CHƯƠNG 6 TỔNG KẾT 45
6.1 Các kết quả đạt được
Sau một thời gian nghiên cứu và thử nghiệm, nhóm chúng tôi đã đạt được những kết quả tương đối trong việc phân lớp hiệu quả hình ảnh tế bào bạch cầu.
• Nghiên cứu bài toán phân lớp hình ảnh tế bào bạch cầu và nắm được các cách tiếp cận bài toán dựa trên học máy hiện nay.
• Đề xuất sử dụng một kiến trúc CNN là mạng VGG19 có thể trích xuất được những đặc trưng phù hợp với việc phân lớp hình ảnh tế bào bạch cầu.
• Tăng chất lượng của bộ đặc trưng bằng phương pháp lựa chọn đặc trưng đóng gói sử dụng SSA dựa trên trí thông minh bầy đàn làm giải thuật tìm kiếm.
• Cải thiện giải thuật SSA gốc để phù hợp với bài toán lựa chọn đặc trưng.
• Thay đổi các tham số, các hàm chuyển đổi giải thuật SSA sang dạng nhị phân để tìm ra được phiên bản SSA cho ra kết quả tốt.
• Hiện thực phương pháp và thống kê các kết quả phân lớp từ bộ đặc trưng chọn được.
• Đánh giá được phương pháp phân lớp trên các tập dữ liệu dựa trên nhiều tiêu chí.
• Phương pháp phân lớp tế bào bạch cầu của nhóm có độ chính xác tương đối tốt trong khi chỉ sử dụng một số lượng đặc trưng giảm hơn rất nhiều so với bộ đặc trưng trích xuất từ VGG19, giúp giảm thiểu tài nguyên tính toán và tăng độ hiệu quả phân lớp.
6.2 Những hạn chế, khó khăn
Phương pháp phân lớp hình ảnh tế bào bạch cầu của nhóm vẫn còn gặp phải những hạn chế để có thể đạt được hiệu quả tốt.
• Việc thiếu dữ liệu hình ảnh tế bào bạch cầu chuẩn trong thực tế khiến cho việc huấn luyện mô hình và đánh giá phương pháp trở nên khó khăn và không được toàn diện.
• Vì giải thuật SSA được khởi tạo từ các giá trị ngẫu nhiên dẫn đến nghiệm của bài toán có thể rơi vào những vùng tối ưu cục bộ, từ đó khiến cho kết quả tối ưu có thể không tốt trong một số trường hợp.
• Độ chính xác đạt được trên tập kiểm thử sử dụng bộ đặc trưng chọn lọc không cao khi phân loại bằng một số bộ phân lớp.
• Vì là một cách tiếp cận mới cho bài toán phân lớp nên không có nhiều nghiên cứu liên quan, đặc biệt là trên dữ liệu phức tạp như hình ảnh tế bào bạch cầu.
• Để cho ra kết quả tốt, quá trình chạy thử nghiệm giải thuật mất khá nhiều thời gian vì không gian tìm kiếm của bài toán tương đối lớn.
• Phương pháp này được thử nghiệm trên các tập dữ liệu sẵn có chứ chưa được dùng để phân lớp các ảnh chụp thực tế của tế bào bạch cầu.
CHƯƠNG 6 TỔNG KẾT 46
6.3 Định hướng trong tương lai
Phương pháp phân lớp của chúng tôi có hiệu quả tương đối nhưng về lâu dài cần được cải thiện và sửa đổi để phù hợp với các ứng dụng trong thực tiễn. Sau đây là một số định hướng phát triển mà nhóm chúng tôi đề xuất:
• Thu thập và gán nhãn dữ liệu thật để cải thiện độ chính xác.
• Sử dụng các mạng hiện đại như EfficientNet.
• Nghiên cứu phát triển các phương pháp cải tiến SSA bằng cách sử dụng các phương pháp kết hợp hoặc dùng các hàm thống kê để đánh giá mức độ tốt của đậc trưng.
• Thêm các công đoạn phân đoạn và phát hiện tế bào bạch cầu từ hình ảnh phết máu để phát triển một hệ thống end-to-end có thể áp dụng vào thực tế.
BIBLIOGRAPHY
[1] M. Sajjad, S. Khan, Z. Jan, and K. Muhammad, “Leukocytes classification and segmen- tation in microscopic blood smear: A resource-aware healthcare service in smart cities,”
IEEE Access 2016, vol. 5, pp. 3475–3489,
[2] S. Kumar, S. Mishra, and P. A. Asthana, “Detection of acute leukemia using k-mean clustering algorithm.,” Advances in Computer and Computational Sciences; Springer: Berlin/Heidelberg, Germany, pp. 655–670, 2018.
[3] N. Z. Supardi, M. Y. Mashor, and N. H. Harun, “Classification of blasts in acute leukemia blood samples using k-nearest neighbour,”IEEE Conference Publication,
[4] M. Madhukar, S. Agaian, and A. Chronopoulos, “Deterministic model for acute myeloge- nous leukemia classification,” Proceedings of the 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pp. 433–438, 2012.
[5] A. Setiawan, A. Harjoko, and T. Ratnaningsih, “Classification of cell types in acute myeloid leukemia (aml) of m4, m5 and m7 subtypes with support vector machine classi- fier,” Proceedings of the 2018 International Conference on Information and Communi- cations Technology (ICOIACT), pp. 45–49, 2018.
[6] L. Faivdullah, F. Azahar, and Z. Htike, “Leukemia detection from blood smears,” pp. 488– 491, 2015.
[7] J. Laosai and K. Chamnongthai, “Acute leukemia classification by using svm and k- means clustering,” Proceedings of the 2014 IEEE International Electrical Engineering Congress (iEECON), pp. 1–4, 2014.
[8] A. Dwivedi, “Artificial neural network model for effective cancer classification using microarray gene expression data,”Neural Comput. Appl., vol. 24, pp. 1545–1554, 2018. [9] A. Abdeldaim, A. Sahlol, and M. Elhoseny, “Computer-aided acute lymphoblastic leukemia
diagnosis system based on image analysis,” Advances in Soft Computing and Machine Learning in Image Processing, pp. 131–147, 2018.
[10] W. Yu, J. Chang, and C. Yang, “Automatic classification of leukocytes using deep neural network,” Proceedings of the 2017 IEEE 12th International Conference on ASIC (ASI- CON), pp. 1041–1044, 2017.
[11] T. Thanh, C. Vununu, and S. Atoev, “Leukemia blood cell image classification using convolutional neural network,”Int. J. Comput. Theory Eng., vol. 10, pp. 54–58, 2018. [12] L. Vogado and R. Veras, “Leukemia diagnosis in blood slides using transfer learning in
CHƯƠNG 6 BIBLIOGRAPHY 48
[13] J. Zhao, M. Zhang, Z. Zhou, J. Chu, and F. Cao, “Automatic detection and classification of leukocytes using convolutional neural networks,”Med. Biol. Eng. Comput., pp. 1287– 1301, 2017.
[14] M. Habibzadeh and M. Jannesari, “Automatic white blood cell classification using pre- trained deep learning models: Resnet and inception,” 2017.
[15] L. Lin, W. Wang, and B. Chen, “Leukocyte recognition with convolutional neural net- work,”J. Algorithms Comput. Technol, vol. 13, pp. 1–8, 2018.
[16] A. Rehman, N. Abbas, and T. Saba, “Classification of acute lymphoblastic leukemia us- ing deep learning,” 2018.
[17] S. Shafique and S. Tehsin, “Acute lymphoblastic leukemia detection and classification of its subtypes using pretrained deep convolutional neural networks,”Technol. Cancer Res. Treat., vol. 17, pp. 1–7, 2018.
[18] J. Wang, A. Li, M. Huang, and A. Ibrahim, “Classification of white blood cells with patternnet-fused ensemble of convolutional neural networks (pecnn),”ISSPIT, pp. 325– 330, 2018.
[19] T. Pansombut, S. Wikaisuksakul, and K. Khongkraphan, “Convolutional neural networks for recognition of lymphoblast cell images,”Comput. Intell. Neurosci., 2019.
[20] Y. Sawada, Y. Sato, and T. Nakada, “Improvement in classification performance based on target vector modification for all-transfer deep learning,”Appl. Sci., vol. 9, p. 128, 2019. [21] S. Banka Dara, “A hamming distance based binary particle swarm optimization (hdbpso)
lgorithm for high dimensional feature selection, classification and validation,” 2015. [22] Y. e. a. Chen, “An effective feature selection scheme for healthcare data classification
using binary particle swarm optimization,” 2018 9th International Conference on Infor- mation Technology in Medicine and Education (ITME). IEEE, 2018.
[23] M. Tran Zhang and Xue, “A pso based hybrid feature selection algorithm for highdimen- sional classification,” In Evolutionary Computation (CEC), 2016 IEEE Congress on (pp. 3801-3808).
[24] B. Gupta S. and Iqbal, “Threshold controlled binary particle swarm optimization for high dimensional feature selection, international journal of intelligent systems and appli- cations(ijisa),” 2018.
[25] S. S. Kannan and N. Ramaraj, “A novel hybrid feature selection via symmetrical uncer- tainty ranking based local memetic search algorithm.,” Knowledge-Based Systems 23.6 (2010): 580-585.
CHƯƠNG 6 BIBLIOGRAPHY 49
[26] P. GaneshKumar, “Hybrid ant bee algorithm for fuzzy expert system based sample clas- sification,” IEEE/ACM transactions on computational biology and bioinformatics 11.2 (2014): 347-360.
[27] A. Rouhi and H. Nezamabadi-pour, “A hybrid method for dimensionality reduction in microarray data based on advanced binary ant colony algorithm,” 2016 1st Conference on Swarm Intelligence and Evolutionary Computation (CSIEC). IEEE, 2016.
[28] I. U. R. Khan, “A novel deep learning based framework for the detection and classifica- tion of breast cancer using transfer learning. pattern recognition letters,” 2019.
[29] J. Laosai and K. Chamnongthai, “Acute leukemia classification by using svm and k- means clustering,” in Proceedings of the 2014 International Electrical Engineering Congress, iEECON 2014, Thailand, March 2014.
[30] P. M. Gumble and S. V. Rode, “Analysis classification of acute lymphoblastic leukemia using knn algorithm,” International Journal on Recent and Innovation Trends in Comput- ing and Communication, vol. 5, no. 2, pp. 94–98, 2017.
[31] M. Saraswat and K. V. Arya, “Feature selection and classification of leukocytes us- ing random forest,” Medical Biological Engineering Computing, vol. 52, no. 12, pp. 1041–1052, 2014.
[32] J. Prinyakupt and C. Pluempitiwiriyawej, “Segmentation of white blood cells and com- parison of cell morphology by linear and na¨ıve bayes classifiers,” Biomedical Engineer- ing Online, vol. 14, no. 1, article 63, 2015.
[33] A. Abdul Nasir, M. Mashor, and H. Rosline, “Detection of acute leukaemia cells using variety of features and neural networks,” June 2011.
[34] R. E. J. Kennedy, “Particle swarm optimization, in: The proceedings of the ieee interna- tional conference on neural networks,” Washington, DC,1995, pp. 1942–1948.
[35] S. Mirjalili, A. Gandomi, S. Saremi, and H. Faris, “Salp swarm algorithm: A bio-inspired optimizer for engineering design problems,” Adv. Eng. Softw., vol. 114, pp. 163–191, 2017.
[36] S. Mirjalili and A. Lewis, “S-shaped versus v-shaped transfer functions for binary particle swarm optimization,” Swarm and Evolutionary Computation, vol. 9, pp. 1–14, 2013, ISSN: 2210-6502.