Nghiên cứu trình bày sự phát triển một mô hình kết hợp giữa tính toán hạt với các độ đo tương đồng mờ phức. Trước hết, độ đo tương đồng mờ phức được sử dụng để đánh giá độ tương đồng giữa các mẫu bệnh chuẩn với mẫu cần chẩn đoán.
TNU Journal of Science and Technology 226(07): 121 - 127 GRANULAR COMPUTING BASED ON COMPLEX FUZZY SIMILARITY MEASURES IN DENTAL DIAGNOSIS SUPPORT Tran Manh Tuan1,2,3*, Tran Thi Ngan3, Vu Anh Tuan4 University of Science and Technology – VAST, 2Institute of Information Technology - VAST University, 4TNU - University of Medicine and Pharmacy 1Graduate 3Thuyloi ARTICLE INFO ABSTRACT Received: 09/3/2021 The application of support techniques in disease examination is an important factor in reducing the overloading of doctors The problem is howcome the technologies can increase the accuracy of diagnosing In this paper, we develop an model integrating granular computing and complex fuzzy similarity measures Firstly, complex fuzzy similarity measures are used in order to evaluate the similarity degree among standard samples and the diagnosis samples Then, the granular computing is applied to select the highest ability of the disease that the patients can be affected The proposed model is implemented on dental dataset including X-ray images of wisdom teeth deviate The experimental results show that the novel model gets higher accuracy than other related methods This research supports to the dentists in wisdom teeth deviate diagnosing Revised: 11/5/2021 Published: 24/5/2021 KEYWORDS Granular computing Complex fuzzy theory Diagnosis support Dentistry Similarity measures TÍNH TỐN HẠT DỰA TRÊN ĐỘ ĐO TƯƠNG ĐỒNG MỜ PHỨC TRONG HỖ TRỢ CHẨN ĐOÁN NHA KHOA Trần Mạnh Tuấn1,2,3*, Trần Thị Ngân3, Vũ Anh Tuấn4 1Học viện Khoa học Công nghệ - Viện hàn lâm Khoa học Công nghệ Việt Nam Viện Công nghệ thông tin - Viện hàn lâm Khoa học Công nghệ Việt Nam 3Trường Đại học Thủy lợi, 4Trường Đại học Y Dược - ĐH Thái Nguyên THÔNG TIN BÀI BÁO Ngày nhận bài: 09/3/2021 Ngày hoàn thiện: 11/5/2021 Ngày đăng: 24/5/2021 TỪ KHĨA Tính tốn hạt Lý thuyết mờ phức Hỗ trợ chẩn đoán Nha khoa Độ đo tương tự TĨM TẮT Việc ứng dụng cơng nghệ trợ giúp trình thăm khám bệnh nhân tố quan trọng việc giảm tải công việc bác sĩ Vấn đề đặt làm để cơng nghệ nâng cao xác chẩn đốn Trong nghiên cứu này, phát triển mô hình kết hợp tính tốn hạt với độ đo tương đồng mờ phức Trước hết, độ đo tương đồng mờ phức sử dụng để đánh giá độ tương đồng mẫu bệnh chuẩn với mẫu cần chẩn đốn Sau tính tốn hạt áp dụng để lựa chọn xem bệnh có khả mắc cao Mơ hình đề xuất thực nghiệm liệu ảnh nha khoa bao gồm ảnh X-quang bệnh khôn mọc lệch Kết thực nghiệm chứng tỏ mơ hình có độ xác tốt so với số phương pháp khác Kết nghiên cứu hỗ trợ nha sĩ chẩn đốn bệnh khơn mọc lệch DOI: https://doi.org/10.34238/tnu-jst.4128 * Corresponding author Email:tmtuan@tlu.edu.vn http://jst.tnu.edu.vn 121 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 Giới thiệu Nhu cầu chăm sóc sức khỏe Việt Nam ngày cao dẫn đến tình trạng tải hầu hết bệnh viện Việt Nam, đặc biệt bệnh viện tuyến trung ương Cùng với phát triển khoa học kỹ thuật việc sử dụng cơng nghệ khơng thể thiếu q trình hỗ trợ chẩn đốn Sự trợ giúp cơng nghệ khơng giảm tải cho bác sĩ làm việc bệnh viện mà nâng cao chất lượng chăm sóc sức khỏe người dân Zadeh [1] đề xuất tập mờ (FS) cách tiếp cận để biểu diễn xử lý kiện mơ hồ, không chắn Hệ thống suy luận mờ (FIS) sử dụng để tạo hệ luật mờ, áp dụng việc giải toán lĩnh vực khác phát [2], dự đoán [3], phân loại [4] Tập mờ phức (CFS) [5] phần mở rộng tập mờ, hàm thuộc bao gồm biên độ pha Sau đó, Ramot cộng [6] đề xuất khuôn khổ cho suy luận logic cách sử dụng lý thuyết CFS đặt tên logic mờ phức tạp (CFL) Mặc dù CFS phần mở rộng CFS không áp dụng trực tiếp ứng dụng, CFS coi khái niệm để làm cho hệ thống thơng minh có khả xử lý vấn đề khác [7] Gần đây, hệ suy luận mờ phức dựa Mamdani (M-CFIS) đề xuất [8] Một số hệ suy luận khác CFS phát triển hệ suy luận mờ phức kết hợp với mạng nơron (ANCFIS) hay với mơ hình TSK bậc cao [9] Setnes cộng [10] đề xuất đo độ tương tự mờ dựa việc so sánh hai luật mờ với Các độ đo tương tự mờ phức bao gồm khoảng cách mờ phức nghiên cứu [11] Các đề xuất giải số toán dự báo nhãn lớp cho liệu Tuy nhiên, việc kết hợp độ đo mờ để đưa kết tin cậy chưa đề cập nghiên cứu Tính tốn hạt (Granular Computing - GrC) mơ hình xử lý thơng tin phát triển trí tuệ nhân tạo hệ thống tập trung vào người Tính tốn hạt ban đầu gọi hạt thông tin kết hạt thông tin có liên quan đến nghiên cứu mờ xuất vào năm 1996 nghiên cứu Zadeh [1] Tuy nhiên, thuật ngữ tính tốn hạt, lần đề xuất giáo sư Lin [12] mơ hình điện tốn tổng hợp có hiệu giải phần tử hạt, tập tổng qt mơ hồ Mục tiêu tính tốn hạt xây dựng mơ hình tính tốn hiệu để xử lý lượng lớn liệu, thơng tin kiến thức Dựa phân tích kết công bố, nghiên cứu chúng tơi đưa mơ hình kết hợp tính tốn hạt với độ đo tương đồng mờ phức Trước hết, độ đo tương đồng mờ phức sử dụng để đánh giá độ tương đồng mẫu bệnh chuẩn với mẫu bệnh cần chẩn đốn Sau đó, tính toán hạt áp dụng để lựa chọn xem bệnh có khả mắc cao Dựa kết này, nhãn mẫu bệnh cần chẩn đoán xác định Từ hỗ trợ bác sĩ nhanh chóng chẩn đốn bệnh cho bệnh nhân với độ xác cao Bố cục phần báo sau: phần mô tả phương pháp đề xuất nghiên cứu này, phần trình bày kết thực nghiệm số đánh giá hiệu phương pháp so với số phương pháp khác Cuối kết luận hướng nghiên cứu thời gian tới trình bày phần báo Mơ hình kết hợp độ đo tương tự mờ phức tính tốn hạt Trong phần này, chúng tơi đưa mơ hình kết hợp độ đo tương tự mờ phức với tính tốn hạt hỗ trợ chẩn đốn GCFSM (Granular Complex Fuzzy Similarity Measures) (Hình 1) Từ mẫu bệnh thu thập ban đầu ảnh X-quang nha khoa xác định nhãn, mẫu cần kiểm tra xác định xem có bị bệnh hay khơng Nội dung liên quan đến trích chọn đặc trưng ảnh trình bày mục 2.1 Từ liệu đặc trưng ảnh, phần thực phần ảo số mờ phức xác định (mục 2.2) Sau đó, xác định độ tương đồng mờ phức mẫu bệnh (mục 2.3) mẫu cần kiểm tra với mẫu bệnh chuẩn Quá trình sử dụng tính tốn hạt để kết hợp độ đo mờ phức với nhãn trình bày mục 2.4 Sắp xếp giá trị tính tốn hạt nhãn để lựa chọn nhãn phù hợp đưa kết hỗ trợ chẩn đoán http://jst.tnu.edu.vn 122 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 Hình Mơ hình kết hợp độ đo tương tự mờ phức với tính tốn hạt 2.1 Trích chọn đặc trưng 2.1.1 Entropy, giá trị Edge cường độ [13] Entropy: đo lường mức độ ngẫu nhiên thông tin đạt phạm vi định tính cơng thức (1), (2) sau: 𝐿 𝑟(𝑥, 𝑦) = − ∑ 𝑝(𝑧𝑖 ) 𝑙𝑜𝑔2 𝑝 (𝑧𝑖 ) (1) 𝑖=1 Trong đó, z biến ngẫu nhiên, p(zi) xác suất pixel thứ i , i = 1,2, , L (L số điểm ảnh) 𝑟(𝑥, 𝑦) (2) 𝑅(𝑥, 𝑦) = 𝑚𝑎𝑥{𝑟(𝑥, 𝑦)} Giá trị edge cường độ: đo số thay đổi giá trị điểm ảnh khu vực xác định phương trình (3)-(5) ⌊𝑤/2⌋ ⌊𝑤/2⌋ (3) 𝑒(𝑥, 𝑦) = ∑𝑝=−⌊𝑤/2⌋ ∑𝑞=−⌊𝑤/2⌋ 𝑏(𝑥, 𝑦), 1, 𝑘ℎ𝑖 𝛻𝑓(𝑥, 𝑦) ≥ 𝑇1 (4) 𝑏(𝑥, 𝑦) = { 0, 𝑘ℎ𝑖 𝛻𝑓(𝑥, 𝑦) < 𝑇1 2 𝜕𝑔(𝑥, 𝑦) 𝜕𝑔(𝑥, 𝑦) (5) ) +( ) 𝜕𝑥 𝜕𝑦 Trong đó, 𝛻𝑓(𝑥, 𝑦) độ dài véctơ gradient; 𝑏(𝑥, 𝑦) 𝑒(𝑥, 𝑦) ảnh nhị phân cường độ ảnh X-quang tương ứng; 𝑇1 ngưỡng Chuẩn hóa giá trị edge cường độ, ta có phương trình sau đây: 𝑒(𝑥,𝑦) 𝐸(𝑥, 𝑦) = 𝑚𝑎𝑥{𝑒(𝑥,𝑦)}, (6) 𝛻𝑓(𝑥, 𝑦) = √( 𝐺(𝑥, 𝑦) = 𝑔(𝑥,𝑦) 𝑚𝑎𝑥{𝑔(𝑥,𝑦)} (7) 2.1.2 Mẫu nhị phân cục (Local Patterns Binary – LBP) [13] Đặc trưng sử dụng để xác định khác biệt phân đoạn ảnh Xquang Đặc trưng bất biến thay đổi cường độ ánh sáng bảo đảm trật tự mật độ điểm ảnh khu vực định Giá trị LBP tính theo bước sau đây: - Bước 1: Chọn cửa sổ có kích thước x với điểm ảnh trung tâm định (Hình 2) http://jst.tnu.edu.vn 123 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 - Bước 2: So sánh giá trị điểm ảnh xung quanh với điểm ảnh trung tâm cửa sổ Nếu giá trị điểm ảnh xét lớn giá trị điểm ảnh trung tâm đánh dấu 1, ngược lại giá trị điểm ảnh xung quanh xét nhỏ giá trị điểm ảnh trung tâm đánh dấu - Bước 3: Đặt tất giá trị nhị phân từ điểm ảnh góc bên trái đến điểm ảnh cuối theo chiều kim đồng hồ thành chuỗi 8-bit Sau chuyển sang hệ thập phân (8) 𝐿𝐵𝑃(𝑥𝑐 , 𝑦𝑐 ) = ∑7𝑛=0 𝑠(𝑔𝑛 − 𝑔𝑐 )2𝑛 , 𝑥 ≥ 𝑠(𝑥) = { (9) 𝐾ℎá𝑐 Hình Cách tính LBP 2.1.3 Đặc trưng Gradient Các bước sau tính tốn giá trị gradient [13] - Bước 1: Áp dụng lọc Gaussian với ảnh X-quang để giảm nhiễu - Bước 2: Áp dụng lọc Gaussian (DoG) để tính tốn khác biệt ảnh theo trục x y Mỗi điểm ảnh đặc trưng véctơ gradient - Bước 3: Chuẩn hóa véctơ gradient nhận véctơ hai chiều cho điểm ảnh (10) 𝜃(𝑧) = [𝑠𝑖𝑛 𝛼 , 𝑐𝑜𝑠 𝛼] Với α hướng véctơ gradient 2 𝑚(𝑥, 𝑦) = √(𝐿(𝑥 + 1, 𝑦) − 𝐿(𝑥 − 1, 𝑦)) + (𝐿(𝑥, 𝑦 + 1) − 𝐿(𝑥, 𝑦 − 1)) 𝜃(𝑥, 𝑦) = 𝑡𝑎𝑛 −1 (11) (12) (13) ((𝐿(𝑥 + 1, 𝑦 + 1) − 𝐿(𝑥 − 1, 𝑦 − 1))⁄(𝐿(𝑥 + 1, 𝑦) − 𝐿(𝑥 − 1, 𝑦))) 𝐿(𝑥, 𝑦, 𝑘𝜎) = 𝐺(𝑥, 𝑦, 𝑘𝜎) ∗ 𝐼(𝑥, 𝑦) 2 𝐺(𝑥, 𝑦, 𝑘𝜎) = 𝑒 −(𝑥 +𝑦 )/(2𝜎 ) (14) √2𝜋𝜎 Trong đó, I (x, y) véctơ điểm ảnh, G (x, y, k) hàm Gaussian điểm ảnh, * toán tử chập x y, 𝜎là ngưỡng 2.1.4 Đặc trưng mức Patch Đặc trưng sử dụng để tính tồn véctơ gradient với điểm ảnh mức patch, biểu thị δ(z) [13] (15) 𝐹 (𝑃) = ∑ 𝑚 ̃ (𝑧)𝛿(𝑧) ℎ 𝑧∈𝑃 𝑚 ̃ (𝑧) = 𝑚(𝑧) (16) √∑𝑧∈𝑃 𝑚(𝑧)2 + 𝜀𝑔 Với m(z) biên độ gradient điểm ảnh z, 𝑚 ̃ (𝑧) giá trị tiêu chuẩn m(z) εg số δ(z) thường xác định phương pháp Hard Binning sau: 𝑑𝜃(𝑧) 𝑘ℎ𝑖 ⌊ ⌋=𝑖−1 2𝜋 𝛿ℎ (𝑧) = (17) 𝑑𝜃(𝑧) 𝑘ℎ𝑖 ⌊ ⌋≠𝑖−1 2𝜋 { http://jst.tnu.edu.vn 124 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 2.2 Xác định phần thực phần ảo Từ liệu đặc trưng trích chọn, liệu thực liệu ảo xây dựng sau: Với liệu mẫu xác định nhãn: - Dữ liệu thực xác định giá trị liệu gốc - Dữ liệu ảo mẫu P đặc trưng Q xác định var.P (hàng) + var.Q (cột) đó: + var.P (hàng) phương sai hàng hàng P; + Var.Q (cột) phương sai theo cột cột Q Với liệu mẫu liệu cần xác định nhãn: - Phần thực xác định giá trị liệu gốc - Phần ảo xác định sai số mẫu cần xác định nhãn so với liệu tập mẫu có nhãn 2.3 Độ đo tương tự mờ phức 2.3.1 Độ đo tương tự mờ phức Cosine Độ đo tương tự mờ phức cosine độ đo tính tốn phép tích vơ hướng bên hai véctơ chia cho tích hai độ dài véctơ Đó coi cosine góc hai véctơ biểu diễn hai tập mờ phức Chúng xác định sau: Cho hai tập mờ phức 𝑆1 = 𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) 𝑆2 = 𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) S với 𝑥 ∈ 𝑋 Độ đo tương tư mờ phức cosine (kí hiệu CFCSM) hai tập mờ phức S1 S2 định nghĩa theo công thức sau: (𝑎1 𝑏1 )(𝑎2 𝑏2 ) 𝐶𝐶𝐹𝑆 = 𝑛 ∑𝑛𝑗=1 (18) 2 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) Với 𝑎1 = 𝑅𝑒(𝑟𝑠1 𝐼𝑚(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ); ); 𝑏1 = √(𝑎1 𝑏1 ) +√(𝑎2 𝑏2 ) 𝐼𝑚(𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) ); 𝑎2 = 𝑅𝑒(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ); 𝑏2 = 2.3.2 Độ đo tương tự mờ phức Dice Cho hai tập mờ phức 𝑆1 = 𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) 𝑆2 = 𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) S với 𝑥 ∈ 𝑋 Độ đo tương tư mờ phức Dice (kí hiệu CFDSM) hai tập mờ phức S1 S2 định nghĩa theo công thức sau: 𝑛 𝐷𝐶𝐹𝑆 = ∑𝑛𝑗=1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) Với 𝑎1 = 𝑅𝑒(𝑟𝑠1 𝐼𝑚(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ); ); 𝑏1 = 2√𝑎1 𝑏1 𝑎2 𝑏2 𝑎1 𝑏1 + 𝑎2 𝑏2 𝐼𝑚(𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) ); 𝑎2 (19) = 𝑅𝑒(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ); 𝑏2 = 2.3.3 Độ đo tương tự mờ phức Jaccard Cho hai tập mờ phức 𝑆1 = 𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) 𝑆2 = 𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) S với 𝑥 ∈ 𝑋 Độ đo tương tư mờ phức Jaccard (kí hiệu CFJSM) hai tập mờ phức S1 S2 định nghĩa theo công thức sau: √𝑎1 𝑏1 𝑎2 𝑏2 𝑏1 + 𝑎2 𝑏2 )−(√𝑎1 𝑏1 + √𝑎2 𝑏2 ) 𝐼𝑚(𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) ); 𝑎2 = 𝑅𝑒(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ); 𝐽𝐶𝐹𝑆 = 𝑛 ∑𝑛𝑗=1 (𝑎 Với 𝑎1 = 𝑅𝑒(𝑟𝑠1 (𝑥)𝑒 𝑗𝑤𝑠1 (𝑥) ); 𝑏1 = 𝐼𝑚(𝑟𝑠2 (𝑥)𝑒 𝑗𝑤𝑠2 (𝑥) ) (20) 𝑏2 = 2.4 Tính tốn hạt Các giá trị độ đo mờ phức trình bày Mỗi độ đo tương đồng mờ phức vector mà thành phần giá trị độ đo mẫu gán nhãn với mẫu cần kiểm tra ứng với nhãn j theo độ đo trình bày (𝐷𝑗1 , 𝐷𝑗2 , 𝐷𝑗3) Khi đó, tính tốn hạt [6] sử dụng để tính khả mẫu xét gán nhãn j http://jst.tnu.edu.vn 125 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 𝐹𝑗 = 𝑎𝑗1 𝐷𝑗1 + 𝑎𝑗2 𝐷𝑗2 + 𝑎𝑗3 𝐷𝑗3 (21) Trong đó, 𝑎𝑗 , 𝑎𝑗 , 𝑎𝑗 tham số tính tốn hạt xác định trình thực Dựa vào kết thu được, nhãn có khả cao gán cho mẫu xét Điều hỗ trợ q trình chẩn đốn bệnh bác sĩ nhanh Một số kết thực nghiệm Dữ liệu thực nghiệm liệu thu thập từ bệnh nhân thăm khám điều trị Viện Đào tạo hàm mặt, trường Đại học Y Hà Nội Bộ liệu gồm 477 ảnh X-quang nha khoa từ 2018-2019, có 300 mẫu bệnh nhân có khơn mọc lệch 177 mẫu bệnh nhân khơng có khơn mọc lệch Loại ảnh thu thập ảnh X-quang chóp chụp hệ thống máy X-quang kỹ thuật số không dây hãng Aceton Trong thực nghiệm mình, chúng tơi sử dụng 250 mẫu có bệnh 150 mẫu khơng bệnh để huấn luyện mơ hình (mẫu gán nhãn) Các mẫu cịn lại, gồm 50 mẫu có bệnh 27 mẫu khơng bệnh loại bỏ nhãn (có/khơng có bệnh) để thực việc kiểm tra đánh giá Số liệu mô tả cụ thể bảng Bảng Mơ tả liệu Loại mẫu Có bệnh Khơng bệnh Tổng mẫu Số mẫu 300 177 477 Số mẫu huấn luyện 250 150 400 Số mẫu kiểm tra 50 27 77 Các độ đo dùng để đánh giá so sánh hiệu thuật toán đề xuất với thuật tốn có liên quan bao gồm: Time, Accuracy [14], Recall [14], Precision[14] Đồng thời, đánh giá hiệu mơ hình phát triển GCFSM với số mơ hình nghiên cứu gần FIS [15] SSFCFSM [16] Bảng Bảng kết thực nghiệm FIS SSFCFSM GCFSM Time 1.3256 1.6533 1.1663 Accuracy 0.8253 0.8653 0.8673 Recall 0.8355 0.8743 0.8532 Precision 0.8342 0.8536 0.8637 Kết thực nghiệm, đánh giá dựa độ đo đánh giá hiệu thuật toán liệu Dựa bảng kết (bảng 2) mơ hình phát triển nhóm phát triển GCFSM cho kết tốt với độ đo Time, Accuracy, Precision, cịn độ đo Recall thuật tốn SSFCFSM cho kết tốt Như vậy, dựa bốn độ đo đánh giá hiệu mơ hình phát triển cho kết tốt so với thuật toán so sánh Kết luận Trong báo này, phát triển dựa việc kết hợp tính tốn hạt với độ đo tương tự mờ phức Đóng góp báo đề xuất mơ hình kết hợp trình bày chi tiết phần Ngoài ra, kết thực nghiệm trình bày phần Trong nghiên cứu này, chúng tơi i) đưa mơ hình kết hợp tính tốn hạt với độ đo tương tự mờ phức; ii) cài đặt, thực nghiệm mơ hình kết hợp liệu ảnh X-quang nha khoa; iii) đánh giá so sánh mơ hình với thuật toán FIS, SSFCFSM Kết thực nghiệm rằng, hiệu mơ hình cải tiến tốt với độ đo Time, Accuracy, Precision thấp không đáng kể dùng độ đo Recall Nghiên cứu mở số hướng nghiên cứu phát triển tương lai cài đặt số ứng dụng toán hỗ trợ chẩn đoán bệnh khác; áp dụng thuật toán cải tiến kết hợp với đặc trưng nha khoa để xây dựng hệ hỗ trợ chẩn đốn nha khoa từ hình ảnh http://jst.tnu.edu.vn 126 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(07): 121 - 127 Lời cám ơn Nghiên cứu thực tài trợ đề tài sau tiến sĩ, mã số: GUST.STS.ĐT2018- TT01 từ Học viện Khoa học Công nghệ, Viện hàn lâm Khoa học Cơng nghệ Việt Nam Ngồi ra, nhóm tác giả xin chân thành cảm ơn hỗ trợ hợp tác từ đơn vị phối hợp, Viện Công nghệ thông tin, Viện hàn lâm Khoa học Công nghệ Việt Nam TÀI LIỆU THAM KHẢO/ REFERENCES [1] Zadeh and A Lotfi, "Fuzzy sets," In Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers by Lotfi A Zadeh, 1996, pp 394-432 [2] C Troussas, K Chrysafiadi, and M Virvou, "An intelligent adaptive fuzzy-based inference system for computer-assisted language learning," Expert Systems with Applications, vol 127, pp 85-96, 2019 [3] A Mensah, Rhoda, J Xiao, O Das, L Jiang, Q Xu, and M O Alhassan, "Application of Adaptive Neuro-Fuzzy Inference System in Flammability Parameter Prediction," Polymers, vol 12, no 1, 2020, Art no 122 [4] A Bakhshipour, H Zareiforoush, and I Bagheri, "Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features," Journal of Food Measurement and Characterization, vol 3, no 3, pp 1-15, 2020 [5] D Ramot, R Milo, M Friedman, and A Kandel, "Complex fuzzy sets," IEEE Transactions on Fuzzy Systems, vol 10, no 2, pp 171-186, 2002 [6] D Ramot, M Friedman, G Langholz, and A Kandel, "Complex fuzzy logic," IEEE Transactions on Fuzzy Systems, vol 11, no 4, pp 450-461, 2003 [7] T Chia-Hao and C Li "Multiple Function Approximation-A New Approach Using Complex Fuzzy Inference System," Asian Conference on Intelligent Information and Database Systems, Springer, Cham, 2018, pp 243-254 [8] G Selvachandran, S G Quek, T H L Luong, L G Nguyen, W Ding, M Abdel-Basset, and V H C Albuquerque, "A new design of Mamdani complex fuzzy inference system for multi-attribute decision making problems," IEEE Transactions on Fuzzy Systems, vol 28, no 5, pp 858-873, 2019 [9] Z Chen, S Aghakhani, J Man, and S Dick "ANCFIS: A neurofuzzy architecture employing complex fuzzy sets," IEEE Transactions on Fuzzy Systems, vol 19, no 2, pp 305-322, 2010 [10] M Setnes, R Babuska, U Kaymak, and H R van N Lemke, "Similarity measures in fuzzy rule base simplification," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol 28, no 3, pp 376-386, 1998 [11] A U M Alkouri and A R Salleh, "Linguistic variable, hedges and several distances on complex fuzzy sets," Journal of Intelligent & Fuzzy Systems, vol 26, no 5, pp 2527-2535, 2014 [12] H Liu and M Cocea, "Granular computing-based approach of rule learning for binary classification," Granular Computing, vol 4, no 2, pp 275-283, 2019 [13] L H Son and T M Tuan, "Dental segmentation from X-ray images using semi-supervised fuzzy clustering with spatial constraints," Engineering Applications of Artificial Intelligence, vol 59, pp 186-195, 2017 [14] M T Tran, M C Pham, M Ali, T N Tran, M Mittal, and H S Le, "Fuzzy and neutrosophic modeling for link prediction in social networks," Evolving Systems, vol 10, no 4, pp 629-634, 2019 [15] M T Tran, T D Nguyen, V H Pham, and H S Le, "Dental diagnosis from X-ray images using fuzzy rule-based systems," International Journal of Fuzzy System Applications (IJFSA), vol 6, no 1, pp 1-16, 2017 [16] L T H Lan, T M Tuan, T T Ngan, N L Giang, V T N Ngoc, and P V Hai, “A New Complex Fuzzy Inference System With Fuzzy Knowledge Graph and Extensions in Decision Making,” IEEE Access, vol 8, pp 164899-164921, 2020 http://jst.tnu.edu.vn 127 Email: jst@tnu.edu.vn ... hình kết hợp tính tốn hạt với độ đo tương đồng mờ phức Trước hết, độ đo tương đồng mờ phức sử dụng để đánh giá độ tương đồng mẫu bệnh chuẩn với mẫu bệnh cần chẩn đo? ?n Sau đó, tính tốn hạt áp dụng... bày phần báo Mơ hình kết hợp độ đo tương tự mờ phức tính tốn hạt Trong phần này, chúng tơi đưa mơ hình kết hợp độ đo tương tự mờ phức với tính tốn hạt hỗ trợ chẩn đo? ?n GCFSM (Granular Complex... tập mẫu có nhãn 2.3 Độ đo tương tự mờ phức 2.3.1 Độ đo tương tự mờ phức Cosine Độ đo tương tự mờ phức cosine độ đo tính tốn phép tích vơ hướng bên hai véctơ chia cho tích hai độ dài véctơ Đó coi