1. Lý thuyết

Khám phá và tìm hiểu về hai khái niệm quan trọng là Q-Learning[1] và Deep Q-Learning[2], cùng với ứng dụng của chúng vào quá trình tự động hoá cho trò chơi.

2. Thực hành

Phương pháp thực hành: Sử dụng file hộp sọ CT có định dạng .off sau đó tiến hành dưa về dạng đám mây điểm(point cloud) để tính thể tích, tâm của hộp sọ, từ đó sẽ sử dụng 1 số mạng neural hồi tiếp như RNN, LSTM, BiLSTM,… để tiến hành training dữ liệu trên từng hộp sọ sau đó kết quả thu về sẽ là dự đoán ra khả năng hồi phục dựa và dự đoán thể tích hộp sọ(giả sử trước đó chưa biết) và cuối cùng có thể hội tụ kết quả về file CT(.off)

Chủ đề thực hành sẽ xoay quanh bài báo “A Deep Learning Approach for Predicting Subject-Specific Human Skull Shape from Head Toward a Decision Support System for Home-Based Facial Rehabilitation” [3] (Tạm dịch: Phương pháp tiếp cận học sâu để dự đoán hình dạng sọ người theo chủ đề cụ thể từ đầu hướng tới hệ thống hỗ trợ quyết định cho phục hồi chức năng mặt tại nhà)

Bài báo này trình bày về một phương pháp học sâu để dự đoán hình dạng hộp sọ con người theo từng đối tượng cụ thể từ phía đầu, nhằm xây dựng một hệ thống hỗ trợ cho phục hồi khuôn mặt tại nhà.

Tập trung vào việc phát triển một công cụ dự đoán hình dạng hộp sọ của từng cá nhân dựa trên dữ liệu từ phía đầu của họ. Công nghệ học sâu được sử dụng, đặc biệt là mạng neural tích chập (CNN), để huấn luyện mô hình dự đoán hình dạng hộp sọ từ dữ liệu đầu vào, bao gồm cả hình ảnh và thông tin hình học của đầu người.

Mô hình dự đoán hình dạng hộp sọ này có tiềm năng để phục vụ trong hệ thống hỗ trợ quyết định cho y học. Đây là một lĩnh vực quan trọng trong lâm sàng, đặc biệt là trong việc phục hồi chức năng khuôn mặt sau khi bệnh nhân gặp chấn thương hoặc phẫu thuật. Công cụ dự đoán hình dạng hộp sọ dựa trên học sâu có thể giúp đưa ra đánh giá chính xác hơn về hình dạng hộp sọ của từng cá nhân, từ đó hỗ trợ quyết định về phương pháp phục hồi khuôn mặt phù hợp nhất cho từng trường hợp, giúp nâng cao hiệu quả của quá trình phục hồi.

References

[1] Andrade, G., Ramalho, G., Santana, H., & Corruble, V. (2005, July). Automatic computer game balancing: a reinforcement learning approach. In Proceedings of the fourth international joint conference on Autonomous agents and multiagent systems (pp. 1111-1112).

[2] Ji, Z., & Xiao, W. (2020). Improving decision-making efficiency of image game based on deep Q-learning. Soft Computing, 24(11), 8313-8322.

[3] Nguyen, H. Q., Nguyen, T. N., Tran, V. D., & Dao, T. T. (2023). A Deep Learning Approach for Predicting Subject-specific Human Skull Shape from Head toward a Decision Support System for Home-based Facial Rehabilitation. IRBM, 44(1), 100724.