3.4 Đánh giá các kỹ thuật
Thời gian thực hiện thuật toán tìm polyp của thuật toán Hessian chậm hơn kỹ thuật Hough.
Phép biến đổi Hough Circle cho phép phát hiện các vật thể có dạng tương tự hình tròn và xác định vị trí tâm, độ dài bán kính của đường tròn mô tả cho các vật thể này. Cách tiếp cận này đơn giản, nhưng kết quả thu được đôi khi không chính xác. Trong trường hợp một nhóm nhiều polyp chồng lấp lên nhau, Hough Circle có thể nhận dạng thừa hoặc thiếu polyp hoặc xác định vị trí tâm không phù hợp.
Trong object detection, thuật toán HOG tỏ ra khá hiệu quả khi ứng dụng tốt để phát hiện đối tượng với nhiều kích thước khác nhau. Việc áp dụng những phương pháp cổ điển để trích lọc đặc trưng như HOG vẫn mang lại kết quả tốt mà tốn ít tài nguyên và chi phí tính toán.
Trong luận văn này không sử dụng deep learning mà sử dụng phương pháp trích chọn đặc trưng HOG vì tôi muốn đây là cơ sở để đánh giá và so sánh với các mô hình deep learning khi tiếp tục nghiên cứu và thử nghiệm.
3.5 Kết luận
Trong luận văn này tôi đã tìm hiểu một số kiến thức tổng quan về bài toán phát hiện đối tượng trong ảnh, tìm hiểu một số thuật toán áp dụng vào việc phát hiện polyp. Trong quá trình nghiên cứu Phương pháp phát hiện tự động Polyp dựa trên lọc Hessian, biến đổi Hough và đặc trưng biên trong ảnh Y học đã đạt được một số kết quả nhất định như sau:
Các vấn đề mà luận văn đã làm được:
1. Trình bày kiến thức tổng quan về xử lý ảnh, ảnh y học, mô tả về các thuật toán: Lọc Hessian, Cricle Hough Transform, đặc trưng HOG, phân loại SVM…
2. Nắm được các bước xây dựng bài toán phát hiện đối tượng.
3. Trong quá trình xây dựng tập dữ liệu đào tạo, huấn luyện cho phát hiện polyp đã giúp tôi có được những kinh nghiệm quý báu trong việc xây dựng mô hình dự đoán
4. Xây dựng thành công chương trình thử nghiệm phát hiện tự động Polyp. Hướng nghiên cứu tiếp theo của luận văn sẽ nghiên cứu và cải tiến thuật toán, tiếp tục tiến hành thử nghiệm so sánh với các thuật toán khác trong việc tìm kiếm polyp để có những đánh giá khách quan.
Mặc dù đã rất cố gắng, nhưng do thời gian và trình độ còn hạn chế nhất định nên luận văn không tránh khỏi thiếu sót. Trong tương lai học viên sẽ cố gắng hoàn thiện và phát triển những vấn đề đã nêu trên, nhằm mang lại những vấn đề khả quan hơn nữa. Rất mong nhận được sự đóng góp ý kiến của các thầy cô và các bạn để luận văn được hoàn thiện hơn.
TÀI LIỆU THAM KHẢO
[1] Ngô Quốc Tạo, 2003, Bài giảng môn xử lý ảnh.
[2] Rafael C. Gonzalez, 2018, Digital Image Processing, 4Th Edition.
[3] Mark Nixon, 2008, Feature Extraction and Image Processing 2nd Edition. [4] Andriy Burkov, 2019, The Hundred-Page Machine Learning Book.
[5] Christopher M. Bishop, 2006, Pattern Recognition and Machine Learning. [6] O'Reilly Media, Inc, 2015, Data Algorithms.
[7] Ayyadevara, Kishore, 2018, Pro Machine Learning Algorithms.
[8] Erik R. Ranschaert, Sergey Morozov, Paul R. Algra, 2019, Artificial Intelligence in Medical Imaging.
[9] Guorong Wu, Dinggang Shen, Mert Sabuncu, 2016, Machine Learning and Medical Imaging.
[10] N. Dalal and B. Triggs, 2005, Histogram of oriented gradients for human detection, International Conference on Computer Vision & Pattern Recognition, volume 2.
[11] Jason Brownlee, 2019, Deep Learning for Computer Vision: Image Classification, Object Detection, and Face Recognition in Python.
[12] Yuji Iwahori, Takayuki Shinohara, Akira Hattori, Robert J. Woodham, 2013, Automatic Polyp Detection in Endoscope Images Using a Hessian Filter.
[13] S. Kevin Zhou, 2015, Medical Image Recognition, Segmentation and Parsing: Machine Learning and Multiple Object Approaches.
[14] Qinghui LIU, 2019, Deep Learning Applied to Automatic Polyp Detection in Colonoscopy Images.
[15] Younghak Shin, Ilangko Balasingham, 2017, Comparison of Hand-craft Feature based SVM and CNN based Deep Learning Framework for Automatic Polyp Classification.
[16] Carmen C. Y. Poon, Yuqi Jiang, Ruikai Zhang, Winnie W. Y. Lo, Maggie S. H. Cheung, Ruoxi Yu, Yali Zheng, John C. T. Wong, Qing Liu, Sunny H. Wong, Tony W. C. Mak and James Y. W. Lau, 2020, AI-doscopist: a real-time deep-learning-based algorithm for localising polyps in colonoscopy videos with edge computing devices.