Mô tả:
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 XÃ 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-1HW581HWÿӇSKkQÿRҥQҧQKY}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 XÃ 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, R2U1HWÿӇSKkQÿRҥQҧQKY}QJPҥFPҳWYjP{KuQK6XSSRUW9HFWRU0DFKLQHÿӇSKiW
hLӋQҧQKY}QJPҥFFyVӵEҩWWKѭӡQJÿym sinJ7iFJLҧKLӋQWKӵFFiFSKѭѫQJSKiS
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 IRYHDÿƭDTXDQJ RSWLFQHUYHYjFiFPҥFKPiX (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 [DQKOөFWәKӧSWKHRQKLӅXSKѭѫQJWKӭFNKiFQKDXÿӇWҥRWKjQKQKӳQJ
PjXNKiFQKDXQKѭ+uQK
3
Hình 2.2: Phӕi trӝn màu cѫEҧn [2]
3L[HOKD\ÿLӇPҧQKOjPӝWNKӕLPjXUҩWQKӓYjOjÿѫQYӏFѫEҧQQKҩWÿӇWҥRQrQ
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\rQKRһF
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\PүX3RROLQJYj
/ӟSNӃWQӕLÿҫ\ÿӫFully-CRQQHFWHGÿѭӧFWKD\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
- Xem thêm -