4 Thử nghiệm phương pháp đề xuất
2.8 NeuralNetwork Based Method
hình học sâu (deep learning) ba bước gồm phân đoạn mạch máu dày, phân đoạn mạch máu mỏng và bước cuối cùng là liên hợp các mạch máu đã tìm được. Cả hai nhóm các mạch máu dày và mỏng được phân loại riêng biệt để xử lý bài toán mất cân bằng và độ chính xác phân đoạn thấp. Bước liên hợp các mạch máu được áp dụng để lọc các kết quả được ở hai bước trước để xác định xem điểm ảnh là mạch máu hay không phải mạch máu. Phương pháp này được hiện thực và đánh giá trên ba tập dữ liệu DRIVE, STARE và CHASE-DB1. Với DRIVE, 0.7631 cho SE, 0.9820 cho SP, 0.9538 cho độ chính xác (Accuracy), 0.9750 cho AUC (Area under the curve). Với STARE, 0.7735 cho SE, 0.9875 cho SP, 0.9638 cho độ chính xác (Accuracy), 0.9833 cho AUC (Area under the curve). Với CHASE-DB1, 0.7641 cho SE, 0.9806 cho SP, 0.9607 cho độ chính xác (Accuracy), 0.9776 cho AUC (Area under the curve) [6].
• Năm 2019, Q. Jin và các đồng sự đã đề xuất ra một mơ hình mạng deformable U-net (DUnet) được xây dựng dựa trên mạng CNN (Convolutional neural network), phương pháp sử dụng up-sampling để cải thiện độ phân giải đầu ra, lấy được các thông tin về ngữ cảnh và tạo điều kiện thuận lợi cho việc định vị cụ thể bằng việc kết hợp các đặc trưng cấp thấp và cấp cao. Các bước xử lý ảnh khác nhau được sử dụng để tăng cường chi tiết mạch máu. Một kênh màu của ảnh RGB sẽ được trích xuất, CLAHE (The plugin Enhance Local Contrast) được sử dụng để cải thiện chi tiết mạch máu và nền, kỹ thuật hiệu chỉnh gamma được sử dụng để thiện chất lượng ảnh. Phương pháp này có kết quả đánh cho độ chính xác trên tập
Ý tưởng: Các phương pháp khác chứa các kĩ thuật giám sát khác nhau để phát hiện và phân loại một cách tự động mạch máu trên ảnh võng mạc. Mặc dù đã chia những hướng tiếp cận kết hợp nhiều kĩ thuật thành các loại riêng biệt, nhưng đôi khi có một kĩ thuật mới có thể nằm vào hơn một loại đã được chia. Vì vậy nó sẽ được xếp vào loại phương pháp này. Những kĩ thuật thường được sử dụng trong phương pháp này là ridge-based, feature-based và 2D Gabor wavelet. Hình 2.9 là biểu đồ thống kê độ chính xác (accuracy) của một vài phương pháp khác thuộc nhóm các phương pháp học có giám sát được đề xuất qua các năm. Trong giai đoạn từ năm 2004-2017, các phương pháp khác thuộc nhóm các phương pháp học có giám sát có độ chính xác dao động khoảng 0.94-0.96 trên tập dữ liệu DRIVE.