LuanVan.vnLuận Văn
Gửi thư

Enhancing Medical Image Segmentation with a Dense Attention Mamba-based Network and Deep Supervision using Adaptive Sigmoid Fowlkes-Mallows Loss

Đồ án tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuĐồ án tốt nghiệp
Bậc họcĐại học
NgànhXã hội, ngôn ngữ, y dược
Tác giảNguyen Van Quang
Người hướng dẫnPham Van Truong
Cơ sở đào tạoĐại học Bách khoa Hà Nội
Năm2025
NguồnThư viện số Đại học Bách khoa Hà Nội · trang gốc

Tóm tắt

Xây dựng phương pháp phân đoạn ảnh y tế dựa trên sự kết hợp giữa mạng nơ-ron tích chập (CNN) và mô hình không gian trạng thái (State Space Models – SSMs), nhằm nâng cao độ chính xác, tính bền vững và khả năng tổng quát trong các hệ thống chẩn đoán hỗ trợ bằng máy tính (CAD). Kiến trúc đề xuất tích hợp Mamba State Space Model với các lớp tích chập đa quy mô và hệ thống cơ chế chú ý nhằm khai thác hiệu quả đặc trưng không gian và quan hệ dài hạn trong hình ảnh y tế. Bên cạnh đó, một hàm mất mát mới được xây dựng để cân bằng giữa độ chính xác (precision) và độ bao phủ (recall), nâng cao khả năng phân đoạn trong các trường hợp dữ liệu phức tạp. Phương pháp được thực nghiệm trên nhiều bộ dữ liệu thuộc các lĩnh vực như phân đoạn tổn thương da, ảnh MRI tim, ảnh tế bào và X-quang ngực, đồng thời được so sánh với các phương pháp học sâu cơ sở và truyền thống. Kết quả thực nghiệm cho thấy mô hình đề xuất đạt hiệu quả cao hơn về độ chính xác, tính ổn định và khả năng tổng quát hóa, qua đó cung cấp hướng tiếp cận có tiềm năng ứng dụng trong phân tích ảnh y tế, hỗ trợ phát hiện sớm và lập kế hoạch điều trị.
Bản toàn văn lưu tại thư viện Đại học Bách khoa Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn xã hội, ngôn ngữ, y dược · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.