Tài liệu Phát hiện đóm sáng trong ảnh võng mạc mắt

ĈҤI HӐC QUӔC GIA TP.HCM 75ѬӠ1*ĈҤI HӐC BÁCH KHOA KHOA KHOA HӐC & KӺ THUҰT MÁY TÍNH LUҰ19Ă17ӔT NGHIӊ3ĈҤI HӐC PHÁT HIӊ1ĈÏ06È1*TRONG ҦNH VÕNG MҤC MҲT Ngành: KHOA HӐC MÁY TÍNH HӜ,ĈӖNG: KHOA HӐC MÁY TÍNH 3 GVHD: PGS. TS . NGUYӈN THANH BÌNH GVPB : TS. LÊ HӖNG TRANG ---o0o--697+Ĉӛ 7KjQKĈҥt - 1510664 SVTH 2: Võ Quang Nhұt - 1512304 TP. HӖ CHÍ MINH, 12/2021 1 ĈҤI HӐC QUӔC GIA TP.HCM ---------75ѬӠ1*ĈҤI HӐC BÁCH KHOA KHOA: KH & KT Máy tính ___ BӜ MÔN: HTTT _____________ CӜNG HÒA Xà HӜI CHӪ 1*+Ƭ$9,ӊT NAM Ĉӝc lұp - Tӵ do - Hҥnh phúc NHIӊM VӨ LUҰN ÁN TӔT NGHIӊP Chú ý: Sinh viên ph̫i dán tͥ này vào trang nh̭t cͯa b̫n thuy͇t trình Hӑ và tên SV: ĈӚ 7+¬1+ĈҤT (1510664) VÕ QUANG NHҰT (1512304) Ngành (chuyên ngành): Khoa hӑc Máy Tính ĈҫXÿӅ luұn án: PHÁT HIӊ1ĈÏ06È1*7521*ҦNH VÕNG MҤC MҲT 2. NhiӋm vө (yêu cҫu vӅ nӝi dung và sӕ liӋXEDQÿҫu): - Tìm hiӇu các ÿӏnh dҥng ҧnh võng mҥc mҳt - Tìm hiӇu các tұp dӳ liӋu thông dөng. - Tìm hiӇu các công trình nghiên cӭXOLrQTXDQYjѭXQKѭӧFÿLӇm cӫa chúng. - Nghiên cӭXFiFÿһFWUѭQg ҧnh võng mҥc, ÿyPViQJ. - ĈӅ xuҩWSKѭѫQJSKiSWKӵc hiӋn phân tích, phân loҥi ҧnh võng mҥc bӏ ÿyPViQJ. - HiӋn thӵFSKѭѫQJSKiSÿӅ xuҩt và thӱ trên tұp dӳ liӋu chuҭn. - So sánh vӟLFiFSKѭѫQJSKiSNKiF - ĈiQKJLiJLҧi thuұt. 3. Ngày giao nhiӋm vө luұn án: 15/08/2021 4. Ngày hoàn thành nhiӋm vө: 15/12/2021 5. Hӑ tên giҧQJYLrQKѭӟng dүn: PGS.TS NguyӉn Thanh Bình Nӝi dung và yêu cҫX/971ÿmÿѭӧc thông qua Bӝ môn. Ngày 15 tháng 08 QăP2021 CHӪ NHIӊM BӜ MÔN GIҦ1*9,Ç1+ѬӞNG DҮN CHÍNH (Ký và ghi rõ h͕ tên) (Ký và ghi rõ h͕ tên) PGS.TS Trҫn Minh Quang PḪN DÀNH CHO KHOA, B͠ MÔN: 1Jѭӡi duyӋt (chҩPVѫEӝ):________________________ ĈѫQYӏ: _______________________________________ Ngày bҧo vӋ: __________________________________ ĈLӇm tәng kӃt: _________________________________ 1ѫLOѭXWUӳ luұn án: _____________________________ NguyӉn Thanh Bình 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$ KHOA KH & KT MÁY TÍNH &Ӝ1*+Ñ$;­+Ӝ,&+Ӫ1*+Ƭ$9,ӊ71$0 ĈӝFOұS- 7ӵGR- +ҥQKSK~F ---------------------------Ngày 28 tháng 12 QăP 2021 3+,ӂ8&+Ҩ0%Ҧ29ӊ/971 'jQKFKRQJ˱ͥLK˱ͣQJG̳Q) +ӑYjWrQSV: Ĉӛ7KjQKĈҥW 9}4XDQJ1KұW Ngành (chuyên ngành): .KRDKӑF0i\7tQK ĈӅ tài: Phát hiӋQÿyPViQJWURQJҧnh võng mҥc mҳt 3+ӑWrQQJѭӡLKѭӟQJGүQ: PGS.TS. 1JX\Ӊn Thanh Bình 7әQJTXiWYӅEҧQWKX\ӃWPLQK 6ӕWUDQJ 6ӕFKѭѫQJ 6ӕEҧQJ VӕOLӋX 6ӕKuQKYӁ 6ӕWjLOLӋXWKDPNKҧR 3KҫQPӅPWtQKWRiQ +LӋQYұWVҧQSKҭP 7әQJTXiWYӅFiFEҧQYӁ - 6ӕEҧQYӁ %ҧQ$ %ҧQ$ .KәNKiF - 6ӕEҧQYӁYӁWD\ 6ӕEҧQYӁWUrQPi\WtQK 1KӳQJѭXÿLӇPFKtQKFӫD/971 7iFJLҧÿmWKӵFKLӋQFiFF{QJYLӋFVDXÿk\ - 7uPKLӇXcác ÿӏQKGҥQJҧQKYõng mҥF. - 7uPKLӇXcác phѭѫQJSKáp máy hӑF và các nghiên cӭXOLên quan. - +ѭӟQJWLӃSFұQ mô hình KӑFVkX9HVV-1HW581HWÿӇSKkQÿRҥQҧQKY}QJPҥFPҳWYjP{ KuQK6XSSRUW9HFWRU0DFKLQHÿӇSKiWKLӋQҧQKY}QJPҥFFyVӵEҩWWKѭӡQJÿyPViQJ - +LӋQWKӵFphѭѫQJSKáp ÿӅ[XҩWYà thӱWUên tұSGӳOiӋX: DRIVE, STARE, CHASE_DB1, HRF - Trong quá WUuQKOjPOXұQYăQWiFJLҧFyQKLӅXFӕJҳQJWӵWuPKLӇXFiFNLӃQWKӭFOLrQTXDQ ÿӃQmáy hӑF Yj[ӱOêҧQK. 1KӳQJWKLӃXVyWFKtQKFӫD/971 - &ҫQQkQJFDRÿӝFKtQK[iFFӫDSKѭѫQJSKiSÿӅ[XҩW - CҫQVRVánh vӟLFác phѭѫQJSKáp gҫQÿây. - LuұQYăQcòn lӛLFKính tҧ ĈӅQJKӏĈѭӧFEҧRYӋ_ %әVXQJWKrPÿӇEҧRYӋ† .K{QJÿѭӧFEҧRYӋ† FkXKӓL69SKҧLWUҧOӡLWUѭӟF+ӝLÿӗQJ (sӁKӓLWUên hӝLÿӗQJ) ĈiQKJLiFKXQJEҵQJFKӳJLӓLNKi7% JLӓL, ĈLӇP9.0 /10 .êWrQJKLU}KӑWrQ 1JX\ӉQ7KDQK%uQK TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KH & KT MÁY TÍNH CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc ---------------------------Ngày 24 tháng 12 năm 2021 PHIẾU CHẤM BẢO VỆ LVTN (Dành cho phản biện) 1. Họ và tên SV: Đỗ Thành Đạt và Võ Quang Nhật MSSV: 1510664 và 1512304 Ngành (chuyên ngành): Khoa học Máy tính 2. Đề tài: Phát hiện đốm sáng trong ảnh võng mạc mắt 3. Họ tên người hướng dẫn/phản biện: TS. Lê Hồng Trang 4. Tổng quát về bản thuyết minh: Số trang: 54 Số chương: 5 Số bảng số liệu: 10 Số hình vẽ: 23 Số tài liệu tham khảo: 24 Phần mềm tính toán: Hiện vật (sản phẩm): 5. Tổng quát về các bản vẽ: - Số bản vẽ: Bản A1: Bản A2: Khổ khác: - Số bản vẽ vẽ tay Số bản vẽ trên máy tính: 6. Những ưu điểm chính của LVTN: - Chủ đề và bài toán của luận văn có ý nghĩa thực tiễn cao trong y học. Tiếp cận sử dụng học máy để giải cũng hợp lý - Nhóm đã tìm hiểu được một số kiến trúc nền tảng, những kiến trúc này là hợp lý với bài toán mà luận văn đang xét. - Nhóm có tiến hành hiện thực và thực nghiệm trên 4 tập dữ liệu chuẩn, được công bố trong cộng đồng. Các kết quả thực nghiệm được đánh giá theo các độ đo về hiệu năng. 7. Những thiếu sót chính của LVTN: - Đề tài có đề xuất sử dụng mô hình, nhưng không biện luận rõ lý do sử dụng. - Sẽ đầy đủ và tốt hơn nếu cần có phần thể hiện tính đúng đắn của phương pháp sử dụng cũng như so sánh, đánh giá với các mô hình khác (tối thiểu như với các mô hình baseline). 8. Đề nghị: Được bảo vệ R Bổ sung thêm để bảo vệ o Không được bảo vệ o 9. Câu hỏi SV phải trả lời trước Hội đồng: a. Vì sao cần chuyển về ảnh nhị phân? b. Trình bày rõ chức năng phân đoạn của U-Net được thực hiện như thế nào? c. Vì sao cần dùng SVM mà không thực hiện luôn trên kiến trúc U-Net? 10. Đánh giá chung (bằng chữ: giỏi, khá, TB): Khá Điểm: 8.0/10 Ký tên (ghi rõ họ tên) TS. Lê Hồng Trang LӠ,&$0Ĉ2$1 Chúng em xin FDPÿRDQUҵQJQJRҥLWUӯFiFNӃWTXҧWKDPNKҧRWӯFiFF{QJWUuQK QJKLrQFӭXNKRDKӑFNKiFÿmJKLU}WURQJSKҫQWjLOLӋXWKDPNKҧRWҩWFҧQKӳQJQӝLGXQJ ÿѭӧFWUuQKEj\WURQJOXұQYăQQj\OjGRFKúng em WKӵFKLӋQYjFKѭDFySKҫQQӝLGXQJ QjRWURQJOXұQYăQQj\ÿѭӧFQӝSÿӇOҩ\EҵQJFҩSӣPӝWWUѭӡQJNKiF1ӃXFyEҩWNǤVDL SKҥPQjRchúng em VӁFKӏXKRjQWRjQWUiFKQKLӋPWUѭӟF%DQ&Kӫ1KLӋP.KRDYj%DQ *LiP+LӋX1Kj7UѭӡQJ I LӠI CҦM Ѫ1 ĈLӅX ÿҫX WLrQ FK~QJ HP [LQ JӱL OӡL FҧP ѫQ FKkQ WKjQK Yj VkX VҳF ÿӃQ WKҫ\ 3*6761JX\ӉQ7KDQK Bình ÿm KѭӟQJ GүQ chúng em trong VXӕW quá trình WKӵF KLӋQ OXұQ YăQ YӯD qua. 7URQJVXӕWFKһQJÿѭӡQJQJKLrQFӭXÿӅWjLOXұQYăQ WKҫ\ÿmKѭӟQJ GүQFөWKӇYjÿѭDUDFKӍGүQWұQWuQKÿӇFK~QJHPFyWKӇEiPViWYjKRjQWKjQKÿӅ tài. Chúng em FNJQJ xin JӱL OӡL FҧP ѫQ chân thành QKҩW WӟL QKӳQJ WKҫ\ cô trong khoa .KRD+ӑF .ӻ7KXұW0i\7tQKQyLULrQJYjQKӳQJJLҧQJYLrQFӫDÿҥLKӑF%iFK .KRDWKjQKSKӕ+ӗ&Kt0LQKQyi chung ÿmWұQWuQKJLҧQJGҥ\FKRchúng em trong WKӡLJLDQKӑFWұS. 7URQJTXiWUuQKOjPOXұQYăQFK~QJHPÿmFyQKӳQJVDLVyWYjPӝWVӕF{QJYLӋF FKѭDWKӇKRjQWKjQKFK~QJHPNtQKPRQJWKҫ\EӓTXDQKӳQJVDLVyWQj\ &XӕLFQJFK~QJHPNtQKFK~FWKҫ\F{GӗLGjRVӭFNKӓHYӳQJEѭӟFWUrQFRQ ÿѭӡQJ[k\GӵQJYjSKiWWULӇQVӵQJKLӋSJLiRGөFFDRTXê II TÓM TҲT +LӋQQD\OƭQKYӵF[ӱOêҧQKWURQJ\NKRDÿDQJÿѭӧFӭQJGөQJUӝQJUmLӣ9LӋW 1DPFNJQJQKѭWUrQWRjQWKӃJLӟL'ӵDYjRFiFF{QJWUuQKQJKLrQFӭXYjEjLEiRNKRD KӑFOXұQYăQÿѭӧFWKӵFKLӋQYӟLPөFÿtFKSKiWKLӋQÿyPViQJEҩWWKѭӡQJWURQJҧQK Y}QJPҥFPҳW7URQJOXұQYăQQj\WiFJLҧVӱGөQJPҥQJKӑFVkX9HVV-Net, R2U1HWÿӇSKkQÿRҥQҧQKY}QJPҥFPҳWYjP{KuQK6XSSRUW9HFWRU0DFKLQHÿӇSKiW hLӋQҧQKY}QJPҥFFyVӵEҩWWKѭӡQJÿym sinJ7iFJLҧKLӋQWKӵFFiFSKѭѫQJSKiS EҵQJQJ{QQJӳ3\WKRQVRViQKYjÿiQKJLiNӃWTXҧÿҥWÿѭӧFWUrQFiFWұSGӳOLӋX III MӨC LӨC LӠI CAM Ĉ2$1.......................................................................................................... I LӠI CҦ0Ѫ1 .............................................................................................................. II TÓM TҲT .................................................................................................................. III MӨC LӨC ...................................................................................................................IV DANH MӨC HÌNH ҦNH ........................................................................................ VII DANH MӨC BҦNG ............................................................................................... VIII DANH MӨC TӮ VIӂT TҲT .....................................................................................IX &+ѬѪ1**,ӞI THIӊU ......................................................................................... 1 1.1. Giӟi thiӋXÿӅ tài .................................................................................................... 1 1.2. Mөc tiêu và nӝLGXQJÿӅ tài .................................................................................. 1 1.3. Giӟi hҥQÿӅ tài ...................................................................................................... 2 1.4. Cҩu trúc luұQYăQ ................................................................................................. 2 &+ѬѪ1*&Ѫ6Ӣ LÝ THUYӂT VÀ CÁC NGHIÊN CӬU LIÊN QUAN ........ 3 &ѫVӣ lý thuyӃt ..................................................................................................... 3 2.1.1. Ҧnh võng mҥc mҳt ......................................................................................... 3 2.1.2. Ҧnh trong máy tính ........................................................................................ 3 3KkQÿRҥn ҧnh ................................................................................................ 4 2.1.3.1. Phân ÿRҥn ҧnh bҵQJSKѭѫQJSKiSQJѭӥng ............................................. 5 3KkQÿRҥn ҧnh dӵa trên cҥnh ................................................................... 5 3KkQÿRҥn ҧnh dӵa trên khu vӵc ............................................................. 6 3KkQÿRҥn dӵa trên gom cөm .................................................................. 6 3KkQÿRҥn dӵa trên mҥQJQѫ-ron nhân tҥo.............................................. 6 2.1.4. MҥQJQѫ-ron tích chұp (Convolutional Neural Network) ............................. 7 2.1.4.1. Lӟp tích chұp (Convolutional) ................................................................ 7 2.1.4.2. Lӟp kích hoҥt phi tuyӃn ReLU (Rectified Linear Unit) .......................... 8 2.1.4.3. Lӟp lҩy mүu (Pooling)............................................................................. 8 2.1.4.4. Lӟp kӃt nӕLÿҫ\ÿӫ (Fully-Connected) .................................................... 9 2.1.5. KhӕLGѭ5HVLGXDOEORFN ............................................................................... 9 2.1.6. Lӟp tích chұp hӗi quy (Recurrent Convolutional layer) .............................. 10 2.1.7. Máy vector hӛ trӧ (Support Vector Machine - SVM) ................................. 11 2.1.8. Lӟp Batch Normalization ............................................................................ 12 IV 2.1.9. Lӟp Unpooling ............................................................................................. 12 2.2. Các nghiên cӭu liên quan ................................................................................... 13 2.2.1. Công trình: Retinal blood vessel segmentation using fully convolutional network with transfer learning[15] ........................................................................ 13 2.2.2. Công trình: Aiding the Diagnosis of Diabetic and Hypertensive Retinopathy Using Artificial Intelligence-Based Semantic Segmentation[14] ......................... 13 2.2.3. Công trình: Segmentation of the Blood Vessels and Optic Disk in Retinal Images[16] ............................................................................................................. 13 2.2.4. Công trình: Retinal Blood Vessel Tortuosity Measurement for Analysis of Hypertensive Retinopathy[17] ............................................................................... 14 2.2.5. Công trình: Deep Vessel Segmentation By Learning Graphical Connectivity[18] .................................................................................................... 14 2.2.6. Công trình: Retinal Blood Vessel Segmentation from Depigmented Diabetic Retinopathy Images[19] .......................................................................... 14 2.2.7. Công trunh: Recurrent Residual Convolutional Neural Network based on UNet (R2U-Net) for Medical Image Segmentation[20] ........................................... 15 &+ѬѪ1*3+ѬѪ1*3+È3Ĉӄ XUҨ7Ĉӆ PHÁT HIӊN ҦNH VÕNG MҤC BҨ77+ѬӠNG ........................................................................................................... 16 3.1. Yêu cҫu bài toán ................................................................................................. 16 3KѭѫQJSKiSÿӅ xuҩt .......................................................................................... 16 3KѭѫQJSKiSSKkQÿRҥn ҧnh v}ng mҥc mҳt sӱ dөng mҥng hӑc sâu VessNet .......................................................................................................................... 16 3.2.1.1. Giӟi thiӋu kiӃn tr~c mҥng Vess-Net ...................................................... 16 3.2.1.2. Huҩn luyӋn mô hunh Vess-Net .............................................................. 18 3KѭѫQJSKiSSKkQÿRҥn ҧnh v}ng mҥc mҳt sӱ dөng mҥng hӑc sâu R2UNet .......................................................................................................................... 20 3.2.2.1. Giӟi thiӋu kiӃn tr~c mô hunh R2U-Net .................................................. 20 3.2.2.2. Huҩn luyӋn mô hunh R2U-Net .............................................................. 22 3KѭѫQJSKiSSKkQORҥi sӱ dөng mô hình SVM........................................... 23 3KѭѫQJSKiSÿiQKJLi ........................................................................................ 24 &+ѬѪ1*+,ӊN THӴ&9¬ĈÈ1+*,È.ӂT QUҦ ........................................ 27 4.1. Yêu cҫu phҫn cӭng ............................................................................................. 27 4.2. Tұp dӳ liӋu sӱ dөng ............................................................................................ 27 4.3. KӃt quҧ thӵc hiӋn ............................................................................................... 28 V 3KѭѫQJSKiSSKkQÿRҥn ҧnh v}ng mҥc mҳt sӱ dөng mҥng hӑc sâu VessNet .......................................................................................................................... 28 3KѭѫQJSKiSSKkQÿRҥn ҧnh v}ng mҥc mҳt sӱ dөng mҥng hӑc sâu R2UNet .......................................................................................................................... 29 ĈiQKJLiNӃt quҧ................................................................................................. 29 ĈiQKJLiNӃt quҧ trên tұp DRIVE ................................................................ 29 3KѭѫQJSKiSVӱ dөng mҥng Vess-Net .................................................. 29 ĈiQKJLiNӃt quҧ trên tұp STARE ............................................................... 30 3KѭѫQJSKiSVӱ dөng mҥng Vess-Net .................................................. 30 3KѭѫQJSKiSVӱ dөng mҥng R2U-Net .................................................. 31 ĈiQKJLiNӃt quҧ trên tұp CHASE_DB1 ..................................................... 32 3KѭѫQJSKiSVӱ dөng mҥng Vess-Net .................................................. 32 3KѭѫQJSKiSVӱ dөng mҥng R2U-Net .................................................. 33 ĈiQKJLiNӃt quҧ trên tұp HRF .................................................................... 35 3KѭѫQJSKiSVӱ dөng mҥng Vess-Net .................................................. 35 4.4.5. So sánh kӃt quҧ FiFSKѭѫQJSKiS ................................................................ 36 &+ѬѪ1*.ӂT LUҰN .......................................................................................... 37 5.1. KӃt quҧ ÿҥWÿѭӧc ................................................................................................ 37 ѬXYjQKѭӧFÿLӇm cӫDSKѭѫQJSKiSÿӅ xuҩt .................................................... 37 +ѭӟng mӣ rӝQJWѭѫQJODL ................................................................................... 37 TÀI LIӊU THAM KHҦO.......................................................................................... 38 VI DANH MӨC HÌNH ҦNH Hình 2.1: Cҩu tҥo võng mҥc mҳt [1] ............................................................................... 3 Hình 2.2: Phӕi trӝQPjXFѫEҧn [2] ................................................................................. 4 Hình 2.3: Hình ҧnh võng mҥc mҳWGѭӟi dҥng ҧnh màu, ҧnh xám và ҧnh nhӏ phân [3] ... 4 Hình 2.4: Ҧnh võng mҥc mҳt gӕc (trái), ҧnh võng mҥc mҳWÿmÿѭӧFSKkQÿRҥn (phҧi) [4]..................................................................................................................................... 5 Hình 2.5: Mô hình mҥng CNN [5] .................................................................................. 7 Hình 2.6: Ví dө vӅ phép tích chұp [6] ............................................................................. 8 Hình 2.7: Ví dө hàm ReLU [7] ........................................................................................ 8 Hình 2.8: Max Pooling vӟi Pooling Size là 2x2 [8] ........................................................ 9 Hình 2.9: Mô tҧ lӟp fully-connected [9].......................................................................... 9 Hình 2.10: Mô tҧ mӝt Residual Block [10] .................................................................. 10 Hình 2.11: Minh hӑa phép Recurrent convolutional ..................................................... 11 Hình 2.12: Phân lӟp dӳ liӋu vӟi giҧi thuұt SVM [11] ................................................... 12 Hình 2.13: Minh hӑa cách thӵc hiӋn cӫa lӟp Transpose Convolution [12] .................. 12 Hình 2.14: Mô tҧ lӟp Unpooling [13]............................................................................ 13 Hình 3.1: KiӃn trúc cӫa mҥng Vess-Net [14] ................................................................ 17 Hình 3.2: Quá trình huҩn luyӋn mô hình Vess-Net ....................................................... 19 Hình 3.3: Mô hình R2U-Net .......................................................................................... 20 Hình 3.4: Cҩu trúc khӕi Recurrent Residual Convolution ............................................ 21 Hình 3.5: Quá trình huҩn luyӋn mô hình R2U-Net ....................................................... 23 +uQK%ѭӟc tiӅn xӱ lý trong quá trình huҩn luyӋn mô hình R2U-Net .................... 23 Hình 3.7: Quy trình huҩn luyӋn và phân loҥi cӫa SVM ................................................ 24 Hình 4.1: Ҧnh mүXÿѭӧc lҩy tӯ các tұp dӳ liӋu............................................................. 27 Hình 4.2: So sánh kӃt quҧ cӫa hai mô hình trên ҧnh cӫa tұp STARE. (a): ҧnh phân ÿRҥn bӣi chuyên gia, (b): kӃt quҧ NKLSKkQÿRҥn bҵng Vess-Net, (c): kӃt quҧ khi phân ÿRҥn bҵng R2U-Net ....................................................................................................... 36 VII DANH MӨC BҦNG Bҧng 4.1: Thông sӕ cӫa các tұp dӳ liӋu......................................................................... 28 Bҧng 4.2: KӃt quҧ SKkQÿRҥn sӱ dөng mҥng Vess-Net trên các tұp dӳ liӋu ................. 28 Bҧng 4.3: KӃt quҧ SKkQÿRҥn sӱ dөng mҥng R2U-Net trên các tұp dӳ liӋu ................. 29 Bҧng 4.4: KӃt quҧ ÿiQKJLiWUrQWұp DRIVE dùng mҥng Vess-Net .............................. 30 Bҧng 4.5: KӃt quҧ ÿiQKJLiWUrQWұp STARE dùng mҥng Vess-Net.............................. 31 Bҧng 4.6: KӃt quҧ ÿiQKJLiWUrQWұp STARE dùng mҥng R2U-Net .............................. 32 Bҧng 4.7: KӃt quҧ ÿiQKJLiWUrQWұp CHASE_DB1 dùng mҥng Vess-Net.................... 33 Bҧng 4.8: KӃt quҧ ÿiQKJLiWUrQWұp CHASE_DB1 dùng mҥng R2U-Net .................... 34 Bҧng 4.9: KӃt quҧ ÿiQKJLiWUrQWұp HRF dùng mҥng Vess-Net................................... 35 Bҧng 4.10: KӃt quҧ ÿiQKJLiVRViQKWәng quát trên các tұp dӳ liӋu khác nhau ........... 36 VIII DANH MӨC TӮ VIӂT TҲT Cөm tӯ ÿҫ\ÿӫ Chӳ cái viӃt tҳt DRIVE Digital Retinal Images for Vessel Extraction STARE STructured Analysis of the Retina HRF High-Resolution Fundus TP True Positive TN True Negative FP False Positive FN False Negative SN Sensitivity SP Specificity ACC Accurracy CNN Convolutional Nerual Network SVM Support Vector Machine FOV Filed of view IX &+ѬѪ1* GIӞI THIӊU 7URQJFKѭѫQJQj\, WiFJLҧJLӟLWKLӋXÿӅWjLPөFWLrXYjQӝLGXQJÿӅWjLJLӟLKҥQ ÿӅWjLYjFҩXWU~FOXұQYăQ. 1.1. Giӟi thiӋXÿӅ tài Mҳt lj FѫTuan nhӓ bp QKѭQJY{Fng quan trӑQJWURQJÿӡi sӕnJFRQQJѭӡi. Mҳt lj cѫTXDQWKӏ giic thӵc hiӋn chӭc QăQJQKun, quan sit, thu nhұn lҥi hunh ҧnh cӫa sӵ vұt, mju sҳc ÿӇ chuyӇn vjo nmo xӱ lê vj OѭXWUӳ7URQJÿyY}QJPҥFOjOӟSP{WKҫQ NLQKFӫDPҳWYjFyFKӭFQăQJKRҥWÿӝQJQKѭPӝWFXӕQSKLPWURQJPi\TXD\.KL iQKViQJÿLYjRWURQJPҳWQy[X\rQTXDJLiFPҥFYjWKӫ\WLQKWKӇYjÿѭӧFKӝLWө WUrQY}QJPҥF9}QJPҥFFyFKӭFQăQJFKX\ӇQQăQJOѭӧQJiQKViQJWKjQKWKӏOӵF YjJӱLWK{QJWLQQJѭӧFYӅQmRTXDQKӳQJGk\WKҫQNLQKWKӏJLiF+RjQJÿLӇPOjSKҫQ WUXQJWkPYjQKҥ\FҧPFӫDY}QJPҥFYjQyFXQJFҩSQӝLGXQJFNJQJQKѭÿӝVҳFQpW FӫDWKӏOӵF +LӋQQD\OƭQKYӵF[ӱOêҧQKWURQJ\NKRDÿDQJÿѭӧFӭQJGөQJUӝQJUmLӣ9LӋW 1DPFNJQJQKѭWUrQWRjQWKӃJLӟL7URQJÿyYLӋFSKkQWtFKҧQKY}QJPҥFPҳWFNJQJ ÿyQJYDLWUzTXDQWUӑQJWUong YLӋFSKiWKLӋQYjFKXҭQÿRiQPӝWVӕ EӋQKQJX\KLӇP QKѭWLӇXÿѭӡQJFDRKX\ӃWiS«WӯÿyFiFEiFVӻFyWKӇÿѭDUDNӃWOXұQYӅWuQKWUҥQJ EӋQKFNJQJQKѭFySKiFÿӗÿLӅXWUӏWKtFKKӧSÿ~QJÿҳQFKREӋQKQKkQ7X\QKLrQ ҧQKY}QJPҥFPҳW FyFҩXWU~FNKiSKӭFWҥS YjVӵ[XҩWKLӋQFӫDFiFFKLWLӃWNhông TXDQWUӑQJNKLӃQFKR YLӋF QKuQYjRҧQKÿӇ FKXҭQÿRiQEӋQKFӫDFiFEiFVӻWӕQQKLӅX WKӡLJLDQKѫQ1KұQWKҩ\QKӳQJNKyNKăQÿyQKyPÿmWLӃQKjQKQJKLrQFӭX YjKLӋQ WKӵF FiFSKѭѫQJSKiSSKkQWtFKҧQKY}QJPҥFPҳWJL~SJLҧLTX\ӃWYҩQÿӅWUrQ. 1.2. Mөc tiêu và nӝLGXQJÿӅ tài 0өFWLrXFӫDÿӅWjLOjSKiWKLӋQÿyPViQJWURQJҧQKY}QJPҥFPҳW. ĈӇÿҥWÿѭӧFPөFWLrXQj\OXұQYăQVӁWKӵFKLӋQQKӳQJF{QJYLӋFVDXÿk\ x 7uPKLӇX ҧQKY}QJPҥF PҳW x 7uPKLӇXFiFF{QJWUuQKQJKLrQFӭXOLrQ quan. x ĈӅ[XҩWSKѭѫQJSKiSphân ÿRҥQ ҧQKY}QJPҥF x ĈӅ[XҩWSKѭѫQJSKiSSKiWKLӋQ ҧQKY}QJPҥFPҳWEҩWWKѭӡQJ x +LӋQWKӵFSKѭѫQJSKiSÿӅ [XҩW . 1 x 6RViQKYjÿiQKJLiÿӝKLӋXTXҧFӫDFiFSKѭѫQJSKiSSKkQWtFKѭXQKѭӧF ÿLӇPFӫDFK~QJ 1.3. Giӟi hҥQÿӅ tài 'RÿyPViQJOjPӝWWURQJQKӳQJNLӇXORҥLEҩWWKѭӡQJWURQJҧQKY}QJPҥFPҳW nên trong SKҥP vi nghiên FӭX tìm KLӇX tác JLҧ JLӟL KҥQ ÿӅ tài ӣ EѭӟF phân ÿRҥQ ҧQK Y}QJPҥFPҳWYjGӵDWUrQҧQKÿmSKkQÿRҥQÿӇSKiWKLӋQҧQKEҩWWKѭӡQJÿyPViQJ. ĈӅWjLWuPKLӇXYӅҧQKY}QJPҥFPҳWJLӟL WKLӋX và KLӋQ WKӵF SKѭѫQJ pháp phân ÿRҥQ ҧQK võng PҥF PҳWSKѭѫQJSKiSSKiWKLӋQ ҧQK EҩWWKѭӡQJQKҵPPөFÿtFK KӛWUӧ cho YLӋFFKXҭQÿRiQPӝWVӕEӋQKOêQKѭWLӇXÿѭӡQJ KX\ӃWiSFDRERQJY}QJPҥF« FӫD FiF\EiFVƭWURQJ\KӑFOkP sàng. 1.4. Cҩu trúc luұQYăQ /XұQYăQÿѭӧFFKLDOjPFKѭѫQJ ™ &KѭѫQJ*LӟLWKLӋX 7URQJFKѭѫQJQj\WiFJLҧJLӟLWKLӋXÿӅWjLPөF WLrXYjQӝLGXQJÿӅWjLJLӟLKҥQÿӅWjLYjFҩXWU~FOXұQYăQ ™ &KѭѫQJ&ѫ VӣOêWKX\ӃWYjFiFQJKLrQFӭXOLrQTXDQ 7URQJFKѭѫQJ Qj\WiFJLҧWUuQKEj\PӝWVӕFѫVӣOêWKX\ӃWYӅҧQKY}QJPҥFSKkQÿRҥQ ҧQK Yj FiF OӟSFѫEҧQ FӫD PҥQJ KӑF VkX *LӟLWKLӋX PӝW Vӕ F{QJ WUuQK QJKLrQFӭXOLrQTXDQÿӃQÿӅWjL ™ &KѭѫQJ3KѭѫQJSKiSÿӅ[XҩWÿӇSKiWKLӋQ ҧQKY}QJPҥF EҩWWKѭӡQJ. 7URQJFKѭѫQJQj\WiFJLҧQrXUD\rXFҫXEjLWRiQ ÿѭDUDSKѭѫQJSKiSÿӅ [XҩWYjSKѭѫQJSKiSÿiQKJLi ™ &KѭѫQJ+LӋQWKӵFYjÿiQKJLiNӃWTXҧ 7URQJFKѭѫQJQj\WiFJLҧWUuQK Ej\\rXFҫXSKҫQFӭQJNӃWTXҧKLӋQWKӵFFӫDJLҧLWKXұWÿӅ[XҩW ™ &KѭѫQJ  .ӃW /XұQ 7URQJ FKѭѫQJ Qj\ WiF JLҧ WUuQK Ej\ NӃW TXҧ ÿҥW ÿѭӧFѭXQKѭӧFÿLӇPFӫDSKѭѫQJSKiSÿӅ[XҩWYjKѭӟQJPӣUӝQJWURQJ WѭѫQJODL 2 &+ѬѪ1* &Ѫ6Ӣ LÝ THUYӂT VÀ CÁC NGHIÊN CӬU LIÊN QUAN 7URQJFKѭѫQJQj\WiFJLҧWUuQKEj\PӝWVӕ FѫVӣOêWKX\ӃWYӅҧQKY}QJPҥF phân ÿRҥQҧQKYjFiFOӟSFѫEҧQFӫDPҥQJKӑFVkX*LӟLWKLӋXPӝWVӕF{QJWUuQK QJKLrQFӭXOLrQTXDQÿӃQÿӅWjL 2.1. &ѫVӣ lý thuyӃt 2.1.1. Ҧnh võng mҥc mҳt 9}QJPҥFOjEӝSKұQErQWURQJFӫDPҳWÿk\OjQѫLWLӃSQKұQFiFWtQKLӋXiQK ViQJ9}QJPҥFFKӭDQKLӅXKӋWKӕQJPҥFK PiXҦQKY}QJPҥFPҳWOjҧQKNӻWKXұW VӕSKtDVDXPҳWFӫDEҥQ 4XDQViWҧQKY}QJPҥFPҳWWDFyGӉGjQJWKҩ\FKLWLӃWFѫ EҧQJӗPÿLӇP vàng IRYHDÿƭDTXDQJ RSWLFQHUYHYjFiFPҥFKPiX (retinal blood vessels). +uQKFKRWKҩ\FҩXWҥRFѫEҧQFӫDҧQK Y}QJPҥFPҳWҦQKY}QJPҥF PҳWKӛWUӧWuPUDPӝWVӕEӋQKOêQKѭEӋQKWLӇXÿѭӡQJ FDRKX\ӃWiS«FNJQJQKѭOj NLӇPWUDVӭFNKӓHPҳW Hình 2.1: Cҩu tҥo võng mҥc mҳt [1] 2.1.2. Ҧnh trong máy tính Mô hình màu 5*%OjP{KuQKVӱGөQJPjXFѫEҧQOj5HG ÿӓ*UHHQ (xanh lam) và Blue [DQKOөFWәKӧSWKHRQKLӅXSKѭѫQJWKӭFNKiFQKDXÿӇWҥRWKjQKQKӳQJ PjXNKiFQKDXQKѭ+uQK 3 Hình 2.2: Phӕi trӝn màu cѫEҧn [2] 3L[HOKD\ÿLӇPҧQKOjPӝWNKӕLPjXUҩWQKӓYjOjÿѫQYӏFѫEҧQQKҩWÿӇWҥRQrQ PӝWEӭFҧQKNӻWKXұWVӕ ҦQKPjXOjPӝWPDWUұQFiFSL[HOPjPӛLSL[HOÿҥLGLӋQPӝWÿLӇPPjX*LiWUӏ FӫDPӛLSL[HOÿѭӧFELӇXGLӉQEҵQJEӝVӕ5*%ĈӇWLӋQFKRYLӋF[ӱOêҧQKWKu VӁWiFKPDWUұQSL[HOUDFKDQQHO5HG*UHHQ%OXH ҦQK[iPOjҧQKFyJLiWUӏ PӛLSL[HOÿѭӧFELӇXGLӉQEҵQJPӝWJLiWUӏQJX\rQWURQJ NKRҧQJWӯ>@WKD\Yu5*%QKѭWURQJҧQKPjX'RÿyNKLELӇXGLӉQҧQK xám trong máy tính cKӍFҫQPӝWPDWUұQOjÿӫ*LiWUӏOjPjXÿHQOjPjXWUҳQJ YjJLiWUӏSL[HOFjQJJҫQWKuFjQJWӕLYjFjQJJҫQWKuFjQJViQJ ҦQKQKӏSKkQOjҧQKÿHQWUҳQJFKӍFyJLiWUӏOjYjPLӅQVӕQJX\rQKRһF YjPLӅQVӕWKӵF Hình 2.3 minh hӑDFKRORҥLҧQKJӗPҧQKPjXҧQK[iPYjҧQKQKӏSKkQ Hình 2.3: Hình ҧnh võng mҥc mҳt Gѭӟi dҥng ҧnh màu, ҧnh xám và ҧnh nhӏ phân [3] 2.1.3. 3KkQÿRҥn ҧnh 3KkQÿRҥQҧQKOjTXiWUuQKҧQKÿѭӧFSKkQWKjQKQKLӅXQKyPpixel khác nhau. 1KӳQJQKyPQj\ÿѭӧFJӑLOjFiFÿӕLWѭӧQJҧQK 3KkQÿRҥQҧQKJL~SJLҧPÿӝSKӭF WҥSFӫDҧQKYjJL~SYLӋFSKkQWtFKҧQKWUӣQrQÿѫQJLҧQKѫQ 4 &iFWKXұWWRiQSKkQÿRҥQKuQKҧQKWiFKKRһFQKyPPӝWVӕOѭӧQJQKҩWÿӏQKFiF SL[HOWӯҧQKÿҫXYjR1KѭYұ\FiFSL[HOVӁÿѭӧFJiQQKmQQKӳQJSL[HOFyFQJQKmQ VӁWKXӝFPӝWÿӕLWѭӧQJҧQK%ҵQJFiFKVӱGөQJQKmQYLӋF[iFÿӏQKFiFÿѭӡQJUDQK JLӟLYjWiFKFiFÿӕLWѭӧQJTXDQWUӑQJWURQJҧQKUDNKӓLFiFÿӕLWѭӧQJFzQOҥLÿѭӧF WKӵFKLӋQPӝWFiFKGӉGjQJ PhâQÿRҥQQJӳQJKƭDYjSKkQÿRҥQFiWKӇOjFiFNӃWTXҧNKLWKӵFKLӋQFiFJLҧL WKXұWSKkQÿRҥQNKiFQKDXӣFiFPӭFÿӝNKiFQKDX+uQKPLQKKӑDFiFPӭFÿӝ SKkQÿRҥQ Hình 2.4: Ҧnh võng mҥc mҳt gӕc (trái), ҧnh võng mҥc mҳWÿmÿѭӧFSKkQÿRҥn (phҧi) [4] 'ӵDWUrQKѭӟQJWLӃSFұQSKkQÿRҥQҧQKFNJQJQKѭFiFNLӇX[ӱOêFҫQWKLӃWÿӇFy WKӇÿҥWÿѭӧFNӃWTXҧÿmÿѭӧFÿӅUDSKkQÿRҥQҧQKFyWKӇÿѭӧFWKӵFKLӋQWKHRQKӳQJ NӻWKXұWVDXSKѭѫQJSKiSQJѭӥQJSKkQÿRҥQGӵDWUrQ FҥQKSKkQÿRҥQGӵDWUrQ NKXYӵFSKkQÿRҥQGӵDWUrQJRPFөPSKkQÿRҥQGӵDWUrQPҥQJQѫ-URQQKkQWҥR 2.1.3.1. 3KkQÿRҥn ҧnh bҵQJSKѭѫQJSKiSQJѭӥng 3KѭѫQJSKiSFyOӁOjNӻWKXұWFѫEҧQYjPҥQKPӁÿӇ[iFÿӏQKFiFÿӕLWѭӧQJFҫQ WKLӃWWURQJPӝWKuQKҧQK&iFSL[HOWURQJҧQKÿѭӧFSKkQFKLDEҵQJFiFKVRViQKJLi WUӏFѭӡQJÿӝFӫDSL[HOÿyYӟLPӝWJLiWUӏQJѭӥQJ3KѭѫQJSKiSQJѭӥQJSKKӧSYӟL NKLJLiWUӏFӫDFiFÿӕLWѭӧQJTXDQWUӑQJWURQJҧQKOӟQKѫQVRYӟLQӅQKRһFFiFÿӕL WѭӧQJNK{QJTXDQWUӑQJNKiFFӫDҧQK 2.1.3.2. 3KkQÿRҥn ҧnh dӵa trên cҥnh 3KiWKLӋQFҥQKOjTXiWUuQK[iFÿӏQKYӏWUtFiFFҥQKWURQJҧQKÿk\OjPӝWEѭӟF TXDQWUӑQJÿӇKLӇXÿѭӧFFiFÿһFWUѭQJFӫDҧQK&iFFҥQKFӫDҧQKWKѭӡQJFKӭDFiF ÿһFÿLӇPYjWK{QJWLQTXDQWUӑQJFӫDFiFÿӕLWѭӧQJWURQJҧQK%ҵQJYLӋFSKiW KLӋQ 5 FҥQKҧQKVӁÿѭӧF[ӱOêYjOӑFFiFWK{QJWLQtWTXDQWUӑQJKѫQWӯÿyJLҧPÿiQJNӇ NtFKWKѭӟFFӫDҧQKPjYүQEҧRWRjQQKӳQJÿһFWtQKFҩXWU~FTXDQWUӑQJFӫDҧQK 3KkQÿRҥQҧQKGӵDWUrQFҥQKWKӵFKLӋQSKiW KLӋQFҥQKWURQJҧQKGӵDWUrQFiF ÿLӇPNK{QJOLrQWөFNKiFQKDXYӅPӭF[iPPjXVҳFNӃWFҩXÿӝViQJÿӝEmRKzD ÿӝWѭѫQJSKҧQ 2.1.3.3. 3KkQÿRҥn ҧnh dӵa trên khu vӵc 3KѭѫQJSKiSSKkQÿRҥQGӵDWUrQNKXYӵFWKӵFKLӋQYLӋFSKkQÿRҥQEҵQJFiFK FKLDҧQKWKjQKQKLӅXSKҫQNKiFQKDX1KӳQJSKҫQQj\ OjWұSKӧSFic pixel và có FiFÿһFÿLӇPWѭѫQJWӵQKDX 3KkQÿRҥQҧQKGӵDWUrQNKXYӵFWKѭӡQJEҳWÿҫXEҵQJYLӋF[iFÿӏQKPӝWVӕÿLӇP KҥWJLӕQJ1KӳQJÿLӇPKҥWJLӕQJQj\FyWKӇOjPӝWSKҫQUҩWQKӓKRһFUҩWOӟQFӫDҧQK ÿҫXYjR6DXÿyiSGөQJPӝWVӕSKѭѫQJSKiSQKҩWÿӏQK ÿӇWăQJWKrP KRһFWKXQKӓ ciFSL[HOYjRFiFÿLӇPKҥWJLӕQJ YjNӃWKӧSFK~QJOҥLYӟLQKDX 2.1.3.4. 3KkQÿRҥn dӵa trên gom cөm 7KXұWWRiQJRPFөPOjWKXұWWRiQNK{QJJLiPViWYuQyNK{QJFyFiFOӟSQKyP KRһFFiFÿһFWUѭQJÿѭӧF[iFÿӏQKWUѭӟF7KXұWWRiQJRPFөPJL~SWKXQҥSFiFWK{QJ tin Fѫ EҧQҭQFKӭDWURQJGӳOLӋXQKѭFҩXWU~FFөPYjQKyPPjNK{QJWKҩ\ÿѭӧF WUѭӟFÿyGӵDWKHRNLQKQJKLӋP 3KѭѫQJSKiSSKkQÿRҥQGӵDWUrQJRPFөPFKLDҧQKWKjQKFiFFөPSL[HOFyFiF ÿһFÿLӇPWѭѫQJWӵ 7KHRWtQKFKҩWFӫDPӝWFөPGӳOLӋXFѫEҧQFiFSKҫQWӱÿѭӧF WiFKWKjQKFiFFөPVDRFKRQKӳQJSKҫQWӱWKXӝFFQJPӝWFөPVӁWѭѫQJWӵYӟLQKDX KѫQVRYӟLQKӳQJSKҫQWӱWKXӝFFөPNKiF 2.1.3.5. 3KkQÿRҥn dӵa trên mҥQJQѫ-ron nhân tҥo 9LӋFVӱGөQJPҥQJQѫ-URQÿӇSKkQÿRҥQҧQKWKѭӡQJÿѭӧFJӑLOjQKұQGҥQJKuQK ҧQK1KұQGҥQJKuQKҧQKOjVӱGөQJ$,ÿӇWӵÿӝQJ[ӱOêYj[iFÿӏQKFiFWKjQKSKҫQ FӫDPӝWҧQKQKѭÿӕLWѭӧQJNKX{QPһWYăQEҧQ0ҥQJQѫ-URQWtFKFKұSWKѭӡQJ ÿѭӧFVӱGөQJÿӇSKkQÿRҥQҧQKYuPҥQJQѫ-URQQj\ÿѭӧFWKLӃWNӃÿӇ[ӱOêҧQKÿӝ nét cao. 7KHRQKѭSKѭѫQJSKiSSKkQÿRҥQGӵDWUrQPҥQJQѫ-URQPӝWҧQKÿѭӧFFRLOj PӝWWұSKӧSFiFYHFWRUKRһF PӝWUDVWHU9HFWRUKRһFUDVWHUVӁOjWKjQKSKҫQÿѫQJLҧQ QKҩWÿӇWҥRWKjQKFiFÿӕLWѭӧQJÿһFÿLӇPFӫDҧQK%ҵQJFiFKWUtFK[XҩWQKӳQJSKҫQ TXDQWUӑQJ KӋWKӕQJWKӏJLiFPi\WtQKFyWKӇSKkQWtFKPӝWFiFKKӧSOêFiFFҩXWU~F 6 FyWURQJҧQKVDXÿyWәFKӭFOҥLGӳOLӋXWK{QJTXDJLҧLWKXұWWUtFK[XҩWÿһFWUѭQJKRһF JLҧLWKXұWSKkQORҥL 0һFGSKѭѫQJSKiSSKkQÿRҥQGӵDWUrQPҥQJQѫ-URQWӕQNKiQKLӅXWjLQJX\rn YjRYLӋFÿjRWҥRGӳOLӋXQKѭQJQyPDQJOҥLPӝWNӃWTXҧFyÿӝFKtQK[iFUҩWFDR 2.1.4. MҥQJQѫ-ron tích chұp (Convolutional Neural Network) 0ҥQJ Qѫ-URQ WtFK FKұS &RQYROXWLRQDO 1HXUDO 1HWZRUN-CNN Oj PӝW WURQJ QKӳQJP{KuQKPҥQJ+ӑFVkXSKәELӃQQKҩWKLӋQQD\ FyNKҧQăQJQKұQGҥQJYj SKkQORҥLKuQKҧQKYӟLÿӝFKtQK[iFUҩWFDR. &iFOӟSFѫEҧQWURQJPӝWPҥQJ&11EDRJӗP/ӟSWtFKFKұS&RQYROXWLRQDO /ӟSNtFKKRҥWSKLWX\ӃQ5H/85HFWLILHG/LQHDU8QLW/ӟSOҩ\PүX3RROLQJYj /ӟSNӃWQӕLÿҫ\ÿӫFully-CRQQHFWHGÿѭӧFWKD\ÿәLYӅVӕOѭӧQJYjFiFKVҳS[ӃSÿӇ WҥR ra các m{KuQKKXҩQOX\ӋQSKKӧSFKRWӯQJEjLWRiQNKiFQKDX Hình 2.5: Mô hình mҥng CNN [5] 2.1.4.1. Lӟp tích chұp (Convolutional) Convolutional Layer là mӝWWұSFiFfeature map YjPӛLfeature map Qj\OjPӝW EҧQVFDQFӫDLQSXWEDQÿҫXQKѭQJÿѭӧFWUtFK[XҩWUDFiFIHDWXUHÿһFWtQKFөWKӇ 6FDQQKѭWKӃQjRWKuOҥLGӵDYjRConvolution Filter hay kernelĈk\OjPӝWPDWUұQ VӁTXpWTXDPDWUұQGӳOLӋXÿҫXYjRWӯWUiLTXDSKҧLWUrQ[XӕQJGѭӟLYjQKkQWѭѫQJ ӭQJWӯQJJLiWUӏFӫDPDWUұQÿҫXYjRUӗLFӝQJWәQJOҥLNӃWTXҧVӁOjPӝWFRQVӕFөWKӇ WұSKӧSFiFFRQVӕQj\OҥLOjPDWUұQQӳDFKtQKOjfeature map. 7