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. 10 Giai đoạn 1: Tập dữ liệu huấn luyện (tập Train) và tập xác thực (tập Val) được sử dụng để thực hiện huấn luyện tinh chỉnh (fine-tuning) nhằm tạo ra các mô hình cơ sở tối ưu. Mô hình có độ chính xác cao nhất trên tập xác thực trong quá trình fine-tuning được lưu lại để đánh giá và thực hiện việc tìm kiếm lưới các bộ trọng số tối ưu. Giai đoạn 2: Sử dụng ba mô hình tối ưu đã tìm ra ở giai đoạn 1, áp dụng các mô hình này vào tập dữ liệu xác thực để trích xuất xác suất dự đoán của tất cả các mẫu trong tập xác thực. Từ các xác suất dự đoán của ba mô hình và nhãn của tập xác thực, sử dụng thuật toán tìm kiếm lưới để tìm bộ trọng số kết hợp tối ưu của ba mô hình. Giai đoạn 3: Sử dụng ba mô hình tối ưu đã tìm, tính xác suất dự đoán trên tập dữ liệu đánh giá độc lập (tập Test) của ba mô hình cơ sở, áp dụng bộ trọng số tối ưu đã tìm ra ở giai đoạn 2, tính xác suất dự đoán cuối cùng của mô hình kết hợp trên tập Test, để xác định nhãn dự đoán cho từng mẫu. 3.2 Thuật toán tìm kiếm lưới trọng số tối ưu và suy luận tối ưu Giả sử tập xác thực (tập Val) có N mẫu và bài toán phân loại gồm C lớp bệnh lý. Sau khi thực hiện quá trình suy luận bằng ba mô hình cơ sở độc lập trên tập Val, ta thu được các bộ tham số đầu vào sau: P1, P2, P3  RN×C: Là 3 ma trận xác suất đầu ra (đã qua hàm Softmax) của ba mô hình ResNet- 50, DenseNet-201 và Swin-T. Mỗi hàng trong ma trận biểu diễn phân phối xác suất dự đoán cho một mẫu. Thuật toán 1: Tìm bộ trọng số tối ưu (Grid Search) Input: YVal RN: Là vector chứa N nhãn thực tế (Ground Truth) của tập Val.

P1, P2, P3  RN×C Là ba ma trận xác suất dự đoán từ ba mô hình w: Là bước nhảy tìm kiếm trong không gian lưới F: Hàm mục tiêu để tìm giá trị tối ưu (F1-Score) Output: w*= [w1, w2, w3] là véc tơ trọng số tối ưu Smax: Giá trị max hàm mục tiêu trên tập Val 1. Initialization: 2. Smax  0 3. w* = [1/3, 1/3, 1/3] 4. Grid Traversal 5. for w1 = 0 to 1 step ∆w do 6. for w2 = 0 to (1 − w1) step ∆w do 7. w3  1 – (w1 + w2) 8. if w3 < 0 then 9. continue 10. end if 11. Pens = w1×P1 + w2×P2 + w3×P3 12. Ŷval = argmax(Pens) 13. Scurrent = F(YVal, Ŷval) 14. if (Scurrent > Smax)