Luận văn:ứng dụng mô hình nơron - mờ trong việc phát hiện tế bào cổ tử cung giai đoạn tiền ung thư docx

Luận văn ứng dụng mơ hình nơron mờ việc phát tế bào cổ tử cung giai đoạn tiền ung thư LỜI CẢM ƠN Đầu tiên, em xin chân thành cám ơn Ban giám hiệu, thầy cô trường Đại học K H TN Khoa Học Tự Nhiên thầy cô Khoa Công Nghệ Thông Tin tận tình truyền đạt kiến thức q báu cho chúng em suốt bốn năm học qua Tiếp đến, em xin gởi lời cám ơn chân thành đến Tiến sĩ Lê Hoài Bắc Thầy cho em định hướng đắn cho đề tài ln tận tình theo dõi trình thực đề tài giúp đỡ kịp thời cần thiết H Em xin chân thành cám ơn bác sĩ Trần Hòa, trưởng khoa Giải phẫu bệnh Đ (Bệnh viện C, Đà Nẵng) Thạc sĩ Bác sĩ Nguyễn Thị Tuyết Mai (Bệnh viện Đa khoa, cho em tiếp cận thực tế – Đà Nẵng) tận tình dẫn kiến thức chuyên ngành cần thiết tạo điều kiện C N TT Cuối cùng, em xin gởi tất tình cảm thân thương đến gia đình, thầy K H O A bạn bè; người ủng hộ em mặt TP Hồ Chí Minh, ngày tháng năm 2004 Võ Thị Thuỷ Tú Trang LỜI NĨI ĐẦU Ung thư nhóm bệnh gồm 100 bệnh khác nhau, bệnh ảnh hưởng đến đơn vị thể sống, tế bào Ung thư K H TN xuất việc phân chia tế bào trở nên bất thường, kiểm sốt từ dẫn đến tử vong nhanh chóng Tại hội thảo quốc tế “Ung thư phụ nữ trẻ em” tổ chức Hà Nội ngày tháng 11 năm 2003, qua thống kê, năm Việt Nam có 100000 đến 150000 người mắc bệnh ung thư phát hiện, số người tử vong lên đến 70000 người Các nghiên cứu chứng minh nhiều loại bệnh ung thư ngăn chặn phát điều trị sớm, chẳng hạn ung thư vú, H ung thư cổ tử cung, ung thư da, ung thư tuyến tiền liệt,… Khi bệnh phát Đ sớm điều trị thích hợp, 95% bệnh nhân sống thêm năm – Ung thư cổ tử cung loại ung thư phụ khoa nguy hiểm thứ hai sau ung thư vú, chiếm khoảng 18% trường hợp ung thư hệ quan sinh dục nữ Bệnh nguyên C N TT nhân gây tử vong ung thư cao cho phụ nữ nước phát triển Đó nước chưa thực chương trình khám sàng lọc nhằm phát sớm ung thư Việc chẩn đoán điều trị cho bệnh nhân bị chi phối tiến triển bệnh thời điểm chẩn đốn Q trình điều trị trở nên đơn giản, hiệu quả, với chi phí thấp bệnh phát giai đoạn tiền ung thư, ngược lại không điều trị kịp K H O A thời bệnh khơng chữa Vì vậy, phát sớm ung thư cổ tử cung quan trọng, liên quan đến lợi ích người bệnh hiệu điều trị Để làm điều này, bác sĩ giải phẫu bệnh khám sàng lọc cho tất bệnh nhân độ tuổi mắc bệnh Năm 1943, bác sĩ George Papanicolaou giới thiệu phương pháp đơn giản, hiệu quả, thích hợp cho việc chẩn đoán tế bào cổ tử cung giai đoạn tiền ung thư; xét nghiệm Pap Xét nghiệm cho kết khơng xác nhiều ngun nhân khách quan chủ quan Nhiều phụ nữ sau Trang khám sàng lọc chết bệnh Một nguyên nhân tế bào ung thư phát triển phức tạp, nên tỷ lệ chẩn đốn âm tính giả dương tính giả cao Tỷ lệ chẩn đốn sai giảm xuống cách kiểm tra lại toàn mẫu khám sàng lọc Giải pháp khơng khả thi tốn nhiều thời gian công sức mà K H TN hiệu lại khơng cao Do đó, hệ thống nhận dạng tự động tế bào tiền ung thư cần thiết hữu ích Bên cạnh đó, việc xác định hệ thống tự động công cụ ứng dụng quan trọng nhiều lĩnh vực xã hội Trong đó, mơ hình nơron – mờ thiết lập không lĩnh vực nghiên cứu mà lĩnh vực ứng dụng Cả H mạng nơron hệ thống mờ phát triển dựa qui trình lập luận Đ người Ở hệ thống mờ, mối liên hệ mô tả rõ ràng luật – lại thiếu khả tự điều chỉnh (khả “học”) Còn mạng nơron, mối – liên hệ thể không rõ ràng mà thiết lập mơ hình liên quan C N TT nhân quả, nhiên liệu lại mã hóa vào mạng thành tham số có khả “học” Như vậy, hệ thống tích hợp mạng nơron logic mờ kết hợp khả ngữ nghĩa hệ thống mờ khả “học” mạng nơron để tạo mô hình suy luận hiệu Với tính chất phức tạp hệ thống phân lớp tế bào cổ tử cung, hệ thống K H O A nơron - mờ khắc phục số lỗi thường gặp chẩn đoán, mà bác sĩ hay mắc phải Mơ hình nơron – mờ kiểu ANFIS (hệ suy luận mờ loại Sugeno dựa mạng thích nghi) dùng để thực phân lớp tế bào bình thường hay bất thường Báo cáo gồm phần phần phụ: • Chương 1: Tổng quan Giới thiệu sơ lược đề tài kiến thức liên quan đến đề tài Trang • Chương 2: Hệ thống suy luận mờ dựa mạng thích nghi Trình bày lý thuyết mơ hình ANFIS: cấu trúc ANFIS thuật tốn học • Chương 3: Trích chọn đặc trưng K H TN Nêu phương pháp tạo liệu cho hệ thống phân loại tế bào cách tính đặc trưng trích từ ảnh tế bào • Chương 4: Phân lớp tế bào cổ tử cung sử dụng mơ hình ANFIS Mơ tả cách thức mà mơ hình ANFIS thực phân lớp tế bào cổ tử cung số hệ thống luật mờ: luật chuyên gia, luật chuyên gia biến đổi luật trích H dẫn từ hệ thống Đ • Chương 5: Tổng kết – Giới thiệu chương trình đánh giá mức độ thực hệ thống, K H O A C N TT số ưu, khuyết điểm định hướng Trang MỤC LỤC K H O A C N TT – Đ H K H TN LỜI CẢM ƠN .1 LỜI NÓI ĐẦU MỤC LỤC .5 DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU BẢNG KÝ HIỆU CÁC CHỮ VIẾT TẮT Chương 1: TỔNG QUAN 1.1 Giới thiệu sơ lược đề tài 1.2 Mục đích đề tài .10 1.3 Mẫu xét nghiệm Pap 11 1.4 Một số nguyên nhân dẫn đến chẩn đoán sai 16 1.5 Một số hệ thống phân lớp tế bào tự động bán tự động 17 1.6 Phát biểu vấn đề 19 1.7 Các tiêu chuẩn đánh giá mức độ thực hệ thống 20 Chương 2: HỆ SUY LUẬN MỜ DỰA TRÊN MẠNG THÍCH NGHI 22 2.1 Giới thiệu sơ lược mơ hình nơron - mờ 22 2.2 Hệ thống suy luận mờ 23 2.3 Mạng thích nghi 27 2.4 Hệ thống suy luận mờ dựa mạng thích nghi 33 Chương 3: TRÍCH CHỌN ĐẶC TRƯNG .37 3.1 Giới thiệu sơ lược trích đặc trưng 37 3.2 Dữ liệu nhập hệ thống 37 3.3 Dữ liệu xuất hệ thống 39 3.4 Trích chọn đặc trưng 40 3.5 Các đặc trưng rút trích .46 Chương 4: PHÂN LOẠI TẾ BÀO CỔ TỬ CUNG SỬ DỤNG MƠ HÌNH ANFIS48 4.1 Cấu trúc ANFIS phân loại tế bào cổ tử cung 48 4.2 Các hệ thống luật mờ phân loại tế bào 54 Chương 5: TỔNG KẾT .59 5.1 Chương trình .59 5.2 Mức độ thực chương trình 66 5.3 Đánh giá đề tài 75 5.4 Hướng phát triển cho đề tài .75 PHỤ LỤC 76 PHỤ LỤC A: MỘT SỐ KIẾN THỨC Y KHOA CƠ BẢN 76 PHỤ LỤC B: PHÂN ĐOẠN ẢNH 80 PHỤ LỤC C: PHƯƠNG PHÁP LỌC KALMAN .82 TÀI LIỆU THAM KHẢO 84 Trang DANH MỤC HÌNH ẢNH K H O A C N TT – Đ H K H TN Hình 1-1: Cấu trúc mơ tế bào cổ tử cung 12 Hình 1-2: Phân lớp mô tế bào gai .13 Hình 1-3: (a) tế bào gai cận đáy, (b) tế bào gai trung gian, (c) tế bào gai bề mặt, 14 Hình 1-4: Phân lớp mô tế bào trụ 14 Hình 1-5: Sơ đồ bước thực chẩn đoán .19 Hình 2-1: Hệ thống suy luận mờ 25 Hình 2-2: Các luật mờ hệ thống suy luận 27 Hình 2-3: Mạng thích nghi 27 Hình 2-4: (a) Suy luận mờ loại 3, (b) cấu trúc ANFIS tương ứng .34 Hình 3-1: Ảnh phân đoạn 40 Hình 3-2: Ảnh gán nhãn 40 Hình 3-3: Các phép tính diện tích 41 Hình 3-4: Vị trí đường kính nhỏ lớn 42 Hình 3-5: Tâm trọng lực nhân bào tương .44 Hình 3-6: Đường trịn cực tiểu cho nhân .46 Hình 4-1: Ý nghĩa tham số hàm dạng chng 49 Hình 4-2: Cấu trúc ANFIS với liệu vào luật 50 Trang DANH MỤC BẢNG BIỂU K H O A C N TT – Đ H K H TN Bảng 1-1: Thống kê kích thước tế bào 16 Bảng 2-1: Hai trình thuật tốn học lai 36 Bảng 3-1 : Danh sách đặc trưng trích chọn vào sở liệu .47 Bảng 4-1: Ví dụ luật mờ phân loại tế bào 48 Bảng 4-2: Luật chuyên gia .54 Bảng 4-3: Luật chuyên gia biến đổi .55 Bảng 5-1: Luật chuyên gia số hóa 66 Bảng 5-2: Mức độ thực luật chuyên gia .67 Bảng 5-3: Mức độ kiểm nghiệm luật chuyên gia 67 Bảng 5-4: Luật chuyên gia biến đổi số hóa 68 Bảng 5-5: Mức độ thực luật chuyển gia biến đổi 68 Bảng 5-6: Mức độ kiểm nghiệm luật chuyên gia biến đổi 69 Bảng 5-7: Luật trích từ hệ thống với liệu xuất .70 Bảng 5-8: Luật trích từ hệ thống với liệu xuất .72 Bảng 5-9: Mức độ thực mạng luật trích từ hệ thống .72 Bảng 5-10: Mức độ kiểm nghiệm luật trích từ hệ thống 73 Trang BẢNG KÝ HIỆU CÁC CHỮ VIẾT TẮT Adaptive – Network – Based Fuzzy Inference System RMSE Root Mean Square Error FN False Negative FP False Positive PP Positive Predictive NP Negative Predictive LSE Least squares estimate FDA the Food and Drug Administration K H O A C N TT – Đ H K H TN ANFIS Trang Chương 1: TỔNG QUAN Để hiểu rõ đề tài này, chương xin trình bày số K H TN kiến thức liên quan đến ung thư cổ tử cung số công việc thực lĩnh vực khám sàng lọc tự động Tất thơng tin phần nói lên khó khăn, tồn hệ thống chẩn đoán tự động, bán tự động thủ cơng (do bác sĩ thực hiện), để từ nêu bật cần thiết phải xuất hệ thống H 1.1.Giới thiệu sơ lược đề tài Đ Ung thư cổ tử cung loại bệnh nguy hiểm, chiếm tỉ lệ cao thứ hai sau ung thư vú Ở Úc, nghìn trường hợp ung thư cổ tử cung chẩn đoán năm, – khoảng 350 phụ nữ chết bệnh (Viện Sức khoẻ Úc, 1991) Độ tuổi trung bình C N TT người bệnh 52,2 thường tập trung vào hai độ tuổi 35-39 60-64 Thống kê Mĩ cho thấy, phụ nữ da trắng, 54% bệnh nhân ung thư cổ tử cung chẩn đốn bệnh cịn giai đoạn khu trú (tiền ung thư), 31% có tổn thương vùng (ung thư) 8% có di xa (ung thư giai đoạn cuối); phụ nữ Mỹ gốc Phi, tỉ lệ tương ứng 40%, 40% 12%; Tỉ lệ mắc ung thư cổ tử cung theo độ tuổi cao K H O A phụ nữ gốc Việt sống Mỹ (43/100.000) Trong vòng 45 năm qua, tần xuất mắc ung thư cổ tử cung giảm từ 45/100.000 xuống 8/100.000 Khi tần xuất mắc bệnh xâm lấn (ung thư) giảm xuống tần xuất mắc bệnh tiền xâm lấn (tiền ung thư) lại tăng đáng kể Tỉ lệ sống năm bệnh nhân ung thư cổ tử cung giai đoạn 71% cho phụ nữ da trắng 57% cho phụ nữ Mỹ gốc Phi Tỉ lệ sống phụ thuộc vào giai đoạn bệnh; bệnh khu trú tỷ lệ sống năm 92%, số giảm xuống 10% bệnh di Vì vậy, phát ung thư cổ tử cung giai đoạn tiền ung thư biện pháp hữu hiệu chăm sóc sức khỏe phụ nữ Trang 3 3 3 3 27 3 3 3 28 2 2 2 29 3 2 3 30 3 2 2 31 3 3 3 32 2 2 2 33 1 3 1 3 H 34 K H TN 26 – Đ Bảng 5-8: Luật trích từ hệ thống với liệu xuất Mức độ huấn luyện mạng tốt nhất: liệu xuất C N TT Tiêu chuẩn liệu xuất (218 chu kì huấn luyện) (76 chu kì huấn luyện) RMSE 0.148221 0.462798 0.58% 34.00% 3.95% 8.54% NP% 98.65% 91.46% PP% 98.29% 66.00% TRN% 98.00% 86.00% Sensitivity 99.42% 66.00% Specificity 96.05% 91.46% 98(s) 65(s) FN% K H O A FP% Time trainning Bảng 5-9: Mức độ thực mạng luật trích từ hệ thống Trang 72 Mức độ kiểm nghiệm tương ứng số chu kì huấn luyện, 250 mẫu khác: liệu xuất liệu xuất RMSE 0.266052 3.083827 CHK% 92.40% 74.40% K H TN Tiêu chuẩn Bảng 5-10: Mức độ kiểm nghiệm luật trích từ hệ thống Nhận xét: Luật trích từ hệ thống mơ tả tốt liệu nhập - xuất Do đó, mơ hình ANFIS H sử dụng hệ thống luật cho kết tốt Khả phân loại tế bào dương tính âm tính tăng lên rõ rệt Những trường hợp chẩn đoán sai giảm đáng kể – Đ Mức độ huấn luyện kiểm nghiệm tăng mạnh C N TT Biểu đồ so sánh khả phân loại tế bào 100 80 Luật chuyên gia 60 (%) Luật chuyên gia biến đổi Luật trích từ hệ thống K H O A 40 20 FN% FP% NP% PP% Hình 5-9: So sánh khả phân loại tế bào Trang 73 Biểu đồ thể mức độ huấn luyện mạng (TRN%) K H TN Luật chuyên gia Luật chuyên gia biến đổi liệu liệu xuất xuất Luật trích từ hệ thống H 100 80 60 (%) 40 20 Đ Hình 5-10: So sánh mức độ huấn luyện mạng C N TT – Biểu đồ thể mức độ kiểm nghiệm mạng (CHK%) 100 80 60 40 K H O A (%) 20 Luật chuyên gia Luật chuyên gia biến đổi Luật trích từ hệ thống liệu xuất liệu xuất Hình 5-11: So sánh mức độ kiểm nghiệm mạng Trang 74 5.3.Đánh giá đề tài 5.3.1.Ưu điểm Tốc độ học tốc độ hội tụ mơ hình ANFIS nhanh K H TN Thử nghiệm nhiều hệ thống luật để đưa kết phân lớp tốt 5.3.2.Khuyết điểm Chưa thực phân đoạn ảnh tự động độ biến thiên màu phức tạp 5.4.Hướng phát triển cho đề tài H Chưa thử nghiệm thủ tục học lai theo mẫu (học trực tuyến) Đ Theo đề tài muốn xác định tình trạng mẫu xét nghiệm Pap, số khâu bán tự động (phân đoạn ảnh, ) Do định hướng phát triển C N TT động – đề tài hồn chỉnh quy trình chẩn đốn ung thư cổ tử cung hồn tồn tự Tích hợp thuật giải di truyền vào thủ tục học lai nhằm tận dụng khả chọn lọc GA để chọn tham số thích nghi tốt nhất, đồng thời tận dụng tính thích nghi GA để phát sinh tham số cho mạng Nghiên cứu thuật toán tối ưu để sử dụng, rút gọn chi phí tính toán K H O A thời gian thực Đưa vào thử nghiệm thực tế để hồn chỉnh mơ hình phân lớp tế bào cổ tử cung giai đoạn tiền ung thư Trang 75 PHỤ LỤC PHỤ LỤC A: MỘT SỐ KIẾN THỨC Y KHOA CƠ BẢN K H TN Ung thư ung thư cổ tử cung Ung thư bệnh xuất tế bào trở nên bất thường việc phân chia kiểm sốt khơng theo trật tự Giống phận khác thể, cổ tử cung bao gồm nhiều loại tế bào khác Thông thường, tế bào phân chia thành nhiều tế bào thể có nhu cầu Q trình diễn theo trật tự giữ cho thể H khoẻ mạnh Nếu tế bào tiếp tục phân chia thể không cần tế bào mới, khối mơ Đ hình thành Khối mơ thừa gọi khối u, lành tính ác tính U – lành tính khơng phải ung thư Chúng dễ dàng loại bỏ hầu hết trường hợp không xuất trở lại Ðiều quan trọng tế bào khối u lành C N TT tính khơng lan sang phận khác thể Khối u lành tính khơng đe doạ đến tính mạng Ngược lại, khối u ác tính ung thư Tế bào ung thư xâm lấn phá huỷ mơ, quan gần khối u Ngoài ra, tế bào ung thư cịn tách khỏi khối u ác tính vào hệ thống bạch huyết mạch máu Ðây cách thức mà ung thư cổ tử cung lan sang phận khác thể Sự lan K H O A gọi di Giống loại ung thư khác, ung thư cổ tử cung gọi tên theo phận thể mà ung thư xuất Ung thư cổ tử cung gọi tên theo loại tế bào mà bắt đầu phát triển Hầu hết loại ung thư cổ tử cung ung thư biểu mô tế bào gai Ðiều kiện tiền ung thư ung thư cổ tử cung Tế bào bề mặt cổ tử cung trở nên bất thường chưa phải ung thư Các nhà khoa học tin số thay đổi bất thường tế bào cổ tử cung Trang 76 bước chuỗi thay đổi chậm dẫn tới ung thư nhiều năm sau Nói cách khác, số thay đổi bất thường mang tính chất tiền ung thư; chúng trở thành ung thư theo thời gian Nhiều năm qua, bác sĩ sử dụng thuật ngữ khác để nói tới K H TN thay đổi bất thường tế bào bề mặt cổ tử cung Một thuật ngữ sử dụng tổn thương biểu mô tế bào gai (SIL) Những thay đổi tế bào gai phân chia thành hai loại: SIL mức độ thấp đề cập tới thay đổi sớm kích thước, hình dáng, số lượng tế bào tạo nên bề mặt cổ tử cung Một số tổn thương mức độ thấp H tự biến trở nên bất thường hơn, tạo nên tổn thương mức độ cao Tổn thương tiền ung thư mức độ thấp gọi tượng Đ loạn sản nhẹ (CIN 1) Những thay đổi ban đầu thường xảy khác – phụ nữ tuổi từ 25-35 xuất nhóm tuổi C N TT SIL mức độ cao có nghĩa có số lượng lớn tế bào có dấu hiệu tiền ung thư; chúng trông khác tế bào thường Giống SIL mức độ thấp, thay đổi tiền ung thư liên quan tới tế bào bề mặt cổ tử cung Những tế bào không trở thành ung thư không xâm lấn vào lớp tế bào sâu cổ tử cung nhiều tháng, K H O A nhiều năm Tổn thương mức độ cao gọi tượng loạn sản mức độ vừa nặng (CIN 3) Chúng thường xuất nhiều phụ nữ độ tuổi từ 30 đến 40 xảy độ tuổi khác Nếu tế bào bất thường lan sâu vào cổ tử cung tới mô khác quan khác, bệnh gọi ung thư cổ tử cung, hay ung thư cổ tử cung thể xâm lấn Nó thường xảy phụ nữ độ tuổi 40 Trang 77 Phát sớm Nếu tất phụ nữ thăm khám vùng chậu làm xét nghiệm Pap định kỳ hầu hết điều kiện tiền ung thư phát điều trị trước ung phát bệnh giai đoạn sớm chữa khỏi K H TN thư xuất Hầu hết loại ung thư thể xâm lấn phịng ngừa cách Xét nghiệm Pap xét nghiệm đơn giản, không đau, dùng để phát tế bào bất thường xung quanh cổ tử cung Nó tiến hành phòng mạch bác sĩ bệnh viện Phụ nữ nên khám định kỳ, bao gồm khám vùng chậu làm nghiệm pháp Pap, họ độ tuổi độ tuổi có hoạt động H tình dục hay họ >18 tuổi Những người có nguy ung thư cổ tử cung tăng cao cần đặc biệt tuân theo lời khuyên bác sĩ việc khám định kỳ Những phụ nữ Triệu chứng – khám vùng chậu làm xét nghiệm Pap Đ cắt tử cung (phẫu thuật cắt tử cung cổ tử cung) nên hỏi ý kiến bác sĩ việc C N TT Những thay đổi tiền ung thư cổ tử cung thường không gây đau đớn Thực tế chúng thường không gây triệu chứng không phát người phụ nữ không khám làm nghiệm pháp Pap Triệu chứng thường không xuất tế bào bất thường cổ tử cung trở thành ung thư xâm lấn vào mô bên cạnh Khi điều xảy tượng K H O A thường gặp máu cách bất thường nhiều khí hư Tuy nhiên, triệu chứng ung thư bệnh lý khác gây ra, có bác sĩ khẳng định Ðiều quan trọng người phụ nữ phải đến khám bác sĩ có triệu chứng bất thường Những đối tượng bệnh ung thư cổ tử cung Lứa tuổi mắc ung thư cổ tử cung thường gặp lứa tuổi trung niên, khoảng từ 48 đến 52 Phụ nữ có yếu tố sau coi nguy có khả dễ mắc bệnh: Trang 78 Những người phải sống điều kiện kinh tế - xã hội thấp kém: nghèo túng, sống nơi chật chội, ô nhiễm, thiếu vệ sinh; người hiểu biết, trình độ văn hóa thấp Những phụ nữ có quan hệ tình dục sớm K H TN Những người có quan hệ tình dục với nhiều bạn tình người chồng có nhiều bạn tình K H O A C N TT – Đ H Những người sinh đẻ nhiều lần Trang 79 PHỤ LỤC B: PHÂN ĐOẠN ẢNH Giới thiệu Phân đoạn ảnh việc từ ảnh lấy đối tượng cần quan tâm để phục K H TN vụ cho bước phân tích Nó xem q trình phân loại điểm ảnh, tức phân biệt điểm ảnh điểm ảnh đối tượng Ở đây, trình phân đoạn ảnh sở để đánh giá tế bào, bao gồm việc nhận biết nhân, bào tương Đây q trình mang tính chủ quan cao quan trọng, giúp cho việc trích đặc trưng từ ảnh thực dễ dàng, đồng H thời góp phần quan trọng cho việc thực xác hệ thống tự động Có nhiều phương pháp phân đoạn ảnh, chẳng hạn phân ngưỡng đối Đ tượng động tĩnh, xác định cạnh, tăng vùng… Hầu hết thuật toán phân đoạn – ảnh thơng thường có khuyết điểm chung khơng xử lý tốt cho ảnh có độ tương phản màu sắc đối tượng thấp Do đặc tính ảnh tế bào cổ tử cung C N TT phức tạp, độ sáng biến thiên không đồng đều, nên thuật toán láng giềng gần sử dụng thay cho thuật toán xử lý ảnh thơng thường khác Thuật tốn láng giềng gần Thuật tốn láng giềng gần gồm bước: Tính khoảng cách Euclide Di từ z đến phần tử xi, với i = 1, …, n K H O A Tạo ma trận ⎡ D1 ci ⎤ A = ⎢ ⎥ ⎢ ⎥ ⎢ Dn c n ⎥ ⎣ ⎦ xếp hàng A theo thứ tự tăng cột Sau xếp, A trở thành: Trang 80 ⎡a1,1 a1, ⎤ ⎥ ⎢ ⎥ A1 = ⎢ ⎢a n ,1 a n , ⎥ ⎦ ⎣ tương ứng hàng K H TN a1,1 ≤ a2,1 ≤ … ≤ an,1 khoảng cách có thứ tự tăng, ai,2 phân lớp cho bj = 0, j = 1, …, C, C số nhóm mơ tả ci Lặp lại bước với i = 1, …, k, tăng b(ai,2) với khoảng cách trọng hoá: ⎡ ,1 ⎤ b(ai , ) = b(ai , ) + ⎢1 − ⎥ ⎢ ,k ⎥ ⎣ ⎦ b( j ) ≤ b(l ), ∀l = 1, , C H Ấn định điểm liệu z vào nhóm j cho K H O A C N TT – Đ Các bước thực phân đoạn ảnh (xem phần hướng dẫn sử dụng) Trang 81 PHỤ LỤC C: PHƯƠNG PHÁP LỌC KALMAN Giới thiệu Lý thuyết thống kê LSE trình bày Adrien – M Legen (1806) Karl F Gauss (1809) Ý tưởng LSE phương pháp tốn dùng để chuẩn K H TN hoá liệu nhập cách sử dụng tập trọng số tối ưu Kết LSE ứng dụng nhiều lĩnh vực tự động hoá Tuy nhiên, để thực nguyên lý đơn giản lại cần hàng loạt phép tính phức tạp Năm 1960, Rudolf E Kalman đưa phương pháp giải tính tốn cho LSE gọi lọc Kalman Bộ lọc Kalman cơng cụ tốn học mạnh dùng cho H việc mô hệ thống giới thực Cơ sở tốn học lọc Kalman Đ Phương trình độ đo tuyến tính hố (phương trình quan sát) thể cách mà lỗi et gồm n phần tử thời điểm t: – vectơ độ đo yt gồm n phần tử phụ thuộc vào vectơ trạng thái st gồm m phần tử vectơ C N TT y t = H t s t + et , (1) với t = 1, 2… s0 cho trước Ht ma trận Jacobian Phương trình hệ thống tuyến tính hố (phương trình trạng thái) mơ tả tiến triển theo thời gian toàn hệ thống thời điểm t: s t = At st −1 + Bt u t −1 + at , (2) K H O A với t = 1, 2,… s0 cho trước, At ma trận chuyển tiếp trạng thái, Bt ma trận gia lượng điều khiển Phương trình thể cách mà vectơ trạng thái st toàn hệ thống phát triển từ trạng thái st-1 trước chịu ảnh hưởng từ cưỡng điều khiển ut-1 nhiễu ngẫu nhiên at Khi lỗi độ đo et nhiễu hệ thống at tự động tương quan chéo, chúng không tương quan với s0 hiệp phương sai là: Trang 82 ( ( ) ' Rt = Cov(et ) = E et et ⎫ ⎪ ' ⎬ Qt = Cov(at ) = E at at ⎪ ⎭ (3) ) phép đệ qui tiến Kalman từ phương trình (4) đến (7) cho ước lượng khơng lệch ˆ tuyến tính tốt st trạng thái st sau: ˆ s s t = ~t + K t ( y t − H t ~t ) s K H TN (4) ~t dự đốn phương trình trạng thái (2) sau: s ~ = As +Bu ˆ st t t −1 t t −1 (5) đó, ma trận hiệp phương sai lỗi ước lượng không lệch tuyến tính tốt cho: { { } } (6) Đ H ~ ' ' ˆ Pt = Cov(~t − s t ) = E (~t − st )(~t − st ) = At Pt −1 At + Qt ⎫ s s s ⎪ ~ ~ ⎬ ' ˆ ˆ ˆ ˆ Pt = Cov(st − s t ) = E (s t − st )(s t − st ) = Pt − K t H t Pt ⎪ ⎭ ma trận gia lượng Kalman Kt với t = 1, 2,… tính là: ) – ( −1 C N TT ~ ' ~ ' K t = Pt H t H t Pt H t + Rt (7) ( ) ˆ ˆ Các phép đệ qui từ (4) đến (7) thường khởi tạo s = Es ≅ P0 = K H O A ˆ Cov(s − s ) = Cov(s ) Trang 83 TÀI LIỆU THAM KHẢO [1] António Dourado, Rui Pedro Paiva, “Structure and Parameter Learning of Neuro – Fuzzy Systems: a methodology and a comparative study”, Dept of Informatics K H TN Engineering, Pólo II of University of Coimbra, P 3030 Coimbra Portugal, Journal of Intelligent and Fuzzy Systems, IFS 01.383.06 [2] Antti A.I.Lange, “Statictical calibration of observing systems”, the University of Helsinki, the Faculty of Social Science, 1999 [3] Erik Martin, “Pap – Smear classification”, Technical University of Denmark H (DTU), Dept of Automation, Bldg 326, 2800 Lyngby, Denmark, 2003 Đ [4] Gary Bishop, Grep Welch, “An introduction to the Kalman filter”, University of – North Carolina at Chapel Hill, Dept of Computer Science, Chapel Hill [5] Hoàng Kiếm, Đỗ Quang Dương, “Kết hợp mạng thần kinh, logic mờ thuật toán C N TT di truyền giải tốn tối ưu hố cơng thức quy trình”, Luận văn thạc sĩ, Đại học Quốc gia TP HCM, Đại học Khoa học Tự nhiên, Khoa Công nghệ thông tin, 2002 [6] Jang Jantzen, “Neuronfuzzy Modelling”, Technical University of Denmark (DTU), Dept of Automation, Bldg 326, DK-2800 Lyngby, Denmark, 1998 K H O A [7] Jens Byriel, “Neuron – Fuzzy Classification of Cells in Cervical Smears”, Master’s thesis, Technical University of Denmark, Dept of Automation, Bldg 326, DK – 2800 Lyngby, Denmark, 1999 [8] José Victor Ramos and António Dourado, “Evolving Takagi – Sugeno Fuzzy Models”, Technical report, Center for Informatics and Systems, Adaptive Computation Group, 2003 [9] Jyh – Shing Roger Jang, “ANFIS: Adaptive – network – based fuzzy inference system”, University of California, Dept of Electrical Engineering and Computer Trang 84 Science, Berkeley, CA 94720, IEEE Trans on Systems, Man and Cybernetics, vol 23, no 3, pp 665 – 685, 1993 [10] Jyh – Shing Roger Jang, “Input Selection for ANFIS learning”, National Tsing K H TN Hue University Hsinchu, Dept of Computer Science, Taiwan [11] Jyh – Shing Roger Jang, Chuen – Tsai Sun, “Neuro – Fuzzy Modelling and Control”, University of California, Dept of Electrical Engineering and Computer Science, Berkeley, CA 94720, 1995 [12] Jyh – Shing Roger Jang, Chuen – Tsai Sun, “Self – Learning Fuzzy Controlers Based on Temporal Back Propagation”, University of California, Dept of Electrical H Engineering and Computer Science, Berkeley, CA 94720 Đ [13] Jyh – Shing Roger Jang, “Neuron – Fuzzy Modelling: Architecture, Analyse and C N TT Science, Berkeley, CA 94720, 1992 – Application”, University of California, Dept of Electrical Engineering and Computer [14] Jyh – Shing Roger Jang, Chuen – Tsai Sun, “Structure Determination in Fuzzy Modelling: a fuzzy CART approach”, The MathWorks, Inc., 24 Prime Park Way, Natick, Mass 01760, IEEE International Conference on Fuzzy System, Orlando, 1994 [15] Landwehr, D., “Web base pap – smear classification”, Master’s thesis, Technical K H O A University of Denmark (DTU), Dept of Automation, Bldg 326, 2800 Lyngby, Denmark, 2001 [16] Lê Hoài Bắc, Nguyễn Thanh Nghị, “Bionet - Hệ chẩn đoán bệnh”, Luận văn thạc sĩ, Đại học Quốc gia TP HCM, Đại học Khoa học Tự nhiên, Khoa Công nghệ thông tin, 2003 [17] Nguyễn Đình Thúc, “Mạng nơron phương pháp ứng dụng”, Nhà xuất giáo dục, 2000 Trang 85 [18] Piero P Bonissone, “Adaptive neural network inference Systems (ANFIS): Analysis and Applications”, GE CRD, Schenectady, NY USA, 1997 [19] Renata Pytelková, “Modelling and Control with Neuro – Fuzzy Systems”, Dept of K H TN Control Engineering, FEE, CTU, Czech Republic, 2001 [20] R P Paiva, A Dourado, B.Duarte, “Applying subtractive clustering for Neuro – Fuzzy modelling of bleaching plant”, Dept of Informatics Engineering, Pólo II of University of Coimbra, P 3030 Coimbra Portugal [21] R P Paiva, A Dourado, “Comparison of Neuro – Fuzzy structures for System Identification”, Dept of Informatics Engineering, Pólo II of University of Coimbra, P H 3030 Coimbra Portugal Đ [22] R P Paiva, A Dourado, “Development of Interpretable Models through Neuro – C N TT P 3030 Coimbra Portugal – Fuzzy Networks”, Dept of Informatics Engineering, Pólo II of University of Coimbra, [23] Web site y khoa: http://www3.cancer.gov/hpb/vietnamese/cervical/ http://www.ykhoa.net/skds/SANPHUKHOA/53-19.html http://www.vietpharm.com.vn/ungthu K H O A [24] Stephen L Chiu, “An efficient Method for Extracting Fuzzy Classification Rules from High Dimensional Data”, J Advanced Computational Intelligence, Vol 1, No 1, 1997 [25] Stephen L Chiu, “Extracting fuzzy rules from data for function approximation and pattern classification”, Chapter in Fuzzy Set Methods in Information Engineering: A Guided Tour of Application, ed D Dubois, H Prade, R Yager, John Wiley, 1997 Trang 86 ... bào này, gọi mô trung K H O A C N TT – Đ H gian (Hình 1.1) Hình 1-1 : Cấu trúc mô tế bào cổ tử cung 1.3.3.2 .Mô tế bào gai Mơ tế bào gai có lớp tế bào (Hình 1.2) Tế bào gai bắt đầu hình thành từ... phát ung thư cổ tử cung giai đoạn tiền ung thư biện pháp hữu hiệu chăm sóc sức khỏe phụ nữ Trang Năm 1943, Georges Papanicolaou đưa phương pháp chẩn đoán tế bào cổ tử cung giai đoạn tiền ung thư. .. nhân 50µm2 Hình 1-4 : Phân lớp mô tế bào trụ Trang 14 1.3.3.4 .Mô trung gian Mô trung gian (vùng chuyển tiếp mô tế bào gai mô tế bào trụ) chứa tế bào dự trữ từ mô tế bào trụ Khi tế bào trưởng thành,