V. Kết quả dự kiến
2.3 Phương pháp hỗ trợ véc tơ học máy kết hợp với mơ hình cây phân lớp
2.3.1Cách tiếp cận và tách bạch cầu
Đề xuất phương pháp tiếp cận bao gồm ba bước chung: 1. Thu nhận hình ảnh và phân biệt WBCs từ RBCs.
2. Trích xuất các đặc điểm hình dạng, cường độ và kết cấu.
3. Phân loại vào năm loại Tế bào Bạch cầu bằng Máy hỗ trợ Véc tơ.
Đầu vào cho nghiên cứu là hình ảnh màu kỹ thuật số của phết máu ngoại vi mỏng. Thuật tốn khử nhiễu và khử nhiễu được trang bị được áp dụng cho những hình ảnh máu này bằng cách sử dụng wavelet hai biến co ngĩt và lọc bảo tồn cạnh Kuwahara được thực hiện để bù cho Bivariate làm mờ tác dụng phụ [22]. Những hình ảnh này sau đĩ được tăng cường bởi sự kết hợp của Otsu và Niblack thuật tốn binarization. Tiếp theo, các tế bào máu trắng được xác định vị trí và phân đoạn theo thủ tục như sau:
a. Trích xuất các hình ảnh phụ chứa các vùng Bạch cầu khép kín riêng lẻ. Thuật tốn gần như xác định vị trí của nhân WBCs và tăng cường ranh giới của WBC.
27 b. Sử dụng phương pháp lặp lại từng bước dựa trên ước tính kích thước Hồng cầu, vật thể hình trịn,giá trị bão hịa và loại bỏ nhiễu để tách bạch cầu và hồng cầu thành hai cá thể ảnh phụ để tách Bạch cầu khỏi Hồng cầu.
2.3.2Các tính năng dựa trên mơ hình cây phân lớp (Wavelet phức hợp cây kép)
Khi máy ảnh quét qua các lam máu ngoại vi, cĩ thể tìm thấy các hạt ở các độ phĩng đại, gĩc độ, màu sắc và chất lượng khác nhau. Các bộ mơ tả cục bộ của các vùng hình ảnh mạnh mẽ và bất biến đối với hình ảnh là cần thiết để phát triển một chiến lược hiệu quả để lưu tập hợp các tính năng. Trong số các vectơ đặc trưng đã nĩi ở trên, biến đổi wavelet cây kép là một phương pháp nâng cao để tính tốn sự biến đổi phức tạp của một tín hiệu bằng cách sử dụng hai phân rã Wavelet Transform rời rạc để trình bày đặc tính bất biến hữu ích của cấu trúc của một hình ảnh máu kỹ thuật số.
Phân tích biến đổi Wavelet cung cấp các cơng cụ được tổ chức tốt để nắm bắt cấu trúc và chi tiết hình ảnh cục bộ, với hiệu suất phân tích mạnh mẽ và thuộc tính đa độ phân giải, phù hợp để phân tích hình ảnh mặc dù nĩ cĩ một số nhược điểm cố hữu. Phép biến đổi Wavelet cĩ bốn vấn đề cấu trúc chưa được giải quyết [22]: Dao động, xem Error! Reference source not found. (các hệ số cĩ xu hướng dao động tích cực và tiêu cực xung quanh các điểm kỳ dị, do đĩ giá trị hệ số wavelet cĩ xu hướng được phĩng đại). Phương sai dịch chuyển, xem Error! Reference source not found. (một sự thay đổi nhỏ và xoay của dấu hiệu dẫn đến sự thay đổi đáng kể trong phân phối năng lượng giữa các hệ số wavelet ở các quy mơ khác nhau), Aliasing (vì các hệ số khá rộng và được tính tốn thơng qua lấy mẫu xuống với các bộ lọc thơng thấp và thơng cao khơng lý tưởng cĩ xu hướng đặt bí danh là dấu hiệu các biên niên sử giữa nhau và làm cho chúng khơng được xác định là khác biệt hoặc khác biệt), và thiếu định hướng (thiếu tính chọn lọc định hướng đặc biệt gây khĩ khăn cho việc phân tích của các đặc điểm hình học như đường gờ và cạnh).
Để khắc phục bốn điểm yếu này của Biến đổi Wavelet rời rạc (DWT), biến đổi Wavelet kép, mật độ kép và phức tạp Wavelet Transforms đã được giới thiệu. Wavelet hai cây được giới thiệu như một phần mở rộng và phiên bản nâng cao của Cây Wavelet rời rạc điển hình (DWT), với các thuộc tính phụ gia, dịch chuyển bất biến và tính chọn lọc định hướng theo hai chiều và cao hơn. Đến nay, tồn tại hai phiên bản tương tự nhau về mặt nào đĩ, đĩ là Kingsbury DT-DWT và Selesnick DT-DWT [22], được đặt tên lần lượt là DT-DWT (K) và DT-DWT (S), theo tên của tác giả của chúng. Hai biến đổi dự phịng này bao gồm hai ngân hàng bộ lọc DWT thơng thường cây làm việc song song với các bộ lọc tương ứng của cả hai
28 cây theo phương vuơng gĩc gần đúng. Cây Wavelet rời rạc mật độ kép (DT-DWT (S)) và phức hợp cây kép rời rạc Wavelet Tree (DT-DWT (K)) tương tự nhau ở một số khía cạnh. Biến đổi wavelet đơn cĩ thơng số kỹ thuật của cả DWT mật độ kép và DWT phức hợp cây kép. Do đĩ, điều này là động lực cho việc nghiên cứu và phát triển cả hai cách tiếp cận.
Hình 2.3. Dao động tại biên giới, rời rạc thực thơng thườngWavelet cĩ cả hệ số lớn và nhỏ (hình bên phải) trong khi Biến đổi Wavelet phức tạp chỉ cung cấp các hệ số cĩ liên
quan nhiều hơn đến độ gần của chúng với cạnh (hình bên trái)
29 Selesnick DT-DWT (S) đồng thời mang các đặc điểm và tính chất của phép biến đổi wavelet rời rạc mật độ kép và phép biến đổi wavelet rời rạc cây kép mẫu đơn. Nĩ dựa trên hai hàm chia tỷ lệ {𝜙ℎ(t), 𝜙𝑔(t)} và bốn wavelet rõ ràng (𝜓ℎ,𝑐(t), 𝜓𝑔,𝑐(t); c = 1, 2). Biến đổi wavelet rời rạc mật độ kép được thực hiện theo ngân hàng bộ lọc phân tích 3 kênh (ℎ0, ℎ1, ℎ2) áp dụng thay thế trước tiên cho các hàng, sau đĩ các cột của một hình ảnh. Do đĩ, chín dải phụ 2-D sẽ được tính tốn trong mỗi cây (h, g). Một trong số đĩ là bộ lọc chia tỷ lệ thơng thấp 2-D (ϕ(t)). Tuy nhiên, tám cái cịn lại tạo ra tám bộ lọc wavelet 2-D (ψ (t)). Các hàm này được hiểu ngầm như sau, trong đĩ 𝑁𝐺 là hàm lượng tử hĩa vảy xám.
𝜙ℎ(t) = √2 ∑𝑁𝐺 ℎ0(𝑛)𝜙ℎ(2t − n). 𝑛=1 (2.4) 𝜙ℎ,1(t) = √2 ∑𝑁𝐺 ℎ1(𝑛)𝜙ℎ(2t − n). 𝑛=1 𝜙ℎ,2(t) = √2 ∑𝑁𝐺 ℎ2(𝑛)𝜙ℎ(2t − n). 𝑛=1
Hình 2.5. Q-shift DT-CWT [27], cho phần thực và phần ảo của hệ số phức từ hai cây (α, β). Việc chậm trễ gần đúng cho mỗi bộ lọc được hiển thị bởi các dấu ngoặc trong
con số, nơi q = 1/4 thời kỳ mẫu.
Phép biến đổi wavelet rời rạc mật độ kép cĩ hai thuộc tính: độ phức tạp tính tốn thấp và bất biến dịch chuyển gần đúng, và do đĩ, loại wavelet này cĩ thể được hình thành để thực hiện các đặc trưng kết cấu trong phân loại ảnh. Một đánh giá ngắn về DT-DWT (S) và các tính chất tốn học được đưa ra trong [23]. Các ứng dụng nổi tiếng của Cây Wavelet Rời rạc mật độ kép giống như các ứng dụng của Cây Wavelet Rời rạc phức hợp cây kép, ví dụ mơ hình hĩa tín hiệu, tăng cường, phân đoạn hình ảnh, nén, mã hĩa, đánh dấu nước và làm giảm hình ảnh.
30 Trên thực tế, DT-CWT kết hợp hai Biến đổi Wavelet kỹ thuật số, sử dụng chẵn và lẻ wavelets để cung cấp các hệ số phức tạp. Mỗi cây (α, β) chứa các bộ lọc hồn tồn thực, theo đĩ hai cây tạo ra các phần thực và ảo tương ứng của mỗi đồng wavelet phức tạp hiệu quả. Đối với cây (α, β), chúng ta cần các bộ lọc thơng thấp với độ trễ nhĩm chênh lệch nhau một nửa thời kỳ mẫu. Bộ lọc Q-shift (dịch chuyển phần tư) đạt được độ trễ nhĩm cần thiết (xem Error! Reference source not found.). Cái này dẫn đến năng lượng răng cưa thấp và cũng như bất biến dịch chuyển tốt. Phân tích DT-CWT được áp dụng trong 1 - D, dọc theo các hàng và cột, và sáu wavelet phức hợp 2 - D cĩ định hướng được xây dựng từ các kết hợp khác nhau của các đầu ra.
Do đĩ, kết quả của DT-CWT là một tập hợp của hệ số phức tạp như là một biểu diễn đủ phong phú của cấu trúc cục bộ tại mỗi pixel cho sáu các định hướng khác nhau (dải con) ± 𝜋
12, ± 𝜋
4, ± 5𝜋
12 và đối với từng thang đo theo hệ số 2. Về việc sử dụng thơng tin trong các vectơ đặc trưng cho SVM, các giá trị phức tạp (thực và ảo) được chuyển đổi sang dạng cực (độ lớn, pha) để đặt các giá trị xen kẽ vào vectơ đặc trưng (cường độ 1, pha 1, cường độ 2, pha 2, v.v.) cho kết quả tốt nhất trong bộ phân loại. Đối với hình ảnh ơ được phân đoạn của chúng tơi, DT-CWT được áp dụng ở 6 tỷ lệ, số mức phân hủy wavelet và bộ lọc Q-shift [26] 14 lần nhấn vào các mẫu hình ảnh, cho tổng số trong tổng số 3204 tính năng (6 thang đo (14∗14, 7∗7, 4∗4, 2∗2, 1∗1, 1∗ 1)×6 dải con (± 𝜋
12, ± 𝜋
4, ± 5𝜋
12) độ lớn ×2, các thành phần pha) cho mỗi mẫu 28 × 28 (hình ảnh được phĩng đại thấp).