Bộ phân lớp đối tượng ứng dụng mạng wavelets neural

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA XY ZW PHAN HỌC ĐỀ TÀI BỘ PHÂN LỚP ĐỐI TƯNG ỨNG DỤNG MẠNG WAVELETS NEURAL Chuyên ngành: KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ Mã số ngành: 2.07.01 LUẬN VĂN THẠC SĨ Thành phố Hồ Chí Minh, tháng 06/2006 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA XY ZW PHAN HỌC BỘ PHÂN LỚP ĐỐI TƯNG ỨNG DỤNG MẠNG WAVELETS NEURAL Chuyên ngành: KỸ THUẬT VÔ TUYẾN VÀ ĐIỆN TỬ Mã số ngành: 2.07.01 LUẬN VĂN THẠC SĨ Thành phố Hồ Chí Minh, tháng 06/2006 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS TS LÊ TIẾN THƯỜNG Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM, ngày 15 tháng 07 năm 2006 ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập – Tự Do – Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: PHAN HỌC Phái: Nam Ngày, tháng, năm sinh: 15/02/1978 Nơi sinh: Quảng Nam Chuyên ngành: Kỹ thuật Vô tuyến- Điện tử MSHV: 01404327 I TÊN ĐỀ TÀI: BỘ PHÂN LỚP ĐỐI TƯNG ỨNG DỤNG MẠNG WAVELETS NEURAL II NHIỆM VỤ VÀ NỘI DUNG: − − − − − Tìm hiểu sở lý thuyết mạng wavelets neural, lý thuyết wavelets Phân tích thiết kế phân lớp đối tượng dùng mạng wavelets neural Cài đặt mô hình phân lớp đối tượng dùng mạng wavelets neural Thực nghiệm đánh giá kết Tổng hợp báo cáo kết III NGÀY GIAO NHIỆM VỤ: 01/01/2006 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 30/06/2006 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS TS LÊ TIẾN THƯỜNG CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày tháng năm 2006 PHÒNG ĐÀO TẠO SĐH KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Tôi xin chân thành bày tỏ lòng biết ơn kính trọng sâu sắc đến Thầy Giáo Hướng dẫn PGS-TS LÊ TIẾN THƯỜNG công tác Khoa Điện-Điện tử, trường ĐH Bách khoa, ĐH Quốc Gia Tp.Hồ Chí Minh tận tình hướng dẫn, cung cấp nhiều tài liệu khoa học quý giá phương tiện nghiên cứu, giúp đỡ hoàn thành luận văn thạc só Xin chân thành cảm ơn Quý Thầy Cô tận tình giảng dạy, hướng dẫn giúp đỡ trình học tập nghiên cứu khoa học Chân thành cảm ơn Phòng Đào Tạo Sau Đại Học, trường ĐH Bách Khoa Tp Hồ Chí Minh tạo điều kiện tốt cho suốt khóa học Chân thành cám ơn đồng nghiệp trường ĐH GTVT TP.HCM, bạn bè gia đình ủng hộ, giúp đỡ trình học tập thực luận văn tốt nghiệp Tác giả xin bày tỏ lòng biết ơn chân thành sâu sắc Tp Hồ Chí Minh, tháng 7/2006 PHAN HỌC TÓM TẮT LUẬN VĂN THẠC SĨ Nội dung trình bày luận văn thạc só “BỘ PHÂN LỚP ĐỐI TƯNG ỨNG DỤNG MẠNG WAVELETS NEURAL” bao gồm năm chương: Chương 1: GIỚI THIỆU Chương trình bày giới thiệu nhu cầu cần thiết phát triển đề tài, mục tiêu đề tài, đối tượng phạm vi nghiên cứu, giới thiệu tổng quan tình hình nghiên cứu nước giới có liên quan đến đề tài, nội dung phương pháp nghiên cứu, ý nghóa khoa học thực tiễn đề tài Chương 2: PHÂN LỚP MẪU - MẠNG WAVELETS NEURAL Nội dung chương trình bày vấn đề lý thuyết sở có liên quan đến nội dung thực đề tài gồm lý thuyết phân lớp mẫu nhận dạng, lý thuyết hàm wavelets phép biến đổi wavelets rời rạc ứng dụng xử lý ảnh, sở lý thuyết mô hình mạng wavelets neural, máy học Chương 3: THIẾT KẾ BỘ PHÂN LỚP ĐỐI TƯNG Nội dung chương trình bày phần phân tích thiết kế hệ thống phân lớp đối tượng ứng dụng phân tích nhận dạng khối u xuất ảnh mammograms Tiến trình phân tích thiết kế hệ thống việc phân tích chọn lựa kiến trúc mô hình thiết kế giải thuật Sau tiến hành triển khai xây dựng hệ thống, thuật toán huấn luyện kiểm tra mạng Hệ thống bao gồm chức thu thập tập liệu cho trình huấn luyện mạng, phân tích ảnh đầu vào, tách đặc trưng ảnh, sau trình nhận dạng đối tượng Chương 4: THỰC NGHIỆM VÀ KẾT QUẢ Nội dung chương trình bày chương trình thực mô thiết kế máy tính Việc tiến hành kiểm tra đánh giá sai số mạng trình huấn luyện, kiểm tra đánh giá độ xác phân lớp nhận dạng hệ thống trình bày chương Một số kết thực nghiệm tiến hành phân tích nhận dạng khối u ác tính xuất ảnh mammograms giải chương Kết đánh giá độ xác so sánh với số phân lớp khác Chương 5: KẾT LUẬN VÀ ĐỊNH HƯỚNG Nội dung chương trình bày tóm tắt tầm quan trọng việc nghiên cứu đề tài, kết đạt đề tài, giới hạn đề tài Kế tiếp trình bày vấn đề khó khăn cần tiếp tục phát triển nghiên cứu tương lai Những hướng nghiên cứu phát triển đề tài trình bày phân tích cụ thể nhằm giúp cho người đọc có ý tưởng để thực sáng tạo Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường MỤC LỤC Chương GIỚI THIỆU 1.1 GIỚI THIỆU 1.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 1.3 MỤC TIÊU, ĐỐI TƯNG VÀ PHẠM VI NGHIÊN CỨU 10 1.3.1 MỤC TIÊU CỦA ĐỀ TÀI 10 1.3.2 ĐỐI TƯNG NGHIÊN CỨU 10 1.4 NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 11 1.4.1 NỘI DUNG NGHIÊN CỨU 11 1.4.2 PHƯƠNG PHÁP NGHIÊN CỨU 11 1.5 Ý NGHĨA ĐỀ TÀI 11 Chương 2.1 PHÂN LỚP MẪU - MẠNG WAVELETS NEURAL 12 PHÂN LỚP VÀ NHẬN DẠNG 12 2.1.1 BIEÅU DIỄN ẢNH 12 2.1.2 TÁCH ĐẶC TRƯNG ẢNH 12 2.1.2.1 Đặc trưng biên độ 12 2.1.2.2 Đặc tröng texture 15 2.1.3 2.2 KHÁI LƯC CÁC THUẬT TOÁN PHÂN LỚP 23 CÁC TIẾP CẬN PHÂN LỚP CƠ SỞ 26 2.2.1 PHƯƠNG PHÁP THAM SOÁ 26 2.2.2 PHƯƠNG PHÁP DỰA TRÊN MẬT ĐỘ XÁC SUẤT 27 2.2.3 CÁC PHƯƠNG PHÁP PHÂN BIỆT TUYẾN TÍNH 29 2.2.4 CÁC PHƯƠNG PHÁP PHÂN BIỆT PHI TUYEÁN 31 2.3 GIỚI THIỆU MẠNG NEURAL 31 2.3.1 GIỚI THIỆU 31 2.3.2 LỊCH SỬ RA ĐỜI CỦA MẠNG NEURAL 32 2.3.3 PHAÂN LOAÏI MAÏNG NEURAL 33 2.4 2.3.3.1 Phân loại theo cấu trúc mạng 34 2.3.3.2 Phân loại theo thuật toán huấn luyện mạng 34 MÔ HÌNH NEURON VÀ XÂY DỰNG MẠNG 36 2.4.1 MÔ HÌNH NEURON 36 2.4.2 XÂY DỰNG MAÏNG 38 Luận văn Thạc sỹ Ngày 30-06-2006 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural 2.5 GVHD: PGS.TS Lê Tiến Thường MẠNG PERCEPTRON LỚP 39 2.5.1 NHỮNG TÍNH CHẤT CƠ BAÛN 39 2.5.2 XÂY DỰNG MẠNG 40 2.6 MẠNG PERCEPTRONS ĐA LỚP 40 2.6.1 GIỚI THIỆU 40 2.6.2 ĐẶC TẢ MÔ HÌNH 41 2.7 MẠNG HÀM CƠ SỞ XUYÊN TÂM 44 2.7.1 GIỚI THIỆU 44 2.7.2 MỤC TIÊU 44 2.7.3 ĐẶC TẢ MÔ HÌNH 45 2.7.4 KẾT LUẬN 47 2.8 SVM- SUPPORT VECTOR MACHINES 47 2.8.1 GIỚI THIỆU 47 2.8.2 MÔ HÌNH SVM 47 2.8.3 KẾT LUẬN 53 2.9 MÔ HÌNH LAN TRUYỀN NGƯC 54 2.9.1 GIỚI THIỆU 54 2.9.2 MỘT SỐ VẤN ĐỀ CƠ BẢN 54 2.9.3 GIẢI THUẬT LAN TRUYỀN NGƯC CHUẨN 55 2.9.3.1 Daãn xuất giải thuật lan truyền ngược 55 2.9.3.2 Tiêu chuẩn dừng 59 2.9.3.3 Haèng số học 59 2.9.3.4 Lưu đồ giải thuật lan truyền ngược 60 2.9.4 CẤU TRÚC CƠ BẢN CỦA MẠNG NEURAL 60 2.9.5 TIẾN TRÌNH HỌC TRONG MAÏNG NEURAL 61 2.9.6 CÁC GIẢI THUẬT DI TRUYỀN 61 2.10 MAÏNG WAVELETS NEURAL 61 2.10.1 PHÉP BIẾN ĐỔI WAVELETS LIÊN TỤC 61 2.10.2 PHEÙP BIẾN ĐỔI WAVELETS RỜI RẠC DWT 62 2.10.3 PHÉP BIẾN ĐỔI WAVELETS RỜI RẠC DWT HAI CHIEÀU 65 2.10.4 MAÏNG WAVELETS NEURAL 66 Luận văn Thạc sỹ Ngày 30-06-2006 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural Chương GVHD: PGS.TS Lê Tiến Thường THIẾT KẾ BỘ PHÂN LỚP ĐỐI TƯNG 68 3.1 GIỚI THIỆU 68 3.2 MÔ HÌNH CỦA HỆ THỐNG PHÂN LỚP NHẬN DẠNG 69 3.2.1 MÔ HÌNH HỆ THỐNG 69 3.2.2 LƯU ĐỒ GIẢI THUẬT 70 3.3 XÂY DỰNG HỆ THỐNG 71 3.3.1 TIỀN XỬ LÝ AÛNH 71 3.3.2 CHỌN ROI VÀ CỬA SỔ QUÉT ẢNH 72 3.3.3 PHÂN TÍCH WAVELETS ĐA PHÂN GIẢI 72 3.3.4 THIEÁT KEÁ VÀ CÀI ĐẶT ANN 77 3.3.5 LỚP NGÕ VÀO 77 3.3.6 LỚP ẨN 77 3.3.7 LỚP NGÕ RA 78 3.4 THUẬT TOÁN HỌC MẠNG VÀ THUẬT TOÁN KIỂM TRA 78 Chương THỰC NGHIỆM VÀ KẾT QUẢ 82 4.1 GIỚI THIỆU 82 4.2 PHÂN LỚP ẢNH Y HỌC VÀ NHẬN DẠNG 83 4.2.1 LƯU ĐỒ GIẢI THUẬT 83 4.2.2 TẬP DỮ LIỆU HUẤN LUYỆN 84 4.2.3 KẾT QUẢ HUẤN LUYỆN 84 4.2.4 KẾT QUẢ NHẬN DẠNG 89 4.3 ĐỘ CHÍNH XÁC PHÂN LỚP CỦA HỆ THỐNG 96 Chương KẾT LUẬN VÀ ĐỊNH HƯỚNG 98 5.1 KEÁT LUAÄN 98 5.2 ĐỊNH HƯỚNG NGHIÊN CỨU 99 PHUÏ LUÏC 101 TÀI LIỆU THAM KHAÛO .106 LÝ LỊCH TRÍCH NGANG 108 Luận văn Thạc sỹ Ngày 30-06-2006 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường DANH SÁCH CÁC HÌNH VẼ Hình 2.1 Quan hệ cặp pixel 14 Hình 2.2 Trị đo hình học ma trận phụ thuộc mức xám 17 Hình 2.3 Các ma trận đáp ứng xung vi cấu trúc 19 Hình 2.4 Quan hệ ma trận đáp ứng xung hàm truyền lọc Gabor 20 Hình 2.5 Các tiếp cận phân lớp giám sát khaùc 25 Hình 2.6 Neuron ngõ vào đơn mức ngưỡng 36 Hình 2.7 Neuron ngõ vào đơn có mức ngưỡng 36 Hình 2.8 Neuron có nhiều ngõ vào 37 Hình 2.9 Hàm truyeàn logsig 37 Hình 2.10 Hàm truyền hardlim 38 Hình 2.11 Hàm truyền purelin 38 Hình 2.12 Cấu trúc mạng 38 Hình 2.13 Một lớp mạng 39 Hình 2.14 Nhiều lớp mạng 39 Hình 2.15 Mô hình Perceptron 39 Hình 2.16 Mạng Perceptron lớp 40 Hình 2.17 Perceptrons đa lớp 41 Hình 2.18 SVM – Dữ liệu phân biệt tuyến tính 48 Hình 2.19 SVM - Dữ liệu không phân biệt tuyến tính 52 Hình 2.20 Mô hình neuron 54 Hình 2.21 Hàm truyền log-sigmoid neuron logsig ngõ vào 54 Hình 2.22 Hàm truyền tuyến tính neuron tuyến tính ngõ vào 54 Hình 2.23 Hàm truyền Tan –Sigmoid neuron tansig ngõ vào 55 Hình 2.24 Minh hoạ chi tiết ngõ neuron j 57 Hình 2.25 Ngõ neuron k kết nối với neuron ẩn j 58 Hình 2.26 Lưu đồ giải thuật lan truyền ngược 60 Hình 2.27: Phân tích DWT 64 Hình 2.28 DWT sử dụng băng lọc 65 Hình 2.29 Phép biến đổi DWT-2D 66 Hình 2.30 Cấu trúc mạng WNN 67 Luận văn Thạc sỹ Ngày 30-06-2006 ThS Phan Học Chương THỰC NGHIỆM VÀ KẾT QUẢ GVHD: PGS.TS Lê Tiến Thường 1500 1000 500 0 (a) 50 (b) 100 150 200 250 (c) Hình 4.14 Histogram (a) nh đầu vào – (b) nh sau tiền xử lý – (c) nh phân lớp Kết 3: Nhận dạng khối u ảnh mammograms hình 4.15 Thông số ảnh: + Độ phân giải không gian: 596 x 400 pixel + Loại ảnh: xám Định dạng ảnh bmp + Độ phân giải lượng tử bit, tương đương 256 mức xám Nhận dạng khối u ảnh mammograms Vùng nghi ngờ khối u xuất với cường độ sáng thấp so với trường hợp nh sau tiền xử lý hình 4.15 (b) có độ tương phản tăng có độ rõ nét cao, vùng pixel có giá trị mức xám gần với mức xử lý làm giảm giá trị pixel tương ứng, vùng pixel có giá trị mức xám cao xử lý để tăng cường giá trị mức xám tương ứng Do ảnh sau tiền xử lý làm tăng cường độ sáng độ rõ nét độ phân biệt với vùng xung quanh Tiền xử lý nhằm làm bật phân đoạn đối tượng có đặc trưng mức xám khác công đoạn đóng vai trò quan trọng, đóng góp đáng kể vào kết phân lớp nhận dạng sử diện không khối u ác tính (a) (b) (c) (d) (e) Hình 4.15 (a) ảnh đầu vào – (b) ảnh tiền xử lý –(c) vùng nhận dạng –(d) ảnh phân lớp –(e) ảnh nhận dạng Luận văn Thạc sỹ Ngày 30-06-2006 94 ThS Phan Học Chương THỰC NGHIỆM VÀ KẾT QUẢ GVHD: PGS.TS Lê Tiến Thường Cường độ sáng khối mô tế bào đáng nghi ngờ chọn thủ công sử dụng công cụ cắt ảnh ROI có chứa vùng nghi ngờ hình 4.15 (c) Vùng ảnh ROI đưa vào phân lớp để nhận dạng mà không tiến hành xử lý thêm Hệ thống sử dụng cửa sổ quét có kích thước 32 x 32 pixel tiến hành quét toàn vùng ROI Với cửa sổ ảnh hệ thống thực việc tính toán vector đặc trưng đưa vào phân lớp để tiến hành phân tích nhận dạng khối u Mạng neuron tính toán kết xuất ngõ dựa tri thức biết trước trình huấn luyện mạng cho cửa sổ ảnh định pixel trung tâm cửa sổ ảnh thuộc phân lớp có khối u phân lớp mô tế bào lành tính Kết nhận dạng vùng ảnh nghi ngờ có xuất vùng pixel mô tế bào ác tính tương tự trường hợp 2, mật độ pixel dày liên tục, không xuất pixel thuộc khối u ác tính riêng lẽ, có khả khối u ác tính phát triển thành bệnh ung thư hình 4.15 (d) Hệ thống sau tiến hành nhận dạng vùng pixel nghi ngờ định cuối nhằm xác định có xuất vùng mô ác tính hay không Hình 4.15 (d) kết thuật toán nhận dạng cuối Vùng u ác tính nhận dạng có hai vùng xác định biên hình 4.15 (e) Hình 4.16 (a) histogram ảnh đầu vào so sánh với trường hợp 1, cường độ sáng trung bình thấp hơn, cao trường hợp Hình 4.16 (b) histogram sau ảnh đưa vào tiền xử lý, độ tương phản tăng lên so với ảnh tiền xử lý vùng nghi ngờ có khối u có cường độ sáng tăng lên rõ nét so với trường hợp 2, nhiên không rõ rệt trường hợp Hình 4.16 (c) histogram ảnh sau phân lớp Vùng pixel thuộc hai khối u xuất đen có diện tích tương đối lớn so với trường hợp Nền đen xung quanh khối u vùng ảnh thuộc mô tế bào lành tính Vùng thuộc khối u có cường độ sáng cao, giá trị mức xám tập trung từ khoảng 50 đến 200, tương tự trường hợp Trong mật độ pixel phân bố đồng phạm vi mức xám từ 100 đến 200 5000 5000 4000 4000 3000 3000 2000 2000 1000 1000 0 50 100 150 200 250 (a) Luaän văn Thạc sỹ Ngày 30-06-2006 50 100 150 200 250 (b) 95 ThS Phan Học Chương THỰC NGHIỆM VÀ KẾT QUẢ GVHD: PGS.TS Lê Tiến Thường 6000 5000 4000 3000 2000 1000 0 50 100 150 200 250 (c) Hình 4.16 Histogram (a) nh đầu vào – (b) nh sau tiền xử lý – (c) nh phân lớp Kết nhận dạng hệ thống cho phép phát khối u ung thư tiềm ẩn ảnh mammograms trường hợp Vì khối u có hình dạng, cấu trúc kích thước biến đổi khác nhau, việc nhận dạng mắt thường dễ xảy nhầm lẫn không xác Do việc ứng dụng kỹ thuật máy tính giải thuật nhận dạng tối ưu cần thiết nhằm nâng cao độ xác trình phân tích ảnh mammograms 4.3 ĐỘ CHÍNH XÁC PHÂN LỚP CỦA HỆ THỐNG Kết thực nghiệm kiểm tra, đánh giá sai số phân lớp thiết kế cài đặt Thực nghiệm tiến hành 100 ảnh nhận dạng bao gồm 60 ảnh bình thường 40 ảnh có khối u ác tính.nh thu thập sở liệu ảnh số mammograms MIAS với kích thước pixel khác mức lượng tử bit (tương đương 256 mức xám) Cơ sở liệu cung cấp thông tin vị trí loại khối u bất thường có xuất ảnh Tỉ lệ khối u phát 57 60 ảnh Trong 40 ảnh bình thường không phát vùng nghi ngờ có u ác tính Độ xác nhận dạng hệ thống 97% Thông số tập liệu ảnh tiến hành kiểm tra đánh giá độ xác phân lớp hệ thống Bảng 4.1 Tập liệu ảnh kiểm tra Mammograms Benign lesions Maglinant lesions 100 60 40 Kết nhận dạng 57 40 Nếu so sánh với phân lớp khác kết sau: Luận văn Thạc sỹ Ngày 30-06-2006 96 ThS Phan Học Chương THỰC NGHIỆM VÀ KẾT QUẢ GVHD: PGS.TS Lê Tiến Thường Bộ phân lớp mạng neural lan truyền ngược [20] sử dụng 10 đặc trưng SGLD tách từ 85 ảnh mammograms khó chẩn đoán đạt độ xác phân lớp 74% Verma Zakos [20] ứng dụng mạng neural lan truyền ngược, kết hợp với kỹ thuật mờ để xác định vùng nghi ngờ sau tách đặc trưng nhận dạng, độ xác đạt 88,9% 40 trường hợp khảo sát Kramer Aghdasi [20] sử dụng đặc trưng đồng kiện đặc trưng wavelets làm ngõ vào phân lớp KNN đạt độ xác 100 % tiến hành phân lớp 40 ảnh mammograms Bộ phân lớp SVM [29] đạt độ xác phân lớp 97,01% 98% sử dụng chọn lọc đặc trưng SFS Trong độ xác phân lớp GRNN tương ứng 96% 97.80% sử dụng thuật toán SFS Với số phần tử vector đặc trưng 61, bao gồm đặc trưng texture, đặc trưng không gian đặc trưng phổ Bảng 4.2 So sánh độ xác phân lớp Bộ phân lớp Kích thước tập liệu kiểm tra Độ xác phân lớp WNN 100 97% BNN 85 74% FBNN 40 88,9% KNN 40 100% SVM 97,01%; 98% GRNN 96% ; 97,80% Luận văn Thạc sỹ Ngày 30-06-2006 97 ThS Phan Học Chương KẾT LUẬN VÀ ĐỊNH HƯỚNG Chương 5.1 GVHD: PGS.TS Lê Tiến Thường KẾT LUẬN VÀ ĐỊNH HƯỚNG KẾT LUẬN Kết thực nghiệm đạt yêu cầu đặt Đề tài thiết phân lớp đối tượng ứng dụng kết hợp kỹ thuật xử lý tín hiệu wavelets mạng neural nhân tạo Phát huy ưu điểm hai lónh vực cho phép phát triển hệ thống phân lớp nhận dạng có độ xác cao ổn định Đề tài phân tích thiết kế phân lớp nhận dạng khối u lành tính ác tính xuất ảnh mammograms nhằm hỗ trợ chuyên gia tiến trình chẩn đoán bệnh ung thư ngực Tập liệu sử dụng cho đề tài bao gồm hai nhóm chủ yếu, nhóm thứ tập liệu huấn luyện bao gồm 103 ảnh, nhóm thứ hai tập liệu kiểm chứng bao gồm 100 ảnh Mạng WNN sau thiết kế tiến hành huấn luyện dựa tập liệu huấn luyện Phương pháp học có giám sát áp dụng, trình học dựa vào tri thức chuyên gia chẩn đoán khối u xuất mammograms Kết trình huấn luyện sử dụng để hiệu chỉnh mô hình mạng thiết kế nhằm đạt lực mạng mong muốn Đặc trưng ảnh sử dụng để huấn luyện nhận dạng hệ số xấp xỉ chi tiết phép phân tích đa phân giải sử dụng biến đổi wavelets rời rạc Daubechies – đến mức Tổng cộng hệ thống sử dụng vector đặc trưng có 21 phần tử để tiến hành huấn luyện nhận dạng Ưu điểm tiếng phân tích wavelets rời rạc đặc tính trích lọc đặc trưng mang thông tin cục tín hiệu khả tách đặc trưng hạn chế nhiễu Những đặc trưng mang lại kết phân lớp với độ xác cao Ưu điểm bật mạng neural thiết kế phát triển công cụ tính toán để phân tích nhiều loại ảnh y học đa chiều Trong xử lý ảnh y học, mạng neural học từ tập liệu thường gặp phải số khó khăn tập liệu mô tả không đầy đủ (giá trị thông số không đúng), không (nhiễu ngẫu nhiên hệ thống liệu), thiếu liệu thu từ bệnh nhân, thiếu xác Mạng neural nguyên tắc điều chỉnh tập liệu sử dụng phổ biến nhờ lực thích nghi mẫu đặc tính giống não người (khả tổng quát hoá, bền vững với nhiễu) để đánh giá việc định y học Hơn mạng neural nâng cao chất lượng thông tin hình ảnh phát triển hệ thống thông minh phân tích ảnh y học Việc phát triển hệ thống thông minh phụ thuộc nhiều vào công nghệ khả xử lý lượng lớn thông tin với thời gian hợp lý Mạng thiết kế bao gồm tầng phân tích wavelets để tách đặc trưng, sau xử lý chuẩn hoá, đưa đến lớp vào có 21 neurons tương ứng, lớp ẩn sử dụng hàm kích hoạt tan-sigmod với 25 neurons Quá trình huấn luyện đạt đến sai số MSE đủ nhỏ 2.8648e-007 Mạng sau huấn luyện sử dụng để phân lớp nhận dạng mô tế bào ác tính – mô tế bào bị vôi hoá kích thước nhỏ xuất ảnh mammograms Hệ thống thực phân tích nhận dạng tập liệu bao gồm 100 ảnh mammograms, kết thu tốt Tập liệu sử Luận văn Thạc sỹ Ngày 30-06-2006 98 ThS Phan Học Chương KẾT LUẬN VÀ ĐỊNH HƯỚNG GVHD: PGS.TS Lê Tiến Thường dụng để đánh giá lực thực thi hệ thống, kết có 97 ảnh nhận dạng xác với thời gian xử lý hợp lý Kết đề tài đạt mục tiêu đặt Trong phần kiểm tra khả thực thi hệ thống sai số hệ thống kiểm chứng Thời gian thực thi hệ thống đảm bảo hợp lý 5.2 ĐỊNH HƯỚNG NGHIÊN CỨU Các hệ thống tự động nhận dạng ung thư ngực nghiên cứu phát triển 20 năm qua Hệ thống CAD ứng dụng nhận dạng khối u ảnh mammograms bắt đầu triển khai từ phòng thí nghiệm thành hệ thống thương mại Một số công ty thương mại giới R2 Technology Inc., Hewlett Packard Co., Sterling Diagnostic Imaging, Siemens, GE, phát triển thiết kế hệ thống xử lý ảnh mammograms cho ứng dụng chẩn đoán y học Mặc dù đạt thành tựu tiến lớn, song khó khăn định hướng cho nghiên cứu tương lai Phát triển thuật toán phân đoạn tăng cường chất lượng ảnh tốt Phát triển thuật toán tách đặc trưng chọn lọc đặc trưng tối ưu Tích hợp phân lớp khác nhằm nâng cao độ tin cậy Khi độ phức tạp thuật toán tăng lên, thời gian xử lý hệ CAD tăng lên, phải đảm bảo cân độ xác nhận dạng độ phức tạp tính toán vấn đề quan trọng thời gian trễ hệ thống lớn việc triển khai ứng dụng gặp trở ngại Xác định tập liệu kiểm tra chuẩn tiêu chuẩn đánh giá yếu tố quan trọng Xử lý mammograms có độ phân giải cao Độ phân giải không gian tầm trị pixel yêu cầu đủ để hiển thị khối u mammograms nghiên cứu Tích hợp mô hình ảnh khác với mammograms Mặc dù hệ thống CAD sử dụng chủ yếu mammograms song áp dụng cho ảnh siêu âm để phát ung thư ngực Việc phát triển hệ thống kết hợp ảnh siêu âm, MRI CT với mammograms giải pháp tối ưu nhằm kiểm soát bệnh ung thư Phát triển hệ thống 3D mammograms Mammograms biểu diễn chiều cấu trúc chiều Phân bố không gian khối u ung thư chắn bị méo dạng phép chiếu hai chiều mammograms chiều sâu vị trí cấu trúc ảnh Mặc dù nghiên cứu 3D mammograms tập trung chủ yếu vào não, tim, phổi Gần nghiên cứu D ngực bắt đầu quan tâm Để phát triển thuật toán xử lý 3D mammograms tốt thách thức lớn Ngoài đề tài mở rộng phát triển theo số hướng Có nhiều phương thức để thực toán phân lớp đối tượng tự động Mạng neural sử dụng để phân lớp pixel thành nhóm khác để làm bật khối u lành tính khối u ác tính xuất ảnh đề cập đề tài Những đặc trưng wavelets thích nghi tốt với tính chất đa dạng khối u Luận văn Thạc sỹ Ngày 30-06-2006 99 ThS Phan Học Chương KẾT LUẬN VÀ ĐỊNH HƯỚNG GVHD: PGS.TS Lê Tiến Thường hình dạng, kích thước, cường độ sáng Nếu khối mô mô tế bào ung thư phân lớp vào mô lành tính Điều khiến cho việc huấn luyện mạng tốn nhiều thời gian phải thích nghi với khác biệt đáng kể phân lớp Do việc phân lớp trước để tách vùng không cần thiết để nhận dạng tiết kiệm thời gian xử lý nhiều Có thể số việc thực việc hiệu chỉnh kiểm chứng phân lớp Một số lượng ảnh mammograms nhiều cung cấp độ tin cậy cao lực thực thi hệ thống với nhiều loại khối u khác Hệ thống cần thiết phải huấn luyện kiểm chứng máy quét ảnh nhiều nhà sản xuất khác nhau, sử dụng nhiều giao thức khác Đây điều để tạo giao thức tối ưu cho toán phân lớp đối tượng tự động Còn nghiên cứu chọn lọc nhiều đặc trưng cho giai đoạn phân lớp đối tượng Những đặc trưng xác định nhiều phương pháp khác nhau, đặc trưng tính toán trực tiếp pixel ảnh đặc trưng tìm qua phép biến đổi khác Trong vài trường hợp mà việc chẩn đoán gặp khó khăn, chuyên gia thường phải sử dụng thông tin phi hình ảnh tiền sử bệnh lý cá nhân gia đình, tuổi tác, genes Những đặc trưng tích hợp vào hệ thống cách dễ dàng Đề tài phát triển theo hướng tăng thêm số lượng đặc trưng cho trình nhận dạng phân lớp đối tượng kết hợp với thuật toán biến đổi nhằm giảm số chiều không gian đặc trưng Điều làm tăng độ xác phân lớp mà đảm bảo thời gian thực thi hệ thống Để hạn chế sai sót tiến trình nhận dạng, vector đặc trưng nên xử lý nhiều phân lớp khác định kết nhận dạng cuối dựa kết phân lớp Do tính chất đa dạng biên không rõ ràng khối u xuất ảnh mammograms, nên khả dụng kết hợp phép biến đổi wavelets với hệ thống mạng neural mờ thể hướng phát triển hợp lý đảm bảo tính thích nghi Kết hợp ưu điểm lónh vực thiết kế phân lớp tối ưu Đặc trưng ảnh đóng vai trò quan trọng đến hiệu thành công phân lớp Do việc phát triển thuật toán xác định đặc trưng tối ưu cho lónh vực toán cụ thể cần thiết Đặc trưng phản ảnh xác đối tượng nhận dạng kết nhận dạng xác Đã có số công trình nghiên cứu vấn đề nhiên nghiên cứu sâu Luận văn Thạc sỹ Ngày 30-06-2006 100 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường PHỤ LỤC Bảng 5.1 Tập đặc trưng huấn luyeän WNN CA0 CA1 CHD1 CVD1 CDD1 CA2 CHD2 CVD2 CDD2 CA3 CHD3 CVD3 CDD3 CA4 CHD4 CVD4 CDD4 CA5 CHD5 CVD5 CDD5 Taget 6840 7894 130.7 104.9 69.86 1.045e+004 205.7 212.6 118.1 1.559e+004 332.9 343.2 178.5 2.414e+004 543.6 466.6 128.1 4.141e+004 861.4 722.9 119.3 5160 6154 125.2 128.2 78.37 8443 173.2 177.7 113.1 1.302e+004 153.9 301.6 100.6 2.103e+004 105.4 390.7 69.12 3.703e+004 322.5 237.5 34.28 6714 7765 116.1 115.5 62.42 1.026e+004 246.7 279.8 140 1.527e+004 411.2 373.1 175.5 2.385e+004 521.7 1436 151.3 4.125e+004 1189 760.6 59.36 6046 6840 377 369.6 164.7 8717 645.1 768.4 489.6 1.238e+004 1246 1051 661.3 1.799e+004 1497 1285 450.5 2.895e+004 2247 2493 467.8 6306 7191 359 329.3 109.2 9381 758.1 681.9 409.4 1.381e+004 988.7 1081 597.1 2.097e+004 1810 904 350.4 3.548e+004 1335 598 250.6 6084 7167 317.9 218.4 101.3 9711 649.2 427 334.3 1.48e+004 799.4 843.1 467.9 2.342e+004 1225 1125 328.5 4.088e+004 2346 1459 235.9 6051 6967 325.1 244 126.5 9089 623.7 465.9 400 1.32e+004 850.9 928.5 495.3 1.963e+004 1936 1192 203.5 3.249e+004 2898 1276 260.1 5488 6414 406.9 221.7 109 8586 707.5 409.9 461.2 1.313e+004 724.3 866.2 366.5 2.163e+004 1181 1169 437.1 3.876e+004 768.5 2772 294.3 2564 2987 243.3 168.6 76.33 3998 460.8 325.3 289.6 6096 767.1 315.4 392.1 9641 452.1 332.8 172.5 1.678e+004 330.4 590.9 110.3 2499 2953 202.9 145.1 77.82 3971 486.9 276 282.9 5988 437.9 469.1 225.7 9330 724.9 289.6 139.6 1.605e+004 810.1 441.8 112.2 6315 7213 371.9 260.5 135 9349 872.9 779.4 465.8 1.375e+004 1775 1036 602.7 2.131e+004 1187 812.9 552.4 3.665e+004 1109 1375 210.2 2720 3240 278.6 175.5 106.8 4402 776.4 253.5 236.4 6780 805.4 442.5 239.2 1.056e+004 1287 654.8 235 1.812e+004 726.2 418.2 217.7 2733 3298 401 228.8 89.42 4623 633.2 462.9 295.3 7319 1062 991.3 340.3 1.247e+004 1099 1045 551.5 2.292e+004 1196 924.4 168.9 4961 5895 208.1 146.9 113.1 8073 350.7 233.5 177 1.242e+004 530.3 405.7 194.4 1.993e+004 461.5 540.6 161.4 3.497e+004 633.3 896.9 112.8 5380 6361 206.9 217.1 157.2 8625 292.9 273.8 256.3 1.317e+004 278.1 288.5 282.9 2.131e+004 555.2 747.5 277.5 3.764e+004 544.7 823 154.8 4701 5559 187.5 123.9 104.6 7522 300 181.1 135.3 1.145e+004 408.6 196.9 162.8 1.844e+004 373.7 625.4 100 3.254e+004 1012 1419 178.3 6014 6869 224 182.4 131.8 8902 374.2 315.2 298.4 1.309e+004 596.9 424.7 265.1 2.056e+004 1165 641.4 375 3.566e+004 1162 1128 261.5 4113 4941 160.7 115.1 85.21 6824 217.4 129.2 135.5 1.058e+004 152.1 192.4 104.5 1.719e+004 209.1 261.8 122.2 3.036e+004 95.93 520.3 29.82 4589 5515 238.6 161.5 139.6 7550 414.7 375.5 299.4 1.162e+004 507 465.7 398.1 1.893e+004 730.1 446.5 135.8 3.353e+004 313.3 351.3 90.84 Luận văn Thạc sỹ Ngày 30-06-2006 101 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường 6973 7862 226 168.3 67.73 9835 450.6 341.1 251.7 1.352e+004 1122 728.6 386.4 1.904e+004 1745 1453 281.7 2.961e+004 3312 3298 274.8 6329 7160 228.2 185.9 74.73 8986 565.5 434.4 227.8 1.244e+004 1426 510.6 470.7 1.76e+004 2092 1693 590.3 2.741e+004 4346 3131 344.5 6043 7004 234.2 182.4 97.52 9166 545.7 467.9 288.6 1.334e+004 965.6 881.9 398.4 1.969e+004 1166 790.7 226.1 3.221e+004 2503 3384 530.1 6323 7429 174.6 170.5 69.73 9848 515.1 450 281.6 1.448e+004 807 899.8 372.1 2.205e+004 992.9 1496 337.6 3.694e+004 1521 1956 274.1 2154 2663 324.2 192.6 61.04 3865 690 414.8 279.9 6336 1067 598 357.7 1.061e+004 713.5 884.6 248.1 1.922e+004 955.8 1706 163.6 6464 7409 208 230 63.37 9729 399.8 465.2 243.1 1.43e+004 566.4 884.6 438.9 2.13e+004 588.3 731.6 218.8 3.547e+004 2336 1923 176 2446 2895 450.5 129.6 74.32 3862 613.4 297.7 263.1 5734 1012 359.1 324.4 9258 1664 920 190.2 1.635e+004 2315 1800 165.2 6478 7629 186.6 169.6 78.36 1.022e+004 471.3 406.7 250.6 1.539e+004 484.3 681.4 409.1 2.445e+004 934.4 773.7 175.9 4.258e+004 1930 735 195.8 6693 7736 236.5 333.9 73.8 1.017e+004 501.6 654.7 338.8 1.498e+004 803.1 816.3 610.1 2.244e+004 721 961.8 339.4 3.718e+004 1207 2310 443 2871 3395 420.3 125.8 78.53 4479 684.4 258.4 262.5 6579 931.4 384.8 417.2 9842 1000 646.8 336.8 1.62e+004 2883 855.2 262.1 5908 6994 318.6 311.4 150.5 9434 758.1 593 428.1 1.432e+004 1025 772.7 1047 2.26e+004 1320 1445 501.5 3.919e+004 796.9 1709 578.1 6295 7619 255.7 193.4 72.23 1.05e+004 394.7 499.6 286.5 1.619e+004 630.8 421.9 485.9 2.642e+004 552.9 1020 297.6 4.671e+004 1259 1152 97.79 6516 7650 272.6 200.9 73.88 1.034e+004 832.2 556.3 333.6 1.585e+004 646.9 706.8 427.1 2.581e+004 1074 635.7 401.6 4.574e+004 2715 607.1 644.4 6029 7275 328 360.3 112.2 1.016e+004 697.2 694.7 449.9 1.611e+004 998.5 980.2 391 2.659e+004 1877 894.3 373.8 4.746e+004 2198 1687 336.1 2008 2442 231.6 119.8 70.31 3334 781.2 272.1 232.7 5168 618.9 503.4 266.7 8539 580.3 221.6 125.4 1.526e+004 1025 575.4 149.3 5954 7168 280.3 200 57.66 9815 463.6 561.9 283.4 1.507e+004 738 685.7 269.5 2.46e+004 966.9 277.9 143.8 4.35e+004 1105 2109 305.3 2925 3796 445.2 235.5 86 5641 872.4 534 375.7 9109 1751 1069 554.7 1.546e+004 1157 820.9 311.5 2.801e+004 1573 1819 487.7 6159 7429 319 295 118.6 1.033e+004 772 518.9 380.4 1.621e+004 906.5 924.9 451.1 2.665e+004 947.4 1123 375.7 4.743e+004 1302 1127 379.2 6641 7741 99.53 115.5 41.37 1.027e+004 299.8 292.2 109 1.52e+004 781.9 701.8 253 2.374e+004 1130 1265 237.2 4.094e+004 1654 739.4 280.2 5076 6211 191.4 129.1 47.65 8807 453.2 325.8 276 1.405e+004 934.8 391.1 449.6 2.374e+004 694.3 814.6 320.8 4.3e+004 1685 2487 337.3 7339 8562 110.2 62.62 27.32 1.142e+004 315.1 180 134.8 1.718e+004 622.3 356 196.1 2.729e+004 766.8 1154 223.9 4.772e+004 1413 548.9 121.2 7053 8187 75.39 94.78 39.3 1.089e+004 271.1 219.8 126.2 1.638e+004 781.5 Luận văn Thạc sỹ Ngày 30-06-2006 102 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường 398.1 250.3 2.636e+004 1648 475 262.5 4.663e+004 2519 3704 488.9 4590 5620 196.5 142.1 65.66 7942 571.8 296.9 201.3 1.263e+004 931.9 523.7 278.5 2.1e+004 759.3 529.3 360.6 3.77e+004 942.8 1422 320.9 6827 8201 132.7 130 50.49 1.13e+004 346.6 305.9 200.4 1.751e+004 829.9 497.4 297 2.843e+004 286.5 604.9 171.3 5.027e+004 760.6 693.8 183 6126 7252 104.4 116.2 34.27 9824 340.7 295.5 179.8 1.49e+004 617.6 533.8 278.4 2.319e+004 765.3 866.5 248.2 3.974e+004 716.1 1620 347.5 4425 5339 178.5 155.3 45.58 7365 639.4 340 181.2 1.141e+004 671 571.1 391.7 1.846e+004 1275 1231 217.9 3.241e+004 2664 699.6 416.9 6925 8217 119.9 127.6 44.97 1.124e+004 399 264.5 173 1.729e+004 508.8 604.4 210.9 2.773e+004 591.1 548.3 250.9 4.867e+004 999.9 802.7 238.2 4310 5169 157.6 136.4 50.15 7140 501.3 302.3 149.9 1.113e+004 722.1 547.2 305.2 1.82e+004 964 1042 484.2 3.224e+004 1346 1286 271.1 2868 3395 124.1 95.45 35.89 4694 383.3 325.8 188.1 7239 525.5 505.3 252 1.085e+004 1126 695.8 306.8 1.827e+004 1391 890.8 181.1 7252 8232 130 110 37.09 1.063e+004 439.9 347 168.8 1.536e+004 654.1 575.6 346 2.294e+004 1028 1610 430.1 3.84e+004 1809 1564 300.2 7729 8971 67.02 93.66 21.42 1.199e+004 179.2 260.6 97.44 1.809e+004 241.3 523 176.8 2.832e+004 752.6 699.6 142.3 4.888e+004 969.9 943.6 187.4 1841 2181 138.6 75.01 32.19 3006 232.2 208.7 129.9 4684 349.7 359.6 236.6 7534 677.4 334 222.9 1.326e+004 910.7 760.2 348 6992 8109 134.6 122.9 40.71 1.08e+004 295.7 326.7 181.3 1.62e+004 589.9 348.9 345.4 2.524e+004 772.3 1432 245.3 4.349e+004 2096 2341 372.9 7699 9117 64.14 56.06 23.55 1.233e+004 92.43 274.6 73.96 1.87e+004 267.2 256 136.3 2.993e+004 617.4 1230 187.3 5.243e+004 777.6 376.7 157.3 7586 9043 65.48 42.03 24.08 1.232e+004 132.5 162.1 80.68 1.884e+004 115.3 358.6 126.8 3.023e+004 603.7 334.6 106.8 5.292e+004 610.4 543 123.8 6830 7850 149.7 101.5 45.02 1.037e+004 309.4 304.8 183.6 1.545e+004 613 729.3 340.1 2.398e+004 705.8 660.9 254.7 4.138e+004 2526 1349 256.6 7375 8791 56.77 90.98 30.78 1.188e+004 120.7 374.9 129.3 1.799e+004 363.8 354.7 161.7 2.895e+004 497.6 1871 141.1 5.084e+004 992.4 772.2 141 7097 8095 318.8 138.1 55.86 1.055e+004 633.6 296.7 167.5 1.545e+004 806.8 542 331.6 2.348e+004 510 1142 126 3.98e+004 1244 885.6 154.4 7366 8429 253.5 121.3 86.4 1.101e+004 506.2 260.4 179.3 1.617e+004 473.4 563.6 228.4 2.475e+004 516.5 536 123.9 4.206e+004 1453 1266 201.4 7501 8790 92.25 90.26 42.29 1.188e+004 281 215 132.5 1.814e+004 497.6 283.3 289.3 2.911e+004 448.5 317.4 114.9 5.123e+004 945.5 1791 275.6 7802 9194 123 74.83 32.63 1.244e+004 188.2 125.7 89.9 1.891e+004 517.1 203.4 122.5 3.003e+004 251.6 357.3 78.28 5.231e+004 357.1 552 47.96 7926 9377 109.2 44.82 25.15 1.279e+004 184.8 116.8 70.06 1.966e+004 252.7 183.6 94.98 3.152e+004 156 369.4 82.48 5.526e+004 372 667.7 121 7171 8428 220.7 148.7 61.27 1.134e+004 518 273.4 250 1.711e+004 503 417.2 211.3 2.676e+004 396.3 451 203.4 4.6e+004 731.1 1317 190.9 Luận văn Thạc sỹ Ngày 30-06-2006 103 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường 7386 8709 222.7 104.9 75.96 1.181e+004 506 233.7 142.7 1.804e+004 421.9 254 209.2 2.879e+004 405.1 356.2 130.3 5.035e+004 737.5 749.9 122.2 7939 9384 94.13 42.55 21 1.28e+004 214.3 122.7 97.88 1.966e+004 324.9 215.5 82.22 3.154e+004 232.1 364.7 65.58 5.534e+004 526 544.9 115.6 4363 4989 588.5 529.3 209.3 6358 899.1 730.3 542.4 8911 1436 1344 451.8 1.268e+004 2021 1437 227 2e+004 2848 3508 589.1 2471 2892 225.1 99.82 78.09 3941 346.9 141.3 147 6025 386.2 221.1 191 9401 807.2 342 185.1 1.63e+004 1144 760.3 69.18 3590 3929 339.9 268.3 127.6 4809 591.6 431.5 274.3 6618 789.9 446.1 415.9 9408 1055 494 474.6 1.522e+004 662.6 1441 240.7 2715 3183 304.5 165.7 92.24 4352 608.8 284.2 331.7 6753 470.7 257.8 335.7 1.056e+004 1092 267.2 194 1.828e+004 550.1 751.3 158 2268 2609 219.2 265.2 112.9 3435 476.6 470.3 315.3 5089 548.2 555.3 305.6 7620 294.4 659.1 237.2 1.271e+004 654.4 802.1 124 3645 4214 420.1 220.6 127.7 5531 701.1 423.8 346 8189 621.8 722.9 428 1.271e+004 869.2 749.6 237.2 2.181e+004 560 692.2 114.8 3400 4071 270.7 162.4 76.18 5559 409.5 360.8 257.6 8431 518.7 507.2 294.8 1.304e+004 692.3 575.8 133.5 2.218e+004 1708 587.2 165.7 3378 3878 309 230.4 105 5206 547.8 402 376.5 7920 484.6 367 278.1 1.191e+004 622.5 556.8 200.8 2.01e+004 1165 821.2 82.41 3629 4284 450.6 242.7 84.46 5813 727.5 435.3 453.4 8895 843.8 519.7 419.8 1.413e+004 601.5 549.7 309.7 2.465e+004 1281 693 149.7 7468 8607 56.86 52.93 22.91 1.145e+004 166.1 110.6 71.06 1.717e+004 342.6 343.7 99.74 2.678e+004 358.5 276.3 99.61 4.629e+004 896.8 607.9 122.4 7469 8617 201.8 103 52.01 1.146e+004 348 220.2 152.6 1.717e+004 566.1 495.6 209 2.678e+004 489.4 624.7 123.7 4.625e+004 934.2 737 131.2 5944 7006 280.5 138.7 66.87 9512 611.1 427.1 397.3 1.458e+004 508.7 570.2 388 2.343e+004 422.4 465.9 297.3 4.119e+004 258.5 517.1 151.4 6083 7188 313.4 194.6 84.04 9758 556.3 523.8 477.6 1.495e+004 594.7 441.8 349.9 2.383e+004 425.2 400.6 169.3 4.158e+004 239.9 687.2 127.5 5938 6647 417.5 340.2 109 8560 687.7 542.3 437.9 1.248e+004 806.8 619.5 281.6 1.852e+004 967.3 1017 239.4 3.101e+004 2062 554.2 211.3 3858 4515 437.7 423.8 230.9 6040 816.6 601.8 461.1 9123 608.3 550.7 596.9 1.431e+004 605.3 842.9 282.5 2.463e+004 774.1 1344 313.5 6716 7641 377.3 394.2 130.7 9914 469.7 576.6 363.9 1.442e+004 1107 746.5 359.5 2.141e+004 1202 984.9 302.3 3.548e+004 2393 3314 456.5 7293 8532 231.4 300.6 83.65 1.144e+004 369.8 353.2 254.3 1.723e+004 629.8 348.6 301.5 2.676e+004 455.6 620.4 168.8 4.584e+004 1066 932.4 125.4 7343 8606 351.6 228.4 125.1 1.164e+004 671.5 330.4 232.8 1.772e+004 1300 554.3 197.3 2.821e+004 313.9 542.4 184 4.929e+004 953.1 946 182.2 2965 3576 440.7 461.4 175.7 4931 754.1 488.8 501.5 7621 715.9 544.2 521.4 1.239e+004 485 938.5 306.5 2.189e+004 685.8 1480 286.5 2162 2564 383.2 501.5 209.2 3377 616.6 656.9 413.2 4922 1116 Luận văn Thạc sỹ Ngày 30-06-2006 104 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường 545.6 404.8 7287 1879 1146 375.3 1.197e+004 1196 2348 400.3 7420 8779 254 229.9 116.9 1.186e+004 383.1 348.5 266.3 1.795e+004 477 338.6 237.7 2.851e+004 1563 482.9 182.2 4.969e+004 939 890.4 187.7 6979 8179 282.8 339.9 123.1 1.104e+004 708.5 472.3 391.1 1.678e+004 983 533 293.8 2.636e+004 426.6 691.6 223 4.569e+004 1760 399.1 212.7 2955 3264 517.3 575.6 296.7 4174 845.1 719.9 616.7 6116 1031 419.8 411.6 8943 614.2 456 145.6 1.476e+004 1980 979.1 169.5 3202 3824 483.2 544.3 208.4 5377 647.8 643.8 449.1 8482 1678 462.5 461.3 1.42e+004 587 496.6 156 2.566e+004 891.4 917.8 152 7274 8575 286 234.6 75.45 1.165e+004 358 427.7 287.6 1.785e+004 485.6 415.5 295.8 2.838e+004 355.8 361.4 148.6 4.953e+004 752.4 647.7 173.6 7134 8223 288.8 287.6 119.1 1.085e+004 525.9 442.9 274 1.618e+004 593.3 646.5 270.7 2.539e+004 596.6 699.8 164.4 4.411e+004 898.3 1343 222.1 7260 8631 239.3 272.1 112.3 1.185e+004 379.1 386.7 311.7 1.829e+004 376.6 574 264.9 2.922e+004 338.7 251.4 181.6 5.108e+004 540.2 219.6 81.73 6771 7785 380 370.6 150.6 1.011e+004 486.9 522.8 359.3 1.459e+004 876.1 599.3 384.4 2.143e+004 1198 1649 317.4 3.482e+004 2538 2289 333.8 3726 4365 396.9 416.3 191.2 5875 820.3 611.4 652.3 8980 975.7 645.6 312.1 1.452e+004 1044 590.8 277.8 2.57e+004 1655 803.3 392.9 3451 3818 502.5 592.3 219.7 4638 870.7 852.6 484.7 6357 1014 480.7 523.5 9083 1366 484 331.6 1.461e+004 2193 1204 149.6 3000 3613 472.5 591 221.4 5021 864 541.4 454.5 7864 909.3 550.3 294.8 1.294e+004 1030 523.6 106.9 2.298e+004 1095 476.4 188.5 4945 5498 565 417.6 235.5 6814 950.5 788.1 526.9 9523 1169 1392 575.8 1.456e+004 2062 1830 563.7 2.527e+004 2234 1577 554.4 4883 5406 457 421.6 135.5 6581 886.6 761.5 573.6 9014 898.4 1072 713.7 1.357e+004 2181 1695 476.7 2.321e+004 2305 1868 953.4 6618 7437 200.9 202.9 52.38 9457 358.4 388.2 232.5 1.347e+004 838.6 679.2 399.5 1.934e+004 559.9 1250 274.8 3.123e+004 3304 3050 444.5 7330 8462 146.7 131.5 57.03 1.104e+004 405.8 224.8 204.3 1.598e+004 868.4 524.7 236.1 2.364e+004 1216 1363 301.6 3.864e+004 1896 2515 239.2 5726 6597 354.9 227.9 76.61 8651 717.1 551.6 385.1 1.276e+004 984.9 1099 755.7 2.001e+004 1427 1775 394.1 3.481e+004 838.4 2143 296.2 6910 8017 264.6 159.6 85.15 1.067e+004 423.7 386.4 226.8 1.602e+004 1101 503 356.8 2.473e+004 705.7 1421 384.8 4.235e+004 1295 1583 351.1 5525 6366 330.1 216.3 112.4 8341 744.5 604.1 373.1 1.228e+004 1048 866.3 646.8 1.869e+004 1324 710.6 431.5 3.162e+004 1717 815 683.9 6840 7894 130.7 104.9 69.86 1.045e+004 205.7 212.6 118.1 1.559e+004 332.9 343.2 178.5 2.414e+004 543.6 466.6 128.1 4.141e+004 861.4 722.9 119.3 Luận văn Thạc sỹ Ngày 30-06-2006 105 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường TÀI LIỆU THAM KHẢO [1] S.Sitharama Lyengar, E.C.Cho, and Vir V.Phoha, “Foundations of Wavelets Networkss and Applications”, Chapman & Hall/CRC Press LLC, 2002 [2] Sunghwan Sohn, “Evolving Neural Networkss In Classification”, Proquest Information Company, 2003, USA [3] William K Pratt, “Digital Image Processing”, Third Edition, John Wiley & Sons, Inc, 2001 [4] Sunghwan Sohn, “Evolving Neural Networks In Classification”, Proquest Information Company, 2003, USA [5] S.Sitharama Lyengar, E.C.Cho, and Vir V.Phoha, Foundations of Wavelets Networkss and Applications, Chapman & Hall/CRC Press LLC, 2002 [6] Lei Wang, Yinling Nie, Weike Nie, and Licheng Jiao, “A Novel Classifier with the Immune-Training Based wavelets neural Networks”, SpringerVerlag Berlin Heidelberg, 2005 [7] Tamer Olmez, and Zumray Dokur, “Application of InP Neural Networks To ECG Beat Classification”, Springer-Verlag London Limited, 2003 [8] Yu Shi, and Xian-Da Zhang, “A Gabor Atom Networks for Signal Classification With Application in Radar Taget Recognition”, IEEE Trans Signal Processing, vol 49, pp 2994-3004, Dec 2001 [9] Weidong Xu, Shunren Xia, and Hua Xie, “Application of CMAC-Based Networkss on Medical Image Classification”, Springer-Verlag Berlin Heidelberg, pp 953-958, 2004 [10] Daniel Strauss, Jens Jung, Andreas Rieder, and Yiannos Manoli, “Classification of Endocardial Electrograms using Adapted Wavelets Packets and neural Networkss”, Annals of Biomedical Engineering, Vol 29, pp 483492, 2001 [11] Bicheng Li, and Hujun Yin, “Face Recognition Using RBF Neural Networkss and Wavelets Transform”, Springer-Verlag Berlin Heidelberg, pp 105-111, 2005 [12] Leopoldo Angrisani, Pasquale Daponte, and Massimo D’Apuzzo, “Wavelets Networks-Based Detection and Classification of Transients”, IEEE Trans Instrum Meas., vol 50, pp 1425-1435, Oct.2001 [13] Luiza Antonie, “Automated Segmentation and Classification of Brain Magnetic Resonance Imaging” , C615 Project, www.cs.ualberta.ca/~luiza/c615/proj.pdf [14] Cristian A.Cocosco, “Automatic Generation of Training Data for Brain Tissue Classification from MRI”, Department of Electrical and Computer Engineering, McGill University, 2002, National Library of Canada [15] Huaxin You, “Classification and Feature Extraction Methods with Applications to Image Database Retrieval”, ProQuest Information and Learning Company, 2002, USA [16] Chunyan Jiang, Xinhua Zhang, Wanjun Huang, Christoph Meinel, “Segmentation and Quantification of Brain Tumor”, 2004, IEEE International Conference on Virtual Environments Luận văn Thạc sỹ Ngày 30-06-2006 106 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường [17] Bo Zhou, Aiguo Shi, Feng Cai, and Yongsheng Zhang, “Wavelets Neural Networkss for Nonlinear Time Series Analysis”, Springer-Verlag Berlin Heidelberg, pp 430–435, 2004 [18] Erhan Gokcay, “A New Clustering Algorithm For Segmentation Of Magnetic Resonance Images”, Bell & Howell Information and Learning Company, 2000, USA [19] Yi Liao, “Neural Networks for Pattern Classification and Universal Approximation”, ProQuest Information and Learning Company, 2003, USA [20] H.D Cheng, Xiaopeng Cai, Xiaowei Chen, Liming Hu, Xueling Lou, “Computer-Aided Detection And Classification Of Microcalcifications In Mammograms: A Survey”, The Journal Of The Pattern Recognition Society, 2003 [21] Armando Bazzani, “Automatic Detection Of Clustered Microcalcifications In Digital Mammograms Using An SVM Classifier”, European Symposium on Artificial Neural Networks Bruges, 2000, Belgium [22] Draiko Furundiit, “Artificial Neural Networks for Early Breast Carcinoma Detection”, IEEE Trans Med Imaging, 1996 [23] Osamu Tsujii, “Classification Of Microcalcifications In Digital Mammograms Using Trend-Oriented Radial Basis Function Neural Network”, The Journal Of The Pattern Recognition Society, 1998, Hollands [24] Lina Arbash Meinel, “Development Of Computer-Aided Diagnostic System For Breast MRI Lesion Classification”, ProQuest Information and Learning Company, 2005, USA [25] H D Cheng, C H Chen, and R I Freimanis, “A Neural Network For Breast Cancer Detection Using Fuzzy Entropy Approach”, ieeexplore.ieee.org/iel3/4052/11608/00537600.pdf [26] Hussein A Abbass, “An Evolutionary Artificial Neural Networks Approach for Breast Cancer Diagnosis”, University of New South Wales [27] Yateen Chitre, “Artificial Neural Network Based Classification of Mammographic Microcalcifications Using Image Structure and Cluster Features”, Department of Electrical and Computer Engineering, University of Cincinnati, 1994, USA [28] Celia Varela, “Computerized Detection Of Breast Masses In Digitized Mammograms”, Computers in Biology and Medicine, 2005, [29] J.C Fu, “Image Segmentation Feature Selection And Pattern Classification For Mammographic Microcalcifications”, Computerized Medical Imaging and Graphics, 2005, www.elsevier.com/locate/compmedimag [30] László Lasztovicza, “Neural Network Based Microcalcification Detection in a Mammographic CAD System”, Budapest University of Technology and Economics,Hungary, http://home.mit.bme.hu/~szekelyn/pub/idaacs_lvov2003.pdf Luận văn Thạc sỹ Ngày 30-06-2006 107 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường LÝ LỊCH TRÍCH NGANG Họ tên: PHAN HỌC Ngày, tháng, năm sinh: 15-02-1978 Nơi sinh: Quế Sơn, Quảng Nam Địa liên lạc: Thôn 3, Quế Cường, Quế Sơn, Quảng Nam QUÁ TRÌNH ĐÀO TẠO Từ tháng 09 năm 1996 đến tháng 07 năm 2001 học đại học Trường Đại Học Kỹ Thuật Đà Nẵng, chuyên ngành Điện Tử Viễn Thông Từ tháng 09 năm 2002 đến tháng 07 năm 2004 học thạc só Trường Đại Học Bách Khoa, Đại Học Quốc Gia TP.HCM, chuyên ngành GIS Từ tháng 09 năm 2004 đến học thạc só Trường Đại Học Bách Khoa, Đại Học Quốc Gia TP.HCM, chuyên ngành Kỹ Thuật Vô Tuyến Điện Tử QUÁ TRÌNH CÔNG TÁC Từ tháng 08 năm 2001 đến tháng 04 năm 2005 làm việc Phòng Thí Nghiệm Viễn Thám GPS thuộc Trung Tâm Công Nghệ Thông Tin Địa Lý, Trường Trường Đại Học Bách Khoa TP.HCM Từ tháng 05 năm 2005 đến làm cán giảng dạy môn Điện Tử Viễn Thông, Khoa Điện -Điện Tử Viễn Thông, Trường Đại Học Giao Thông Vận Tải TP.HCM KỸ NĂNG + Lập trình Visual C++, C, Visual Basic + Ngôn ngữ mô phỏng: Matlab + Đọc tốt tài liệu chuyên ngành tiếng Anh + Tiếng Anh giao tiếp tốt + Kỹ vận hành máy thu GPS độ xác vi cấp, xử lý ảnh viễn thám, phân tích thiết kế hệ thống nhúng SỞ THÍCH Đọc báo, xem tin tức thời quốc tế, nghe nhạc, xem hài kịch Thích đọc sách vật lý học, sức khỏe tâm lý học Thích đường dài, tập thể thao Luận văn Thạc sỹ Ngày 30-06-2006 108 ThS Phan Hoïc ... TÀI: BỘ PHÂN LỚP ĐỐI TƯNG ỨNG DỤNG MẠNG WAVELETS NEURAL II NHIỆM VỤ VÀ NỘI DUNG: − − − − − Tìm hiểu sở lý thuyết mạng wavelets neural, lý thuyết wavelets Phân tích thiết kế phân lớp đối tượng. .. Tìm hiểu sở lý thuyết mạng neural, lý thuyết wavelets Phân tích thiết kế phân lớp đối tượng dùng mạng wavelets neural Cài đặt mô hình phân lớp đối tượng dùng mạng wavelets neural Thực nghiệm đánh... Thạc sỹ Ngày 30-06-2006 ThS Phan Học Bộ phân lớp đối tượng ứng dụng mạng wavelets neural GVHD: PGS.TS Lê Tiến Thường Hình 3.1 Mô hình mạng phân lớp ảnh wavelets neural 69 Hình 3.2 Lưu đồ giải