Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu trên ảnh hiển vi chụp tiêu bản máu ngoại vi

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi ĐẶNG XUÂN HỢP Ngành: Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Nguyễn Việt Dũng Trường: Điện – Điện tử HÀ NỘI, 2022 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi ĐẶNG XUÂN HỢP Ngành: Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Nguyễn Việt Dũng Chữ ký GVHD Trường: Điện – Điện tử HÀ NỘI, 2022 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Đặng Xuân Hợp Đề tài luận văn: Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi Chuyên ngành: Kỹ thuật Y sinh Mã số SV: 20202693M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày …/…/2022 với nội dung sau: - Đã chỉnh sửa số lỗi hành văn luận văn - Đã chỉnh sửa việt hóa số hình ảnh nhỏ cịn mờ - Đã bổ sung đánh giá chi tiết cho bảng 4-11 Ngày tháng năm 2022 Giáo viên hướng dẫn Tác giả luận văn TS Nguyễn Việt Dũng Đặng Xuân Hợp CHỦ TỊCH HỘI ĐỒNG TS Trần Anh Vũ LỜI CẢM ƠN Trong trình thực luận văn, em nhận định hướng, bảo tận tình, chỉnh sửa, góp ý từ Giảng viên hướng dẫn – TS Nguyễn Việt Dũng Em xin gửi lời cảm ơn chân thành đến thầy Đồng thời, em xin gửi lời cảm ơn đến thầy cô giảng viên Bộ môn Kỹ thuật Y sinh – Viện Điện tử Viễn thơng giúp đỡ em suốt q trình học tập nghiên cứu trường Hà Nội, ngày tháng năm 2022 Tác giả Đặng Xuân Hợp TÓM TẮT LUẬN VĂN Sử dụng kính hiển vi để quan sát tiêu phết máu ngoại vi coi tiêu chuẩn vàng để phát số rối loạn huyết học Tuy nhiên kỹ thuật phân loại thủ công gặp phải vấn đề: Kỹ thuật viên phải đặt mắt vào kính hiển vi quan sát hình ảnh tiêu phết máu ngoại vi, gây nhức mỏi mắt quan sát thời gian dài; Tế bào máu có nhiều loại, với nhiều hình dạng kích thước khác nhau; Trường quan sát phần nhỏ phết máu…Tổng hòa yếu tố làm cho việc quan sát thủ cơng có nhiều sai sót Từ thực tế này, nghiên cứu đề xuất xây dựng phương pháp phát hiện, phân loại tế bào máu sử dụng kỹ thuật học sâu cụ thể mơ hình mạng Faster R-CNN YOLOv5 Qua trình thực nghiệm sở liệu ảnh tế bào bạch cầu tạo từ nguồn thu thập liệu trực tiếp sở y tế nguồn liệu công bố công khai mạng, thấy việc áp dụng mơ hình mạng Faster R-CNN YOLOv5 hoàn toàn hiệu Độ xác phân loại tế bào bạch cầu sử dụng mơ hình Faster R-CNN cao 95%, đặc biệt với backbone ResNet101 độ xác đạt tới 97,27% Độ xác mơ hình YOLOv5 backbone MobileNetv3 thấp đạt 93,59% Tuy nhiên mơ hình YOLO lại cho tốc độ phát 16ms nhanh gấp khoảng lần độ phát mơ hình Faster R-CNN MỤC LỤC DANH MỤC HÌNH VẼ i DANH MỤC BẢNG BIỂU v DANH MỤC TỪ VIẾT TẮT vi MỞ ĐẦU vii CHƯƠNG TỔNG QUAN VỀ MÁU VÀ CÁC PHƯƠNG PHÁP CHẨN ĐOÁN BỆNH LÝ MÁU Máu thành phần máu Các bệnh lý máu Các phương pháp hỗ trợ chẩn đoán bệnh lý máu 11 Tầm quan trọng ý nghĩa phương pháp phết máu ngoại vi 23 Các hướng nghiên cứu 24 Hướng tiếp cận mục đích phạm vi nghiên cứu 25 Tổng kết chương 26 CHƯƠNG PHÂN TÍCH BÀI TỐN ỨNG DỤNG KỸ THUẬT HỌC SÂU ĐỂ PHÁT HIỆN, PHÂN LOẠI 27 Tổng quan kỹ thuật học sâu 27 Cấu trúc mơ hình phát hiện, phân loại tế bào 55 Phân tích nghiên cứu phát hiện, phân loại tế bào máu 62 Tổng kết chương 66 CHƯƠNG XÂY DỰNG MƠ HÌNH HUẤN LUYỆN PHÁT HIỆN, PHÂN LOẠI TẾ BÀO MÁU .67 Phân loại tế bào bạch cầu sử dụng mơ hình mạng Faster R-CNN 67 Phân loại tế bào bạch cầu sử dụng mơ hình mạng YOLOv5 84 Tổng kết chương 105 CHƯƠNG KẾT QUẢ VÀ BÀN LUẬN 106 Cơ sở liệu huấn luyện 106 Công cụ lập trình 112 Chỉ số đánh giá mơ hình 113 Q trình huấn luyện mơ hình 117 Đánh giá hiệu mơ hình 119 Kết mô 127 KẾT LUẬN 131 TÀI LIỆU THAM KHẢO 133 DANH MỤC HÌNH VẼ Hình 1.1 Các thành phần tế bào máu [2] Hình 1.2 Ống máu sau ly tâm chứa Huyết tương, bạch cầu tiểu cầu, hồng cầu Hình 1.3 Nguyên tắc phương pháp đếm tế bào dịng chảy [4] 13 Hình 1.4 Ánh sáng tán xạ (light scattering) FSC tỉ lệ với kích thước, SSC tỉ lệ với thành phần độ phức tạp bên tế bào [4] 16 Hình 1.5 Cơ chế tạo huỳnh quang [4] 17 Hình 1.6 Xử lý phát tín hiệu máy đếm tế bào dòng chảy [4] 20 Hình 1.7 Quy trình thực phết máu ngoại vi 22 Hình 1.8 Máy tính kêt nối với kính hiển vi qua camera để thu nhận ảnh (a) Hình ảnh tiêu máu ngoại vi thu nhận (b) 23 Hình 2.1 Học máy tập trí tuệ nhân tạo [5] 27 Hình 2.2 Mơ hình dự báo thời tiết học máy 28 Hình 2.3 Phân loại thuật tốn học máy [6] 30 Hình 2.4 Q trình thực thuật tốn học khơng giám sát [7] 31 Hình 2.5 Minh họa thuật toán học bán giám sát [8] 33 Hình 2.6 Ván cờ đấu AlphaGo Lee Sedol 34 Hình 2.7 Vai trị tập liệu với việc huấn luyện mơ hình học máy 35 Hình 2.8 Mối quan hệ độ xác tốc độ thực thi [9] 36 Hình 2.9 Biểu đồ giá trị hàm mát theo độ phức tạp mơ hình [10] 37 Hình 2.10 Các trạng thái mơ hình trạng thái huấn luyện [11] 38 Hình 2.11 Quá trình phát triển mạng nơ-ron nhân tạo [12] 40 Hình 2.12 Biểu diễn PLA dạng mạng nơ-ron [13] 41 Hình 2.13 Mơ hình đầu vào – đầu mạng nơ-ron rút gọn [14] 41 Hình 2.14 Biểu diễn thuật tốn hồi quy tuyến tính dạng mạng nơ-ron [14] 42 Hình 2.15 Vấn đề với hàm XOR thuật tốn PLA [14] 42 Hình 2.16 Cách giải vấn đề hàm XOR [15] 43 Hình 2.17 Mơ hình mạng nơ-ron với lớp ẩn [15] 43 Hình 2.18 Hàm kích hoạt sigmoid ReLU 44 i Hình 2.19 Q trình tính tốn lan truyền ngược [16] 45 Hình 2.20 Mạng LeNet LeCun phát minh [17] 46 Hình 2.21 Sự phát triển mạng CNN qua năm [18] 48 Hình 2.22 Điển hình mạng nơ-ron tích chập [19] 49 Hình 2.23 Cách tính tích chập 49 Hình 2.24 Max pooling với hệ số trượt 50 Hình 2.25 Kiến trúc mạng nơ-ron tích chập cho tốn phân loại ảnh 51 Hình 2.26 Upsample sử dụng nearest neighbors 51 Hình 2.27 Kiến trúc mạng AlexNet với pipeline song song 52 Hình 2.28 Inception module gốc (trái) dạng giảm chiều (phải) 53 Hình 2.29 Cấu trúc VGG-16 [20] 54 Hình 2.30 Cấu trúc Residual Block 55 Hình 2.31 Sơ đồ khối hệ thống phát hiện, phân loại tế bào 56 Hình 2.32 Đạo hàm hướng đạo hàm phần tử xét ảnh HOG [21] 57 Hình 2.33 Biểu đồ Histogram đạo hàm [21] 57 Hình 2.34 Các cấu trúc convolution layers mạng CNN khác 58 Hình 2.35 Các thuộc tính trích xuất từ mạng VGG16 [22] 59 Hình 2.36 Kiến trúc mạng R-CNN 60 Hình 2.37 Kiến trúc Faster RCNN 60 Hình 2.38 Kiến trúc Single Shot Detector 61 Hình 2.39 Kiến trúc YOLO 61 Hình 3.1 Kiến trúc mơ hình mạng Faster R-CNN [59] 68 Hình 3.2 Kiến trúc Region Proposal Network – RPN [59] 70 Hình 3.3 Mơ tả anchor điểm pixel Conv feature map 71 Hình 3.4 NMS cho Faster RCNN 73 Hình 3.5 Xử lý đặc trưng thông qua Region of Interest (RoI) 74 Hình 3.6 Trích xuất liệu sử dụng VGG16 75 Hình 3.7 Cấu trúc Faster R-CNN với backbone VGG16 [60] 76 Hình 3.8 Luồng liệu RPN [60] 77 ii Hình 3.9 Lớp ROI Pooling [60] 78 Hình 3.10 Lớp RCNN [60] 79 Hình 3.11 Kiến trúc mạng AlexNet 80 Hình 3.12 Kiến trúc Faster R-CNN với backbone AlexNet [61] 80 Hình 3.13 Một khối Residual ResNet 82 Hình 3.14 Kiến trúc mạng ResNet101 83 Hình 3.15 Kiến trúc Faster R-CNN với backbone ResNet101 [62] 83 Hình 3.16 Kiến trúc mơ hình YOLOv5 [63] 88 Hình 3.17 Cấu tạo Conv module [64] 89 Hình 3.18 Cấu tạo C3 module [64] 90 Hình 3.19 Cấu trúc Residual Block [64] 90 Hình 3.20 Kiến trúc mạng DenseNet với Dense Block Các layers block transition layers 91 Hình 3.21 Quá trình xử lý đầu vào Dense Block [65] 91 Hình 3.22 Quá trình xử lý đầu vào Partial Dense Block [65] 92 Hình 3.23 Block SPP ban đầu [66] 93 Hình 3.24 Khối SPP sửa đổi YOLOv5 [66] 94 Hình 3.25 Cấu tạo khối SPPF 95 Hình 3.26 (a) Kiến trúc FPN ban đầu (b) Kiến trúc FPN sửa đổi [66] 96 Hình 3.27 Mơ hình mạng PAN 96 Hình 3.28 Kiến trúc PAN điều chỉnh 97 Hình 3.29 Ứng dụng ROIAlign PAN 97 Hình 3.30 Bộ phát đa kích cỡ layer khác [67] 98 Hình 3.31 Kiến trúc Head YOLOv5 [68] 98 Hình 3.32 Mơ tả hoạt động depthwise separable convolutions [69] 101 Hình 3.33 Squeeze and Excite blocks [70] 102 Hình 3.34 Khối Inverted Residual MobileNetv3 [71] 102 Hình 3.35 Mơ tả hoạt động H-swish Swish 103 Hình 3.36 Module Inverted Residual MobileNetv3 103 Hình 3.37 Kiến trúc mơ hình mạng YOLOv5 với backbone MobileNetv3 104 iii Bảng 4-7 cho thấy kết phân loại tế bào cầu cầu mơ hình YOLOv5 với backbone MobileNetv3 Các lớp bạch cầu Lymphocyte Monocyte phân loại trạng thái TP (True Position) cao 281/292 (Lymphocyte) 288/295 (Monocyte) Phân loại trạng thái TP với bạch cầu Esinophil Neutrophil đạt 268/294 260/291 Kết số đánh giá hiệu mô hình mạng YOLOv5 backbone MobileNetv3 confidence threshold mặc định, ngưỡng IoU = 0.5 bảng 4-8 Bảng 4-8 trình bày số đánh giá mơ hình mạng YOLOv5 backbone MobileNetv3 Precision, Recall, F1_Score, mAP@0.5 Giá trị Precision Recall mơ hình đạt mức cao (93,59% 93,58%) Giá trị hàm điều hòa F1_Score đạt 93,58% Độ xác trung bình mơ hình đạt 94,36% Mơ hình kiểm tra với tập liệu kiểm tra (Test set) liệu, tốc độ phát hình ảnh mơ hình 16 ms, tức khoảng 62,5 FPS (Frames per second) Bảng 4-8 Đánh giá độ hiệu mơ hình mạng YOLOv5-MobileNetv3 Lớp bạch cầu phân Precision Recall F1_Score mAP@0.5 Eosinophil 0.9116 0.9147 0.9131 0.9113 Lymphocyte 0.9623 0.9398 0.9509 0.9208 Monocyte 0.9763 0.9632 0.9697 0.9217 Neutrophil 0.8935 0.9253 0.9091 0.9004 Mô hình 0.9359 0.9358 0.9358 0.9136 loại So sánh kết mơ hình Kết so sánh thơng số đánh giá hiệu mơ hình tất loại tế bào bạch cầu confidence threshold mặc định, ngưỡng IoU = 0.5 124 bảng 4-9 tính trung bình lớp tế bào bạch cầu Eosinophil, Lymphocyte, Monocyte, Neutrophil Bảng 4-9 So sánh hiệu tổng qt mơ hình Mơ hình Precision Recall F1_Score mAP@0.5 Faster R-CNN- GG16 0.9616 0.9614 0.9614 0.8580 Faster R-CNN- lexNet 0.9504 0.9502 0.9503 0.8659 Faster R-CNN- ResNet 0.9727 0.9727 0.9726 0.9054 YOLOv5-MobileNetv3 0.9359 0.9358 0.9358 0.9136 Từ bảng 4-9, ta thấy cặp kết giá trị Precision Recall mơ hình tương đồng Điều phù hợp với việc liệu sử dụng cân giá trị phân lớp, điều giúp mơ hình dễ dàng hội tụ nhanh Các mơ hình Faster R-CNN với backbone VGG16, AlexNet ResNet cho độ xác Precision cao 95% Recall 93% Mơ hình với backbone ResNet101 cho hiệu trình phân loại cao nhất, sau tới VGG16 cuối AlexNet Điều chứng minh mơ hình backbone với cấu trúc nhiều lớp (ResNet101) cho hiệu cao Với mơ hình YOLOv5 sử dụng backbone MobileNetv3, độ xác Precision Recall 93% Tuy nhiên giá trị độ xác Precision Recall mơ hình YOLO thấp mơ hình Faster R-CNN Điều cho thấy mơ hình Faster R-CNN (dạng phát two-stage detector) có độ xác tốt mơ hình YOLOv5 (dạng phát one-stage detector) Độ xác hai mơ hình 2% Tốc độ phát hình ảnh mơ hình thể bảng 4-10 Bảng 4-10 So sánh tốc độ phát mơ hình Tốc độ phát hình ảnh (ms) FPS Faster R-CNN- VGG16 52 19.2 Faster R-CNN- AlexNet 65 15.4 Faster R-CNN- ResNet 70 14.3 YOLOv5-MobileNetv3 16 62.5 Mơ hình 125 Từ bảng 4-10 ta thấy mơ hình YOLOv5 backbone MobilleNetv3 có tốc độ phát cao 16 ms với FPS 62.5, mơ hình Faster R-CNN với backbone ResNet101 có tốc độ phát thấp 70ms với FPS 14.3 Tốc độ phát mô hình YOLO gấp khoảng lần tốc độ phát mơ hình Faster R-CNN Với kết thu thấy hai mơ hình Faster R-CNN YOLOv5 hồn tồn phù hợp với tốn phát hiện, phân loại tế bào bạch cầu Với mô hình Faster R-CNN cho kết độ xác phân loại cao (khoảng 2% độ xác), nhiên mơ hình YOLO lại cho tốc độ phát nhanh gấp khoảng lần Vì tùy yêu cầu mục tiêu đánh giá toán độ xác hay tốc độ, cân nhắc lựa chọn hai mơ hình Faster R-CNN YOLO Đánh giá khả phân loại tế bào mơ hình Faster R-CNN đề xuất (với backbone VGG16, AlexNet, ResNet101) với kết nghiên cứu phân loại tế bào bạch cầu theo mơ hình two-stage detector bảng 2-2 Có thể thấy mơ hình cho kết hoạt động tương đồng với mơ hình cơng bố Mặc dù vậy, cơng trình công bố thường thử nghiệm sở liệu từ nguồn, phương pháp nghiên cứu thực sở liệu hỗn hợp nhiều nguồn khác Đánh giá khả phân loại tế bào mơ hình YOLOv5 với backbone MobileNetv3 với kết nghiên cứu phân loại tế bào bạch cầu theo mơ hình one-stage detector thể bảng 4-11 126 Bảng 4-11 So sánh phương pháp đề xuất với nghiên cứu khác Tác giả Năm Mơ hình nghiên cứu Precison Rohaziat et 2020 White Blood Cells Detection using 93.1% al [51] YOLOv3 with CNN mAP Feature Extraction Models Praveen et 2021 al [52] White blood cell subtype detection >90% and classification Sangeetha 2021 et al [53] An improved blood cell type 87% detection and classsification by YOLOv4 deep learning model Wang et al 2019 [50] Deep learning approach to 92% peripheral leukocyte recognition Đề xuất 2022 Phát hiện, phân loại tế bào bạch 93.59% 91.36% cầu sử dụng mơ hình YOLOv5 với backbone MobileNetv3 Phương pháp đề xuất mơ hình YOLOv5 với backbone MobileNetv3 cho kết hoạt động tốt hầu hết phương pháp Độ xác Precision đề xuất cao độ xác mơ hình Rohaziat et al [51] Praveen et al [52] công bố Độ xác trung bình mơ hình cao mơ hình Sangeetha et al [53] đề xuất, thấp khơng đáng kể so với mơ hình Wang et al [50] Kết mô Các ảnh từ liệu sau tăng cường Hình 4.14 Hình 4.14 Ảnh tế bào bạch cầu từ liệu huấn luyện 127 Vẽ bounding box tế bào bạch cầu gán nhãn Hình 4.15, xét tất tế bào bạch cầu Eosinophil, Lymphocyte, Monocyte, Neutrophil Hình 4.15 Các ảnh kiểm tra vẽ bounding box với tế bào có grouth-truth Kết detect ảnh với bounding box dự đoán, bounding box màu cam bounding box dự đoán bạch cầu Eosinophil, bounding box màu vàng bouding box dự đoán bạch cầu Lymphocyte, bounding box màu nâu dự đoán bạch cầu Monocyte, bounding box màu đỏ dự đoán bạch cầu Neutrophil Lớp bạch cầu Eosinophil dự đoán bounding box màu cam Hình 4.16 Hình 4.16 Bounding box màu cam dự đoán lớp bạch cầu Eosinophil Lớp bạch cầu Neutrophil dự đoán bounding box màu đỏ Hình 4.17 128 Hình 4.17 Bounding box màu cam dự đoán lớp bạch cầu Eosinophil Lớp bạch cầu Lymphocyte dự đoán bounding box màu vàng Hình 4.18 Hình 4.18 Bounding box màu vàng dự đốn lớp bạch cầu Lymphocyte Lớp bạch cầu Monocyte dự đốn bounding box màu nâu Hình 4.19 Hình 4.19 Bounding box màu nâu dự đốn lớp bạch cầu Monocyte 129 Hình 4.20 ta thấy bạch cầu Monocyte có gắn bouding box Neutrophil Sai lầm xảy cấu trúc nhân tế bào Monocyte hình có hình thể gần giống nhân tế bào Neutrophil Bên cạnh đó, hình hai tế bào bạch cầu Monocyte Lymphocyte gần nhau, gây khó khăn việc phát phân loại 130 KẾT LUẬN Với ý tưởng áp dụng kỹ thuật khoa học máy tính vào lĩnh vực y tế việc áp dụng mơ hình học sâu để phân tích phân loại hình ảnh tế máu, đề tài “Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi” trình bày vấn đề sau:  Có kiến thức tổng quan máu, thành phần máu bệnh lý máu  Hiểu ý nghĩa quan trọng việc áp dụng kỹ thuật học sâu để giải vấn đề y tế thách thức, khó khăn cịn gặp phải  Hiểu rõ quy trình làm việc toán phát hiện, phân loại vật thể  Thực thử nghiệm huấn luyện mơ hình học sâu, đồng thời áp dụng chứng minh phương pháp sử dụng đạt hiệu phân loại  Hoàn thành mục tiêu đề ra: Thử nghiệm phát hiện, phân loại tế bào bạch cầu với mơ hình mạng Faster R-CNN YOLOv5 với tùy biến backbone So sánh, đánh giá hiệu mơ hình Qua q trình thực nghiệm sở liệu ảnh tế bào bạch cầu tạo từ nguồn thu thập liệu trực tiếp sở y tế nguồn liệu cơng bố cơng khai mạng, thấy việc áp dụng mơ hình mạng Faster R-CNN YOLOv5 hồn tồn hiệu Độ xác phân loại tế bào bạch cầu sử dụng mơ hình Faster R-CNN cao 95%, đặc biệt với backbone ResNet101 độ xác đạt tới 97,27% Độ xác mơ hình YOLOv5 backbone MobileNetv3 thấp đạt 93,59% Tuy nhiên mơ hình YOLO lại cho tốc độ phát 16ms nhanh gấp khoảng lần độ phát mơ hình Faster R-CNN Vì tùy yêu cầu mục tiêu đánh giá tốn độ xác hay tốc độ, cân nhắc lựa chọn hai mơ hình Faster RCNN YOLO Trong tương lại, đề tài cần nhiều hướng phát triển để 131 áp dụng vào thực tế cách hiệu cụ thể sau: Xây dựng thuật tốn để phát vùng ảnh với kích thước lớn hơn, thu thập thêm sở liệu để nâng cao độ xác nhiều mơi trường xét nghiệm, nhiều bệnh lý khác Nâng cấp phần cứng kính hiển vi để qt lần tồn mẫu phẩm máu thay phải dịch chuyển tiêu sa thủ công 132 TÀI LIỆU THAM KHẢO [1] PGS Nguyễn Anh Trí, Cẩm nang hiến máu tình nguyện, Bộ Y tế, Viện huyết học-Truyền máu trung ương,2007 [2] GS Nguyễn Ngọc Lanh, Sinh lý bệnh học, Nhà xuất Đại học Y Hà Nội, 2012 [3] https://www.photomarathonasia.com/tong-quan-ve-roi-loan-tieu-cau/, truy cập lần cuối 20/8/2022 [4] http://www.thietbisinhhoc.com/2018/04/ky-thuat-flow-cytometry.html, truy cập lần cuối 20/8/2022 [5] https://niviki.com/phan-biet-ai-machine-learning-va-deep-learning/, Truy cập lần cuối ngày 25/8/2022 [6] https://towardsdatascience.com/coding-deep-learning-for-beginners-types-ofmachine-learning-b9e651e1ed9d, truy cập lần cuối 25/8/2022 [7] https://medium.com/@aditi22prerna/unsupervised-learning-a24caf362e79, truy cập lần cuối 25/8/2022 [8] https://towardsdatascience.com/facebook-believes-in-omni-supervisedlearning-78f37253f4f4, truy cập lần cuối 25/8/2022 [9] I P A M T Ahmad Ashari, "Performance comparision between Naïve Bayes, Decision tree and k-Nearest Neighbor in searching alternative design in an energy simulation tool," International Journal of advanced computer science and, Vols 4, No.11, 2013 [10] https://towardsdatascience.com/underfitting-and-overfitting-in-machinelearning-and-how-to-deal-with-it-6fe4a8a49dbf, truy cập lần cuối 25/8/2022 [11] https://towardsdatascience.com/underfitting-and-overfitting-in-machinelearning-and-how-to-deal-with-it-6fe4a8a49dbf, truy cập lần cuối 25/8/2022 [12] https://www.linkedin.com/pulse/history-neural-networks-datta-dharanikota/, truy cập lần cuối 25/8/2022 [13] https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53, truy cập lần cuối 25/8/2022 133 [14] https://machinelearningcoban.com/2017/01/21/perceptron/, truy cập lần cuối 25/08/2022 [15] https://machinelearningcoban.com/2017/02/24/mlp/, truy cập lần cuối 25/08/2022 [16] http://cs231n.stanford.edu/, truy cập lần cuối 25/08/2022 [17] Y Lecun, L Bottou, Y Bengio and P Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, Vols 86, no 11, pp 2278-2324, Nov 1998 [18] https://semiengineering.com/new-vision-technologies-for-real-worldapplications/, truy cập lần cuối 25/08/2022 [19] https://vinodsblog.com/2018/10/15/everything-you-need-to-know-aboutconvolutional-neural-networks/, truy cập lần cuối 25/08/2022 [20] https://neurohive.io/en/popular-networks/vgg16/, "truy cập lần cuối 25/08/2022" [21] https://viblo.asia/p/tim-hieu-ve-hoghistogram-of-oriented-gradientsm68Z0wL6KkG, "truy cập lần cuối 25/08/2022" [22] https://machinelearningmastery.com/how-to-visualize-filters-and-featuremaps-in-convolutional-neural-networks/, "truy cập lần cuối 25/08/2022 [23] Ryabchykov, O., et al “Leukocyte subtypes classification by means of image processing In: 2016 Federated Conference on Computer Science and Information” Systems (FedCSIS), pp 309-316 IEEE, Poland, 2016 [24] Khamael, A., et al Classification of White Blood Cells Using L-Moments Invariant Features of Nuclei Shape In: 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ), pp 1–6 IEEE, New Zealand, 2018 [25] Sajjad, M., et al “Leukocytes classification and segmentation in microscopic blood smear: a resource-aware healthcare service in smart cities” IEEE Access 5, 3475-3489, 2016 [26] Yildirim, M.; Cinar, A.C Classification of White Blood Cells by Deep Learning Methods for Diagnosing Disease Rev d’Intell Artif 2019, 33, 335– 340 [27] Lu, Y.; Qin, X.; Fan, H.; Lai, T.; Li, Z WBC-Net: A white blood cell 134 segmentation network based on UNet++ and ResNet Appl Soft Comput 2021, 101, 107006 [28] Khan, S.; Sajjad, M.; Hussain, T.; Ullah, A.; Imran, A.S A Review on Traditional Machine Learning and Deep Learning Models for WBCs Classification in Blood Smear Images IEEE Access 2020, 9, 10657–10673 [29] Habibzadeh, M., Krzyżak, A., Fevens, T, “Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification”, Journal of Theoretical and Applied Computer Science 7, 2013 [30] Yu, W., et al, “Automatic classification of leukocytes using deep neural network”, IEEE 12th International Conference on ASIC (ASICON), pp 10411044 IEEE, China, 2017 [31] Macawile, M J., et al, “White blood cell classification and counting using convolutional neural network”, 3rd International Conference on Control and Robotics Engineering (ICCRE), pp 259-263 IEEE, Japan, 2018 [32] Liang, G., Hong, H., Xie, W., Zheng, L “Combining convolutional neural network with recursive neural network for blood cell image classification” IEEE Access 6, 36188-36197, 2018 [33] Alam, M.M.; Islam, M.T Machine learning approach of automatic identification and counting of blood cells Healthc Technol Lett 2019, 6, 103– 108 [34] Banik, P.P.; Saha, R.; Kim, K.D An automatic nucleus segmentation and CNN model based classification method of white blood cell Expert Syst Appl 2020, 149, 113211 [35] DCNN model with image pre-processing and a modified loss functionBasnet, J.; Alsadoon, A.; Prasad, P.; Al Aloussi, S.; Alsadoon, O.H A novel solution of using deep learning for white blood cells classification: Enhanced loss function with regularization and weighted loss (ELFRWL) Neural Process Lett 2020, 52, 1517–1553 [36] Baydilli, Y.Y.; Atila, Ü Classification of white blood cells using capsule networks Comput Med Imaging Graph 2020, 80, 101699 [37] Çınar, A.; Tuncer, S.A Classification of lymphocytes, monocytes, eosinophils, and neutrophils on white blood cells using hybrid Alexnet-GoogleNet-SVM 135 SN Appl Sci 2021, 3, 503 [38] Hegde, R.B.; Prasad, K.; Hebbar, H.; Singh, B.M.K Comparison of traditional image processing and deep learning approaches for classification of white blood cells in peripheral blood smear images Biocybern Biomed Eng 2019, 39, 382–392 [39] Khan, A.; Eker, A.; Chefranov, A.; Demirel, H White blood cell type identification using multi-layer convolutional features with an extremelearning machine Biomed Signal Process Control 2021, 69, 102932 [40] Jiangfan Yao, Xiwei Huang, Maoyu Wei, Wentao Han, Xuefeng Xu, Renjie Wang, Jin Chen, Lingling Sun, "High-Efficiency Classification of White Blood Cells Based on Object Detection", Journal of Healthcare Engineering, vol 2021, Article ID 1615192, 11 pages, 2021 [41] Özyurt, F A fused CNN model for WBC detection with MRMR feature selection and extreme learning machine Soft Comput 2020, 24, 8163–8172 [42] Huang, Q.; Li, W.; Zhang, B.; Li, Q.; Tao, R.; Lovell, N.H Blood cell classification based on hyperspectral imaging with modulated Gabor and CNN IEEE J Biomed Health Inform 2019, 24, 160–170 [43] K Almezhghwi and S Serte, “Improved Classification of White Blood [44] Cells with the Generative Adversarial Network and Deep Convolutional [45] Neural Network,” Comput Intell Neurosci., vol 2020, 20 [46] Imran Razzak, M.; Naz, S Microscopic blood smear segmentation and classification using deep contour aware CNN and extreme [47] machine learning In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, Honolulu, HI, USA, 21–26 July 2017; IEEE Press: Piscataway, NJ, USA, 2017; pp 49–55 [48] Jiang M, Cheng L, Qin FW, Du L, Zhang M White Blood Cells Classification with Deep Convolutional Neural Networks International Journal of Pattern Recognition and Artificial Intelligence 2018; 32 (9):1857006 [49] Redmon J, Farhadi A YOLOv3: An Incremental Improvement Preprint Available from: arXiv: 1804.02767v1 Cited Apr 2018 [50] He K, Gkioxari G, Dollar P, Girshick R Mask R-CNN Preprint Available from: arXiv:1703.06870v3 Cited 24 Jan 2018 136 [51] Zou ZX, Shi ZW Guo YH, and Ye JP Object Detection in 20 Years: A Survey Preprint Available from: arXiv: 1905.05055v1 Cited 13 May 2019 [52] Wang, Q.; Wang, J.; Zhou, M.; Li, Q.; Wen, Y.; Chu, J A 3D attention networks for classification of white blood cells from microscopy hyperspectral images Opt Laser Technol 2021, 139, 106931 [53] Wang Q, Bi S, Sun M, Wang Y, Wang D, Yang S (2019) Deep learning approach to peripheral leukocyte recognition PLoS ONE 14(6): e0218808 [54] urasyeera Rohaziat, Mohd Razali Md Tomari, Wan Nurshazwani Wan Zakaria and Nurmiza Othman, “White Blood Cells Detection using YOLOv3 with CNN Feature Extraction Models” International Journal of Advanced Computer Science and Applications(IJACSA), 11(10), 2020 [55] N Praveen, N S Punn, S K Sonbhadra, S Agarwal, M Syafrullah and K Adiyarta, "White blood cell subtype detection and classification," 2021 8th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 2021, pp 203-207 [56] Sangeetha, Vadivelu, Sini Anna Alex, A Parkavi and Veena V Pattankar “AN IMPROVED BLOOD CELL TYPE DETECTION AND CLASSIFICATION BY YOLOV4 DEEP LEARNING MODEL.” (2021) [57] Ramya A, Venkateswara Gupta Pola, Dr Amrutham Bhavya Vaishnavi, Sai Suraj Karra “Comparison of YOLOv3, YOLOv4 and YOLOv5 Performance for Detection of Blood Cells” International Research Journal of Engineering and Technology (IRJET), 2021,pp.4225-4229 [58] BCCD, Blood Cell Images Available online: https://www.kaggle.com/paultimothymooney/bloodcells/home (accessed URL on 25.09.2022) [59] https://towardsdatascience.com/faster-rcnn-object-detection-f865e5ed7fc4 truy cập lần cuối 25/08/2022 [60] https://www.linkedin.com/pulse/region-proposal-network-rpn-backbone-fasterr-cnn-tanay-karmarkar?trk=read_related_article-card_title Truy cập lần cuối 25/08/2022 [61] https://towardsdatascience.com/understanding-fast-r-cnn-and-faster-r-cnn-forobject-detection-adbb55653d97 truy cập lần cuối 25/08/2022 137 [62] Zhou, Qing-Qing & Wang, Jiashuo & Tang, Wen & Hu, Zhang-Chun & Xia, Zi-Yi & Li, Xue-Song & Zhang, Rongguo & Yin, Xindao & Zhang, Hong (2020) Automatic Detection and Classification of Rib Fractures on Thoracic CT Using Convolutional Neural Network: Accuracy and Feasibility Korean Journal of Radiology 21 10.3348/kjr.2019.0651 [63] Ding, Yuchen & Li, Zichen & Yastremsky, David (2021) Real-time Face Mask Detection in Video Data [64] Yang L, Yan J, Li H, Cao X, Ge B, Qi Z, Yan X Real-Time Classification of Invasive Plant Seeds Based on Improved YOLOv5 with Attention Mechanism Diversity 2022; 14(4):254 https://doi.org/10.3390/d14040254 [65] Huang, Gao et al “Densely Connected Convolutional Networks.” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2017): 2261-2269 [66] Huang, Zhanchao and Jianlin Wang “DC-SPP-YOLO: Dense Connection and Spatial Pyramid Pooling Based YOLO for Object Detection.” Inf Sci 522 (2020): 241-258 [67] https://towardsdatascience.com/dive-really-deep-into-YOLO-v3-a-beginnersguide- 9e3d2666280e truy cập cuối ngày 25/09/2022 [68] https://towardsdatascience.com/YOLO-v3-object-detection-53fb7d3bfe6b, truy cập cuối ngày 25/09/2022 [69] Howard, Andrew G et al “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.” ArXiv abs/1704.04861 (2017): n pag [70] https://medium.com/visionwizard/understanding-attention-modules-cbam-andbam-aquick-read-ca8678d1c671, truy cập cuối ngày 25/08/2022 [71] Hu, Jie et al “Squeeze-and-Excitation Networks.” 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (2018): 7132-7141 138 ... nghiên cứu ứng dụng kỹ thuật học sâu tự động phát hiện, phân loại tế bào máu 26 CHƯƠNG PHÂN TÍCH BÀI TỐN ỨNG DỤNG KỸ THUẬT HỌC SÂU ĐỂ PHÁT HIỆN, PHÂN LOẠI Trong chương giới thiệu kỹ thuật học sâu, ... ? ?Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi? ?? Vì mục tiêu luận văn tìm hiểu tế bào máu bệnh lý liên quan, nghiên cứu phương pháp tự động phân. ..TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Ứng dụng kỹ thuật học sâu để phát hiện, phân loại tế bào máu ảnh hiển vi chụp tiêu máu ngoại vi ĐẶNG XUÂN HỢP Ngành: Kỹ thuật Y sinh Giảng vi? ?n hướng