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

Tạp chí Khoa học Đại học Huế: Kỹ thuật và Công nghệ Tập 135, Số 2A, 5–20, 2026 pISSN 2588-1175 eISSN 2615-9732 DOI: 10.26459/hueunijtt.v135i2A.8390 19 sâu kích thước lớn (ResNet-50, DenseNet-201, Swin-T), thời gian suy luận vẫn ở mức phù hợp với yêu cầu của các ứng dụng thực tế. Trên hệ thống thử nghiệm phần cứng NVIDIA RTX 4090, tổng thời gian suy luận tuần tự trung bình chỉ mất 2,65 mili giây cho mỗi bức ảnh X-quang, tương đương thông lượng 376,75 FPS. Trong phần thực nghiệm, bước lưới được lựa chọn là 0,05. Kết quả thực nghiệm trên 2 tập dữ liệu cho thấy phương pháp đề xuất cải thiện hiệu quả phân lớp so với các mô hình và các phương pháp kết hợp truyền thống. Tuy nhiên bộ trọng số này cố định cho toàn bộ các mẫu dữ liệu trong tập kiểm thử, đây là một hạn chế của phương pháp đề xuất. Phương pháp tiếp cận theo trọng số thích ứng phụ thuộc đặc trưng mẫu dữ liệu đầu vào hoặc các phương pháp hỗn hợp chuyên gia (MoE) cần phải được đánh giá trong những nghiên cứu sắp tới. Việc lựa chọn, khảo sát giá trị bước nhảy trong không gian tìm kiếm ảnh hưởng đến kết quả mô hình, vì vậy cần các phương pháp tối ưu hóa để lựa chọn bước lưới. Đây là những hướng phát triển trong những nghiên cứu tiếp theo nhằm tối ưu bước nhảy, thiết kế bộ trọng số thích ứng. Ngoài ra, kết quả phương pháp đề xuất chưa được kiểm chứng trên những tập dữ liệu ngoài khác, cũng như thực hiện xác thực chéo và so sánh toàn diện với nhiều phương pháp kết hợp hiện đại khác gần đây. Những hạn chế trên mở ra những hướng nghiên cứu sắp tới để đánh giá một cách trọn vẹn hơn về những cải tiến được đề xuất.

Tài liệu tham khảo 1. Yang Y, Lv H, Chen N. A survey on ensemble learning under the era of deep learning. Artificial Intelligence Review. 2023;56(6):5545-89. 2. Rincy TN, Gupta R, editors. Ensemble Learning Techniques and its Efficiency in Machine Learning: A Survey. 2nd International Conference on Data, Engineering and Applications (IDEA); 2020 28-29 Feb. 2020. 3. Tulyakov S, Jaeger S, Govindaraju V, Doermann D. Review of Classifier Combination Methods. In: Marinai S, Fujisawa H, editors. Machine Learning in Document Analysis and Recognition. Berlin, Heidelberg: Springer Berlin Heidelberg; 2008. p. 361-86. 4. Fumera G, Roli F. A theoretical and experimental analysis of linear combiners for multiple classifier systems. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2005;27(6):942-56. 5. Kittler J, Hatef M, Duin RP, Matas J. On combining classifiers. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002;20(3):226-39. 6. LeCun Y, Bengio Y, Hinton G. Deep learning. nature communications. 2015;521(7553):436-44. 7. Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Proceedings of the 26th International Conference on Neural Information Processing Systems - Volume 1; Lake Tahoe, Nevada: Curran Associates Inc.; 2012. p. 1097-105. 8. Cai L, Gao J, Zhao D. A review of the application of deep learning in medical image classification and segmentation. Annals of translational medicine. 2020;8(11):713. 9. Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X, Unterthiner T, et al. An

image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. 2020. 10. Dietterich TG, editor Ensemble methods in machine learning. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics); 2000. Berlin: Springer Verlag. 11. Torrey L, Shavlik J. Transfer learning. Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques: IGI Global; 2009. p. 242-64. 12. He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society. 2016:770-778. 13. Huang G, Liu Z, Van Der Maaten L, Weinberger KQ, editors. Densely connected convolutional networks. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017; 2017: Institute of Electrical and Electronics Engineers Inc.