4 Thử nghiệm phương pháp đề xuất
4.7 Demo bước 4
Tổng kết
5.1 Kết quả đạt được
Sau quá trình thực hiện luận văn tốt nghiệp, chúng tơi đã đạt được các kết quả sau đây:
• Khảo sát bài tốn, nhận thấy tầm quan trọng cũng như những thách thức trong thực tế của bài tốn.
• Tìm hiểu những kiến thức liên quan đến xử lý ảnh, các kiến thức liên quan đến học sâu cũng như các phương pháp phân đoạn ảnh.
• Thu thập các tập dữ liệu ảnh võng mạc của bài tốn như DRIVE, STARE, CHASEDB và HRF.
• Thử nghiệm 2 mơ hình RAW-net và RAW-net kết hợp với adversarial cho domain adapta- tion đạt kết quả khả quan.
• Nhóm sẽ dùng kết quả đã đạt được trong bài luận văn này áp dụng vào thực tế, như đã đề cập ở trên thì mục tiêu của nhóm là muốn đề xuất ra mơ hình nhỏ, nhẹ có thể làm việc tốt trên những thiết bị nhúng hay di động phù hợp cho vấn đề thực tế ở y tế. Vì vậy, có thể trong tương lai nhóm sẽ thực hiện trực tiếp bằng thiết bị thực tế.
5.2 Hạn chế và khó khăn
Trong giai đoạn làm luận văn, do hạn chế về mặt kiến thức, thời gian và tài nguyên nên vẫn còn tồn đọng một số hạn chế cần khắc phục:
• Các tập dữ liệu ảnh võng mạc hiện có sở hữu khá ít ảnh, khó khăn trong việc huấn luyện và đánh giá, làm kết quả của các phương pháp đề xuất bị ảnh hưởng.
[1] Michael Abràmoff and Christine N. Kay. “Image Processing”. In :Retina (Fifth Edition)
(2013).
[2] Nguyễn Quang Hoan. “Xử lý ảnh”. In :Học viện cơng nghệ bưu chính viễn thơng(2006). [3] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. “U-Net: Convolutional Networks for
Biomedical Image Segmentation” (2015).
[4] Lili Xu và Shuqian Luo. “A novel method for blood vessel detection from retinal images”. In :Biomed. Eng. Online, vol. 9, no. 1, pp. 14(2010).
[5] Y.-B.Wang, C.-Z.Zhu, Q.-F.Yan and L.-Q.Liu. “A novel vessel segmentation in fundus images based on SVM”. In : Proc. Int. Conf. Inf. Syst. Artif. Intell. (ISAI), pp. 390-394
(June - 2016).
[6] Z.Yan, X. Yang and K.-T.Cheng. “A three-stage deep learning model for accurate retinal vessel segmentation”. In : IEEE J. Biomed. Health Inform., vol. 23, no. 4, pp. 1427-1436
(Septemper - 2018).
[7] Q.Jin, Z.Meng, T.D.Pham, Q.Chen, L.Wei and R.Su. “DUNet: A deformable network for retinal vessel segmentation”. In :Knowl.-Based Syst., vol. 178, pp. 149-162(August - 2019). [8] J.V.B.Soares, J.J.G.Leandro, R.M.Cesar, H.F.Jelinek and M.J.Cree. “Retinal vessel seg- mentation using the 2-D Gabor wavelet and supervised classification”. In : IEEE Trans.
supervised method for retinal blood vessel segmentation using line strength multiscale Gabor and morphological features”. In :Proc. IEEE Int. Conf. Signal Image Process. Appl. (ICSIPA), pp. 410-415(November - 2011).
[10] IEEE. “Comparative Analysis of Vessel Segmentation Techniques in Retinal Images”. [11] D. D. Kumar, A. Pramanik, S. S. Kar and S. P. Maity. “Retinal blood vessel segmentation
using matched filter and laplacian of Gaussian”. In : Proc. Int. Conf. Signal Process. Commun. (SPCOM), pp. 1-5(2016).
[12] L. Gang, O. Chutatape and S. M. Krishnan. “Detection and measurement of retinal vessels in fundus images using amplitude modified second-order Gaussian filter”. In :IEEE Trans. Biomed. Eng., vol. 49, no. 2, pp. 168-172(2002).
[13] M. M. Fraz, A. Basit, P. Remagnino, A. Hoppe and S. A. Barman. “Retinal vasculature segmentation by morphological curvature reconstruction and adapted hysteresis threshold- ing”. In :Proc. 7th Int. Conf. Emerg. Technol. (ICET), pp. 1-6(2011).
[14] J. Rodrigues and N. Bezerra. “Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology”. In :Proc. 29th SIBGRAPI Conf. Graph. Patterns Images (SIBGRAPI), pp. 17-24(2016).
[15] B. S. Y. Lam and H. Yan. “A novel vessel segmentation algorithm for pathological retina images based on the divergence of vector fields”. In :IEEE Trans. Med. Imag., vol. 27, no. 2, pp. 237-246(2008).
[16] B. Al-Diri, A. Hunter and D. Steel. “An active contour model for segmenting and measuring retinal vessels”. In : IEEE Trans. Med. Imag., vol. 28, no. 9, pp. 1488-1497
(2009).
[17] Y. A. Tolias and S. M. Panas. “A fuzzy vessel tracking algorithm for retinal images based on fuzzy clustering”. In :IEEE Trans. Med. Imag., vol. 17, no. 2, pp. 263-273(1998). [18] Changlu Guo, Márton Szemenyei, Yugen Yi, Wenle Wang, Buer Chen and Changqi
Fan. “SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation”. In : Budapest University of Technology and Economics, Budapest, Hungary(2020).
[19] Md Zahangir Alom, Mahmudul Hasan, Chris Yakopcic, Tarek M. Taha and Vijayan K. Asari. “Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation” (Feb - 2018).
[20] Adrian Galdran, André Anjos, José Dolz, Hadi Chakor, Hervé Lombaert and Ismail Ben Ayed. “The little w-net that could: State-Of-The-Art retinal vessel segmentation with minimalistic models” (July - 2018).
[21] Sanghyun Woo, Jongchan Park, Joon-Young Lee, In So Kweon. “CBAM: Convolutional Block Attention Module” (July - 2018).
[22] Ozan Oktay, Jo Schlemper, Loic Le Folgoc, Matthew Lee, Mattias Heinrich, Kazunari Mi- sawa, Kensaku Mori, Steven McDonagh, Nils Y Hammerla, Bernhard Kainz, Ben Glocker and Daniel Rueckert . “Attention U-Net: Learning Where to Look for the Pancreas” (May - 2018).
[23] Mei Wang and Weihong Deng. “Deep Visual Domain Adaptation: A Survey” (May - 2018).
[24] Garret Wilson and Diane J.Cook. “A Survey of Unsupervised Deep Domain Adaptation” (March - 2019).