Page 335 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

chuyển đổi thuộc tính có giám sát hoặc không giám sát, dùng cho các bài toán
phân tích và phân loại dữ liệu.

❖ Mạng nơ-ron tích chập - CNN
Mạng nơ-ron tích chập, hay còn gọi là CNN là một loại mạng truyền
thẳng, nơi các nơ-ron riêng lẻ được sắp xếp để chúng có thể nhận diện các
vùng chồng chéo trong trường thị giác. Mạng CNN thường được áp dụng
trong lĩnh vực học sâu, nổi tiếng nhất trong nhiệm vụ xử lý ảnh, cụ thể là nhận
dạng đối tượng trong ảnh.
Trong y học, CNN đang có ảnh hưởng ứng dụng rất rộng rãi và đặc biệt
là trong các nghiên cứu phân tích hình ảnh y tế. CNN được ứng dụng trong
nhận diện ảnh X-quang, CT như nốt u, vùng chấn thường, viêm nhiễm,... Với
ảnh Chụp cộng hưởng từ MRI (Magnetic Resonance Imaging), CNN được
dùng để phân loại các ảnh MRI của não, gan hoặc các bộ phận khác trong cơ
thể. Ngoài ra, CNN còn có thể được ứng dụng để dự đoán kết quả của các thủ
thuật phẫu thuật hoặc đánh giá mức độ tiến triển của bệnh nhân.
Một trong những bài toán phổ biến ứng dụng CNN đó là phát hiện
COVID-19 từ ảnh CT, X-quang. Ví dụ như Polsinelli et al. (2020) đề xuất
một mạng CNN nhẹ dựa trên SqueezeNet để phát hiện COVID-19 từ ảnh CT
ngực. Bộ dữ liệu được sử dụng là tập dữ liệu của Yang et al. (2020) bao gồm
360 ảnh CT của các đối tượng bị viêm phổi và 397 ảnh CT của các loại bệnh
khác hoặc đối tượng khỏe mạnh. Và bên cạnh đó Polsinelli et al. (2020) còn
sử dụng bộ dữ liệu Italian của Caetano et al. (2020) gồm 100 ảnh CT của bệnh
nhân COVID-19. Các tập dữ liệu được tăng cường bằng các phép biến đổi
như phép quay (góc ngẫu nhiên từ 0-90 độ), thang đo (giá trị ngẫu nhiên từ
1.1 đến 1.3) và thêm nhiễu gaussian vào hình ảnh ban đầu.
Bên cạnh đó, nhiều công trình nghiên cứu khác ứng dụng học sâu trong
phân loại bệnh viêm phổi, có thể kể đến như Stephen et al. (2019), Verma and
Prakash (2020).

❖ Recurrent neural networks (RNN)
Mạng nơ-ron hồi quy, hay còn gọi là RNN kết nối giữa các đơn vị tạo
thành một chu trình có hướng. Không giống như mạng nơ-ron có hướng, đầu
vào và đầu ra của RNN không độc lập mà có liên quan đến nhau. Ngoài ra,
RNN chia sẻ tham số chung ở mọi lớp, chúng ta có thể huấn luyện mạng nơ-
ron hồi quy giống như mạng nơ-ron truyền thống bằng phương pháp lan
truyền ngược. Ở đây, việc tính toán gradient không chỉ phụ thuộc vào bước

321