Nhận dạng tế bào máu

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HCM KHOA CÔNG NGHỆ THÔNG TIN KHÓA LUẬN TỐT NGHIỆP NHẬN DẠNG TẾ BÀO MÁU 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 năm 2021 TRƯỜNG ĐH CÔNG NGHIỆP TP HCM KHOA CÔNG NGHỆ THÔNG TIN - // - CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự - Hạnh phúc - // - NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP Họ tên sinh viên: Võ Vương Thành Đạt MSSV: 17048081 Chun ngành: Khóa học máy tính Lớp: DHKHMT13A   Tên đề tài khóa luận/đồ án: nhận dạng phân tích tế bào máu Nhiệm vụ: Phân đoạn bạch cầu từ ảnh phết máu kính hiển vi Phân loại bạch cầu sau phân đoạn Ngày giao khóa luận tốt nghiệp: 17/6/2021 Ngày hồn thành khóa luận tốt nghiệp: (đợt 1, ngày 31/5/2021) Họ tên giảng viên hướng dẫn: Huỳnh Trung Hiếu Tp Hồ Chí Minh, ngày 01 tháng năm 2021 Chủ nhiệm môn Giảng viên hướng dẫn LỜI CẢM ƠN Trước hết em xin xin bày tỏ lòng biết ơn sâu sắc tới giảng viên hướng dẫn PGS.TS Huỳnh Trung Hiếu tận tình giúp đỡ, hướng dẫn em nhiều suốt trình tìm hiểu nghiên cứu hoàn thành báo cáo tốt nghiệp Em xin chân thành cảm ơn thầy cô khoa Công nghệ thông tin trường Đại học Cơng nghiệp thành phố Hồ Chí Minh trang bị cho em kiến thức cần thiết để em hồn thành báo cáo Xin gửi lời cảm ơn đến bạn bè người bên em động viên tạo điều kiện thuận lợi cho em, tận tình giúp đỡ bảo em, em cịn thiếu sót q trình làm báo cáo tốt nghiệp Cuối em xin bày tỏ lòng biết ơn sâu sắc tới người thân gia đình dành cho em quan tâm đặc biệt ln động viên em Vì thời gian có hạn, trình độ hiểu biết thân cịn nhiều hạn chế Cho nên đồ án khơng tránh khỏi thiếu sót, em mong nhận đóng góp ý kiến tất thầy cô bạn bè để đồ án em hoàn thiện Em xin chân thành cảm ơn! Tp Hồ Chí Minh, ngày 01 tháng năm 2021 Sinh viên thực (Ghi họ tên) NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Phần đánh giá: (thang điểm 10) Thái độ thực hiện: Nội dung thực hiện: Kỹ trình bày: Tổng hợp kết quả: Điểm số: Điểm chữ: Tp Hồ Chí Minh, ngày 01 tháng năm 2021 Trưởng môn Giảng viên hướng dẫn Chuyên ngành (Ký ghi rõ họ tên) MỤC LỤC LỜI CẢM ƠN NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN MỤC LỤC DANH MỤC BẢNG BIỂU DANH MỤC HÌNH ẢNH LỜI NÓI ĐẦU CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiệu 1.2 Các nghiên cứu liên quan CHƯƠNG 2: MƠ HÌNH XỬ LÝ 2.1 Tổng quan hướng tiếp cận 2.2 Dữ liệu 2.3 Tiền xử lý 2.4 Phân đoạn bạch cầu 2.4.1 Chuyển phần tử H sang ảnh nhị phân 2.4.2 Xóa đối tượng nhiễu 2.4.3 Tách bạch cầu dính watershed 2.5 Phân loại bạch cầu 10 2.5.1 Kiến trúc CNN 10 2.5.1.1 Convolutional layer 11 2.5.1.2 Pooling layer 11 2.5.1.3 Fully connected layer 11 2.5.1.4 Dropout layer 11 2.5.1.5 Activation functions 11 2.5.2 Dữ liệu dùng để huấn luyện kiểm thử 12 2.5.3 Các mơ hình CNN sử dụng 19 2.5.3.1 Mơ hình AlexNet 19 2.5.3.2 Mơ hình VGG16 20 2.5.3.3 Mơ hình GoogLeNet 21 2.5.3.4 Mơ hình ResNet50 25 CHƯƠNG 3: KẾT QUẢ VÀ THỰC NGHIỆM 27 3.1 Kết giai đoạn phân đoạn 27 3.2 Kết giai đoạn phân lớp 28 3.2.1 Kết mơ hình AlexNet 29 3.2.2 Kết mơ hình VGG16 33 3.2.3 Kết mô hình GoogLeNet 36 3.2.4 Kết mơ hình ResNet50 40 3.2.5 CNN So sánh độ xác trung bình thời gian huấn luyện mơ hình 43 3.3 Kết thực 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 DANH MỤC BẢNG BIỂU Bảng 3.1: thống kê giai đoạn phân đoạn 28 Bảng 3.2: confusion matrix liệu PBC AlexNet 31 Bảng 3.3: đánh giá AlexNet liệu PBC qua precision, recall, f1-score 31 Bảng 3.4: confusion matrix liệu LISC AlexNet 32 Bảng 3.5: đánh giá AlexNet liệu LISC qua precision, recall, f1-score 32 Bảng 3.6: confusion matrix liệu PBC VGG16 35 Bảng 3.7: đánh giá VGG16 liệu PBC qua precision, recall, f1-score 35 Bảng 3.8: confusion matrix liệu LISC VGG16 35 Bảng 3.9: đánh giá VGG16 liệu LISC qua precision, recall, f1-score 36 Bảng 3.10: confusion matrix liệu PBC GoogLeNet 38 Bảng 3.11: đánh giá GoogLeNet liệu PBC qua precision, recall, f1-score 38 Bảng 3.12: confusion matrix liệu LISC GoogLeNet 39 Bảng 3.13: đánh giá GoogLeNet liệu LISC qua precision, recall, f1-score 39 Bảng 3.14: confusion matrix liệu PBC ResNet50 42 Bảng 3.15: đánh giá ResNet50 liệu PBC qua precision, recall, f1-score 42 Bảng 3.16: confusion matrix liệu LISC ResNet50 42 Bảng 3.17: đánh giá ResNet50 liệu LISC qua precision, recall, f1-score 43 Bảng 3.18: so sánh độ xác thời gian huấn luyện mơ hình 43 DANH MỤC HÌNH ẢNH Hình 2.1: giai đoạn xử lý đề tài Hình 2.2: tập liệu từ bệnh viện Hình 2.3: chuyển ảnh từ BGR sang HSV Hình 2.4: phần tử H, S, V Hình 2.5: chuyển ảnh H sang nhị phân Hình 2.6: xóa đối tượng nhiễu khỏi ảnh nhị phân Hình 2.7: phép ảnh nhị phân kernel Hình 2.8: tách bạch cầu dính watershed Hình 2.9: xóa đối tượng có diện tích bé 300 Hình 2.10: kiến trúc CNN 10 Hình 2.11: số mẫu bạch cầu tập liệu PBC dataset normal DIB 12 Hình 2.12: phân đoạn bạch cầu basophil, eosinophil, lymphocyte 14 Hình 2.13: phân đoạn bạch cầu monocyte 16 Hình 2.14: phân đoạn bạch cầu neutrophil 18 Hình 2.15: liệu bạch cầu sau tách khỏi ảnh 19 Hình 2.16: mơ hình AlexNet 20 Hình 2.17: mơ hình VGG16 21 Hình 2.18: cấu trúc khối inception GoogLeNet 22 Hình 2.19: cấu trúc mạng lưới bổ sung GoogLeNet 23 Hình 2.20: mơ hình GoogLeNet 25 Hình 2.21: cấu trúc skip connection 25 Hình 2.22: dạng identity skip connection 25 Hình 2.23: dạng convolutional skip connection 25 Hình 2.24: mơ hình ResNet50 26 Hình 3.1: kết giai đoạn phân đoạn 28 Hình 3.2: biểu đồ độ xác liệu huấn luyện AlexNet 29 Hình 3.3: biểu đồ mát liệu huấn luyện AlexNet 30 Hình 3.4: biểu đồ độ xác liệu kiểm thử AlexNet 30 Hình 3.5: biểu đồ mát liệu kiểm thử Alexnet 31 Hình 3.6: biểu đồ độ xác liệu huấn luyện VGG16 33 Hình 3.7: biểu đồ mát liệu huấn luyện VGG16 33 Hình 3.8: biểu đồ độ xác liệu kiểm thử VGG16 34 Hình 3.9: biểu đồ mát liệu kiểm thử VGG16 34 Hình 3.10: biểu đồ độ xác liệu huấn luyện GoogLeNet 36 Hình 3.11: biểu đồ mát liệu huấn luyện GoogLeNet 37 Hình 3.12: biểu đồ độ xác liệu kiểm thử GoogLeNet 37 Hình 3.13: biểu đồ mát liệu kiểm thử GoogLeNet 38 Hình 3.14: biểu đồ độ xác liệu huấn luyện ResNet50 40 Hình 3.15: biểu đồ mát liệu huấn luyện ResNet50 40 Hình 3.16: biểu đồ độ xác liệu kiểm thử ResNet50 41 Hình 3.17: biểu đồ mát liệu kiểm thử ResNet50 41 Hình 3.18: giao diện web khởi động 44 Hình 3.19: giao diện web upload ảnh 44 Hình 3.20: giao diện web submit ảnh 45 LỜI NÓI ĐẦU Nhận dạng phân tích tế bào máu đóng vai trị quan trọng việc chẩn đốn điều trị bệnh Tuy nhiên, giải pháp truyền thống tồn nhiều hạn chế, bao gồm việc đòi hỏi kinh nghiệm nhân viên y tế, thời gian xử lý, chi phí Với phát triển trí tuệ nhân tạo nay, việc ứng dụng mô hình máy học kết hợp với kỹ thuật xử lý ảnh phân tích ảnh mang lại kết vượt trội nhiều ứng dụng khác Do tốn nhận dạng phân tích tế bào máu thực theo cách tiếp cận Trong trình xử lý, ta thực tập liệu gồm ảnh phết máu kính hiển vi Bước ảnh phết máu cắt thành ảnh vuông nhỏ theo vùng chứa tế bào bạch cầu phương pháp xử lý ảnh, ảnh bạch cầu sau tách dùng làm đầu vào cho mơ hình phân loại Từ đó, ta đánh giá độ xác độ tối ưu mơ hình khác lựa chọn mơ hình tốt Bạn tham khảo chương trình đường dẫn sau: https://gitlab.com/vvtd_public/wbcs Hình 3.13: biểu đồ mát liệu kiểm thử GoogLeNet Bảng 3.10: confusion matrix liệu PBC GoogLeNet Basophils Eosinophils Lymphocytes Monocytes Neutrophils Basophils 243 0 0 100% Eosinophils 622 0 99.84% Lymphocytes 0 239 98.76% Monocytes 0 279 98.24% Neutrophils 1 661 99.4% 99.6% 99.84% 98.35% 98.59% 99.55% Bảng 3.11: đánh giá GoogLeNet liệu PBC qua precision, recall, f1-score Precision Recall F1-score Support Basophils 99.6% 100% 100% 243 Eosinophils 99.84% 99.84% 100% 623 Lymphocytes 98.35% 98.76% 99% 242 Monocytes 98.59% 98.24% 98% 24 Neutrophils 99.55% 99.4% 99% 665 38 Bảng 3.12: confusion matrix liệu LISC GoogLeNet Basophils Eosinophils Lymphocytes Monocytes Neutrophils Basophils 19 29 0% Eosinophils 28 10 71.79% Lymphocytes 14 17 27 28.81% Monocytes 35 4 8.33% Neutrophils 0 0 56 100% 0% 29.17% 32.69% 10.52% 78.87% Bảng 3.13: đánh giá GoogLeNet liệu LISC qua precision, recall, f1-score Precision Recall F1-score Support Basophils 0% 0% 0% 55 Eosinophils 29.17% 71.79% 41.48% 39 Lymphocytes 32.69% 28.81% 30.63% 59 Monocytes 10.52% 8.33% 9.3% 48 Neutrophils 78.87% 100% 88.19% 56 Từ Bảng 3.10 Bảng 3.11 ta thấy mơ hình GoogLeNet có độ dự đốn xác cao lớp basophil, eosinophil neutrophil 99.4% Ngoài hai lớp lại lymphocyte monocyte đạt độ xác khơng 98.76% 98.24% Tuy nhiên, liệu LISC khác lớp basophil, lymphocyte, monocyte, lại có độ xác khác tốt hai lớp eosinophil neutrophil 71.79% 100% 39 3.2.4 Kết mơ hình ResNet50 Hình 3.14: biểu đồ độ xác liệu huấn luyện ResNet50 Hình 3.15: biểu đồ mát liệu huấn luyện ResNet50 40 Hình 3.16: biểu đồ độ xác liệu kiểm thử ResNet50 Hình 3.17: biểu đồ mát liệu kiểm thử ResNet50 41 Bảng 3.14: confusion matrix liệu PBC ResNet50 Basophils Eosinophils Lymphocytes Monocytes Neutrophils Basophils 241 0 0 100% Eosinophils 605 1 99.5% Lymphocytes 232 97.89% Monocytes 0 274 98.92% Neutrophils 642 98.17% 98.37% 99.83% 98.72% 95.14% 99.84% Bảng 3.15: đánh giá ResNet50 liệu PBC qua precision, recall, f1-score Precision Recall F1-score Support Basophils 98.37% 100% 99.18% 241 Eosinophils 99.83% 99.5% 99.67% 608 Lymphocytes 98.72% 97.89% 98.3% 237 Monocytes 95.14% 98.92% 96.99% 277 Neutrophils 99.84% 98.17% 98.99% 654 Bảng 3.16: confusion matrix liệu LISC ResNet50 Basophils Eosinophils Lymphocytes Monocytes Neutrophils Basophils 14 35 7.27% Eosinophils 15 22 57.89% Lymphocytes 12 44 0% Monocytes 27 20 41.67% Neutrophils 0 51 0% 6.35% 56.41% 0% 13.16% 0% 42 Bảng 3.17: đánh giá ResNet50 liệu LISC qua precision, recall, f1-score Precision Recall F1-score Support Basophils 6.35% 7.27% 6.79% 55 Eosinophils 56.41% 57.89% 57.14% 39 Lymphocytes 0% 0% 0% 59 Monocytes 13.16% 41.67% 20% 48 Neutrophils 0% 0% 0% 56 Từ Bảng 3.14 Bảng 3.15 ta thấy mơ hình ResNet50 có độ xác cao lớp basophil, eosinophil 100% 99.5% Tuy nhiên, ba lớp cịn lại có kết chưa tốt chưa có lớp đạt độ xác 99% Ngồi ra, tập liệu LISC khơng cao lớp basophil, eosinophil, monocyte có độ xác 0% hai lớp lymphocyte neutrophil 3.2.5 So sánh độ xác trung bình thời gian huấn luyện mơ hình CNN Bảng 3.18: so sánh độ xác thời gian huấn luyện mơ hình Mơ hình Độ xác tập huấn luyện Độ xác tập kiểm thử Thời gian huấn luyện (phút) 99.21% 99.31% AlexNet 164 100% 98.71% VGG16 226 99.37% 99.31% GoogLeNet 175 99.48% 99.01% ResNet50 224 Sau xem qua đánh giá mơ hình ta thấy ba mơ hình AlexNet, VGG16 ResNet50 có kết tốt độ xác liệu kiểm thử 99% mô hình cịn lại VGG16 khơng với độ xác 98.71% tập kiểm thử Trong đó, hai mơ hình AlexNet GoogLeNet có độ xác cao tập kiểm thử có độ xác 99.31% đồng thời có thời gian huấn luyện thấp 164 phút 175 phút Ngoài ra, xem xét biểu đồ huấn luyện mơ hình ta thấy, biểu đồ mơ hình AlexNet GoogLeNet tốt, khơng có q nhiều lao dốc độ xác tập kiểm thử huấn luyện Do đó, hai mơ hình AlexNet GoogLeNet hai mơ hình tốt sau huấn luyện Song với đó, ta nhận lớp eosinophil ln đạt độ xác phân loại 99% với tất mơ hình 3.3 Kết thực web Các giai đoạn phân đoạn phân lớp nêu Chương kết hợp lại với thực ứng dụng web viết framework Django phiên 3.2.0 Ngồi ngơn ngữ python web cịn viết javascript kết hợp với html css Giao diện web bắt đầu khởi động có nút để upload ảnh lên nút để Submit ảnh thể Hình 3.18 43 Hình 3.18: giao diện web khởi động Giao diện web upload ảnh lên thể Hình 3.19 Hình 3.19: giao diện web upload ảnh Giao diện web nhấn nút Submit trả danh sách bạch cầu có ảnh loại chúng bên phải bạch cầu tương ứng, thể Hình 3.20 44 Hình 3.20: giao diện web submit ảnh 45 KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận Sau giai đoạn tiền xử lý chuyển đổi kích thước, khơng gian màu cho ảnh, giai đoạn phân đoạn tiến hành thuật tốn tìm ngưỡng thuật toán otsu, loại bỏ nhiễu với diện tích độ liên kết dùng thuật tốn watershed để phân tách bạch cầu dính Từ đó, ta có ảnh bạch cầu tách rời cho giai đoạn thứ ba phân loại bạch cầu Ở ảnh bạch cầu dự đoán mơ hình CNN mà ta huấn luyện cho loại bạch cầu tương ứng với độ xác cao 99% Từ đó, ta kết luận áp dụng kỹ thuật xử lý ảnh mơ hình học sâu vào toán phân đoạn phân loại bạch cầu đem lại nhiều kết tốt khả quan độ xác mơ hình cao Việc đếm số lượng bạch cầu phân loại chúng tự động giúp cho chuyên viên y tế giảm bớt nhiều thời gian, chi phí tiến hành phân tích ảnh phết máu bệnh nhân Bên phần phân tích xây dựng hệ thống phân đoạn phân loại bạch cầu Cuối cùng, đồ án thu số kết sau:    4.2 Xây dựng mơ hình phân đoạn phân loại bạch cầu Hiện thực web app Giao diện web đơn giản, dễ sử dụng Kiến nghị 4.2.1 Hạn chế       Giai đoạn phân đoạn phân loại bạch cầu chưa thực xác nhiều loại ảnh phết máu khác Phân đoạn chưa xác ảnh có nhiều vết màu nhuộm Phân đoạn chưa xác với bạch cầu dính sát Phân đoạn mức bạch cầu Giao diện web chưa đẹp Tốc độ xử lý chậm 4.2.2 Hướng nghiên cứu tương lai      Nâng cấp giai đoạn phân đoạn để có độ xác cao Huấn luyện mơ hình phân loại với nhiều liệu Cải thiện giao diện web đẹp có thêm nhiều tính tương tác với ảnh giao diện Cải thiện tốc độ xử lý hệ thống Thêm tính bảo mật thông tin truyền liệu 46 TÀI LIỆU THAM KHẢO [1] University of Rochester Medical Center Rochester https://www.urmc.rochester.edu/encyclopedia/content.aspx?ContentID=35&ContentTypeI D=160 [2] Veronelli, A.; Laneri, M.; Roberto, R.; White Blood Cells Obesity and Diabetes Diabetes Care, 2004, 27(10),2501- 2502, DOI: https://doi.org/10.2337/diacare.27.10.2501 [3] Low white blood cell count https://www.mayoclinic.org/symptoms/low-white-blood-cell-count/basics/causes/sym20050615#:~:text=A%20low%20white%20blood%20cell,diseases%20that%20damage%2 0bone%20marrow [4] Nohynek, H.; Valkeila, E.; Leinonen M Erythrocyte sedimentation rate white blood cell count and serum C reactive protein in assessing etiologic diagnosis of acute lower respiratory infections in children The Pediatric Infectious Disease Journal 1995, 14, 484-490, ISSN: 0891-3668 https://journals.lww.com/pidj/Abstract/1995/06000/Erythrocyte_sedimentation_rate,_white _blood_cell.4.aspx [5] Shah, S.S.; Shofer, F.S.; Seidel, J.S.; Significance of extreme leukocytosis in the evaluation of febrile children Pediatr Infect Dis J 2005 , 24, 627- 630, DOI: https://doi.org/10.1016/j.jemermed.2005.11.038 [6] Tsukahara T., Yaguchi A., Horiuchi Y Significance of monocytosis in varicella and herpes zoster The Journal of Dermatology 1992,19,94-98 DOI: https://doi.org/10.1111/j.1346-8138.1992.tb03187.x [7] Rothenberg M.E., Eosinophilia The New England Journal of Medicine 1998, 338, 1592-1600, DOI: https://doi.org/10.1056/NEJM199805283382206 47 [8] Auletta J.J.; Shurin S.B Eosinophilia What does it mean Available online: URL http://www.contemporarypediatrics.com/obstetrics-gynecology-womenshealth/eosinophilia-what-does-it-mean [9] Barbara, J.B Diagnosis from the Blood Smear The New England Journal of Medicine 2005, 353, 498-507, DOI: https://doi.org/10.1056/NEJMra043442 [10] Acharjee, S., Chakrabartty, S., Alam, M.I., Dey, N., Santhi, V., and Ashour, A.S.: ‘A semiautomated approach using GUI for the detection of red blood cells’, Proc Int Conf on Electrical, Electronics, and Optimization Techniques, 2016, pp 525–529, DOI: https://doi.org/10.1109/ICEEOT.2016.7755669 [11] Lou, J., Zhou, M., Li, Q., Yuan, C., and Liu, H.: ‘An automatic red blood cell counting method based on spectral images’, Proc Int Congress on Image and Signal Processing, BioMedical Engineering and Informatics, October 2016, pp 1391–1396, DOI: https://doi.org/10.1109/CISP-BMEI.2016.7852934 [12] Islam, M.T., Aowal, M.A., Minhaz, A.T., and Ashraf, K.: ‘Abnormality Detection and Localization in Chest X-Rays using Deep Convolutional Neural Networks’, arXiv preprint arXiv:1705.09850v3, 2017 https://arxiv.org/pdf/1705.09850.pdf [13] Avendi, M.R., Kheradvar, A., and Jafarkhani, H.: ‘A combined deep-learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI’, Medical image a 76nalysis, May 2016, 30, pp 108-119, DOI: https://doi.org/10.1016/j.media.2016.01.005 [14] Gulshan, V., Peng, L., Coram, M., et al.: ‘Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs’, JAMA 2016;316(22):2402-2410 https://doi.org/10.1001/jama.2016.17216 [15] Hegde, R.B.; Prasad K.; Hebbar H.; Development of a Robust Algorithm for Detection of Nuclei and Classification of White Blood Cells in Peripheral Blood Smear Images, Journal of Medical Systems 2018, 42(6), 110, DOI: https://doi.org/10.1007/s10916-018-0962-1 48 [16] Neelam, S.; Ramakrishnan, A G.; Automation of differential blood count Proc IEEE Conference on Convergent Technologies for the Asia-Pacific Region, Bangalore, India, 1517.10.2003, 2,547–551, DOI: https://doi.org/10.1109/TENCON.2003.1273221 [17] Nisha, R.; Bryan, D.; Mohammed, E S.; Tolga, T Isolation and two-step classification of normal white blood cells in peripheral blood smears Journal of Pathology Informatics 2012, 3(1), 10, DOI https://doi.org/10.4103/2153-3539.93895 [18] Arslan, S.; Ozyurek, E.; Gunduz D.C A color and shape based algorithm for segmentation of white blood cells in peripheral blood and bone marrow images Cytometry Part A 2014, 85, 480–490, DOI: https://doi.org/10.1002/cyto.a.22457 [19] Hiremath, P S.; Parashuram, B.; Sai, G.; Automated identification and classification of white blood cells (leukocytes) in digital microscopic images International Journal of Computer Applications 2010, Special Issue RTIPPR 2, 59–63, ISSN: 0975 – 8887 https://www.ijcaonline.org/specialissues/rtippr/number2/977-100 [20] Sawsan, F B.; Ahmed, M D.; Hany, A T.; Samir, I S Segmentation and classification of white blood cells Proc IEEE Int Conf Acoust Speech Signal Process, 4, 2259–2261, 2000, DOI: https://doi.org/10.1109/ICASSP.2000.859289 [21] Nazlıbilek, S.; Karacor, D.; Ercan, T.; Sazli, H.S.; Kalender, O.; Ege, Y Automatic segmentation, counting, size determination and classification of white blood cells Measurement 2014, 55, 58–65, DOI: https://doi.org/10.1016/j.measurement.2014.04.008 [22] Rezatofighi S.H.; Zadeh-Soltanian H Automatic recognition of five types of white blood cells in peripheral blood, Comput Med Imaging Graph 2011, 35(4), 333–343, DOI: https://doi.org/10.1016/j.compmedimag.2011.01.003 [23] Mathur, A.; Tripathi, A S.; Kuse, M.; Scalable system for classification of white blood cells from Leishman stained blood stain images J Pathol Informatics 2013, 4(2), 15, DOI: 49 https://doi.org/10.4103/2153-3539.109883 [24] Der-Chen, H.; Kun Ding, H.; Yung Kuan, C A computer assisted method for leukocyte nucleus segmentation and recognition in blood smear images J Syst Software 2012, 85, 2104–2118, DOI: https://doi.org/10.1016/j.jss.2012.04.012 [25] Nenden Siti Fatonah; Handayani Tjandrasa; Chastine Fatichah; Automatic Leukemia Cell Counting using Iterative Distance Transform for Convex Sets 2018, 8, 1731-1740, DOI: http://doi.org/10.11591/ijece.v8i3.pp1731-1740 [26] vohungvi; Đếm đồng xu nằm chồng opencv 20/09/2014 https://thigiacmaytinh.com/dem-cac-dong-xu-nam-chong-bang-opencv/ [27] ntppro; Image segmentation with Watershed algorithm; 9/5/2019 https://codelungtung.wordpress.com/2019/05/09/image-segmentation-with-watershedalgorithm/ [28] Nguyễn Đình Phúc; Phân đoạn ảnh dựa thuật toán nở vùng; 2018 https://lib.hpu.edu.vn/bitstream/handle/123456789/30599/Nguyen-Dinh-Phuc-CT1701.pdf [29] T Ahmad Aris; A S Abdul Nasir and W A Mustafa; Analysis of Distance Transforms for Watershed Segmentation on Chronic Leukaemia Images https://core.ac.uk/download/pdf/229272682.pdf [30] Andrea Acevedo; Anna Merino, Santiago Alferez, Ángel Molina, Laura Boldú, José Rodellar; A dataset for microscopic peripheral blood cell images for development of automatic recognition systems; 8/6/2020 https://data.mendeley.com/datasets/snkd93bnjr/1 [31] Alex Krizhevsky.; Ilya Sutskever Geoffrey.; E Hinton ImageNet Classification with Deep Convolutional Neural Networks https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf [32] Karen Simonyan.; Andrew Zisserman Very Deep Convolutional Networks for LargeScale Image Recognition https://arxiv.org/abs/1409.1556 50 [33] Christian Szegedy; Wei Liu; Yangqing Jia; Pierre Sermanet; Scott Reed; Dragomir Anguelov; Dumitru Erhan; Vincent Vanhoucke; Andrew Rabinovich; Going deeper with convolutions https://arxiv.org/pdf/1409.4842.pdf [34] Kaiming He; Xiangyu Zhang; Shaoqing Ren; Jian Sun; Deep Residual Learning for Image Recognition https://arxiv.org/pdf/1512.03385.pdf [35] MK Gurucharan; Basic CNN Architecture: Explaining Layers of Convolutional Neural Network https://www.upgrad.com/blog/basic-cnn-architecture/ [36] Vandit Jain; Everything you need to know about “Activation Functions” in Deep learning models https://towardsdatascience.com/everything-you-need-to-know-about-activation-functionsin-deep-learning-models-84ba9f82 [37] LISC: Leukocyte Images for Segmentation and Classification http://users.cecs.anu.edu.au/~hrezatofighi/Data/Leukocyte%20Data.htm 51