LuanVan.vnLuận Văn
Gửi thư

Thiết kế khung mô hình CNN kết hợp mờ trong phân loại ung thư buồng trứng sử dụng ảnh mô học Tissue Microarray

Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảVũ Xuân Tuấn Anh
Người hướng dẫnNguyễn Tất Bảo Thiện
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Ung thư buồng trứng (UTBT) thuộc nhóm tám loại ung thư thường gặp nhất ở phụ nữ toàn cầu. Do chưa có phương pháp tầm soát hiệu quả, đa phần các ca bệnh được phát hiện khi bệnh đã bước sang giai đoạn muộn, dẫn đến việc điều trị gặp nhiều khó khăn và tỷ lệ tử vong ở mức cao. Việc chẩn đoán UTBT nhằm đưa ra quyết định phẫu thuật chủ yếu dựa trên phân tích mô bệnh học, trong đó ảnh Tissue Microarray (TMA) là công cụ hỗ trợ tiết kiệm và hiệu quả. Tuy nhiên, quá trình phân tích thủ công loại ảnh này phụ thuộc nhiều vào chuyên môn, dễ gây sai sót và tiêu tốn thời gian. Thực tế đó cho thấy một nhu cầu cấp thiết phát triển các phương pháp học sâu (Deep Learning – DL) nhằm tự động hóa quy trình phân tích. Nghiên cứu này đã đề xuất một khung mô hình đa giai đoạn để phân loại ảnh TMA UTBT, so sánh hiệu suất các mô hình mạng thần kinh tích chập (Convolutional Neural Network – CNN) hiện đại và phát triển mô hình cải tiến dựa trên học kết hợp (Ensemble Learning – EL), nhằm nâng cao độ chính xác và mức độ tự động hóa trong thực hành lâm sàng. Bộ dữ liệu (BDL) huấn luyện gồm 12.710 ảnh TMA, được thu thập từ nhiều nguồn và gán nhãn dựa trên dữ liệu gốc kết hợp với sự hỗ trợ chuyên gia, phân thành năm lớp ung thư: tế bào sáng (Clear Cell Carcinoma – CC), nội mạc tử cung (Endometrioid Carcinoma – EC), thanh dịch độ cao (High-Grade Serous Carcinoma – HGSC), thanh dịch độ thấp (Low-Grade Serous Carcinoma – LGSC) và dạng nhầy (Mucinous Carcinoma – MC). Từ BDL này, trong giai đoạn 1, năm mô hình CNN được huấn luyện, gồm EOC-Net (mô hình do chúng tôi thiết kế) và bốn mô hình học chuyển giao (Transfer Learning – TL): DenseNet121, EfficientNetB0, InceptionV3 và ResNet50-v2. Ở giai đoạn 2, chúng tôi triển khai mô hình kết hợp dựa trên thứ hạng mờ (Fuzzy rank-based Ensemble – FRE), sử dụng hàm Gamma để tổng hợp các dự đoán từ giai đoạn 1 nhằm tối ưu độ chính xác. Kết quả cho thấy, ở giai đoạn 1, các mô hình đạt độ chính xác huấn luyện từ 86,95% đến 96,29% và độ chính xác kiểm thử từ 76,25% đến 87,05%. Trong đó, EOC-Net, dù có số tham số ít hơn từ 5 đến 25 lần so với các mô hình còn lại, là mô hình tốt nhất ở giai đoạn này. Ở giai đoạn 2, mô hình Ensemble đề xuất đạt độ chính xác kiểm thử là 88,73%, cải thiện từ 1,68% đến 12,48% so với các mô hình đơn lẻ. Do đó, nghiên cứu làm rõ vai trò của DL và EL trong phân loại ảnh TMA UTBT. Mô hình Ensemble thể hiện ưu thế rõ ràng về độ chính xác khi so sánh với từng mô hình đơn, mở ra tiềm năng lớn trong hỗ trợ quá trình lâm sàng, giảm tải cho chuyên gia và nâng cao chất lượng điều trị. CHƯƠNG 1. GIỚI THIỆU CHƯƠNG 2. TỔNG QUAN ĐỀ TÀI CHƯƠNG 3. PHƯƠNG PHÁP ĐỀ XUẤT CHƯƠNG 4. KẾT QUẢ VÀ THẢO LUẬN CHƯƠNG 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

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 công nghệ thông tin · 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.