Hình 3.9:Mô phỏng vị trí của chuỗi salp qua 100 lần lặp của thuật toán trong không gian 3chiều chiều
4
PHƯƠNG PHÁP THỰC HIỆN
Trong chương này, chúng tôi sẽ mô tả chi tiết bài toán phân lớp tế bào bạch cầu, từ đó xây dựng phương pháp phân loại bao gồm hai bước: trích xuất đặc trưng sâu bằng một mạng CNN hiện đại và lựa chọn đặc trưng sử dụng một cải tiến của giải thuật Salp Swarm Algorithm (SSA).
Mục lục
4.1 Tổng quan phương pháp phân lớp tế bào bạch cầu đề xuất . . . 27
4.2 Trích xuất đặc trưng (Feature Extraction) . . . 27
CHƯƠNG 4 PHƯƠNG PHÁP THỰC HIỆN 27
4.1 Tổng quan phương pháp phân lớp tế bào bạch cầu đề xuất
Trong luận văn này, chúng tôi sẽ đề xuất một phương pháp cải tiến để phân biệt giữa tế bào bạch cầu lành tính và tế bào bạch cầu ác tính (ung thư). Hướng tiếp cận này sẽ sử dụng kết hợp một Convolutional Neural Network và một cải tiến của giải thuật tối ưu hóa bầy đàn để tạo ra bộ đặc trưng tốt nhất cho việc phân lớp tế bào hiệu quả. Cụ thể, bài toán phân lớp sẽ được chia ra làm hai bước chính:
• Trích xuất đặc trưng (Feature Extraction): Nhóm đề xuất sử dụng một biến thể của CNN đã được huấn luyện trước trên hàng triệu bức ảnh là VGGNet để trích xuất đặc trưng. Tầng cuối cùng của mạng VGG sẽ được loại bỏ để ảnh bạch cầu có thể đi qua phần còn lại của mạng mà vẫn giữ được vector đặc trưng. Mô-đun này sẽ được nói rõ hơn ở mục 4.2.
• Lựa chọn đặc trưng (Feature Selection): Ma trận đặc trưng của hình ảnh tế bào có kích thước rất lớn nên để tăng hiệu năng phân lớp, chúng tôi sẽ đề xuất cải tiến một giải thuật tối ưu hóa bầy đàn để thực hiện công đoạn lựa chọn đặc trưng. Việc này sẽ giúp loại bỏ những đặc trưng có quan hệ với nhau hoặc gây nhiễu và chỉ giữ lại những đặc trưng có ý nghĩa nhất trong việc phân lớp hình ảnh tế bào bạch cầu. Mục tiêu chính của luận văn này là nghiên cứu một phương pháp lựa chọn đặc trưng hiệu quả dựa trên giải thuật tối ưu hóa bầy đàn nhằm giảm thiểu tài nguyên tính toán đồng thời giúp tăng độ chính xác cho mô hình phân lớp. Mô-đun này sẽ được trình bày rõ ở mục 4.3.
Từ những phân tích đó, chúng tôi đã nghiên cứu và thử nghiệm phân lớp bộ dữ liệu hình ảnh bạch cầu và đưa ra mô hình tổng thể của phương pháp như sau: