Thống kê tự động trong ảnh Xquang vú

ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ VIỄN THÔNG BỘ MÔN KỸ THUẬT Y SINH Bài dịch Thống kê tự động trong ảnh Xquang vú Môn học Công nghệ chẩn đoán hình ảnh I Sinh viên thực hiện Nguyễn Tùng Dương MSSV 20130745 Giảng viên hướng dẫn TS Nguyễn Thái Hà Tóm tắt Ung thư vú là loại bệnh ung thư phổ biến nhất ở phụ nữ trên thế giới và cũng gây ra nhiều ca tử vong nhất vì ung thư Tuy nhiên,khi được phát hiện sớm,việc điều trị có thể diễn ra sớm và có hiệu quả hơn nhiều Chụp Xquang vú là một trong những cá.

ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN TỬ - VIỄN THÔNG BỘ MÔN KỸ THUẬT Y SINH Bài dịch : Thống kê tự động ảnh Xquang vú Môn học : Cơng nghệ chẩn đốn hình ảnh I Sinh viên thực hiện: Nguyễn Tùng Dương MSSV: 20130745 Giảng viên hướng dẫn : TS Nguyễn Thái Hà Hà Nội 4/1/2017 Tóm tắt Ung thư vú loại bệnh ung thư phổ biến phụ nữ giới gây nhiều ca tử vong ung thư Tuy nhiên,khi phát sớm,việc điều trị diễn sớm có hiệu nhiều Chụp Xquang vú cách kiểm tra thơng thường để phát ung thư vú Có nhiều thương tổn đặc trưng ung thư vú vơi hóa, biến dạng mơ,hình thành u, phát loại máy Những thương tổn biến đổi làm khó phát Hơn nữa,một số loại bệnh khác có nhiều dấu hiệu giống ung thư vú gây khó khăn cho chẩn đốn Máy tính hỗ trợ chẩn đốn(CAD) dùng để trợ giúp chẩn đoán Xquang vú, giảm thiểu chẩn đoán sai, cho phép chẩn đốn xác điều trị hiệu Hệ thống CAD tạo thành nhiều thuật tốn máy tính mà phát tổn thương thơng qua phân tích hình ảnh Đã có nhiều cơng trình nghiên cứu lĩnh vực này,và vài hệ thống CAD thương mại hóa Cục quản lý thực phẩm dược phẩm Mỹ Tuy nhiên, hệ thống cần nâng cấp để giảm thiểu tới mức nhỏ chẩn đoán sai biến đổi bất thường khó khăn để phát tổn thương kín Từ khóa           Biến dạng cấu trúc Ngực Ung thư Máy tính hỗ trợ chẩn đốn Phân tích hình ảnh Xử lý hình ảnh Xquang vú Tạo ảnh y tế Hạt vi vơi hóa Khối u 1|Page Mục lục 1.Giới thiệu 1.1.Tổng quan 2.Ngực 2.1.Thực trạng ung thư vú .2 2.2.Giải phẫu vú 2.3.Ung thư vú 2.3.1.Các tổn thương ung thư vú 2.3.2.Các dạng ung thư vú 2.4.Một số bệnh khác vú 2.5.Báo cáo hình ảnh hệ thống liệu .8 2.6.Tóm tắt 3.Xquang vú .10 3.1.Thiết bị Xquang vú thông thường 10 3.2.Nhiễu liều lương phóng xạ 13 3.3.Máy Xquang số 13 3.4.Tóm tắt .14 4.Máy tính hỗ trợ chẩn đốn 15 4.1.Phân loại CAD 15 4.2.Ưu điểm CAD .17 4.3.Lịch sử CAD 19 4.4.Tóm tắt 20 2|Page 5.Các thuật toán hỗ trợ chẩn đoán .21 5.1.Tiền xử lý 21 5.2.Chẩn đoán loại tổn thương vú 22 5.2.1.Cải thiện hình ảnh 22 5.2.2.Phân đoạn chẩn đoán .24 5.2.2.Phân loại .29 5.3.Phân tích bất đối xứng .31 5.4.Tóm tắt 31 6.Kết luận 32 7.Kế hoạch làm việc 33 Tài liệu tham khảo 34 3|Page Mục lục hình ảnh Ảnh 1:Tỷ lệ ung thư phụ nữ giới (Ferlay, Shin, Bray, Forman, Mathers & Parkin,2010) Ảnh 2:Giải phẫu ngực(Seely,Stephens & Tate,2004) .3 Ảnh 3:Những loại vơi hóa thường gặp học tập Xquang vú (Gunderman,2006) ……………………………………………………… ………….5 Ảnh 4:Hình thái khối bất thường vú(Bruce &Adhami,1999)………5 Ảnh 5:Các hình dạng khác khối bất thường vú(Arnau,2007)…… Ảnh 6:Cái nhìn cụ thể ngực phải chứng minh hóa vơi mạch khoanh vùng khối u bao gồm u hình “bỏng ngô” u xơ tuyến vú (Gunderman,2006)…………………………………………………………………6 Ảnh 7:Bờ bao điểm vơi hóa ung thư biểu mô xâm lấn (Kaushak, 2007)…………………………………………… …………7 Ảnh 8:Biểu đồ thiết bị chụp Xquang vú(Bronzino,2000)……………………… 11 Ảnh 9:Các cách chụp Xquang vú a)chụp từ đầu xuống chân b) chụp chéo (Arnau,2007)………………………………………………………………………12 Ảnh 10:Màn hình chiếu phim(Bronzino,2000)………………………………… 13 Ảnh 11:Hai biểu đồ minh họa đường cong đặc trưng thu nhận (ROC) thu nhận tự hồi đáp(FROC).Đường có dấu chấm đồ thị ROC miêu tả suất Đường cong ROC sử dụng học chẩn đoán đường cong FROC sử dụng học thăm dò (Sampat,Markey& Bovik,2005) .16 Ảnh 12:Sơ đồ khối hệ thống CAD (Cheng,Cai,Chen,Hu &Lou,2003) .21 4|Page Thuật ngữ AEC - Automatic Exposure Control : Kiểm soát phơi sáng tự động ANCE - Adaptive Neighborhood Contrast Enhancement :Tăng cường độ tương phản vùng lân cận ANN – Artificial Neural Network : Hệ thần kinh nhân tạo CAD – Computer aided detection : Máy tính chẩn đốn BBN – Bayesian belief network : Đồ thị mơ hình xác suất BIRADS – Breast imaging reporting and data system : Hệ thống báo cáo ảnh vú liệu CC – Cranio-caudal : Chụp từ đầu đến chân CR – Computed radiography : Xquang điện toán FDA – Food and Drug Administration : Cục quản lý Thực phẩm dược phẩm FFDM – Full Field Digital Mammography : Xquang vú điện tử FN – False negative : Âm tính giả FNN – Fuzzy Nearest Neighbor : Thuật tốn gom cụm mờ FNSE – Fixed-Neighborhood Statistical Enhancement : Tăng cường thống kê vùng lân cận cố định FP – False positive : Dương tính giả FPI – False positive per image : Dương tính giả ảnh FROC – Free-response receiver operating characteristic : Đường cong đồ thị thu nhận tự hồi đáp FSM – Film-screen mammography : Màn phim Xquang vú HNN – Hybrid Neural Network : Hệ thần kinh hỗn hợp KNN – K-Nearest Neighbors : Thuật toán K lân cận 5|Page MLO – Mediolateral oblique : Chụp chéo ROC – Receiver operating characteristic : Đường cong đồ thị thu nhận ROI – Region of interest :Vùng quan tâm RVM – Relevance vector machine : Thuật tốn máy Vector thích hợp SVM – Support vector machine : Thuật toán máy hỗ trợ Vector TP – True positive : Dương tính thực TN – True negative : Âm tính thực 6|Page 1.Giới thiệu Ung thư vú loại ung thư phổ biến phụ nữ giới (Autier,2010) Tỉ lệ sống sót khả dự đốn bệnh khác nhau, phụ thuộc vào giai đoạn bệnh Khi phát sớm, việc điều trị trở nên hiệu nhiều, ngăn chặn phát triển bệnh sang giai đoạn tiếp theo, tỉ lệ tử vong người bệnh thấp Ung thư vú hát thông qua phương pháp chụp Xquang vú , chụp siêu âm ,cộng hưởng từ, Trong chụp Xquang vú phương pháp phổ biến Xquang vú tập trung vào tổn thương đặc trưng ung thư vú Hệ thống máy tính chẩn đốn tạo nhằm trợ giúp cho máy Xquang vú việc phát bệnh, giảm thiểu khả chẩn đoán sai bệnh, việc điều trị dự đốn bệnh đạt hiệu Phần nghiên cứu tập trung vào phát triển kỹ thuật tính tốn giúp nâng cấp phát triển khả phát tổn thương máy Xquang vú, phân tích áp dụng phương pháp tiên tiến vào điều trị thực tế Máy Xquang vú tập trung vào cung cấp vài thông tin giúp hiểu nghiên cứu sau cơng trình lĩnh vực 1.1.Tổng quan Báo cáo chia làm phần sau : Phần - Ngực : Phần nhìn tổng thể giải phẫu sinh lý ngực,cũng thống kê bệnh Giải phẫu đặc điểm sinh học ngực cung cấp nhằm hiểu ung thư vú hình ảnh Những bệnh lý khác phân tích nhằm giải thích khác chúng ung thư vú Phần - Xquang vú: Phần giải thích linh kiện đặc điểm vật lý máy X quang vú Phần - Máy tính hỗ trợ chẩn đốn : Phần giải thích ý nghĩa máy tính hỗ trợ,ưu điểm phân loại chúng Lịch sử hệ thống đưa Phần - Các thuật tốn hỗ trợ máy tính hỗ trợ chẩn đốn : Phần giải thích thuật tốn giai đoạn xử lý hình ảnh sử dụng để phân tích tổn thương ung thư vú Phần - Kết luận : Phần giới thiệu kết luật máy Xquang vú, vài cách khác để phát triển thuật toán phân tích ảnh chụp Xquang vú tự động 7|Page Phần - Kế hoạch làm việc : Cuối cùng,trong phần này, kế hoạch để phát triển hệ tống phân tích hình ảnh giới thiệu Tìm hiểu ngực Phần tập trung vào tầm quan trọng việc nghiên cứu bệnh ung thư vú cung cấp số kiến thức cấu trúc số loại bệnh vú Qua đó, thống kê hình ảnh giải phẫu vú đưa Cũng có phần mô tả loại ung thư số bệnh khác vú 2.1.Các thống kê ung thư vú Trung bình năm ung thư vú ảnh hưởng tới 1,4 triệu người giới (Autier , 2010) Ở phụ nữ, loại ung thư phổ biến nhất, ca ung thư có ca ung thư vú (ảnh 1) Đây loại bệnh ung thư gây tử vong nhiều nhất, chiếm 1/8 số ca tử vong ung thư, theo Tổ chức nghiên cứu ung thư quốc tế (Ferlay, Shin, Bray, Forman, Mathers, & Parkin, 2010) Hằng năm có 150000 phụ nữ chết ung thư vú giới (Ferlay, Shin, Bray, Forman, Mathers, & Parkin, 2010) Chỉ có 1% số ca ung thư vú phát đàn ông (Gunderman ,2006) Ảnh 1:Tỷ lệ ung thư phụ nữ giới (Ferlay, Shin, Bray, Forman, Mathers & Parkin,2010) 8|Page Ở vài quốc gia phát triển, tỷ lệ tử vong ung thư vú giảm năm gần Điều đạt việc thực chương trình chụp Xquang, giúp phát ung thư vú giai đoạn đầu, giảm thiểu hậu ung thư vú (Autier, et al., 2010), (Lee, et al., 2010) 2.2.Giải phẫu ngực Ở người, ngực nằm bên trái phải phần thể, kéo dài từ xương sườn thứ đến thứ Ngực phụ nữ bán cầu lớn nhô lên thể, có chứa tuyến sữa tiết sữa kích thích hình Các tuyến vú tuyến mồ bị biến đổi Nó xuất nam giới nữ giới thô sơ trừ số trường hợp đặc biệt (Gray, 2000), (Seeley, Stephens, & Tate, 2004) Ảnh 2: Giải phẫu ngực (Seeley, Stephens, & Tate, 2004) Bề mặt ngực lồi vùng có hình nón lồi lên gọi nhú hay núm vú Nó nằm khoảng xương sườn thứ Gốc núm vú bao quanh quầng vú (Gray,2000), quầng vú có bề mặt thơ có tuyến vú thơ sơ tuyến vòng quanh vú bề mặt (Seeley, Stephens, & Tate, 2004) Ngực phụ nữ trưởng thành bao gồm mô tuyến,mô sợi,mô mỡ,mạch máu, dây thần kinh ống dẫn Ngực chứa khoảng 15-20 thùy (Seeley, Stephens, & Tate, 2004) có chứa nhiều tiểu thùy Chúng bao gồm nhiều ống phế nang ống dẫn sữa Những ống dẫn sữa phồng để tạo thành khoang chứa sữa nhỏ nhằm tích trữ sữa cho bú Sữa chảy bên qua số lỗ núm vú Các mô sợi bề mặt vú liên kết thùy lại với 9|Page để giúp bác sĩ chẩn đoán hay phân loại khối bất thường lành tính hay ác tính (Cheng, Cai, Chen, Hu, & Lou, 2003).Để tìm hiểu thêm,chúng ta xem (Cheng, Cai, Chen, Hu, & Lou, 2003) sau a) Các phương pháp thống kê Các phương pháp sử dụng nhiều thống kê chỗ lược đồ, độ lệch chuẩn Chúng sử dụng rộng rãi chúng khơng áp dụng hình ảnh khơng có đỉnh Khi đồng nhất, biểu đồ hình ảnh có đỉnh riêng biệt : vật thể chia cách khe lõm Thơng qua ngưỡng khe lõm ta phân chia ảnh Tuy nhiên, biểu đồ không dạng thơng thường có hạt vi vơi hóa có nhiều hình dáng, kích thước, cường độ, dẫn đến khó để chọn ngưỡng thích hợp (Cheng, Cai, Chen, Hu, & Lou, 2003) Ngưỡng sở giải pháp thay cho vấn đề Ngưỡng dựa phân bố cường độ cửa sổ kích thước bao gồm ảnh gốc cần phân chia Mỗi ảnh gốc chia làm bốn ảnh nhỏ Mỗi ảnh nhỏ lại chồng chéo bốn ảnh nhỏ khác Các mức biểu đồ ảnh nhỏ làm mượt lọc trung bình nhằm loại bỏ cực đại cực tiểu Biểu đồ kết sau phân loại hai đỉnh có khe lõm biểu đồ, đỉnh khơng có khe Khi hình ảnh nhỏ xử lý, ngưỡng đỉnh thay giá trị nội suy từ hình ảnh nhỏ lân cận (Cheng, Cai, Chen, Hu, & Lou, 2003) Ngồi cịn có nhiều phương thức thống kê khác phương pháp miêu tả (Karssemeijer & Brake, 1996) dựa vào phân tích thống kê đồ điểm ảnh định hướng Đặc điểm quan trọng phương thức cách xác định định hướng đồ cường độ ảnh pixel Nếu tìm gia tăng điểm ảnh khu vực, khu vực đánh dầu nghi ngờ , đặc biệt tăng cường xuất nhiều hướng Khoảng 90% trường hợp ác tính phát với tỷ lệ dương tính giả ảnh b) Phương pháp xử lý ảnh theo vùng Xử lý theo vùng cịn định nghĩa xử lý độc lập với điểm ảnh, xử lý thích ứng với lân cận hay xử lý định hượng vật thể Nó dựa điều mà pixel lân cận vùng có giá trị cho ta biết Nó biểu diễn theo hai khía cạnh : phân chia ảnh gốc sau xử lý ảnh phân chia chồng chéo khu vực pixel xử lý độc lập vùng Các vùng chồng chéo sử dụng để tránh ảnh hưởng cạnh giảm tăng cường mơ vú (Morrow, Paranjape, Rangayyan, & Desautels, 1992) Q trình xử lý ảnh sau thực điểm ảnh pixel (Morrow, Paranjape, Rangayyan, & Desautels, 1992) Phương pháp sử dụng để tăng cường Phương pháp theo vùng tăng cường nhiều chi tiết giải phẫu mà không làm xuất cấu trúc khác, chứng minh xác định hạt vi vơi hóa hiệu nhiều vùng mà mật độ mô vú dày, độ tương phản hạt vi vơi hóa mơ vú thấp (Cheng, Cai, Chen, Hu, & Lou, 2003) Một phương pháp phân chia theo vùng dựa vào khu vực phát triển Nó xem xét pixel lân cận hạt giống gộp pixel có tương tự lại Có hai điều cần làm rõ : kích thước cửa sổ khác biệt thang xám pixel xử lý với pixel giống l (Cheng, Cai, 30 | P a g e Chen, Hu, & Lou, 2003) Nếu cường độ trung bình vùng phát triển lớn nhiều vùng xung quanh , pixel phân loại làm pixel hạt vi vơi hóa Từng pixel ảnh lựa chọn liên tiếp làm pixel giống, lặp lại trình (Cheng, Cai, Chen, Hu, & Lou, 2003) Phương pháp ngưỡng sở vùng phát triển so sánh (Kallergi, Woods, Clarke, Qian, & Clark, 1992), ngưỡng sở ổn định nhiều phụ thuộc vào lựa chọn tham số Trong (Bankman, Nizialek, Simon, Gatewood, Weinberg, & Brody, 1997) sử dụng thuật toán dựa vùng phát triển để phân vùng hạt vi vơi hóa mà khơng cần chọn cửa số hay ngưỡng Phương pháp so sánh với phương pháp dung sai vùng phát triển mơ hình đồng mức cho kết thống kê phương pháp phát triển cho kết nhanh khơng tiêu tốn cần tính tốn nhiều c) Phương pháp phát cạnh Phát cạnh cách phân vùng phổ biến Nó dựa tính chất giá trị pixel thay đổi nhanh chóng vùng tiếp giáp vùng Nhiều phép tốn hình thái tốn học sử dụng xói mịn, biến đổi mũ, có nhiều tốn tử đưa Robert gradient, Sobel gradient, Prewitt gradient toán tử Laplacian (Cheng, Cai, Chen, Hu, & Lou, 2003) Có khó khăn phát sinh kiến thức độ phân giải ảnh Xquang vú mà phép tốn hình thái địi hỏi để xác định kích thước hình dạng cấu trúc Trong (Dengler, Behrens, & Desaga, 1993) trình bày hệ thống phát phân vùng hạt vi vơi hóa Xquang vú Kỹ thuật áp dụng hai bước thuật toán để phát chỗ khái thác hình dạng Bước sử dụng khác trọng số lọc Gaussian để phát điểm nhiễu không thay đổi có kích thước cụ thể Bước thứ hai sử dụng lọc hình thái để tái tạo hình dạng điểm d) Các phương pháp tiếp cận Wavelet Các kỹ thuật tương ứng với lọc ảnh phân tích miền sóng Nó sử dụng để nâng cao tính năng, phân vùng chí phân loại Ảnh Xquang vú xem tần số cao thấp biến đổi nhằm kiểm tra cấu trúc nhỏ hạt vi vơi hóa Thơng thường, biến đổi wavelet tái cấu trúc hình ảnh ban đầu từ hệ số biến đổi cấp độ tốn tử phi tuyến tính sở toàn ảnh (Cheng, Cai, Chen, Hu, & Lou, 2003) Có nhiều cách tiếp cận khác miền Wavelet, sau số phân tích Kỹ thuật đa phân giải wavelet hiển thị nhiều mức độ khác vật thể Điều cho phép phân chia vật nhỏ hạt vi vơi hóa khỏi vật có kích thước lớn cấu trúc với mức độ khác (Cheng, Cai, Chen, Hu, & Lou, 2003) Ưu điểm kỹ thuật đa phân giải wavelet khơng u cầu kiến thức hình ảnh tính tốn thống kê bên cửa sổ lọc 31 | P a g e Học thuyết wavelet cung cấp cho khung mạnh giúp thống kê đa phân giải, cịn sử dụng để phân tích kết cấu Biến đổi wavelet rời rạc sử dụng để chuyển vùng quan tâm thành chuỗi hệ số, thiết lập biểu diễn nhiều tỷ lệ ROIs Để có tính chất phản ánh tính chất phụ thuộc vào tỷ lệ, nhiều tính chất rút từ tỷ số biến đổi wavelet Các tính chất sử dụng nhiều lượng, entropy, định mức hệ số (Thangavel, Karnan, Sivakumar, & Mohideen, 2005) Trong (Strickland & Hahn, 1996) , phương pháp gồm giai đoạn dựa vào biến đổi wavelet cho phát phân vùng hạt vi vơi hóa đưa Các điểm phát hiện, hạt vi vơi hóa, tăng cường miền wavelet trước tính tốn dựa biến đổi wavelet ngược Một ngưỡng thiết lập nhằm phân vùng hạt vi vơi hóa Ta thu độ nhạy 91% Trong (Bruce & Adhami, 1999) biểu diễn phân tích đa phân giải, cụ thể phương pháp biến đổi wavelet rời rạc modulus-maxima để tìm tính chất hình dạng khối u ảnh Xquang vú Các tính chất hình sử dụng để phân loại khối u tròn, nốt hình Các tính chất so sánh với tính chất hình khơng có độ phân giải để phân biệt rõ ràng hình dạng lớp Các tính chất cho ta phương tiện để đánh giá hình dạng nhiều mức độ khác Khi sử dụng hệ thống thống kê phân loại với phương pháp đo Euclidean để xác định thành phần lớp, việc sử dụng đặc trưng đa phân giải làm tăng tỷ lệ phân chia Hệ thống phân loại sử dụng tính chất đa phân giải khơng phân giải hình dạng cho kết phân loại tương ứng 83% 72% Biến đổi wavelet dạng sửu dụng để phân vùng hạt vi vơi hóa tốt Bộ lọc phi tuyến nhiều tầng giúp ngăn chặn nhiễu phát cạnh, sau biến đổi wavelet hồn thành phân vùng Hình thái cảu hạt vi vơi hóa cụm giữ nguyên, việc cần thiết cho việc phân loại sau (Cheng, Cai, Chen, Hu, & Lou, 2003) Trong (Heine, Deans, Cullers, Stauduhar, & Clarke, 1997), phương pháp xác định lâm sàng mơ bình thường Xquang vú phát triển Nó chia vùng bình thường khỏi vùng có nguy bất thường Bước phân tách ảnh với biến đổi wavelet mở rộng bao gồm tổng hình ảnh khơng liên quan đến nhau, lại chứa mức độ thông tin khác ảnh Khi tồn hạt vi vơi hóa, có chứng rằng, có số thành phần ảnh cần thiết cho việc phát khối bất thường Các thống kê cho vùng lựa chọn mở rộng mơ hình hóa hàm phân bố xác suất với tham số đơn giản Điều tương ứng với test thống kê cho phép nhận dạng vùng mơ bình thường Sự phân bố phụ thuộc vào tham số - tham số có phân bố thống kê sử dụng để phát tỷ lệ lỗi Một số liệu thống kê tóm tắt , lọc khơng gian ứng với độ phân giải áp dụng độc lập với vùng mở rộng khác Các vùng ảnh tương quan với mơ hình thống kê bình thường bị loại, cho ảnh chứa vùng nghi ngờ Nghiên cứu giới thiệu (Wang & Karayiannis, 1998) sử dụng phương pháp phân tích ảnh dải băng dựa Wavelet Các hạt vi vơi hóa thường xuất cụm nhỏ có cường độ tương đối cao so với pixel lân cận Các tính chất ảnh bảo toàn hệ thống phát sử dụng biến đổi ảnh phù hợp mà xác định đặc trung tín hiệu miền gốc miền biến đổi Các hạt vi vôi hóa tương ứng thành phần 32 | P a g e quang phổ có tần số cao, phát hạt vi vơi hóa thu qua chuyển đổi ảnh Xquang vú thành băng có tần số khác Loại bỏ băng tần có tần số thấp tái cấu trúc ảnh từ băng tần có tần số cao e) Các mơ hình phân dạng Các phân dạng định nghĩa theo nhiều khác Cách thông dụng mẫu lặp lặp lại đơn vị nhiều thang đo chi tiết chuỗi sinh (Rangayyan R , 2005) Các mẫu thường sử dụng để phân tích kết cấu Ảnh Xquang vú mơ mềm ống động mạch có nhiều cấu trúc có tính chất phân dạng tự tương quan cao Các mẫu mơ xây dựng phân dạng đưa khỏi ảnh gốc , thơng tin hạt vi vơi hóa khơng tương đồng với cấu túc khác tăng cường (Sankar & Thomas, 2010), (Thangavel, Karnan, Sivakumar, & Mohideen, 2005) Ví dụ (Li, Liu, & Lo, 1997) đề xuất mơ hình phân dạng mô vú để tăng cường diện cảu hạt vi vơi hóa Hạn chế phương pháp phân dạng thời gian để mã hóa (Sankar & Thomas, 2010) đưa sửa đổi mã hóa phân dạng thông thường để giảm thời gian cần thiết mơ hình hóa phân dạng Xquang vú Do đó, thay tìm kiếm miền phù hợp tồn ảnh , ba phương pháp dựa trung bình, phương sai kích thước khối hình ảnh, đặc trung khối u sử dụng f) Phương pháp tiếp cận Fuzzy Các phương pháp áp dụng tốn tử, tính chất, quy tắc suy luận Fuzzy để xử lý thứ không chắn ảnh Do hạt vi vơi hóa có nhiều kích thước, nhiều phương pháp xấp xỉ sử dụng (Cheng, Cai, Chen, Hu, & Lou, 2003),(Thangavel, Karnan, Sivakumar, & Mohideen, 2005) Các cách tiếp cận hiệu việc xác định hạt vi vơi hóa ảnh Xquang kể với mật độ khác Trên thưc tế, hạt vi vơi hóa phát xác ảnh Xquang vú dày Sự tăng cường ảnh làm độ tương phản dựa đồng Fuzzy sử dụng thông tin tồn ảnh có tính thích nghi tốt hơn, điều cho phép tăng cường đặc trưng giảm nhiễu ( Thangavel, Karnan, Sivakumar, & Mohideen, 2005) Có nhiều phương pháp tiếp cận Fuzzy khác Trong ( Saha, Udupa, Conant, Chakraborty , & Sullivan, 2001) sử dụng phương pháp kết nối Fuzzy dựa thang để phân vùng khu vực mô dày đặc khỏi vùng mô mỡ Xquang vú Vung phân vùng mô mỡ định lượng thông qua việc đo khu vực tương ứng, tổng số mật độ đặc trưng bắt ngườn từ phương pháp Các tính chất tương quan tuyến tính hai đỉnh : MLO CC Phương pháp phát triển nhằm tăng cường phân vùng vùng mô dày đặc Một cách tiếp cận để phát hạt vi vơi hóa dựa logic Fuzzy kỹ thuật scalespace giới thiệu (Cheng, Wang, & Shi, 2004) Đầu tiên, ảnh làm mờ qua entropy Fuzzy lý thuyết Fuzzy Những ảnh tăng cường sau scale-space sử dụng kỹ thuật lọc Laplace Gauss để phát kích thước vị trí hạt vi vơi hóa Ưu điểm phương pháp khả tìm hạt vi vơi hóa mật độ mô vú dày 33 | P a g e g) Phương pháp phát đường viền Những đường viền tích cực hay “những rắn” giới thiệu (Kass, Witkin, & Terzopoulos, 1988) Kỹ thuật xác định đường viền nhỏ Đặt đường viền gần đặc điểm mong muốn hình ảnh, “con rắn” chủ yếu tìm điểm tiêu tốn lượng tất điểm khả thi vùng xung quanh Nói chung,năng lượng rắn bao gồm lượng bên bên Nội lực điều tiết khả căng uốn cong đường viền điểm cụ thể Ngoại lực hút đương viền tới nét cụ thể hình ảnh Trong In (Wirth & Stapinski, 2004), ứng dụng đường viền tích cực dùng để lấy vùng ngực ảnh Xquang vú giới thiệu Phương pháp dựa thật bề mặt vú có gradient thấp bị che khuất nhiễu Các mô mỡ không bị nén gần bề mặt vú gradient, phát triển mô mỡ vú Do đó, phương pháp bao gồm giảm nhiễu để “con rắn” phân biệt đường viền vú nhiễu Các “con rắn” thiết kế để làm đầy lỗ hổng xuất đường viền Phương pháp phát theo cạnh từ phải qua trái lấy gradient vú cạnh vú tiến dần sang bên trái Ngược lại, phương pháp phát cạnh từ trái sang phải không lấy đường viền vú mà lấy nhiễu cấu trúc khác Một ngưỡng kép tạo khác biệt diện tích vú phát Bằng lấy điểm khác, thu vị trí tương đối đường viền vú (Thangavel, Karnan, Sivakumar, & Mohideen, 2005) Có nhiều lý giải thích đường viền tích cực phương pháp tiếp cận tốt để khai thác khu vực vú Điều quan trọng vú đường cong cụ thể, sử dụng để xấp xỉ hóa đường cong đường viền tích cực Ngoài ra, phần hầu hết ảnh Xquang vú có cường độ thấp có độ dốc nhỏ, điều tránh khỏi sử dụng đường viền tích cực nhờ tìm kiếm nhỏ Tuy nhiên, cần vài kỹ thuật tiền xử lý để tránh trường hợp có cường độ nhiễu trung bình hút đường viền tích cực xa khỏi khu vực vú; bề mặt vú vùng có độ dốc trung bình nên hàm lượng dựa vào cạnh cần tiền xử lý, đường viền ban đầu phải đặt tương đối gần đường viền vú mong muốn (Wirth & Stapinski, 2004) Trong (Valverde, Guil, & Muñoza, 2004) trình bày thuật tốn phân vùng ống Xqunag vú Kỹ thuật hữu dụng việc loại bỏ dương tính giả mạch q trình phát hạt vi vơi hóa ảnh quang Tuy nhiên, vấn đề tồn mức nhiễu cao tỏng ảnh Một phân tích ban đầu phát theo cạnh lựa chọn giá trị ngưỡng cạnh dị tối ưu Sau tiếp cận sở tương ứng với xử lý phân vùng dựa vào “con rắn” với mức lượng nhiễu để xác định viền ống loại nhiễu hạt ảnh h) Các phương pháp điều chỉnh mức độ Các phương pháp điều chỉnh mức độ giới thiệu (Osher & Sethian, 1988 ) Những phương pháp coi mơ hình biến dạng Hình dạng sau phục hồi chụp thông qua lan truyền mặt phân cách điều chỉnh mức hàm trơn (Gelas, Bernard, Friboulet, & Prost, 2007) Do đó, thay đổi topo dễ dàng kiểm sốt tính chất hình học viền tính tốn ngầm (Ma, Tavares, Jorge, & Mascarenhas, 2009) Phương pháp tiếp cận kỹ thuật số cho tính tốn phân tích chuyển động bê 34 | P a g e mặt Chuyển động gây góc nhọn, đứt ngồi, nối vào làm biến thay đổi topologic (Wang, Lim, Khoo, & Wang, 2007) Sự phát triển bề mặt xác định phương trình phụ thuộc thời gian tương ứng với phương trình Hamilton-Jacobi Các quan hệ tốc độ phản ánh đặc điểm ảnh, đặc điểm dùng để phân vùng (Gelas, Bernard,Friboulet, & Prost, 2007) Phương pháp thực theo cách khác (Gelas, Bernard, Friboulet, & Prost, 2007) : dải hẹp- phương pháp áp dụng cho vùng hẹp quanh bề mặt, cần tính tốn; tái định hình – nơi hàm điều chỉnh mức độ khai triển gradient dốc hay phẳng dựa vào truyền, hiệu suất khơng xác phép tính số xấp xỉ Phương pháp dụng phổ biến để hình thành cấu trúc vấn đề tối ưu hóa topology (Wang, Lim, Khoo, & Wang, 2007) 5.2.3 Phân loại Một số lượng lớn đặc điểm phương pháp phân loại phát phân loại tổn thương lành tính ác tính Nếu đặc điểm đầy đủ, làm bật khác mơ bất thường bình thường, dẫn đến phân loại hiệu Trong phần sau, số phương pháp phân loại sử dụng để phá tổn thương vú giới thiệu a) Phương pháp mạng thần kinh nhân tạo Sự phát triển mạng lưới thần kinh nhân tạo (ANN) lấy cảm hứng từ hệ thống học tập sinh học Trong hệ thống này, có lưới tế bào thần kinh phức tạp mà có chứa khả xử lý nhiều thông tin hệ thống neuron sinh học dựa vào trình hoạt động song song qua nhiều neuron Do đó, ANN bắt chước tính toán song song dựa vào biểu diễn phân bố (Wang, Lederman, Tan, & Zheng, 2010) Sử dụng tập hợp liệu (các vecto), ANN đào tạo để hạn chế lỗi (Wang, Lederman, Tan, & Zheng, 2010) Mạng lưới thần kinh tuân theo thuật tốn có số bước chung : lựa chọn hướng dẫn mạng lưới để đáp ứng yêu cầu độ xác có trước; loại bỏ kết nối thừa mạng lưới thông qua cắt bớt, giữ nguyên độ xác, rời rạc giá trị hoạt động mạng lưới cắt bớt xếp nhóm, khai thác quy tắc mô tả kết đầu hệ thống xét mặt giá trị rời rạc; sinh quy tắc mô tả giá trị rời rạc hoạt động đầu vào mạng Cuối cùng, quy tắc tạo trước gộp lại để có quy tắc liên quan đến đầu vào đầu mạng lưới (Thangavel, Karnan, Sivakumar, & Mohideen, 2005) b) Phân loại hệ thống mạng kết hợp Một hệ thống thông minh kết hợp để xác định cụm hạt vi vơi hóa ảnh Xquang số giới thiệu (Papadopoulos, Fotiadis, & Likas, 2002) Hệ thống gồm thành phần : quy tắc hệ thống thần kinh nhỏ Xây dựng quy tắc bao gồm bước xác định đặc điểm lựa chọn giá trị ngưỡng cho đặc điểm Cho đặc điểm, nhiều giá trị ngưỡng kiểm tra khoảng giá trị Với giá trị ngưỡng ,ta có số ROIs 35 | P a g e ngưỡng.Tỉ lệ số ROIs thuộc lớp cụ thể (bình thường hay bệnh) lớn tổng số ROIs lớp 6% c) Thuật toán K gần Phương pháp phân loại đối tượng dựa ví dụ đào tạo gần không gian đặc trưng Như vậy, đối tượng phân loại dựa đa số điểm K gần Sau đó, học dựa vào ví dụ Với thuật tốn K gần (KNN), tập huấn luyện không nhỏ khoảng phân biệt tốt cần thiết KNN cho kết tốt giải nhiều lớp Các tham số K tương ứng với số lân cận gần để thực phân loại Có lựa chọn tối ưu cho giá trị mà mang đến hiệu phân loại tốt (Masala G., 2006) d) Các máy vecto hỗ trợ (SVM) Các máy hỗ trợ vecto (SVM) phương pháp học dựa vào máy học dựa trênlý thuyết học thống kê nguyên tắc giảm thiểu rủi ro cấu, nhằm mục đíchđể giảm thiểu sai sót tập liệu Trong (Wei, Yang, & Nishikawa, 2009) nghiên cứu phương pháp tiếp cận dựa SVM để phát cum hạt vi vơi hóa Xquang vú số Các hạt vi vơi hóa phát vấn đề quản lý học SVM áp dụng để phát triển thuật toán phát SVM sử dụng để phát khu vực ảnh để xem có hạt vi vơi hóa hay khơng Khả SVM tốt nhiều phương pháp tiếng có phát hạt vi vơi hóa, SVM kỹ thuật đầy triển vọng cho phát đối tượng ứng dụng ảnh e) Các máy vector phù hợp (RVM) Máy vector phù hợp (RVM) kỹ thuật máy học để phát hạt vi vơi hóa ảnh Xquang vú RVM dựa lý thuyết ước lượng Bayes Một tính đặc biệt lý thuyết mang lại hàm định rải rác xác định có số nhỏ gọi vectơ phù hợp Trong (Wei, Yang, & Nishikawa, 2005) phát triển phương pháp giám sát học tập thông qua việc sử dụng RVM phân loại để xác định vị trí tuyến vú hạt vi vơi hóa có hay khơng Để tăng khả tính,1 mạng lưới phân loại hai giai đoạn phát triển, có RVM phân loại tính tốn đơn giản tuyến tính áp dụng để nhanh chóng loại bỏ pixel lớn khơng có hạt vi vơi hóa áp đảo ảnh Xquang vú So sánh với SVM làm giảm phức tạp tính tốn SVM trì độ xác phát f) Phương pháp Fuzzy Phương pháp nhị phân Fuzzy có ba bước: phân tách nút, xác định nút đầu cuối, gán lớp vào nút đầu cuối Một liệu chia thành hai độc lập lớn trồng dựa việc đào tạo thiết lập cách tách tất nút đầu cuối có thành viên thuộc lớp Sau đó, phụ thu gọn chọn cách tối thiểu hóa tỷ lệ phân loại sai huấn luyện thứ hai Các bước sau lặp lại (Thangavel, Tháp Karnan, Sivakumar, & Mohideen, 2005) Có số phương pháp tiếp cận Fuzzy để phân loại đặc điểm Ví dụ, (Seker, Odetayo, Petrovic, & Naguib, 2003) nghiên cứu thuật toán 36 | P a g e Fuzzy lân cận (FNN) để phân loại phương pháp logic Fuzzy Cách tiếp cận cung cấp mức độ chắn cho định tiên lượng đánh giá dấu hiệu Các kết tổng thể phương pháp FNN có độ xác dự báo cao nhất, cho mơ hình đánh dấu tiên lượng đáng tin cậy so với phương pháp thống kê ANN Mặt khác, (Grohman & Dhawan, 2001) mơ tả thuật tốn lồi thiết lập dựa neurofuzzy để phân loại trường hợp khó khăn chẩn đốn ung thư vú Với cách tiếp cận cấu trúc đến tính năng, có ưu điểm hợp lý thuật tốn lan truyền ngược Phương pháp đào tạo hồn tồn tự động, hàm thơng số tính tự động phân phối từ thống kê liệu Hai cách tiếp cận khác để xây dựng hàm thành viên Fuzzy thử nghiệm: bề mặt sigma (như phương pháp lan truyền ngược) hàm hình chng tiếp cận khối cụ thể 5.3 Phân tích đối xứng song phương Một điều bổ sung diện bệnh ung thư vú không đối xứng vú trái phải Điều xác định diện khối lượng mật độ lớn mô vú khối lượng riêng biệt ống dẫn bật vú so sánh Trong (Miller & Astley, 1994), kỹ thuật để phát vú không đối xứng giải phẫu đề xuất Phương pháp dựa phép đo hình dạng, topologic, phân bố độ sáng mơ sợi tuyến Độ xác 74% thu Một phương pháp khác để phát khối u vú cách phân tích song phương bất đối xứng thông qua việc đo độ sáng, độ nhám, định hướng đề xuất (Lau & Bischof, 1991), độ nhạy 92% thu với 4,9 dương tính giả ảnh Xquang vú Mặc dù tất việc mà phát triển, phương pháp khác kỳ vọng lĩnh vực để phân tích đối xứng từ nhiều góc nhìn cải thiện việc phát 5.4 Tóm lược Có tài liệu nghiên cứu đáng kể liên quan đến việc phát phân loại khối hạt vi vơi hóa Các hệ thống CAD thương mại có hiệu khả quan phát khối u hạt vi vơi hóa Tuy nhiên, số lĩnh vực nghiên cứu CAD ung thư vú đòi hỏi quan tâm Ví dụ, có số nhỏ nhà nghiên cứu tập trung vào việc phát biến dạng cấu trúc vắng mặt khối Và chí nghiên cứu thực để phát bất đối xứng song phương Do đó, phát triển phát ung thư vú máy tính lĩnh vực nghiên cứu động, đặc biệt liên quan đến việc phát bất thường khó nhận biết ảnh Xquang vú Thơng thường, phần mềm CAD tích hợp bước thơng thường: tiền xử lý hình ảnh, xử lý hình ảnh, phát phân loại tổn thương Có nhiều phương pháp tiếp cận khác đến giai đoạn khác Những cách tiếp cận cải thiện phương pháp tiếp cận chí kết hợp riêng biệt kỹ thuật sử dụng để tạo thuật toán tốt để hỗ trợ máy tính phát mạnh mẽ hiệu khối u vú 37 | P a g e Kết luận Ung thư vú loại ung thư phổ biến phụ nữ giới (Autier, et al., 2010) Khi phát sớm, điều trị hiệu hơn, tránh bệnh chuyển sang giai đoạn nặng hơn, nguy tử vong Ung thư vú phát thơng qua kiểm tra ảnh, mà phổ biến Xquang vú Kỹ thuật nhằm mục đích phát tổn thương vú khơng có triệu chứng Máy tính hỗ trợ chẩn đoán sử dụng nhằm hỗ trợ cho phát hiện, giảm thiểu chẩn đoán sai bệnh ung thư, có diều trị tiên lượng tốt Có số lượng đáng kể nghiên cứu liên quan đến việc phát phân loại khối hạt vi vơi hóa Một số hệ thống CAD thương mại có kết khả quan phát tổn thương Tuy nhiên lại không phát số bất thường khó nhận biết ảnh Xquang vú, mật độ vú dày đặc, việc phát tổn thương giảm, tăng tỷ lệ âm tính giả Bên cạnh đó, có nghiên cứu liên quan đến số thông thường khác bệnh ung thư vú:cấu trúc biến dạng không đối xứng song phương Hiệu CAD việc hỗ trợ bác sĩ chụp Xquang vú chủ đề tranh luận dội Tuy nhiên, số chứng cho thấy khơng phải cơng cụ hữu ích Hồn chỉnh thuật tốn CAD tăng độ nhạy độ đặc hiệu đó, làm tăng tin tưởng từ bác sĩ X quang hệ thống này, vai trò CAD Sự phát triển chụp Xquang kỹ thuật số tăng hiệu CAD tiềm để cải thiện độ phân giải tương phản so với hình ảnh phim hình Kết luận, phát triển ung thư vú phát máy tính hỗ trợ lĩnh vực nghiên cứu hoạt động, đặc biệt liên quan đến việc phát bất thường khó nhận biết Xquang vú Kế hoạch làm việc Luận án từ chuyên khảo liên quan đến việc phân tích tính tốn học đặc tính ảnh X quang vú Do đó, dự án tổng thể, kỹ thuật tính tốn liên quan đến việc tăng cường mạnh mẽ hiệu phát tổn thương vú ảnh X quang vú phát triển để xem xét dấu hiệu biến dạng cấu trúc không đối xứng song phương Các kỹ thuật áp dụng trường hợp thực tế Kế hoạch phân chia thành nhiệm vụ sau đây: Nhiệm vụ Tìm hiểu phát triển kỹ thuật tăng cường ảnh Xquang vú Tìm hiểu phát triển kỹ thuật phát Xquang vú Ứng dụng kỹ thuật vào trường hợp cụ thể cải tiến sau Viết luận án 38 | P a g e Lịch 25/3 16/4 20/5 Giữa tháng Tài liệu tham khảo Akay, M (2006) Wiley Encyclopedia of Biomedical Engineering (1st ed.) Wiley Interscince Arnau, O (2007) Automatic mass segmentation in mammographic images Universitat de Girona, Department of Electronics, Computer Science and Automatic Control, Girona Astley, S (2003) Computer-aided detection for screening mammography International Congress Series , 1256, pp 927-932 Autier, P., Boniol, M., LaVecchia, C., Vatten, L., Gavin, A., Héry, C., et al (2010) Disparities in breast cancer mortality trends between 30 European countries: retrospective trend analysis of WHO mortality database BMJ 2010 , 341:c3630 Baker, J., Rosen, E., Lo, J., Gimenez, E., Walsh, R., & Soo, M (2003) Computer-Aided Detection (CAD) in Screening Mammography: Sensitivity of Commercial CAD Systems for Detecting Architectural Distortion AJR Am J Roentgenol , 181, No Bankman, I., Nizialek, T., Simon, I., Gatewood, O., Weinberg, I., & Brody, W (1997) Segmentation algorithms for detecting microcalcifications in mammograms IEEE Trans Inf Technol Biomed Bird, R., Wallace, T., & Yankaskas, B (1992, Sep.) Analysis of cancers missed at screening mammography Radiology , pp 613-617 Blanks, R., Wallis, M., & Moss, S (1998) A comparison of cancer detection rates achieved by breast cancer screening programmes by number of readers, for one and two view mammography: results from the UK National Health Service breast screening programme J Med Screen , 5, pp 195-201 Bronzino, J (2000) The Biomedical Engineering Handbook (2nd ed., Vol 1) U.S.: CRC Press Bruce, L M., & Adhami, R R (1999, Dec.) Classifying Mammographic Mass Shapes Using the Wavelet Transform Modulus-Maxima Method IEEE Trans Medical Imaging , 18, No.12, pp 1170-1177 Burhenne, L., Wood, S., D’Orsi, C., Feig, S., Kopans, D., O’Shaughnessy, K., et al (2000) Potential Contribution of Computer-aided Detection to the Sensitivity of Screening Mammography Radiology , 215, pp 554-562 CADx (2003) http://cadxmed.com/ Retrieved Jan 16, 2011, from http://cadxmed.com/ Chagas, F., Rodrigues, D., Tavares, J., Reis, A., Miranda, D., & Duarte, R (2007) An Application of Hough Transform to Identify Breast Cancer in Images VIPimage 39 | P a g e Cheng, H., Cai, X., Chen, X., Hu, L., & Lou, X (2003) Computer-aided detection and classication of microcalcifications in mammograms: A survey Pattern Recognition , 36, pp 2967 – 2991 Cheng, H., Wang, J., & Shi, X (2004) Microcalcification Detection Using Fuzzy Logic and Scale Space Approaches Pattern Recognition , 37, pp 363-375 Ciatto, S., Del Turco, M., Risso, G., Catarzi, S., Bonardi, R., Viterbo, V., et al (2003, Feb) Comparison of standard reading and computer aided detection (CAD) on a national proficiency test of screening mammography Eur J Radiol , 45, No.2 Dengler, J., Behrens, S., & Desaga, J (1993, Dec) Segmentation of Microcalcifications in Mammograms IEEE Trans on Medical Imaging , 12, No Dhawan, A., Buelloni, G., & Gordon, R (1986, March) Enhancement of Mammographic Features by Optimal Adaptive Neighborhood Image Processing IEEE Trans on Medical Imaging , 5, No Doi, K (2007) Computer-aided diagnosis in medical imaging: Historical review, current status and future potential Comput Med Imaging Graph , 31, No 4-5, pp 198-211 Eastman, G W., Wald, C., & Crossin, J (2006) Getting Started in Clinical Radiology - From image to diagnosis Thieme Eberl, M., Fox, C., Edge, S., Carter, C., & Mahoney, M (2006, Mar-Apr) BI-RADS Classification for Management of Abnormal Mammograms J Am Board Fam Med , 19, No Evans, K (2007) Mammography: The Promise of Improved Brest Cancer Detection eRadimaging Ferlay, J., Shin, H., Bray, F., Forman, D., Mathers, C., & Parkin, D (2010) GLOBOCAN 2008 Retrieved from Cancer Incidence and Mortality Worldwide: IARC CancerBase: http://globocan.iarc.fr Freer, T., & Ulissey, M (2001) Screening mammography with computer-aided detection: Prospective study of 12860 patients in a Community Breast Center Radiology , 220, pp 781786 Gelas, A., Bernard, O., Friboulet, D., & Prost, R (2007, July) Compactly Supported Radial Basis Functions Based Collocation Method for Level-Set Evolution in Image Segmentation IEEE Trans on Image Processing , 16, No Giger, M L (2004, Oct) Computerized Analysis of Images in the Detection and Diagnosis of Breast Cancer Semin Ultrasound CT MR , 25, Nº5 Gray, H (2000) Anatomy of the Human Body New York: Bartleby Grohman, W., & Dhawan, A (2001) Fuzzy convex set-based pattern classification for analysis of mammographic microcalcifications Pattern Recognition , 34, No 7, pp 1469-1482 Gunderman, R B (2006) Essential radiology: clinical presentation, pathophysiology, imaging Thieme Guyton, A C., & Hall, J E (2000) Textbook of Medical Physiology (10th ed.) (W S Company, Ed.) Haus, A., & Yaffe, M (2000, July) Screen Film and Digital Mammography: Image Quality and Radiation Dose Considerations Radiologic Clinics of North America , 38, No.4, pp 871-898 40 | P a g e Heine, J., Deans, S., Cullers, D., Stauduhar, R., & Clarke, L (1997, Oct.) Multiresolution Statistical Analysis of High-Resolution Digital Mammograms IEEE Trans on Medical Imaging , 16, No 5, pp 503-515 Hologic (2010) R2 Image Checker Retrieved Jan 16, 2011, from R2 ImageChecker Digital CAD: http://www.hologic.com/pt/breast-screening/imagechecker/ Houssami, N., Given-Wilson, R., & Ciatto, S (2009, Apr) Early detection of breast cancer: overview of the evidence on computer-aided detection in mammography screening J Med Imaging Radiat Oncol , 53, No.2 iCAD (2009) iCad Retrieved Jan 16, 2011, from http://www.icadmed.com/ Kallergi, M., Woods, K., Clarke, L., Qian, W., & Clark, R (1992, Sept-Oct) Image segmentation in digital mammography: Comparison of local thresholding and region growing algorithms Computerized Medical Imaging and Graphics , 16, No 5, pp 323-331 Karssemeijer, N., & Brake, G (1996, Oct) Detection of Stellate Distortions in Mammograms IEEE Trans on Medical Imaging , 15, No Kass, M., Witkin, A., & Terzopoulos, D (1988) Snakes active contour models International Journal of Computer Vision , pp 323-331 Kaushak, C (2007) Breast Mammography: Pictorial Review Indian Journal for the Practising Doctor , 4, No.1 Khoo, L., Taylor, P., & Given-Wilson, R (2005) Computer-aided Detection in the United Kingdom National Breast Screening Programme: Prospective Study Radiology , 237, pp 444449 Kim, J., Park, J., Song, K., & Park, H (1997, Oct) Adaptive mammographic image enhancement using first derivative and local statistics IEEE Trans on Medical Imaging , 16, No Kimme-Smith, C., Gold, R., Bassett, L., Gormley, L., & Morioka, C (n.d.) Diagnosis of breast calcifications: comparison of contact, magnified, and television-enhanced images American Journal of Roentgenology , 153, No 5, pp 963-967 Lai, S., Li, X., & Bischof, W (1989, Dec) On Techniques for Detecting Circumscribed Masses in Mammograms IEEE Trans on Medical Imaging , 8, No Lau, T., & Bischof, W (1991, June) Automated detection of breast tumors using the asymmetry approach Comput Biomed Res , 24, No Lee, C H., Dershaw, D D., Kopans, D., Evans, P., Monsees, B., Monticciolo, D., et al (2010, January) Breast Cancer Screening With Imaging: Recommendations From the Society of Breast Imaging and the ACR on the Use of Mammography, Breast MRI, Breast Ultrasound, and Other Technologies for the Detection of Clinically Occult Breast Cancer Journal of the American College of Radiology , Lee, C (2002) Screening mammography: proven benefit, continued controvery Radiology Clinics of North America , 40, pp 395-407 Li, H., Liu, K., & Lo, S.-C (1997, Dec) Fractal modeling and segmentation for the enhancement of microcalcifications in digital mammograms IEEE Trans Med Imaging , 16, Nº6 Lima, J (1995) Física dos Métodos de Imagem com Raios-X Coimbra: Asa Ma, Z., Tavares, J M., Jorge, R N., & Mascarenhas, T (2009, August 04) A Review of 41 | P a g e algortihms for medical image segmentation and their applications to female pelvic cavity Computer Methods in Biomechanics and Biomedical Engineering Masala, G (2006) Computer Aided Detection on Mammography World Academy of Science, Engineering and Technology , 15 Masala, G (2006) Pattern Recognition Techniques Applied to Biomedical Patterns International Journal of Biological and Medical Sciences Mencattini, A., Salmeri, M., Rabottino, G., & Salicone, S (2010, Nov) Metrological Characterization of a CADx System for the Classification of Breast Masses in Mammograms IEEE Trans Instrumentation and Measurement , 59, No.11, pp 2792-2799 Miller, P., & Astley, S (1994) Automated detection of breast asymmetry Series in Machine , 9, pp 247-261 Mini, M., & Thomas, T (2003, Oct 15-17) A neural network method for mammogram analysis based on statistical features TENCON 2003 Conference on Convergent Technologies for AsiaPacific Region , 4, pp 1489- 1492 Morrow, W., Paranjape, R., Rangayyan, R., & Desautels, J (1992, Sept) Region-based contrast enhancement of mammograms IEEE Trans on Medical Imaging , 11, No Mudigonda, N., & Rangayyan, R (2001, Dec) Detection of Breast Masses in Mammograms by Density Slicing and Texture Flow-Field Analysis IEEE Trans on Medical Imaging , 20, No 12 Nersissian, D (2004) Determinaỗóo das Dimensừes Ponto Focal de Tubos de Raio-X utilizando um Sensor CCD e o Mộtodo das Funỗừes de Transferờncias Tese de Doutoramento em ENgenharia Eléctrica, Universidade de São Paulo NHSBSP Equipment (2009, April) Commisioning and Routine Testing of Full Field Digital Mammography System 0604 , Oliver, A., Lladó, X., Pérez, E., J., P., Denton, E., Freixenet, J., et al (2010) A Statistical Approach for Breast Density Segmentation J Digit Imaging , 23, No.5 Osher, S., & Sethian, J (1988) Fronts Propagating with Curvature Dependent Speed:Algorithms Based on Hamilton-Jacobi Formulations Journal of Computational Physics , 79, pp 12-49 Papadopoulos, A., Fotiadis, D., & Likas, A (2002) An Automatic Microcalcification Detection System Based on a Hybrid Neural Network Classifier Artificial Intelligence in Medicine , 25, pp 146-167 Pisano, E., & Yaffe, M (2005) Digital Mammography Radiology , 234, pp 353–362 Rangayyan, R (2005) Biomedical Image Analysis CRC Press Rangayyan, R., Ayres, F., & Desautels, J (2007) A review of computer-aided diagnosis of breast cancer: Toward the detection of subtle signs Journal of the Franklin Institute , 344, pp 312-348 Saha, P., Udupa, J., Conant, E., Chakraborty, D., & Sullivan, D (2001, Aug.) Breast tissue density quantification via digitized mammograms IEEE Trans on Medical Imaging , 20, No 8, pp 792-803 Sampat, M., Markey, M., & Bovik, A (2005) Computer-Aided Detection and Diagnosis in Mammography In A Bovik, Handbook of Image and Video Processing (pp 1195-1217) Elsevier Sankar, D., & Thomas, T (2010, Oct) A New Fast Fractal Modeling Approach for the 42 | P a g e Detection of Microcalcifications in Mammograms J Digit Imaging 2010 Oct;23(5):538-46 Epub 2009 Jul 18 , 23, N.5, pp 538-546 Schulz-Wendtland, R., Fuchsjäger, M., Wackerc, T., & Hermannd, K (2009) Digital mammography: An update European Journal of Radiology , 72, pp 258-265 Seeley, R., Stephens, T., & Tate, P (2004) Anatomy and Physiology The McGraw−Hill Companies Seker, H., Odetayo, M., Petrovic, D., & Naguib, R (2003, June) A Fuzzy Logic Based Method for Prognostic Decision Making in Breast and Prostate Cancers IEEE Trans on Information Technology in Biomedicine , 7, No Simonetti, G., Cossu, E., Montanaro, M., Caschili, C., & Giuliani, V (1998) What's new in mammography European Journal of Radiology , 27, pp 234-241 Sivaramakrishna, R., Obuchowski, N., Chilcote, W., Cardenosa, G., & Powell, K (2000) Comparing the Performance of Mammographic Enhancement Algorithms AJR , 175, pp 45-51 Strickland, R., & Hahn, H (1996, April) Wavelet transforms for detecting microcalcifications in mammograms IEEE Trans on Medical Imaging , 15, No Taplin, S., Rutter, C., & Lehman, C (2006) Testing the Effect of Computer-Assisted Detection on Interpretive Performance in Screening Mammography AJR , 187, pp 1475-1482 Taylor, C., Champness, J., Reddy, M., Taylor, P P., & Given-Wilson, R (2003, Sep.) Reproducibility of Prompts in Computer-aided Detection (CAD) of Breast Cancer Clinical Radiology , 58, No.9, pp 733-738 Thangavel, K., Karnan, M., Sivakumar, R., & Mohideen, A (2005) Automatic Detection of Microcalcification in Mammograms– A Review ICGST International Journal on Graphics, Vision and Image Processing, (pp 31-61) Valverde, F., Guil, N., & Muñoza, J (2004) Segmentation of Vessels from Mammograms Using A Deformable Model Computer Methods and Programs in Biomedicine , 73, pp 233247 Wang, S., Lim, K., Khoo, B., & Wang, M (2007) A Geometric Deformation Constrained Level Set Method for Structural Shape and Topology Optimization CMES , 18, No 3, pp 155-181 Wang, T., & Karayiannis, N (1998, Aug.) Detection of Microcalcifications in Digital Mammograms Using Wavelets IEEE Trans on Medical Imaging , 17, No Wang, X., Lederman, D., Tan, J., & Zheng, B (2010) Computer-aided Detection: The Impact of Machine Learning Classifier and Image Feature Selection on Scheme Performance IJIIP: International Journal of Intelligent Information Processing , 1, No Webster, J (2006) Encyclopledia of Medical Devices and Instrumentation (2nd ed., Vol 4) U.S.: Wiley Insterscience Wei, L., Yang, Y., & Nishikawa, R (2009, June) Microcalcification classification assisted by content-based image retrieval for breast cancer diagnosis Pattern Recognition , 42, No 6, pp 1126-1132 Wei, L., Yang, Y., & Nishikawa, R (2005, Oct.) Relevance vector machine for automatic detection of clustered microcalcifications IEEE Trans on Medical Imaging , 24, No 10 Winsberg, F., Elkin, M., Macy, J., Bordaz, V., & Weymouth, W (1967, Aug.) Detection of Radiographic Abnormalities in Mammograms by Means of Optical Scanning and Computer Analysis Radiology , 89, pp 211-215 43 | P a g e Wirth, M., & Stapinski, A (2004, May) Segmentation of the breast region in mammograms using snakes Computer and Robot Vision , pp 385-392 44 | P a g e ... ép vú thu ảnh Một điều khiển phơi sáng tự động tích hợp để điều chỉnh lượng phóng xạ 20 | P a g e Bộ thu ảnh máy Xquang vú thông thường hệ thống phim, máy Xquang vú số nhận số Máy Xquang vú số... cấu trúc số loại bệnh vú Qua đó, thống kê hình ảnh giải phẫu vú đưa Cũng có phần mô tả loại ung thư số bệnh khác vú 2.1.Các thống kê ung thư vú Trung bình năm ung thư vú ảnh hưởng tới 1,4 triệu... Ung thư vú hát thông qua phương pháp chụp Xquang vú , chụp siêu âm ,cộng hưởng từ, Trong chụp Xquang vú phương pháp phổ biến Xquang vú tập trung vào tổn thương đặc trưng ung thư vú Hệ thống máy