Mô hình AI EfficientNet-B4 + CBAM

1. Tổng quan Mô hình AI

Mô hình EfficientNetB4_CBAM phục vụ chẩn đoán tự động tổn thương võng mạc ở bệnh nhân tiểu đường dựa trên ảnh chụp đáy mắt (Fundus Camera).

2. Kiến trúc Chi tiết (Model Architecture)

Mạng kết hợp sức mạnh trích xuất đặc trưng đa tỷ lệ của EfficientNet-B4 và khả năng định vị tổn thương vi mô của CBAM Module:

3. Quy trình Tiền xử lý Ảnh (Preprocessing Pipeline)

Thực thi qua 5 bước nghiêm ngặt trong preprocessing.py giúp nâng cao chất lượng chẩn đoán:

4. Quy trình Xử lý & Tạo ra File JSON

Khi ứng dụng Frontend gửi ảnh qua REST API POST /api/predict, máy chủ tiến hành các bước xử lý tạo JSON như sau:

5. Cấu trúc File JSON Output (JSON Specification)

Dưới đây là ví dụ cấu trúc dữ liệu JSON phản hồi chuẩn HTTP 200 OK khi chẩn đoán thành công một ảnh đáy mắt:

{
  "class_id": 0,
  "class_name": "No DR",
  "confidence": 0.9945334196090698,
  "probabilities": {
    "No DR": 0.9945334196090698,
    "Mild": 0.0008030196186155081,
    "Moderate": 0.0019999665673822165,
    "Severe": 0.0011487160809338093,
    "Proliferative DR": 0.0015149053651839495
  }
}

Mô tả Giải thích Trường Dữ liệu (Field Dictionary)

6. Danh mục Lời khuyên Y tế Lâm sàng (ICDR Standard)

Mô hình AI tự động quy đổi kết quả sang khuyến nghị y tế lâm sàng theo tiêu chuẩn 5 mức độ ICDR:

7. Hướng dẫn Tích hợp REST API

REST API được khởi chạy với FastAPI tại cổng 8000. Dưới đây là các ví dụ mã nguồn kết nối tích hợp:

Mã nguồn Python Gọi API

import requests

url = "http://localhost:8000/api/predict"
file_path = "fundus_sample.jpg"

with open(file_path, "rb") as f:
    files = {"file": (file_path, f, "image/jpeg")}
    response = requests.post(url, files=files)

data = response.json()
print("Nhãn chẩn đoán:", data["prediction"]["class_name"])
print("Độ tin cậy:", data["prediction"]["confidence"], "%")
print("Mức khẩn cấp:", data["clinical_guidance"]["urgency"])

Mã nguồn JavaScript Frontend (Fetch API)

async function sendImageToAI(fileInput) {
  const formData = new FormData();
  formData.append("file", fileInput.files[0]);

  const res = await fetch("http://localhost:8000/api/predict", {
    method: "POST",
    body: formData
  });

  const json = await res.json();
  
  // Update UI Elements
  document.getElementById("result-title").innerText = json.clinical_guidance.title;
  document.getElementById("result-title").style.color = json.clinical_guidance.badge_color;
  document.getElementById("preview-img").src = json.preprocessed_image_base64;
}

8. Đóng gói & Triển khai (Deployment)

Khởi chạy hệ thống trong môi trường Docker Container production:

# Build Docker Image
docker build -t dr-efficientnet-api .

# Run Container
docker run -d -p 8000:8000 --name dr_ai_service dr-efficientnet-api