V. Kết quả dự kiến
2.4 Phương pháp hỗ trợ véc tơ học máy kết hợp với thuật tốn Ramdom forest
forest
Cho đến nay, đã cĩ nhiều bộ phân loại được thiết kế cho nhận dạng mẫu, chẳng hạn như: Bộ phân loại Bayes, cơng cụ dự đốn các vùng rối loạn tự nhiên (cơng cụ dự đốn PONDR), cơ sở dữ liệu MobiDB, SVM, bản đồ tuyến tính cục bộ, mạng nơron, máy học cực trị, Random Forest… Một số bộ phân loại này được áp dụng thành cơng trong quá trình phân loại cho WBCs. Tuy nhiên, thuật tốn Random Forest bao gồm một tập hợp các bộ phân loại cĩ cấu trúc cây, nĩ thường cĩ hiệu quả phân loại tốt hơn một bộ phân loại đơn lẻ.
Trong bài báo “Automatic detection and classification of leukocytes using convolutional neural networks” [12], các tác giả đề cập đến vấn đề của một hệ thống nhận dạng tự động cĩ thể phát hiện và phân loại hiệu quả các WBCs từ các hình ảnh máu ngoại vi. Tác giả và cộng sự muốn tự động phát hiện WBCs từ nền bằng một thuật tốn đơn giản và hiệu quả. Sau đĩ, trích xuất các tính năng ở cấp độ cao với CNN một cách tự động. Cuối cùng, xem xét việc áp dụng một bộ phân loại tổng hợp: rừng ngẫu nhiên (random forest) để cải thiện việc phân loại. Các bước trong quá trình nhiên cứu được phát triển như sau:
Bước 1: Trong bước phát hiện WBCs từ hình ảnh kính hiển vi, khơng giống như một số phương pháp truyền thống chuyển đổi hình ảnh màu thành khơng gian màu khác, chỉ áp dụng mối quan hệ đơn giản của các thành phần R và B dựa trên các đặc điểm đặc biệt của WBC để tách bạch cầu khỏi lai lịch. Sau đĩ, đề xuất một thuật tốn kết hợp các thùy của hạt nhân bằng cách sử dụng các đặc điểm riêng của chúng để phát hiện WBCs một cách tự động, vơ thời gian và chính xác trong các thí nghiệm.
Bước 2: Trong bước trích xuất các tính năng, khơng giống như một số phương pháp truyền thống mà một số chuyên gia thiết kế tính năng bằng kinh nghiệm của họ, sẽ áp dụng CNN để trích xuất các tính năng hiệu quả của WBCs một cách tự động.
33 Bước 3: Trong bước chọn bộ phân loại, khơng giống như chiến lược truyền thống xây dựng một bộ phân loại duy nhất, sẽ áp dụng một khu rừng ngẫu nhiên bao gồm một bộ sưu tập các bộ phân loại cĩ cấu trúc cây để cải thiện độ chính xác cho các tính năng được trích xuất bởi CNN.
Ý tưởng của học sâu là tìm kiếm các tính năng cấp cao hơn để cung cấp nhiều bất biến hơn đối với sự thay đổi nội bộ lớp. Một ứng dụng thành cơng của học sâu trong phân loại hình ảnh là việc sử dụng mạng nơron tích chập (CNN) Error! Reference source not found. phân loại tế bào bạch cầu: bạch cầu ưa acid, bạch cầu ưa baze, bạch cầu trung tính, bạch cầu đơn nhân và tế bào lympho. Hệ thống thị giác não người cĩ thể dễ dàng trích xuất thơng tin tạm thời từ một cảnh lộn xộn ở mơi trường bên ngồi và phân tích mục tiêu quan tâm hoặc khu vực được hình thành trên hiện trường một cách nhanh chĩng và chính xác từ khía cạnh hiểu biết và nhận thức, trong khi CNN chỉ bắt chước nguyên tắc hoạt động này với mạng lưới đặc biệt của mình cấu trúc và quy tắc học. Do đĩ, CNN cĩ thể trích xuất các tính năng cấp cao từ hình ảnh.
Hình 2. 7. Năm loại tế bào bạch cầu: eosinophils, basophils, neutrophils, monocytes và lymphocytes