phát ra từ
ừ axon thì nó sẽ
nhả ra một số chất hóa họcc ((neurotransmitters), các chất này sẽ mở cử
ửa Dendrites để
cho các ion truyền
n qua, làm thay đ
đổi điện thế trên Dendrites. Nơ-ron tính ttổng các giá
trị điện thế mà nó nhận đượ
ợc và phát đi một xung khác nếu giá trị cộng
ng đư
được lớn hơn


14
một ngưỡng nhất định.
nh. Tín hiệu
hi sẽ tiếp tục được truyền qua các Axon đđến Bouton. Các
Bouton này có thể được nốii vvới hàng ngàn các nơ-ron khác thông qua các Synapse. Đó
là cách các nơ-ron thần
n kinh của
c chúng ta hoạt động.
2.2.2. Cấu trúc một Perceptron
Mơ hình nơ-ron nhân tạo
t được xây dựng dựa trên các nơ-ron sinh học.
h
Các nơron này được gọi là các Perceptron,

Perceptron được công bố bởii Frank Rosenblatt vào đầu
đ
những năm 1960 dựaa trên những
nh
nghiên cứu ban đầu củaa Warren McCulloch và
Walter Pitts [1].
Cấu trúc của một Perceptron được mơ tả trong hình.

Hình 2
2.2. Cấu trúc của một Perceptron đơn giản.

Nguyên lý làm việc củ
ủa Perceptron, dựa trên phương pháp sử dụng
ng các tr
trọng số
để xét và lựa chọn giá trị ngõ ra. Nguyên lý này khá đơn giản và có thểể mơ tả sơ lược
như sau:
Như hình trên, Perceptron có nhiều ngõ vào (input) xi (x1, x2, x3…
…xn) tương ứng
với n đầu vào dữ liệu. Rosenblatt đã
đ đưa ra một quy luật đơn giản để tính tốn giá tr
trị
ngõ ra, cụ thể,, ơng đưa ra giá trị
tr trọng số (weight) wi. Trọng số là các số
s thực thể hiện
mức độ quan trọng của dữ li
liệu ngõ vào, có tác động quyết định đến
n giá trị
tr ngõ ra. Giá
trị trọng số có thể làm tăng hoặc

ho giảm vai trị củaa ngõ vào thơng qua tích xi. wi. Hàm
tổng (Sum), có vai trị tính
nh ttổng trọng số ∑ . của tất cả các ngõ vào của nơ-ron.
Giá trị ngõ ra (output) là 0 ho
hoặc 1, được xác định dựa trên tổng trọng
ng ssố bé hơn hay
lớn hơn giá trị ngưỡng quyếết định (threshold).
Ta có giá trị ngõ ra:
=

0nếu ∑
1nếu ∑

≤ ℎ
> ℎ

ℎ
ℎ

(2.1)

Bằng cách thay đổii giá tr
trị trọng số và giá trị ngưỡng quyết định,
nh, chúng ta có
được nhiều mơ hình quyếtt đ
định khác nhau.


15
Trên thực tế, để đơn giản hố cách mơ tả Perceptron người ta thay thế ∑

=
∙ , với w và x tương ứng là các vector chứa trọng số và giá trị ngõ vào. Thay đổi
thứ hai là chuyển tham số ngưỡng threshold sang vế trái và định nghĩa tham số b (bias)
để thay thế cho ngưỡng quyết định threshold.
b = -threshold

(2.2)

Giá trị ngõ ra output có thể xác định lại như sau:
=

0nếu ∙ + ≤ 0
1nếu ∙ + > 0

(2.3)

Giá trị bias b có thể xem là thang đo, và có quyết định lớn đến việc Perceptron
đưa ra giá trị ngõ ra là 1. Ví dụ, với Perceptron có giá trị b rất lớn, thì ngõ ra dễ dàng
được quyết định là giá trị 1. Ngược lại, trường hợp b có giá trị âm lớn thì ngõ ra lại rất
khó để nhận được giá trị là 1.
2.3. Multi-layers Perceptron (MLP)
Việc ra đời Perceptron vào những năm 1960 đã đánh dầu bước đầu cho sự phát
triển của mạng Neuron nhân tạo. Tuy nhiên nó chỉ là bước khởi đầu và vẫn còn nhiều
hạn chế, đơn cử là mạng Perceptron chỉ giải quyết được một số bài toán AND,
NAND… tuy nhiên lại khơng thể giải quyết được bài tốn XOR [1]. Đến năm 1986,
David Rumelhart và James McClelland đã giới thiệu mạng đa lớp Multi-Layer hay
Multi-Layer Perceptron (MLP). Thực tế, mạng MLP được cấu thành từ các Sigmoid
neuron chứ không phải các Perceptron.
Về cơ bản, cấu trúc mạng MLP có chứa ít nhất 3 lớp neuron, bao gồm:

Hình 2.3. Một mơ hình mạng MLP gồm các lớp Full Connection.

Từ trái sang phải, lớp đầu tiên được gọi là lớp ngõ vào (input layer), các neuron
bên trong lớp này được gọi là neuron ngõ vào (input neuron). Các neuron ngõ vào
cung cấp dữ liệu từ ngoài vào mạng, hay đơn giản là chuyển thông tin đến các lớp tiếp
theo.