Bài báo khoa học Tập 66 Số CĐ4-NCKH 15/04/2025

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

Trần Tuấn Anh1,2, Nguyễn Thế Huy1,2, Nguyễn Thị Hoài Nhi1,2, Trần Văn Đáng3,4, Trần Hoàng Anh5,6, Bùi Duy Phúc7,8
1 Becamex International Hospital
2 Bệnh viện Quốc tế Becamex
3 Medic Binh Duong General Hospital
4 Bệnh viện Đa khoa Medic Bình Dương
5 Binh Duong General Hospital
6 Bệnh viện Đa khoa tỉnh Bình Dương
7 Binh Duong province Center for Disease Control
8 Trung tâm Kiểm soát bệnh tật tình Bình Dương
Tác giả liên hệ: Tstrantuananh@gmail.com
DOI: 10.52163/yhc.v66iCD4.2337
25 Lượt xem
18 Lượt tải xuống
Từ khóa
Trí tuệ nhân tạo học máy gãy xương hàm
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).

Tài liệu tham khảo
[1]
Abosadegh M.M et al, Epidemiology of maxillofacial fractures at a teaching hospital in Malaysia: a retrospective study, BioMed research international, 2019. Google Scholar
[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. Google Scholar
[3]
Kalmet P.H et al, Deep learning in fracture detection: a narrative review. Acta orthopaedica, 2020, 91 (2), p. 215-220. Google Scholar
[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. Google Scholar
[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. Google Scholar
[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. Google Scholar
[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. Google Scholar
[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. Google Scholar
[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. Google Scholar