nhận dạng tế bào máu khóa luận tốt nghiệp khoa công nghệ thông tin

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (15.21 MB, 61 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b>KHÓA LUẬN TỐT NGHIỆP </b>

<b>NHẬN DẠNG TẾ BÀO MÁU </b>

Giảng viên hướng dẫn: PGS.TS HUỲNH TRUNG HIẾU Sinh viên thực hiện: VÕ VƯƠNG THÀNH ĐẠT

MSSV: 17048081 Lớp: DHKHMT13A Khóa: 2017 – 2021

Tp. Hồ Chí Minh, tháng 6 năm 2021

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

<small> TRƯỜNG ĐH CÔNG NGHIỆP TP. HCM </small>

<b><small> KHOA CÔNG NGHỆ THÔNG TIN --- // --- </small></b>

<small>CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM </small>

<b>NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP </b>

Họ và tên sinh viên: Võ Vương Thành Đạt MSSV: 17048081

Chuyên ngành: Khóa học máy tính Lớp: DHKHMT13A

1. Tên đề tài khóa luận/đồ án: nhận dạng và phân tích tế bào máu 2. Nhiệm vụ:

 Phân đoạn bạch cầu từ ảnh phết máu trên kính hiển vi.  Phân loại bạch cầu sau khi phân đoạn.

<i>3. Ngày giao khóa luận tốt nghiệp: 17/6/2021 </i>

4. Ngày hồn thành khóa luận tốt nghiệp: (đợt 1, ngày 31/5/2021) 5. Họ tên giảng viên hướng dẫn: Huỳnh Trung Hiếu

<i>Tp. Hồ Chí Minh, ngày 01 tháng 6 năm 2021 </i>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zho

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

thiết để em có thể hoàn thành báo cáo.

Xin gửi lời cảm ơn đến bạn bè những người luôn bên em đã động viên và tạo điều kiện thuận lợi cho em, tận tình giúp đỡ chỉ bảo em, những gì em cịn thiếu sót trong q trình làm báo cáo tốt nghiệp.

Cuối cùng em xin bày tỏ lòng biết ơn sâu sắc tới những người thân trong gia đình đã dành cho em sự quan tâm đặc biệt và luôn động viên em.

Vì thời gian có hạn, trình độ hiểu biết của bản thân còn nhiều hạn chế. Cho nên trong đồ án khơng tránh khỏi những thiếu sót, em rất mong nhận được sự đóng góp ý kiến của tất cả các thầy cô cũng như các bạn bè để đồ án của em được hoàn thiện hơn.

Em xin chân thành cảm ơn!

<i>Tp. Hồ Chí Minh, ngày 01 tháng 6 năm 2021 <b>Sinh viên thực hiện </b></i>

(Ghi họ và tên)

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

<b>NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN </b>

<b>Phần đánh giá: (thang điểm 10) </b>

Thái độ thực hiện: Nội dung thực hiện: Kỹ năng trình bày: Tổng hợp kết quả:

Điểm bằng số: ... Điểm bằng chữ: ...

Tp. Hồ Chí Minh, ngày 01 tháng 6 năm 2021

<b>Trưởng bộ môn Giảng viên hướng dẫn </b>

<b>Chuyên ngành </b> (Ký ghi rõ họ tên)

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

2.4 Phân đoạn bạch cầu ... 7

2.4.1 Chuyển phần tử H sang ảnh nhị phân ... 7

2.4.2 Xóa đối tượng nhiễu ... 7

2.4.3 Tách những bạch cầu dính nhau bằng watershed ... 8

2.5 Phân loại bạch cầu ... 10

2.5.1 Kiến trúc cơ bản của CNN... 10

CHƯƠNG 3: KẾT QUẢ VÀ THỰC NGHIỆM ... 27

3.1 Kết quả giai đoạn phân đoạn... 27

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

3.2 Kết quả giai đoạn phân lớp ... 28

3.2.1 Kết quả mơ hình AlexNet ... 29

3.2.2 Kết quả mơ hình VGG16 ... 33

3.2.3 Kết quả mơ hình GoogLeNet ... 36

3.2.4 Kết quả mơ hình ResNet50 ... 40

3.2.5 So sánh độ chính xác trung bình và thời gian huấn luyện giữa các mơ hình CNN 433.3 Kết quả hiện thực bằng web ... 43

KẾT LUẬN VÀ KIẾN NGHỊ ... 46

4.1 Kết luận ... 46

4.2 Kiến nghị ... 46

4.2.1 Hạn chế ... 46

4.2.2 Hướng nghiên cứu tương lai ... 46

TÀI LIỆU THAM KHẢO ... 47

123docz.net - File bi loi xin lienhe:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

<b>Bảng 3.4: confusion matrix trên dữ liệu LISC của AlexNet ... 32</b>

<b>Bảng 3.5: đánh giá AlexNet trên dữ liệu LISC qua precision, recall, f1-score... 32</b>

<b>Bảng 3.6: confusion matrix trên dữ liệu PBC của VGG16 ... 35</b>

<b>Bảng 3.7: đánh giá VGG16 trên dữ liệu PBC qua precision, recall, f1-score ... 35</b>

<b>Bảng 3.8: confusion matrix trên dữ liệu LISC của VGG16 ... 35</b>

<b>Bảng 3.9: đánh giá VGG16 trên dữ liệu LISC qua precision, recall, f1-score ... 36</b>

<b>Bảng 3.10: confusion matrix trên dữ liệu PBC của GoogLeNet ... 38</b>

<b>Bảng 3.11: đánh giá GoogLeNet trên dữ liệu PBC qua precision, recall, f1-score... 38</b>

<b>Bảng 3.12: confusion matrix trên dữ liệu LISC của GoogLeNet ... 39</b>

<b>Bảng 3.13: đánh giá GoogLeNet trên dữ liệu LISC qua precision, recall, f1-score ... 39</b>

<b>Bảng 3.14: confusion matrix trên dữ liệu PBC của ResNet50 ... 42</b>

<b>Bảng 3.15: đánh giá ResNet50 trên dữ liệu PBC qua precision, recall, f1-score... 42</b>

<b>Bảng 3.16: confusion matrix trên dữ liệu LISC của ResNet50 ... 42</b>

<b>Bảng 3.17: đánh giá ResNet50 trên dữ liệu LISC qua precision, recall, f1-score ... 43</b>

<b>Bảng 3.18: so sánh độ chính xác và thời gian huấn luyện giữa các mơ hình... 43</b>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<b>Hình 2.5: chuyển ảnh H sang nhị phân ... 7</b>

<b>Hình 2.6: xóa đối tượng nhiễu khỏi ảnh nhị phân ... 8</b>

<b>Hình 2.7: phép hoặc giữa ảnh nhị phân và kernel ... 9</b>

<b>Hình 2.8: tách bạch cầu dính nhau bằng watershed ... 9</b>

<b>Hình 2.9: xóa đối tượng có diện tích bé hơn hoặc bằng 300 ... 9</b>

<b>Hình 2.11: một số mẫu bạch cầu trong tập dữ liệu PBC dataset normal DIB ... 12</b>

<b>Hình 2.12: phân đoạn bạch cầu basophil, eosinophil, lymphocyte ... 14</b>

<b>Hình 2.13: phân đoạn bạch cầu monocyte ... 16</b>

<b>Hình 2.14: phân đoạn bạch cầu neutrophil ... 18</b>

<b>Hình 2.16: mơ hình AlexNet ... 20</b>

<b>Hình 2.18: cấu trúc khối inception của GoogLeNet ... 22</b>

<b>Hình 2.19: cấu trúc mạng lưới bổ sung của GoogLeNet ... 23</b>

<b>Hình 2.20: mơ hình GoogLeNet ... 25</b>

<b>Hình 2.21: cấu trúc skip connection ... 25</b>

<b>Hình 2.22: dạng identity của skip connection ... 25</b>

<b>Hình 2.23: dạng convolutional của skip connection... 25</b>

<b>Hình 2.24: mơ hình ResNet50 ... 26</b>

<b>Hình 3.2: biểu đồ độ chính xác trên dữ liệu huấn luyện của AlexNet ... 29</b>

<b>Hình 3.3: biểu đồ mất mát trên dữ liệu huấn luyện của AlexNet... 30</b>

<b>Hình 3.4: biểu đồ độ chính xác trên dữ liệu kiểm thử của AlexNet ... 30</b>

<b>Hình 3.5: biểu đồ mất mát trên dữ liệu kiểm thử của Alexnet ... 31</b>

<b>Hình 3.6: biểu đồ độ chính xác trên dữ liệu huấn luyện VGG16 ... 33</b>

<b>Hình 3.7: biểu đồ mất mát trên dữ liệu huấn luyện VGG16 ... 33</b>

<b>Hình 3.8: biểu đồ độ chính xác trên dữ liệu kiểm thử VGG16 ... 34</b>

<b>Hình 3.10: biểu đồ độ chính xác trên dữ liệu huấn luyện GoogLeNet ... 36</b>

<b>Hình 3.11: biểu đồ mất mát trên dữ liệu huấn luyện GoogLeNet ... 37</b>

<b>Hình 3.12: biểu đồ độ chính xác trên dữ liệu kiểm thử GoogLeNet ... 37</b>

<b>Hình 3.13: biểu đồ mất mát trên dữ liệu kiểm thử GoogLeNet ... 38</b>

<b>Hình 3.14: biểu đồ độ chính xác trên dữ liệu huấn luyện ResNet50 ... 40</b>

<b>Hình 3.15: biểu đồ mất mát trên dữ liệu huấn luyện ResNet50 ... 40</b>

<b>Hình 3.16: biểu đồ độ chính xác trên dữ liệu kiểm thử ResNet50 ... 41</b>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

<b>LỜI NĨI ĐẦU </b>

Nhận dạng và phân tích tế bào máu đóng vai trị hết sức quan trọng trong việc chẩn đoán và điều trị bệnh. Tuy nhiên, các giải pháp truyền thống vẫn còn tồn tại nhiều hạn chế, bao gồm việc đòi hỏi kinh nghiệm nhân viên y tế, thời gian xử lý, chi phí. Với sự phát triển của trí tuệ nhân tạo hiện nay, việc ứng dụng các mơ hình máy học kết hợp với các kỹ thuật xử lý ảnh trong phân tích ảnh đã mang lại những kết quả vượt trội trong nhiều ứng dụng khác nhau. Do đó bài tốn nhận dạng và phân tích tế bào máu đã được thực hiện theo cách tiếp cận mới này. Trong quá trình xử lý, ta sẽ thực hiện trên tập dữ liệu gồm những ảnh phết máu trên kính hiển vi. Bước đầu tiên các ảnh phết máu sẽ được cắt thành những ảnh vuông nhỏ theo vùng chứa các tế bào bạch cầu bằng các phương pháp xử lý ảnh, kế tiếp các ảnh bạch cầu sau khi được tách ra sẽ được dùng làm đầu vào cho các mơ hình phân loại. Từ đó, ta có thể đánh giá độ chính xác cũng như độ tối ưu của từng mơ hình khác nhau và lựa chọn ra mơ hình tốt nhất.

Bạn có thể tham khảo chương trình ở đường dẫn sau:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

eosinophils, basophils và neutrophils. Bạch cầu được chia thành hai nhóm: đa nhân (neutrophils, eosinophils, basophil) và đơn nhân (monocytes, tế bào lympho) [1]. Số lượng bạch cầu thừa hoặc thiếu có thể gây ra nhiều bệnh khác nhau [2, 3]. Chẩn đoán các bệnh này được thực hiện bằng cách xét nghiệm máu. Các xét nghiệm máu này cũng được thực hiện để theo dõi kết quả của q trình hóa trị và xạ trị. Khi số lượng WBC ít hơn giá trị tham chiếu, nó được gọi là giảm bạch cầu. Neutrophils tăng trong máu trong các trường hợp do nguyên nhân nội tiết tố, rối loạn chuyển hóa, tan máu và chảy máu. Ngồi ra vi khuẩn, nấm, ngoại độc tố và nội độc tố cũng gây ra sự gia tăng neutrophils [4, 5]. Các bệnh như bordetella ho gà, viêm gan, virus, brucella, bệnh bạch cầu làm tăng tế bào lympho trong máu trong khi các bệnh như HIV, brucella, poliovirus, thủy đậu, lao làm giảm số lượng tế bào lympho. Bệnh Listeriosis và bệnh sốt rét cũng như các bệnh nhiễm trùng do vi khuẩn và vi rút là một số bệnh làm tăng số lượng bạch cầu đơn nhân [6]. Các bệnh dị ứng, bệnh dị ứng và ký sinh trùng là những yếu tố làm tăng giá trị eosinophils [7, 8]. Các bệnh tăng sinh tủy ác tính, thiếu máu tán huyết, suy giáp, hội chứng thận hư, viêm nhiễm có liên quan đến basophil [9]. Các phân tích trên cho thấy việc nhận dạng các loại tế bào bạch cầu và số lượng của nó là vơ cùng quan trọng trong hỗ trợ chẩn đoán và điều trị bệnh. Phần lớn việc nhận dạng được thực hiện một cách thủ công dựa trên ảnh xét nghiệm. Xét nghiệm truyền thống dựa trên ảnh phết tế bào ngoại vi, là một xét nghiệm huyết đồ dựa trên việc nhuộm máu sau khi phết lên lam kính hiển vi rồi đánh giá tế bào máu dưới kính hiển vi. Do số lượng tế bào máu trên ảnh phết rất lớn và đa dạng; phát hiện tế bào, nhuộm và chiếu sáng là vấn đề khó khăn. Chồng chéo hoặc loại trừ của một số phần của hình ảnh làm mất rất nhiều thời gian và ảnh hưởng đến độ chính xác của xét nghiệm. Ngồi ra kết quả xét nghiệm còn phụ thuộc rất lớn vào kỹ năng của một nhà phân tích [10, 11]. Do đó, một quy trình tự động phân loại các tế bào máu khác nhau từ một hình ảnh phết tế bào sẽ tạo điều kiện thuận lợi rất nhiều cho tồn bộ q trình phân tích.

<b>1.2 Các nghiên cứu liên quan </b>

Với sự phát triển của kỹ thuật học máy, các ứng dụng phân tích dữ liệu y sinh phát triển rất mạnh mẽ và mang lại các kết quả đáng khích lệ. Đặc biệt, các phương pháp học sâu đang được áp dụng trong các ứng dụng y tế khác nhau như phát hiện và xác định vị trí bất thường trong X-quang ngực [12], tự động phân đoạn tâm thất trái trong ảnh MR tim [13] và phát hiện bệnh võng mạc tiểu đường trong ảnh chụp võng mạc [14]. Ngồi ra cịn rất nhiều nghiên cứu cùng chủ đề của bài báo này như nghiên cứu của Hedge và cộng sự được thực hiện vào năm 2018, đã đề xuất một thuật toán để phân loại dựa trên tính năng phát hiện hạt nhân của WBC [15]. Tác giả đã thử các biến thể ánh sáng để phát hiện nucleus và phương pháp Tissue Quant để tìm các biến thể màu sắc. Các đặc trưng hình dạng và kết cấu của nucleus đã được sử dụng cho bộ phân lớp, nó là sự kết hợp dựa trên SVM và mạng nơ-ron. Phương pháp này đã cho độ chính xác 100% trong việc phát hiện các loại bạch cầu như

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

lymphocyte và basophil. Trong nghiên cứu của Neelam và cộng sự vào năm 2003, đã đề xuất một phương pháp phân loại bạch cầu bằng cách sử dụng K-Means Clustering và sau đó là thuật tốn tối đa hóa kỳ vọng. Neural Network (NN) và Support Vector Machine (SVM) để phân loại [16]. Với phương pháp này, họ đã đạt được 80% thành công trong việc phát hiện WBC. Nisha và cộng sự đã phân loại hình ảnh WBC trong không gian HSV bằng cách sử dụng thành phần S trong nghiên cứu của họ vào năm 2012 [17]. Họ đạt được khoảng 94% thành công trong việc phát hiện WBC. Arslan và cộng sự, trong nghiên cứu của họ vào năm 2014, đã đề xuất một phương pháp dựa trên thuật toán biến đổi lưu vực trong ảnh phết máu ngoại vi và ảnh tủy xương [18], kết quả của việc phân đoạn bạch cầu đạt độ chính xác 94%. Nghiên cứu của Hiremath và cộng sự được thực hiện vào năm 2010, nhận biết và phân loại monocytes, tế bào lympho, neutrophils với phương pháp phân đoạn dựa trên màu sắc và các đặc điểm hình học [19]. Các tế bào monophils được phát hiện (12 hình ảnh), tế bào lympho (34 hình ảnh), neutrophils (29 hình ảnh) với tỷ lệ chính xác lần lượt là 98%, 92%, 95%. G. G. Phân loại basophil - non basophil và phân loại 4 tế bào được tiến hành. Họ đạt được tỷ lệ thành công 98% - 99% đối với tập hợp ô dữ liệu bị hạn chế (1 hình ảnh eosinophils, hình ảnh 33 tế bào lympho, 8 hình ảnh monophils, 63 hình ảnh neutrophils, 6 hình ảnh basophil). Sawsan và cộng sự đã phân loại 5 loại tế bào bao gồm 70 hình ảnh với độ chính xác 91% bằng cách sử dụng lọc trung vị trong các hình ảnh mức xám và ngưỡng phân loại entropy biểu đồ trong nghiên cứu của họ vào năm 2000 [20]. Trong nghiên cứu của Nazlıbilek và cộng sự vào năm 2014 đã phát hiện ra hộp giới hạn, diện tích tính bằng pixel, độ dài trục chính và độ dài trục nhỏ trong ảnh màu xám [21]. Việc phân loại các loại WBC đạt 95% thành công trong nghiên cứu của họ với mạng nơ-ron và phân tích thành phần chính (PCA). Rezatofighi và cộng sự đã đề xuất một phương pháp dựa trên thuật toán Rắn và sự trực giao Gram-Schmidt để tách nhân tế bào và tế bào chất trong nghiên cứu của mình vào năm 2011 [22]. Nhóm nghiên cứu đã xác định các đặc điểm có được từ lõi và tế bào chất bằng chọn lọc chuyển tiếp tuần tự. Sau đó phân loại WBCs bằng mạng thần kinh nhân tạo (ANN) và máy vectơ hỗ trợ (SVM). Các ô được phân loại với độ chính xác trung bình là 96%. Trong nghiên cứu của Mathur và cộng sự vào năm 2013 [23], Họ phân chia lõi và tế bào chất theo dòng trên cùng. Phân loại hình ảnh theo số lượng thùy lõi trong không gian màu HSV được thực hiện. Nghiên cứu đạt hiệu suất trung bình là 92%. Der-Chen và cộng sự đã nghiên cứu lõi WBC bằng phương pháp Herbaceous trong vào năm 2013 [24]. Đặc điểm cốt lõi được suy ra bằng hình và ma trận đồng xuất hiện. Dùng PCA giảm bớt các thuộc tính và phân loại theo phương pháp phân cụm k-mean dựa trên các thuật toán di truyền.

Có nhiều nghiên cứu trong tài liệu đã phân loại hình ảnh WBC. Hầu hết các nghiên cứu này tập trung vào phân đoạn và phân loại hình ảnh. Mạng thần kinh tích chập khơng giống như các kỹ thuật xử lý ảnh truyền thống, khơng cần phải xem tồn bộ đối tượng để phân loại đối tượng. Do đó, mạng thần kinh tích chập cho thấy hiệu suất cao hơn trong việc nhận ra các ơ chồng chéo hoặc các ơ nằm ở rìa của hình ảnh.

Trong đề tài này, khu vực của 5 loại tế bào bạch cầu được phát hiện dựa trên các kỹ thuật xử lý ảnh và phân loại bằng mạng thần kinh tích chập, trên tập dữ liệu PBC dataset normal DIB gồm có 10298 hình ảnh trong đó có 1218 ảnh basophil, 3117 ảnh eosinophil, 1214 ảnh lymphocyte, 1420 ảnh monocyte, 3329 ảnh neutrophil. Các khái niệm, cách hiện thực và kết quả chương trình sẽ được trình bày ở các chương sau.

<small>ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zho612413068:34:58 PM8:34:58 PM612413068:34:58 PM8:34:58 PM612413068:34:58 PM8:34:58 PM</small>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

cầu với nền thì ta lựa chọn phần tử H trong HSV làm kết quả của bước tiền xử lý. Trong giai đoạn phân đoạn gồm bốn bước, chuyển ảnh xám sang ảnh nhị phân với ngưỡng là 83 [25], xóa nhiễu với diện tích đối tượng (Area) lớn hơn 300 và độ liên kết lớn hơn 0.37 (Solidity), áp dụng thuật toán watershed để phân tách các bạch cầu bị dính với nhau và bước cuối cùng là xóa các đối tượng có diện tích bé hơn hoặc bằng 300. Đối với giai đoạn phân loại, dữ liệu huấn luyện sẽ được tiền xử lý để tách bạch cầu ra khỏi ảnh nền cho tương thích với ảnh bạch cầu đã được tách ra ở giai đoạn phân đoạn, sau đó sẽ được huấn luyện trên các mơ hình học sâu CNN (Convolutional Neural Network) khác nhau như AlexNet, VGG16, ResNet50, GoogLeNet và đánh giá chúng để chọn ra mơ hình dự đốn tốt nhất, chi tiết các giai đoạn được thể hiện như Hình 2.1.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

Dữ liệu được sử dụng trong q trình tiền xử lý, phân đoạn và dự đốn bạch cầu là bộ dữ liệu từ một bệnh viện lớn ở TP.HCM, được thể hiện như Hình 2.2.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

Trong giai đoạn này, ở bước đầu tiên hình ảnh đầu vào được thay đổi kích thước thành 800x800 để đưa hình ảnh về cùng một kích thước cho các giai đoạn xử lý sau.

Ở bước thứ hai, hình ảnh được chuyển từ không gian màu BGR (mặc định khi đọc ảnh bằng opencv) sang HSV (Hue, Saturation, Value) được thể hiện như Hình 2.3.

<b>Hình 2.3: chuyển ảnh từ BGR sang HSV </b>

Sau khi chuyển ảnh sang không gian màu HSV ta quan sát từng phần từ H, S, V và nhận thấy ở phần tử H có độ tương phản giữa bạch cầu và nền tốt nhất. Vậy nên ta chọn phần

<b>tử H làm ảnh cho quá trình xử lý sau. </b>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

Trong giai đoạn này ta sẽ tiến hành các bước để phân đoạn bạch cầu ra khỏi nền cũng như các tế bào hồng cầu khác.

<b>2.4.1 Chuyển phần tử H sang ảnh nhị phân </b>

Ở bước đầu tiên, ta sẽ tiến hành chuyển ảnh H (Hue) là kết quả của giai đoạn tiền xử lý sang ảnh nhị phân với ngưỡng là 83, ngưỡng này đã được tìm ra bởi hàng loạt thử nghiệm và đúc kết khác nhau [25]. Kết quả được thể hiện như Hình 2.5.

<b>Hình 2.5: chuyển ảnh H sang nhị phân 2.4.2 Xóa đối tượng nhiễu </b>

Như chúng ta có thể thấy ảnh nhị phân ở Hình 2.5 có rất nhiều nhiễu bao quanh các bạch cầu nên ta cần phải có bước thứ hai trong giai đoạn này để loại bỏ chúng. Ở bước này chúng ta sẽ loại bỏ các đối tượng có diện tích (Area) > 300 và độ liên kết (Solidity) > 0.37 [25].

Trong đó:

Diện tích: được tính bằng tổng số lượng pixel của đối tượng đó.

Độ liên kết: được tính bằng diện tích đường viền của đối tượng/diện tích lồi của đối tượng (diện tích đối tượng không bao gồm đường viền).

Kết quả được thể hiện ở Hình 2.6.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

<b>Hình 2.6: xóa đối tượng nhiễu khỏi ảnh nhị phân 2.4.3 Tách những bạch cầu dính nhau bằng watershed </b>

Sau khi xóa nhiễu ta sẽ thấy được rõ ràng các bạch cầu trong ảnh hơn, tuy nhiên sẽ có trường hợp các bạch cầu nằm gần dẫn đến chúng bị dính với nhau. Cho nên bước thứ ba sẽ là bước mà chúng ta phân tách chúng ra thành những bạch cầu đơn lẻ.

Ở bước thứ ba ta sẽ dùng thuật toán watershed và distance transform để tách những bạch cầu bị dính với nhau ra thành những bạch cầu riêng lẻ.

Watershed: là thuật toán dùng để tách đối tượng khỏi background. Thuật tốn có đầu vào là ảnh xám và một ảnh gọi là ảnh maker. Ảnh maker là ảnh mà bạn cho watershed biết đâu là đối tượng foreground và background, ảnh maker là ảnh nhị phân có kích thước tương tự như ảnh xám [26]. Ở đây chúng ta xác định foreground bằng cách sử dụng distance transform và xác định background bằng thuật toán giãn nở đối tượng (Dilate).

Thuật toán watershed cho phép người dùng đánh dấu những vùng hình ảnh chứa đối tượng, background và những vùng khơng chắc chắn. Sau khi thuật tốn kết thúc những vùng không xác định sẽ được gán nhãn foreground hoặc background, các đường ranh giới giữa các vùng cũng sẽ được phát hiện [27].

Watershed line: là đường phân thủy được giải thích như là đập để ngăn chặn sự hòa nhập lượng nước của các lưu vực chứa nước khác nhau, trong một bức ảnh thì nó được xem như đường phân cách các khu vực ảnh được nhóm vào thành một nhóm trước đó.

Catchment basins: là các lưu vực chứa nước, áp dụng vào trong một bức ảnh thì nó được coi như là một vùng các pixel được nhóm lại thành một vùng nhất định có cùng một số thuộc tính nào đó (mức xám, độ sáng, v.v) [28].

Distance transform: sử dụng đầu vào là một ảnh nhị phân, với mỗi pixel được thay thế bằng khoảng cách của nó tới pixel background gần nhất [26]. Có ba cách thường dùng để tính khoảng cách là: công thức Euclidean (2.1), công thức City block (2.2) và cơng thức Chessboard (2.3) được tính tốn bởi cơng thức như sau [29]:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

Phép giãn nở (Dilation): thường được áp dụng cho ảnh nhị phân, nhằm tăng kích thước của đối tượng trong ảnh lên hoặc liên kết các đối tượng nằm cạnh nhau. Phương pháp được thực hiện bằng cách thực hiện phép toán hoặc (or) giữa ảnh đầu vào nhị phân với một kernel, được minh họa như Hình 2.7.

<b>Hình 2.7: phép hoặc giữa ảnh nhị phân và kernel </b>

Sau khi áp dụng distance transform để tính foreground, dilation để tính background, ta kết hợp cả hai được ảnh maker và áp dụng vào thuật tốn watershed ta được kết quả như Hình 2.8:

<b>Hình 2.8: tách bạch cầu dính nhau bằng watershed </b>

Sau khi thực hiện watershed các bạch cầu đã được phân tách ra với nhau. Tuy nhiên, có những bạch cầu bị phân tách quá mức nên dẫn đến tạo ra nhiều đối tượng dư thừa trong ảnh nên ở bước cuối cùng trong giai đoạn này là tiếp tục xóa đi những đối tượng có diện tích bé hơn hoặc bằng 300, được thể hiện ở Hình 2.9.

<b>Hình 2.9: xóa đối tượng có diện tích bé hơn hoặc bằng 300 </b>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

GPU để tăng tốc quá trình huấn luyện để đạt được giải nhất cuộc thi computer vision thường niên của ImageNet với độ lỗi phân lớp top 5 giảm hơn 10% so với những mơ hình truyền thống trước đó, đã tạo nên làn sóng mạnh mẽ sử dụng CNN với sự hỗ trợ của GPU để giải quyết càng nhiều các vấn đề trong computer vision. Do đó, CNN đã được áp dụng vào giai đoạn này nhằm giải quyết bài toán với độ chính xác cao đồng thời áp dụng được những công nghệ về học sâu hiện nay vào thực tế.

Có hai phần chính trong kiến trúc CNN:

Một là phần phân tích và nhận dạng các đặc điểm khác nhau của một ảnh trong quá trình xử lý được gọi là trích xuất đặc trưng (Feature Extraction).

Hai là lớp được kết nối đầy đủ sử dụng đầu ra của q trình tích chập và dự đốn hình ảnh dựa trên các đặc trưng được trích xuất ở giai đoạn trước được gọi là phân loại (Classification) [35].

Kiến trúc CNN được cấu thành từ ba layer đó là convolutional layer, pooling layer và fully connected layer (FC). Các layer này được xếp chồng lên nhau thành một kiến trúc CNN. Ngoài ba layer này cịn có hai tham số quan trọng đó là dropout và hàm kích hoạt (activation function) được định nghĩa bên dưới [35].

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

<b>2.5.1.1 Convolutional layer </b>

Đây là layer đầu tiên dùng để trích xuất các đặc trưng khác nhau của ảnh đầu vào, Ở layer này, thực hiện phép tốn tích chập giữa ảnh đầu vào với một bộ lọc có kích thước MxM, bằng cách trượt bộ lọc dọc theo ảnh đầu vào.

Đầu ra được gọi là feature map, cung cấp cho chúng ta thông tin của ảnh như góc và cạnh. Feature map này sẽ được đưa đến các layer khác để học thêm nhiều đặc trưng khác của ảnh đầu vào [35].

<b>2.5.1.2 Pooling layer </b>

Hầu hết các trường hợp, theo sau một convolutional layer là một pooling layer. Mục đích chính của layer này là giảm kích thước của feature map để giảm chi phí tính tốn. Điều này được thực hiện bằng cách giảm kết nối giữa các layer. Ta có một số loại pooling layer thường dùng như: max-pooling sẽ lấy phần tử lớn nhất trong bộ lọc kích thước MxM trên feature map, average pooling sẽ lấy trung bình các phần tử trong bộ lọc kích thước MxM trên feature map, sum pooling là tính tổng các phần tử trong bộ lọc kích thước MxM trên feature map. Pooling layer thường là đóng vai trị là cầu nối với fully connected layer (FC) [35].

<b>2.5.1.3 Fully connected layer </b>

Layer này bao gồm các weight và bias cùng với các nơron và được sử dụng để kết nối các nơron ở 2 layer khác nhau. Các layer này thường được đặt trước các layer đầu ra và tạo thành một số layer cuối cùng của kiến trúc CNN.

Trong đó, hình ảnh đầu vào từ các lớp trước đó được làm phẳng (flatten) và đưa vào fully connected layer (FC). Sau đó vector được làm phẳng trải qua một vài lớp FC nữa. Trong giai đoạn này quá trình phân loại bắt đầu diễn ra [35].

<b>2.5.1.4 Dropout layer </b>

Thông thường, khi các đặc trưng kết nối với fully connected layer, điều này dẫn đến overfitting trên dữ liệu huấn luyện. Overfitting xảy ra khi mơ hình hoạt động tốt trên dữ liệu huấn luyện tuy nhiên hoạt động tệ trên dữ liệu mới.

Để khắc phục vấn đề này là sử dụng dropout layer, bằng cách loại bỏ một số nơron khỏi q trình huấn luyện, điều này cịn làm giảm kích thước của mơ hình. Nếu ta cho loại bỏ 0.3, có nghĩa là 30% số nơron sẽ được loại bỏ ngẫu nhiên khỏi mạng lưới nơron [35].

<b>2.5.1.5 Activation functions </b>

Cuối cùng, một tham số quan trọng nhất trong mơ hình CNN đó là activation function. Một cách đơn giản, có thể hiểu activation function được thêm vào mơ hình giúp cho chúng có thể học được những dữ liệu phức tạp. Activation function nằm ở cuối và quyết định xem những gì sẽ được kích hoạt đến nơron tiếp theo. Nó nhận đầu ra từ ơ trước đó và chuyển đổi về một số dạng có thể được lấy làm đầu vào cho ơ tiếp theo, nó thêm tính phi tuyến tính vào mạng [36]. Có một số activation function thơng dụng như ReLU, Softmax, Tanh và Sigmoid, mỗi function đều có một cơng dụng cụ thể.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

<b>Hình 2.11: một số mẫu bạch cầu trong tập dữ liệu PBC dataset normal DIB </b>

Do các ảnh bạch cầu được cắt ra ở giai đoạn phân đoạn bạch cầu chỉ cắt đúng vị trí của bạch cầu và không chứa ảnh nền. Nên với dữ liệu này cần phải có một bước tiền xử lý để phân đoạn tế bào bạch cầu ra khỏi ảnh nền. Vì các loại bạch cầu có màu sắc, hình dáng, kích thước khác nhau nên ta sẽ có các cách phân đoạn bạch cầu khác nhau cho mỗi loại như sau:

Đối với 3 loại bạch cầu basophil, eosinophil, lymphocyte ta có cách phân đoạn với các bước là:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

Bước 1: chuyển ảnh từ không gian màu BGR sang không gian màu HSV, sau khi so sánh độ tương phản của các phần tử H, S và V ta thấy phần tử S có độ tương phản giữa bạch cầu và ảnh nền tốt nhất nên ta chọn phần tử H làm ảnh đầu vào cho bước tiếp theo.

Bước 2: chuyển ảnh xám từ Bước 1 sang ảnh nhị phân với ngưỡng là 83. Bước 3: xóa các đối tượng nhiễu với diện tích (Area) < 3500 pixel.

Bước 4: giãn nở đối tượng với bộ lọc có kích thước là 11x11 để lấp đầy những khoảng trống trong bạch cầu.

Bước 5: co đối tượng về với kích thước ban đầu để khớp với bạch cầu với bộ lọc có kích thước 11x11.

Bước 6: cắt bạch cầu với ảnh mặt nạ đã có ở bước 5. Tất cả các bước trên được thể hiện qua Hình 2.12.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

<b>Hình 2.12: phân đoạn bạch cầu basophil, eosinophil, lymphocyte </b>

Đối với bạch cầu monocyte ta có cách phân đoạn với các bước là:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

Bước 1: chuyển ảnh từ không gian màu BGR sang không gian màu CMYK, sau khi so sánh độ tương phản của các phần tử C, M, Y và K ta thấy phần tử Y có độ tương phản giữa bạch cầu và ảnh nền tốt nhất nên ta chọn phần tử Y làm ảnh đầu vào cho bước tiếp theo.

Bước 2: tìm ngưỡng cho ảnh xám Y ở Bước 1 bằng phương pháp otsu.

Bước 3: nếu ngưỡng bé hơn 10 ta lấy phần tử C ở Bước 1 tiếp tục tìm ngưỡng bằng phương pháp otsu. Ngược lại ta chuyển ảnh xám sang ảnh nhị phân với ngưỡng và phần tử tương ứng.

Bước 4: xóa những đối tượng nhiễu với diện tích (Area) < 3500 pixel.

Bước 5: giãn nở đối tượng với bộ lọc có kích thước là 11x11 để lấp đầy những khoảng trống trong bạch cầu.

Bước 6: co đối tượng về với kích thước ban đầu để khớp với bạch cầu với bộ lọc có kích thước 11x11.

Bước 7: cắt bạch cầu với ảnh mặt nạ đã có ở bước 6. Tất cả các bước trên được thể hiện qua Hình 2.13.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

<b>Hình 2.13: phân đoạn bạch cầu monocyte </b>

Đối với bạch cầu neutrophil ta có cách phân đoạn với các bước là:

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

Bước 1: chuyển ảnh từ không gian màu BGR sang không gian màu LAB, sau khi so sánh độ tương phản của các phần tử L, A và B ta thấy phần tử B có độ tương phản giữa bạch cầu và ảnh nền tốt nhất nên ta chọn phần tử B làm ảnh đầu vào cho bước tiếp theo.

Bước 2: tìm ngưỡng cho ảnh xám B ở Bước 1 bằng phương pháp otsu và chuyển ảnh sang nhị phân với ngưỡng vừa tìm được.

Bước 3: đảo ngược ảnh ở Bước 2.

Bước 4: giãn nở đối tượng với bộ lọc có kích thước là 7x7 để lấp đầy những khoảng trống trong bạch cầu.

Bước 5: co đối tượng về với kích thước ban đầu để khớp với bạch cầu với bộ lọc có kích thước 5x5.

Bước 6: xóa những đối tượng nhiễu với diện tích (Area) < 3500 pixel. Bước 7: cắt bạch cầu với ảnh mặt nạ đã có ở bước 6.

Tất cả các bước trên được thể hiện qua Hình 2.14.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

<b>Hình 2.14: phân đoạn bạch cầu neutrophil </b>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

Sau khi thực hiện các bước phân đoạn bạch cầu ở trên ta có được bộ dữ liệu được thể hiện như Hình 2.15.

Ở đây các mơ hình CNN phổ biến được sử dụng như AlexNet, VGG16, ResNet50, GoogLeNet và chọn ra mơ hình tối ưu nhất về thời gian huấn luyện cũng như độ chính xác thu được. Tất cả những kiến trúc bên dưới đều được hiện thực bằng keras và huấn luyện với hàm mất mát là categorical cross entropy, hàm tối ưu là gradient descent và các thông số giống nhau là: batch size bằng 16, learning rate bằng 0.0001 epoch bằng 100. Được huấn luyện bằng google colab với RAM là 12.72GB, ổ đĩa 68.4GB và miễn phí GPU Tesla K80 GPU.

<b>2.5.3.1 Mơ hình AlexNet </b>

Mơ hình này đã tham gia cuộc thi ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC 2012) được gọi với tên phổ biến là AlexNet theo tên của tác giả

<b>đầu tiên là Alex Krizhevsky. Đầu vào của AlexNet là 1 ảnh RGB với kích thước 224x224x3, </b>

tuy nhiên đó là 1 lỗi và cần thay thế bằng kích thước là 227x227x3 cho cả tập dữ liệu huấn luyện và kiểm thử. Nếu đầu vào là ảnh xám thì cần phải chuyển lại thành ảnh RGB [31].

Mạng AlexNet có khoảng 56 triệu tham số và 650.000 neurons bao gồm 5 lớp convolutional, 1 trong số đó được theo sau bởi lớp max-pooling, và 3 lớp fully-connected, cuối cùng là 1 hàm softmax cho ra xác suất của ảnh thuộc về 5 lớp (basophil, eosinophil, lymphocyte, monocyte, neutrophil) của của dữ liệu. Để giảm overfitting của các tác giả đã <small>ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zho</small>

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

<b>Hình 2.16: </b><small>mơ hình AlexNet</small>

Mơ hình này tham gia trong cuộc thi ImageNet Large Scale Visual Recognition Challenge 2014 (ILSVRC 2014) với tác giả đầu tiên là Karen Simonyan, nó được cải thiện hơn kiến trúc AlexNet bằng cách thay thế các bộ lọc có kích thước từ 11 và 5 ở những lớp tích chập (Convolutional Layers) đầu tiên và thứ hai sang các bộ lọc có kích thước 3x3. Đầu vào của VGG16 là một ảnh RGB với kích thước 224x224x3 cho cả tập dữ liệu huấn luyện và kiểm thử. Nếu đầu vào là ảnh xám thì cần phải chuyển lại thành ảnh RGB [32].

Mạng VGG16 có khoảng 134 triệu tham số bao gồm 13 lớp tích chập (Convolutional Layers), 5 lớp max-pooling và 3 lớp fully-connected, cuối cùng là một hàm softmax cho ra xác suất của ảnh thuộc về 5 lớp (basophil, eosinophil, lymphocyte, monocyte, neutrophil) của của dữ liệu. Vì lớp có thể điều chỉnh tham số là 16 (13 lớp convolutional, 3 lớp fully-connected) nên đó cũng là lý do mà kiến trúc này được đặt tên là VGG16 [32]. Cấu trúc mạng được thể hiện thông qua Hình 2.17.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

<b>Hình 2.17: mơ hình VGG16 2.5.3.3 Mơ hình GoogLeNet </b>

Kiến trúc này tham gia trong cuộc thi ImageNet Large Scale Visual Recognition Challenge 2014(ILSVRC 2014) với tác giả đầu tiên là Christian Szegedy. Đầu vào của GoogLeNet là một ảnh RGB với kích thước 224x224x3 cho cả tập dữ liệu huấn luyện và kiểm thử. Nếu đầu vào là ảnh xám thì cần phải chuyển lại thành ảnh RGB.

Kiến trúc GoogLeNet có khoảng bảy triệu tham số ít hơn 19 lần so với VGG16 tuy nhiên lại có chiều sâu và chiều rộng lớn hơn, bao gồm:

Chín khối inception: mỗi khối inception gồm bốn path cùng xử lý song song. Path đầu tiên: sử dụng lớp 1x1 convolutional. Path thứ hai và ba: sử dụng lớp 1x1 convolutional và theo sau đó lần lượt là lớp 3x3 và 5x5 convolutional. 1x1 convolutional giúp giảm số lượng filter channels nhằm giảm độ phức tạp của mơ hình. Path thứ bốn: sử dụng lớp max-pooling để giảm độ phân giải của ảnh đầu vào và theo sau nó là 1x1 convolutional để giảm kích thước ảnh. Bốn path trên sẽ thêm padding cho phù hợp để kích thước ảnh đầu vào và đầu ra giống nhau. Đầu ra của khối inception sẽ nối bốn path lại với nhau bằng concatenate [33]. Cấu trúc khối inception được thể hiện ở Hình 2.18.

61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM61Thursday, June 13, 20248:34:58 PM8:34:58 PM

61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM61Thursday, June 13, 20248:34:59 PM8:34:59 PM

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

</div>

nhận dạng tế bào máu khóa luận tốt nghiệp khoa công nghệ thông tin

<b>KHÓA LUẬN TỐT NGHIỆP </b>

<b>NHẬN DẠNG TẾ BÀO MÁU </b>

Giảng viên hướng dẫn: PGS.TS HUỲNH TRUNG HIẾU Sinh viên thực hiện: VÕ VƯƠNG THÀNH ĐẠT

MSSV: 17048081 Lớp: DHKHMT13A Khóa: 2017 – 2021

Tp. Hồ Chí Minh, tháng 6 năm 2021

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

<b>NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP </b>

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

<b>NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN </b>

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

<b>LỜI NĨI ĐẦU </b>

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

61ahh huohg euc dieu kieh xu ly truoe deh do mai moh va do euhg be mat go eco xu bieh tihh bahg hcho zhoThursday, June 13, 2024

Tài liệu liên quan

Tài liệu bạn tìm kiếm đã sẵn sàng tải về