19. ỨNG DỤNG HỌC MÁY TRONG PHÁT HIỆN GÃY XƯƠNG HÀM QUA CT SCANNER: ĐÁNH GIÁ HIỆU SUẤT MÔ HÌNH VỚI CÁC THÔNG SỐ KHÁC NHAU
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Ứng dụng học máy trong phát hiện gãy xương hàm trên ảnh CT scanner.
Đối tượng và phương pháp: Nghiên cứu hồi cứu trên 1341 hình ảnh CT.
Kết quả: Trong 746 ảnh có tổn thương gãy xương hàm, kết quả nhận dạng đúng chiếm tỷ lệ 91,8% ở mức tham số 50:16:0,001 và giảm dần xuống 82,4% khi tăng tham số lên mức 150:64:0,003. Trong 1341 ảnh hỗn hợp có gãy xương hàm và không có gãy xương, tỷ lệ nhận dạng đúng ảnh có gãy xương hàm chiếm 87,3% ở mức tham số 50:16:0,001 và giảm dần xuống 78,7% khi tăng tham số lên mức 150:64:0,003. Từ đó cho thấy có mối tương quan giữa việc điều chỉnh các nhóm thông số Epochs, Batch size và Learning rate để đạt được hiệu suất tốt nhất giúp cải thiện đáng kể độ chính xác và khả năng dự đoán tổng quát hóa trên dữ liệu, đồng thời tránh được tình trạng quá tải (overfitting).
Chi tiết bài viết
Từ khóa
Trí tuệ nhân tạo, học máy, gãy xương hàm
Tài liệu tham khảo
[2] Trần Văn Trường, Trương Mạnh Dũng, Tình hình chấn thương hàm mặt tại Viện Răng Hàm Mặt Hà Nội trong 11 năm (1988-1998), Tạp chí Y học Việt Nam, 1999, 10, tr. 71-80.
[3] Kalmet P.H et al, Deep learning in fracture detection: a narrative review. Acta orthopaedica, 2020, 91 (2), p. 215-220.
[4] Chamunyonga C et al, The impact of artificial intelligence and Teachable Machine in radiation therapy: considerations for future curriculum enhancement, Journal of Medical Imaging and Radiation Sciences, 2020, 51 (2): p. 214-220.
[5] Gulshan V et al, Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs, Jama, 2016, 316 (22), p. 2402-2410.
[6] Olczak J et al, Artificial intelligence for analyzing orthopedic trauma radiographs: deep learning algorithms-are they on par with humans for diagnosing fractures? Acta orthopaedica, 2017, 88 (6), p. 581-586.
[7] Szegedy C et al, Rethinking the Inception Architecture for Computer Vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, June 2016, DOI:10.1109/CVPR.2016.308.
[8] Warin K et al, Assessment of deep convolutional neural network models for mandibular fracture detection in panoramic radiographs, International Journal of Oral and Maxillofacial Surgery, 2022, 51 (11), p. 1488-1494.
[9] Li X et al, Tooth-marked tongue recognition using multiple instance learning and CNN features, IEEE transactions on cybernetics, 2018, 49 (2) p. 380-387.