TÍNH TOÁN HẠT DỰA TRÊN ĐỘ ĐO TƯƠNG ĐỒNG MỜ PHỨC  TRONG HỖ TRỢ CHẨN ĐOÁN NHA KHOA

Trần Mạnh Tuấn; Trần Thị Ngân; Vũ Anh Tuấn

doi:10.34238/tnu-jst.4128

TÍNH TOÁN HẠT DỰA TRÊN ĐỘ ĐO TƯƠNG ĐỒNG MỜ PHỨC TRONG HỖ TRỢ CHẨN ĐOÁN NHA KHOA

Thông tin bài báo

Ngày nhận bài: 09/03/21 Ngày hoàn thiện: 11/05/21 Ngày đăng: 24/05/21

Các tác giả

1. Trần Mạnh Tuấn , Học viện Khoa học và Công nghệ - Viện hàn lâm Khoa học và Công nghệ Việt Nam Viện Công nghệ thông tin - Viện hàn lâm Khoa học và Công nghệ Việt Nam Trường Đại học Thủy lợi
2. Trần Thị Ngân, Trường Đại học Thủy lợi
3. Vũ Anh Tuấn, Trường Đại học Y Dược - ĐH Thái Nguyên

Tóm tắt

Việc ứng dụng công nghệ trợ giúp trong quá trình thăm khám bệnh là nhân tố quan trọng trong việc giảm tải công việc của bác sĩ. Vấn đề đặt ra là làm thế nào để các công nghệ nâng cao được chính xác trong chẩn đoán. Trong nghiên cứu này, chúng tôi phát triển một mô hình kết hợp giữa tính toán hạt với các độ đo tương đồng mờ phức. Trước hết, độ đo tương đồng mờ phức được sử dụng để đánh giá độ tương đồng giữa các mẫu bệnh chuẩn với mẫu cần chẩn đoán. Sau đó tính toán hạt được áp dụng để lựa chọn xem bệnh nào có khả năng mắc cao nhất. Mô hình đề xuất được thực nghiệm trên bộ dữ liệu ảnh nha khoa bao gồm các ảnh X-quang về bệnh răng khôn mọc lệch. Kết quả thực nghiệm chứng tỏ mô hình mới có độ chính xác tốt hơn so với một số phương pháp khác. Kết quả nghiên cứu này sẽ hỗ trợ các nha sĩ trong chẩn đoán bệnh răng khôn mọc lệch.

Từ khóa

Tính toán hạt; Lý thuyết mờ phức; Hỗ trợ chẩn đoán; Nha khoa; Độ đo tương tự

Toàn văn:

PDF

Tài liệu tham khảo

[1] Zadeh and A. Lotfi, "Fuzzy sets," In Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers by Lotfi A Zadeh, 1996, pp. 394-432.

[2] C. Troussas, K. Chrysafiadi, and M. Virvou, "An intelligent adaptive fuzzy-based inference system for computer-assisted language learning," Expert Systems with Applications, vol. 127, pp. 85-96, 2019.

[3] A. Mensah, Rhoda, J. Xiao, O. Das, L. Jiang, Q. Xu, and M. O. Alhassan, "Application of Adaptive Neuro-Fuzzy Inference System in Flammability Parameter Prediction," Polymers, vol. 12, no. 1, 2020, Art. no. 122.

[4] A. Bakhshipour, H. Zareiforoush, and I. Bagheri, "Application of decision trees and fuzzy inference system for quality classification and modeling of black and green tea based on visual features," Journal of Food Measurement and Characterization, vol. 3, no. 3, pp. 1-15, 2020.

[5] D. Ramot, R. Milo, M. Friedman, and A. Kandel, "Complex fuzzy sets," IEEE Transactions on Fuzzy Systems, vol. 10, no. 2, pp. 171-186, 2002.

[6] D. Ramot, M. Friedman, G. Langholz, and A. Kandel, "Complex fuzzy logic," IEEE Transactions on Fuzzy Systems, vol. 11, no. 4, pp. 450-461, 2003.

[7] T. Chia-Hao and C. Li. "Multiple Function Approximation-A New Approach Using Complex Fuzzy Inference System," Asian Conference on Intelligent Information and Database Systems, Springer, Cham, 2018, pp. 243-254.

[8] G. Selvachandran, S. G. Quek, T. H. L. Luong, L. G. Nguyen, W. Ding, M. Abdel-Basset, and V. H. C. Albuquerque, "A new design of Mamdani complex fuzzy inference system for multi-attribute decision making problems," IEEE Transactions on Fuzzy Systems, vol. 28, no. 5, pp. 858-873, 2019.

[9] Z. Chen, S. Aghakhani, J. Man, and S. Dick. "ANCFIS: A neurofuzzy architecture employing complex fuzzy sets," IEEE Transactions on Fuzzy Systems, vol. 19, no. 2, pp. 305-322, 2010.

[10] M. Setnes, R. Babuska, U. Kaymak, and H. R. van N. Lemke, "Similarity measures in fuzzy rule base simplification," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 28, no. 3, pp. 376-386, 1998.

[11] A. U. M. Alkouri and A. R. Salleh, "Linguistic variable, hedges and several distances on complex fuzzy sets," Journal of Intelligent & Fuzzy Systems, vol. 26, no. 5, pp. 2527-2535, 2014.

[12] H. Liu and M. Cocea, "Granular computing-based approach of rule learning for binary classification," Granular Computing, vol. 4, no. 2, pp. 275-283, 2019.

[13] L. H. Son and T. M. Tuan, "Dental segmentation from X-ray images using semi-supervised fuzzy clustering with spatial constraints," Engineering Applications of Artificial Intelligence, vol. 59, pp. 186-195, 2017.

[14] M. T. Tran, M. C. Pham, M. Ali, T. N. Tran, M Mittal, and H. S. Le, "Fuzzy and neutrosophic modeling for link prediction in social networks," Evolving Systems, vol. 10, no. 4, pp. 629-634, 2019.

[15] M. T. Tran, T. D. Nguyen, V. H. Pham, and H. S. Le, "Dental diagnosis from X-ray images using fuzzy rule-based systems," International Journal of Fuzzy System Applications (IJFSA), vol. 6, no. 1, pp. 1-16, 2017.

[16] L. T. H. Lan, T. M. Tuan, T. T Ngan, N. L. Giang, V. T. N. Ngoc, and P. V. Hai, “A New Complex Fuzzy Inference System With Fuzzy Knowledge Graph and Extensions in Decision Making,” IEEE Access, vol. 8, pp. 164899-164921, 2020.

DOI: https://doi.org/10.34238/tnu-jst.4128

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ