Tìm hiểu kiến trúc mạng neural massive (MTANN) trong xử lý ảnh y khoa

222 223 TÌM HIỂU KIẾN TRÚC MẠNG NEURAL MASSIVE (MTANN) TRONG XỬ LÝ ẢNH Y KHOA Hồ Minh Toàn, TS Huỳnh Trung Hiếu Khoa Công NGhệ Thông Tin– Trường Đại Học Công nghiệp Tp HCM Email mtoancsyahoo com, hthieuieee org TÓM TẮT Trong bài báo này, các tác giả trình bài kiến trúc mạng MTANN (massive training neural networks) được sử dụng rất hiệu quả trong xử lý ảnh y khoa Qua đó cung cấp cái nhìn bao quát hơn về ứng dụng của mạng neural nhân tạo trong nhiều lĩnh vực khác nhau, đặc biệt là lĩnh vực xử lý.

222 TÌM HIỂU KIẾN TRÚC MẠNG NEURAL MASSIVE (MTANN) TRONG XỬ LÝ ẢNH Y KHOA Hồ Minh Toàn, TS Huỳnh Trung Hiếu Khoa Công NGhệ Thông Tin– Trường Đại Học Cơng nghiệp Tp.HCM Email: mtoancs@yahoo.com, hthieu@ieee.org TĨM TẮT Trong báo này, tác giả trình kiến trúc mạng MTANN (massive training neural networks) sử dụng hiệu xử lý ảnh y khoa Qua cung cấp nhìn bao quát ứng dụng mạng neural nhân tạo nhiều lĩnh vực khác nhau, đặc biệt lĩnh vực xử lý ảnh In this paper, authors present the architecture of massive training neural networks and their application abilities that can be applied efficiently in medical image processing From which provide the capacity of neural networks in many areas, especially in image processing Phần tổng quan Nhận dạng ảnh lĩnh vực quan trọng ngành trí tuệ nhân tạo với đầu vào ảnh số Việc xử lí, nhận dạng hình ảnh có ứng dụng thực tế vơ quan trọng Như việc nhận dạng dấu vân tay, nhận dạng khuôn mặt, hay bao bì dây chuyền đếm sản phẩm Q trình phân tích, tối ưu ảnh ban đầu dạng ảnh đặc trưng ứng dụng làm rõ nét đặc điểm quan trọng ảnh Như y khoa, việc làm rõ vùng thương tổn ảnh X-quang phổi hướng ứng dụng vô quan trọng hướng xử lí hình ảnh Sự chuẩn đốn với hỗ trợ máy tính (computer-aided diagnoses – CAD) [1] làm tăng hiệu suất nhận dạng ảnh chụp X-quang Các kiến trúc CAD ứng dụng vào lọc hình ảnh kết hợp với thuật toán ma trận Hessan nhằm nâng cao khả xử lí mơ hình thương tổn có cấu trúc hình tựa hình cầu ảnh X-quang cách tăng độ nhạy đặc trưng đối tượng thương tổn ảnh chụp X-quang Tuy nhiên, thương tổn thật khối thương tổn ảnh X-quang phổi thường có cấu trúc khơng giống với khối cầu Do vậy, lọc thường nhận dạng sai thương tổn thật Vì vậy, việc ứng dụng thuật tốn MTANN với khả học có giám sát vào lọc ảnh giúp tăng khả nhận dạng, phân tích chuẩn đốn xác ảnh thực tế Với tập ảnh đầu vào tập huấn luyện lớn giúp cho lọc MTANN có khả nhận dạng đa số dạng ảnh thực tế Nội dung nghiên cứu báo kiến trúc lọc ứng dụng thuật toán MTANN Làm rõ cấu tạo, phương pháp hoạt động khả huấn luyện MTANN tạo sở khoa học cho việc ứng dụng vào phát triển phần mềm phân tích ảnh, giúp làm rõ thương tổn ảnh X-quang Bộ Lọc MTANN Kiến Trúc Bộ Lọc MTANN Vấn đề đặt cho lọc MTANN giá trị trích xuất cuối qua hàm ánh xạ nằm miền giá trị nào? Chẳng hạn, ảnh y khoa với mục đích chủ yếu làm rõ vùng thương tổn loại bỏ vùng không thương tổn, 223 biểu diễn hình ảnh dạng nhị phân với giá trị tương ứng với điểm vùng không thương tổn giá trị tương ứng với điểm vùng thương tổn, giá trị biên vùng thương tổn nhận giá trị thấp dần xa trung tâm vùng thương tổn khi khỏi vùng thương tổn Khi lọc MTANN cần thiết kế với hàm truyền để đạt kết trích xuất khoảng mong đợi Bộ lọc giám sát MTANN (MTANN supervised filter) bao gồm mơ hình mạng noron nhân tạo hồi quy có đầu tuyến tính (linear – output regression artificial neural network – LORANN) [2] có khả xử lí liệu dạng điểm ảnh cách trực tiếp Nó huấn luyện với liệu đầu vào tập ảnh CT tập ảnh mẫu đầu tương ứng chứa ánh xạ cho vùng có khả bị thương tổn Do ảnh có lớn điểm ảnh mạng noron cho phép đầu vào có giới hạn, nên ta tách ảnh ban đầu thành vùng ảnh (sub region - Rs) trùng lắp lên Và đầu lọc MTANN với vùng ảnh giá trị vô hướng liên kết với điểm ảnh trung tâm ảnh đó, biểu diễn cơng thức: , (1) vector nhập cho MTANN, f(x,y) ước lượng cho giá trị huấn luyện, x y tọa độ điểm ảnh NN{•} hàm ánh xạ thực trình ánh xạ từ liệu nhập vào miền giá trị liệu xuất, g(x,y) giá trị điểm ảnh ảnh nhập Chú ý có đơn vị điểm ảnh tạo lớp xuất ứng với vùng ảnh Và vector ảnh nhập viết là: , (2) với m vị trí nút nhập, N số nút nhập Các nút lớp nhập mạng MTANN sử dụng hàm đồng thức, ngõ nút nhập thứ m Im Các ngõ xuất từ nút nhập kết nối với nút ẩn với trọng số, ngõ vào nút ẩn đại lượng tổng trọng hóa Giả sử nút ẩn có hàm truyền fS, ngõ nút ẩn xác định cơng thức: , trọng số nút nhập thứ m nút ẩn thứ n, (3) ngưỡng hay độ lệch Thông thường, hàm kích hoạt fS có dạng: Bằng cách thay đổi độ lớn , độ dốc hàm fS(u) thay Hàm fs(u) cho giá trị miền từ đến Do u tăng exp(-u) giảm fs(u) tăng, u tăng đến +∞ exp(-u) fs(u) dần 1; u giảm đến -∞ exp(-u) tăng dần đến +∞ fs(u) giảm dần Khi giá trị nút ẩn dao động miền giá trị từ đến miền giá trị mong muốn có 224 Sau đó, có kết hàm truyền tất nút ẩn ta chuyển sang tính hàm truyền nút lớp xuất Do mạng tạo giá trị lớp xuất, nên ngõ nút xuất biểu diễn cơng thức: , (4) trọng số đơn nút thứ m lớp ẩn lớp xuất, lệch nút lớp xuất, fL(u) hàm truyền tuyến tính , ngưỡng hay độ (5) a tham số dốc có miền giá trị chạy từ đến Và giá trị nút lớp xuất qua hàm truyền dao động khoảng từ đến 1.Cuối ảnh xuất toàn đạt cách quét lọc MTANN toàn ảnh nhập (với trùng lắp cho phép) Hàm đồng Hàm sigmoid Hàm tuyến tính Giá trị Pixel/voxel đơn nhận Vùng ảnh MTAN N Hình Kiến trúc lọc MTANN Huấn luyện lọc MTANN Để làm bật vùng thương tổn triệt vùng không thương tổn ảnh chụp y khoa, ảnh huấn luyện T(x,y) chứa ánh xạ tương ứng cho vùng có khả giống với thương tổn điều kiện thực tế (hình 2) Để tạo tập ảnh huấn luyện, phải phân đoạn vùng thương tổn thành giá trị nhị phân với giá trị tương ứng với điểm ảnh vùng thương tổn giá trị tương ứng với điểm ảnh vùng không thương tổn Sau sử dụng 225 thuật tốn làm mịn Gaussian cho ảnh nhị phân để làm mịn biên vùng bị thương tổn Bộ lọc MTANN huấn luyện với lượng lớn cặp điểm ảnh vùng ảnh nhỏ trích xuất từ ảnh ban đầu Các ảnh đầu vào chia theo dạng điểm ảnh tạo thành số lượng lớn vùng ảnh nhỏ nằm trùng lắp Các điểm ảnh đơn tương ứng với vùng ảnh đầu vào trích xuất từ ảnh huấn luyện giá trị dùng để huấn luyện Và vậy, lọc MTANN huấn luyện với lượng lớn vùng ảnh đầu vào với điểm ảnh đơn dùng để huấn luyện (các giá trị mong đợi nhất) tương ứng Hình Huấn luyện ứng dụng lọc MTANN để làm rõ vùng thương tổn; hình a trình huấn luyện lọc; hình b trình ứng dụng lọc để làm rõ vùng thương tổn ảnh Tập liệu huấn luyện biểu diễn biểu thức: , 226 (6) T(x,y) giá trị ảnh huấn luyện, RT vùng huấn luyện tương ứng với tập giá trị trung tâm vùng ảnh đầu vào, p vị trí điểm ảnh RT, NT số lượng điểm ảnh RT Hàm lỗi trình học MTANN biểu diễn công thức: , (7) với c số trường hợp huấn luyện, Oc giá trị xuất thật MTANN cho trường hợp thứ c, Tc giá trị mong đợi cho MTANN trường hợp thứ c, P số lượng tổng điểm ảnh huấn luyện tập ảnh huấn luyện, RT Bộ lọc MTANN huấn luyện thuật toán lan truyền ngược (back-propagation (BP)) [3] Như vậy, sau huấn luyện, lọc MTANN kỳ vọng cho giá trị tâm vùng bị tổn thương, giá trị giảm dần xa, có giá trị vùng bình thường Kết Luận Qua báo này, cung cấp tổng quan kiến trúc mạng MTANN thuật toán huấn luyện Đồng thời cung cấp khả ứng dụng nhận dạng mẫu dựa ảnh, đặc biệt ảnh y khoa CT, X-quang Điều có ý nghĩa quan trong phát triển hệ thống CAD (computer-aided diagnosis) TÀI LIỆU THAM KHẢO [1] [2] [3] Kenji Suzuki Hiroyuki Abe, Heber MacMahon, Kunio Doi, “Image-Processing Technique for Suppressing Ribs in Chest Radiographs by Means of Massive Training Artificial Neural Network (MTANN)”, IEEE Trans on Medical Imaging, pp 406-416, vol 25, 2006 Kenji Suzuki, “Massive - Training Artificial Neural Networks (MTANN) in Computer-Aided Detection of Colorectal Polyps And Lung Nodules in CT”, Machine Learning, pp 343-366, 2010 Edmondo Trentin, “Multiplayer Perception (MLP): The Backpropagation (BP) Algorithm”, Italy – 10/2006 227 ...TÌM HIỂU KIẾN TRÚC MẠNG NEURAL MASSIVE (MTANN) TRONG XỬ LÝ ẢNH Y KHOA Hồ Minh Toàn, TS Huỳnh Trung Hiếu Khoa Công NGhệ Thông Tin– Trường Đại Học Công nghiệp Tp.HCM Email: mtoancs@yahoo.com,... hthieu@ieee.org TÓM TẮT Trong báo n? ?y, tác giả trình kiến trúc mạng MTANN (massive training neural networks) sử dụng hiệu xử lý ảnh y khoa Qua cung cấp nhìn bao quát ứng dụng mạng neural nhân tạo nhiều... Hàm tuyến tính Giá trị Pixel/voxel đơn nhận Vùng ảnh MTAN N Hình Kiến trúc lọc MTANN Huấn luyện lọc MTANN Để làm bật vùng thương tổn triệt vùng không thương tổn ảnh chụp y khoa, ảnh huấn luyện