Bệnh bạch cầu nguyên bào cấp tính (ALL) là một trong 4 bệnh ung thư tế bào bạch cầu; bệnh này phổ biên ở cả trẻ em và người lớn trên toàn thế giới. Từ đó vấn đề chẩn đoán bệnh ung thư tế bào bạch cầu bằng các công cụ tin học đã thu hút nhiều chú ý của nhà nghiên cứu trong và ngoài nước những năm gần đây. Tuy nhiên, việc phát triển một công cụ phát hiện ung thư bạch cầu cho đến nay vẫn còn nhiều thách thức do một số tính chất đặc thù của bài toán. Đặc biệt vấn đề bí mật dữ liệu cá nhân trong lĩnh vực y tế dẫn đến sự khan hiếm dữ liệu huấn luyện; sự tương đồng về mặt hình thái giữa tế bào ung thư với các tế bào bình thường; đồng thời với sự mất cân bằng dữ liệu giữa các lớp càng làm tăng thêm sự phức tạp của bài toán. Bài báo này đưa ra giải pháp thực nghiệm sử dụng các mô hình về mạng neuron tích chập (CNN) và các hàm mất mát (loss function) có sẵn sử dụng tập dữ liệu C-NMC2019 của cuộc thi ISBI2019. Tập dữ liệu này bao gồm ảnh các của tế bào ung thư và của tế bào khỏe mạnh. Nghiên cứu này đề xuất một hàm mất mát đặt tên là Focal Hinge Loss (FHL) được cải tiến từ hai hàm mất mát Focal Loss và Hinge Loss, từ đó kết hợp hai mô hình CNN là DenseNet201, EfficientNetB2 để giải quyết vấn đề đặt ra. Kết quả thử nghiệm nhận được rất hiệu quả với Fl Score là 91.94%; đồng thời được xếp top 5 trên bảng xếp hạng của cuộc thi ISBI2019.
Leukaemia ALL is a common worldwide childhood and adult leukaemia. Along with the strong development of machine learning, especially deep learning with the popularity of CNN network in building applications on computers to assist doctors in diagnosing leukaemia cancer has attracted much attention of researchers in recent years. However, the development of a detection tool for leukaemia is still challenging so far due to the specific properties of the problem, such as the problem of data security in the medical field, leading to a lack of in the absence of training data, the morphological similarity between cancer and normal cells and the data imbalance between classes adds to the complexity of the problem. This study conducted experiments using CNN models and available loss functions running on data set C-NMC2019 of the ISBI2019 competition included images of cancer cells and healthy cells. Then, we propose a loss function named Focal Hinge loss modified from Focal loss and Hinge loss. We combine two models DenseNet201, EfficientNetB2 with the loss function proposed on data set C-NMC2019. Our proposed method has shown a good effect with results achieved on final test with Fl score is 91.94% and reaching the top 5 position on the competition rankings.
- Đăng nhập để gửi ý kiến