Menu
Toggle navigation
Giới thiệu
Kế hoạch chiến lược
Triết lý giáo dục, Sứ mạng, Tầm nhìn, Mục tiêu, Giá trị cốt lõi
Phòng ĐTSĐH-KHCN
Đề án vị trí việc làm
Các ngành Cao học
Ngành mới mở
Cổng thông tin Sau Đại học
Tuyển sinh
Thông báo tuyển sinh
Đào tạo Thạc sĩ
Lịch tuyển sinh hằng năm
Ngành tuyển sinh
Đăng ký dự tuyển
Học trước Thạc sĩ
Học kết nối ĐH - Thạc sĩ
Học bổ sung kiến thức
Đào tạo Tiến sĩ
Lịch tuyển sinh hằng năm
Hoạt động tuyển sinh
Học vụ
Thời khóa biểu
Học trước Thạc sĩ
Bổ sung kiến thức
Các lớp Cao học
Thông báo Học vụ
Công nghệ thông tin
Quản trị kinh doanh
Ngôn ngữ Anh
Thông báo Nghiên cứu sinh
Quy chế - Hướng dẫn
Quy chế cấp Bộ
Quy định cấp Trường
Hướng dẫn giảng viên
Hướng dẫn học viên
Báo cáo Tốt nghiệp
Các biểu mẫu - Qui trình
Chương trình đào tạo
Thạc sĩ QTKD
Thạc sĩ CNTT
Thạc sĩ NNA
Tiến sĩ CNTT
Hoạt động ĐT-NCKH
Kế hoạch theo năm
Kết quả NCKH
Ý kiến bên liên quan
Quản lý dạy - học
Search
Thông tin Đề án/Luận văn
Đào tạo sau đại học
Đề Án/Luận Văn Thạc sĩ
Ngành Công nghệ thông tin
Ngành Quản trị kinh doanh
Ngành Ngôn ngữ Anh
Biểu Mẫu - Qui Trình
Học Bổng
Tra Cứu Văn Bằng
Tra kết quả Tuyển sinh
Quản Lý Dạy Và Học
Quy đổi Ngoại ngữ
Hồ sơ đăng ký dự tuyển Thạc sĩ
Trang web liên kết
Website Trường
Khoa Học - Công Nghệ
Hội nghị, Hội thảo Khoa học – Công nghệ
Thư viện
Chương trình đào tạo đã được
Kiểm định
Giấy chứng nhận ngành CNTT
Giấy chứng nhận ngành MBA
×
Thông tin đề án/luận văn
DMHV
MIT22101
Họ và tên
Huỳnh Văn Hải
Ngày sinh
31/3/1986
Khóa
2022
Điểm TB
7.43
Tiêu đề tiếng Việt:
Phân loại ảnh võng mạc tiểu đường dựa trên phương pháp cải tiến resnet
Tiêu đề tiếng Anh
Tóm tắt
Trong nghiên cứu này nhằm xây dựng và huấn luyện một mô hình có khả năng phân loại hình ảnh võng mạc, với mục đích xác định xem một bức ảnh có thể hiện thị những triệu chứng của bệnh võng mạc do tiểu đường hay không. Phương pháp chính trong bài nghiên cứu này là sử dụng cải tiến mô hình ResNet101, nhằm tăng cường hiệu suất và độ tin cậy trong việc phân loại hình ảnh. Mục tiêu của bài nghiên cứu là xây dựng và huấn luyện mô hình học sâu dựa trên ResNet101 đã được cải thiện, sử dụng tập dữ liệu tất cả các hình ảnh võng mạc có và không có dấu hiệu của bệnh tiểu đường. Nghiên cứu hướng đến việc phân loại chính xác ảnh bệnh lý, đồng thời giảm thiểu overfitting và tăng cường hiệu suất mô hình. Mặc dù ResNet101 là một mô hình mạnh mẽ, nhưng vẫn còn một số mặt hạn chế như dễ bị overfitting khi huấn luyện trên bộ tập dữ liệu không đủ lớn hoặc thiếu đa dạng, cũng như chưa tối ưu về tham số hyperparameters. Để khắc phục các mặt hạn chế này, các cải tiến đã được nghiên cứu, áp dụng như: Tranfer Learning, Freezing Layer, adding Custom Layer, Compilling the model, Using Callbacks, tối ưu hóa hyperparameters, áp dụng chiến lược phân tán, tăng cường dữ liệu, áp dụng phương pháp phát hiện biên cạnh như Canny, Sobel và các thuật toán phân cụm thông dụng như Mean-shift và K-means. Tập bộ dữ liệu hình ảnh võng mạc, ResNet101 đã được huấn luyện và cho ra kết quả tích cực, độ chính xác lên tới 73,47%, F1-score đạt 62,24%, Recall đạt 74,47% và Precision đạt 53,98%. Những chỉ số này phản ánh hiệu suất phân loại của mô hình. Kết quả nghiên cứu cho thấy việc cải tiến ResNet101 để phân loại hình ảnh võng mạc tiểu đường với kết quả độ chính xác tương đối cao. Nhờ áp dụng các kỹ thuật như Tranfer Learning, Freezing Layer, Adding Custom Layer, Compiling the model, Using Callbacks, tối ưu hóa hyperparameters, chiến lược phân tán, tăng cường dữ liệu, và áp dụng thuật toán như Canny, Sobel, K-means, Mean-Shift, mô hình đã cải thiện rõ rệt khả năng khái quát hóa và hiệu quả so với mô hình nguyên bản. Ngoài ra, khi so sánh với mô hình VGG16 cải tiến, ResNet101 cải tiến cũng đạt được kết quả tương đương, khẳng định tiềm năng áp dụng trong thực tiễn trong lĩnh vực chẩn đoán y tế.
