PHÁT HIỆN COVID-19 BẰNG THUẬT TOÁN HỌC SÂU TRÊN HÌNH ẢNH X-QUANG NGỰC
Từ khóa:
COVID-19, Chest X-ray image, deep learning, Convolutional Neural Network (CNN), DenseNet121, GoogLeNet, Three-class classificationTóm tắt
Nghiên cứu này trình bày một hệ thống phân loại học sâu tự động để chẩn đoán COVID-19, Viêm phổi (PNEUMONIA) và trạng thái Khỏe mạnh (NORMAL) từ ảnh X-quang ngực (CXR). Chúng tôi kết hợp hai bộ dữ liệu mở (chest-xray-pneumonia và covidx-cxr2). Tập dữ liệu gốc gồm 22.205 ảnh (17.764 huấn luyện, 2.220 kiểm thử) cho bài toán phân loại ba lớp. Sau khi tiền xử lý và tăng cường dữ liệu, tập dữ liệu thực tế được sử dụng cho huấn luyện và đánh giá gồm khoảng 82.200 ảnh (65.760 huấn luyện, 8.220 kiểm thử, 8.220 xác thực). Các ảnh đầu vào được xử lý bằng các kỹ thuật tăng cường dữ liệu, bao gồm lật ngang, điều chỉnh độ sáng (brightness range) và xoay ảnh (rotation range). Chúng tôi đánh giá hiệu suất của hai kiến trúc mạng nơ-ron tích chập (CNN) nổi tiếng là GoogLeNet và DenseNet121. GoogLeNet, sử dụng đầu ra chính (output3), đạt độ chính xác trên tập kiểm thử là 90,69% với tổn thất (Loss) là 0,2598. Mô hình DenseNet121 chứng minh khả năng vượt trội, đạt độ chính xác 93,58% với Loss là 0,1782 và thực hiện 7.678 dự đoán đúng trong số 8.220 mẫu kiểm thử. Kết quả này xác nhận DenseNet121 là mô hình tối ưu và đáng tin cậy cho phân loại ba lớp nhanh chóng và chính xác.
