NÂNG CAO HIỆU QUẢ PHÂN LỚP ẢNH X-QUANG VỚI MÔ HÌNH HỌC KẾT HỢP BỎ PHIẾU MỀM CÓ TRỌNG SỐ ĐƯỢC TỐI ƯU HÓA BẰNG TÌM KIẾM LƯỚI

Phạm Thanh An và CS. 14 (a) (b) (c) (d) Hình 2. Hình ảnh từ tập ChestXray-ImageDataset: (a) COVID-19, (b) Lung-Opacity, (c) Normal, (d) Viral Pneumonia Bảng 4. Phân chia tập COVID-19 thành tập huấn luyện, tập xác thực và tập kiểm thử Lớp Số mẫu Tập Train Tập Val Tập Test COVID-19 1.281 1.024 128 129 Normal 3.271 2.616 327 328 Bacterial Pneumonia 3.001 2.400 300 301 Viral Pneumonia 1.656 1.324 166 166 Tổng 9.208 (a) (b) (c) (d) Hình 3. Hình ảnh từ tập COVID-19 (a) COVID-19, (b) Normal, (c) Bacterial Pneumonia, (d) Viral Pneumonia 4.2 Phương pháp tăng cường dữ liệu Để gia tăng khả năng tổng quát hóa của mô hình và hạn chế hiện tượng quá khớp (overfitting), trong quá trình huấn luyện các mô hình, chúng tôi triển khai chiến lược tăng cường dữ liệu động (Online Data Augmentation) thông qua thư viện torchvision.transforms của nền tảng PyTorch. Thay vì thực hiện tăng cường dữ liệu theo phương pháp tạo và lưu trữ các biến thể của các mẫu dữ liệu trên bộ nhớ ngoài, các kỹ thuật biến đổi hình học và cường độ sáng: bao gồm cắt ngẫu nhiên (Random Resized Crop), lật ngang (Horizontal Flip) và điều chỉnh màu sắc (Color Jitter) được thực thi trực tiếp trong quá trình nạp batch dữ liệu. Phương pháp tiếp cận này đảm bảo rằng tại mỗi kỷ nguyên (epoch) trong quá trình huấn luyện, mô hình được tiếp cận với các biến thể dữ liệu khác biệt về mặt cấu trúc không gian nhưng vẫn bảo toàn đặc trưng ngữ nghĩa. Phương pháp tiếp cận này không chỉ giúp giảm thiểu đáng kể chi phí lưu trữ vật lý mà còn tối ưu hóa hiệu suất tính toán thông qua cơ chế nạp dữ liệu

đa luồng, giúp duy trì sự cân bằng giữa tốc độ xử lý của CPU và khả năng huấn luyện của GPU. 4.3 Tham số huấn luyện mô hình. Các mô hình cơ sở ResNet-50, DenseNet- 201, Swin-T được sử dụng từ thư viện