(TỔNG HỢP) MORPHOLOGICAL IMAGE PROCESSING PHÂN TÍCH XỬ LÝ HÌNH THÁI HỌC (có pptx) CÓ THỰC HÀNH PHÁT HIỆN BỆNH UNG THƯ NÃO Lý thuyết hình thái toán học là một lĩnh vực nghiên cứu trong toán học liên quan đến các khái niệm hình thái học, bao gồm các khái niệm như hình dạng, kích thước, chiều cao, chiều rộng, khoảng cách giữa các điểm, và các thuộc tính khác của vật thể. Thực hành quét phát hiện ung thư não trên hệ thống trực tuyến.
UỶ BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC SÀI GỊN KHOA TỐN - ỨNG DỤNG PHÂN TÍCH XỬ LÝ ẢNH MORPHOLOGICAL IMAGE PROCESSING (Xử lý hình thái học) Giảng viên bộ môn: Thầy TS Phạm Thế Bảo Sinh viên thực hiện: Phan Minh Thương 3119480082 Mai Thị Hờng Xun 3119480113 Tp Hồ Chí Minh, tháng 04 năm 2023 i UỶ BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC SÀI GỊN KHOA TỐN - ỨNG DỤNG PHÂN TÍCH XỬ LÝ ẢNH MORPHOLOGICAL IMAGE PROCESSING (Xử lý hình thái học) Giảng viên bợ mơn: Thầy TS Phạm Thế Bảo Sinh viên thực hiện: Phan Minh Thương 3119480082 Mai Thị Hờng Xun 3119480113 Tp Hồ Chí Minh, tháng 04 năm 2023 i YÊU CẦU ĐỀ TÀI Tìm hiểu lý thuyết Xử lý hình thái (Morphological Image Processing) Thực hành phân tích bệnh ung thư não ii LỜI CẢM ƠN Để hoàn thành tiểu luận này, em xin gửi lời cảm ơn chân thành đến giảng viên bộ môn Phân tích xử lý ảnh - Thầy TS Phạm Thế Bảo khoa Công nghệ Thông tin Cảm ơn thầy giảng dạy, chi tiết những kiến thức và tận tình giúp đỡ cũng giải đáp các thắc mắc để em có thêm nguồn kiến thức để nghiên cứu và thực hiện đề tài Đối với bản thân chúng em, môn học này rất bổ ích và thú vị, giúp em hiểu môi trường của ảnh,… Và em cũng xin gửi lời cảm ơn đến Ban Giám hiệu nhà trường Đại học Sài Gòn và các thầy cô đưa môn học này vào chương trình đào tạo của ngành Toán Tin Do chưa có nhiều kinh nghiệm làm đề tài cũng những hạn chế kiến thức, báo cáo đồ án chắc chắn khơng tránh khỏi những thiếu sót Rất mong nhận sự nhận xét, ý kiến đóng góp, phê bình từ phía thầy để tiểu luận hồn thiện Lời ći cùng, em xin kính chúc thầy thật nhiều sức khỏe, thành công hạnh phúc iii DANH MỤC BIỂU ĐỒ, HÌNH ẢNH Hình 1: Ảnh và đối tượng ảnh Hình 2: Minh hoạ tập hợp Hình 3: Toán tử logic .5 Hình 4: Minh hoạ phần tử cấu trúc của ảnh Hình 5: Ví dụ a) phép giãn nở nhị phân Hình 6: Ví dụ b) phép giãn nở nhị phân Hình 7: Quá trình quét của phần tử cấu trúc hình ảnh nhị phân Hình 8: Ví dụ d) phép giãn nở nhị phân 10 Hình 9: Ví dụ a) phép co nhị phân 11 Hình 10: Ví dụ b) phép co nhị phân 12 Hình 11: Ví dụ c) phép co nhị phân 12 Hình 12: a) ảnh gớc, b) hình dáng của phần tử cấu trúc, c) ảnh sau thực hiện phép co ảnh với phần tử cấu trúc, d) ảnh kết quả theo cơng thức trích lọc biên 18 Hình 13: Quá trình làm đầy đối tượng ảnh 20 Hình 14: Quá trình tách thành phần liên thông .21 Hình 15: Quá trình thực hiện thuật tốn bao lời 22 Hình 16: Phép bao lồi với đối tượng ảnh .23 Hình 17:Quá trình làm mảnh đối tượng ảnh 24 Hình 18: Quá trình thực hiện thuật toán tìm xương 25 Hình 20: Hình chụp MRI não người có kết quả dương tính với ung thư não 27 Hình 19: Hình chụp MRI não người có kết quả âm tính với ung thư não 27 Hình 21: Kết quả của trình huấn luyện qua epoch Hình 22: Kết quả dự đoán của mơ hình Hình 23: Hình chụp MRI (CT) não người âm tính với ung thư não Hình 24: Hình chụp MRI (CT) não người dương tính với ung thư não Hình 25: : Kết quả dự đoán ung thư não iv MỤC LỤC LỜI CẢM ƠN iii DANH MỤC BIỂU ĐỒ, HÌNH ẢNH iv CHƯƠNG I: TÌM HIỂU VỀ XỬ LÝ HÌNH THÁI HỌC I Lịch sử hình thành: II Lý thuyết hình thái tốn học gì? III Khái niệm xử lý hình ảnh hình thái (MIP) IV Mục đích: .2 V Định nghĩa dựa các điều kiện VI Khái niệm bản tập hợp CHƯƠNG 2: CÁC THUẬT TỐN XỬ LÝ HÌNH THÁI HỌC I Phần tử cấu trúc (Structuring Element) II Phép giãn nở nhị phân (Dilation) - Mục đích: .7 - Phép toán: - Các bước thực hiện: .8 - Ví dụ: III Phép co nhị phân (Erosion) 10 - Mục đích: .10 - Phép toán: 10 - Đối với Python: 10 - Các bước thực hiện: 11 - Ví dụ: 11 IV Phép mở ảnh nhị phân (Opening) 13 - Mục đích: .13 - Phép toán: 13 - Đối với Python .13 - Các bước thực hiện: 13 - Ví dụ: 13 V Phép đóng ảnh (Closing) .15 - Mục đích: .15 - Phép toán: 15 v - Đối với Python .15 - Các bước thực hiện: 15 - Ví dụ: 15 CHƯƠNG 3: CÁC CÔNG CỤ BỔ SUNG 18 I Trích biên (Boundary Extraction) 18 II Làm đầy (Region Filling) 19 III Tách thành phần liên thông (Extraction of Connected Components) 21 IV Bao Lồi (Convex Hull) 22 V Làm mảnh(Thinning) 23 VI Tìm khung xương (Skeletonization) 24 VII Hit-or-Miss 26 CHƯƠNG THỰC HÀNH PHÂN TÍCH UNG THƯ NÃO 27 I Giới thiệu đề tài 27 II Input dữ liệu hình ảnh 27 III Làm sạch dữ liệu 28 IV Model 30 vi CHƯƠNG I: TÌM HIỂU VỀ XỬ LÝ HÌNH THÁI HỌC I Lịch sử hình thành: Lý thuyết hình thái học (morphology) phát triển từ những năm 1960 hai nhà toán học người Pháp Georges Matheron Jean Serra Jean Serra Georges Mathero Ban đầu, lý thuyết này phát triển để giải quyết vấn đề lĩnh vực khoa học môi trường khai thác mỏ Các phép tốn hình thái học ban đầu sử dụng để phân tích kích thước hình dạng của cấu trúc địa chất Sau đó, lý thuyết này mở rộng để áp dụng vào các lĩnh vực khác xử lý ảnh - Trong những năm 1970, lý thút hình thái học phở biến rộng rãi trở thành một công cụ quan trọng xử lý ảnh số Công nghệ này sử dụng nhiều ứng dụng khác nhau, bao gồm nhận dạng khn mặt, phát hiện đới tượng, phân tích y sinh học, nhiều nữa - Năm 1982, Jean Serra thành lập Trung tâm Hình thái học (Centre de Morphologie Mathématique) tại École des Mines de Paris - Pháp để phát triển lý thuyết hình thái học ứng dụng của Từ đó, lý thuyết này trở thành một lĩnh vực nghiên cứu phổ biến toán học, khoa học máy tính và các lĩnh vực liên quan đến xử lý thơng tin Tóm lại, lý thuyết hình thái học phát triển từ những năm 1960 và trở thành một công cụ quan trọng xử lý ảnh số và các lĩnh vực khác xử lý tín hiệu mơ hình hố II Lý thuyết hình thái tốn học gì? Lý thút hình thái tốn học mợt lĩnh vực nghiên cứu toán học liên quan đến khái niệm hình thái học, bao gờm khái niệm hình dạng, kích thước, chiều cao, chiều rộng, khoảng cách giữa các điểm, tḥc tính khác của vật thể III Khái niệm xử lý hình ảnh hình thái (MIP) Morphological Image Processing (xử lý hình ảnh hình thái) mợt phương pháp xử lý hình ảnh dựa lý thút hình thái tốn học, sử dụng để tiền xử lý phân tích hình ảnh Phương pháp này sử dụng để loại bỏ nhiễu, tách đối tượng, phân đoạn phát hiện đối tượng ảnh sớ Các phép tốn biến đởi hình thái học bản: - Phép giãn (Dilation) - Phép co (Erosion) - Phép mở ảnh (Opening) - Phép đóng ảnh (Closing) Các phép tốn biến đởi hình thái học thực hiện chủ yếu ảnh nhị phân(ảnh trắng đen) ảnh cấp xám (ảnh xám) IV Mục đích: Các ứng dụng của xử lý hình ảnh hình thái bao gồm nhận dạng ký tự, phát hiện đối tượng, phân đoạn ảnh y tế phân tích ảnh vệ tinh Chúng sử dụng nhiều lĩnh vực khác nhau, bao gồm công nghiệp, y tế, khoa học, nông nghiệp nhiều lĩnh vực khác V Định nghĩa dựa điều kiện Các phép toán định nghĩa dựa vào các điều kiện - Đối tượng X: ảnh nhị phân - Phần tử cấu trúc S: mặt nạ bất kỳ mà phần tử của tạo nên mợt mơ-típ Tiến hàng di chuyển (rê) mặt nạ khắp ảnh tính giá trị điểm ảnh các điểm lân cận với mơ-típ của mặt nạ theo cách lấy hội (phép AND) tuyển (phép OR) - Bx phép dịch chuyển B tới vị trí x VI Khái niệm tập hợp Xem ảnh tập hợp tọa độ rời rạc liên tục Tập hợp này tương ứng với điểm ảnh thuộc các đối tượng hiện hữu ảnh Hình 1: Ảnh đối tượng ảnh Hình vẽ cho thấy hai đối tượng, hay hai tập hợp A B ảnh Ở ta cần phải xác định hệ trục tọa độ hình, quan tâm đến giá trị các điểm ảnh cấu thành lên đối tượng ảnh và giới hạn không gian rời rạc ℤ2 Đầu tiên, ta có A mợt tập hợp không gian rời rạc ℤ2 Một phần tử a=(a1,a2) thuộc A ký hiệu a∈A Nếu phần tử a không thuộc A, ta ký hiệu a∉A Tập hợp mà khơng có phần tử gọi tập hợp rỗng tập hợp trống và biểu thị ký tự Các phần tử của tập hợp có liên quan đến chương này là những tọa độ của pixel đại diện cho đối tượng các đặc trưng khác quan tâm mợt hình ảnh Thí dụ, ta viết mợt cơng thức: 𝐶 = 𝑤|𝑤 = −𝑑 , 𝑑 ∈ 𝐷 khác Khi thuật toán kết thúc, tất cả chỗ bị lõm hay thiếu hụt chi tiết làm đầy Xét mợt thí dụ tởng qt từ thí dụ hình, với D1 D X11 , D X12 , D X13 X14 Hình 16: Phép bao lồi với đối tượng ảnh V Làm mảnh(Thinning) Thuật tốn làm mảnh thường bao gờm nhiều lần lặp, lần lặp tất cả các điểm ảnh của đối tượng kiểm tra, Các phần tử cấu trúc thiết kế để tìm các điểm biên mà loại bỏ điểm ảnh đới tượng khơng làm ảnh hưởng tới liên thông Nếu điểm ảnh mà thỏa mãn điều kiện của phần tử cấu trúc bị loại bỏ Quá trình cứ lặp lặp lại cho tới khơng cịn điểm biên nào xóa nữa Làm mảnh tập hợp A phần tử cấu trúc B, ký hiệu A B , xác định công thức sau: A B A ( As * B) A ( As * B)c Mà {B} {B1 , B2 , B3 , , Bn } Trong đó Bi Nên A {B} (( (( A B1 ) B2 ) ) Bi , qua phép quay quanh tâm Bn ) Ví dụ: Q trình làm mảnh đối tượng lặp lặp lại cho đến đới tượng khơng có sự thay đởi dừng lại 23 Hình 17:Quá trình làm mảnh đối tượng ảnh Theo công thức tổng quát ta có: A {B} (( (( A B1 ) B2 ) ) B8 ) Kết luận, ví dụ trình làm mảnh lặp lặp lại lượt Trong lần lặp đối tượng phải trải qua trình làm mảnh với phần tử cấu trúc: B1 , B2 , B3 , , B8 VI Tìm khung xương (Skeletonization) Thuật toán tìm xương (Skeletonization) tương tự phép làm mỏng, thuật toán cho biết nhiều thông tin của đối tượng, nhấn mạnh một sớ đặc tính của hình ảnh: đợ cong, đường viên tương ứng với tính chất hình học của bợ xương Thuật tốn biểu diễn phép co nhị phân phép mở ảnh 24 Nếu A ảnh nhị phân B phần tử cấu trúc (thường có kích thước 3x3) Phép tìm xương của đới tượng ảnh A, ký hiệu là S(A) xác định sau: k S( A) (1) Sk ( A) k Trong đó: k Sk ( A) A kB A kB B Xi (2) k Mà A kB : phép co k lần liên tiếp A Nên A kB A B B B (Vì k là bước lặp ći trước A bị ăn mịn thành tập rỗng) Hay nói cách khác K max k | A kB Từ (1),(2) ta cũng khẳng định khung xương S(A) có thể nhận từ hợp bộ khung xương Sk A Có thể chứng minh A xây dựng lại từ tập cách sử dụng công thức: k A (Sk A kB) k Mà Sk A kB : ký hiệu k lần giãn nhị phân Sk ( A) Nên Sk A kB Sk ( A) B B B Ví dụ: Hình 18: Quá trình thực thuật toán tìm xương 25 VII Hit-or-Miss Phép toán cho phép trả kết quả chứa thơng tin vị trí có cấu trúc giớng với ma trận cấu trúc (Structuring Element) Với phép toán cần cặp SE {B1, B2} lần lượt thực hiện theo công thức sau: A B ( A B1 ) ( AC B2 ) Trong đó B (cặp SE {B1, B2}) mang giá trị -1 Kết quả vị trí SE quét qua nếu thoả điều kiện những vị trí -1 phải 0, vị trí phải vị trí khơng bắt ḅc Ví dụ các tính thể hiện hình ảnh sau: 26 CHƯƠNG THỰC HÀNH PHÂN TÍCH UNG THƯ NÃO I Giới thiệu đề tài II Input liệu hình ảnh Tập dữ liệu lấy từ: https://www.kaggle.com/code/ahmeddraz/brain-cancerclassifier-cam/log Mô tả tập dữ liệu: tập dữ liệu dùng để thực hiện trình học máy tập hợp những bức hình MRI CT phần não của người gắn nhãn: Tập dữ liệu chia thành hai phần: 98 bức hình ‘âm tính’ với ung thư não và 155 bức hình ‘dương tính’ với ung thư não Hình 20: Hình chụp MRI não người có kết âm tính với ung thư não Hình 19: Hình chụp MRI não người có kết dương tính với ung thư não 27 III Làm liệu Sau ta có tập dữ liệu đầu vào những bức hình có kích thước khác kiểu hình khác (jpg, png, ) Nếu ta tiến hành đem tập dữ liệu chưa tiền xử lý (làm sạch) vào mô hình học máy, dẫn đến việc máy học khơng có đợ xác cao, làm ảnh hưởng đến chất lượng của mơ hình học máy Vì thế trước đem tập dữ liệu vào mơ hình học máy, ta cần phải tiền xử lý dữ liệu Quá trình Tiền xử lý liệu (Transform) trải qua bước : • Resize: Thay đởi kích thước hình ảnh đầu vào thành kích thước nhất định Xử lí kích thước hình ảnh đầu vào thành kích thước mới với chiều rộng 224 chiều cao 224 Việc thay đổi kích thước chuẩn để đưa vào mô hình huấn luyện Kích thước ( 224, 224) một kích thước chuẩn sử dụng các mô hình VGG, ResNet và DenseNet • Grayscale: Chuyển đởi hình ảnh màu sang hình ảnh xám Trong mợt hình ảnh xám, giá trị pixel thể hiện mức độ sáng tương ứng với kênh màu xám Phép biến đổi sang hình ảnh xám hữu ích nhiều tình h́ng khác nhau, mơ hình xử lý hình ảnh xám hoặc giảm độ phức tạp tính toán để xử lý những hình ảnh phức tạp Lưu ý: Phép biến đởi Grayscale ()` khơng hồn tồn phù hợp với mội tác vụ lĩnh vực xử lý hình ảnh, đặc biệt thơng tin màu sắc chiếm vai trò quan trọng việc phân loại xử lý hình ảnh • Random HorizontalFlip: Tạo phiên bản mới của hình ảnh cách lật ngang hình ảnh ban đầu theo mợt xác śt ngẫn nhiên Trong trường hợp này, dùng tham số “p = 0.5” sử dụng để xác định xác xuất mà phép biến đởi áp dụng lên hình ảnh “p = 0.5” có nghĩa là phép biến đổi sử dụng với xác suất 50% Mỗi lần chạy chương trình, phép biển đổi áp dụng không với một xác suất 50% Khi áp dụng phép biến đởi này, hình ảnh lật ngang theo trục đứng tạo phiên bản mới của hình ảnh Điều giúp mơ hình h́n lụn nhận diện đới tượng vị trí khác hình ảnh và giúp tăng khả tởng qt hóa của mơ hình 28 Tuy nhiên, áp dụng phép biến đổi này, cần cân nhắc tránh việc làm biến đởi hình dạng thay đởi nợi dung hình ảnh q nhiều, gây sự nhầm lẫn cho mơ hình q trình h́n lụn • To Tensor: Điều chỉnh kiểu dữ liệu để đưa vào mô hình học máy Một Tensor một cấu trúc dữ liệu của PyTorch, tương tự mảng nhiều chiều (array) NumPy Mỗi phần tử Tensor một số thực Để thể hiện cho máy hiểu hình ảnh biểu diễn dưới dạng tensor chiều Mỗi giá trị Tensor đại diện cho giá trị của mợt điểm ảnh hình ảnh Giá trị một số thực khoảng từ đến 1, thể hiện mức độ sáng của điểm ảnh đó (0 là đen hoàn toàn, là trắng hồn tồn) Để h́n lụn mơ hình PyTorch, cần chuyển đởi hình ảnh sang định dạng Tensor, là định dạng đầu vào cho mơ hình PyTorch Khi áp dụng phép biến đởi ToTensor() lên mợt hình ảnh, chuyển đởi hình ảnh từ định dạng PIL sang định dạng Tensor với giá trị pixel chuẩn hóa khoảng từ đến Mỗi giá trị pixel hình ảnh PIL chuyển đởi thành mợt giá trị số thực (float) tương ứng Tensor Sau đó, chúng ta có thể sử dụng hình ảnh này để đưa vào mơ hình Pytorch thực hiện phép tính tốn [ PyTorch mợt thư viện mã nguồn mở sử dụng để xây dựng mơ hình học sâu (deep learning) Python] Sau tiền xử lý dữ liệu đầu vào, Input đầu vào 29 Biểu diễn hình ảnh dạng tensor IV Model Mơ hình học máy nhằm phân loại ung thư não tḥc dạng học có giám sát (supervised learning) Học có giám sát mợt thuật tốn sử dụng dữ liệu gắn nhãn, mơ hình học dữ liệu có gắn nhãn này trước tạo mối quan hệ giữa dữ liệu đầu vào (x, nhãn) kết quả đầu (y) 30 Model này gọi là "BrainCancerClassifier" và kế thừa từ lớp nn.Module Kiến trúc của model bao gồm một chuỗi layer convolutions (convBlock) với hàm kích hoạt ReLU lớp BatchNormalization Dropout giúp tránh overfitting Sau đó là một lớp Flatten để chuyển đổi feature map thành một vector, sau đó là một số lớp linear (hoặc fully connected) với hàm kích hoạt ReLU Dropout để học các đặc trưng phức tạp của dữ liệu phân loại chúng vào một hai lớp đầu (positive negative) Cụ thể, model bao gồm: • layer convolutions (convBlock), với các kích thước filter 3x3, stride 1, padding hàm kích hoạt ReLU Sau layer convolution mợt lớp BatchNormalization một lớp Dropout với xác suất dropout 0.2 • Mợt lớp Flatten để chuyển đởi feature map thành mợt vector • Ba lớp linear (hoặc fully connected) với kích thước lần lượt 576, 256 128, hàm kích hoạt ReLU Sau lớp linear một lớp Dropout với xác suất dropout lần lượt 0.3, 0.2 0.2 • Ći mợt lớp linear với kích thước là (tương ứng với sớ lớp đầu ra) khơng có hàm kích hoạt Giải thích chi tiết: Tạo mợt khới convolutional mạng neural Nó có hai tham sớ đầu vào ni no, tưng ứng số kênh đầu vào số kênh đầu Trong hàm này, đầu tiên sử dụng nn.Dropout(0.2) để áp dụng kỹ thuật Dropout với tỷ lệ giữ lại 0.2, nhằm giảm thiểu overfitting Sau đó, chúng ta sử dụng nn.Conv2d để thực hiện phép tích chập ảnh đầu vào, với kích thước kernel 3x3 padding là để đảm bảo kích thước ảnh không thay đổi Tiếp theo, áp dụng hàm kích hoạt ReLU (nn.ReLU) để tạo đầu phi tuyến tính Sau đó, chúng ta sử dụng nn.BatchNorm2d để thực hiện chuẩn hóa độ dốc kênh đầu ra, giúp cải thiện tốc độ học của mơ hình tránh hiện tượng vanishing gradient Cuối cùng, sử dụng nn.MaxPool2d để giảm kích thước đầu một nửa cách lấy giá trị lớn nhất một vùng 2x2 Kết quả trả của hàm một đối tượng nn.Sequential, bao gồm lớp xếp chồng lên theo thứ tự Dropout, Convolution, ReLU, Batch Normalization Max Pooling Tính độ xác model Hàm compute_metrics sử dụng để tính toán các metric loss và accuracy của mô hình Đầu vào của hàm preds targets, đó preds kết quả dự đoán của mô hình targets là nhãn đúng tương ứng với mẫu tập dữ liệu Đầu tiên sử dụng hàm nn.CrossEntropyLoss() để tính tốn loss của mơ hình Hàm nn.CrossEntropyLoss() sử dụng toán phân loại đa lớp kết hợp giữa hàm softmax negative log-likelihood loss Hàm này giúp tính toán loss của mơ hình tập dữ liệu h́n lụn Tiếp theo, tính accuracy cách so sánh giữa nhãn dự đoán có đợ xác cao nhất với nhãn thực tế Hàm torch.max(preds, 1)[1] trả số của giá trị lớn nhất chiều thứ nhất của preds, tức số của lớp dự đoán Sau đó, chúng ta so sánh số với nhãn thực tế tính trung bình của dự đoán chính xác Kết quả trả của hàm compute_metrics bao gờm loss accuracy Huấn luyện mơ hình (Training) Sử dụng thiết bị chủ yếu là “cuda” “cpu” để train dữ liệu Nếu máy tính có hỗ trợ GPU dùng thiết bị là “cuda” Nếu khơng sử dụng thiết bị “cpu” để sử dụng Để quá trình machine learning diễn ra, mơ hình h́n lụn tồn bợ tập dữ liệu, q trình gọi là “epochs “ Mỗi epoch cải thiện chất lượng của mô hình, cho đến mơ hình đạt đợ xác tới ưu không cải thiện thêm Mỗi lần học, một epochs, để mơ hình học tớt ta cho mơ hình học nhiều lần để cải thiện đợ xác của thuật tốn Ở mơ hình phân loại ung thư não này, ta cho mơ hình học 20 lần, có nghĩa là 20 epochs toàn bộ tập dữ liệu Vì mơ hình h́n lụn tồn bợ tập dữ liệu lớn, cho với lần huấn luyện ta chia nhỏ tập dữ liệu thành lô (batch), mợt batch có 64 ảnh và chọn một cách ngẫu nhiên để học Trong trình h́n lụn, mơ hình cập nhật trọng số dựa các gradient tính toán từ tập dữ liệu huấn luyện hàm mất mát Trong epoch, giá trị in ra: • Loss (mất mát) - giá trị biểu thị cho sự khác biệt giữa giá trị đầu thực tế giá trị dự đoán của mơ hình Giá trị loss nhỏ mơ hình tớt • Accuracy (độ xác) - giá trị biểu thị cho tỷ lệ phần trăm các điểm dữ liệu phân loại đúng mơ hình Giá trị accuracy cao mơ hình tớt Các đới sớ đầu vào của hàm gờm: • model: mơ hình cần h́n lụn • data: batch dữ liệu đầu vào gồm ảnh và nhãn tương ứng • optimizer: bợ tới ưu hóa để cập nhật trọng sớ của mơ hình Trong hàm, ta thực hiện các bước sau: • Chuyển dữ liệu đầu vào nhãn sang device (GPU CPU) để tính tốn • Đặt gradient của optimizer • Tính tốn loss accuracy của batch hiện tại cách gọi hàm compute_metrics truyền vào mơ hình, dữ liệu đầu vào nhãn • Tính tốn gradient của loss phương pháp lan truyền ngược (backpropagation) • Cập nhật trọng sớ của mơ hình cách gọi phương thức step() của optimizer Kết quả trả giá trị loss accuracy của batch hiện tại dưới dạng số thực: Hình 21: Kết trình huấn luyện qua epoch Trong epoch đầu tiên, loss trung bình là 0.649 và accuracy trung bình là 0.587 Tương tự cho epoch tiếp theo Thông tin giúp ta đánh giá hiệu śt của mơ hình q trình huấn luyện Dựa vào giá trị loss và accuracy in ra, ta đánh giá hiệu śt của mơ hình q trình h́n lụn Trong trường hợp này, ta thấy với epoch, giá trị loss giảm giá trị accuracy tăng dần, cho thấy mô hình học từ dữ liệu huấn luyện cải thiện hiệu suất của qua lần h́n lụn Vì thế, đới với mơ hình phân loại ung thư não, giá trị xác của mô hình cải thiện lần học thứ 20, với đợ xác 0.98 tồn bợ tập dữ liệu Đánh giá mơ hình dự đốn ung thư não: Sau thực hiện xong trình học máy phân loại ung thư não, ta có đợ xác dự đoán của mơ hình 98% Ta cho mợt nhiều hình mới để phân loại ung thư não cách cho mợt nhiều bức hình MRI (CT) não của người vào mơ hình để dự đoán là người bệnh có bị ung thư não hay khơng? Hình 22: Kết dự đốn mơ hình Mợt vài kết quả dự đoán của mơ hình phân loại ung thư não: • Cho hai hình ảnh thể hiện kết quả âm tính với ung thư não (Hình 22) kết quả dương tính với ung thư não (hình 23) Hình 23: Hình chụp MRI (CT) não người âm tính với ung thư não Hình 24: Hình chụp MRI (CT) não người dương tính với ung thư não Kết quả trả sau cho Hình 23 Hình 24 vào mơ hình dự đoán: Hình 25: : Kết dự đoán ung thư não Hình 24 là ung thư thư não máy trả kết quả là không ung thư nằm vịng dự đoán của khơng phải lúc nào máy cũng dự đoán đúng kết quả hoàn tồn Ngun nhân: Q trình học máy chưa đủ nhiều Chất lượng hình ảnh khơng tớt dẫn đến q trình chuyển đởi sớ có sai sót Q trình dán nhãn cho ảnh chưa có đợ xác Biện pháp: Tăng mức độ học cho máy ( cụ thể: tăng epoch từ 20 → ) Kiểm nghiệm lại chất lượng hình ảnh đầu vào xem rõ nét hay khơng Kiểm nghiệm lại trình dán nhãn cho ảnh TÀI LIỆU THAM KHẢO [1] Frank Y Shih(2009) -Image Processing and Mathematical Morphology Fundamentals and Applications [2] J.B.T.M Roerdink- Computer vision And Mathematical Morphology [3] Đào Bảo Linh – C5Tin – ĐH Điện Lực HN “Tìm hiểu các phép toán hình thái và ứng dụng” đồ án tốt nghiệp ngành C5Tin