III Cơng trình nghiên cu liên quan
2 Các cơng trình liên quan đn phân loi mn
2.1 Khái quát các gi i pháp phân lo i m n
Bài toán phân lo i các lo i m n tr ng cá không ph i là m i, tuy nhiên đ gi i quy t v n đ này đ đ t đ chính xác cao thì c n ph i t n thêm nhi u th i gian n a trong t ng lai. T i th i đi m hi n nay, nhi u tác gi đã xu t b n nhi u bài báo liên quan đ n v n đ này.
Vào n m 2008, Fuljii và c ng s [15] đã đ xu t m t ph ng pháp trích xu t s d ng thơng tin quang ph c a các lo i m n trên da khác nhau đ c tình t hình nh đa d ng c a m n. Trong th c nghi m, k t qu trên các hình nh y t cho th y ph ng pháp này có th áp d ng đ c.
Alamdari và c ng s [11] vào n m 2016 đã phát tri n cơng trình đ u tiên trong vi c phát tri n m t h th ng phát hi n và phân lo i m n b ng vi c x lý nh ch p t đi n tho i thông minh. H đã th c hi n m t vài ph ng pháp image segmentation (phân đo n hình nh) đ phát hi n m n. Phân c m KMeans, ph ng pháp HSV model segmentation có đ chính xác là 70%. M n viêm đ c phân bi t kh i s o m n s d ng fuzzycmeans có đ chính xác là 80%. Thêm vào đó, h đã áp d ng Wathershed segmentation và multi thresholding nh ng ng d ng đã th t b i trong vi c phát hi n m n.
Chang và Liao, và Malik [16][17] cùng các c ng s đã đ xu t hai cách ti p c n t ng t đ u d a trên Support Vector Machine và trích xu t tính n ng đ đ t đ c phân lo i. H n n a, Malik và các c ng s đã phân lo i các m c đ thành nh , trung bình, nghiêm tr ng và r t nghiêm tr ng. Do gi i h n c a phân lo i, các ph ng pháp này không th đ t đ c phân tích tích phân v i m t mơ t chi ti t.
CNN đã đ c áp d ng r ng rãi đ phân lo i hình nh. ơi khi nó th hi n kh n ng nh n d ng cao và mang l i hi u su t t t h n con ng i trong các d án nh t đ nh, ch ng h n nh nh n d ng d u hi u giao thông, khuôn m t và ch s vi t tay [18][19][20].
V i s ra đ i r t nhi u cơng trình nghiên c u v t p d li u ImageNet, hình nh nh n ra khái ni m d a trên CNN đã liên t c đ c c i thi n. Trong các nghiên c u g n đây, CNN v i c u trúc sâu h n và r ng h n, có m t s l ng l n các tham s . Vì v y,
m ng n ron r t d b quá t i trong quá trình đào t o. ng n ch n vi c overfitting,
vào n m 2015, Hinton và các c ng s đ xu t ph ng pháp dropout và ph ng
pháp làm t ng d li u [21][22][23].
Trong nh ng n m g n đây, bài toán phân lo i m n đã nh n đ c s quan tâm nhi u h n. Vào n m 2018, Xiaolei Shen, Jiachi Zhang, Chenjun Yan Hong Zhou [4] đã
phân lo i m n b ng model do các tác gi t đ xu t và s d ng ph ng pháp Transfer
Learning b ng pretrain model VGG16. chính xác mang l i khá cao t 81%95%.
Tuy nhiên, ph ng pháp v n còn m t s h n ch nh t đ nh.
N m 2019 là n m nhi u tác gi đã xu t b n nhi u bài báo liên quan đ n m n. K đ n đ u tiên là Xiaoping Wu, Ni Wen và các c ng s [24] đã phát tri n m t h th ng phân lo i m n d a vào 2 nhánh. Nhánh đ u tiên s d ng các pretrained model đ đ m các v t th là m n t đó d đốn tình tr ng m n trên g ng m t đ c ch p 1 bên. Nhánh th hai s s d ng phân b Gaussian đ t đó tìm đ c tình tr ng m n phù h p v i phân b Gaussian đã đ c tính. K t h p 2 nhánh đ lo i b nhi u và ch còn l i l ng m n th c s trên g ng m t. Cu i cùng, s d ng ph ng pháp Hayashi đ tính tốn tình tr ng m n trên 1 bên g ng m t c a hình v i đ chính xác kho ng 84%.
Cùng n m, Jung Cheeoh và các c ng s [5] đ n t Hàn Qu c c ng đ xu t model phân lo i vùng da m n v i đ chính xác 96% v i các lo i nh đ u vào là 224x224x3. Trong ph n này, nhóm xin ch đ c p chi ti t 2 bài báo trong s các bài đ c đ c p trên làm tham kh o chính cho bài tốn phát hi n m n. Tuy nhiên, ph n đa các cơng trình nghiên c u tr c đã có m t b d li u chu n do các bác s da li u có uy tín ki m đ nh. ây là khó kh n l n nh t nhóm g p ph i. Ngồi ra, đ u vào nh bài tốn là hình nh khn m t ng i nên c n ph i qua nhi u x lý ph n III.1 đ làm đ u vào th c s .
2.2 Mơ hình phân lo i m n tr ng cá trên khuôn m t s d ng h c sâu do Jung Cheeoh và các c ng s đ xu t [2019]
Jung Cheeoh và các c ng s [5] vào n m 2019 đã nh n ra các đi m h n ch c a vi c áp d ng nhi u lo i hình trí tu nhân t o cho nh c ng đ ng y t , tr c h t là các quan đi m ch quan, các b n d ch r ng rãi và s m t m i v th ch t không th hi u đ c hình nh b nh t t c a ng i phiên d ch. Và có nh ng câu h i v vi c m t bao lâu đ thu th p d li u chú thích xét cho m i b nh và li u có l y đ d li u đào t o mà không nh h ng đ n hi u su t c a thu t toán h c sâu đã phát tri n hay khơng. Trong bài báo này, khi thu th p hình nh c b n d a trên b d li u m n tr ng cá, các tiêu chí l a ch n và quy trình thu th p đ c mơ t và m t mơ hình đ c đ xu t đ phân lo i d li u thành t l m t mát nh (5,46%) và đ chính xác cao (96,26%) trong c u trúc tu n t . Hi u su t c a mơ hình đ xu t đ c so sánh và xác minh thông qua m t thí nghi m so sánh v i mơ hình do Keras cung c p.
Ki n trúc đ c Jung Cheeoh áp d ng dùng đ phân lo i các hình nh vùng m n thu c vào m t trong n m lo i:
• M n s n viêm • M n m • M n c c
• Khơng ph i m n
Các hình nh có kích th c đ u vào 32x32x3 v i 15594 nh dùng đ hu n luy n model nh sau: Và ki n trúc đ xu t g m 2 kh i và l p Fully Connected nh sau:
Hình 21: B c chu n b d li u c a mơ hình do Cheeoh đ xu t
Hình 22: Mơ hình CNN do Cheeoh đ xu t
Model do Cheeoh đ xu t đã đ t đ c thành công khi có đ c chính xác 96.26% h n 2% so v i model VGG16 do Keras và đ m t mát th p h n 5%
Ngồi ra, Cheeoh cịn đ xu t quy trình thu th p nh m n v i cơng c Google Fatkun
Hình 23: Mơ hình CNN chi ti t do Cheeoh đ xu t
3. Mơ hình phân lo i m n tr ng cá trên khuôn m t s d ng h csâu do Xiaolei Shen và các c ng s đ xu t [2018]