V. Kết quả dự kiến
4.2 Xây dựng phần mềm phân loại tế bào máu
Phần mềm ứng dụng được lập trình dựa trên ngơn ngữ lập trình Python trên giao diện lập trình Pycharm. Quá trình thực hiện giao diện phần mềm qua các bước chính sau:
Bước 1: Xây dựng giao diện bằng phần mềm Qt Designer
Trong phần mềm Qt Designer, trình giao diện được xây dựng bao gồm các phần sau:
- Tên ứng dụng phần mềm.
- Nút lựa chọn hình ảnh “Chọn ảnh” - Vùng hiển thị hình ảnh
- Nút thực hiện phát hiện tế bào máu “Quét” - Phần kết quả:
+ Hiển thị hình ảnh tế bào bạch cầu. + Nhãn tên của loại tế bào bạch cầu
57 Bước 2: Chuyển file giao diện *ui sang file code*py để lập trình cho giao diện.
Sau khi tạo xong giao diện, file giao diện được lưu với đuơi *ui sẽ được xuất sang file đuơi *py, để lập trình với ngơn ngữ python. Khi chuyển sang file đuơi*py, chương trình chứa các hàm khởi tạo cho các phần của giao diện và khởi tạo thuộc tính của giao diện. Sơ đồ thuật tốn của chương trình phần mềm được thể hiện trong hình 4.2.
Hình 4.2. Sơ đồ thuật tốn của chương trình phần mềm phân loại tế bào máu
Đầu tiên, tác giả khởi tạo quá trình kích vào nút “Chọn ảnh” liên kết tới hàm lựa chọn và hiển thị hình ảnh.
Sau đĩ, tác giả xây dựng hàm phân loại tế bào bạch cầu sử dụng thuật tốn hỗ trợ vectơ SVM đa tầng. Đầu ra của hàm này bao gồm tọa độ của các loại tế bào bạch cầu được phát hiện, và tên của các loại bạch cầu được phân loại.
Tiếp theo, tác giả khởi tạo quá trình kích vào nút “Quét” để tạo liên kết với hàm phân loại tế bào bạch cầu. Hàm này sử dụng hình ảnh đầu vào đã được chọn và thực hiện quá trình phát hiện và phân loại tế bào bạch cầu.
❖ Sử dụng phần mềm
Để thực hiện việc phân loại tế bào bạch cầu, người sử dụng phần mềm cần thực hiện qua 2 bước sau:
- Bước 1: Nhấn vào nút “Chọn ảnh” phần mềm sẽ yêu cầu người sử dụng chọn hình ảnh đầu vào.
- Bước 2: Nhấn vào nút “Quét” thuật tốn sẽ thực hiện quá trình phát hiện các tế bào bạch cầu, sau đĩ hiển thị hình ảnh với các tế bào máu đã được phát hiện và hiển thị tên của mỗi loại bạch cầu đã phát hiện được.
Hiển thị hình ảnh và tên tế bào bạch cầu
58
Hình 4.3. Phần mềm phát hiện và phân loại trên ảnh chứa bạch cầu
4.3 Kết luận chương
Trong chương này, tác giả đã trình bày quá trình xây dựng cơng cụ phần mềm phân loại tế bào bạch cầu dựa trên ngơn ngữ lập trình Python, và giao diện lập trình Pycharm. Việc phát hiện các loại bạch cầu, và đưa ra số lượng của mỗi loại bạch cầu giúp các Y bác sĩ cĩ thể dễ dàng quan sát các loại bạch cầu cần quan tâm cũng như đánh giá được tốt hơn bệnh lý của người bệnh. Cơ sở dữ liệu được thực nghiệm để kiểm tra phần mềm được thu thập trên mạng là cơ sở dữ liệu BCCD, ALL-ID. Kích thước mỗi ảnh đầu vào là 640x480 pixel. Tổng số lượng đưa vào thử nghiệm là 2500 ảnh các loại tế bào bạch cầu. Thời gian xử lý của phần mềm cho mỗi hình ảnh đầu khá ngắn trung bình khoảng 0.5 giây cho mỗi hình ảnh.
59
KẾT LUẬN
Với ý tưởng áp dụng kỹ thuật khoa học máy tính vào trong lĩnh vực y tế bằng việc áp dụng các mơ hình học sâu để phân loại các hình ảnh tế bào máu, đề tài “Nghiên cứu phương pháp phân loại tế bào máu hỗ trợ chẩn đốn bệnh rối loạn máu” đã trình bày những vấn đề sau:
Trong chương 1, luận văn đã trình bày về các thành phần máu và bệnh lý liên quan đến tế bào bạch cầu, các đặc trưng của tế bào bạch cầu trong chẩn đốn các bệnh rối loạn máu. Khảo sát các phương pháp phân loại tế bào máu đang được sử dụng trong bệnh viện và sự cần thiết của việc ứng dụng cơng nghệ thơng tin trong việc phân loại tế bào máu.
Trong chương 2, tác giả đã trình bày các phương pháp phân loại tế bào bạch cầu như: Phương pháp hỗ trợ véc tơ học máy (SVM); Phương pháp hỗ trợ véc tơ học máy kết hợp với mơ hình cây phân lớp; Phương pháp hỗ trợ véc tơ học máy kết hợp thuật tốn Random forest; Phân loại tế bào bạch cầu sử dụng mạng noron nhân tạo (ANN).
Trong chương 3, tác giả trình bày phương pháp phân loại tế bào bạch cầu đã được tác giả và cộng sự đề xuất đĩ là phương pháp phân loại tế bào bạch cầu sử dụng thuật tốn hỗ trợ véc tơ học máy đa tầng (Multi-Stages SVM). Sử dụng các cơ sở dữ liệu đã cĩ sẵn trên mạng - đây là bộ cơ sở dữ liệu mà thế giới sử dụng để thử nghiệm với các nghiên cứu về tế bào bạch cầu. Các thủ tục huấn luyện và kiểm tra, các bước thực hiện thuật tốn và đưa ra kết quả thử nghiệm.
Trong chương 4, tác giả trình bày các bước xây dựng cơng cụ phần mềm phân loại tế bào bạch cầu sử dựng thuật tốn hỗ trợ vectơ học máy đa tầng. Việc phát hiện các loại bạch cầu trong thời gian ngắn giúp các bác sĩ cĩ thể dễ dàng quan sát các loại bạch cầu cần quan tâm đồng thời tiết kiệm thời gian, giảm bớt khĩ khăn trong việc kiểm tra mẫu phẩm máu dưới kính hiển vi.
Phương hướng phát triển trong tương lai:
Trong tương lai, đề tài cĩ thể phát triển thêm thuật tốn phát hiện vùng ảnh với nhiều tế bào loại tế bào bạch cầu cùng lúc, kích thước ảnh lớn hơn. Tiếp tục thu thập thêm cơ sở dữ liệu ở các cơ sở y tế trong nước để thử nghiệm với thuật tốn đề xuất sao cho cơng cụ phần mềm cĩ khả năng được ứng dụng trong thực tiễn.
60
TÀI LIỆU THAM KHẢO
[1] https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe..., [Online] [2] http://dnh.org.vn/UserFiles/thuvienykhoa,... [Online]
[3] PGS. Nguyễn Anh Trí, Cẩm nang hiến máu tình nguyện, Bộ Y tế, Viện huyết học-Truyền máu trung ương,2007., [Online]
[4] https://www.vietnammedicalpractice.com [5] http://biomedia.vn/review/... [Online]
[6] Trịnh Bình Dy, Sinh lý học tập 1, Nhà xuất bản Y học Hà Nội,2006 [7] https://labvietchem.com.vn/.... truy cập lần cuối 30/6/2020, [Online] [8] https://www.photomarathonasia.com
[9] Khamael AL-Dulaimi1,*, Jasmine Banks1 , Vinod Chandran1, Inmaculada Tomeo-Reyes2 and Kien Nguyen, "Classification of White Blood Cell Types from Microscope Images: Techniques and Challenges", 2018
[10] K. AL-Dulaimi, V. Chandran, J. Banks, I. Tomeo-Reyes, and K. Nguyen, “Classification of white blood cells using bispectral invariant features of nuclei shape,” IEEE, 2018.
[11] K. AL-Dulaimi, J. Banks, V. Chandran, I. Tomeo-Reyes, and K. Nyugen,“Classification of white blood cell types from microscope images: Techniques and challenges,”Formatex Research Center, 2018.
[12] Jianwei Zhao1 • Minshu Zhang1 • Zhenghua Zhou1 • Jianjun Chu2 • Feilong Cao1 "Automatic detection and classification of leukocytes using convolutional neural networks" Med Biol Eng Comput DOI 10.1007/s11517-016-1590-x.
[13] Ryabchykov, O., et al. “Leukocyte subtypes classification by means of image processing. In: 2016 Federated Conference on Computer Science and Information” Systems (FedCSIS), pp. 309-316. IEEE, Poland, 2016.
[14] Yu, W., et al, “Automatic classification of leukocytes using deep neural network”, IEEE 12th International Conference on ASIC (ASICON), pp. 1041- 1044. IEEE, China, 2017.
[15] Macawile, M. J., et al, “White blood cell classification and counting using convolutional neural network”, 3rd International Conference on Control and Robotics Engineering (ICCRE), pp. 259-263. IEEE, Japan, 2018.
61 [16] Manik, S., Saini, L. M., Vadera, N, “Counting and classification of white
blood cell using artificial neural network (ANN)”,IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems, pp. 1-5. IEEE. India, 2016.
[17] Zhao, J., Zhang, M., Zhou, Z., Chu, J., “Automatic detection and classification of leukocytes using convolutional neural networks”, Medical & biological engineering & computing, 55(8), 1287-1301, 2016.
[18] Ryabchykov, O., et al. “Leukocyte subtypes classification by means of image processing. In: 2016 Federated Conference on Computer Science and Information” Systems (FedCSIS), pp. 309-316. IEEE, Poland, 2016.
[19] Khamael, A., et al. Classification of White Blood Cells Using L-Moments Invariant Features of Nuclei Shape. In: 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ), pp. 1–6. IEEE, New Zealand, 2018.
[20] Sajjad, M., et al. “Leukocytes classification and segmentation in microscopic blood smear: a resource-aware healthcare service in smart cities”. IEEE Access 5, 3475-3489, 2016.
[21] Habibzadeh, M., Krzyżak, A., Fevens, T, “Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification”, Journal of Theoretical and Applied Computer Science 7, 2013.
[22] Mehdi Habibzadeh, Adam Krzyzak, Thomas Fevens “Comparative study of shape, intensity and texture features and support vector machine for white blood cell classification ”, Journal of Theoretical and Applied Computer Science Vol. 7, No. 1, 2013.
[23] Selesnick, I.: The double-density dual-tree DWT. IEEE Transactions on Signal Processing,52(5), pp. 1304 – 1314, 2004. ISSN 1053-587X.
[24] Habibzadeh, M., Krzyzak, A., Fevens, T.: Analysis of White Blood Cell Differential Counts. Using Dual-Tree Complex Wavelet Transform and Support Vector Machine Classifier. In: ICCVG International Conference on Computer Vision and Graphics,2012.
[25] Muhammad Sajjad; Siraj Khan; Zahoor Jan; Khan Muhammad; Hyeonjoon Moon; Jin Tae Kwak “Leukocytes Classification and Segmentation in Microscopic Blood Smear: A Resource-Aware Healthcare Service in Smart Cities”,2016.
62 [26] Shubham Manikl; Lalit Mohan Saini2 and Nikhil Vadera "Counting and
Classification ofWhite Blood Cell using Artificial Neural Network (ANN)" 1st IEEE International Conference on Power Electronics (ICPEICES-2016). [27] Oleg Ryabchykov, Anuradha Ramoji, Thomas Bocklitz, Martin Foerster§
Stefan Hagel, Claus Kroegel, Michael Bauer, Ute Neugebauer, Juergen Popp "Leukocyte subtypes classification by means of image processing".
[28] https://docs.lib.purdue.edu/ecetr/, [Online].
[29] Khamael AL-Dulaimi; Inmaculada Tomeo- Reyes; Jasmine, B.; Vinod Chandran. White blood cell nuclei segmentation using level set methods and geometric active contours, International Conference on Digital Image Computing: Techniques and Applications 2016.
[30] Khamael AL-Dulaimi; Inmaculada Tomeo- Reyes; Jasmine, B.; Vinod Chandran. Automatic segmentation of hep-2 cell fluorescence microscope images using level set method via geometric active contours, 23rd International Conference on Pattern Recognition 2016.
[31] Zhao J, Zhang M, Zhou Z, Chu J, Cao F. Automatic detection and classification of leukocytes using convolutional neural networks. Med Biol Eng Comput 2017.
[32] Anjali, G.; Priyanka S.; Balasubramania, R.; Harvendra Bhadauria. Automatic Classification of Leukocytes using Morphological Features and Nạve Bayes Classifier, IEEE Region 10 Conference (TENCON)- Proceedings of the International Conference, 2016.