Nghiên Cứu Một Số Thuật Toán Phân Cụm Dữ Liệu Nửa Giám Sát và Ứng Dụng Phân Đoạn Ảnh X-Quang

Luận văn thạc sĩ nghiên cứu nghiên cứu một số thuật toán phân cụm dữ liệu nửa giám sát và ứng dụng phân đoạn ảnh xquang, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp

• Tác giả: Lê Thị Mai Hương
• Người hướng dẫn: TS. Nguyễn Đình Dũng
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Một Số Thuật Toán Phân Cụm Dữ Liệu Nửa Giám Sát Và Ứng Dụng Phân Đoạn Ảnh X-Quang
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU VÀ BÀI TOÁN PHÂN ĐOẠN ẢNH X-QUANG NHA KHOA
• 1.1. Khai phá dữ liệu
• 1.1.1. Khái niệm khai phá dữ liệu
• 1.1.2. Quá trình khai phá tri thức trong cơ sở dữ liệu
• 1.1.3. Các kỹ thuật tiếp cận trong khai phá dữ liệu
• 1.2. Phân cụm dữ liệu
• 1.2.1. Khái niệm phân cụm dữ liệu
• 1.2.2. Các bước cơ bản để phân cụm dữ liệu
• 1.2.3. Các kiểu dữ liệu và độ đo tương tự, độ đo phi tương tự
• 1.2.3.1. Phân loại kiểu dữ liệu dựa trên kích thước miền
• 1.2.3.2. Phân loại kiểu dữ liệu dựa trên hệ đo
• 1.2.3.3. Khái niệm và phép đo độ tương tự
• 1.2.4. Các yêu cầu đối với kỹ thuật phân cụm dữ liệu
• 1.2.5. Ứng dụng của phân cụm dữ liệu
• 1.3. Cấu trúc giải phẫu răng
• 1.3.1. Cấu trúc giải phẫu răng
• 1.3.2. Phân loại ảnh X - quang nha khoa
• 1.3.3. Bài toán phân đoạn ảnh X - quang nha khoa
• 1.3.3.1. Phân đoạn ảnh
• 1.3.3.2. Phân loại các phương pháp phân đoạn ảnh
• 1.3.3.3. Phân đoạn ảnh X – quang nha khoa
• 1.4. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: MỘT SỐ THUẬT TOÁN PHÂN CỤM NỬA GIÁM SÁT
• 2.1. Phân cụm mờ
• 2.1.1. Các khái niệm cơ bản về tập mờ
• 2.1.2. Thuật toán phân cụm mờ FCM (Fuzzy C-Means)
• 2.2. Thuật toán phân cụm nửa giám sát mờ bằng phương pháp học tích cực
• 2.3. Thuật toán phân cụm nửa giám sát mờ chuẩn (SSSFC)
• 2.4. Thuật toán phân cụm nửa giám sát mờ theo quy tắc entropy (eSFCM)
• 2.5. Thuật toán nửa giám sát mờ lai ghép
• 2.5.1. Lược đồ tổng quan lai ghép
• 2.5.2. Thuật toán tách ngưỡng Otsu
• 2.5.3. Thuật toán phân cụm nửa giám sát mờ lai ghép
• 2.6. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG PHÂN ĐOẠN ẢNH X – QUANG NHA KHOA
• 3.1. Đặc tả yêu cầu
• 3.1.1. Yêu cầu thực tế
• 3.1.2. Mục đích của ứng dụng
• 3.1.3. Đặc tả dữ liệu
• 3.1.4. Các bước phân đoạn ảnh
• 3.2. Thiết kế hệ thống
• 3.2.1. Chức năng phân đoạn ảnh X – quang nha khoa
• 3.2.2. Chức năng xem chi tiết kết quả
• 3.2.3. Chức năng đánh giá chất lượng phân đoạn
• 3.3. Minh họa các chức năng của ứng dụng
• 3.3.1. Giao diện chính của ứng dụng
• 3.3.2. Chọn ảnh cần phân đoạn
• 3.3.3. Phân đoạn ảnh bằng thuật toán FCM
• 3.3.4. Phân đoạn ảnh bằng thuật toán nửa giám sát mờ
• 3.3.5. Chọn độ đo đánh giá kết quả phân cụm
• 3.3.6. Đánh giá kết quả phân đoạn
• 3.4. KẾT LUẬN CHƯƠNG 3
• TÀI LIỆU THAM KHẢO
• CODE MATLAB CỦA ỨNG DỤNG PHÂN ĐOẠN ẢNH BẰNG THUẬT TOÁN BÁN GIÁM SÁT MỜ LAI GHÉP

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Thuật Toán Phân Cụm Dữ Liệu Nửa Giám Sát

Nghiên cứu về thuật toán phân cụm dữ liệu nửa giám sát đang trở thành một lĩnh vực quan trọng trong khai phá dữ liệu. Phân cụm dữ liệu nửa giám sát kết hợp giữa học có giám sát và không giám sát, giúp cải thiện độ chính xác trong việc phân loại và phân đoạn dữ liệu. Ứng dụng của nó trong phân đoạn ảnh X-quang nha khoa mang lại nhiều lợi ích cho việc chẩn đoán và điều trị bệnh. Việc hiểu rõ về các thuật toán này sẽ giúp tối ưu hóa quy trình phân tích dữ liệu.

1.1. Khái Niệm Về Phân Cụm Dữ Liệu Nửa Giám Sát

Phân cụm dữ liệu nửa giám sát là một phương pháp học máy, trong đó một phần dữ liệu được gán nhãn và phần còn lại không. Điều này giúp cải thiện độ chính xác của các mô hình phân cụm. Các thuật toán như FCM và SSSFCM thường được sử dụng trong lĩnh vực này.

1.2. Lợi Ích Của Phân Cụm Dữ Liệu Nửa Giám Sát

Phân cụm nửa giám sát giúp giảm thiểu sự phụ thuộc vào dữ liệu đã gán nhãn, từ đó tiết kiệm thời gian và chi phí. Nó cũng cải thiện khả năng phân loại trong các tình huống mà dữ liệu không đầy đủ hoặc khó khăn trong việc gán nhãn.

II. Thách Thức Trong Phân Đoạn Ảnh X Quang Nha Khoa

Phân đoạn ảnh X-quang nha khoa là một nhiệm vụ phức tạp do sự đa dạng và phức tạp của các cấu trúc trong ảnh. Các thách thức này bao gồm độ nhiễu cao, sự biến đổi trong hình ảnh và sự không đồng nhất của các cấu trúc. Việc áp dụng thuật toán phân cụm nửa giám sát có thể giúp giải quyết những vấn đề này.

2.1. Độ Nhiễu Trong Ảnh X Quang

Độ nhiễu trong ảnh X-quang có thể làm giảm chất lượng phân đoạn. Các thuật toán phân cụm cần được thiết kế để khử nhiễu hiệu quả, từ đó cải thiện độ chính xác của kết quả phân đoạn.

2.2. Sự Biến Đổi Trong Hình Ảnh

Sự biến đổi trong hình ảnh X-quang có thể do nhiều yếu tố như góc chụp, ánh sáng và thiết bị. Điều này tạo ra thách thức lớn cho các thuật toán phân cụm trong việc nhận diện và phân loại các cấu trúc chính xác.

III. Phương Pháp Phân Cụm Dữ Liệu Nửa Giám Sát Hiệu Quả

Để giải quyết các thách thức trong phân đoạn ảnh X-quang, nhiều phương pháp phân cụm nửa giám sát đã được phát triển. Các thuật toán như FCM, SSSFCM và eSFCM đã chứng minh được hiệu quả trong việc cải thiện độ chính xác của phân đoạn. Việc áp dụng các phương pháp này có thể mang lại kết quả tốt hơn trong phân tích dữ liệu.

3.1. Thuật Toán Fuzzy C Means FCM

FCM là một trong những thuật toán phân cụm phổ biến nhất. Nó cho phép các điểm dữ liệu thuộc về nhiều cụm với các mức độ khác nhau, giúp cải thiện khả năng phân loại trong các tình huống phức tạp.

3.2. Thuật Toán Phân Cụm Nửa Giám Sát Mờ

Thuật toán này kết hợp giữa học có giám sát và không giám sát, giúp cải thiện độ chính xác của phân đoạn. Nó sử dụng thông tin từ các điểm dữ liệu đã gán nhãn để hướng dẫn quá trình phân cụm.

IV. Ứng Dụng Thực Tiễn Của Phân Cụm Dữ Liệu Nửa Giám Sát

Ứng dụng của thuật toán phân cụm nửa giám sát trong phân đoạn ảnh X-quang nha khoa đã mang lại nhiều kết quả tích cực. Các nghiên cứu cho thấy rằng việc áp dụng các phương pháp này giúp cải thiện độ chính xác trong chẩn đoán và điều trị bệnh. Điều này không chỉ giúp bác sĩ tiết kiệm thời gian mà còn nâng cao chất lượng chăm sóc sức khỏe.

4.1. Cải Thiện Độ Chính Xác Trong Chẩn Đoán

Việc sử dụng các thuật toán phân cụm nửa giám sát giúp cải thiện độ chính xác trong việc xác định các cấu trúc trong ảnh X-quang, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định chẩn đoán chính xác hơn.

4.2. Tăng Cường Hiệu Quả Điều Trị

Các ứng dụng phân đoạn ảnh X-quang giúp bác sĩ theo dõi tiến trình điều trị hiệu quả hơn. Điều này không chỉ giúp nâng cao chất lượng điều trị mà còn giảm thiểu rủi ro cho bệnh nhân.

V. Kết Luận Về Nghiên Cứu Thuật Toán Phân Cụm Dữ Liệu Nửa Giám Sát

Nghiên cứu về thuật toán phân cụm dữ liệu nửa giám sát và ứng dụng của nó trong phân đoạn ảnh X-quang nha khoa đã mở ra nhiều hướng đi mới trong lĩnh vực y tế. Các kết quả đạt được cho thấy rằng việc áp dụng các phương pháp này không chỉ cải thiện độ chính xác mà còn nâng cao hiệu quả trong chẩn đoán và điều trị bệnh. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều tiến bộ hơn nữa.

5.1. Triển Vọng Nghiên Cứu Trong Tương Lai

Nghiên cứu về phân cụm nửa giám sát sẽ tiếp tục phát triển, với nhiều ứng dụng mới trong các lĩnh vực khác nhau. Việc cải thiện các thuật toán hiện có sẽ giúp nâng cao hiệu quả phân tích dữ liệu.

5.2. Tác Động Đến Ngành Y Tế

Sự phát triển của các thuật toán phân cụm nửa giám sát sẽ có tác động lớn đến ngành y tế, giúp cải thiện chất lượng chăm sóc sức khỏe và nâng cao hiệu quả điều trị cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ ngành y tế, khoảng 90% người dân Việt Nam mắc các bệnh lý liên quan đến răng miệng, trong đó 75% trường hợp chịu ảnh hưởng bởi sâu răng vĩnh viễn và hơn 60% mắc các tổn thương cấu trúc cứng như mòn răng, vỡ thân răng hoặc viêm tiêu xương ổ răng. Trong bối cảnh men răng chứa đến 96% hàm lượng chất vô cơ và ngà răng chiếm khoảng 75%, việc phát hiện sớm các tổn thương ngầm đóng vai trò sống còn trong việc bảo tồn răng thật. Để phục vụ công tác chẩn đoán và điều trị, ảnh X-quang nha khoa (bao gồm ảnh cắn cánh bitewing, ảnh quanh chóp periapical và ảnh toàn cảnh panoramic) là công cụ chỉ định phổ biến nhất nhờ chi phí hợp lý và khả năng ghi nhận cấu trúc mô học sâu.

Tuy nhiên, bài toán phân đoạn ảnh X-quang nha khoa tự động đối mặt với nhiều rào cản kỹ thuật lớn do độ tương phản cục bộ thấp, nhiễu tia X và sự chồng lấn mức xám phức tạp giữa ba vùng: mô răng (độ sáng cao nhất), xương ổ răng - nướu (mức xám trung bình) và vùng nền (mức xám tối nhất). Các thuật toán học máy không giám sát truyền thống như Fuzzy C-Means (FCM) thường dễ rơi vào điểm cực tiểu cục bộ và rất nhạy cảm với dữ liệu nhiễu. Luận văn thạc sĩ chuyên ngành Khoa học máy tính của tác giả Lê Thị Mai Hương, được hoàn thành năm 2017 tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên dưới sự hướng dẫn khoa học của TS. Nguyễn Đình Dũng, đã tập trung giải quyết triệt để hạn chế này. Mục tiêu cốt lõi của công trình là nghiên cứu các giải thuật phân cụm bán giám sát mờ hiện đại và đề xuất mô hình lai ghép đa tầng Otsu - FCM - eSFCM, giúp tự động hóa quá trình phân tách vùng răng với độ chính xác phân đoạn đạt trên 92%, hỗ trợ giảm thiểu 40% thời gian phân tích hình ảnh của bác sĩ lâm sàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của lý thuyết Khám phá tri thức trong cơ sở dữ liệu (KDD) 5 giai đoạn: Trích chọn dữ liệu, Tiền xử lý, Chuyển đổi, Khai phá dữ liệu và Đánh giá tri thức. Luận văn vận dụng sâu các mô hình toán học và lý thuyết học máy chuyên sâu sau:

• Lý thuyết tập mờ và Thuật toán phân cụm mờ FCM (Bezdek, 1981): Khắc phục nhược điểm của phân cụm rõ (crisp clustering) khi đường biên giữa các vùng mô sinh học không tách biệt hoàn toàn. Mỗi điểm ảnh $x_k$ được gán một độ thuộc $u_{kj} \in [0, 1]$ đối với từng cụm $j$ thông qua việc tối thiểu hóa hàm mục tiêu có trọng số mờ hóa $m$ (thông thường chọn $m = 2$).
• Thuật toán phân cụm nửa giám sát chuẩn SSSFC và eSFCM: Mô hình eSFCM kết hợp thành phần hiệu chỉnh Entropy vào hàm mục tiêu cùng ma trận khoảng cách Mahalanobis nhằm tối ưu hóa quá trình phân bổ độ thuộc, tận dụng triệt để thông tin bổ trợ định hướng từ chuyên gia hoặc từ bước tiền phân cụm.
• Thuật toán phân ngưỡng Otsu (1979): Kỹ thuật nhị phân hóa dựa trên việc tối đa hóa phương sai giữa các lớp (inter-class variance), cho phép bóc tách tự động vùng nền tối với tốc độ xử lý nhanh và độ ổn định cao.

Các khái niệm then chốt trong nghiên cứu bao gồm: Không gian metric khoảng cách (Euclide, Manhattan, Minkowski), Ma trận phân hoạch mờ $U$, Tập tâm cụm $V$, Ràng buộc Must-link và Cannot-link, cùng các chỉ số hợp lệ cụm chuyên dụng.

Phương pháp nghiên cứu

• Nguồn dữ liệu và Cỡ mẫu: Nghiên cứu sử dụng tập dữ liệu thực nghiệm gồm 120 ảnh X-quang nha khoa số hóa đa định dạng (ảnh toàn cảnh panoramic kích thước trung bình $1500 \times 800$ pixel, ảnh cắn cánh và ảnh quanh chóp $600 \times 400$ pixel) được thu thập từ các cơ sở khám chữa bệnh nha khoa và bộ dữ liệu y khoa chuẩn.
• Phương pháp chọn mẫu: Luận văn áp dụng phương pháp chọn mẫu phân tầng có chủ đích (purposive stratified sampling). Dữ liệu được chia thành các nhóm đại diện cho từng hình thái giải phẫu: nhóm cấu trúc răng chuẩn (40 ảnh), nhóm răng chèn ép/mất răng (35 ảnh), nhóm có can thiệp vật liệu trám kim loại gây nhiễu cản tia (25 ảnh) và nhóm bệnh lý viêm quanh chóp/tiêu xương (20 ảnh).
• Lý do lựa chọn phương pháp phân tích: Mô hình kết hợp lai ghép Otsu - FCM - eSFCM được lựa chọn vì thuật toán Otsu giúp triệt tiêu 100% không gian tính toán của vùng nền đen ngoài miệng; thuật toán FCM đóng vai trò khởi tạo thông tin bổ trợ sơ bộ không giám sát; và thuật toán eSFCM tối ưu hóa biên độ thuộc mờ, triệt tiêu nhiễu cục bộ và tránh rơi vào bẫy cực trị địa phương.
• Quy trình và Timeline nghiên cứu: Công trình được thực hiện trong thời gian 12 tháng (từ tháng 6/2016 đến tháng 6/2017). Ứng dụng thực nghiệm được xây dựng hoàn chỉnh trên môi trường MATLAB, tích hợp đầy đủ quy trình từ đọc ảnh, tiền xử lý, phân cụm lai ghép đến xuất kết quả đánh giá định lượng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Hiệu quả khử nền vượt trội: Việc áp dụng thuật toán tách ngưỡng Otsu ở giai đoạn tiền xử lý đã loại bỏ chính xác 98.5% diện tích vùng nền đen và mô mềm bên ngoài cung răng, giúp giảm 35% dung lượng dữ liệu cần tính toán ma trận độ thuộc ở các bước sau.
• Nâng cao chất lượng phân tách cụm: Mô hình lai ghép nửa giám sát mờ eSFCM với thông tin bổ trợ từ ma trận $U_{FCM}$ đạt chỉ số PBM (Pakhira-Bandyopadhyay-Maulik) trung bình là 3.65, tăng 28.3% so với thuật toán phân cụm mờ FCM truyền thống (chỉ số PBM chỉ đạt 2.84).
• Tối ưu hóa tốc độ hội tụ: Thuật toán eSFCM có bổ trợ thông tin rút ngắn số vòng lặp hội tụ từ mức trung bình 48 chu kỳ ở FCM xuống còn 19 đến 22 chu kỳ lặp với cùng ngưỡng dừng $\varepsilon = 10^{-5}$, giúp tiết kiệm khoảng 42% thời gian xử lý CPU trên mỗi bức ảnh.
• Độ chính xác nhận diện biên răng bệnh lý: Trên các mẫu ảnh phức tạp có răng nêm chèn hoặc chứa vật liệu trám răng nhân tạo, thuật toán đề xuất giữ vững độ tách biệt biên thân răng và xương hàm với tỷ lệ lỗi gán nhãn pixel giảm xuống dưới 6.8%, khắc phục hiện tượng nhòe đường nối men - xê măng mà các phương pháp truyền thống thường mắc phải.

Thảo luận kết quả

Sự vượt trội của mô hình lai ghép bắt nguồn từ cơ chế kiểm soát bất định đa tầng: Thuật toán Otsu đóng vai trò "ngắt kênh" đối với các pixel nền có cường độ xám tiệm cận 0, giúp FCM không bị phân tán tâm cụm vào các vùng vô nghĩa. Tiếp đó, việc loại bỏ các giá trị hàm thuộc cực tiểu trong ma trận $U_{FCM}$ trước khi nạp vào eSFCM đã tạo ra một ma trận tri thức bổ trợ sắc nét, giúp thuật toán eSFCM định hướng hàm mục tiêu hội tụ nhanh chóng vào cấu trúc giải phẫu thực của thân và chân răng.

+-------------------------------------------------------------------------+
|                  SO SANH HIEN THI CHI SO DANH GIA                       |
|                                                                         |
|  Chi so DB (Davies-Bouldin) - Cang nho cang tot:                       |
|  FCM truyen thong:   [##############                    ] 1.48          |
|  SSSFC ban giam sat: [##########                        ] 1.05          |
|  Mo hinh Lai ghep:   [######                            ] 0.68 (-54.0%) |
|                                                                         |
|  Chi so PBM - Cang lon cang tot:                                        |
|  FCM truyen thong:   [############                      ] 2.84          |
|  SSSFC ban giam sat: [###############                   ] 3.18          |
|  Mo hinh Lai ghep:   [##################                ] 3.65 (+28.3%) |
+-------------------------------------------------------------------------+

Dữ liệu phân nghiệm được minh họa rõ nét qua Bảng so sánh định lượng các chỉ số hình học cụm và Biểu đồ đường biểu diễn sự suy giảm của hàm mục tiêu theo từng bước lặp. Kết quả cho thấy đồ thị hàm mất mát của mô hình lai ghép dốc đứng và đạt trạng thái bình ổn chỉ sau 15 bước, trong khi đồ thị của FCM và SSSFC dao động kéo dài đến bước thứ 45. Điều này khẳng định thuật toán lai ghép không chỉ cải thiện chất lượng hình ảnh đầu ra mà còn mang tính khả thi cao trong triển khai thực tế.

Đề xuất và khuyến nghị

• Nâng cấp giải thuật xử lý trên không gian 3 chiều: Đội ngũ kỹ sư nghiên cứu cần mở rộng mô hình phân cụm nửa giám sát mờ sang cấu trúc voxel để xử lý dữ liệu ảnh chụp cắt lớp vi tính hình nón (Cone Beam CT), hướng tới mục tiêu nâng độ chính xác tái tạo bề mặt 3D lên 96% trong lộ trình 12 tháng tới.
• Tích hợp bộ lọc thích nghi khử nhiễu tiền xử lý: Nhóm phát triển phần mềm y tế cần thiết lập module lọc nhiễu Wavelet đa mức hoặc lọc khuếch tán bất đẳng hướng (Anisotropic Diffusion) nhằm triệt tiêu thêm 15% nhiễu tán xạ tia X trước khi thực hiện tách ngưỡng Otsu, hoàn thành trong quý 2 năm tiếp theo.
• Chuẩn hóa kho dữ liệu mở về ảnh X-quang nha khoa: Các bệnh viện răng hàm mặt trung ương cùng các trường đại học chuyên ngành công nghệ thông tin cần phối hợp xây dựng kho dữ liệu 5.000 ảnh X-quang có nhãn chuyên gia chuẩn hóa trong thời gian 18 tháng để phục vụ huấn luyện và kiểm thử benchmark.
• Tối ưu hóa mã nguồn và nhúng vào hệ thống phần mềm phòng khám: Doanh nghiệp công nghệ y tế (MedTech) cần tái cấu trúc thuật toán sang ngôn ngữ C++ hoặc Python Tensor, mục tiêu đạt tốc độ phân đoạn thời gian thực dưới 0.8 giây/ảnh trên các thiết bị máy tính nha khoa tiêu chuẩn trong giai đoạn 24 tháng.

Đối tượng nên tham khảo luận văn

• Học viên cao học và Nghiên cứu sinh ngành Khoa học máy tính: Tiếp cận khung lý thuyết toán học chuyên sâu về tập mờ, phương pháp giải tối ưu Lagrange và mô hình tích hợp ràng buộc entropy vào hàm mục tiêu trong học máy nửa giám sát.
• Kỹ sư thị giác máy tính và Xử lý ảnh y tế: Khai thác quy trình kiến trúc thực tế, sơ đồ usecase, sơ đồ tuần tự và toàn bộ mã nguồn MATLAB mẫu được đính kèm ở phụ lục luận văn để áp dụng vào các dự án phân đoạn ảnh y khoa.
• Bác sĩ nha khoa và Chuyên gia chẩn đoán hình ảnh: Nắm bắt cơ chế nhận dạng tự động cấu trúc răng, men răng và xương ổ răng của các thuật toán trí tuệ nhân tạo, từ đó nâng cao độ tin cậy khi sử dụng các hệ thống hỗ trợ ra quyết định lâm sàng.
• Nhà phát triển sản phẩm công nghệ y tế (MedTech): Sử dụng các kết quả thực nghiệm và bảng đối sánh hiệu năng của luận văn làm căn cứ kỹ thuật để thiết kế tính năng tiền phân vùng tự động trong các phần mềm quản lý và chẩn đoán nha khoa.

Câu hỏi thường gặp

Thuật toán phân cụm mờ FCM truyền thống gặp rào cản gì khi phân đoạn ảnh X-quang nha khoa? FCM truyền thống xem tất cả các pixel đều có vai trò ngang nhau và chỉ dựa vào khoảng cách Euclidean đến tâm cụm. Do ảnh X-quang nha khoa có độ tương phản kém và nhiễu hạt cao, thuật toán FCM thường bị rơi vào điểm cực tiểu địa phương, khiến đường biên phân đoạn răng bị mờ và nhầm lẫn giữa vùng ngà răng với xương ổ răng có mức xám xấp xỉ nhau.

Mô hình lai ghép Otsu - FCM - eSFCM hoạt động theo nguyên lý nào? Mô hình hoạt động qua ba chặng tuần tự: Đầu tiên, thuật toán tách ngưỡng Otsu loại bỏ hoàn toàn vùng nền đen để cô lập vùng giải phẫu chính. Tiếp theo, thuật toán FCM phân cụm sơ bộ để tạo ra ma trận độ thuộc ban đầu. Cuối cùng, thuật toán eSFCM sử dụng ma trận này làm tri thức bổ trợ kết hợp với hiệu chỉnh entropy để phân cụm chính xác các đường biên răng.

Thông tin bổ trợ trong thuật toán bán giám sát mờ eSFCM được trích xuất như thế nào? Thông tin bổ trợ không đòi hỏi chuyên gia phải gán nhãn thủ công từng pixel. Thay vào đó, nó được tự động trích xuất trực tiếp từ ma trận độ thuộc $U_{FCM}$ của bước phân cụm FCM trước đó, sau khi đã áp dụng quy tắc lọc bỏ các giá trị hàm thuộc nhỏ nhất tại mỗi điểm ảnh nhằm loại trừ các yếu tố nhiễu không xác định.

Thuật toán lai ghép xử lý các ca lâm sàng có chất hàn trám kim loại hoặc răng mọc lệch như thế nào? Vật liệu trám kim loại thường cản quang mạnh, tạo ra các vệt sáng chói lóa trên ảnh X-quang. Nhờ hàm khoảng cách Mahalanobis và cơ chế điều chuẩn entropy trong eSFCM, thuật toán tự động cân chỉnh ma trận hiệp phương sai của từng cụm, hạn chế hiện tượng biến dạng tâm cụm và giúp duy trì độ bao tách thân răng chính xác với sai số dưới 7%.

Làm thế nào để tái sử dụng mã nguồn MATLAB trong luận văn cho các bài toán phân đoạn ảnh khác? Toàn bộ mã nguồn MATLAB trong phụ lục luận văn được thiết kế theo cấu trúc module hóa rõ ràng, bao gồm hàm đọc ảnh, hàm tiền xử lý Otsu, hàm tính toán độ thuộc mờ và hàm đo lường chỉ số DB/PBM. Người lập trình có thể dễ dàng thay đổi số lượng cụm $C$, hệ số mờ $m$ hoặc thay thế dữ liệu đầu vào bằng ảnh X-quang phổi hoặc ảnh MRI não.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở toán học của lý thuyết tập mờ, thuật toán FCM và các biến thể phân cụm bán giám sát mờ hiện đại như SSSFC và eSFCM.
• Đề xuất thành công mô hình lai ghép ba giai đoạn Otsu - FCM - eSFCM, giải quyết triệt để bài toán phân đoạn vùng răng trên ảnh X-quang nha khoa phức tạp.
• Đạt hiệu quả vượt trội trong thực nghiệm với chỉ số PBM tăng 28.3%, chỉ số DB giảm xuống 0.68 và rút ngắn trên 40% số chu kỳ lặp so với các thuật toán độc lập.
• Xây dựng hoàn chỉnh ứng dụng thử nghiệm trên MATLAB với giao diện tương tác đồ họa thân thiện, hỗ trợ đầy đủ các tính năng nạp ảnh, phân đoạn và đánh giá định lượng.
• Công trình đóng góp nền tảng kỹ thuật vững chắc cho việc phát triển các hệ sinh thái phần mềm nha khoa thông minh hỗ trợ bác sĩ chẩn đoán và lập kế hoạch điều trị tự động.

Trong giai đoạn 12 đến 24 tháng tới, hướng phát triển kế tiếp cần tập trung vào việc mở rộng không gian thuật toán sang ảnh CT 3 chiều và tích hợp kiến trúc mạng nơ-ron tích chập sâu. Các nhà nghiên cứu và kỹ sư quan tâm được khuyến khích kế thừa khung giải thuật lai ghép này để tiếp tục phát triển các công cụ hỗ trợ y tế thiết thực.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU VÀ BÀI TOÁN PHÂN ĐOẠN ẢNH X-QUANG NHA KHOA Chương này gồm 3 mục, mục 1.1 là các khái niệm cơ bản về Khai phá dữ liệu.2 trình bày về các khái niệm về phân cụm dữ liệu, yêu cầu đối với kỹ thuật phân cụm dữ liệu (xem [1], [2], [4]).3 là cấu tạo về răng, phân loại ảnh X-quang và bài toán phân đoạn ảnh X-quang nha khoa [3]. Khai phá dữ liệu 1. Khái niệm khai phá dữ liệu Khai phá dữ liệu là một công đoạn quan trọng nhất trong quá trình khám phá tri thức trong cơ sở dữ liệu (Knowledge Discovery in Databases - KDD). Do sự phát triển mạnh mẽ của khai phá dữ liệu về phạm vi các lĩnh vực ứng dụng trong thực tế và các phương pháp tìm kiếm nên có rất nhiều khái niệm khác nhau.

Tuy nhiên, ở đây có thể hiểu khai phá dữ liệu là một quá trình tìm kiếm, chắt lọc các tri thức mới, tiềm ẩn, hữu dụng trong tập dữ liệu lớn. Quá trình khai phá tri thức trong cơ sở dữ liệu Các yêu cầu về thông tin trong các loại hoạt động như công tác quản lý, hoạt động kinh doanh, phát triển sản xuất và dịch vụ, đặc biệt là trong việc ra quyết định giải quyết một vấn đề ngày càng đòi hỏi chất lượng cao hơn. Người làm quyết định không những cần dữ liệu mà còn cần có thêm hiểu biết, nhiều tri thức để hỗ trợ cho việc ra quyết định của mình. Để giải quyết vấn đề đó thì kỹ thuật khám phá tri thức trong cơ sở dữ liệu (KDD) đã ra đời.

Khám phá tri thức trong cơ sở dữ liệu là lĩnh vực liên quan đến các ngành như: xác suất thống kê, học máy, trực quan hóa dữ liệu, tính toán song song. Quá trình KDD có thể chia thành 5 bước thực hiện như sau: Trích chọn dữ liệu: Xác định mục đích của quy trình khai phá dữ liệu dựa trên quan điểm của người dùng, thu thập và chuẩn bị dữ liệu để khai phá. 3 Tiền xử lý dữ liệu: Nhằm mục đích loại bỏ sự trùng lặp dữ liệu, cắt lìa những thông tin có thể gây nhiễu, tập hợp những thông tin cần thiết cho mô hình hóa, chọn các phương pháp xử lý những thông tin bị khiếm khuyết. Chuyển đổi dữ liệu: Thực hiện thu gọn dữ liệu, phép ánh xạ dữ liệu, tìm những đặc trưng phù hợp để mô tả và khai phá dữ liệu.

Khai phá dữ liệu: Chọn nhiệm vụ khai phá dữ liệu như phân lớp, gom cụm, hồi quy, kết hợp,. Từ nhiệm vụ đã chọn, sử dụng các thuật toán và các phương pháp đã biết để tìm kiếm các mẫu trong dữ liệu, chọn ra các mẫu hữu ích. Trình bày và đánh giá: Từ các mẫu khai phá được tiến hành đánh giá hoặc phiên dịch thành những tri thức hiểu được. Trình bày, đánh giá Tri thức Khai phá Chuyển đổi Tiền xử lý DL Trích chọn DL Hình 1.

Quá trình khám phá tri thức trong CSDL 4 1. Các kỹ thuật tiếp cận trong khai phá dữ liệu: Các kỹ thuật áp dụng trong khai phá dữ liệu phần lớn được kế thừa từ các lĩnh vực như: Cơ sở dữ liệu, Học máy, Trí tuệ nhân tạo, Xác suất thống kế,. vì vậy ta có hai hướng tiếp cận sau đây: Theo quan điểm của học máy, các kỹ thuật trong Khai phá dữ liệu gồm: - Học có giám sát (Supervised learning): Là quá trình gán nhãn lớp cho các đối tượng trong tập dữ liệu dựa trên một bộ các đối tượng huấn luyện và các thông tin về nhãn lớp đã biết. - Học không giám sát (Unsupervised learning): Là quá trình phân chia một tập dữ liệu thành các lớp hay cụm (cluster) dữ liệu tương tự nhau mà chưa biết trước các thông tin về nhãn lớp.

- Học nửa giám sát (Semi- Supervised learning): Là quá trình chia một tập dữ liệu thành các lớp con dựa trên một số thông tin bổ trợ cho trước. Theo các lớp bài toán cần giải quyết, các kỹ thuật trong khai phá dữ liệu gồm: - Phân lớp và dự toán (Classification and Prediction): Đưa một đối tượng vào một trong các lớp đã biết trước. Phân lớp và dự đoán còn được gọi là học có giám sát. - Luật kết hợp (Association rules): Là dạng luật biểu diễn tri thức ở dạng khá đơn giản.

Một luật kết hợp được mô tả như sau:Nếu a thì b với xác suất p - Phân tích chuỗi theo thời gian: Giống như khai phá luật kết hợp nhưng có thêm tính thứ tự và thời gian. - Phân cụm (Clustering): Nhóm các đối tượng thành từng cụm dữ liệu. Đây là phương pháp học không giám sát. - Mô tả khái niệm: Mô tả, tổng hợp và tóm tắt khái niệm, ví dụ như tóm tắt văn bản.

Phân cụm dữ liệu 1. Khái niệm phân cụm dữ liệu Phân cụm dữ liệu (PCDL) là một kỹ thuật phát triển mạnh mẽ trong nhiều năm trở lại đây do các ứng dụng và lợi ích to lớn của nó trong các lĩnh vực thực tế. Ở mức độ cơ bản nhất có thể hiểu Phân cụm dữ liệu là một kỹ thuật trong khai phá dữ liệu nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn và quan trọng trong tập dữ liệu lớn để từ đó cung cấp thông tin, tri thức cho việc ra quyết định. Các bước cơ bản để phân cụm dữ liệu PCDL là quá trình phân chia một tập dữ liệu ban đầu thành các cụm dữ liệu sao cho các đối tượng trong một cụm thì “tương tự” nhau và các đối tượng trong các cụm khác nhau thì “phi tương tự” với nhau.

Số cụm dữ liệu được xác định bằng kinh nghiệm hoặc bằng một số phương pháp phân cụm. Sau khi xác định các đặc tính của dữ liệu, người ta đi tìm cách thích hợp để xác định “khoảng cách” giữa các đối tượng, hay là phép đo tương tự dữ liệu. Đây chính là các hàm để đo sự giống nhau giữa các cặp đối tượng dữ liệu, thông thường các hàm này hoặc là để tính độ tương tự (Similar) hoặc là tính độ phi tương tự(Dissimilar) giữa các đối tượng dữ liệu. Giá trị của hàm tính độ đo tương tự càng lớn thì sự giống nhau giữa đối tượng càng lớn và ngược lại, còn hàm tính độ phi tương tự tỉ lệ nghịch với hàm tính độ tương tự.

Trong quá trình PCDL thì vấn đề trở ngại lớn nhất đó là nhiễu (noise). Nhiễu xuất hiện do trong quá trình thu thập thông tin, dữ liệu thiếu chính xác hoặc không đầy đủ. Vì vậy chúng ta cần phải khử nhiễu trong quá trình tiến hành phân cụm dữ liệu. Các bước của một bài toán phân cụm dữ liệu gồm: - Xây dựng hàm tính độ tương tự - Xây dựng các tiêu chuẩn phân cụm - Xây dựng mô hình cho cấu trúc dữ liệu 6 - Xây dựng thuật toán phân cụm và xác lập các điều kiện khởi tạo - Xây dựng các thủ tục biểu diễn và đánh giá kết quả phân cụm 1.

Các kiểu dữ liệu và độ đo tương tự, độ đo phi tương tự Trong phần này ta phân tích các kiểu dữ liệu thường được sử dụng trong PCDL. Trong PCDL, các đối tượng dữ liệu cần phân tích có thể là con người, nhà cửa, tiền lương, các thực thể phần mềm,. Các đối tượng này thường được diễn tả dưới dạng các thuộc tính của nó. Các thuộc tính này là các tham số cần cho giải quyết vấn đề PCDL và sự lựa chọn chúng có tác động đáng kể đến các kết quả của phân cụm.

Phân loại các kiểu thuộc tính khác nhau là một vấn đề cần giải quyết đối với hầu hết các tập dữ liệu nhằm cung cấp các phương tiện thuận lợi để nhận dạng sự khác nhau của các phần tử dữ liệu. Dưới đây là cách phân lớp dựa trên hai đặc trưng là: kích thước miền và hệ đo. Phân loại kiểu dữ liệu dựa trên kích thước miền - Thuộc tính liên tục: Nếu miền giá trị của nó là vô hạn không đếm được, nghĩa là giữa hai giá trị tồn tại vô số giá trị khác. Thí dụ như các thuộc tính về màu, nhiệt độ hoặc cường độ âm thanh.

- Thuộc tính rời rạc: Nếu miền giá trị của nó là tập hữu hạn hoặc đếm được. Thí dụ như các thuộc tính về số serial của một cuốn sách, số thành viên trong một gia đình,. Phân loại kiểu dữ liệu dựa trên hệ đo Giả sử có hai đối tượng x, y và các thuộc tính xi, yi tương ứng với thuộc tính thứ i của chúng. Ta có các lớp kiểu dữ liệu như sau: - Thuộc tính định danh: Dạng thuộc tính khái quát hóa của thuộc tính nhị phân, trong đó miền giá trị là rời rạc không phân biệt thứ tự và có nhiều hơn hai phần tử - nghĩa là nếu x và y là hai đối tượng thuộc tính thì chỉ có thể xác định là 𝑥 ≠ 𝑦 hoặc 𝑥 = 𝑦.

- Thuộc tính có thứ tự: Là thuộc tính định danh có thêm tính thứ tự, nhưng chúng không được định lượng. Nếu x và y là hai thuộc tính thứ tự thì ta có thể 7 xác định là 𝑥 ≠ 𝑦 hoặc 𝑥 = 𝑦 hoặc 𝑥 > 𝑦 hoặc 𝑥 < 𝑦. Thí dụ như thuộc tính Huy chương của vận động viên thể thao. - Thuộc tính khoảng: Nhằm để đo các giá trị theo xấp xỉ tuyến tính.

Với thuộc tính khoảng, ta có thể xác định một thuộc tính là đứng trước hoặc đứng sau thuộc tính khác với một khoảng là bao nhiêu. Nếu xi yi thì ta nói x cách y một khoảng | xi– yi| tương ứng với thuộc tính thứ i. Ví dụ, thuộc tính số Serial của một đầu sách trong thư viện hoặc thuộc tính số kênh trên truyền hình. - Thuộc tính tỉ lệ: Là thuộc tính khoảng nhưng được xác định một cách tương đối so với điểm mốc, thí dụ như thuộc tính chiều cao hoặc cân nặng lấy giá trị 0 làm gốc.

Trong các thuộc tính dữ liệu trình bày ở trên, thuộc tính định danh và thuộc tính có thứ tự gọi chung là thuộc tính hạng mục, thuộc tính khoảng và thuộc tính tỉ lệ được gọi là thuộc tính số. Người ta còn đặc biệt quan tâm đến dữ liệu không gian. Đây là loại dữ liệu có các thuộc tính số khái quát trong không gian nhiều chiều, dữ liệu không gian mô tả các thông tin liên quan đến không gian chứa đựng các đối tượng, thí dụ như thông tin về hình học,. Dữ liệu không gian có thể là dữ liệu liên tục hoặc rời rạc: Dữ liệu không gian rời rạc: Có thể là một điểm trong không gian nhiều chiều và cho phép ta xác định được khoảng cách giữa các đối tượng dữ liệu trong không gian.