Chương 1: Tổng quan Trình bày khái quát về lĩnh vực nghiên cứu, tầm quan trọng của lĩnh vực nghiên cứu từ đó giúp người thực hiện đề tài đưa ra các mục tiêu và nhiệm vụ cụ thể. Chương 2: Cơ sở lý thuyết Trình bày các bệnh ngoài da thường gặp, giới thiệu cơ sở lý thuyết của các thuật toán, các phương pháp phân loại bệnh da người. Chương 3: Mạng tích chập cho nhận dạng bệnh da Giới thiệu mô hình tổng quát phân loại bệnh da người sử dụng mạng Nơron tích chập. Trình bày cách thu thập mẫu ảnh bệnh da, phương pháp phân loại bệnh da người sử dụng Separable Convolutions.
Chương 4: Kết quả và thảo luận Trình bày và đánh giá các kết quả thu được thông qua phần mềm Visual Studio Code. Chương 5: Kết luận và hướng phát triển Trình bày những phương pháp, nội dung đã thực hiện được, nêu ra hướng phát triển tiếp theo cho luận văn để đạt được hiệu quả tốt hơn. 3 Luan van CHƯƠNG 2 CƠ SỞ LÝ THUYẾT Các bệnh ngoài da thường gặp Hiện nay các bệnh ngoài da xảy ra rất phổ biến trong cuộc sống hàng ngày đối với mỗi chúng ta. Có nhiều nguyên nhân gây bệnh như làm sạch không đúng cách, môi trường sống ẩm thấp, bụi bặm, nguồn nước sinh hoạt không đạt tiêu chuẩn, ăn uống quá dư thừa dầu mỡ.
Với điều kiện khí hậu nóng ẩm như nước ta khiến da tiết ra nhiều mồ hôi, bụi bẩn bám vào da dẫn đến hiện tượng bị nhiễm khuẩn, ngứa da, cộng với chế độ ăn uống. Hằng ngày mỗi cơ thể chúng ta có nguy cơ phải tiếp thu nhiều hóa chất độc hại thông qua nguồn thực phẩm bẩn, không đảm bảo vệ sinh, do đó ngày càng có nhiều bệnh về da như: ung thư tế bào, viêm màng sừng, ung thư tế bào hắc tố. Một số loại da bị bệnh (a). Da bình thường; (b).
Da mắc bệnh mụn rộp; (c). Da mắc bệnh viêm da; (d). Da mắc bệnh vảy nến. Trích đặc trưng Phương pháp phân tích thành phần chính Phân tích thành phần chính (PCA) là phương pháp sử dụng phổ biến hiện nay trong việc phân tích dữ liệu.
PCA sử dụng các phương pháp toán để trích lấy ra các đặc trưng cơ bản có thể đại diện cho bên trong của tập dữ liệu. Hay nói cách khác, nếu mô tả tập dữ liệu trong không gian n chiều thì PCA sẽ có thể cung cấp một hình ảnh của cùng tập dữ liệu đó trong không gian k chiều (với k<n). Không gian chuyển đổi từ phương trình có n vector sang không gian k vector, 4 Luan van (k<n) mà vẫn giữ lại đặc điểm chính của đầu vào dữ liệu. Ngày nay, trên thế giới đã có nhiều công trình sử dụng PCA, nhất là trong nhận diện khuôn mặt [1].2 Mô tả phương pháp phân tích PCA Phương pháp phân tích GLCM GLCM là một trong những phương pháp trích lọc đặc trưng quan trọng trong lĩnh vực phân tích kết cấu ảnh được đề xuất từ rất sớm bởi Haralick vào năm 1973.
GLCM của ảnh f(x,y) có kích thước MxM và có G mức độ xám là một ma trận hai chiều C(i,j). Mỗi phần tử của ma trận thể hiện xác suất xảy ra cùng giá trị cường độ sáng i và j tại một khoảng cách d và một góc θ xác định. Do đó, có thể có nhiều ma trận GLCM khác nhau phụ thuộc vào cặp giá trị d và θ. Một số đặc trưng quan trọng có thể kể đến như năng lượng (energy), độ tương phản (contrast), entropy, độ tương đồng (correlation), tính đồng nhất (homogeneity).
Trong các nghiên cứu được công bố trong thời gian gần đây, phương pháp GLCM được sử dụng rất nhiều, [2] sử dụng GLCM để trích đặc trưng, xác định bệnh ngoài da bằng xử lý hình ảnh. Tác giả Li-sheng Wei đã trình bày khá chi tiết các bước thực hiện từ tiền xử lý, trích đặc trưng sử dụng GLCM như năng lượng, độ tương phản, entropy, độ tương đồng, tính đồng nhất. Dựa trên các đặc trưng này, sử dụng phân loại SVM để xác định bệnh. Một nghiên cứu cũng được công bố gần đây [3], tác giả đã sử dụng GLCM để trích các đặc trưng về cấu trúc, kết hợp với phân loại MLP để xác định bệnh ung thư da ác tính trên người.
Phương pháp phân tích dựa trên màu sắc Tìm kiếm ảnh theo lược đồ màu là phương pháp phổ biến và được sử dụng nhiều nhất trong các hệ thống tìm kiếm ảnh theo nội dung. Đây là phương pháp 5 Luan van đơn giản, tốc độ tìm kiếm tương đối nhanh tuy nhiên kết quả tìm kiếm có độ chính xác không cao. Đây có thể xem là bước lọc đầu tiên cho những bước tìm kiếm sau. Một số lược đồ màu được sử dụng như: lược đồ màu RGB, lược đồ màu HSI, lược đồ HSI cải tiến.
Trong đó, lược đồ màu RGB được sử dụng phổ biến nhất [4-5]. Lược đồ màu RGB: Đối với ảnh 256 màu, lược đồ màu của ảnh tương đương với lược đồ màu của ảnh xám. Đối với ảnh 24 bit màu, lược đồ miêu tả khả năng kết nối về cường độ của ba kênh màu R, G, B. Luợc đồ màu này được định nghĩa như sau: HR,G,B[r,g,b] = N* Pr ob {R = r, G = g, B = b} (2.1) Trong đó N là số lượng điểm có trong ảnh.
Lược đồ màu này được tính bằng cách rời rạc hóa từng màu trong ảnh, sau đó đếm số điểm ảnh của mỗi màu. Khi mà số lượng màu là có hạng, để thuận tiện hơn, người ta thường chuyển đổi ba kênh màu thành một biến giá trị duy nhất. Khi đó, lược đồ được tính bằng cách đếm kênh màu tương ứng trong mỗi điểm ảnh. Phương pháp phân tích dựa trên màu sắc cũng được sử dụng trong [2], sau khi thực hiện tiền xử lý, dựa trên các thông tin thu được khi trích đặc trưng sử dụng GLCM kết hợp với đặc trưng về màu sắc, dựa vào phương pháp phân loại SVM tác giả đã xác định được các loại bênh trên da người.
Một số phương pháp phân loại bệnh da người Phương pháp máy Vector hỗ trợ Phương pháp máy Vector hỗ trợ (SVM) là một mô hình phân loại hoạt động bằng việc xây dựng một siêu phẳng (hyperplane) có (n - 1) chiều trong không gian n chiều của dữ liệu sao cho siêu phẳng này phân loại các lớp một cách tối ưu nhất. Nói cách khác, cho một tập dữ liệu có nhãn (học có giám sát), thuật toán sẽ dựa trên dữ liệu học để xây dựng một siêu phẳng tối ưu được sử dụng để phân loại dữ liệu mới. Ở không gian 2 chiều thì siêu phẳng này là 1 đường thẳng phân cách chia mặt phẳng không gian thành 2 phần tương ứng 2 lớp với mỗi lớp nằm ở 1 phía của đường thẳng. 6 Luan van Hình 2.3 Hình phân tách các điểm dữ liệu theo SVM Sau khi thực hiện trích đặc trưng, các dữ liệu thu được sẽ được phân loại thành các tập dữ liệu khác nhau.
Thuật toán SVM tuyến tính [6] được áp dụng để chia hai tập thành hai miền với các biên và vector hỗ trợ. SVM bao gồm hai nội dung chính là: bộ phân lớp dựa theo vector hỗ trợ support vector classifier (SVC) và support vector regressor (SVR), bộ hồi quy dựa theo vector hỗ trợ. Nó yêu cầu số lượng mẫu huấn luyện không nhiều và thường không nhạy cảm với số chiều của dữ liệu. Trong những thập niên qua, SVM đã phát triển nhanh chóng cả về lý thuyết lẫn thực nghiệm.
Cũng như mạng Neural , phương pháp SVM là một phương pháp có tính tổng quát cao, có thể áp dụng cho nhiều loại bài toán nhận dạng khác nhau. Đã có nhiều bài báo quốc tế sử dụng SVM để phân loại, theo Li-sheng Wei, Quan Gan và Tao Ji trong [2] cũng sử dụng SVM để phân loại bệnh da người, ảnh sau khi được tiền xử lý, xoay ảnh, lọc ảnh, phân đoạn ảnh để các điểm ảnh trong cùng một nhãn sẽ có những đặc tính giống nhau về màu sắc, cường độ, kết cấu ảnh. Qua trích đặc trưng về màu sắc, độ tương phản, độ tương quan, entropy, tính đồng nhất và năng lượng. Bài báo cuối cùng sử dụng phân loại SVM để xác định ảnh đầu vào có bị bênh hay không dựa trên các thông tin của khâu trích đặc trưng.
Phương pháp mạng Nơron (NN) Mạng nơron nhân tạo là sự mô phỏng toán học của mạng nơ-ron sinh học. Một mạng nơ- ron nhân tạo được xây dựng từ những thành phần cơ sở là những nơ-ron nhân tạo gồm nhiều đầu vào và một đầu ra (hình 2. Các đầu vào tiếp 7 Luan van nhận kích thích từ đầu ra của những nơ-ron khác hoặc từ môi trường. Mỗi nơ-ron vào có một bộ trọng số nhằm khuếch đại tín hiệu kích thích sau đó tất cả sẽ được cộng lại.
Tín hiệu sau đó sẽ được tiếp tục biến đổi nhờ một hàm phi tuyến, thường gọi là hàm kích hoạt. Và cuối cùng tín hiệu sẽ được đưa đến đầu ra của nơ-ron để lại trở thành đầu vào của các nơ-ron khác hoặc trở thành tín hiệu ra của toàn bộ mạng.4 Kiến trúc một Nơron nhân tạo Khi kết hợp các nơ-ron lại với nhau ta có một mạng nơ-ron nhân tạo. Tuỳ theo cách thức liên kết giữa các nơ-ron mà ta có các loại mạng khác nhau như: mạng truyền thẳng (Hình 2.5), mạng phản hồi. Ta có thể xem như mạng nơ-ron nhân tạo là một mô hình toán Y=F(X) với X là vector số liệu đầu vào và Y là véctơ số liệu đầu ra.
Ưu điểm của một mạng nơ-ron nhân tạo là nó cho phép xây dựng một mô hình tính toán có khả năng học dữ liệu rất cao. Có thể coi mạng nơ- ron nhân tạo là một hộp đen có nhiều đầu vào và nhiều đầu ra có khả năng học được mối quan hệ giữa đầu ra và đầu vào dựa trên dữ liệu được học. Chin-Teng Lin và C. George Lee [7] cho rằng chỉ cần đưa vào mạng một tập mẫu dữ liệu trong quá trình học mạng sẽ phát hiện được các ràng buộc dữ liệu hữu ích mà không cần phải có thêm các tri thức về miền ứng dụng vì vậy rất thuận lợi khi xây dựng mô hình dữ liệu.5 Mạng Nơron lan truyền thẳng 8 Luan van Phương pháp mạng neural tích chập Những năm gần đây, ta đã chứng kiến được nhiều thành tựu vượt bậc trong ngành Thị giác máy tính (Computer Vision).
Các hệ thống xử lý ảnh lớn như Facebook, Google hay Amazon đã đưa vào sản phẩm của mình những chức năng thông minh như nhận diện khuôn mặt người dùng, phát triển xe hơi tự lái hay drone giao hàng tự động.