Phân đoạn ảnh võng mạc mắt bằng phương pháp máy học

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM THÀNH PHỐ HỒ CHÍ MINH  Thiều Thị Ngọc Triệu PHÂN ĐOẠN ẢNH VÕNG MẠC MẮT BẰNG PHƢƠNG PHÁP MÁY HỌC LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thành phố Hồ Chí Minh - 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM THÀNH PHỐ HỒ CHÍ MINH  Thiều Thị Ngọc Triệu PHÂN ĐOẠN ẢNH VÕNG MẠC MẮT BẰNG PHƢƠNG PHÁP MÁY HỌC Chuyên ngành : Khoa học máy tính Mã số : 8480101 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN THANH BÌNH Thành phố Hồ Chí Minh - 2019 LỜI CAM ĐOAN Tơi xin cam đoan rằng, ngoại trừ số tham khảo từ tài liệu khác ghi rõ luận văn này, tất phần cịn lại thực hướng dẫn khoa học PGS.TS Nguyễn Thanh Bình Nếu có sai phạm nào, xin chịu xử lý theo quy định Tp HCM, ngày 19 tháng 09 năm 2019 Thiều Thị Ngọc Triệu LỜI CÁM ƠN Ngạn ngữ Gruzia có câu “Học tập hạt giống kiến thức, kiến thức hạt giống hạnh phúc” Quả thực vậy, hai năm cao học trôi qua với khó khăn nhiều lần khiến tơi chùn bước nhờ vào tiến bộ, mở mang kiến thức hiểu biết với niềm vui học tập, niềm vui với bạn bè làm nguồn động lực cho đến ngày hôm có nhiều hội thành cơng tương lai Hai năm qua vô quý báo, tơi xin chân thành cảm ơn Ban giám hiệu, phịng Sau đại học, khoa Công nghệ thông tin – Trường Đại học Sư phạm thành phố Hồ Chí Minh, quý thầy giảng viên tận tình dạy tạo điều kiện giúp đỡ tơi q trình học tập, nghiên cứu Đặc biệt tơi xin bày tỏ lịng biết ơn sâu sắc đến Thầy Nguyễn Thanh Bình – người trực tiếp hướng dẫn bảo, giúp đỡ động viên tơi suốt q trình nghiên cứu để tơi hồn thành đề tài nghiên cứu Cảm ơn gia đình ln khích lệ, động viên tạo điều kiện cho tơi q trình học tập nghiên cứu Do hạn chế mặt kiến thức thời gian, luận văn tránh khỏi thiếu sót Tơi mong nhận thơng cảm, dẫn, giúp đỡ đóng góp ý kiến quý thầy cô hội đồng để để luận văn hoàn thiện Xin chân thành cảm ơn! MỤC LỤC MỞ ĐẦU Chƣơng GIỚI THIỆU 1.1 Giới thiệu đề tài 1.2 Mục tiêu nội dung đề tài 1.3 Thách thức đề tài 1.4 Giới hạn đề tài 1.5 Phương pháp nghiên cứu 1.6 Cấu trúc luận văn Chƣơng CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Cơ sở lý thuyết 2.1.1 Ảnh y khoa ảnh võng mạc mắt 2.1.2 Một số bất thường tổn thương võng mạc 2.1.3 Một số khái niệm xử lý ảnh 2.1.4 Các bước xử lý ảnh 2.1.5 Chuyển ảnh RGB sang ảnh xám 11 2.1.6 Tốn tử hình thái 12 2.1.7 Phân đoạn ảnh dựa vào ngưỡng 14 2.1.8 Toán tử logic ảnh 15 2.1.9 Nhiễu lọc nhiễu 15 2.1.10 Mẫu nhị phân cục (Local Binary Pattern – LBP) 17 2.1.11 SVM SMO 18 2.2 Các nghiên cứu liên quan 20 Chƣơng PHƢƠNG PHÁP ĐỀ XUẤT PHÂN ĐOẠN ẢNH VÕNG MẠC MẮT BẰNG PHƢƠNG PHÁP MÁY HỌC 25 3.1 Yêu cầu toán 25 3.2 Phương pháp đề xuất phân đoạn ảnh võng mạc mắt 25 Bước 1: Đưa ảnh mức xám 26 Bước 2: Phân đoạn mạch máu tách mặt nạ võng mạc 27 Bước 3: Tách ứng viên tổn thương sáng 44 Bước 4: Tách cạnh tổn thương sáng 46 Bước 5: Tái cấu trúc hình thái 50 Bước 6: Phát bất thường màu sáng 51 3.3 Phương pháp đánh giá 51 Chƣơng HIỆN THỰC VÀ ĐÁNH GIÁ KẾT QUẢ 53 4.1 Tài nguyên cần thiết 53 4.1.1 Phần cứng 53 4.1.2 Phần mềm 53 4.1.3 Tập liệu thử nghiệm 53 4.2 Hiện thực phương pháp đề xuất 54 4.2.1 Hiện thực phương pháp phân đoạn mạch máu võng mạc 54 4.2.2 Hiện thực phương pháp phát tổn thương sáng 56 4.3 Kết đạt đánh giá kết 58 4.3.1 Kết đạt đánh giá kết phân đoạn mạch máu 58 4.3.2 Kết đạt đánh giá kết phát tổn thương sáng 64 Chƣơng KẾT LUẬN 71 5.1 Kết đạt luận văn 71 5.2 Ưu nhược điểm phương pháp đề xuất 71 5.2.1 Ưu điểm 71 5.2.2 Nhược điểm 71 5.3 Đóng góp luận văn 71 5.3.1 Đóng góp mặt khoa học 71 5.3.2 Đóng góp mặt thực tiễn 72 5.3.3 Hướng mở rộng tương lai 72 TÀI LIỆU THAM KHẢO 73 DANH MỤC CÁC CHỮ VIẾT TẮT STT Chữ viết tắt Acc Accuracy Chữ viết đầy đủ AHE Adaptive Histogram Equalization ANOVA ANalysis Of VAriance CLAHE Contrast-Limited Adaptive Histogram Equalization CPU Central Processing Unit CT Computed Tomography CSDL Cơ sở liệu DRIVE Digital Retinal Images for Vessel Extraction FN False Negative 10 FOV Field Of View 11 FP False Positive 12 13 14 15 MRI Magnetic Resonance Imaging NAD Nonliner Anisotropic Diffusion NTSC National Television System Committee OS Operating System 16 OSH Optimal Separating Hyperplane 17 PDE Partial Differential Equation 18 PEL Picture ELement 19 20 RAM Random Access Memory RGB Red – Green – Blue 21 Se Sensitivity 22 SE Structure Element 23 24 25 26 SMO Sequential Minimal Optimization Sp Specificity STARE STructured Analysis of the REtina SVM Support Vector Machine 27 TN True Negative 28 TP True Positive DANH MỤC CÁC BẢNG Bảng 3.1 Mặt nạ khuếch tán dị hướng 3x3 32 Bảng 3.2 Các hệ số lọc định hướng 32 Bảng 3.3 Phân loại kết phát bất thường phương pháp máy học đề xuất hình ảnh tập liệu DRIVE 42 Bảng 3.4 Tổng kết phân loại kết phương pháp máy học đề xuất 43 Bảng 3.5 Bảng phân loại kết phân đoạn phương pháp đề xuất 51 Bảng 4.1 Kết phân đoạn số hình ảnh tập liệu DRIVE phương pháp đề xuất 59 Bảng 4.2 Kết phân đoạn số hình ảnh tập liệu STARE phương pháp đề xuất 60 Bảng 4.3 Hiệu suất phân đoạn phương pháp đề xuất với tập liệu DRIVE 62 Bảng 4.4 Hiệu suất phân đoạn phương pháp đề xuất với tập liệu STARE 63 Bảng 4.5 Kết phương pháp đề xuất so với số phương pháp khác với tập liệu DRIVE STARE 64 Bảng 4.6 Kết phát tổn thương sáng số hình ảnh tập liệu STARE phương pháp đề xuất 64 Bảng 4.7 Phân loại kết phát tổn thương sáng phương pháp đề xuất số hình ảnh tập liệu STARE 67 Bảng 4.8 Tổng kết phân loại kết phương pháp đề xuất 70 DANH MỤC CÁC HÌNH VẼ Hình 2.1 Ảnh y khoa [2] Hình 2.2 Hình soi đáy mắt [3] Hình 2.3 Ảnh võng mạc bệnh nhân đái tháo đường [4] Hình 2.4 Xuất tiết cứng [22] Hình 2.5 Xuất tiết mềm [22] Hình 2.6 Tích tụ mỡ [22] Hình 2.7 Xơ hố võng mạc [21] Hình 2.8 Các bước xử lý ảnh Hình 2.9 Chuyển ảnh RGB sang ảnh xám [14] 12 Hình 2.10 Thực tốn tử xử lý hình thái ảnh [24] 13 Hình 2.11 Phân ngưỡng tồn cục cục [25] 14 Hình 2.12 Thực toán tử AND, OR, NOT ảnh [26] 15 Hình 2.13 Ví dụ nhiễu ảnh [14] 15 Hình 2.14 Ví dụ Median Filter [17] 16 Hình 2.15 Giảm nhiễu với lọc trung vị [14] 17 Hình 2.16 Ví dụ tính tốn mẫu nhị phân cục (LBP) 17 Hình 2.17 P pixel nằm đường trịn tâm Ptt, bán kính R 18 Hình 2.18 Mơ tả trực quan phương pháp SVM [28] 19 Hình 3.1 Phương pháp đề xuất 26 Hình 3.2 Ảnh soi đáy mắt ba kênh màu RGB tương ứng [1] 27 Hình 3.3 Kết bước đưa ảnh mức xám [1] 27 Hình 3.4 Phương pháp tách mạch máu mặt nạ võng mạc 28 Hình 3.5 Tách mặt nạ võng mạc 29 Hình 3.6 Ảnh trước sau tăng độ tương phản 30 Hình 3.7 Ảnh trước sau loại bỏ đĩa thị giác 31 Hình 3.8 Ảnh trước sau lọc nhiễu dùng NAD 33 Hình 3.9 Histogram ảnh kênh màu lục ngưỡng TLow, THigh [8] 34 Hình 3.10 Ước tính tham số cắt ngang Vl [8] 35 Hình 3.11 Mảng tin cậy đa tỉ lệ sau thực theo dõi dịng 36 Hình 3.12 Kết sau lọc nhiễu dùng Median Filter 37 Hình 3.13 Kết sau lọc định hướng hình thái 38 Hình 3.14 Kết mạch máu phân đoạn 38 Hình 3.15 Sơ đồ khối phát bất thường ảnh võng mạc sau phân đoạn dùng máy học 39 Hình 3.16 Rút trích đặc trưng ảnh võng mạc sau phân đoạn 39 Hình 3.17 Các yếu tố dự đốn để phân lớp: (a) ma trận đặc trưng, (b) nhãn lớp véc tơ tương ứng 20 ảnh huấn luyện tập liệu DRIVE 41 Hình 3.18 Huấn luyện phân loại SVM cách sử dụng liệu xử lý 41 Hình 3.19 Phương pháp tách ứng viên tổn thương sáng 44 Hình 3.20 Mã giả ước tính phần [22] 45 Hình 3.21 Hình ảnh loại bỏ phần 46 Hình 3.22 Các ứng viên tổn thương sáng 46 Hình 3.23 Phương pháp tách cạnh tổn thương sáng 47 Hình 3.24 Các kernel lọc Kirsch 48 Hình 3.25 Phát cạnh Kirsch 48 Hình 3.26 Cắt ngưỡng cạnh tổn thương sáng 48 Hình 3.27 Loại bỏ mạch máu ứng viên cạnh tổn thương sáng 49 Hình 3.28 Tách cạnh tổn thương sáng 50 Hình 3.29 Tổn thương sáng ảnh võng mạc [21] 50 Hình 3.30 Phát bất thường màu sáng [21] 51 Hình 4.1 Giao diện chờ chương trình phân đoạn mạch máu sử dụng phương pháp Line Tracking 55 Hình 4.2 Giao diện hình ảnh bước xử lý dùng Line Tracking 55 Hình 4.3 Giao diện hiển thị hiệu suất phân đoạn mạch máu phương pháp đề xuất 56 Hình 4.4 Giao diện chương trình hoạt động 56 Hình 4.5 Giao diện phát tổn thương sáng 57 Hình 4.6 Giao diện khơng phát tổn thương sáng 58 61 im0162.ppm Se = 66.9% im0163.ppm Se = 68.5% im0255.ppm Se = 75.9% Kết phân đoạn số hình ảnh tập liệu DRIVE STARE trình bày bảng 4.1 bảng 4.2 cho thấy tỉ lệ mạch máu xác tìm mạng lưới mạch máu thực tế chưa cao, thể việc phát mạch máu chưa đầy đủ xác Hiệu suất phân đoạn phương pháp đề xuất với ảnh lấy từ tập liệu DRIVE từ tập liệu STARE so sánh với kết phân đoạn chuyên gia bảng 4.3 bảng 4.4 Trong bảng 4.3 thấy độ nhạy (Se) trung bình đạt mức trung bình 68.5 %, độ đặc hiệu (Sp) trung bình đạt 97.6 % độ xác (Acc) 95% CSDL DRIVE 62 Trong bảng 4.4 thấy độ nhạy (Se) đạt mức trung bình 67.4 %, độ đặc hiệu (Sp) trung bình đạt 97.3 % độ xác (Acc) 95% CSDL STARE Bảng 0.3 Hiệu suất phân đoạn phƣơng pháp đề xuất với tập liệu DRIVE STT Hình ảnh DRIVE Se (%) Sp (%) Acc (%) 01_test.tif 71.6 96.9 94.7 02_test.tif 64.4 98.9 95.3 03_test.tif 80.8 95.8 94.3 04_test.tif 56.0 99.3 95.3 05_test.tif 72.5 97.7 95.3 06_test.tif 78.5 97.3 95.7 07_test.tif 61.3 98.5 95.1 08_test.tif 71.4 97.3 95.1 09_test.tif 63.3 98.2 95.4 10 10_test.tif 71.2 97.6 95.4 11 11_test.tif 64.2 98.1 95.1 12 12_test.tif 70.4 97.5 95.2 13 13_test.tif 54.5 98.8 94.5 14 14_test.tif 77.9 97.0 95.0 15 15_test.tif 81.3 96.0 95.0 16 16_test.tif 57.2 98.3 94.6 17 17_test.tif 59.0 98.0 94.7 18 18_test.tif 58.9 98.0 94.9 19 19_test.tif 81.9 95.6 94.4 20 20_test.tif 73.1 96.8 95.0 68.5 97.6 95.0 Trung bình 63 Bảng 0.4 Hiệu suất phân đoạn phƣơng pháp đề xuất với tập liệu STARE STT Hình ảnh STARE Se (%) Sp (%) Acc (%) im0001.ppm 64.1 95.3 92.8 im0002.ppm 62.3 95.4 93.2 im0003.ppm 71.7 95.9 94.4 im0004.ppm 70.9 96.4 94.5 im0005.ppm 56.5 98.0 94.3 im0044.ppm 62.6 98.6 96.1 im0077.ppm 79.0 97.3 95.8 im0081.ppm 85.2 96.4 95.6 im0082.ppm 74.4 97.6 95.8 10 im0139.ppm 79.6 94.5 93.3 11 im0162.ppm 66.9 97.8 95.6 12 im0163.ppm 68.5 98.5 96.1 13 im0235.ppm 62.5 98.7 95.4 14 im0236.ppm 65.5 98.4 95.4 15 im0239.ppm 63.2 97.4 94.5 16 im0240.ppm 64.3 97.5 94.1 17 im0255.ppm 75.9 96.8 94.9 18 im0291.ppm 66.3 98.2 96.6 19 im0319.ppm 65.0 98.2 96.8 20 im0324.ppm 44.2 99.0 95.4 67.4 97.3 95.0 Trung bình Dựa vào số liệu bảng 4.5 cho thấy độ xác (Acc) phân đoạn mạch máu phương pháp đề xuất thấp so với phương pháp [3], [5] có tốt so với phương pháp [6], [7], [8] [13] 64 Bảng 0.5 Kết phƣơng pháp đề xuất so với số phƣơng pháp khác với tập liệu DRIVE STARE Phƣơng pháp DRIVE STARE Se (%) Sp (%) Acc (%) Se (%) Sp (%) Acc (%) Phương pháp đề xuất 68.50 97.60 95.00 67.43 97.30 95.03 Ricci_line [5] - - 95.77 - - 95.95 Uyen T.V Nguyen [6] - - 94.07 - - 93.24 Marios Vlachos [8] 74.70 95.50 92.90 - - - A M Mendonỗa [11] 73.44 97.64 94.52 - - 95.79 4.3.2 Kết đạt đƣợc đánh giá kết phát tổn thƣơng sáng Kết phát tổn thương sáng phương pháp đề xuất với số ảnh lấy từ tập liệu STARE trình bày bảng 4.6 Bảng 0.6 Kết phát tổn thƣơng sáng số hình ảnh tập liệu STARE phƣơng pháp đề xuất STT Hình ảnh STARE Phƣơng pháp đề xuất Phân loại TP im0003.ppm Bright lesions detected! TP im0126.ppm Bright lesions detected! 65 TP im0184.ppm Bright lesions detected! TP im0312.ppm Bright lesions detected! TN im0030.ppm No bright lesions detected! TN im0032.ppm No bright lesions detected! FN im0037.ppm No bright lesions detected! 66 FN im0051.ppm No bright lesions detected! FP im0214.ppm Bright lesions detected! 10 FP im0237.ppm Bright lesions detected! Ngoài ra, hiệu suất phát tổn thương sáng phương pháp đề xuất 80 hình ảnh tập STARE so sánh với kết chuyên gia hiển thị bảng 4.7 Tổng kết phân loại phương pháp đề xuất 80 hình ảnh kiểm tra bảng 4.8 Theo liệu bảng 4.8, ta có thơng số đánh giá phương pháp sau: Sensitivity (Se) = TP / (TP + FN) = 23 / 40 = 57.5 % Specificity (Sp) = TN / (TN + FP) = 36 / 40 = 90.0 % Accuracy (Acc) = (TP + TN) / (TP + FN + TN + FP) = 59 / 80 = 73.8 % Theo thông số trên, phương pháp phát tổn thương sáng mà tác giả đề xuất có khả phát tổn thương sáng có mặt ảnh võng mạc với độ nhạy mức trung bình 57.5%, khả phân biệt ảnh khơng có tổn thương 67 sáng với độ đặc hiệu đạt 87.5% Độ xác (Acc) phương pháp đạt mức tương đối 73.8% Bảng 0.7 Phân loại kết phát tổn thƣơng sáng phƣơng pháp đề xuất số hình ảnh tập liệu STARE STT Hình ảnh STARE Phƣơng pháp đề xuất Chuyên gia Phân loại im0126.ppm True True TP im0351.ppm False True FN im0037.ppm False True FN im0034.ppm True True TP im0051.ppm False True FN im0312.ppm True True TP im0209.ppm True True TP im0316.ppm False True FN im0211.ppm True True TP 10 im0041.ppm True True TP 11 im0059.ppm False True FN 12 im0230.ppm False True FN 13 im0121.ppm True True TP 14 im0073.ppm True True TP 15 im0233.ppm False True FN 16 im0038.ppm False True FN 17 im0003.ppm True True TP 18 im0339.ppm True True TP 19 im0306.ppm True True TP 20 im0206.ppm False True FN 21 im0155.ppm True True TP 22 im0325.ppm False True FN 23 im0353.ppm True True TP 68 24 im0124.ppm True True TP 25 im0251.ppm True True TP 26 im0268.ppm False True FN 27 im0058.ppm True True TP 28 im0250.ppm True True TP 29 im0189.ppm False True FN 30 im0244.ppm False True FN 31 im0315.ppm True True TP 32 im0171.ppm False True FN 33 im0113.ppm True True TP 34 im0229.ppm True True TP 35 im0114.ppm False True FN 36 im0379.ppm True True TP 37 im0068.ppm True True TP 38 im0143.ppm False True FN 39 im0062.ppm False True FN 40 im0141.ppm True True TP 41 im0030.ppm False False TN 42 im0032.ppm False False TN 43 im0035.ppm True False FP 44 im0076.ppm False False TN 45 im0077.ppm False False TN 46 im0080.ppm False False TN 47 im0081.ppm False False TN 48 im0082.ppm False False TN 49 im0119.ppm False False TN 50 im0120.ppm False False TN 51 im0162.ppm False False TN 52 im0163.ppm False False TN 69 53 im0164.ppm False False TN 54 im0170.ppm False False TN 55 im0184.ppm False False TN 56 im0190.ppm False False TN 57 im0198.ppm True False FP 58 im0199.ppm False False TN 59 im0213.ppm False False TN 60 im0214.ppm True False FP 61 im0216.ppm False False TN 62 im0219.ppm False False TN 63 im0231.ppm False False TN 64 im0234.ppm True False FP 65 im0235.ppm False False TN 66 im0236.ppm False False TN 67 im0237.ppm True False FP 68 im0238.ppm False False TN 69 im0239.ppm False False TN 70 im0240.ppm False False TN 71 im0241.ppm False False TN 72 im0242.ppm False False TN 73 im0243.ppm False False TN 74 im0244.ppm False False TN 75 im0245.ppm False False TN 76 im0249.ppm False False TN 77 im0252.ppm False False TN 78 im0253.ppm False False TN 79 im0254.ppm False False TN 80 im0255.ppm False False TN 70 Bảng 0.8 Tổng kết phân loại kết phƣơng pháp đề xuất True Positive (TP) False Negative (FN) False Positive (FP) True Negative (TN) 23 17 36 71 Chƣơng KẾT LUẬN 5.1 Kết đạt đƣợc luận văn Tiếp tục phát triển sau giai đoạn đề cương luận văn, tham khảo tài liệu, hướng dẫn người hướng dẫn khoa học, luận văn đạt kết sau:  Tìm hiểu ảnh y khoa xử lý ảnh  Xem xét ưu nhược điểm phương pháp nghiên cứu liên quan đến đề tài  Đưa phương pháp giải toán phương pháp đánh giá luận văn  Hiện thực xác định ưu nhược điểm phương pháp đề xuất Từ đề hướng phát triển tương lai 5.2 Ƣu nhƣợc điểm phƣơng pháp đề xuất 5.2.1 Ƣu điểm Trong q trình thực hồn thành, luận đạt mục tiêu ban đầu đặt Phương pháp đề xuất có kết chạy tương đối tốt 5.2.2 Nhƣợc điểm Bên cạnh ưu điểm trên, luận văn điểm hạn chế thời gian chạy chưa tốt, số đánh giá chưa cao 5.3 Đóng góp luận văn 5.3.1 Đóng góp mặt khoa học Tính khoa học luận văn thể qua việc giải toán thực tế phân đoạn ảnh dựa phát triển phương pháp phân đoạn mạch máu võng mạc đa tỉ lệ dùng theo dõi dịng Marios [8] Tính khả thi phương pháp đề xuất kiểm tra liệu DRIVE liệu STARE đạt độ xác cao đáng tin cậy 72 5.3.2 Đóng góp mặt thực tiễn Là tài liệu tham khảo cho quan tâm đến xử lý ảnh võng mạc mắt 5.3.3 Hƣớng mở rộng tƣơng lai Sau trình nghiên cứu để khắc phục nhược điểm tồn tác giả tiếp tục phát triển sở luận văn để phát tốt bất thường mạch máu phục vụ cho điều trị bệnh mở rộng cho hình ảnh mạch máu khác không ảnh võng mạc 73 TÀI LIỆU THAM KHẢO [1] https://www.isi.uu.nl/Research/Databases/DRIVE/ (Truy cập lần cuối: 19/09/2019) [2] https://hinhanhykhoa.com/ (Truy cập lần cuối: 19/09/2019) [3] D Siva Sundhara Raja, S Vasuki, Automatic Detection of Blood Vessels in Retinal Images for Diabetic Retinopathy Diagnosis, Hindawi Publishing Corporation, 12 pages, 2015 [4] https://www.slideshare.net/PHAMHUUTHAI/diabetic-eye-disease-17398590 (Truy cập lần cuối: 19/09/2019) [5] E Ricci, R Perfetti, Retinal blood vessel segmentation using line operators and support vector classification, IEEE Transactions on Medical Imaging, Vol 26, No 10, pp 1357-1365, 2007 [6] Uyen T.V Nguyen, Alauddin Bhuiyan, Laurence A.F Park, and Kotagiri Ramamohanarao: An effective retinal blood vessel segmentation method using multi-scale line detection, Pattern Recognition, Vol 46, No 3, pp 703-715, 2013 [7] Kejuan Yuel, Beiji Zou, Zailiang Chen, and Qing Liu, Improved multi-scale line detection method for retinal blood vessel segmentation, IET Image Processing, pp.1450-1457, 2018 [8] Marios Vlachos, Evangelos Dermatas, Multi-scale retinal vessel segmentation using line tracking, Computerized Medical Imaging and Graphics, pp 213227, Vol 34, 2010 [9] Naoto Miura, Akio Nagasaka, Takafumi Miyatake, Feature extraction of fingervein patterns based on repeated line tracking and its application to personal identification, Machine Vision and Applications, pp 194-203, Vol 15, 2004 [10] M Vlachos, E Dermatas, Vessel Network Extraction In Retinal Images Using Iterative Line Tracking, Advanced Topics in Scattering and Biomedical Engineering, pp 372-379, 2008 74 [11] A M Mendonỗa and A Campilho, Segmentation of Retinal blood vessels by combining the detection of centerlines and morphological reconstruction, IEEE Transactions on Medical Imaging, pp 1200-1213, 2006 [12] Praveen Kumar Reddy Yelampalli, Jagadish Nayak and Vilas H Gaidhane, Blood Vessel Segmentation and Classification of Diabetic Retinopathy Images using Gradient Operator and Statistical Analysis, Proceedings of the World Congress on Engineering and Computer Science, Vol 2, pp 525-529, 2017 [13] M A Palomera-Pérez, M E Martinez-Perez, H Benítez-Pérez and J L Ortega-Arjona, Parallel Multiscale Feature Extraction and Region Growing: Application in Retinal Blood Vessel Detection, IEEE Transactions on Information Technology in Biomedicine, Vol 14, No 2, pp 500-506, 2010 [14] https://www.mathworks.com/ (Truy cập lần cuối: 19/09/2019) [15] P Perona and J Malik, Scale-space and edge detection using anisotropic diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 12, No 7, pp 629-639, 1990 [16] Siddharth Singh Chouhan, Ajay Kaul and Uday Pratap Singh, Image Segmentation Using Computational Intelligence Techniques: Review, Archives of Computational Methods in Engineering, Vol 26, pp 533-596, 2018 [17] http://vimach.net/threads/matlab-trong-xu-ly-anh-loc-nhieu-cho-anhp3.419/ (Truy cập lần cuối: 19/09/2019) [18] João V B Soares, Jorge J G Leandro, Roberto M Cesar-Jr et al, Retinal Vessel Segmentation Using the 2-D Morlet Wavelet and Supervised Classification, IEEE Transactions on Medical Imaging, papers, 2006 [19] TS Ngô Quốc Việt, Xử lý ảnh số Nxb Đại học Sư phạm Thành phố Hồ Chí Minh: Thành phố Hồ Chí Minh, 2016 [20] Luc Vincent, Morphological Area Openings and Closings for Grey-scale Images, Computer and Systems Sciences, Vol 126, pp 197-208, 1994 75 [21] http://cecas.clemson.edu/~ahoover/stare/ (Truy cập lần cuối: 19/09/2019) [22] Tran Duc Tam, Nguyen Thanh Binh, Efficient Pancreas Segmentation in Computed Tomography Based on Region-Growing, Faculty of Computer Science and Engineering, pp 332-340, 2015 [23] R A Kirsch, Computer determination of the constituent structure of biological images, Computer and Biomedical Research, pp 332-340, 1971 [24] https://www.slideshare.net/aswinishere007/dilation-and-erosion-39733096 (Truy cập lần cuối: 19/09/2019) [25] https://campus.datacamp.com/courses/image-processing-inpython/introducing-image-processing-and-scikit-image?ex=7 (Truy cập lần cuối: 19/09/2019) [26] https://sisu.ut.ee/imageprocessing/book/7 (Truy cập lần cuối: 19/09/2019) [27] Huang, D., Shan, C., Ardabilian, M., Wang, Y., & Chen, L., Local Binary Patterns and Its Application to Facial Image Analysis: A Survey, IEEE Transactions on Systems, Man, and Cybernetics – Part C: Applications and Reviews, Vol 41, No 6, pp 765-781, 2011 [28] http://luanvan.co/luan-van/luan-van-so-sanh-mot-so-phuong-phap-hoc-maycho-bai-toan-gan-nhan-tu-loai-tieng-viet-39441/ (Truy cập lần cuối: 22/12/2019) [29] John C Platt, “Fast Training of Support Vector Machines using Sequential Minimal Optimization,” in Advances in Kernel Methods – Support Vector Learning, Schoelkopf, B., Burges, C., Smola, A., Eds USA: MIT Press, 1998, pp 41-65