Phát hiện đóm sáng trong ảnh võng mạc mắt

I H C QU C GIA TP.HCM I H C BÁCH KHOA KHOA KHOA H C & K THU T MÁY TÍNH LU T NGHI PHÁT HI IH C TRONG NH VÕNG M C M T Ngành: KHOA H C MÁY TÍNH H NG: KHOA H C MÁY TÍNH GVHD: PGS TS NGUY N THANH BÌNH GVPB : TS LÊ H NG TRANG -o0o t - 1510664 SVTH 2: Võ Quang Nh t - 1512304 TP H CHÍ MINH, 12/2021 I H C QU C GIA TP.HCM -I H C BÁCH KHOA C NG HÒA Xà H I CH T NAM c l p - T - H nh phúc NHI M V LU N ÁN T T NGHI P KHOA: KH & KT Máy tính _ B MƠN: HTTT _ Chú ý: Sinh viên ph i dán t vào trang nh t c a b n thuy t trình H tên SV: T (1510664) VÕ QUANG NH T (1512304) Ngành (chuyên ngành): Khoa h c Máy Tính lu n án: PHÁT HI NH VÕNG M C M T Nhi m v (yêu c u v n i dung s li u): - Tìm hi u nh d ng nh võng m c m t - Tìm hi u t p d li u thông d ng - Tìm hi u cơng trình nghiên c m c a chúng - Nghiên c g nh võng m c, xu c hi n phân tích, phân lo i nh võng m c b - Hi n th xu t th t p d li u chu n - So sánh v i thu t Ngày giao nhi m v lu n án: 15/08/2021 Ngày hoàn thành nhi m v : 15/12/2021 H tên gi ng d n: PGS.TS Nguy n Thanh Bình N i dung yêu c Ngày 15 tháng 08 CH NHI M B c thông qua B môn 2021 MÔN GI (Ký ghi rõ h tên) PGS.TS Tr n Minh Quang PH N DÀNH CHO KHOA, B MÔN: i t (ch ): : _ Ngày b o v : m t ng k t: _ lu n án: _ NG D N CHÍNH (Ký ghi rõ h tên) Nguy n Thanh Bình KHOA KH & KT MÁY TÍNH -Ngày 28 tháng 12 2021 ) SV: Ngành (chuyên ngành): tài: Phát hi : PGS.TS nh võng m c m t n Thanh Bình - - các ph ph - Trong máy h -C - Lu ánh v l õng m áp máy h nghiên c mơ hình áp th ên t ên quan i : DRIVE, STARE, CHASE_DB1, HRF ác ph ính t áp g ây (s ên h , ) 9.0 /10 TRƯỜNG ĐẠI HỌC BỗCH KHOA KHOA KH & KT MỗY TờNH CNG HủA XÌ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phœc -Ngˆy 24 th‡ng 12 năm 2021 PHIẾU CHẤM BẢO VỆ LVTN (Dˆnh cho phản biện) Họ vˆ t•n SV: Đỗ Thˆnh Đạt vˆ V› Quang Nhật MSSV: 1510664 vˆ 1512304 Ngˆnh (chuy•n ngˆnh): Khoa học M‡y t’nh Đề tˆi: Ph‡t đốm s‡ng ảnh v›ng mạc mắt Họ t•n người hướng dẫn/phản biện: TS L• Hồng Trang Tổng qu‡t thuyết minh: Số trang: 54 Số chương: Số bảng số liệu: 10 Số h“nh vẽ: 23 Số tˆi liệu tham khảo: 24 Phần mềm t’nh to‡n: Hiện vật (sản phẩm): Tổng qu‡t c‡c vẽ: - Số vẽ: Bản A1: Bản A2: Khổ kh‡c: - Số vẽ vẽ tay Số vẽ tr•n m‡y t’nh: Những ưu điểm ch’nh LVTN: - Chủ đề vˆ bˆi to‡n luận văn c— ý nghĩa thực tiễn cao y học Tiếp cận sử dụng học m‡y để giải hợp lý - Nh—m đ‹ t“m hiểu số kiến trœc tảng, kiến trœc nˆy lˆ hợp lý với bˆi to‡n mˆ luận văn xŽt - Nh—m c— tiến hˆnh thực vˆ thực nghiệm tr•n tập liệu chuẩn, c™ng bố cộng đồng C‡c kết thực nghiệm đ‡nh gi‡ theo c‡c độ đo hiệu Những thiếu s—t ch’nh LVTN: - Đề tˆi c— đề xuất sử dụng m™ h“nh, kh™ng biện luận r› lý sử dụng - Sẽ đầy đủ vˆ tốt cần c— phần thể t’nh đœng đắn phương ph‡p sử dụng so s‡nh, đ‡nh gi‡ với c‡c m™ h“nh kh‡c (tối thiểu với c‡c m™ h“nh baseline) Đề nghị: Được bảo vệ R Bổ sung th•m để bảo vệ o Kh™ng bảo vệ o C‰u hỏi SV phải trả lời trước Hội đồng: a V“ cần chuyển ảnh nhị ph‰n? b Tr“nh bˆy r› chức ph‰n đoạn U-Net thực nˆo? c V“ cần d•ng SVM mˆ kh™ng thực lu™n tr•n kiến trœc U-Net? 10 Їnh gi‡ chung (bằng chữ: giỏi, kh‡, TB): Kh‡ Điểm: 8.0/10 Ký t•n (ghi r› họ t•n) TS L• Hồng Trang L Chúng em xin úng em chúng em I L IC M Bình chúng em trình qua tài Chúng em xin chân thành i chung cô khoa chúng em II TÓM T T -Net, R2Uh ms n III M CL C L I CAM I L IC II TÓM T T III M C L C IV DANH M C HÌNH NH VII DANH M C B NG VIII DANH M C T VI T T T .IX I THI U 1.1 Gi i thi tài 1.2 M c tiêu n 1.3 Gi i h tài tài 1.4 C u trúc lu LÝ THUY T VÀ CÁC NGHIÊN C U LIÊN QUAN lý thuy t 2.1.1 nh võng m c m t 2.1.2 nh máy tính n nh 2.1.3.1 Phân n nh b ng n nh d a c nh n nh d a khu v c n d a gom c m n d a m 2.1.4 M -ron nhân t o -ron tích ch p (Convolutional Neural Network) 2.1.4.1 L p tích ch p (Convolutional) 2.1.4.2 L p kích ho t phi n ReLU (Rectified Linear Unit) 2.1.4.3 L p l y m u (Pooling) 2.1.4.4 L p k t n 2.1.5 Kh (Fully-Connected) 2.1.6 L p tích ch p h i quy (Recurrent Convolutional layer) 10 2.1.7 Máy vector h tr (Support Vector Machine - SVM) 11 2.1.8 L p Batch Normalization 12 IV 2.1.9 L p Unpooling 12 2.2 Các nghiên c u liên quan 13 2.2.1 Công trình: Retinal blood vessel segmentation using fully convolutional network with transfer learning[15] 13 2.2.2 Cơng trình: Aiding the Diagnosis of Diabetic and Hypertensive Retinopathy Using Artificial Intelligence-Based Semantic Segmentation[14] 13 2.2.3 Cơng trình: Segmentation of the Blood Vessels and Optic Disk in Retinal Images[16] 13 2.2.4 Cơng trình: Retinal Blood Vessel Tortuosity Measurement for Analysis of Hypertensive Retinopathy[17] 14 2.2.5 Cơng trình: Deep Vessel Segmentation By Learning Graphical Connectivity[18] 14 2.2.6 Cơng trình: Retinal Blood Vessel Segmentation from Depigmented Diabetic Retinopathy Images[19] 14 2.2.7 Công tr nh: Recurrent Residual Convolutional Neural Network based on UNet (R2U-Net) for Medical Image Segmentation[20] 15 B XU PHÁT HI N NH VÕNG M C NG 16 3.1 Yêu c u toán 16 xu t 16 n nh v ng m c m t s d ng m ng h c sâu VessNet 16 3.2.1.1 Gi i thi u ki n tr c m ng Vess-Net 16 3.2.1.2 Hu n luy n mô h nh Vess-Net 18 n nh v ng m c m t s d ng m ng h c sâu R2UNet 20 3.2.2.1 Gi i thi u ki n tr c mô h nh R2U-Net 20 3.2.2.2 Hu n luy n mô h nh R2U-Net 22 i s d ng mơ hình SVM 23 24 N TH T QU 27 4.1 Yêu c u ph n c ng 27 4.2 T p d li u s d ng 27 4.3 K t qu th c hi n 28 V n nh v ng m c m t s d ng m ng h c sâu VessNet 28 n nh v ng m c m t s d ng m ng h c sâu R2UNet 29 t qu 29 t qu t p DRIVE 29 d ng m ng Vess-Net 29 t qu t p STARE 30 d ng m ng Vess-Net 30 d ng m ng R2U-Net 31 t qu t p CHASE_DB1 32 d ng m ng Vess-Net 32 d ng m ng R2U-Net 33 t qu t p HRF 35 d ng m ng Vess-Net 35 4.4.5 So sánh k t qu 36 T LU N 37 5.1 K t qu c 37 mc ng m r xu t 37 37 TÀI LI U THAM KH O 38 VI 26 HI N TH T QU 4.1 Yêu c u ph n c ng Mô h nh Vess-Net, R2U-Net v S c train Google Colab pro c c u h H u h nh: Ubuntu 18.04.5 LTS B x l : Intel(R) Xeon(R) CPU @ 2.20GHz GPU: NVIDIA Tesla P100 Xung nh p: 2200 GHz B nh Ram: 25GB 4.2 T p d li u s d ng STARE, CHASE_DB1, - C c t p d li u n y ch a c c nh v ng m c m kh c v n b ng tay c a n gia ( nh ground truth) K c c nh v s t b ng 4.1 H nh 4.1 minh h a nh m Hình 4.1: nh m c thu th p c u ki n c th c hi n b i c c chuyên ng nh c a m i t p d li c mô c l y c c t p d li u c l y t t p d li u 27 T p d li u DRIVE CHASE_DB1 STARE HRF c 565 x 584 999 x 960 700 x 605 3504 x 2336 S ng nh 40 28 20 45 B ng 4.1: Thông s c a t p d li u 4.3 K t qu th c hi n 4.3.1 Net n nh v ng m c m t s d ng m ng h c sâu Vess2 Tên b d li u u vào nh ground truth phân c n DRIVE STARE CHASE_DB1 HRF B ng 4.2: K t qu n s d ng m ng Vess-Net t p d li u 28 4.3.2 Net n nh v ng m c m t s d ng m ng h c sâu R2U3 Tên b d li u u vào nh ground truth phân c n STARE CHASE_DB1 B ng 4.3: K t qu 4.4 4.4.1 4.4.1.1 n s d ng m ng R2U-Net t p d li u t qu t qu t p DRIVE d ng m ng Vess-Net -Net 29 Hình nh SN SP ACC 0.8413 0.9745 0.9593 Phân l p Normal 0.7743 0.9844 0.9576 Normal 0.5258 0.9948 0.9364 Abnormal 0.7569 0.9859 0.9593 Normal 0.6983 0.9897 0.9549 Abnormal 0.6960 0.9884 0.9521 Abnormal 0.7223 0.9800 0.9501 Normal 0.6856 0.9861 0.9533 Abnormal 6652 0.9912 0.9569 Abnormal 10 0.7638 0.9829 0.9597 Normal 11 0.7698 0.9712 0.9477 Normal 12 0.7789 0.9819 0.9597 Abnormal 13 0.7299 0.9852 0.9531 Abnormal 14 0.8153 0.9757 0.9592 Abnormal 15 0.7793 0.9767 0.9584 Normal 16 0.7874 0.9848 0.9622 Normal 17 0.6934 0.9877 0.9564 Abnormal 18 0.8074 0.9804 0.9630 Abnormal 19 0.8852 0.9773 0.9675 Normal 20 0.8197 0.9805 0.9655 Normal Trung bình 0.7498 0.9830 0.9567 0.7 B ng 4.4: K t qu T b ng 4.4 cho th y k t qu thu p DRIVE dùng m ng Vess-Net c t p DRIVE c a Vess-Net c thông s ACC, SP kh cao (0.9567 v 0.9830) c n ch s SN thông s (0.7498) K t qu vi c phân lo i nh b t t 70% phân lo 4.4.2 4.4.2.1 nhi u so v i hai ng c ng m c kh l ng giá k t qu t p STARE d ng m ng Vess-Net -Net 30 Hình nh SN SP ACC Phân l p 0.6481 0.9951 0.9622 Abnormal 0.7785 0.9961 0.9784 Abnormal 0.9023 0.9950 0.9882 Abnormal 0.5520 0.9981 0.9597 Abnormal 0.8362 0.9494 0.9375 Normal 07438 0.9843 0.9642 Abnormal 0.9627 0.9714 0.9706 Normal 0.9620 0.9791 0.9775 Normal 0.9416 0.9838 0.9797 Normal 10 0.9295 0.9785 0.9737 Abnormal 11 0.8934 0.9827 0.9744 Normal 12 0.9497 0.9833 0.9802 Normal 13 0.9201 0.9858 0.9788 Normal 14 0.9307 0.9886 0.9795 Abnormal 15 0.7961 0.9905 0.9702 Abnormal 16 0.7286 0.9901 0.9593 Normal 17 0.8452 0.9784 0.9636 Normal 18 0.7192 0.9953 0.9785 Normal 19 0.5498 0.9976 0.9740 Normal 20 0.4887 0.9977 0.9582 Abnormal Trung bình 0.8026 0.9861 0.9705 0.75 B ng 4.5: K t qu T b n p STARE dùng m ng Vess-Net c cho th y, c c ch s m ng Vess-N i k t qu c t p STARE d ng c t p DRIVE (0.9705 v i 0.9567, 0.8026 v i 0.7498) V c ch s SP v k t qu phân lo 0.9861 v i 0.9830, 0.7 v i 0.75) 4.4.2.2 d ng m ng R2U-Net -Net 31 Hình nh SN SP ACC Phân l p 0.6540 0.8254 0.8073 Abnormal 0.5436 0.8212 0.7961 Abnormal 0.7607 0.8216 0.8167 Abnormal 0.3990 0.8586 0.8156 Nomal 0.7405 0.8197 0.8106 Nomal 0.8313 0.8662 0.8629 Abnormal 0.8868 0.8344 0.8401 Normal 0.8408 0.8343 0.8349 Normal 0.8172 0.8546 0.8506 Normal 10 0.7911 0.8137 0.8112 Abnormal 11 0.7759 0.8444 0.8370 Normal 12 0.8480 0.8583 0.8572 Normal 13 0.7844 0.8503 0.8425 Normal 14 0.7624 0.8471 0.8371 Abnormal 15 0.6984 0.8485 0.8310 Normal 16 0.6308 0.8736 0.8424 Normal 17 0.7677 0.8401 0.8424 Normal 18 0.7677 0.8401 0.8310 Normal 19 0.5156 0.8769 0.8555 Normal 20 0.4165 0.8717 0.8334 Abnormal Trung bình 0.7040 0.8461 0.8329 0.75 B ng 4.6: K t qu T b ng 4.5 v 4.6 cho th y k t qu t p STARE dùng m ng R2U-Net c t p STARE s d c s kh c r t l n C th c c ch s s d ng m ng R2U-Net th v i s d ng m ng Vess-Net (ACC: 0.8329 so v i 0.9705, SP: 0.8461 so v i 0.9861, SN: 0.7040 so v i 0.8026 ) k t qu 4.4.3 4.4.3.1 t qu t p CHASE_DB1 d ng m ng Vess-Net _ - 32 B ng 4.7 cho th y k t qu l cao nh t so v i k t qu c t p CHASE_DB1 d ng m ng Vess-Net c t nh ng t p d li u kh c s d ng c pháp m ng h c sâu Vess-Net c so v i k t qu nh gi c c t p d li u s d ng m ng h c sâu R2U-Net C th k t qu n y l : ACC: 0.9835, SP: 0.9931, SN: 0.8791 Hình nh SN SP ACC 0.9453 0.9979 0.9935 Phân l p Normal 0.9007 0.9971 0.9885 Normal 0.8966 0.9962 0.9865 Normal 0.9104 0.9945 0.9866 Normal 0.9146 0.9965 0.9888 Normal 0.9360 0.9971 0.9916 Normal 0.8825 0.9969 0.9865 Normal 0.8514 0.9961 0.9831 Normal 0.8471 0.9940 0.9803 Normal 10 0.8387 0.9938 0.9783 Normal 11 0.8777 0.9975 0.9867 Normal 12 0.8951 0.9933 0.9845 Normal 13 0.9006 0.9974 0.9884 Normal 14 0.8806 0.9967 0.9862 Abnormal 15 0.8660 0.9857 0.9764 Normal 16 0.8788 0.9842 0.9762 Normal 17 0.7950 0.9876 0.9758 Normal 18 0.7484 0.9895 0.9746 Normal 19 0.9031 0.9864 0.9800 Normal 20 0.9133 0.9827 0.9773 Normal Trung bình 0.8791 0.9931 0.9835 - B ng 4.7: K t qu 4.4.3.2 p CHASE_DB1 dùng m ng Vess-Net d ng m ng R2U-Net _ 33 Hình nh SN SP ACC 0.5280 0.9482 0.9093 Phân l p Normal 0.4040 0.9724 0.9161 Normal 0.4181 0.9506 0.8928 Normal 0.4591 0.9620 0.9091 Abnormal 0.5178 0.9504 0.9044 Abnormal 0.4993 0.9603 0.9143 Normal 0.3736 0.9540 0.8961 Abnormal 0.4187 0.9542 0.9010 Normal 0.4587 0.9503 0.8999 Normal 10 0.4710 0.9487 0.8957 Normal 11 0.4206 0.9663 0.9119 Normal 12 0.4290 0.9645 0.9106 Normal 13 0.3574 0.9562 0.8938 Abnormal 14 0.3859 0.9522 0.8950 Normal 15 0.4926 0.9494 0.9095 Abnormal 16 0.5469 0.9491 0.9150 Normal 17 0.3377 0.9688 0.9253 Normal 18 0.3092 0.9593 0.9135 Normal 19 0.5251 0.9376 0.9016 Normal 20 0.5656 0.9543 0.9200 Normal Trung bình 0.4460 0.9555 0.9068 - 4.8: CHASE_DB1 B ng 4.7 v 4.8 cho th y k t qu t Net th p so v i k t qu R2U-Net c c l ch s SN C th so s nh c a hai b s- c bi t 0.9068 so v i 0.9835, SP: 0.9555 so v i 0.9931, SN: 0.4460 so v i 0.8791 34 4.4.4 t qu t p HRF 4.4.4.1 d ng m ng Vess-Net - Hình nh SN SP ACC Phân l p 0.7519 0.9779 0.9564 Abnormal 0.7540 0.9804 0.9566 Abnormal 0.6231 0.9917 0.9619 Abnormal 0.6817 0.9880 0.9602 Abnormal 0.7482 0.9849 0.9633 Abnormal 0.7570 0.9831 0.9616 Abnormal 0.7343 0.9826 0.9594 Abnormal 0.7486 0.9811 0.9583 Abnormal 0.7495 0.9815 0.9592 Abnormal 10 0.7412 0.9825 0.9594 Abnormal 11 0.7865 0.9763 0.9540 Normal 12 0.8236 0.9836 0.9644 Normal 13 0.5336 0.9892 0.9446 Abnormal 14 0.8153 0.9853 0.9627 Normal 15 0.5785 0.9890 0.9497 Normal 16 0.8146 0.9817 0.9629 Normal 17 0.6445 0.9818 0.9453 Normal 18 0.7905 0.9824 0.9606 Normal 19 0.7397 0.9702 0.9494 Abnormal 20 0.7551 0.9911 0.9673 Normal Trung bình 0.7286 0.9833 0.9579 0.85 4.9: B ng 4.9 cho th y k t qu HRF -Net n t p HRF kh cao (ACC: 0.9579, SP: 0.9833 v SN: 0.7286) K t qu phân lo i nh t p HRF l 85% phân lo i nh ch nh x c 35 4.4.5 So sánh k t qu T p d li u STARE CHASE_DB1 Vess-Net R2U-Net Vess-Net R2U-Net SN 0.8026 0.7040 0.8791 0.4460 SP 0.9861 0.8461 0.9931 0.9555 ACC 0.9705 0.8329 0.9835 0.9068 4.10: hi u qu trên, Vesstr c thi t k a nh v ng m c m t b ng c c feature map v a c bi u di n c (32x32 v i nh c k ch bi u di n chi ti t c c m ch m u nh C ng d n ph gi p tr nh vi c m t m t thông tin qu tr nh tr ch xu xu t c y t hi u qu tin m t c ch tr c ti p t b c i p vi c tr ch ng d n ph go i cung c p thông n b decoder gi p vi c ph c nh c k t qu t V mô h nh R2U-Net c k t qu th p có nguyên n c ti n x l , Hình 4.2 (a): nh , (b): k t qu k t qu n b ng Vess-Net, (c): n b ng R2U-Net 36 K T LU N 5.1 K t qu c t 5.2 và mc xu t - , cho v 5.3 ng m r ( ) -Net - Net 37 TÀI LI U THAM KH O [1] Molina-Casado, José and Carmona, Enrique and García-Feij, Julián, "Fast detection of the main anatomical structures in digital retinal images based on intra- and inter-structure relational knowledge," Computer Methods and Programs in Biomedicine, vol 149, pp 55-68, 2017 [2] https://vi.wikipedia.org/wiki/M%C3%B4_h%C3%ACnh_m%C3%A0u_RG B?fbclid=IwAR0eEovoS2g4XjkayMIBvBLJylFYXILRwvKLvJJ1QvR_3t6 2VhfiAQusWM, ( 0/12/2021) [3] Marwan D Saleh, C Eswaran, Ahmed Mueen Segmentation Algorithm Using Histogram Equalization and Automatic Journal of Digital Imaging, 2011 [4] URL: https://drive.grand-challenge.org/, (truy c p l n cu i 14g30,ngày 10/12/2021) [5] https://itnavi.com.vn/blog/cnn-la-gi/, (truy c p l n cu i 10g30,ngày 08/12/2021) [6] https://topbinhduong.net/neural-network-la-gi-cung-nhu-convolutionalneural-network-la-gi/, (truy c p l n cu i 10g30,ngày 08/12/2021) [7] https://www.pyimagesearch.com/2021/05/14/convolutional-neuralnetworks-cnns-and-layer-types/, (truy c p l n cu i 10g30,ngày 08/12/2021) [8] https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/, (truy c p l n cu i 10g30,ngày 08/12/2021) [9] https://www.superdatascience.com/blogs/convolutional-neural-networkscnn-step-4-full-connection, (truy c p l n cu i 10g30,ngày 08/12/2021) [10] https://viblo.asia/p/gioi-thieu-mang-resnet-vyDZOa7R5wj, (truy c p l n cu i 10g30,ngày 08/12/2021) [11] https://ongxuanhong.wordpress.com/2015/09/19/support-vector-machinesvm-hoi-gi-dap-nay/, (truy c p l n cu i 10g30,ngày 08/12/2021) [12] https://towardsdatascience.com/transposed-convolution-demystified84ca81b4baba, (truy c p l n cu i: 14g30 ng y 6/12/2021) [13] https://www.researchgate.net/figure/An-illustration-of-the-switch-andunpooling-operation-in-a-deconvolutional-network-Using_fig1_338263538, (truy c p l n cu i 15g ng y 06/12/2021) 38 [14] Muhammad Arsalan, Muhammad Owais, Tahir Mahmood, Se Woon Cho, and Kang Ryoung Park Retinopathy Using Artificial IntelligenceJournal of Clinical Medicine(2019), pp 1-10, 2019 [15] Zhexin Jiang, Hao Zhang, Yi Wang, Seok-Bum Ko Computerized Medical Imaging and Graphics(2018), Volume 68, pp 1-15, 2018 [16] Ana Salazar-Gonzalez, Djibril Kaba, Yongmin Li, Xiaohui Liu, IEEE Journal of Biomedical and Health Informatics(2014), Volume 18, pp 18741886, 2014 [17] Sanyukta Chetia, S R Nirmala 2017 International Conference on Innovations in Electronics, Signal Processing and Communication (IESC), 2017 [18] Seung Yeon Shin, Soochahn Lee, Il Dong Yun, Kyoung Mu Lee Vessel Segmentation By Learning Graphical C Analysis(2019) , 101556 , 2019 [19] T Jemima Jebaseeli, C Anand Deva Durai, J Dinesh Peter Computers & Electrical Engineering, pp 245-258, 2018 [20] Md Zahangir Alom, Mahmudul Hasan, Chris Yakopcic, Tarek M Taha, Vijayan K Asari based on U-Net (R2U- Deep Learning for Big Data analytics on High Performance Computing System, 2018 [21] https://drive.grand-challenge.org, (truy c p l n cu i 15g ng y 08/12/2021) [22] https://cecas.clemson.edu/~ahoover/stare/, (truy c p l n cu i 15g ng y 08/12/2021) [23] https://blogs.kingston.ac.uk/retinal/chasedb1/?fbclid=IwAR0Acr0AcGpxVj ob9QRCx4CUffzmhPPz6qi0k5Ro9TxAdWUwzzeQ5ghg7I, (truy c p l n cu i 15g ng y 08/12/2021) 39 [24] https://www5.cs.fau.de/research/data/fundusimages/?fbclid=IwAR1MpB4h9jD1H3JVrpUWnZ6Jc1fwOn4Ocf7lwG0GzOtZqT0d8vMUfY46KQ, (truy c p l n cu i 15g ng y 08/12/2021) 40 ... án: PHÁT HI NH VÕNG M C M T Nhi m v (yêu c u v n i dung s li u): - Tìm hi u nh d ng nh võng m c m t - Tìm hi u t p d li u thơng d ng - Tìm hi u cơng trình nghiên c m c a chúng - Nghiên c g nh võng. .. 2.1: C u t o võng m c m t [1] Hình 2.2: Ph i tr n [2] Hình 2.3: Hình nh võng m c m i d ng nh màu, nh xám nh nh phân [3] Hình 2.4: nh võng m c m t g c (trái), nh võng m c m... Nhật MSSV: 1510664 vˆ 1512304 Ngˆnh (chuy•n ngˆnh): Khoa học M‡y t’nh Đề tˆi: Ph‡t đốm s‡ng ảnh v›ng mạc mắt Họ t•n người hướng dẫn/phản biện: TS L• Hồng Trang Tổng qu‡t thuyết minh: Số trang: 54