ImgAE-Dx - Image Autoencoder Diagnosis Anomaly Research là một dự án tập trung vào phát hiện bất thường không giám sát trong hình ảnh X-quang y tế. Mục tiêu là thực hiện một nghiên cứu so sánh chuyên sâu giữa kiến trúc U-Net tiêu chuẩn và một kiến trúc Reversed Autoencoder (RA) mới. Dự án nhằm đánh giá hiệu quả trong việc xác định các bất thường trên ảnh X-quang, sử dụng bộ dữ liệu NIH Chest X-ray (hoặc các datasets khác).

• Phát hiện bất thường không giám sát: Huấn luyện mô hình chỉ trên dữ liệu "bình thường" để xác định các sai lệch.
• Nghiên cứu so sánh: Đánh giá hiệu suất của U-Net và Reversed Autoencoder.
• Phân tích định lượng: Sử dụng lỗi tái tạo và các chỉ số như AUC-ROC để đánh giá hiệu suất.

Dự án dựa trên nguyên lý của Autoencoder trong phát hiện bất thường:

1. Mô hình được huấn luyện chỉ trên hình ảnh X-quang ngực "bình thường".
2. Học cách tái tạo lại các hình ảnh bình thường một cách chính xác.
3. Khi một hình ảnh bất thường được đưa vào, mô hình sẽ gặp khó khăn trong việc tái tạo chính xác phần bất thường đó, dẫn đến lỗi tái tạo cao tại vị trí bất thường.
4. Bản đồ lỗi tái tạo được sử dụng để định vị và đánh giá mức độ bất thường.

Tài liệu dự án được tổ chức trong thư mục docs/:

• Quick Start Guide - Hướng dẫn nhanh để bắt đầu
• Training Guide - Chi tiết cách train U-Net và Reversed AE

• Architecture Overview - Kiến trúc tổng thể
• Model Architecture - Chi tiết models

• Research Journey - Quá trình nghiên cứu
• Ideas & Concepts - Background và lý thuyết
• Development Progress - Tiến độ phát triển

📖 Xem tất cả documentation