Phân loại ba vùng GM, WM, CSF từ ảnh não người và xác định điểm bất thường bằng phương pháp EM cải tiến

Đề tài trình bày phương pháp phân vùng ảnh MRI não người. Quá trình phân vùng ảnh não gồm hai giai đoạn chính bằng phương pháp sử dụng thuật toán Expectation Maximization kết hợp với PSO: (1) Giai đoạn 1: Phân tách thành vùng hộp sọ và vùng não; (2) Giai đoạn 2: Phân chia thành ba vùng: Gray Matter (GM), White Matter (WM) và CSF (Cerebrospinal fluid).

Chuyên san Phát triển Khoa học Công nghệ số (2), 2019 PHÂN LOẠI BA VÙNG GM, WM, CSF TỪ ẢNH NÃO NGƯỜI VÀ XÁC ĐỊNH ĐIỂM BẤT THƯỜNG BẰNG PHƯƠNG PHÁP EM CẢI TIẾN Lê Trần Trung1*, Trần Anh Tuấn2 Trường Đại học Công nghiệp TP Hồ Chí Minh Trường Đại học Khoa học Tự nhiên – ĐHQG TP Hồ Chí Minh *Tác giả liên lạc: letrantrung711@gmail.com (Ngày nhận bài: 10/4/2019; Ngày duyệt đăng: 22/5/2019) TÓM TẮT Đề tài trình bày phương pháp phân vùng ảnh MRI não người Quá trình phân vùng ảnh não gồm hai giai đoạn phương pháp sử dụng thuật toán Expectation Maximization kết hợp với PSO: (1) Giai đoạn 1: Phân tách thành vùng hộp sọ vùng não; (2) Giai đoạn 2: Phân chia thành ba vùng: Gray Matter (GM), White Matter (WM) CSF (Cerebrospinal fluid) Sau đó, xác định điểm bất thường (thường khối u, xuất huyết, phù nề, v.v.) có với phương pháp này, nhờ phân chia ảnh não thành phân vùng có khối u giúp bác sĩ việc chuẩn đoán mức độ bệnh liên quan đến não Từ khóa: MRI não người, phương pháp Expectation Maximization, phương pháp PSO, Gray Matter(GM), White Matter (WM), CSF(Cerebrospinal fluid), khối u não SEGMENTATION MRI BRAIN IMAGE INTO THREE REGIONS GM, WM AND CSF AND ABNORMAL AREA DETECTION BY AN IMPROVED EM APPROACH Le Tran Trung1*, Tran Anh Tuan2 Ho Chi Minh City University of Industry University of Sciences – VNU Ho Chi Minh City *Corresponding Author: letrantrung711@gmail.com ABSTRACT The paper presents a segmentation method of human brain MRI The process of brain images segmentation consists of two main steps, by using the Expectation Maximization and PSO algorithm: (1) Step 1: Segment into regions: Skull and brain region; (2) Step 2: Segment into regions: Gray Matter (GM), White Matter (WM) and Cerebrospinal fluid (CSF) After that, abnormalities (usually tumor, cerebral haemorrhage, etc.) in segmented WM region will be determined By dividing brain images into segments (include tumor segments) with this method, will help doctors diagnose degree of brainrelated illness Keywords: MRI brain images, Expectation Maximization, PSO methods, Gray Matter(GM), White Matter (WM), CSF(Cerebrospinal fluid), brain tumor al 2016) Hình ảnh não chủ yếu chứa thông tin nhiễu, không đồng sai lệch Phân vùng ảnh nhiệm vụ quan trọng phân tích hình ảnh y tế thường bước bước quan trọng nhiều ứng dụng lâm sàng Trong phân tích ảnh não MRI, phân vùng ảnh thường TỔNG QUAN Sự phát triển nhanh chóng cơng nghệ hình ảnh ngày cho phép quan thể sống khám phá khơng có giới hạn Một phận thể khó tiếp cận phức tạp não người thừa hưởng lợi ích từ kỹ thuật chụp ảnh y khoa ( A.Pitiot et 29 Chuyên san Phát triển Khoa học Công nghệ số (2), 2019 sử dụng để đo lường hình dung cấu trúc giải phẫu não, phân tích thay đổi não, cho khoanh vùng bệnh lý lập kế hoạch phẫu thuật can thiệp hình ảnh hướng dẫn Trong vài thập kỷ qua, kỹ thuật phân vùng khác với độ xác mức độ phức tạp khác phát triển báo cáo báo, nghiên cứu: phương pháp phân vùng dựa ngưỡng, phân lớp k-nearest-neighbor (kNN), gom cụm Fuzzy C-means, v.v (I Despotović et al 2015) Đề tài trình bày phương pháp EM cải tiến (Expectation Maximization) phân vùng ảnh não thực hình ảnh chụp não người thu máy quét MRI (Magnetic resonance imaging) Trọng tâm nghiên cứu đề tài tìm hiều, áp dụng thành công phương pháp để phân tách ba vùng mô khác ảnh não MRI chất trắng (WM White Matter), chất xám (GM - Grey matter) dịch não tủy (CSF Cerebrospinal fluid) thành vùng riêng biệt Sau phân tách ảnh não MRI thành công, nhiệm vụ phát xác định điểm bất thường thể ảnh dựa vào dấu hiệu, triệu chứng y khoa não Qua đó, hỗ trợ bác sĩ xác định tổn thương từ ảnh não (khối u, xuất huyết, … ) cách tự động chương trình máy tính đạt độ xác cao Điều giúp tiết kiệm đáng kể thời gian, công sức bác sĩ việc xác định chẩn đoán tổn thương não với trợ giúp máy tính CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP Cơ sở liệu Đối với ảnh bình thường khơng có bệnh, đề tài thực nguồn sở liệu Open Source Brain (OSB) Open Source Brain nguồn tài ngun chia sẻ mơ hình tính tốn cộng tác phát triển ngành thần kinh Cơ sở liệu mà đề tài gồm 176 ảnh não người MRI, xếp theo thứ tự lắt cắt ngang từ lên người bình thường Chúng thuộc loại ảnh MRI TW1 Ngoài sở liệu OSB, để kiểm chứng trích xuất vùng hộp sọ, WM, GM CSF, chúng tơi cịn sưu tập ảnh từ nguồn Figshare chứa khối u để trích xuất khối u Dữ liệu Cheng, Jun đồng nghiệp trường Đại học Kĩ thuật Y, Quảng Châu, Trung Quốc sử dụng báo: “Enhanced Performance of Brain Tumor Classification via Tumor Region Augmentation and Partition” PloS one 10.10 (2015) “Retrieval of Brain Tumors by Adaptive Spatial Pooling and Fisher Vector Representation” PloS one 11.6 (2016) Hình Cơ sở liệu ảnh MRI TW1 OSB với đầy đủ lát cắt 30 Chuyên san Phát triển Khoa học Cơng nghệ số (2), 2019 Hình Cơ sở liệu ảnh Figshare với khối u cá thể thay đổi vị trí theo thời Phương pháp nghiên cứu Phương pháp EM MPM: Thuật tốn trình gian tìm giải pháp tối ưu cục Pbest bày sử dụng cách tiếp cận thống kê để khơng gian tìm kiếm D chiều Sau phân đoạn ảnh kết cấu Phân chia thống kê đó, Pbest so sánh với giải pháp tối ưu thường phân vùng ảnh cách tối toàn cục Gbest bầy đần để cập nhật ưu hóa số tiêu chí Ước lượng tối ưu lại giá trị cho Gbest Dựa vào Gbest để tìm hóa tiêu chí gọi “maximizer of giải pháp tối ưu the posterior marginals” (MPM) Nó v kj 1  v kj  c1r1 ( Pbest j  x kj )  c2 r2 (Gbesti  x kj ) tiêu chí ước lượng i 1 i i 1 MPM thích hợp cho phân vùng ảnh x j  x j  v j tiêu chuẩn MAP Mục tiêu thuật Trong đó: x kj : vị trí cá thể thứ toán EM/MPM cực tiểu giá trị số j chiều k; x kj 1 : vị trí cá thể j điểm ảnh phân lớp sai Điều tương đương với việc tối đa hoá xác suất biên chiều k+1;  : hệ số quán tính thường nhận nhãn lớp Thuật tốn tóm tắt giá trị từ 0.1 đến 0.9; c1, c2: hệ số gia tốc sau: Thứ nhất, ước lượng ban đầu thường nhận giá trị từ kđến 2; r1,r2: số  ngẫu nhiên 1; v j : vận tốc  (0) X(1,0) tương ứng  X thể j chiều k; Pbestj: vị trí cục tốt chọn Sau đó, cho bước p=1,…, cá thể j; Gbest : vị trí tốt tồn P thuật tốn bao gồm theo hai bước: cục tồn bầy đàn 1) Thực vòng lặp TP thuật Các bước tiến hành: Thuật toán chúng toán MPM sử dụng  ( p  1) giá trị đề xuất đề phân vùng ảnh não cách kết hợp hai phương pháp PSO  2) Sử dụng công thức cập nhật EM cho EMMPM với Dựa vào ưu điểm kết  để thu  ( p) , sử dụng giá trị hợp hai phương pháp trên, PSO gán nhãn vùng bước khởi tạo ước lượng vk ,s ( p, Tp ) thuật tốn EMMPM Nhờ đó, phương pX |Y (k | y, ( p  1)) pháp EMMPM hội tụ nhanh Sau đạt  ( p) ước lượng cuối xác  , vòng lặp Tp 1 thuật EMMPM-PSO giai đoạn 1: Nhìn vào sở ảnh não TW1, ta thấy phần hộp sọ điểm toán MPM thực sử dụng  ( p) bất thường có mức xám cao dễ nhận Các phân vùng cuối X ( P  1, TP1 ) thấy nên giai đoạn 1, đề tài thuật Phương pháp PSO: PSO dựa kinh thuật toán EMMPM kết hợp PSO để phân nghiệm bầy đàn Eberhart and tách vùng hộp sọ điểm bất thường Đầu Kennedy giới thiệu vào năm 1995, mơ vào liệu ảnh não MRI TW1, lại hành vi xã hội bầy chim hay sau khởi tạo gán nhãn vùng đàn cá tìm kiếm nguồn thức ăn phương pháp PSO, thuật toán chạy Tương tự giải thuật di truyền với số phân vùng Sau vùng số PSO khơng có giai đoạn lai ghép lấy qua số phép xử lý cá thể quần thể Trong hệ, Morphplogy (dilation erosion) ta s 31 Chuyên san Phát triển Khoa học Công nghệ số (2), 2019 lấy hộp sọ Trong trường hợp ảnh có khối u khối u nằm vùng số có kích thước trung bình tỷ lệ mức xám lớn 0.4 Hình Ảnh kết sau phân vùng giai đoạn với ba lớp Hình Ảnh kết trích xuất hộp sọ qua số bước xử lý Morphology Hình Ảnh kết phân vùng giai đoạn với trường hợp có vùng bất thường EMMPM-PSO giai đoạn 2: Sau thực hiên EMMPM-PSO giai đoạn 1, ta loại bỏ vùng hộp sọ bất thường vùng não Lúc giai đoạn thực EMMPM-PSO với ảnh vùng não Số phân vùng đầu vào thuật toán giai đoạn Các trình khởi tạo giá trị tham số thực thuật toán tương tự giai đoạn khác biết ma trận liệu lấy từ bước tiền phân vùng thuật toán PSO ảnh chứa vùng não Hình Ảnh kết sau phân vùng giai đoạn với năm lớp 32 Chuyên san Phát triển Khoa học Cơng nghệ số (2), 2019 Hình Ảnh kết trích xuất vùng WM, GM CSF KẾT QUẢ VÀ THẢO LUẬN Kết giai đoạn trích xuất hộp sọ Kết trích xuất hộp sọ giai đoạn đề tài thực CSDL ảnh não bình thường có bệnh Vùng sọ phân tách xác với hầu hết lát cắt ngang ảnh não khác Tuy nhiên số vùng giáp biên với vùng não bị thiếu chấp nhận Hình Vùng hộp sọ trích xuất từ ảnh não Kết giai đoạn trích xuất vùng GM, xác với CSF WM số vùng nhiễu có diện tích nhỏ nằm gần WM CSF Giai đoạn thuật toán đề xuất đề tài, giáp biên với vùng sọ Đối với ảnh não có loại bỏ vùng không quan tâm lúc bệnh, CSF WM có kết tương vùng não để phân chia thành tự thêm vào số vùng bị sai ba vùng mơ não GM, WM nằm gần với điểm bất thường CSF Kết vùng GM tương đối Hình Ba vùng GM, WM CSF trích xuất từ ảnh não 33 Chuyên san Phát triển Khoa học Công nghệ số (2), 2019 nằm tiêng biệt trích xuất xác, với vùng bất thường nằm rải rác gần cho kết khơng tốt Kết giai đoạn trích xuất vùng bất thường Vùng bất thường có kích thước nhỏ vừa Hình 10 Ảnh kết vùng bất thường trích xuất từ ảnh não có bệnh Nhìn phần WM phương pháp EM So sánh với thuật toán EM GMM Với phương pháp chúng tôi, phân GMM, phân vùng khơng tốt có vùng GM, WM CSF cho kết tốt: vùng có diện tích nhỏ WM khơng bị nhiễu gom số vùng Vùng CSF phương pháp EM GMM bị nhỏ thuộc hộp sọ Vùng sọ phương gom chung với số vùng nhiễu thuộc pháp EM GMM bị nhiễu nhiều chấm biên hộp sọ bên nhỏ bên Bảng Kết so sánh thuật toán với phương pháp EM GMM Phương pháp đề xuất Phương pháp EM GMM Hộp sọ GM CSF WM 34 Chuyên san Phát triển Khoa học Công nghệ số (2), 2019 sỹ việc chẩn đoán xem xét tình trạng bệnh nhân Tuy nhiên, phương pháp thực phân vùng PSO kết hợp EM MPM chậm thực gán nhãn cho label PSO khởi tạo giá trị cho bước kỳ vọng ban đầu thuật toán EM MPM thay khởi tạo gán nhãn ngẫu nhiên Hướng phát áp dụng vị trí tương đối vùng ảnh lát cắt não khác để đánh giá xác Thêm vào đó, nghiên cứu áp dụng kết hợp phương pháp PSO với phương pháp phân loại khác EM MPM để đạt hiệu tốt KẾT LUẬN VÀ KIẾN NGHỊ Chúng đưa phương pháp phân vùng ảnh não cải tiến dựa phương pháp EM Đánh giá thực nghiệm kết tập liệu ảnh não OSB ảnh não có bệnh từ Innernet cho kết xác Thuật tốn đưa phân vùng mơ não ảnh não MRI bao gồm: Vùng 1: Hộp sọ Vùng 2: WM Vùng 3: GM Vùng 4: CSF Vùng 5: Vùng bất thường (nếu có) Với kết phân vùng giúp hỗ trợ bác TÀI LIỆU THAM KHẢO AMIT MEHNDIRATTA And FREDERIK L GIESEL 2011, Brain Tumour Imaging, Diagnostic Techniques and Surgical, Dr Ana Lucia Abujamra (Ed.) A.PITIOT 2016 Expert knowledge-guided segmentation system for brain MRI, NeuroImage, Vol 23, pp 85-96 D SELVARAJ 2013, MRI BRAIN IMAGE SEGMENTATION, Indian Journal of Computer Science and Engineering (IJCSE), Vol IV, No 5, pp 364-381 I DESPOTOVIC 2015 MRI Segmentation of the Human Brain: Challenges, Methods, and Applications, Computational and Mathematical Methods in Medicine, pp 123 R.RAVINDRAIAH AND K.TEJASWINI 2013 A Survey of Image Segmentation Algorithms Based on Expectation-Maximization, IOSR Journal of VLSI and Signal Processing (IOSR-JVSP), Vol 2, No 6, pp 1-7 35 ... pháp phân vùng ảnh não cải tiến dựa phương pháp EM Đánh giá thực nghiệm kết tập liệu ảnh não OSB ảnh não có bệnh từ Innernet cho kết xác Thuật tốn đưa phân vùng mơ não ảnh não MRI bao gồm: Vùng. .. kết tương vùng não để phân chia thành tự thêm vào số vùng bị sai ba vùng mơ não GM, WM nằm gần với điểm bất thường CSF Kết vùng GM tương đối Hình Ba vùng GM, WM CSF trích xuất từ ảnh não 33 Chuyên... xuất xác, với vùng bất thường nằm rải rác gần cho kết không tốt Kết giai đoạn trích xuất vùng bất thường Vùng bất thường có kích thước nhỏ vừa Hình 10 Ảnh kết vùng bất thường trích xuất từ ảnh não