BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

ĐỒ ÁN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

XÂY DỰNG HỆ THỐNG PHÂN LOẠI
BỆNH PHỔI DÙNG PHƯƠNG PHÁP
HỌC CHUYỂN GIAO
GVHD: TS. Vũ Chí Cường
SVTH:

Nguyễn Thị Nhã Thơ

MSSV:

19129052

SVTH:

Trần Hữu Lợi

MSSV:

19129027

Tp. Hồ Chí Minh - 1/2024

BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH
-

ĐỒ ÁN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH
ĐỀ TÀI:

XÂY DỰNG HỆ THỐNG PHÂN LOẠI
BỆNH PHỔI DÙNG PHƯƠNG PHÁP
HỌC CHUYỂN GIAO
GVHD:

TS. Vũ Chí Cường

SVTH:

Nguyễn Thị Nhã Thơ

MSSV:

19129052

SVTH:

Trần hữu Lợi

MSSV:

19129027

Tp. Hồ Chí Minh - 1/2024
i

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

KHOA ĐIỆN-ĐIỆN TỬ

ĐỘC LẬP - TỰ DO - HẠNH PHÚC

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

o0o

Tp. HCM, ngày 20 tháng 11 năm 2023

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ tên sinh viên:

Nguyễn Thị Nhã Thơ

MSSV: 19129052

Trần Hữu Lợi

MSSV: 19129027

Chuyên ngành:

Kỹ thuật Y sinh

Mã ngành:

129

Hệ đào tạo:

Đại học chính quy

Mã hệ:

1

Khóa:

2019

Lớp:

191290

I. TÊN ĐỀ TÀI: XÂY DỰNG HỆ THỐNG PHÂN LOẠI BỆNH PHỔI DÙNG
PHƯƠNG PHÁP HỌC CHUYỂN GIAO
II. NHIỆM VỤ
1. Các số liệu ban đầu:
Trước khi thực hiện đề tài, nhóm đã tham khảo và đọc các tài liệu sau để có các số liệu
ban đầu:
-

Ngôn ngữ sử dụng: Python.

-

Phần mềm sử dụng: Pycharm, Google Colab.

-

Tập dữ liệu được tổng hợp từ bộ dữ liệu của trung tâm Y Tế Phụ Nữ và Trẻ Em tỉnh
Quảng Châu, Trung Quốc, dự án thu thập hình ảnh Covid – 19 được phê duyệt bởi
ủy ban đạo đức của đại học Montreal, cơ sở dữ liệu X Quang ngực về bệnh lao từ đại
học Qatar (Qatar), đại học Dhaka (Bangladesh) cùng các cộng tác viên đến từ
Malaysia phối hợp cùng các bác sĩ Y Khoa của tập đoàn y tế Hamad và bộ dữ liệu
“COVID-19 Chest X-ray Dataset”.

-

Sử dụng pre-trained model Resnet50, VGG19 và Densenet201 để thực hiện phân loại
bệnh ở phổi.

-

Thiết kế giao diện bằng PyQt5 và QT Designing.

-

Đóng gói ứng dụng với PyInstaller.

ii

2. Nội dung thực hiện:
-

Tìm hiểu hướng đề tài

-

Khảo sát tập dữ liệu datasets.

-

Tìm hiểu thuật toán phân loại.

-

Xây dựng mô hình AI bằng phương pháp Transfer Learning.

-

Áp dụng mô hình AI xây dựng trên datasets.

-

Đánh giá khả năng hiệu suất mô hình.

-

Kết luận và đề ra hướng ph
...

...
ateau
from tensorflow.keras.models import Sequential
from keras.applications.resnet50 import preprocess_input
from keras.applications.resnet50 import ResNet50
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
#Kết nối với Google Drive
from google.colab import drive
drive.mount(/content/drive)

traingen = ImageDataGenerator(preprocessing_function=preprocess_input,
width_shift_range=0.3 ,
height_shift_range=0.3 ,
zoom_range=0.3,
shear_range=0.2,
rotation_range=10)
train_it = traingen.flow_from_directory(/content/drive/MyDrive/datasets/Lung Disease
Dataset/train, target_size = (224, 224))
val_it = traingen.flow_from_directory(/content/drive/MyDrive/datasets/Lung Disease
Dataset/val, target_size = (224, 224))
test_it = traingen.flow_from_directory(/content/drive/MyDrive/datasets/Lung Disease
Dataset/test, target_size = (224, 224))

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

57

PHỤ LỤC
# FEATURE EXTRACTION
base_model_resnet50 = tf.keras.applications.ResNet50(input_shape = (224, 224, 3),
include_top=False,
weights=imagenet
)
for layer in base_model_resnet50.layers:
layer.trainable = False
x = layers.Flatten()(base_model_resnet50.output)
x = layers.out(0.4)(x)
x = layers.Dense(512, activation= relu)(x)
x = layers.Dense(5, activation = softmax)(x)
model2 = tf.keras.models.Model(base_model_resnet50.input, x)

model2.compile(optimizer=tf.keras.optimizers.Adam(1e-5),
loss=categorical_crossentropy,
metrics=[accuracy])
reduce_lr = ReduceLROnPlateau(monitor= val_accuracy, factor= 0.5, patience= 4, verbose=
3,cooldown=2, mode= max, min_lr= 1e-6)
history_fine = model2.fit(train_it, validation_data= val_it, epochs=80, callbacks= [reduce_lr],
steps_per_epoch=60, validation_steps=10)
#FINE TUNING
base_model_resnet50.trainable = True
print(Number of layers in the base model: , len(base_model_resnet50.layers))
fine_tune_at = 87

for layer in base_model_resnet50.layers[:fine_tune_at]:
layer.trainable = False

model2 = tf.keras.models.Model(base_model_resnet50.input, x)
model2.compile(optimizer=tf.keras.optimizers.Adam(1e-5),
loss=categorical_crossentropy,
metrics=[accuracy])

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

58

PHỤ LỤC
lr_reduce = keras.callbacks.ReduceLROnPlateau(val_loss, patience=2,
factor=0.5, min_lr=1e-6)
history = model2.fit(train_it, validation_data= val_it, epochs=30, callbacks= [lr_reduce],
verbose=1, shuffle=True)
model2.save(RESNET50_FINE_TUNING.hdf5)

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

59