- Nguyễn Thanh Đức XÂY DỰNG HỆ TƢ VẤN TRONG CHUẨN ĐOÁN BỆNH NHA KHOA TỪ KHO DỮ LIỆU ẢNH Chuyên ngành: Công nghệ thông tin LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN: 1. - Kết quả nghiên cứu trong luận văn này chƣa từng đƣợc công bố tại bất kỳ công trình nào khác. - Lý thuyết tập mờ. - Hệ suy diễn mờ. - 32 CHƢƠNG 2 - THIẾT KẾ MÔ HÌNH HỆ TƢ VẤN CHO BÀI TOÁN CHUẨN ĐOÁN BỆNH NHA KHOA. - Trích chọn đặc trƣng của ảnh nha khoa. - Xây dựng cơ sở luật. - Mô hình suy diễn mờ. - 48 CHƢƠNG 3 - KẾT QUẢ THỰC NGHIỆM VÀ MÔ PHỎNG. - Kết quả thực nghiệm. - 51 CHƢƠNG 4 - PHẦN MỀM HỖ TRỢ CHUẨN ĐOÁN. - Kết quả đạt đƣợc. - 66 - 6 - DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT Từ viết tắt Thuật ngữ Giải thích FCM Fuzzy C-Means Thuật toán phân cụm mờ FKNN Fuzzy K-Nearest Neighbour Thuật toán mờ với K láng giềng gần nhất EEI Entropy, Edge-value, Intensity Các giá trị Entropy, giá trị biên, giá trị cƣờng độ của ảnh LBP Local Binary Pattern Mẫu nhị phân cục bộ RGB Red Green Blue Hệ màu của ảnh JPEG MF Membership Function Hàm mờ (hàm thành viên) FIS Fuzzy Inference System Hệ suy diễn mờ ANFIS Adaptive Neuro Fuzzy Inference System Mạng nơ ron mờ thích nghi cho hệ suy diễn MAE Mean Absolute Error Sai số trung bình tuyệt đối MSE Mean Squared Error Sai số trung bình bình phƣơng - 7 - DANH MỤC CÁC BẢNG Bảng 1.1 – Thuật toán phân cụm FCM. - 32 Bảng 2.1 – Kết quả sinh luật. - 44 Bảng 3.1 - Kết quả của hệ thống suy diễn. - 52 Bảng 3.2 - Kết quả so sánh giữa FIS và FKNN. - 52 - 8 - DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 – Hàm mờ tam giác. - 19 Hình 1.2 – Hàm mờ hình thang. - 20 Hình 1.3 – Hàm mờ Gaussian. - 21 Hình 1.4 – Hàm mờ hình chum. - 22 Hình 1.5 – Hàm mờ sigmoidal. - 23 Hình 1.6 – Sơ đồ tổng quan hệ suy diễn mờ. - 24 Hình 1.7 - Hệ thống suy diễn Mamdani với 2 đầu vào và 2 luật. - 25 Hình 1.8 - Hệ suy diễn Sugeno với 2 đầu vào và 2 luật (pn ,qn ,rn là các hằng số. - 26 Hình 1.9 - Hệ suy diễn Tsukamoto. - 27 Hình 1.10 – Mô hình mạng ANFIS. - 27 Hình 1.11 - Hình ảnh trƣớc (bên trái) và sau (bên phải) khi phân cụm. - 29 Hình 2.1 – Quy trình hệ thống. - 33 Hình 2.2 - Giá trị LBP. - 37 Hình 2.3 - Hàm Gauss áp dụng với các đặc trƣng. - 43 Hình 2.4 – Mô hình tối ƣu tham số. - 45 Hình 2.5 – Kết quả sau khi tối ƣu tham số khử mờ. - 46 Hình 2.6 – Kết quả sau khi tối ƣu các tham số hàm thuộc. - 47 Hình 3.1 - Một vài ảnh nha khoa X-Quang. - 49 Hình 4.1 – Biểu đồ Usercase mô tả chức năng. - 54 Hình 4.2 – Biểu độ trình tự chức năng chuẩn đoán bệnh. - 55 Hình 4.3 – Biểu đồ trình tự chức năng cập nhật dữ liệu. - 56 Hình 4.4 - Giao diện chính của phần mềm. - 57 Hình 4.5 – Chọn ảnh cần chuẩn đoán. - 58 Hình 4.6 – Bấm nút Analyze để bắt đầu. - 58 Hình 4.7 – Hệ thống tự động phân tích ảnh. - 59 Hình 4.8 – Kết quả chuẩn đoán bệnh. - 60 Hình 4.9 – Bấm nút Update để cập nhật đặc trƣng vào CSDL. - 60 Hình 4.10 – Thông tin trợ giúp. - Đối với nha sĩ, ngƣời trực tiếp khám chữa bệnh cho bệnh nhân, khi chuẩn đoán cần phải đƣa ra đƣợc các quyết định chính xác để có thể lên phƣơng án điều trị tốt nhất. - Thông thƣờng, ảnh nha khoa X-Quang sẽ đƣợc sử dụng để chuẩn đoán. - Tuy nhiên, chuẩn đoán bệnh qua ảnh X-Quang một cách chính xác không hoàn toàn đơn giản và phụ thuộc nhiều vào kinh nghiệm của từng nha sĩ. - Do đó, việc hỗ trợ nha sĩ đƣa ra những chuẩn đoán chính xác là vô cùng cần thiết. - Vì những lý do trên, tác giả đã có ý tƣởng xây dựng nên một hệ thống chuẩn đoán bệnh dựa trên ảnh nha khoa X-Quang giúp tăng tính chính xác khi bác sĩ đƣa ra quyết định. - Mục tiêu và nhiệm vụ nghiên cứu Về mặt lý thuyết, trƣớc tiên, tác giả sẽ nghiên cứu các đặc trƣng cơ bản của ảnh nha khoa X-Quang. - Đây là bƣớc tiền xử lý dữ liệu quan trọng, những đặc trƣng đƣợc lựa chọn có ảnh hƣởng lớn đến kết quả của quá trình suy diễn. - Thứ hai, những kiến thức nền tảng nhƣ lý thuyết về tập mờ và suy diễn mờ cũng sẽ đƣợc đề cập. - 10 - Cuối cùng, một phƣơng pháp chuẩn đoán bệnh nha khoa sử dụng hệ suy diễn mờ sẽ đƣợc xây dựng. - Về mặt ứng dụng thực tiễn, tác giả sẽ xây dựng một chƣơng trình phần mềm hỗ trợ chuẩn đoán cho bác sĩ, từ ảnh nha khoa X-Quang, chƣơng trình sẽ phân tích và đƣa ra kết quả nhận dạng bệnh, đồng thời cũng đƣa ra lời khuyên về điều trị và cách phòng tránh. - Đối tƣợng và phạm vi nghiên cứu Đối tƣợng nghiên cứu tập trung vào việc xử lý ảnh nha khoa bằng phƣơng pháp trích chọn đặc trƣng. - Đồng thời, tác giả cũng thực hiện việc xử lý các đặc trƣng có trong ảnh nha khoa. - Bộ ảnh nha khoa đƣợc sử dụng gồm 56 ảnh bao gồm 5 bệnh đã đƣợc phân loại bao gồm: Gãy răng, Răng mọc ngầm, Sâu răng, Thiếu răng, và Tiêu xƣơng quanh răng. - Phƣơng pháp nghiên cứu Với yêu cầu của bài toán đặt ra, tác giả đã tập trung nghiên cứu về các các kiến thức liên quan bao gồm, kiến thức về xử lý ảnh, lý thuyết tập mờ, các thuật toán phân cụm, hệ suy diễn mờ. - Mô hình cho bài toán chuẩn đoán bệnh nha khoa (đƣợc mô tả chi tiết tại mục 2.1) sẽ đƣợc cài đặt trên môi trƣờng phát triển MATLAB. - Nhằm tăng tính thực tiễn cho đề tài, tác giả đã sử dụng bộ ảnh nha khoa thực tế đƣợc chụp trực tiếp từ bệnh nhân. - Kiến thức về xử lý ảnh đƣợc áp dụng vào việc xử lý trích chọn đặc trƣng cho ảnh nha khoa, sau đó các đặc trƣng sẽ đƣợc sử dụng vào việc xây dựng mô hình suy diễn nhằm đƣa ra kết quả. - Dữ liệu đƣợc thử nghiệm - 11 - trên một số phƣơng pháp khác nhau, hai phƣơng pháp là “suy diễn Sugeno” và thuật toán “láng giềng gần nhất” sẽ đƣợc đề cập trong đồ án. - Kết quả dự kiến Trích chọn đƣợc các đăng trƣng cho ảnh nha khoa, làm tiền đề cho phƣơng pháp suy diễn sau đó. - Xây dựng đƣợc mô hình suy diễn cho ảnh nha khoa. - Xây dựng đƣợc phần mềm hỗ trợ chuẩn đoán cho bác sĩ. - Ý nghĩa khoa học và thực tiễn Mô hình suy diễn dành cho ảnh nha khoa với dữ liệu là các đặc trƣng của ảnh có nhiều ƣu điểm về sự thuận lợi, và tính chính xác. - Việc nghiên cứu này sẽ giúp cho việc đánh giá chính xác và tận dụng tốt hơn thông tin từ ảnh nha khoa. - Khi đem ra ứng dụng, việc phân tích ảnh nha khoa của nha sĩ với trợ giúp của hệ thống chuẩn đoán sẽ giúp tăng độ chính xác khi đƣa ra quyết định. - Do đó, việc nghiên cứu này có tính thực tiễn cao. - Bố cục luận văn Chƣơng 1 - Tổng quan cơ sở lý thuyết: Chƣơng này nhắc lại một số lý thuyết cơ bản về tập mờ, hệ suy diễn mờ và thuật toán phân cụm mờ FCM. - Chƣơng 2 – Xây dựng hệ suy diễn mờ cho bài toán chuẩn đoán bệnh nha khoa: Các đặc trƣng trích chọn từ ảnh nha khoa, cách xây dựng cơ sở luật và bộ suy diễn mờ sẽ đƣợc trình bày trong chƣơng này. - Chƣơng 3 – Kết quả thực nghiệm và mô phỏng: Chƣơng này trình bày kết quả thực nghiệm trên bộ ảnh nha khoa. - Hệ thống thực nghiệm đƣợc thực hiện từ các đặc trƣng ảnh nha khoa, thông qua bộ suy diễn. - cuối cùng các độ đo Accuracy, MSE, MAE sẽ đƣợc sử dụng để đánh giá độ chính xác của kết quả suy diễn. - 12 - Chƣơng 4 – Từ các kết quả thực nghiệm ở chƣơng 3, tác giả sẽ xây dựng nên phần mềm chuẩn đoán bệnh từ ảnh nha khoa. - Chƣơng 5 – Kết luận: Chƣơng này tổng kết lại kết quả đạt đƣợc và nêu lên những định hƣớng tiếp theo cho đề tài. - Giải pháp về bài toán chuẩn đoán bệnh nha khoa đã đƣợc trình bày t trên bài báo “Dental diagnosis from X-Ray image using Fuzzy Rule-based Systems” và đƣợc đính kèm trong luận văn nhƣ một phụ lục để làm rõ hơn vấn đề. - Lý thuyết tập mờ 1.1.1. - Đó là lý thuyết tập mờ (Fuzzy Set) do giáo sƣ Lotfi A. - Công trình này nhanh chóng đƣợc các nhà nghiên cứu đón nhận. - Ý tƣởng của Zadeh về lý thuyết tập mờ là biểu diễn các thông tin trừu tƣợng, không chắc chắn nhƣ chiều cao (cao – thấp), độ tuổi (trẻ – già) v.v. - bằng khái niệm toán học gọi là tập mờ. - Phần tiếp theo sẽ cho thấy sự khác biệt giữa tập rõ và tập mờ. - Khái niệm tập mờ Định nghĩa 1.2: Cho tập nền X với x là phần tử của tập X. - Một tập mờ F trên tập X đƣợc định nghĩa bởi một hàm thành viên hay còn gọi là hàm thuộc F(x), đo “mức độ” mà phần tử x thuộc về tập F thỏa mãn điều kiện với x X, 0 F(x) 1. - Nếu hàm thuộc F(x) chỉ nhận giá trị 1 hoặc 0, tức là các phần tử trong tập hợp F thuộc hoặc không thuộc F một cách rõ ràng thì tập mờ trở thành tập rõ. - Nhƣ vậy tập rõ chính là một trƣờng hợp đặc biệt trong tập mờ. - cần xác định tập F là tập của nhiệt độ “Cao”? Ta xây dựng hàm thuộc với F(35)=0.95, F(25)=0.5, F(20)=0.3, F(30)=0.8, F(15)=0.05 và tập mờ nhƣ sau: 1.1.4. - Một số khái niệm đặc trƣng của tập mờ Định nghĩa 1.3: (1) Giá của tập mờ F, ký hiệu là Support(F), đƣợc xác định nhƣ sau Độ cao của tập mờ F, ký hiệu height(F) là cận trên đúng của hàm thuộc F(x) trên tập nền X. - 15 - (3) Tập mờ chuẩn: tập mờ F đƣợc gọi là chuẩn nếu height(F. - (4) Lõi của tập mờ F, ký hiệu là Core(A) là tập con của tập nền X đƣợc xác định nhƣ sau: (1.5) Định nghĩa: Lực lƣợng của tập mờ F, ký hiệu là card (F), bao gồm tổng tất cả các F(x) của các phần tử x của nó, đƣợc xác định nhƣ sau: (1.6) Định nghĩa: Quan hệ mờ R giữa hai tập X,Y là một tập mờ trên nền tích Descartes X×Y. - Tập mờ này là tập con của X×Y, đƣợc đặc trƣng bởi hàm thuộc µR(x,y) [0,1] với x X và y Y và đƣợc xác định nhƣ sau . - Tuy nhiên, bản thân giá trị ngôn ngữ không phải là đối tƣợng toán học, ngữ nghĩa của chúng đƣợc biểu thị bằng các tập mờ hay hàm thuộc. - Để khái niệm biến ngôn ngữ trở thành một khái niệm toán học, Zadeh hình thức hóa khái niệm này nhƣ sau: Định nghĩa: Biến ngôn ngữ là một bộ năm (X, T(X), U, R, M), trong đó X là tên biến, T(X) là tập các giá trị ngôn ngữ của biến X, U là không gian tham chiếu của biến cơ sở u, mỗi giá trị ngôn ngữ xem nhƣ là một biến mờ trên U kết hợp với biến cơ sở u, R là một qui tắc cú pháp sinh các giá trị ngôn ngữ của T(X), M là qui tắc ngữ nghĩa gán mỗi giá trị ngôn ngữ trong T(X) với một tập mờ trên U. - M gán ngữ nghĩa mỗi tập mờ với một giá trị ngôn ngữ. - Các phép toán trên tập mờ Các phép toán trên tập mờ đƣợc định nghĩa thông qua các hàm thuộc của chúng và đƣợc xây dựng tƣơng tự nhƣ các phép toán trên tập mờ kinh điển [2]. - a) Phép bằng nhau Hai tập mờ là bằng nhau, khi và chỉ khi mọi phần tử của tập này cũng thuộc tập kia và có cùng hàm thuộc. - (1.9) Ví dụ: Cho tập mờ A và B Ta có A(2)= B(2)=0.7 và A(5)= B(5)=0.1 và A(9)= B(9)=0.2 Vậy kết luận A=B. - b) Phép lấy phần bù Bù của một tập mờ thể hiện mức độ một phần tử không thuộc tập đó là bao nhiêu. - (1.10) Ví dụ: Cho tập mờ A
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt