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

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - TRẦN MẠNH TUẤN NGHIÊN CỨU MỘT SỐ PHƢƠNG PHÁP PHÂN CỤM BÁN GIÁM SÁT MỜ TRONG PHÂN ĐOẠN ẢNH NHA KHOA LUẬN ÁN TIẾN SỸ TOÁN HỌC HÀ NỘI – 2016 i VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ TRẦN MẠNH TUẤN NGHIÊN CỨU MỘT SỐ PHƢƠNG PHÁP PHÂN CỤM BÁN GIÁM SÁT MỜ TRONG PHÂN ĐOẠN ẢNH NHA KHOA LUẬN ÁN TIẾN SỸ TOÁN HỌC Chuyên ngành: sở toán học cho tin học Mã số: 62 46 01 10 Ngƣời hƣớng dẫn khoa học: PGS.TS LÊ BÁ DŨNG TS VŨ NHƢ LÂN Hà Nội – 2016 ii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi đƣợc hoàn thành dƣới hƣớng dẫn tập thể hƣớng dẫn gồm PGS.TS Lê Bá Dũng TS Vũ Nhƣ Lân Các kết đƣợc viết chung với tác giả khác đƣợc trí đồng tác giả đƣa vào luận án Các kết nêu luận án trung thực chƣa đƣợc cơng bố cơng trình trƣớc thời gian công bố Tác giả luận án Trần Mạnh Tuấn Trần Mạnh Tuấn i LỜI CẢM ƠN Trƣớc hết, tác giả xin bày tỏ lòng biết ơn chân thành sâu sắc tới thầy giáo hƣớng dẫn, PGS.TS Lê Bá Dũng TS Vũ Nhƣ Lân Sự tận tình giúp đỡ, bảo, động viện tận tình q báu mà thầy dành cho tác giả suốt q trình thực luận án khơng thể kể hết đƣợc Xin chân thành cảm ơn thầy cô, nhà khoa học thuộc Viện Công nghệ thông tin - Viện hàm lâm khoa học Việt Nam tận tình giúp đỡ tạo môi trƣờng làm việc thuận lợi giúp tác giả thực tốt cơng việc nghiên cứu Xin chân thành gửi lời cảm ơn tới anh chị em bạn Trung tâm tính tốn hiệu cao, Trƣờng Đại học Khoa học Tự Nhiên giúp đỡ tác giả suốt trình học tập nghiên cứu trung tâm Xin đặc biệt cảm ơn TS Lê Hồng Sơn ngƣời nhiệt tình hƣớng dẫn, tạo điều kiện thuận lợi giúp tác giả hoàn thành luận án cách tốt Xin gửi lời cảm ơn chân thành tới PGS TS Võ Trƣơng Nhƣ Ngọc, Viện đào tạo Răng Hàm Mặt, Đại học Y Hà Nội cung cấp số liệu, tƣ vấn chuyên môn, cung cấp tài liệu cần thiết q trình nghiên cứu hồn thành luận án Xin chân thành cảm ơn Ban Giám Hiệu Trƣờng đại học Công nghệ thông tin Truyền thông – Đại học Thái Nguyên tạo điều kiện thời gian cơng việc để tác giả tập trung hồn thành q trình học tập, nghiên cứu Đặc biệt xin gửi lời cảm ơn đến thầy cô, bạn đồng nghiệp Khoa Công nghệ thông tin động viên, giúp đỡ tác giả suốt trình nghiên cứu Cuối cùng, xin gửi lời cảm ơn sâu sắc tới gia đình, bạn bè ngƣời thân, ngƣời nguồn động viên để tác giả học tập nghiên cứu, ln sẻ chia khó khăn vất vả q trình nghiên cứu hồn thiện đề tài Hà Nội, ngày… tháng….năm 2016 Tác giả luận án Trần Mạnh Tuấn ii Trần Mạnh Tuấn MỤC LỤC MỞ ĐẦU 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 1.1.2 Ảnh X-quang nha khoa 1.1.3 Nhu cầu ứng dụng y học 1.2 Tổng quan nghiên cứu liên quan 1.3 Một số kiến thức sở 14 1.3.1 Tập mờ 14 1.3.2 Phân cụm 17 1.3.3 Phương pháp giải toán tối ưu đa mục tiêu 27 1.4 Kết luận 31 CHƢƠNG MỘT SỐ THUẬT TOÁN PHÂN CỤM BÁN GIÁM SÁT MỜ CHO PHÂN ĐOẠN ẢNH NHA KHOA 32 2.1 Thuật toán phân cụm bán giám sát mờ lai ghép 32 2.1.1 Lược đồ tổng quan lai ghép 32 2.1.2 Thuật toán tách ngưỡng Otsu 34 2.1.3 Thuật toán phân cụm bán giám mờ lai ghép 37 2.1.4 Phân tích đánh giá thuật toán phân cụm bán giám sát mờ lai ghép 38 2.2 Thuật toán phân cụm bán giám sát mờ có đặc trƣng khơng gian 38 2.2.1 Lược đồ tổng quát 39 2.2.2 Xây dựng đặc trưng ảnh nha khoa 39 iii 2.2.3 Xác định thông tin bổ trợ 44 2.2.4 Thuật toán phân cụm bán giám sát mờ SSFC-SC 46 2.2.5 Phân tích đánh giá thuật tốn SSFC-SC 51 2.3 Thuật toán phân cụm bán giám sát mờ giải nghiệm thỏa dụng mờ 52 2.3.1 Thuật toán phân cụm bán giám sát mờ (SSFC-FS) 52 2.3.2 Các tính chất hệ từ phân tích nghiệm thuật tốn 57 2.3.3 Phân tích đánh giá thuật tốn SSFC-FS 69 2.4 Xác định thông tin bổ trợ phù hợp cho thuật toán SSFC-FS 70 2.4.1 Lược đồ tổng quát 71 2.4.2 Xây dựng tập hàm thông tin bổ trợ 71 2.4.3 Xác định hàm thông tin bổ trợ phù hợp cho ảnh nha khoa 74 2.5 Kết luận 78 CHƢƠNG ĐÁNH GIÁ THỰC NGHIỆM 79 3.1 Mô tả liệu ảnh X-quang nha khoa 79 3.1.1 Đặc tả liệu 79 3.1.2 Xác định đặc trưng ảnh nha khoa 82 3.2 Độ đo tiêu chí đánh giá kết 85 3.3 Các kết so sánh phân đoạn ảnh 88 3.3.1 Kết tập sở liệu ảnh nha khoa 88 3.3.2 Kết với tham số thay đổi 91 3.4 Ứng dụng phân đoạn ảnh hỗ trợ chẩn đoán bệnh nha khoa 98 3.4.1 Mơ hình hóa toán 99 3.4.2 Chọn phân đoạn có khả mắc bệnh 102 3.4.3 Chẩn đoán phân đoạn 103 3.4.4 Xây dựng bảng tổng hợp đoạn 106 iv 3.4.5 Phân tích đánh giá mơ hình DDS 107 3.4.6 Kết thực nghiệm 108 3.5 Kết luận 112 KẾT LUẬN 113 NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN 115 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ .116 TÀI LIỆU THAM KHẢO 117 PHỤ LỤC 125 PHỤ LỤC 128 v DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT Từ đầy đủ Từ viết tắt APC Affinity propagation clustering APC+ Affinity propagation clustering cải tiến BH Ball and Hall BR Banfeld-Raftery CH Calinski-Harabasz DB Davies-Bouldin DDS Dental Diagnosis System DL Difference-Like EEI Entropy, Edge and Intensity eSFCM Semi-supervised Entropy regularized Fuzzy Clustering FCM Fuzzy C-Mean FIS Fuzzy Inference System FKNN Fuzzy k-Nearest Neighbor LA Lagrange LBP Local Binary Patterns MAE Mean Absolute Error MF Membership Function MSE Mean Squared Error PBM Pakhira, Bandyopadhyay and Maulik RGB Red-Green-Blue vi SSFCM Semi-Supervised Fuzzy C-Mean SSFC-FS Semi-Supervised Fuzzy Clustering algorithm with Spatial Constraints using Fuzzy Satisficing method Semi-Supervised Fuzzy Clustering algorithm with Spatial Constraints using Fuzzy Satisficing method on the Additional Function SSFC-FSAI SSFC-SC Semi-Supervised Fuzzy Clustering algorithm with Spatial Constraints SSSFC Semi-Supervised Standard Fuzzy Clustering SVM Support Vector Machine SSWC Simplified Silhouete Width Criterion CSDL Cơ sở liệu CT Cơng trình LT Lý thuyết TN Thực nghiệm vii DANH MỤC BẢNG BIỂU Bảng 1.1 Thuật toán phân cụm mờ 21 Bảng 1.2 Thuật toán phân cụm bán giám sát mờ chuẩn 23 Bảng 1.3 Thuật toán phân cụm bán giám sát mờ theo quy tắc entropy 25 Bảng 1.4 Thuật toán phân cụm bán giám sát mờ 26 Bảng 2.1 Thuật toán tách ngƣỡng Otsu 35 Bảng 2.2 Thuật toán phân cụm bán giám sát mờ lai ghép 37 Bảng 2.3 Ma trận độ thuộc cuối FCM .45 Bảng 2.4 Xác định u1 45 Bảng 2.5 Trọng số đặc trƣng nha khoa .46 Bảng 2.6 Xác định u2 46 Bảng 2.7 Xác định ma trận bổ trợ 46 Bảng 2.8 Thuật toán SSFC-SC .51 Bảng 2.9 Bảng đánh giá hàm mục tiêu (pay-off) phƣơng pháp thỏa dụng mờ .55 Bảng 2.10 Các giá trị IFV để chọn hàm bổ trợ thích hợp 76 Bảng 3.1 Thơng tin nhóm bệnh nhân 80 Bảng 3.2 Đặc trƣng tập liệu .82 Bảng 3.3 Thống kê ảnh toàn liệu ảnh X-quang .85 Bảng 3.4 Các giá trị kỳ vọng phƣơng sai thuật toán .89 Bảng 3.5 So sánh hiệu thuật toán liệu thực .89 Bảng 3.6 Giá trị độ đo thực thuật toán SSFC-SC với C = giá trị  .91 Bảng 3.7 Giá trị độ đo thực thuật toán SSFC-SC với C = giá trị  .92 Bảng 3.8 Kết thuật toán SSFC-FS với tham số (b1, b2, b3) 95 Bảng 3.9 Giá trị trung bình thuật tốn SSFC-FS với tham số 96 viii 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] Hồng Tử Hùng, Huỳnh Kim Khang, Ngơ Thị Quỳnh Lan, Ngơ Lê Thu Thảo, Hồng 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), Tốn 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 toán (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