V. Kết quả dự kiến
3.6 Kết quả thử nghiệm
Độ chính xác của từng giai đoạn và mơ hình kết hợp của ba giai đoạn sau khi thực hành được đưa ra trong Bảng 3.4:
Bảng 3.4 Kết quả phân loại các giai đoạn và mơ hình 3 giai đoạn
Đào tạo Thử nghiệm
Giai đoạn Tổng Lỗi Chính
xác Độ chính xác (%) Giai đoạn Tổng Lỗi Chính xác 1 295 0 295 100 94 0 94 100% 2 265 14 251 94.7 85 1 84 98.8 3 215 10 205 95.3 68 3 65 95.6 3-stage model 295 23 272 92.2 94 8 86 91.4
Ở mỗi giai đoạn của thuật tốn, một mơ hình được sử dụng để đánh giá tập hợp con và tập kiểm tra của từng giai đoạn. Sau đĩ, để hình thành một mơ hình phân loại nhiều giai đoạn, sự kết hợp của 3 mơ hình của các giai đoạn được xây dựng để đánh giá tồn bộ cơ sở dữ liệu thử nghiệm. Độ chính xác của mơ hình phân loại ở mỗi giai đoạn 1, 2, 3 là 100%, 98,8% và 95,6%. Độ chính xác của mơ hình kết hợp là 91,4%.
Kết quả của phương pháp đề xuất được so sánh với phương pháp SVM kết hợp với phương pháp Random Forest [31], phương pháp Nạve Bayes [32] và được thể hiện trong Bảng 3.5.
54
Bảng 3.5 So sánh kết quả của phương pháp đề xuất với các phương pháp khác
Lymphocyt Monocyt Neutrophil Eosinophil Basophil Average accuracy Combination of SVM and Random forest [9] 74,8% 85,3% 97,1% 70% 100% 81,8% Nạve Bayes [11] 100% 90% 55% 87,5% 60% 79% Đề xuất 92% 91% 89% 100% __ 93%
Tác giả cùng cộng sự sử dụng mơ hình kết hợp này để phân loại cho từng loại tế bào, độ chính xác của phương pháp khi phân loại tế bào lympho, bạch cầu đơn nhân, bạch cầu trung tính, bạch cầu ái toan là 92%, 91%, 89%, 100%. Độ chính xác trung bình là 93%.
Kết quả của phương pháp đề xuất được so sánh với kết quả của phương pháp Nạve Bayes [32] và phương pháp SVM kết hợp Random Forest [31] vì hai phương pháp đều phân loại bạch cầu thành 5 lớp chính (lymphocyte, monocyte, neutrophil, eosinophil và basophil). Ngồi ra, cơ sở dữ liệu tham khảo [31] cũng sử dụng cơ sở dữ liệu ALL_IDB làm hình ảnh đầu vào cho quá trình phân loại, và các tác giả trong tài liệu tham khảo [32] cũng trích xuất các đặc điểm từ hình dạng và kích thước của bạch cầu. Việc lựa chọn các đặc trưng được nhắc đến vì nĩ đĩng vai trị quan trọng trong việc phân loại ảnh để đạt kết quả cao. Từ Bảng 3.5, chỉ ra rằng kết quả của phương pháp đề xuất để phân loại bạch cầu ái toan và bạch cầu đơn nhân cĩ độ chính xác cao nhất trong ba phương pháp. Mặc dù độ chính xác phân loại bạch cầu trung tính và tế bào lympho của phương pháp đề xuất thấp hơn độ chính xác phân loại bạch cầu của hai phương pháp kia (8%), tuy nhiên kết quả phân loại bạch cầu thành 4 lớp khác nhau của phương pháp đề xuất thu được độ chính xác cao nhất (93%). Điều này cho thấy hiệu quả cao của phương pháp được đề xuất để phân loại bạch cầu và cĩ thể được sử dụng nhiều nhất để hỗ trợ các bác sĩ lâm sàng - ví dụ như họ cĩ thể sử dụng hệ thống tự động này để nhanh chĩng phân loại bạch cầu, sau đĩ tập trung thời gian vào các kết quả cho thấy rối loạn máu hoặc hình thái tế bào chưa biết.
3.7 Kết luận chương
Trong chương này, thuật tốn SVM đa tầng được đề xuất để phân loại tế bào dựa trên các đặc điểm về hình dạng, kích thước, màu sắc, tỷ lệ diện tích của nhân và tế bào chất. Tác giả đã sử dụng hai cơ sở dữ liệu để thực hiện huấn luyện và thử
Phương thức
55 nghiệm và từ kết quả cho thấy hiệu quả của phương pháp với cơ sở dữ liệu hỗn hợp, thời gian của quá trình huấn luyện chỉ diễn ra trong vài phút, độ chính xác trung bình cao 93%. Một số tế bào phân đoạn khơng chính xác và ảnh hưởng của các giai đoạn phát triển tế bào trong tế bào lympho gây ra sự khác biệt về hình dạng, kích thước của tế bào dẫn đến tế bào được phân loại khơng chính xác.
Kết quả của phương pháp đề xuất đã được cơng bố trên tạp chí “American Journal of Biomedical Sciences”, Am. J. Biomed. Sci. 2020,12(4), 216- 224;doi:10.5099/aj200400216.
56
CHƯƠNG 4. CƠNG CỤ PHẦN MỀM PHÂN LOẠI TẾ BÀO BẠCH CẦU
4.1 Giới thiệu chương
Trong việc chẩn đốn các bệnh lý về tế bào máu bạch cầu bằng phương pháp soi mẫu phẩm máu dưới kính hiển vi, các kỹ thuật viên cần quan sát về số lượng và hình thái của các loại tế bào bạch cầu. Tuy nhiên, việc kiểm tra các mẫu phẩm máu bằng phương pháp thủ cơng này gặp nhiều khĩ khăn khi cần kiểm tra số lượng mẫu phẩm máu lớn và địi hỏi sự tỉ mỉ, độ chính xác cao. Vì vậy tác giả thực hiện việc xây dựng phần mềm phân loại tế bào máu để cĩ thể hỗ trợ các y bác sỹ trong việc chẩn đốn các mẫu phẩm máu. Phần mềm được thực hiện với những yêu cầu là phát hiện các tế bào bạch cầu với độ chính xác cao, đưa ra phân loại trong thời gian ngắn. Cơ sở dữ liệu được tác giả thực nghiệm với phần mềm bao gồm cơ sở dữ liệu BCCD quốc tế (cĩ sẵn trên mạng).