TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH
▹▻▻▻▻▻▻◺◊◿◅◅◅◅◅◅◃

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

ỨNG DỤNG MÔ HÌNH MÁY HỌC
HỖ TRỢ PHÁT HIỆN VÀ
PHÂN LOẠI TỔN THƯƠNG DA
GVHD: TS. Vũ Chí Cường
SVTH:

MSSV:

Trần Khoa Dự

20129037

Nguyễn Thị Thu Hiền

20129049

TP Hồ Chí Minh, 06/2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH
▹▻▻▻▻▻▻◺◊◿◅◅◅◅◅◅◃

KHÓA LUẬN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

ỨNG DỤNG MÔ HÌNH MÁY HỌC
HỖ TRỢ PHÁT HIỆN VÀ
PHÂN LOẠI TỔN THƯƠNG DA

GVHD: TS. Vũ Chí Cường
SVTH:

MSSV:

Trần Khoa Dự

20129037

Nguyễn Thị Thu Hiền

20129049

TP Hồ Chí Minh, 06/2024

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
ĐỘC LẬP - TỰ DO - HẠNH PHÚC
◃◅◅◅◈▻▻▻▹

TP. Hồ Chí Minh, ngày 17 tháng 06 năm 2024

NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP
Họ tên sinh viên:

Trần Khoa Dự

MSSV:

20129037

Nguyễn Thị Thu Hiền

MSSV:

20129049

Chuyên ngành:

Kỹ thuật Y sinh

Mã ngành: 7520212D

Hệ đào tạo:

Đại học chính quy

Mã hệ:

1

Khóa:

2020

Lớp:

20129

I. TÊN ĐỀ TÀI: ỨNG DỤNG MÔ HÌNH MÁY HỌC HỖ TRỢ PHÁT HIỆN VÀ
PHÂN LOẠI TỔN THƯƠNG DA.
II. NHIỆM VỤ
1. Các số liệu, tài liệu ban đầu
−

Ngôn ngữ lập trình: Python

−

Phần mềm huấn luyện: Google Colab

−

Tập dữ liệu: tập dữ liệu gồm hình ảnh soi da của 3 loại tổn thương da gồm Ung
thư hắc tố da ác tính, Ung thư biểu mô tế bào đáy và Tổn thương mạch máu.
Dữ liệu được lọc ra từ bộ dữ liệu HAM10000 được lấy từ kho dữ liệu ISIC
thuộc Đại học Y khoa Vienna, Áo.

−

Tài liệu về bộ dữ liệu HAM10000

−

Sử dụng 4 mô hình máy học là Inception, Resnet, ConvNeXt và Vision
Transformer để phân loại tổn thương da

2. Nội dung thực hiện
−

Nội dung 1: Khảo sát và chọn ra 3 loại tổn thương da là Ung thư hắc tố da ác
tính, ung thư biểu mô tế bào đáy và tổn thương mạch máu để tìm kiếm dữ liệu.

−

Nội dung 2: Sau khi tìm ra dữ liệu, tiến hành tạo tập dữ liệu và tiền xử lý.

−

Nội dung 3: Khảo sát và xây dựng mô hình huấn luyện phân loại các tổn
thương da, bao gồm các mô hình Inception-V1, ResNet50, ConvNeXt_Tiny
và Vision Transformer.
i

−

Nội dung 4: Huấn luyện, điều chỉnh và đánh giá các mô hình đã xây dựng và
so sánh các mô hình đã xây dựng với một số nghiên cứu khác.

−

Nội dung 5: Viết báo cáo đề tài.

−

Nội dung 6: Bảo vệ luận văn.

III. NGÀY GIAO NHIỆM VỤ:

19/02/2024

IV. NGÀY HOÀN THÀNH NHIỆM VỤ:

17/06/2024

V. HỌ VÀ T
...

...
arning
Representations (ICLR 2021), 2021.
[11] X. Ying, “An Overview of Overfitting and its Solutions,” Journal of Physics:
Conference, 2018.
[12] C. E. Nwankpa, W. Ijomah, A. Gachagan và S. Marshall, “Activation Functions:
Comparison of Trends in Practice and Research for Deep Learning,” trong 2nd
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

62

TÀI LIỆU THAM KHẢO

International Conference on Computational Sciences and Technologies
(INCCST 20), MUET Jamshoro, 2020.
[13] TensorFlow, “Introduction to Tensors,” 28 tháng Mười 2023. [Trực tuyến].
Available: https://www.tensorflow.org/guide/tensor. [Đã truy cập 9 tháng Ba
2024].
[14] R. Azad, M. Asadi-Aghbolaghi, M. Fathy và S. Escalera, “Bi-Directional
ConvLSTM U-Net with Densley Connected Convolutions,” trong The
IEEE/CVF international conference on computer vision workshops, 2019.
[15] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V.
Vanhoucke và A. Rabinovich, “Going deeper with convolutions,” trong The
IEEE conference on computer vision and pattern recognition, 2015.
[16] K. He, X. Zhang, S. Ren và J. Sun, “Deep Residual Learning for Image
Recognition,” trong IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), 2016.
[17] B. Shetty, R. Fernandes, A. P. Rodrigues, R. Chengoden, S. Bhattacharya và K.
Lakshmanna, “Skin lesion classifcation of dermoscopic images using machine
learning and convolutional neural network,” scientific reports, tập 12, số 1, p.
18134, 2022.
[18] S. Hao, L. Zhang, Y. Jiang, J. Wang, Z. Ji, L. Zhao và I. Ganchev, “ConvNeXtST-AFF: A Novel Skin Disease Classification Model Based on Fusion of
ConvNeXt and Swin Transformer,” IEEE Access, tập 11, pp. 117460-117473,
2023.
[19] M. A. Al-masni, D.-H. Kim và T.-S. Kim, “Multiple skin lesions diagnostics via
integrated deep convolutional networks for segmentation and classification,”
Computer Methods and Programs in Biomedicine, tập 190, p. 105351, 2020.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

63

PHỤ LỤC

PHỤ LỤC

1. Bảng so sánh BCDU-Net với một số mô hình phân đoạn ảnh khác
Phương pháp

Độ chính xác

Precision

Recall

F1-Score

U-Net

0.890

0.779

0.708

0.647

Attention U-Net

0.897

0.787

0.717

0.665

R2U-Net

0.880

0.741

0.792

0.679

Attention R2U-Net

0.904

0.822

0.726

0.691

BCDU-Net

0.937

0.928

0.785

0.851

2. Đường dẫn dẫn đến thư mục Code:
https://drive.google.com/drive/folders/1_RqRv8Mbrt23Wy2a8N2D2CB3yQrIONpS
?usp=sharing

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

64