CHÚC MỪNG NHÓM SINH VIÊN, HỌC VIÊN CAO HỌC NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN ĐĂNG TẠI TẠP CHÍ KHOA HỌC QUỐC TẾ ECTI-CIT (Q3)
ECTI Transactions on Computer and Information Technology (ECTI-CIT) là tạp chí khoa học quốc tế được thành lập từ năm 2005, xuất bản bởi Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology Association – ECTI Association, Thái Lan. Tạp chí có mã ISSN trực tuyến 2286-9131 và sử dụng tiếng Anh làm ngôn ngữ xuất bản.
Tạp chí công bố các nghiên cứu lý thuyết và ứng dụng trong lĩnh vực Khoa học máy tính và Công nghệ thông tin, bao gồm trí tuệ nhân tạo, học máy, nhận dạng mẫu, tin sinh học và tin học y tế, thị giác máy tính, xử lý ảnh, khoa học dữ liệu, Internet vạn vật, mạng máy tính và hệ thống phần mềm. Tất cả bài báo đều trải qua quá trình sơ duyệt và phản biện kín hai chiều.
Từ năm 2022, ECTI-CIT xuất bản 4 số mỗi năm. Bài báo của nhóm đã được chấp nhận đăng trong kế hoạch xuất bản Volume 20, Issue 4, năm 2026.
Đơn vị xuất bản: ECTI Association, Thái Lan.
Thời gian xuất bản dự kiến: Volume 20, Issue 4, năm 2026.
Thông tin tạp chí: https://ph01.tci-thaijo.org/index.php/ecticit
Tên bài báo: “Multimodal Deep Learning for Eye Disease Recognition from Fundus and OCT Images with Synthetic OCT Generation”
Sinh viên và học viên thực hiện:
- Nguyễn Thị Thanh Thúy (MSSV: 22521457) – Lớp HTTT2022.2
- Hoàng Xuân Thủy (MSSV: 22521456) – Lớp HTTT2022.2
- Nguyễn Minh Nhựt – Học viên Cao học ngành Hệ thống Thông tin, Khóa 2022
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân
Abstract: Multimodal learning that integrates Color Fundus Photography (CFP) and Optical Coherence Tomography (OCT) can enhance retinal disease recognition by combining surface appearance with depth-resolved structural cues. However, the limited availability of synchronized 2D–3D CFP–OCT datasets hinders the deployment of multimodal AI in real-world screening settings where OCT devices are often unavailable. This study investigates whether synthetic 3D OCT volumes can serve as a practical auxiliary modality to support multimodal classification in fundus-only scenarios. We synthesize 3D OCT from fundus images using three generative paradigms—a 3D GAN (DCGAN/WGAN-GP style), a 3D VAE–GAN, and a fundus-conditioned latent diffusion model (3D-DDPM with classifier-free guidance)—and integrate the generated volumes into an EyeMoST-based uncertainty-aware fusion framework. We evaluate the pipeline on RFMiD and ODIR-5K across multiple backbone configurations. Empirically, diffusion-generated OCT yields the most stable fusion performance, while synthetic OCT does not consistently outperform strong fundus-only models due to domain gap and imperfect biomarker preservation.
