LuanVan.vnLuận Văn
Gửi thư

XÂY DỰNG ỨNG DỤNG HỖ TRỢ CHẨN ĐOÁN BỆNH VỀ DA BẰNG PHƯƠNG PHÁP HỌC SÂU

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảMai Trần Ngọc Trân
Người hướng dẫnVõ Trí Thức
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Luận văn xây dựng hệ thống DermaCare AI nhằm hỗ trợ sàng lọc ban đầu bảy nhóm tổn thương da. Đề tài sử dụng 10.015 ảnh có nhãn của HAM10000 và 30.000 ảnh ISIC không nhãn. Phần thực nghiệm gồm 12 cấu hình DINOv3 và MAE với hai backbone ViT-S/16 và ViT-B/16. DINOv3 sử dụng hai backbone ViT-S/16 và ViT-B/16, còn MAE sử dụng ViT-B/16. Các mô hình được đánh giá theo hai nhóm riêng biệt linear probing (LP) và fine-tuning hai Transformer block cuối (FT2), trong đó so sánh trọng số pretrained ban đầu với trọng số sau khi tiếp tục học tự giám sát trên ISIC-30K. Checkpoint của từng cấu hình được chọn dựa trên Macro F1 của tập validation. Balanced Accuracy được dùng làm tiêu chí phụ khi cần. Sau đó, checkpoint được đánh giá trên tập test. Trên tập validation, C06 – DINOv3 ViT-B/16 Meta FT2 – đạt Macro F1 cao nhất với 70,75% và được lựa chọn để tích hợp vào DermaCare AI. Sau khi mô hình được lựa chọn, C06 được đánh giá trên tập test và đạt Accuracy 82,16%, Macro F1 70,44%, Weighted F1 82,41% và Balanced Accuracy 73,70%. Kết quả thực nghiệm cho thấy fine-tuning hai Transformer block cuối nhìn chung hiệu quả hơn linear probing, trong khi continued self-supervised learning trên ISIC-30K không tạo cải thiện đồng đều ở tất cả các cấu hình. Từ kết quả thực nghiệm, mô hình được tích hợp vào hệ thống DermaCare AI với backend FastAPI. Hệ thống cho phép người dùng tải ảnh tổn thương da để nhận kết quả dự đoán, xem ba lớp có giá trị dự đoán cao nhất, lưu lịch sử kiểm tra và theo dõi vùng da theo thời gian. Web còn hỗ trợ tra cứu thông tin về các nhóm tổn thương da, tìm bác sĩ, đặt lịch khám, quản lý lịch hẹn, sử dụng chatbot hỗ trợ thông tin, nhận thông báo và các chức năng quản trị hệ thống. Từ khóa: DINOv3, MAE, HAM10000, học sâu, học tự giám sát, tổn thương da, DermaCare AI. The thesis develops the DermaCare AI system to support the initial screening of seven categories of skin lesions. The study uses 10,015 labeled images from the HAM10000 dataset and 30,000 unlabeled images from ISIC. The experimental evaluation includes 12 configurations based on DINOv3 and MAE. DINOv3 is evaluated with two backbones, ViT-S/16 and ViT-B/16, while MAE uses ViT-B/16. The models are evaluated under two separate training settings: linear probing (LP) and fine-tuning the last two Transformer blocks (FT2). For each setting, the original pretrained weights are compared with the weights obtained after continued self-supervised learning on ISIC-30K. The checkpoint for each configuration is selected based on the Macro F1 score on the validation set, with Balanced Accuracy used as a secondary criterion when necessary. The selected checkpoint is then evaluated on the test set. On the validation set, C06 – DINOv3 ViT-B/16 Meta FT2 – achieved the highest Macro F1 of 70.75% and was therefore selected for integration into DermaCare AI. After model selection, C06 was evaluated on the test set, achieving an Accuracy of 82.16%, Macro F1 of 70.44%, Weighted F1 of 82.41%, and Balanced Accuracy of 73.70%. Based on the experimental results, the selected model is integrated into DermaCare AI using a FastAPI backend. The system allows users to upload skin lesion images, receive prediction results, view the top three classes with the highest prediction scores, save examination history, and track changes in skin areas over time. The Web application also supports information lookup for skin lesion groups, doctor search, appointment booking and management, chatbot-based information support, notifications, and system administration functions. Keywords: DINOv3, MAE, HAM10000, deep learning, self-supervised learning, skin lesions, DermaCare AI.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

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.