Luận án nghiên cứu một số phương pháp phân cụm bán giám sát mờ trong phân đoạn ảnh nha khoa

MỞ ĐẦU Phân đoạn ảnh chia nhỏ ảnh thành vùng đồng cấu tạo nên ảnh đối tƣợng [17], [52] Phân đoạn ảnh thƣờng đƣợc sử dụng để xác định vị trí đối tƣợng (chẳng hạn nhƣ loại trồng, khu vực đô thị, rừng hình ảnh vệ tinh, v.v.) đƣờng biên, ranh giới (đƣờng thẳng, đƣờng cong, v.v.) ảnh Với ảnh nha khoa mục đích phân đoạn ảnh nha khoa bƣớc xử lý quan trọng nha khoa thực hành nhằm hỗ trợ bác sĩ chẩn đoán cách hiệu bệnh quanh Ảnh X-quang nha khoa gồm phần [54]: i) Phần răng: phần có độ xám cao phần ta nhìn thấy rõ ảnh; ii) Phần cấu trúc răng: phần có độ xám trung bình gồm lợi răng, xƣơng, phần khác (tủy, xi măng v.v.); iii) Phần nền: phần có giá trị độ xám nhỏ nhất, tảng cấu trúc Với cấu trúc ảnh X-quang nha khoa việc phân đoạn ảnh phức tạp phân đoạn ảnh thông thƣờng [70] Bài toán phân đoạn ảnh nha khoa đƣợc sử dụng để hỗ trợ việc chẩn đoán bệnh nha khoa dự đoán tuổi nha khoa [51] Đồng thời, phân đoạn ảnh nha khoa mang lại thơng tin có giá trị cho nha sĩ q trình phân tích thơng tin từ hình ảnh [51] Liên quan đến độ xác phân đoạn ảnh nha khoa, có phƣơng pháp học máy khác đƣợc áp dụng [30], [35] Kết phân đoạn ảnh nha khoa cịn cung cấp thêm thơng tin cho nha sỹ q trình chẩn đốn bệnh, giúp nha sỹ chẩn đốn bệnh xác hiệu Với toán phân đoạn ảnh nha khoa, nghiên cứu trƣớc đƣa kỹ thuật phân đoạn nhƣ phân đoạn ảnh dựa phân ngƣỡng [21], [27], phân đoạn ảnh dựa phân cụm [44], [70] Tuy nhiên phƣơng pháp thƣờng gặp vấn đề xác định tham số ngƣỡng hay biên chung mẫu phƣơng pháp phân cụm mờ đƣợc cho xử lý tốt [59] Trong phân cụm rõ, liệu đƣợc chia vào nhóm, điểm liệu thuộc vào xác cụm [10] Trong phân cụm mờ, điểm liệu thuộc vào nhiều cụm với độ thuộc tƣơng ứng [10] Khi đó, tƣơng ứng với điểm liệu ma trận độ thuộc, với giá trị phần tử ma trận mức độ điểm liệu thuộc vào cụm khác [10] Các phƣơng pháp phân cụm mờ đƣợc sử dụng nhiều toán nhận dạng mẫu, phát tri thức từ sở liệu, đánh giá rủi ro có ứng dụng nhiều phân đoạn ảnh Trong nghiên cứu gần việc sử dụng thông tin bổ trợ cung cấp ngƣời dùng đƣợc gắn với đầu vào phân cụm mờ để hƣớng dẫn, giám sát điều khiển q trình phân cụm Các thuật tốn phân cụm mờ kết hợp với thông tin bổ trợ ngƣời dùng xác định trƣớc hình thành lên nhóm thuật toán phân cụm bán giám sát mờ [23] Một số nghiên cứu gần cho thấy thuật toán phân cụm bán giám sát mờ hiệu nhiều lĩnh vực nhƣ xử lý ảnh [16], [31], [49], nhận dạng mẫu, nhận dạng khuôn mặt [5], [33], đánh giá rủi ro [15], dự báo phá sản [36] Đặc biệt xử lý ảnh với ảnh màu ảnh y học Cũng có số kết đƣợc đƣa cho toán phân đoạn ảnh nha khoa nhƣ sử dụng đặc trƣng ảnh nha khoa nhƣ cấu trúc ảnh, màu sắc, hình dáng trình phân đoạn gồm phƣơng pháp lấy ngƣỡng [21], [27], phƣơng pháp phân cụm [70] Tuy nhiên, nghiên cứu này, chƣa có kết phân cụm bán giám sát mờ đƣợc áp dụng cho ảnh X-quang nói chung ảnh X-quang nha khoa nói riêng Các nghiên cứu trƣớc sử dụng phân cụm mờ với đặc trƣng ảnh nha khoa nhƣng chƣa khai thác thông tin không gian ảnh Nội dung nghiên cứu luận án tập trung vào việc đề xuất, cải tiến kỹ thuật phân đoạn ảnh thuật toán phân cụm bán giám sát mờ Trong trình phân đoạn ảnh nha khoa, kỹ thuật phân cụm mờ (FCM) [10], phân cụm bán giám sát mờ (eSFCM) [67] kỹ thuật tách ngƣỡng Otsu [43] kỹ thuật làm tiền đề cho phƣơng pháp đƣợc đề xuất luận án Trong phƣơng pháp trình bày luận án, thông tin bổ trợ đƣợc xác định ma trận độ thuộc thuật toán phân cụm mờ FCM kết hợp với thông tin đặc trƣng ảnh nha khoa Đây cách tiếp cận mà phƣơng pháp trƣớc chƣa đề cập đến Đồng thời, luận án trình bày số cách xác định thông tin bổ trợ phù hợp ứng với đối tƣợng đầu vào khác Từ thực việc cài đặt đánh giá đề xuất máy tính Mục tiêu nghiên cứu: Nghiên cứu thuật toán phân cụm bán giám sát mờ vào phân đoạn ảnh Phát triển nghiên cứu đề xuất cải tiến phƣơng pháp phân cụm bán giám sát mờ cho phân đoạn ảnh nha khoa Các thuật toán cải tiến đƣợc đề xuất dựa thông tin không gian đặc trƣng ảnh nha khoa nhằm mục đích nâng cao chất lƣợng phân cụm thuật toán phân cụm bán giám sát mờ áp dụng với toán phân đoạn ảnh nha khoa Với mục tiêu nghiên cứu luận án thu đƣợc số đóng góp nhƣ sau:  Luận án nghiên cứu phát triển thuật toán phân cụm bán giám sát mờ phân đoạn ảnh nha khoa, cụ thể: - Đề xuất phƣơng pháp phân đoạn ảnh nha khoa dựa phân cụm bán giám sát mờ lai ghép (Lai ghép phân cụm bán giám sát mờ với phân cụm mờ phƣơng pháp tách ngƣỡng Otsu) - Đề xuất phân cụm bán giám sát mờ có sử dụng đặc trƣng không gian ảnh nha khoa vào toán phân đoạn ảnh; - Vận dụng phƣơng pháp giải tối ƣu đa mục tiêu để giải toán tối ƣu đa mục tiêu phân cụm bán giám sát mờ, từ đƣa mệnh đề, định lý tính chất nghiệm tốn; - Xây dựng kho liệu hàm xác định thông tin bổ trợ cho phân cụm bán giám sát mờ, từ lựa chọn hàm thơng tin bổ trợ phù hợp với ảnh đầu vào để chất lƣợng cụm đƣợc tốt  Cài đặt thực nghiệm thuật toán cải tiến dựa thu thập phân tích liệu ảnh mẫu bệnh nha khoa Ứng dụng phân đoạn ảnh hệ hỗ trợ chẩn đốn nha khoa Ngồi phần phần mở đầu kết luận, luận án đƣợc cấu trúc thành ba chƣơng: Chƣơng trình bày tổng quan phân cụm bán giám sát mờ toán phân đoạn ảnh Đồng thời trình bày lý thuyết sở sử dụng q trình học tập nghiên cứu Thơng qua chƣơng này, luận án đƣa đƣợc nhìn tổng quan toán nghiên cứu, khái niệm thuật toán sử dụng nghiên cứu luận án Các đóng góp luận án lần lƣợt đƣợc trình bày chƣơng 2, chƣơng Chƣơng trình bày kết nghiên cứu phƣơng pháp phân cụm bán giám sát mờ sử dụng cho phân đoạn ảnh nha khoa Chƣơng trình bày phân cụm bán giám sát mờ lai ghép Đặc biệt luận án cịn trình bày đề xuất phát triển phân cụm bán giám mờ có sử dụng thơng tin đặc trƣng không gian áp dụng phƣơng pháp nhân tử Lagrange thỏa dụng mờ giải toán tối ƣu đa mục tiêu Đồng thời, chƣơng 2, luận án xây dựng cách xác định thông tin bổ trợ phù hợp ảnh đầu vào để có đƣợc kết phù hợp Chƣơng trình bày kết thực nghiệm thu đƣợc cài đặt thuật toán phân cụm bán giám sát mờ đề xuất chƣơng liệu ảnh X-quang nha khoa Trong có trình bày liệu sử dụng tiêu chí đánh giá thơng qua độ đo Các kết đƣợc sử dụng để đánh giá hiệu thuật toán đề xuất so sánh với thuật toán khác đƣợc nghiên cứu gần toán tƣơng tự Ứng dụng phân đoạn ảnh thiết kế hệ hỗ trợ chẩn đoán bệnh Cuối cùng, kết luận nêu đóng góp, hƣớng phát triển, vấn đề quan tâm cơng trình đƣợc cơng bố luận án CHƢƠNG TỔNG QUAN VỀ PHÂN CỤM BÁN GIÁM SÁT MỜ TRONG PHÂN ĐOẠN ẢNH NHA KHOA 1.1 Bài toán phân đoạn ảnh nha khoa 1.1.1 Khái niệm Phân đoạn ảnh chia nhỏ ảnh thành vùng đồng tạo nên ảnh đối tƣợng [17], [52] Phân đoạn ảnh thƣờng đƣợc sử dụng để xác định vị trí đối tƣợng (chẳng hạn nhƣ loại trồng, khu vực đô thị, rừng hình ảnh vệ tinh, v.v.) đƣờng biên/ranh giới (đƣờng thẳng, đƣờng cong, v.v.) ảnh Chính xác hơn, phân đoạn ảnh trình gán nhãn cho pixel ảnh mà pixel có nhãn có chung số đặc điểm định Với phân đoạn ảnh nha khoa mục đích phân đoạn ảnh nha khoa bƣớc xử lý quan trọng nha khoa thực hành nhằm hỗ trợ bác sĩ chẩn đoán cách hiệu bệnh quanh nhƣ viêm chân răng, bệnh nha chu, viêm túi răng, v.v Hình 1.1 cho thấy kết phân đoạn ảnh X-quang nha khoa chia ảnh Xquang thành vùng, vùng màu xanh ảnh phân đoạn mắc bệnh nha khoa mà bác sỹ cần đặc biệt ý (a) (b) Hình 1.1 Ảnh phân đoạn (a) Ảnh X-quang nha khoa; (b) Ảnh phân đoạn Kết phân đoạn ảnh tập phân đoạn mà bao trùm toàn ảnh Mỗi điểm ảnh phân đoạn tƣơng đồng số thuộc tính tính chất tính tốn, ví dụ nhƣ màu sắc, cƣờng độ cách cấu tạo, v.v Việc áp dụng với ảnh phân đoạn nha khoa ngƣời ta xây dựng lên ứng dụng nhƣ: hỗ trợ việc thu thập thơng tin chẩn đốn bệnh nha khoa bác sỹ, đƣờng mức thu đƣợc sau phân đoạn ảnh đƣợc sử dụng để tạo dựng thành 3D với giúp đỡ thuật tốn nội suy để từ bác sĩ nắn chỉnh lại cho phù hợp v.v 1.1.2 Ảnh X-quang nha khoa Cơ quan bao gồm nha chu quanh đơn vị hình thái chức Răng phận trực tiếp nhai nghiền thức ăn, nha chu phận giữ nâng đỡ đồng thời phận nhận cảm, tiếp nhận dẫn truyền lực nhai Răng gồm men, ngà (mô cứng) tủy (mô mềm) Nha chu gồm xƣơng chân răng, men chân răng, dây chằng, xƣơng ổ răng, nƣớu (lợi), xƣơng Bộ thể thống thuộc hệ thống nhai tạo thành xếp có tổ chức quan [2] Mỗi có phần thân chân Giữa thân chân đƣờng cổ hay cổ giải phẫu đƣờng cong Thân đƣợc bao bọc men răng, chân đƣợc men chân bao phủ Nƣớu viền xung quanh cổ tạo thành bờ gọi cổ sinh lý Phần thấy đƣợc miệng thân lâm sàng Cổ sinh lý thay đổi tùy theo nơi bám bờ viền nƣớu, tuổi cao nơi bám có khuynh hƣớng di chuyển dần phía chóp Nhiều trƣờng hợp bệnh lý, nƣớu bị sƣng trụt, làm thân bị ngắn lại dài [2] Các thông tin đƣợc hiển thị thơng qua ảnh X-quang nha khoa Do ảnh X-quang nha khoa công cụ để trợ giúp nha sĩ thu đƣợc thơng tin nha khoa Ảnh X-quang nha khoa trợ giúp việc thu thập số thông tin mà nha sĩ khơng thấy đƣợc q trình thăm khám trực tiếp Từ ảnh X-quang trợ giúp cho việc xác định thông tin bệnh nha khoa nhƣ [2]: Lỗ sâu phát sâu bên dƣới lớp trám răng, mọc ngầm, viêm lợi, tiêu xƣơng quanh răng… Có nhiều loại ảnh X-quang nha khoa khác nhau, đƣợc chia thành hai kiểu ảnh X-quang nha khoa chính: ảnh X-quang phạm vi miệng ảnh X-quang phạm vi miệng [9], [68] Ảnh miệng: loại ảnh X-quang nha khoa phổ biến Nó mơ tả cách chi tiết cho phép nha sĩ tìm sâu răng, kiểm tra sức khỏe xƣơng xung quanh răng, kiểm tra tình trạng phát triển theo dõi sức khỏe chung xƣơng hàm Ảnh X-quang thuộc kiểu miệng gồm ảnh cắn cánh ảnh quanh chóp Ảnh miệng: cho thấy nhƣng mục đích cho thấy tồn hàm xƣơng sọ Nó khơng cung cấp đặc điểm chi tiết nhƣ ảnh miệng đó, khơng đƣợc sử dụng để phát sâu số vấn đề khác với Thay vào đó, đƣợc sử dụng để tìm nêm vào nhau, theo dõi tăng trƣởng phát triển hàm quan hệ với răng, để xác định vấn đề tiềm ẩn hàm, hội chứng rối loạn thái dƣơng hàm xƣơng mặt khác Các ảnh X-quang thuộc kiểu miệng gồm ảnh toàn cảnh, ảnh cắt lớp, phim sọ nghiêng, ảnh X-quang tuyến nƣớc bọt, ảnh cắt lớp điện tốn Một số hình ảnh X-quang nha khoa đƣợc thể Hình 1.2 a) Ảnh cắn cánh b) Ảnh quanh chóp c) Ảnh tồn hàm Hình 1.2 Một số loại ảnh X – quang nha khoa 1.1.3 Nhu cầu ứng dụng y học Phân đoạn ảnh giai đoạn trình xử lý ảnh đóng vai trị quan trọng [32], [49] q trình Khi đó, phân đoạn ảnh nha khoa bƣớc xử lý then chốt nha khoa nhằm hỗ trợ bác sĩ chẩn đoán cách hiệu bệnh nhƣ: viêm chân răng, mọc ngầm [55], [56] Khi ứng dụng phân đoạn ảnh hỗ trợ việc chẩn đoán bệnh nha khoa Một ứng dụng thú vị phân đoạn ảnh nha khoa từ hình ảnh X-quang giám định pháp y [23], [50], việc giám định pháp y thƣờng sử dụng công nghệ khoa học để phân tích (trong có phân tích răng) việc xác định ngƣời, ví dụ: vụ máy bay rơi sau rơi ngƣời ta phải giám định pháp y để nhận dạng với ngƣời tất ngƣời chết [50] Khi ngƣời ta xác định thông qua nhận dạng sinh trắc học, đặc điểm hình dạng nha khoa cịn tồn nạn nhân (trong trƣờng hợp chết thời gian dài [50]) Do đó, trở nên quan trọng để đƣa định xác định hình thái mặt ngƣời dựa đặc tính kích thƣớc răng, khoảng cách mẫu xoang, xƣơng mặt v.v [50] Bên cạnh việc giám định pháp y, phân đoạn ảnh nha khoa cịn có số ứng dụng khác: xác định số [35], ƣớc lƣợng tuổi nha khoa [65], phân đoạn ảnh nha khoa phân tích mảng bám [24], v.v 1.2 Tổng quan nghiên cứu liên quan Phân đoạn ảnh giai đoạn trình xử lý ảnh đóng vai trị quan trọng [32], [49] Phân đoạn ảnh công việc khó khăn xử lý ảnh Trong đó, phân đoạn ảnh nha khoa bƣớc xử lý then chốt nhằm hỗ trợ bác sĩ chẩn đoán cách hiệu bệnh nhƣ viêm chân răng, bệnh nha chu, viêm túi [42], [43] Khi q trình phân đoạn ảnh bƣớc quan trọng cần thiết để phân tích ảnh X-quang nha khoa cho trình xử lý sau nhƣ: hỗ trợ chẩn đoán bệnh [50], xác định thành phần khác ảnh (răng, lợi, tủy v.v.) [51] (a) (b) Hình 1.3 Ảnh nha khoa (a) Ảnh X-quang nha khoa; (b) Lỗ trống bị thiếu Ảnh X-quang nha khoa gồm phần (hình 1.3 a) [54]: i) Phần răng: phần có độ xám cao phần ta nhìn thấy rõ ảnh; ii) Phần cấu trúc răng: phần có độ xám trung bình gồm lợi răng, xƣơng, phần khác (tủy, xi măng v.v.); iii) Phần nền: phần có giá trị độ xám nhỏ tảng cấu trúc Với cấu trúc ảnh X-quang nha khoa việc phân đoạn ảnh phức tạp phân đoạn ảnh thông thƣờng [70] Nói cách khác, kết nối phần khác hình ảnh nha khoa X-quang chất lƣợng thấp hình ảnh tạp chất, độ tƣơng phản thấp, sai sót chức qt hình ảnh, v.v làm giảm hiệu suất phân đoạn Ví dụ, lỗ trống bị (hình 1.3 b) đƣợc xử lý kỹ thuật xử lý ảnh dựa ngƣỡng thơng thƣờng [26] Vì vậy, phƣơng pháp khai phá liệu phân đoạn ảnh X-quang nha khoa đƣợc nghiên cứu để đạt đƣợc độ xác cao phân đoạn [40] 10 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Bùi Công Cƣờng (2001), Hệ mờ, mạng nơron ứng dụng, Nhà xuất khoa học kỹ thuật, Hà nội [2] Hoàng Tử Hùng, Huỳnh Kim Khang, Ngô Thị Quỳnh Lan, Ngô Lê Thu Thảo, Hoàng Đạo Bảo Trâm (2008), Giải phẫu răng, Nhà xuất Y học, Hà Nội [3] Dỗn Tam Hịe (2005), Lý thuyết tối ưu đồ thị, nhà xuất giáo dục [4] Nguyễn Hải Thanh (2005), Toán ứng dụng (Giáo trình sau đại học), NXB sƣ phạm, Hà Nội Tiếng Anh [5] Agarwal, M., Agrawal, H., Jain, N., & Kumar, M (2010), “Face recognition using principle component analysis, eigenface and neural network”, IEEE International Conference on, In Signal Acquisition and Processing IEEE, 2010 (ICSAP10), 310-314 [6] Alok, A K., Saha, S., & Ekbal, A (2015), “A new semi-supervised clustering technique using multi-objective optimization”, Applied Intelligence, 43(3), 633-661 [7] Anbarasi, M., Anupriya, E., & Iyengar, N C S N (2010), “Enhanced prediction of heart disease with feature subset selection using genetic algorithm”, International Journal of Engineering Science and Technology, 2(10), 5370-5376 [8] Ahonen, T., Hadid, A., & Pietikainen, M.(2006), “Face description with local binary patterns: Application to face recognition”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(12), 2037-2041 117 [9] Babu, N V., & Patel, P.(2015), “Comparative Evaluation of Extraoral and Intraoral Periapical Radiographic Technique in Children”, International Journal of Scientific Study, 2(10), 7-12 [10] Bezdek, J C (1981), Pattern recognition with fuzzy objective function algorithms, Kluwer Academic Publishers [11] Bhatla, N., & Jyoti, K (2012), “An analysis of heart disease prediction using different data mining techniques”, International Journal of Engineering Research and Technology, 1(8), 1-4 [12] Bouchachia, A., & Pedrycz, W (2006), “Data clustering with partial supervision”, Data Mining and Knowledge Discovery, 12(1), 47-78 [13] Caponetti, L., Castellano, G., Basile, M T., & Corsini, V (2014), “Fuzzy mathematical morphology for biological image segmentation”, Applied intelligence, 41(1), 117-127 [14] CARIES, D (2005), “Oral and dental diseases: Causes, prevention and treatment strategies” Burden of Disease in India, 275-278 [15] Chen, J., Zhao, S., & Wang, H (2011), “Risk analysis of flood disaster based on fuzzy clustering method”, Energy Procedia, 5, 1915-1919 [16] Chuang, K S., Tzeng, H L., Chen, S., Wu, J., & Chen, T J (2006) “Fuzzy c-means clustering with spatial information for image segmentation”, computerized medical imaging and graphics, 30(1), 9-15 [17] Dutta, A., Kar, A., & Chatterji, B N (2011), “Adaptive Corner Detection Algorithm and its Extension using Window-based Approach for Gray-scale Images”, IETE Journal of Research, 57(3), 286-293 [18] Ghazali, K H., Mustafa, M M., Hussain, A., Bandar, M E C., & Kuantan, G (2007), “Feature Extraction technique using SIFT keypoints descriptors”, The International Conference on Electrical and Engineering and Informatics Institut technology, 17-19 118 [19] Gould, S., Gao, T., & Koller, D (2009), “Region-based segmentation and object detection”, Advances in neural information processing systems, 655-663 [20] Guillaume, S (2001), “Designing fuzzy inference systems from data: an interpretability-oriented review”, IEEE Transactions on Fuzzy Systems, 9(3), 426-443 [21] Houhou, N., Bresson, X., Szlam, A., Chan, T F., & Thiran, J P (2009), “Semi-supervised segmentation based on non-local continuous min-cut”, In Scale Space and Variational Methods in Computer Vision, Springer Berlin Heidelberg , 112-123 [22] Hyndman, R J., & Koehler, A B (2006), “Another look at measures of forecast accuracy”, International journal of forecasting, 22(4), 679-688 [23] Jain, A K., & Chen, H (2004), “Matching of dental X-ray images for human identification”, Pattern recognition, 37(7), 1519-1532 [24] Kang, J., & Ji, Z (2010), “Dental plaque quantification using mean-shiftbased image segmentation”, 2010 IEEE International Symposium on Computer Communication Control and Automation, 470-473 [25] Kekre, H B., & Sarode, T K (2009), “Vector quantized codebook optimization using K-means”, International Journal on Computer Science and Engineering (IJCSE), 283-290 [26] Kondo, T., Ong, S H., & Foong, K W (2004), “Tooth segmentation of dental study models using range images”, IEEE Transactions on Medical Imaging, 23(3), 350-362 [27] Lai, Y H., & Lin, P L (2008), “Effective segmentation for dental X-ray images using texture-based fuzzy inference system”, Advanced Concepts for Intelligent Vision Systems, Springer Berlin Heidelberg, 936-947 [28] Lee, C C (1990), “Fuzzy logic in control systems: fuzzy logic controller II”, IEEE Transactions on Systems, Man and Cybernetics, 20(2), 419-435 119 [29] Lehmann, E L., & Casella, G (1998), Theory of point estimation, Springer Science & Business Media [30] Leung, T., & Malik, J (1998), “Contour continuity in region based image segmentation”, In Computer Vision—ECCV ”98, Springer Berlin Heidelberg, 544-559 [31] Li, J., Bioucas-Dias, J M., & Plaza, A (2010), “Semisupervised hyperspectral image segmentation using multinomial logistic regression with active learning”, IEEE Transactions on, Geoscience and Remote Sensing, 48(11), 4085-4098 [32] Lim, Y W., & Lee, S U (1990), “On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques”, Pattern recognition, 23(9), 935-952 [33] Lu, J., Yuan, X., & Yahagi, T (2007), “A method of face recognition based on fuzzy c-means clustering and associated sub-NNs”, IEEE Transactions on, Neural Networks, 18(1), 150-160 [34] Mai Shouman, Tim Turner, and Rob Stocker (2012), “Applying k-Nearest Neighbour in Diagnosing Heart Disease Patients”, International Journal of Information and Education Technology, 2(3), 32-37 [35] Mahoor, M H., & Abdel-Mottaleb, M (2005), “Classification and numbering of teeth in dental bitewing images”, Pattern Recognition, 38(4), 577586 [36] Martin, A., Gayathri, V., Saranya, G., Gayathri, P., & Venkatesan, P (2011),“A hybrid model for bankruptcy prediction using genetic algorithm, fuzzy c-means and MARS”, International Journal on Soft Computing ( IJSC ), 2(1), 12-24 [37] Narkhede, H P (2013), “Review of image segmentation techniques”, Int J Sci Mod Eng, 1(8), 54-61 120 [38] Nayak, J., Naik, B., & Behera, H S (2015), “Fuzzy C-Means (FCM) Clustering Algorithm: A Decade Review from 2000 to 2014”, In Computational Intelligence in Data Mining, 2, 133-149, Springer India [39] Ngo, L T., Mai, D S., & Pedrycz, W (2015), “Semi-supervising Interval Type-2 Fuzzy C-Means clustering with spatial information for multi-spectral satellite image classification and change detection”, Computers & Geosciences, 83, 1-16 [40] Nomir, O., & Abdel-Mottaleb, M (2005), ”A system for human identification from X-ray dental radiographs”, Pattern Recognition, 38(8), 12951305 [41] Oad, K K., DeZhi, X., & Butt, P K (2014), “A Fuzzy Rule Based Approach to Predict Risk Level of Heart Disease”, Global Journal of Computer Science and Technology, 14(3), 16-22 [42] Oliveira, J., & Proenỗa, H (2011), Caries detection in panoramic dental Xray images”, Computational Vision and Medical Image Processing, Springer Netherlands, 175-190 [43] Otsu, N (1979), “A threshold selection method from gray-level histograms” Automatica , 1(9), 62-66 [44] Paiva, A R., & Tasdizen, T (2010), “Fast semi-supervised image segmentation by novelty selection”, 2010 IEEE International, Conference on In Acoustics Speech and Signal Processing (ICASSP), 1054-1057 [45] Rad, A E, Rahim, M S M, & Norouzi, A (2014), “Level Set and morphological Operation Techniques in Application of Dental Image Segmentation”, International Scholarly and Scientific Research & Innovation, 8(4), 177-180 121 [46] Rad A E., Mohd Rahim M S., Rehman A., Altameem A and Saba T (2013), “Evaluation of current dental radiographs segmentation approaches in computer-aided applications”, IETE Technical Review, 30(3), 210-222 [47] Rajkumar, A., & Reena, G S (2010), “Diagnosis of heart disease using datamining algorithm”, Global journal of computer science and technology, 10(10), 38-43 [48] Ramírez, E., Castillo, O., & Soria, J (2010), “Hybrid System for Cardiac Arrhythmia Classification with Fuzzy K-Nearest Neighbors and Neural Networks Combined by a Fuzzy Inference System”, In Soft Computing for Recognition Based on Biometrics, Springer Berlin Heidelberg, 37-55 [49] Rezaee, M R., Van der Zwet, P M., Lelieveldt, B P., Van Der Geest, R J., & Reiber, J H (2000), “A multiresolution image segmentation technique based on pyramidal segmentation and fuzzy clustering”, IEEE Transactions on, Image Processing, 9(7), 1238-1248 [50] Said, E., Fahmy, G F., Nassar, D., & Ammar, H.(2004), “Dental x-ray image segmentation”, International Society for Optics and Photonics and In Defense and Security , 409-417 [51] E.H Said, D Eldin M Nassar, G Fahmy, and H.H Ammar (2006), “Teeth Segmentation in Digitized Dental X-Ray Films Using Mathematical Morphology”, IEEE transactions on information forensics and security, 1(2), 178-89 [52] Salem Saleh Al-amri, N.V Kalyankar and Khamitkar S.D (2010), “Image Segmentation by Using Thershod Techniques”, Journal of computing, 2(5), 8386 [53] Sato-Ilic, M., & Jain, L C (2006), “Introduction to fuzzy clustering”, In Innovations in Fuzzy Clustering, Springer Berlin Heidelberg, 1-8 122 [54] Scott, J H (1977), Introduction to dental anatomy, Edinburgh, Churchill Livingstone [55] Smith, R A., Cokkinides, V., von Eschenbach, A C., Levin, B., Cohen, C., Runowicz, C D., & Eyre, H J (2002), “American Cancer Society guidelines for the early detection of cancer”, CA: a cancer journal for clinicians, 52(1), 822 [56] Son, L H (2015), “A novel kernel fuzzy clustering algorithm for geodemographic analysis”, Information Sciences: an International Journal, 317(C), 202-223 [57] Son, L.H., Van Hai , P.(2016), “A Novel Multiple Fuzzy Clustering Method Based on Internal Clustering Validation Measures with Gradient Descent”, International Journal of Fuzzy Systems, 1-10 [58] Son, L.H., Thong, N.T (2015), “Intuitionistic Fuzzy Recommender Systems: An Effective Tool for Medical Diagnosis”, Knowledge-Based Systems, 74, 133–150 [59] Sujji, G E., Lakshmi, Y V S., & Jiji, G W (2013), “MRI Brain Image Segmentation based on Thresholding”, International Journal of Advanced Computer Research, 3(1), 97-101 [60] Tapas Kanungo, David M Mount, Nathan S Netanyahu, Christine D Piatko, Ruth Silverman, and Angela Y Wu(2002), “An Efficient k-Means Clustering Algorithm:Analysis and Implementation”, IEEE transaction on pattern analysis and machine intelligence, 24(7), 881-892 [61] Tee, C S.( 2008), Feature selection for content-based image retrieval using statistical discriminant analysis, Doctoral dissertation, Universiti Teknologi Malaysia, Faculty of Computer Science and Information System 123 [62] Thong, N T., Son, L.H (2015), “HIFCF: An effective hybrid model between picture fuzzy clustering and intuitionistic fuzzy recommender systems for medical diagnosis”, Expert Systems With Applications, 42(7), 3682-3701 [63] Thong, P H., Son, L.H (2015), “Picture fuzzy clustering: a new computational intelligence method”, Soft Computing, In press, DOI: 10.1007/s00500-015-1712-7 [64] Vendramin, L., Campello, RJ, & Hruschka, ER.(2010), “Relative clustering validity criteria: A comparative overview,” Statistical Analysis and Data Mining: The ASA Data Science Journal, 3(4), 209-235 [65] Wang, J S., & Lee, C G (2002), “Self-adaptive neuro-fuzzy inference systems for classification applications”, IEEE Transactions on Fuzzy Systems, 10(6), 790-802 [66] Yasunori, E., Yukihiro, H., Makito, Y., & Sadaaki, M (2009), “On semisupervised fuzzy c-means clustering”, Proceeding of FUZZ-IEEE 2009, 11191124 [67] Yin, X., Shu, T., & Huang, Q (2012), “Semi-supervised fuzzy clustering with metric learning and entropy regularization”, Knowledge-Based Systems, 35, 304-311 [68] Zafar, M S., & Javed, E (2013), “Extraoral radiography: An alternative to intraoral radiography for endodontic (root canal system) length determination”, European Scientific Journal, 9(15), 51-61 [69] Zhang, H., & Lu, J (2009), “Semi-supervised fuzzy clustering: A kernelbased approach”, Knowledge-Based Systems, 22(6), 477-481 [70] Zhou, J., & Abdel-Mottaleb, M (2005), “A content-based system for human identification based on bitewing dental X-ray images”, Pattern Recognition, 38(11), 2132-2142 124 PHỤ LỤC Hình 66 ảnh nha khoa sử dụng thực nghiệm 125 126 127 PHỤ LỤC Một số kết độ xác thuật tốn (Các giá trị in đậm giá trị tốt hàng) Thuật toán Ảnh PBM DB IFV SSWC CH BH BR DL Ảnh PBM DB IFV SSWC CH BH BR DL FCM OTSU eSFCM eSFCMOTSU SSFC-SC SSFC-FS SSFCFSAI 35392 0.672 31968 0.716 32763 0.743 53891 0.763 52761 0.873 23743 0.874 19.99 0.573 6.00E+06 1562.7 -3.00E+07 7.00E+09 49482 0.641 Inf 0.531 5.00E+06 992.97 -8.00E+06 4.00E+09 254.27 0.565 8.00E+06 1594 -2.00E+07 6.00E+09 254.37 0.537 52.87 102.39 0.643 3.00E+06 738.39 30446 0.685 19.77 0.637 9.00E+06 1457.8 -2.00E+07 7.00E+09 43436 0.677 Inf 0.613 6.00E+06 898.76 -1.00E+07 1.00E+09 321232 27974 47166 52837 0.723 0.731 0.827 0.932 323.27 302.12 47.44 51.67 0.632 0.627 0.788 0.963 8.00E+06 8.00E+06 9.00E+06 1.00E+07 1387.5 1342.8 1663.4 2102.8 -3.00E+07 -3.00E+07 -4.00E+07 -2.00E+07 6.00E+09 6.00E+09 7.00E+09 9.00E+09 …………… 45375 0.689 Inf 0.549 4.00E+06 839.95 -3.00E+06 5.00E+08 18818 0.792 126.47 0.556 7.00E+06 2345.7 -3.00E+06 1.00E+09 52729 0.667 36424 0.689 Ảnh 11 PBM 24644 DB 0.677 IFV 18.28 SSWC 0.562 CH 5.00E+06 BH 2174.7 BR -3.00E+06 DL 1.00E+09 Ảnh 12 PBM 39879 DB 0.651 47.91 0.672 7.67E+06 1.00E+07 1672 1793 -2.00E+07 -3.00E+07 6.00E+09 7.00E+09 19273 50335 0.735 1.053 98.82 37.38 0.623 0.604 7.00E+06 7.00E+06 2343.4 2569.3 -3.00E+06 -3.00E+06 1.00E+09 1.00E+09 32432 0.632 57903 0.864 0.763 1.00E+07 2092.6 -3.00E+07 -3.00E+07 1.00E+10 6.00E+09 21736 0.847 68.38 0.764 5.00E+06 798.49 -3.00E+07 7.00E+09 14873 46868 0.986 0.893 43.64 41.49 0.645 0.726 1.00E+07 1.00E+07 849.49 4576.8 -3.00E+06 -3.00E+06 2.00E+09 1.00E+09 51724 0.983 28433 0.784 128 IFV SSWC CH BH BR DL Ảnh 24 PBM DB IFV SSWC CH BH BR DL Ảnh 25 PBM DB IFV SSWC CH BH BR DL 20.43 0.614 1.00E+07 1626.3 -3.00E+07 6.00E+09 Inf 0.612 2.00E+06 1112.6 -1.00E+07 5.00E+09 66354 0.687 26.96 0.664 2.00E+06 1295.9 -3.00E+06 9.00E+08 87072 0.694 Inf 0.647 701570 601.65 -3.00E+06 3.00E+08 34160 0.676 19.93 0.613 9.00E+06 1652.7 -4.00E+07 7.00E+09 Ảnh 34 PBM 39714 DB 0.66 IFV 20.74 SSWC 0.597 CH 7.00E+06 BH 1627.6 BR -3.00E+07 DL 7.00E+09 Ảnh 35 PBM 45714 98.27 48.84 269.35 0.637 0.681 0.782 9.00E+06 9.00E+06 1.00E+07 1676.7 1982.3 1789.6 -2.00E+07 -2.00E+07 -3.00E+07 7.00E+09 6.00E+09 8.00E+09 …………… 58902 0.746 52.37 53.29 0.743 0.893 1.00E+07 9.00E+06 847.93 2013.3 -2.00E+06 -2.00E+06 1.00E+10 6.00E+09 72532 85614 85346 0.693 0.725 0.745 213.23 65.5 68.12 0.624 0.788 0.986 27384 402216 602763 1382.3 1393.1 2039.9 -3.00E+06 -4.00E+06 -3.00E+06 9.00E+08 9.00E+08 1.00E+09 74735 0.702 78.94 0.849 323754 784.94 -3.00E+06 9.00E+08 87073 0.698 Inf 0.572 3.00E+06 1123 -1.00E+07 6.00E+09 58902 67323 95844 89377 0.767 0.801 0.804 0.753 102.32 48.92 59.87 215.55 0.627 0.637 0.674 0.765 9.00E+06 9.00E+06 1.00E+07 1.00E+07 1672.7 1536.2 1746.2 2123.9 -3.00E+07 -3.00E+07 -4.00E+07 -3.00E+07 7.00E+09 7.00E+09 7.00E+09 9.00E+09 …………… 43748 0.784 67.98 0.677 9.00E+06 874.38 -2.00E+07 8.00E+09 50655 0.653 Inf 0.568 1.00E+06 982.27 -1.00E+07 1.00E+09 36489 0.692 259.63 0.583 6.00E+06 1567.6 -3.00E+07 6.00E+09 32744 0.723 34.39 0.674 8.00E+06 946.94 -2.00E+07 7.00E+09 67630 4788.9 426.53 0.666 219097 1382.3 -4.00E+06 9.00E+08 41283 49673 50984 0.673 0.984 0.787 121.28 30.67 32.84 0.628 0.615 0.725 6.00E+06 7.00E+06 9.00E+06 1635.3 1782.7 2350 -3.00E+07 -3.00E+07 -2.00E+07 6.00E+09 8.00E+09 1.00E+10 52223 72736 70376 52784 129 DB IFV SSWC CH BH BR DL 0.678 28.78 0.598 6.00E+06 1427.3 -3.00E+07 7.00E+09 0.646 Inf 0.767 998263 1122.3 -2.00E+07 6.00E+09 0.762 0.724 0.987 0.893 273.3 35.53 39.87 899.34 0.618 0.625 0.827 0.857 6.00E+06 6.00E+06 6.00E+06 7.00E+06 1627.4 1723.3 1982.6 2876.9 -3.00E+07 -3.00E+07 -3.00E+07 -3.00E+07 5.00E+09 5.00E+09 7.00E+09 1.00E+10 …………… 35393 0.672 19.998 0.583 1.00E+07 1562.6 -3.00E+07 7.00E+09 49482 0.641 Inf 0.618 1.00E+07 893.37 -2.00E+07 6.00E+09 31811 0.718 237.19 0.604 1.00E+07 1638.2 -3.00E+07 7.00E+09 105923 0.634 26.43 0.636 3.00E+06 1381.9 -4.00E+06 9.00E+08 96292 0.605 Inf 0.766 1.00E+07 836.42 -2.00E+06 3.00E+08 97067 92834 98113 93257 0.681 0.656 0.631 0.712 176.38 69.736 71.893 859.76 0.633 0.643 0.867 0.985 3.00E+07 3.00E+07 3.00E+06 3.00E+06 1364.3 1462.3 1369.1 2037.7 -4.00E+06 -4.00E+06 -5.00E+06 -4.00E+06 9.00E+08 9.00E+08 9.00E+08 1.00E+10 …………………………… 87435 0.689 78.985 0.823 2.00E+06 783.93 -3.00E+06 1.00E+10 Ảnh 65 PBM 35393 DB 0.685 IFV 19.77 SSWC 0.637 CH 1.00E+07 BH 1562.6 BR -3.00E+07 DL 7.00E+09 Ảnh 66 49482 0.677 Inf 0.613 1.00E+07 893.37 -2.00E+07 6.00E+09 31811 0.731 302.12 0.627 1.00E+07 1638.2 -3.00E+07 5.00E+09 23734 0.847 68.38 0.764 1.00E+07 748.94 -2.00E+07 9.00E+09 Ảnh 55 PBM DB IFV SSWC CH BH BR DL Ảnh 56 PBM DB IFV SSWC CH BH BR DL 32416 35437 32644 0.692 0.687 0.721 121.45 53.68 67.78 0.612 0.782 0.893 1.00E+07 1.00E+07 1.00E+07 1626.4 1644.6 2012.8 -3.00E+07 -3.00E+07 -2.00E+07 7.00E+09 7.00E+09 8.00E+09 33418 0.723 323.27 0.632 35357 32464 0.827 0.932 47.44 51.67 0.788 0.963 1.00E+07 1.00E+07 1.00E+07 1626.4 1644.6 2012.8 -3.00E+07 -3.00E+07 -3.00E+07 5.00E+09 7.00E+09 1.00E+10 0.856 43.94 0.684 7.00E+06 756.98 -2.00E+07 9.00E+09 27334 0.72 70.94 0.743 1.00E+07 748.94 -2.00E+07 8.00E+09 130 PBM DB IFV SSWC CH BH BR DL 39714 0.66 20.74 0.597 7.00E+06 1627.6 -3.00E+07 7.00E+09 50655 0.653 Inf 0.568 1.00E+06 982.27 -1.00E+07 1.00E+09 36489 0.692 259.63 0.583 6.00E+06 1567.6 -3.00E+07 6.00E+09 41283 49673 50984 0.673 0.984 0.787 121.28 30.67 32.84 0.628 0.615 0.725 6.00E+06 7.00E+06 9.00E+06 1635.3 1782.7 2350 -3.00E+07 -3.00E+07 -2.00E+07 6.00E+09 8.00E+09 1.00E+10 32744 0.723 34.39 0.674 8.00E+06 946.94 -2.00E+07 7.00E+09 131