Nâng cao chất lượng ảnh MRI dò tìm và nhận diện bất thường trong não bộ dùng mạng nơ ron kết hợp lọc khuếch tán dị hướng

Bài viết Nâng cao chất lượng ảnh MRI dò tìm và nhận diện bất thường trong não bộ dùng mạng nơ ron kết hợp lọc khuếch tán dị hướng đề xuất một phương pháp nâng cao chất lượng Hình ảnh não cộng hưởng từ 2D (MRI) bằng mạng nơ-ron kết hợp lọc dị hướng như một giải pháp tiền xử lý quan trọng cho việc dò tìm và nhận diện bất thường trong não bộ. Mục đích chính của bài báo nhằm tối ưu giải pháp xử lý ảnh MRI trong khử nhiễu, dò tìm, nhận diện bất thường với độ chính xác cao hơn.

TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) NÂNG CAO CHẤT LƯỢNG ẢNH MRI DỊ TÌM VÀ NHẬN DIỆN BẤT THƯỜNG TRONG NÃO BỘ DÙNG MẠNG NƠ-RON KẾT HỢP LỌC KHUẾCH TÁN DỊ HƯỚNG MRI IMAGE ENHANCEMENT DETECTING AND RECOGNITION ABNORMAL IN THE BRAIN USING NEURAN NETWORKS COMBINED ANISOTROPIC DIFFUSION FILTER Dỗn Thanh Bình Đại học Điện lực Ngày nhận bài: 09/06/2022, Ngày chấp nhận đăng: 12/08/2022, Phản biện: TS Đặng Thúy Hằng Tóm tắt: Nhận diện bất thường nhiệm vụ quan trọng khó khăn lĩnh vực xử lý hình ảnh y tế việc phân loại thủ cơng dẫn đến dự đốn chẩn đốn khơng xác Hơn nữa, ngày bệnh viện có lượng lớn liệu hình ảnh y tế cần xử lý, điều khiến cho nhiệm vụ trở nên quan trọng cấp bách Các bất thường não là: khối u não có đa dạng cao bề ngồi, có tương đồng khối u mơ bình thường dẫn đến việc trích xuất vùng khối u từ hình ảnh trở nên khó khăn Trong báo này, đề xuất phương pháp nâng cao chất lượng Hình ảnh não cộng hưởng từ 2D (MRI) mạng nơ-ron kết hợp lọc dị hướng giải pháp tiền xử lý quan trọng cho việc dị tìm nhận diện bất thường não Mục đích báo nhằm tối ưu giải pháp xử lý ảnh MRI khử nhiễu, dò tìm, nhận diện bất thường với độ xác cao Trong phương pháp này, lọc dị hướng kỹ thuật nhằm mục đích giảm nhiễu hình ảnh mà khơng làm phần quan trọng nội dung hình ảnh, thường cạnh, đường chi tiết quan trọng khác biểu diễn hình ảnh Sau đó, mạng nơ-ron sử dụng để loại bỏ nhiễu lại tăng cường ảnh nhằm phân biệt pixel bình thường bất thường, dựa đặc điểm kết cấu dựa thống kê, mang lại hiệu suất tốt độ xác cao so với phương pháp truyền thống Bằng phân tích kết tính tốn tham số chất lượng ảnh xử lý qua thực nghiệm, chứng minh phương pháp đề xuất vượt trội so với số phương pháp truyền thống lọc trung vị, lọc Gauss, lọc wiener Từ khóa: Lọc dị hướng, mạng nơ ron tích chập sâu (CNN), khử nhiễu hình ảnh Abstract: Anomaly recognition is one of the most important and difficult tasks in the field of medical image processing because manual classification can lead to inaccurate predictions and diagnoses Moreover, nowadays in hospitals there is a large amount of medical imaging data that needs to be processed, which makes this task even more important and urgent Abnormalities in the brain such as brain tumors are highly variable in appearance and similarity between the tumor and normal tissues and thus it becomes more difficult to extract these tumor regions from imaging In this paper, we have proposed a method to improve the quality of 2D Magnetic Resonance Brain Image (MRI) by neural network combined with anisotropic filtering as an important pre-processing solution for detecting and recognition abnormalities in the brain The main purpose of the paper is to optimize the MRI image processing solution in denoising, detecting and recognition anomalies with higher accuracy In this method, anisotropic filtering is a technique that aims to reduce image noise without losing important Số 29 81 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) parts of the image content, usually edges, lines or other details important to the image representation The neural network is then used to remove residual noise and enhance the image to distinguish between normal and abnormal pixels, based on texture features and on statistics, which gives better performance and higher accuracy than traditional methods By analyzing and calculating results of experimentally processed image quality parameters, we will prove that the proposed method is superior to some traditional methods such as Gaussian filter, filter wiener Keywords: Anisotropic filter, convolutional neural network (CNN), denoising image GIỚI THIỆU Các khối u não ảnh hưởng xấu đến người, làm gián đoạn chức não nguy hiểm đến tính mạng Hình Khối u não Việc xác định bất thường khối u não thực thơng qua hình ảnh MRI xác Bài báo tập trung vào việc nâng cao chất lượng ảnh MRI phục vụ cho việc xác định bất thường khối u não kỹ thuật xử lý hình ảnh Bố cục báo sau: Phần giới thiệu tổng quan hình ảnh MRI khối u não, sơ lược khử nhiễu tăng cường ảnh Phần đề cập cơng trình nghiên cứu liên quan nội dung nghiên cứu báo Phần tác giả đề xuất mơ hình nghiên cứu sử dụng lọc khuếch tán dị hướng mạng nơ-ron Phần xây dựng mơ hình thực nghiệm đánh giá phương pháp đề xuất Phần kết luận hiệu phương pháp đề xuất đóng góp nghiên cứu CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN Hình Chụp cộng hưởng từ MRI Các kỹ thuật chẩn đoán thực phương pháp thông thường dựa kinh nghiệm người điều làm tăng khả phát sai xác định khối u não Ngày nay, kỹ thuật xử lý hình ảnh sử dụng để dị tìm xác định khối u não Các phương pháp xử lý hình ảnh chuyển đổi hình ảnh thành kỹ thuật số thực thao tác phân tích chúng, để có hình ảnh tốt 82 2.1 Lọc khuếch tán dị hướng Perona Malik đề xuất phương pháp khuếch tán phi tuyến để khắc phục vấn đề cục làm mờ lọc khuếch tán tuyến tính Họ áp dụng q trình khơng đồng làm giảm khuếch tán vị trí có tính hợp lý lớn biên Tính hợp lý đo |∇𝑢|2 Các lọc Perona-Malik dựa phương trình: 𝜕𝑡 𝑢 = 𝑑𝑖𝑣(𝑔(|∇𝑢|2 )∇𝑢) (1) Và sử dụng tính chất khuếch tán như: Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) (𝜆 > 0) (2) + 𝑠 /𝜆2 Đối với khuếch tán (2) suy hàm thông lượng 𝛷(𝑠) ≔ 𝑠𝑔(𝑠 ) thỏa mãn 𝛷′(𝑠) ≥ cho |s| ≤ λ, 𝛷′ (𝑠) < cho |s| > λ (1) viết lại sau 𝑔(𝑠 ) = 𝜕𝑡 𝑢 = 𝛷′(𝑢𝑥 )𝑢𝑥𝑥 (3) Trong trường hợp hai chiều, (3) thay [14] 𝜕𝑡 𝑢 = 𝛷′(∇𝑢)𝑢𝜂𝜂 + 𝑔(|∇𝑢|2 )𝑢𝜉𝜉 (4) Trong tọa độ ξ η biểu thị hướng vng góc song song với ∇𝑢 tương ứng Chúng ta thấy hoạt động khuếch tán thuận nghịch không giới hạn khuếch tán đặc biệt (2) mà xuất tất khuếch tán 𝑔(𝑠 ) làm suy giảm nhanh chóng gây hàm thông lượng không đơn điệu 𝛷(𝑠) = 𝑠𝑔(𝑠 ) Việc làm giảm nhanh chóng khuếch tán hướng tới cách rõ ràng phương pháp Perona-Malik cho kết mong muốn việc làm mờ dao động nhỏ làm nét biên Do vậy, lý cho kết ấn tượng cách rõ ràng kỹ thuật khơi phục [1] 2.2 Mạng nơ-ron tích chập (CNN) Mạng nơ-ron tích chập (CNN) kiến trúc lấy cảm hứng từ mạng nơ-ron nhân tạo chiết xuất tính hình ảnh với độ phức tạp cấu trúc ngày tăng cách xen kẽ lọc tích chập tổng hợp đầu vào triển khai dạng lớp mạng nơ-ron tương ứng Các trình xử lý tích chập lấy mẫu ngẫu nhiên từ đầu vào (được in dấu), người thiết kế thiết lập ngẫu nhiên cắt tỉa cách tăng Số 29 cường q trình huấn luyện mơ hình Đầu kiến trúc CNN vector cuối đối tượng phát kiến trúc bao gồm việc xử lý vector đặc trưng tạo phân loại cuối thông qua lớp kết nối đầy đủ [2] Ưu điểm CNN khả tổng qt hóa tìm hiểu tập hợp tính lớn, bất biến chúng tính nhiễu, đặc tính chung xử lý hình ảnh y tế sinh học khả suy tính cần thiết để phân loại Hiệu suất vượt trội CNN so với kiến trúc truyền thống (NN, SIFT, v.v.) chủ yếu cho khả tích tụ để nhận tính bất biến đối tượng có thay đổi nhỏ vị trí, tần số nhiễu xoay Hạn chế kiến trúc dựa CNN việc chúng phụ thuộc vào số lượng lớn hình ảnh huấn luyện cần thiết để tự động cắt bỏ lọc chập tạo ngẫu nhiên (hạt nhân), tài ngun tính tốn cần thiết để triển khai huấn luyện mơ hình, thiếu minh bạch kiến thức phần cuối người mẫu Việc phân loại hình ảnh dựa tính trích xuất lọc học, riêng lọc khơng giải thích mơ tả hình ảnh, cấu trúc đặc điểm phân loại phân biệt cuối sử dụng Việc áp dụng lại hạt nhân học hình ảnh đầu vào hình dung hữu ích kích hoạt lọc hình ảnh bước tích chập CNN 2.3 Kỹ thuật MRI Chụp cộng hưởng từ (MRI) phương pháp chẩn đốn hình ảnh sử dụng nam châm mạnh, sóng vơ tuyến máy tính để tạo hình ảnh chi tiết bên thể 83 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) người Không giống chụp X-quang CT, MRI không sử dụng xạ 2.4 Bộ lọc Gaussian (Gaussian filter) Lọc Gaussian nghiên cứu chuyên sâu xử lý hình ảnh thị giác máy tính Bộ lọc Gaussian lọc tuyến tính Nó thường sử dụng để làm mờ hình ảnh giảm nhiễu Nó lọc có đáp ứng xung hàm Gaussian (hoặc giá trị gần với nó, phản hồi Gaussian thực thực mặt vật lý) 2.5 Bộ lọc trung vị (Median filter) Bộ lọc trung vị kỹ thuật lọc kỹ thuật số phi tuyến tính, thường dùng để khử nhiễu Ý tưởng lọc trung vị chạy qua mục nhập tín hiệu theo mục nhập, thay mục nhập trung bình mục nhập lân cận 2.6 Bộ lọc wiener (Wiener filter) Bộ lọc Wiener lọc tuyến tính tối ưu Norbert Wiener đề xuất vào năm 1942 Nó tìm kiếm lọc bất biến thời gian tuyến tính có đầu gần tín hiệu ban đầu tốt Nói cách khác, mục tiêu giảm thiểu sai số bình phương trung bình (MSE) tín hiệu khơng nhiễu dự kiến tín hiệu đầu thực tế Bộ lọc Wiener giả định đầu vào tổng tín hiệu nhiễu có giá trị, hai trình tĩnh tổng quát đặc điểm thống kê bậc hai chúng biết đến Do đó, khơng thích ứng thực miền tần số PHƯƠNG PHÁP ĐỀ XUẤT KHỬ NHIỄU VÀ TĂNG CƯỜNG ẢNH DÙNG MẠNG NƠ-RON KẾT HỢP LỌC KHUẾCH TÁN DỊ HƯỚNG Trong phần này, tác giả mô tả kiến trúc mơ hình đề xuất sau đề 84 xuất đơn vị khử nhiễu tăng cường ảnh sử dụng mạng nơ-ron kết hợp lọc khuếch tán dị hướng (gọi tắt ADF-DnCNN), cốt lõi phương pháp đề xuất Cuối cùng, áp dụng kỹ thuật hình thái học để nhận diện bất thường ảnh xử lý 3.1 Kiến trúc mạng đề xuất Các khối u não đa diện chia thành hai loại phổ biến tùy thuộc vào khối u bắt đầu, nguyên mẫu mở rộng chúng độ ác tính Các khối u não nguyên phát khối u bắt đầu hình thành tế bào não bắt đầu lớp vỏ bọc não Trong báo này, áp dụng động khử nhiễu, loại bỏ nhiễu nền, tăng cường ảnh để phân lập vùng bất thường (khối u) khỏi ảnh MRI ban đầu Kích thước lọc phức hợp đặt thành × tất lớp tổng hợp bị xóa Do đó, trường tiếp nhận DnCNN có độ sâu d nên (2 d +1) (2 d +1) Đối với nhiễu Gaussian với mức độ nhiễu định, kích thước trường tiếp nhận DnCNN đặt thành 35 × 35 với độ sâu tương ứng 17 Đối với tác vụ khử nhiễu hình ảnh chung khác, trường tiếp nhận lớn chấp nhận cách đặt độ sâu 20 Công thức học phần dư sử dụng để huấn luyện ánh xạ dư: x = yR ( y ) Do đó, R (y) học Cụ thể, có loại lớp (i) Conv + ReLU : Đối với lớp đầu tiên, 64 lọc có kích thước × × c sử dụng để tạo 64 đồ đối tượng c = cho ảnh xám c = cho ảnh màu (ii) Conv + BN + ReLU : lớp đến (D-1), 64 lọc có kích thước × × 64 Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) sử dụng chuẩn hóa hàng loạt thêm vào tích chập ReLU (iii) Chuyển đổi : lớp cuối cùng, c lọc có kích thước × × 64 sử dụng để tái tạo lại đầu [4] Bằng cách kết hợp tích hợp với ReLU, DnCNN tách cấu trúc hình ảnh khỏi quan sát nhiễu thơng qua lớp ẩn DnCNN huấn luyện theo kiểu đầu cuối Chiến lược đệm số không đơn giản sử dụng trước phép tích chập khơng dẫn đến tạo tác ranh giới Hình Kiến trúc mạng đề xuất DnCNN kết hợp lọc khuếch tán dị hướng 3.2 Mơ hình hoạt động huấn luyện mạng nơ-ron khử nhiễu Hoạt động mơ hình đề xuất tiến hành theo mơ tả q trình đây: - Tạo ImageDatastore đối tượng lưu trữ hình ảnh ban đầu - Tạo denoisingImageDatastore đối tượng tạo liệu huấn luyện nhiễu từ hình ảnh ban đầu Để xác định phạm vi độ lệch chuẩn nhiễu, đặt thuộc tính mức độ nhiễu Sử dụng giá trị mặc định PatchSize (50) ChannelFormat ('grayscale') để kích thước liệu huấn luyện khớp với kích thước đầu vào mạng - Lấy lớp biến tính xác định trước cách sử dụng hàm dnCNNLayers Số 29 - Xác định tùy chọn huấn luyện chức trainingOptions - Huấn luyện mạng, định kho liệu hình ảnh giảm giá trị làm nguồn liệu cho (Hộp công cụ học sâu) Đối với lần lặp lại trình huấn luyện, kho liệu hình ảnh giảm giá trị tạo batch nhỏ liệu huấn luyện cách cắt ngẫu nhiên hình ảnh ban đầu từ tệp, sau thêm nhiễu khơng tạo ngẫu nhiên vào patch hình ảnh Độ lệch chuẩn nhiễu thêm vào cho patch hình ảnh có giá trị phạm vi định thuộc tính kho liệu hình ảnh.trainNetworkImageDatastoreGaussia nNoiseLevel Sau huấn luyện mạng, chuyển mạng hỉnh ảnh lọc khuếch tán dị hướng sang denoiseImage [3], [5] 85 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Hình Mơ hình hoạt động mạng nơ-ron khử nhiễu THỰC NGHIỆM VÀ ĐÁNH GIÁ thúc bước xuất giá trị tham số đánh giá Excel file KẾT QUẢ Phần thực bước thực nghiệm phân tích kết tham số xử lý ảnh từ phương pháp đề xuất B6: Áp dụng kỹ thuật hình thái học để nhận diện, phân lập vùng bất thường, thể đường biên khoanh vùng 4.1 Tiến trình tiến hành thực nghiệm Giải thích chi tiết tiến trình thực nghiệm phương pháp đề xuất qua bước sau: B1: Tải ảnh MRI đầu vào, tiền xử lý thêm nhiễu (sử dụng loại nhiễu để đánh giá bao gồm: nhiễu gaussian, nhiễu salt & pepper, nhiễu speckle) B2: Thực lọc khuếch tán dị hướng B3: Thực khử nhiễu hình ảnh đầu vào sử dụng mạng nơ-ron DnCNN huấn luyện B4: Đánh giá trực quan hình ảnh khơi phục mạng đề xuất phương pháp có B5: Đánh giá chất lượng hình ảnh khơi phục cách định lượng độ tương tự hình ảnh với hình ảnh tham chiếu qua tham số tính tốn chất lượng ảnh RMSE, PSNR, Entropi, SC, NIQE, SSIM Cuối cùng, thực đánh giá hiệu suất thời gian thực thi phương pháp Kết 86 Hình Sơ đồ thuật toán phương pháp đề xuất 4.2 Các tham số tính tốn phân tích chất lượng tăng cường ảnh Tính tốn Entropi: H   pk log( pk ) (5) k K số lượng mức xám pk xác suất kết hợp với mức xám k Số 29 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) 𝑆𝑆𝐼𝑀(𝑥, 𝑦) = [𝑙(𝑥, 𝑦)]𝛼 ∙ [𝑐(𝑥, 𝑦)]𝛽 ∙ [𝑠(𝑥, 𝑦)]𝛾 (9) Tính tốn RMSE: RMSE    R(i, j)  F (i, j)2 MN (6) Trong i j biểu thị vị trí khơng gian pixel M N kích thước ảnh đó, 𝑙(𝑥, 𝑦) = 2𝜇𝑥 𝜇𝑦 + 𝐶1 𝜇𝑥2 + 𝜇𝑦2 + 𝐶1 𝑐(𝑥, 𝑦) = 2𝜎𝑥 𝜎𝑦 + 𝐶2 𝜎𝑥2 + 𝜎𝑦2 + 𝐶2 Tính tốn PSNR:   2n  12   PSNR  10l o g10   MSE    M N MSE   𝑠(𝑥, 𝑦) = (7)  I (i, j)  F (i, j)2 M N i 1 j 1 I(i,j) : ảnh gốc, F(i,j) : ảnh hợp (fused image) MxN: kích thước ảnh I SC  N   f (i, j ) i 1 j 1 M N   f (i, j) ' (8) i 1 j 1 f(i,j) : ảnh gốc, f’(i,j) : ảnh hợp (fused image) MxN: kích thước ảnh f Tính tốn NIQE: NIQE đo khoảng cách tính dựa NSS tính tốn từ hình ảnh A đến tính thu từ sở liệu hình ảnh sử dụng để huấn luyện mơ hình Các tính mơ hình hóa phân phối Gaussian đa chiều Tính tốn SSIM: Số 29 μ x, y , σ x , σ y σ xy trung bình cục bộ, độ lệch chuẩn hiệp phương sai cho hình ảnh x, y Nếu α = β = γ = 1, C = C /2 (lựa chọn mặc định C3) đơn giản hoá số để: (2𝜇𝑥 𝜇𝑦 +𝐶1 )(2𝜎𝑥 𝜎𝑦 +𝐶2 ) 𝑆𝑆𝐼𝑀(𝑥, 𝑦) = (𝜇2 +𝜇2 +𝐶 𝑥 𝑦 2 )(𝜎𝑥 +𝜎𝑦 +𝐶2 ) (10) 4.3 Kết thực nghiệm Hộp công cụ hỗ trợ loạt hoạt động xử lý hình ảnh, bao gồm: Tính tốn SC: M 𝜎𝑥𝑦 + 𝐶3 𝜎𝑥 𝜎𝑦 + 𝐶3 - Các phép tốn hình học - Lọc tuyến tính thiết kế lọc - Biến đổi - Phân tích nâng cao hình ảnh - Hoạt động hình ảnh nhị phân - Các tốn tử vùng Matlab sử dụng thực nghiệm phiên R2021a Cơ sở liệu ảnh MRI sử dụng cho thực nghiệm từ [6] Đánh giá trực quan hình ảnh tăng cường mật độ phổ lượng (với nhiễu gaussian) 87 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Hình Đánh giá trực quan ảnh xử lý mật độ phổ lượng Từ hình 6, Chúng ta thấy kết quang phổ thấp Do đó, từ kết quả trực quan theo phương pháp chúng PSD trên, dễ dàng thấy phương pháp thể chất lượng hình ảnh tốt đề xuất cho chất lượng xử lý tốt Ảnh khơi phục với phương pháp đề xuất PSD lớn cho thấy kết tăng cường cho độ nhạy sáng tốt khả quan ảnh tốt sát rõ ràng chi tiết ảnh Đánh giá định lượng qua tham số Đối với mật độ phổ lượng, ảnh chất tính tốn chất lượng ảnh với ảnh hưởng lượng thấp cho mật độ lượng loại nhiễu Bảng Đánh giá định lượng chất lượng ảnh tăng cường với nhiễu gaussian Gaussian RMSE PSNR Entropi SC NIQE SSIM noise Gaussian Filter 0.03776 76.59067 6.40491 0.99882 5.21588 0.57067 Wiener Filter 0.03874 76.36761 6.37984 0.98485 5.53718 0.49912 Median Filter 0.03827 76.47370 6.20664 0.98650 4.32114 0.52988 ADF-DnCNN 0.03139 78.19469 5.98480 0.99095 2.67601 0.61388 Bảng Đánh giá định lượng chất lượng ảnh tăng cường với nhiễu salt&pepper Salt_Pepper RMSE PSNR Entropi SC NIQE SSIM Gaussian Filter 0.04230 75.60310 6.27288 0.95428 8.05836 0.61434 Wiener Filter 0.07926 70.14944 5.59751 0.88954 10.58198 0.50251 Median Filter 0.11224 67.12780 5.08587 0.82881 9.50662 0.56386 ADF-DnCNN 0.04005 76.07782 6.45430 0.95918 6.69500 0.64018 88 Số 29 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) Bảng Đánh giá định lượng chất lượng ảnh tăng cường với nhiễu speckle Speckle noise RMSE PSNR Entropi SC NIQE SSIM Gaussian Filter 0.02426 80.43217 5.08794 1.01769 4.44737 0.92508 Wiener Filter 0.02939 78.76537 5.11678 0.99556 6.25193 0.86612 Median Filter 0.03211 77.99703 5.11610 1.00513 4.71871 0.77638 ADF-DnCNN 0.01795 83.05162 5.15317 1.00223 4.11931 0.93567 Bảng 1, bảng 2, bảng cho kết tính tốn định lượng chất lượng ảnh MRI tăng cường với màu xanh mức hiệu suất tốt màu đỏ mức hiệu suất tốt thứ hai - Tiến hành thêm biểu diễn hiển thị nhận diện cho vùng bất thường (vùng khoanh đỏ) Chúng ta thấy phương pháp đề xuất ln có số lượng tham số đánh giá với mức hiệu suất tốt chiếm ưu loại nhiễu (nhiễu gaussian 4/6, nhiễu salt&pepper 5/6, nhiễu speckle 4/6) Điều chứng minh phương pháp đề xuất cho hiệu tốt, độ xác cao Bước cuối mơ hình đề xuất, tiến hành nhận diện, trích xuất biểu diễn vùng bất thường ảnh MRI - Áp dụng hình thái học phân lập vùng bất thường đánh dấu, tính tốn độ lệch chuẩn theo pixel khoanh vùng Hình Áp dụng hình thái học Số 29 Hình Hiển thị nhận diện bất thường KẾT LUẬN Theo nghiên cứu báo kết luận (từ kết thực nghiệm đánh giá) mạng đề xuất thực tốt tác vụ khử nhiễu, tăng cường ảnh nhận diện vùng bất thường ảnh MRI Mạng có độ sâu phù hợp để học dạng nhiễu từ liệu Thực tác vụ khử nhiễu mà khơng có thơng tin trước nhiễu u cầu học nhiễu từ hình ảnh Do đó, mạng đề xuất thích ứng tốt với loại nhiễu để thực thi tác vụ tốt Hơn nữa, hiệu xuất mạng đầy hứa hẹn độ xác cao, cho thấy hội tốt để trở thành giải pháp cải thiện hình ảnh lĩnh vực xử lý ảnh y tế 89 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ NĂNG LƯỢNG - TRƯỜNG ĐẠI HỌC ĐIỆN LỰC (ISSN: 1859 - 4557) TÀI LIỆU THAM KHẢO [1] V.Shinde, P.Kine, S.Gadge and S.Khatal, “Brain Tumor Identification using MRI images”, ISSN 23318169, Volume: Issue: 10, October 2014 [2] Zhang, K., W Zuo, Y Chen, D Meng, and L Zhang "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising." IEEE Transactions on Image Processing Vol 26, Number 7, Feb 2017, pp 3142-3155 [3] Abdel-Hamid, O., Deng, L., and Yu, D (2013) “Exploring convolutional neural network structures and optimization techniques for speech recognition,” in Interspeech (Lyon), 3366–3370 [4] Mittal, A., R Soundararajan, and A C Bovik "Making a Completely Blind Image Quality Analyzer." IEEE Signal Processing Letters Vol 22, Number 3, March 2013, pp 209–212 [5] G Swarnendu, D Nibaran, D Ishital, M Ujjwal, Understanding Deep Learning Techniques for Image Segmentation, ACM Computing Surveys, 52, 1-35 (2019) [6] https://www.aylward.org/notes/open-access-medical-image-repositories,truy cập 04/2/2022 Giới thiệu tác giả: Tác giả Dỗn Thanh Bình tốt nghiệp đại học ngành kỹ thuật điện tử năm 2008; nhận Thạc sĩ năm 2010, nhận Tiến sĩ ngành kỹ thuật điện tử năm 2018 Trường Đại học Bách khoa Hà Nội Tác giả cơng tác Phịng Khảo thí Kiểm định chất lượng, Trường Đại học Điện lực Lĩnh vực nghiên cứu: lý thuyết nghịch đảo suy rộng (generalized inverses), GSVD nhằm mơ hình hóa, đánh giá hệ thống MIMO; nghiên cứu hệ thống thông tin trải phổ đa sóng mang (multi-carrier) áp dụng cho hệ thống thông tin hệ 90 Số 29 ... VÀ TĂNG CƯỜNG ẢNH DÙNG MẠNG NƠ -RON KẾT HỢP LỌC KHUẾCH TÁN DỊ HƯỚNG Trong phần này, tác giả mơ tả kiến trúc mơ hình đề xuất sau đề 84 xuất đơn vị khử nhiễu tăng cường ảnh sử dụng mạng nơ- ron kết. .. Hiển thị nhận diện bất thường KẾT LUẬN Theo nghiên cứu báo kết luận (từ kết thực nghiệm đánh giá) mạng đề xuất thực tốt tác vụ khử nhiễu, tăng cường ảnh nhận diện vùng bất thường ảnh MRI Mạng có... 82 2.1 Lọc khuếch tán dị hướng Perona Malik đề xuất phương pháp khuếch tán phi tuyến để khắc phục vấn đề cục làm mờ lọc khuếch tán tuyến tính Họ áp dụng trình khơng đồng làm giảm khuếch tán vị