Xây dựng hệ thống tư vấn trong chuẩn đoán bệnh nha khoa từ kho dữ liệu ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Nguyễn Thanh Đức XÂY DỰNG HỆ TƢ VẤN TRONG CHUẨN ĐOÁN BỆNH NHA KHOA TỪ KHO DỮ LIỆU ẢNH Chuyên ngành: Công nghệ thông tin LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN: TS Phạm Văn Hải TS Lê Hoàng Sơn Hà Nội – 2016 LỜI CAM ĐOAN Những kiến thức trình bày luận văn tìm hiểu, nghiên cứu trình bày theo kiến thức tổng hợp cá nhân Kết nghiên cứu luận văn chƣa đƣợc công bố công trình khác Trong trình làm luận văn, có tham khảo tài liệu có liên quan ghi rõ nguồn tài liệu tham khảo Tôi xin cam đoan công trình nghiên cứu không chép Tôi xin chịu hoàn toàn trách nhiệm, sai, xin chịu hình thức kỷ luật theo quy định Hà Nội, ngày 15 tháng năm 2016 Học viên Nguyễn Thanh Đức -2- LỜI CẢM ƠN Để hoàn thành đƣợc luận văn này, nhận đƣợc nhiều động viên, giúp đỡ nhiều cá nhân tập thể Trƣớc tiên, xin bày tỏ lòng biết ơn sâu sắc tới TS Phạm Văn Hải, Trƣờng Đại học Bách Khoa Hà Nội TS Lê Hoàng Sơn, Trƣờng Đại học Khoa học Tự Nhiên, nhiệt tình hƣớng dẫn, tạo điều kiện thuận lợi cho nghiên cứu khoa học, giúp hoàn thành luận văn cách tốt Tôi xin gửi lời cảm ơn tới anh chị em bạn Trung tâm tính toán hiệu cao, Trƣờng Đại học Khoa học Tự Nhiên giúp đỡ suốt trình học tập nghiên cứu trung tâm Tôi 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, tài liệu liên quan trình nghiên cứu Cuối xin gửi lời cám ơn đến gia đình, bạn bè, ngƣời bên tôi, động viên khuyến khích trình thực đề tài nghiên cứu Học viên Nguyễn Thanh Đức -3- MỤC LỤC MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ MỞ ĐẦU CHƢƠNG - TỔNG QUAN CƠ SỞ LÝ THUYẾT 13 1.1 Lý thuyết tập mờ 13 1.2 Hàm mờ hóa 18 1.3 Hệ suy diễn mờ 23 1.4 Mạng nơ ron mờ 27 1.5 Thuật toán phân cụm mờ 29 1.6 Thuật toán mờ với K láng giềng gần 31 1.7 Tổng kết chƣơng 32 CHƢƠNG - THIẾT KẾ MÔ HÌNH HỆ TƢ VẤN CHO BÀI TOÁN CHUẨN ĐOÁN BỆNH NHA KHOA 33 2.1 Mô tả toán 33 2.2 Trích chọn đặc trƣng ảnh nha khoa 35 2.3 Xây dựng sở liệu 39 2.4 Xây dựng sở luật 41 2.5 Mô hình suy diễn mờ 44 2.6 Tổng kết chƣơng 48 CHƢƠNG - KẾT QUẢ THỰC NGHIỆM VÀ MÔ PHỎNG 49 3.1 Mô tả liệu thực nghiệm 49 -4- 3.2 Tiêu chí đánh giá 50 3.3 Kết thực nghiệm 51 CHƢƠNG - PHẦN MỀM HỖ TRỢ CHUẨN ĐOÁN 54 4.1 Thiết kế hệ thống 54 4.2 Mô tả chƣơng trình 56 4.3 Tổng kết chƣơng 61 CHƢƠNG - KẾT LUẬN 62 5.1 Kết luận chung 62 5.2 Kết đạt đƣợc 62 5.3 Định hƣớng 62 TÀI LIỆU THAM KHẢO 64 PHỤ LỤC 66 -5- DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Từ viết tắt Thuật ngữ Giải thích FCM Fuzzy C-Means Thuật toán phân cụm mờ FKNN Fuzzy K-Nearest Neighbour Thuật toán mờ với K láng giềng gần EEI Entropy, Edge-value, Intensity Các giá trị Entropy, giá trị biên, giá trị cƣờng độ ảnh LBP Local Binary Pattern Mẫu nhị phân cục RGB Red Green Blue Hệ màu ảnh JPEG MF Membership Function Hàm mờ (hàm thành viên) FIS Fuzzy Inference System Hệ suy diễn mờ ANFIS Adaptive Neuro Fuzzy Inference Mạng nơ ron mờ thích nghi cho System hệ suy diễn MAE Mean Absolute Error Sai số trung bình tuyệt đối MSE Mean Squared Error Sai số trung bình bình phƣơng -6- DANH MỤC CÁC BẢNG Bảng 1.1 – Thuật toán phân cụm FCM 31 Bảng 1.2 – Thuật toán FKNN 32 Bảng 2.1 – Kết sinh luật 44 Bảng 3.1 - Kết hệ thống suy diễn 52 Bảng 3.2 - Kết so sánh FIS FKNN 52 -7- DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 – Hàm mờ tam giác 19 Hình 1.2 – Hàm mờ hình thang 20 Hình 1.3 – Hàm mờ Gaussian 21 Hình 1.4 – Hàm mờ hình chum 22 Hình 1.5 – Hàm mờ sigmoidal 23 Hình 1.6 – Sơ đồ tổng quan hệ suy diễn mờ 24 Hình 1.7 - Hệ thống suy diễn Mamdani với đầu vào luật 25 Hình 1.8 - Hệ suy diễn Sugeno với đầu vào luật (pn ,q n ,rn số) 26 Hình 1.9 - Hệ suy diễn Tsukamoto 27 Hình 1.10 – Mô hình mạng ANFIS 27 Hình 1.11 - Hình ảnh trƣớc (bên trái) sau (bên phải) phân cụm 29 Hình 2.1 – Quy trình hệ thống 33 Hình 2.2 - Giá trị LBP 37 Hình 2.3 - Hàm Gauss áp dụng với đặc trƣng 43 Hình 2.4 – Mô hình tối ƣu tham số 45 Hình 2.5 – Kết sau tối ƣu tham số khử mờ 46 Hình 2.6 – Kết sau tối ƣu tham số hàm thuộc 47 Hình 3.1 - Một vài ảnh nha khoa X-Quang 49 Hình 4.1 – Biểu đồ Usercase mô tả chức 54 Hình 4.2 – Biểu độ trình tự chức chuẩn đoán bệnh 55 Hình 4.3 – Biểu đồ trình tự chức cập nhật liệu 56 Hình 4.4 - Giao diện phần mềm 57 Hình 4.5 – Chọn ảnh cần chuẩn đoán 58 Hình 4.6 – Bấm nút Analyze để bắt đầu 58 Hình 4.7 – Hệ thống tự động phân tích ảnh 59 Hình 4.8 – Kết chuẩn đoán bệnh 60 Hình 4.9 – Bấm nút Update để cập nhật đặc trƣng vào CSDL 60 Hình 4.10 – Thông tin trợ giúp 61 -8- MỞ ĐẦU Lý chọn đề tài Trong sống hàng ngày, chăm sóc sức khỏe vấn đề đƣợc quan tâm có vấn đề chăm sóc sức khỏe miệng Theo Thống kê Viện Răng Hàm Mặt Trung Ƣơng: Việt Nam có 90% dân số mắc bệnh lợi, tập trung nhƣ sâu răng, viêm lợi, viêm quanh răng, 75% dân số bị sâu răng, 90% ngƣời trƣởng thành bị viêm lợi viêm quanh Riêng trẻ em 6-8 tuổi, 85% bị bệnh sâu nhƣng 94% số không đƣợc điều trị [15].Tuy nhiên, đa số ngƣời thƣờng không quan tâm đến vấn đề khám bệnh nặng Kéo theo nhu cầu khám chữa bệnh lớn Đối với nha sĩ, ngƣời trực tiếp khám chữa bệnh cho bệnh nhân, chuẩn đoán cần phải đƣa đƣợc định xác để lên phƣơng án điều trị tốt Thông thƣờng, ảnh nha khoa X-Quang đƣợc sử dụng để chuẩn đoán Với ảnh X-Quang, bác sĩ quan sát đƣợc vùng bệnh cách tốt Tuy nhiên, chuẩn đoán bệnh qua ảnh X-Quang cách xác không hoàn toàn đơn giản phụ thuộc nhiều vào kinh nghiệm nha sĩ Do đó, việc hỗ trợ nha sĩ đƣa chuẩn đoán xác vô cần thiết Vì lý trên, tác giả có ý tƣởng xây dựng nên hệ thống chuẩn đoán bệnh dựa ảnh nha khoa X-Quang giúp tăng tính xác bác sĩ đƣa định Mục tiêu nhiệm vụ nghiên cứu Về mặt lý thuyết, trƣớc tiên, tác giả nghiên cứu đặc trƣng ảnh nha khoa X-Quang Đây bƣớc tiền xử lý liệu quan trọng, đặc trƣng đƣợc lựa chọn có ảnh hƣởng lớn đến kết trình suy diễn Thứ hai, kiến thức tảng nhƣ lý thuyết tập mờ suy diễn mờ đƣợc đề cập -9- Cuối cùng, phƣơng pháp chuẩn đoán bệnh nha khoa sử dụng hệ suy diễn mờ đƣợc xây dựng Về mặt ứng dụng thực tiễn, tác giả xây dựng chƣơng trình phần mềm hỗ trợ chuẩn đoán cho bác sĩ, từ ảnh nha khoa X-Quang, chƣơng trình phân tích đƣa kết nhận dạng bệnh, đồng thời đƣa lời khuyên điều trị cách phòng tránh Đồng thời, chƣơng trình có khả cập nhật sở tri thức giúp tăng khả nhận dạng bệnh từ ảnh Đối tƣợng phạm vi nghiên cứu Đối tƣợng nghiên cứu tập trung vào việc xử lý ảnh nha khoa phƣơng pháp trích chọn đặc trƣng Đồng thời, tác giả thực việc xử lý đặc trƣng có ảnh nha khoa Phạm vi nghiên cứu giới hạn việc nhận dạng bệnh thƣờng gặp bao gồm: Gãy răng, Răng mọc ngầm, Sâu răng, Thiếu Tiêu xƣơng quanh Bộ ảnh nha khoa đƣợc sử dụng gồm 56 ảnh bao gồm bệnh đƣợc phân loại bao gồm: Gãy răng, Răng mọc ngầm, Sâu răng, Thiếu răng, Tiêu xƣơng quanh Phƣơng pháp nghiên cứu Với yêu cầu toán đặt ra, tác giả tập trung nghiên cứu các kiến thức liên quan bao gồm, kiến thức xử lý ảnh, lý thuyết tập mờ, thuật toán phân cụm, hệ suy diễn mờ Mô hình cho toán chuẩn đoán bệnh nha khoa (đƣợc mô tả chi tiết mục 2.1) đƣợc cài đặt môi trƣờng phát triển MATLAB Nhằm tăng tính thực tiễn cho đề tài, tác giả sử dụng ảnh nha khoa thực tế đƣợc chụp trực tiếp từ bệnh nhân Kiến thức xử lý ảnh đƣợc áp dụng vào việc xử lý trích chọn đặc trƣng cho ảnh nha khoa, sau đặc trƣng đƣợc sử dụng vào việc xây dựng mô hình suy diễn nhằm đƣa kết Dữ liệu đƣợc thử nghiệm - 10 - 2.3 Fuzzy K- Nearest Neighbour FKNN [21] is called as nonparametric lazy algorithm because it does not make any assumptions on the underlying data distribution and does not use the training data points to any generalization used for classification and regression The input consists of k closest training examples in the feature space In FKNN, the output is a class membership An object is classified by a majority vote of its neighbours, with the object being assigned to the class most common among its k nearest neighbours (k is a positive integer, typically small) If k = 1, then the object is simply assigned to the class of that single nearest neighbour The best choice of k depends upon the data; generally, larger values of k reduce the effect of noise on the classification but it is difficult to determine the common boundary PROPOSED FIS BASED SYSTEM FOR DENTAL DIAGNOSIS In this section, we firstly propose a general diagram for inference mechanism in Section 3.1 Then, in Section 3.2, feature extraction of dental X-ray images in order to build a dental feature database is described Section 3.3 describes the methods for generating rules from this database Finally, Section 3.4 gives inference mechanism for dental diagnosis problem 3.1 The main mechanism Fig presents the general diagram for inference mechanism In this figure, the features of dental images are determined to build a dental feature database (see Section 3.2) After that, this database is divided into parts: training and testing sets The former is used for generating fuzzy rules (see Section 3.3), and the later is used for inference (see Section 3.4) - 76 - Fuzzy Data Data Testing Input Images Dental feature extraction Diagnosis Results and Accuracy Data Training Rule-based Model Fig Main mechanism 3.2 Dental feature extraction In this section, we present dental image features and the methods used to extract them as follows The output of these processes is a dental feature database 3.2.1 Entropy, edge-value and intensity a) Entropy: is a measure for the randomness level of achieved information within a certain extent [16] and is calculated by equation (8) L r x, y p z i log p z i , (8) i Where z is a random variable, p(zi) is probability of ith pixel, i = 1,2, , L (L being the number of pixels) r x, y max r x , y R x, y (9) b) Edge-value and intensity: measure the numbers of changes of pixel values in a region [16] w/2 e x, y b x, y , p b x, y w/2 w/2 q (10) w/2 1, f x, y T1 0, f x, y T1 - 77 - , (11) f x, y where g x, y x g x, y y , (12) f x , y is the length of gradient vector, b x , y and e x , y are a binary image and intensity of the X-ray image respectively T1 is a threshold These features are normalized in the forms: 3.2.2 E x, y e x, y , max e x , y (13) G x, y g x, y max g x , y (14) Local Binary Patterns - LBP This feature is invariant to any light intensity transformation and ensures the order of pixel density in a given area (Fig 4) LBP value is determined under following steps [1]:  Select a x window template from a given central pixel Compare its value with those of pixels in the window If greater then mark as 1; otherwise mark as Put all binary values from the top-left pixel to the end pixel by clock-wise direction into a 8-bit string Convert it to decimal system LBP xc , y c s gn gc 2n , (15) (16) n s( x) where x otherwise is value of the central pixel ( , ) and - 78 - is value of nth pixel in the window Fig LBP value 3.2.3 Red-Green-Blue - RGB This characterizes the color of an X-ray image according to Red-Green-Blue values For a 24 bit image, the RGB feature is computed as follows (N is the number of pixels): hR ,G , B r , g , b N * Pr ob R r,G g, B b (17) There is another way to calculate the RGB feature that is isolating three matrices [] and 3.2.4 [], [] with values being specified from the equivalent color band in the image Gradient feature This feature is used to differentiate various tiny teeth‟s parts such as enamel, cementum, gum, root canal, etc [8] The following steps calculate the Gradient value: Firstly, we apply Gaussian filter to the X-ray image to reduce the background noises After that Difference of Gaussian (DoG) filter is applied to calculate gradient of the image according to x and y axes Each pixel is the characterized by a gradient vector Lastly, we get normalization form of the gradient vector and receive a 2D vector for each pixel as follows z sin , cos (18) where α is direction of the gradient vector For instance, length and direction of a pixel are calculated as follows For instance, length and direction of a pixel are calculated as follows - 79 - m x, y x, y tan L x 1, y L x 1, y L x 1, y L x, y L x, y L x 1, y L x, y L x 1, y (20) L x 1, y G x, y * I x, y G x, y 2 x2 y / e (21) , (22) where I(x,y) is a pixel vector, G(x,y) is a Gaussian function of (x,y), operator „*‟ is the convolution operation between x and y, 3.2.5 (19) is a constant, is a threshold Patch level feature This feature was used to calculate all gradient vectors of pixels in a patch P, denoted by [20] ~ z m Fh P z , (23) z P mz ~ z m mz (24) g z P ~ z is the normalization value of m(z) Where m(z) is the gradient amplitude at pixel z, m and is a small constant i (z) is often specified by Hard Binning method as follows z 1, 0, d z i otherwise (25) 3.3 Rule generation from the dental feature database There are two methods for generating fuzzy rules [2] The first one is partition and the second is clustering In our proposed model, we use the FCM clustering algorithm for making this kind of rule set The Input contains Entropy – Edge – Intensity (EEI), LBP, - 80 - RGB, Gradient, and Patch variables The Output variable is the Disease consisting of classes Linguistic labels are set up as follows EEI, LBP, RGB, Gradient and Patch: {“High”, “Medium”, “Low”} (C=3), Disease: {“Cracked”, “Hidden”, “Cavities”, “Missing”, “Periodontitis”} (C=5) As presented in Table 2, the statement of the first rule is written as below: “If EEI is Medium and LBP is High and RGB is Medium and Gradient is High and Patch is Low then Label is Cracked” Similarity to other rules, we can write each of them as the first one Table Tabular Rules Rule No EEI LBP RGB Gradient Patch Label Medium High Medium Medium Low Cracked Medium Medium Medium High Low Cracked High Low High High Low Cracked Medium Low Medium High Low Cracked High Medium High Medium Low Hidden Low Low Low High Medium Hidden Low High Low Medium Medium Hidden Medium Medium Medium High Medium Cavities Medium Low Medium High Medium Cavities 10 High Low High High Medium Missing 11 High Medium High High Medium Missing 12 Medium High Medium Medium Medium Missing 13 Medium Medium Medium Low Medium Missing 14 Low Medium Low High High Periodontitis 15 Low High Low Medium High Periodontitis - 81 - 16 High Low High High High Periodontitis 17 Medium Low Medium High High Periodontitis 18 Low Medium Medium High High Periodontitis 19 Medium Medium Medium High High Periodontitis 20 High Medium High High High Periodontitis 21 Medium High Medium Medium High Periodontitis The result of rule generation process is a set of rules including duplicate and conflict rules Gauss functions are used to remove these unexpected kinds of rules These functions are used also for FIS in Section 3.4 The weight of each rule is calculated For duplicate or conflict rules, only rules with high weights are kept, others are rejected The final results are noted as in Table In order to perform the inference progress, the dental diseases are labeled by 1, 2, 3, and 5, respectively They are used as parameters for defuzzification in fuzzy inference progress The symmetric Gauss function is formulated by the equation below y ( x c) exp( ) 2 This function depends on two parameters FCM output in the previous step and (26) and c where c is retrieved from one of the can be calculated as, d 2ln(2) (27) Where d is the Euclidean distance between two centers of a clustered feature Gauss membership functions are plotted in Fig - 82 - Fig Gaussian functions of the inputs and output 3.4 Inference mechanism A FIS can be classified based on formalization of fuzzy rules There are two types of fuzzy inference systems that can be implemented in the Fuzzy Logic Toolbox: Mamdani-type and Sugeno-type This paper only focuses on the Mamdani-type Mamdani's fuzzy inference method is the most commonly fuzzy inference methodology Mamdani's method - 83 - was proposed in 1975 by Prof Ebrahim Mamdani based on fuzzy algorithms for complex systems and decision processes From given inputs, to compute the output of this FIS, we must go through six steps: Determining a set of fuzzy rules, Fuzzifying the inputs using the input membership functions The purpose of this step is to map the inputs from a set of sensors to values from to 1, Combining the fuzzified inputs according to the fuzzy rules to establish the rule strength, Finding the consequence of the rule by combining the rule strength and the output membership function, Combining the consequences to get an output distribution, Defuzzifying the output distribution (this step is necessary as if a crisp output (class) is needed) EXPERIMENTAL EVALUATION The proposed algorithm was implemented on Matlab 2014 and executed on a PC VAIO laptop with Core i3 processor The experimental results are taken as the average values after 20 runs The experimental datasets were taken from Hanoi Medical University, Vietnam including 56 dental images in the period 2014 – 2015 (Fig 6) Fig Some dental X-Ray images - 84 - In order to evaluate performance of proposed method, MSE (Mean Squared Error), MAE (Mean Absolute Error) and Accuracy were used If Yˆ is a vector of n predictions, and Y is the vector of observed values corresponding to the inputs of the function which generated the predictions, then MSE of the predictor can be estimated by [18]: MSE n n Yˆi Yi i 1 n n ei (28) i It means that the MSE is the mean of the square of the errors This is an easily computable quantity for a particular sample The best value of MSE index is the smallest one MAE is a common measure of forecast error in time series analysis In statistics, it is a quantity used to measure how close forecasts or predictions are to the eventual outcomes The mean absolute error is given by [14], MAE n n fi i yi n n ei , (29) i Where f i : the prediction and y i : the true value Note that alternative formulations may include relative frequencies as weight factors The best value of MAE index is also the smallest one The Accuracy index is the simplest measure of diagnostic decision It is calculated by following formula [14]: Accuracy a d , A b c d Where: - a is the result of diagnostic of the disease that is True Positive, - b is the result of diagnostic of the disease that is False Positive, - 85 - (30) - c is the result of diagnostic of the disease that is False Negative, - d is the result of diagnostic of the disease that is True Negative, The bigger the Accuracy value is, the better the algorithm is In Table 3, by using MSE, MAE and Accuracy indexes, the comparison among graphbased clustering methods (Prim spanning tree (GCP), Kruskal spanning tree (GCK), and Affinity Propagation Clustering (APC)) and other related methods (FKNN and Furia) with the proposed method (FIS) is presented as below Table 3: Evaluation performance of all methods GCP GCK APC FKNN FURIA FIS MSE 2.0830 2.0840 0.8210 0.2727 0.1822 0.2445 MAE 0.9170 0.9160 0.7010 0.2273 0.0700 0.1264 Accuracy (%) 58.30 58.30 89.10 79.55 88.24 90.29 From the results given in Table 3, our proposed method is not good as FURIA in MSE and MAE indexes But in Accuracy index, FIS method has higher value than all mentioned methods In these experiment results, FURIA is performed via tools of WEKA so we not consider to the running time CONCLUSIONS In this paper, we concentrated on problem of dental diagnosis and proposed a new diagram to solve it Specifically, the feature extraction methods were used to create a dental feature database from dental X-ray images The FCM algorithm was then used to classify these features into clusters and from that, a rule base was generated Based on the fuzzy rules, Mamdani FIS based method was applied to infer consequences from given inputs The proposed work supports dentists in diagnosing dental diseases The new method has been - 86 - implemented and compared with the FKNN algorithm in term of accuracy The results showed that the new method has better performance than FKNN In the future, this research can be continued with some following ideas: i) Using other clustering methods to improve clustering quality; ii) Increasing the number of dental features to get more accurate prediction results; ii) Improving FIS to get higher performance ACKNOWLEDGEMENT The authors are greatly indebted to the editor-in-chief, Prof Deng-Feng Li, Mr Sean Eckman and anonymous reviewers for their comments and their valuable suggestions that improved the quality and clarity of paper APPENDIX Matlab source codes of all algorithms and experimental data can be found at the URL: https://www.mathworks.com/matlabcentral/fileexchange/52993-dental-using-fuzzy-rulebased-systems REFERENCES [1] Ahonen, T., Hadid, A., & Pietikainen, M., Face description with local binary patterns: Application to face recognition, IEEE Transactions on Pattern Analysis and Machine Intelligence (2006), 28(12), 2037-2041 [2] Bezdek, J C., Ehrlich, R., & Full, W., FCM: The fuzzy c-means clustering algorithm, Computers & Geosciences (1984), 10(2), 191-203 [3] Boyacioglu, M A., & Avci, D (2010) An adaptive network-based fuzzy inference system (ANFIS) for the prediction of stock market return: the case of the Istanbul stock exchange Expert Systems with Applications, 37(12), 7908-7912 - 87 - [4] Chattopadhyay, S., Davis, R M., Menezes, D D., Singh, G., Acharya, R U., & Tamura, T (2012) Application of Bayesian classifier for the diagnosis of dental pain Journal of medical systems, 36(3), 1425-1439 [5] Chaudhari, S., Patil, M., & Bambhori, J (2014) Study and review of fuzzy inference systems for decision making and control AIJRSTEM, 5(1), 88-92 [6] Doi, K (2014) Current status and future potential of computer-aided diagnosis in medical imaging The British Journal of Radiology, 78(suppl_1), pp s3–s19 [7] Grabisch, M., Nguyen, H T., & Walker, E A (2013) Fundamentals of uncertainty calculi with applications to fuzzy inference (Vol 30) Springer Science & Business Media [8] Ghazali, K H., Mustafa, M M., Hussain, A., Bandar, M E C., & Kuantan, G (2007) Feature Extraction technique using SIFT keypoints descriptors In The International Conference on Electrical and Engineering and Informatics Institut technology (pp 17-19) [9] Fahmy, R., Zaher, H., & Kandil, A E (2015) A Comparison between Fuzzy Inference Systems for Prediction (with Application to Prices of Fund in Egypt) International Journal of Computer Applications, 109(13), 6-11 [10] Guillaume, S (2001) Designing fuzzy inference systems from data: an interpretability-oriented review IEEE Transactions on Fuzzy Systems, 9(3), 426-443 [11] Ho, S Y., Lee, K C., Chen, S S., & Ho, S J (2002) Accurate modeling and prediction of surface roughness by computer vision in turning operations using an adaptive neuro-fuzzy inference system International Journal of Machine Tools and Manufacture, 42(13), 1441-1446 [12] Hosseini, S H., & Etemadi, A H (2008) Adaptive neuro-fuzzy inference system based automatic generation control Electric Power Systems Research,78(7), 1230-1239 - 88 - [13] Hühn, J., & Hüllermeier, E (2009) FURIA: an algorithm for unordered fuzzy rule induction Data Mining and Knowledge Discovery, 19(3), 293-319 [14] Hyndman, R J., & Koehler, A B (2006) Another look at measures of forecast accuracy International journal of forecasting, 22(4), 679-688 [15] Kavitha, M S., Asano, A., Taguchi, A., Kurita, T., & Sanada, M (2012) Diagnosis of osteoporosis from dental panoramic radiographs using the support vector machine method in a computer-aided system BMC medical imaging,12(1), 2-11 [16] Lai, Y H., & Lin, P L (2008, January) Effective segmentation for dental X-ray images using texture-based fuzzy inference system In Advanced Concepts for Intelligent Vision Systems (pp 936-947) Springer Berlin Heidelberg [17] Lee, C C (1990) Fuzzy logic in control systems: fuzzy logic controller II IEEE Transactions on Systems, Man and Cybernetics, 20(2), 419-435 [18] Lehmann, E L., & Casella, G (1998) Theory of point estimation (Vol 31) Springer Science & Business Media [19] Nayak, G K., Narayanan, S J., & Paramasivam, I (2013) Development and comparative analysis of fuzzy inference systems for predicting customer buying behavior International Journal of Engineering and Technology, 5(5), 4093-4108 [20] 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 [21] 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 (pp 3755) Springer Berlin Heidelberg - 89 - [22] Sun, C T (1994) Rule-base structure identification in an adaptive-network-based fuzzy inference system IEEE Transactions on Fuzzy System, 2(1), 64-73 [23] Togai, M., & Watanabe, H (1986) A VLSI implementation of a fuzzy-inference engine: Toward an expert system on a chip Information Sciences, 38(2), 147-163 [24] 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 - 90 - ... phƣơng pháp chuẩn đoán bệnh nha khoa sử dụng hệ suy diễn mờ đƣợc xây dựng Về mặt ứng dụng thực tiễn, tác giả xây dựng chƣơng trình phần mềm hỗ trợ chuẩn đoán cho bác sĩ, từ ảnh nha khoa X-Quang,... HÌNH HỆ TƢ VẤN CHO BÀI TOÁN CHUẨN ĐOÁN BỆNH NHA KHOA 33 2.1 Mô tả toán 33 2.2 Trích chọn đặc trƣng ảnh nha khoa 35 2.3 Xây dựng sở liệu 39 2.4 Xây dựng. .. hệ suy diễn mờ thuật toán phân cụm mờ FCM Những kiến thức kiến thức tảng để xây dựng hệ thống Chƣơng – Xây dựng hệ suy diễn mờ cho toán chuẩn đoán bệnh nha khoa: Các đặc trƣng trích chọn từ ảnh