Nghiên cứu ứng dụng hệ thống suy luận mờ trong phát hiện đường biên ảnh x quang cơ xương khớp

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI TRƯỜNG ĐIỆN - ĐIỆN TỬ LUẬN VĂN THẠC SĨ NGHIÊN CỨU ỨNG DỤNG HỆ THỐNG SUY LUẬN MỜ TRONG PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X-QUANG CƠ XƯƠNG KHỚP Đinh Thị Thu Ngọc ngoc.dtt202055M@sis.hust.edu.vn Ngành Kỹ thuật y sinh Giảng viên hướng dẫn: TS Hán Trọng Thanh Trường: Điện – Điện tử HÀ NỘI, 9/2022 Chữ ký GVHD TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ NGHIÊN CỨU ỨNG DỤNG HỆ THỐNG SUY LUẬN MỜ TRONG PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X-QUANG CƠ XƯƠNG KHỚP Đinh Thị Thu Ngọc ngoc.dtt202055M@sis.hust.edu.vn Ngành Kỹ thuật y sinh Giảng viên hướng dẫn: TS Hán Trọng Thanh Trường: Điện – Điện tử HÀ NỘI, 10/2022 Chữ ký GVHD CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Đinh Thị Thu Ngọc Đề tài luận văn: Nghiên cứu ứng dụng hệ thống suy luận mờ phát đường biên ảnh X-quang Cơ Xương Khớp Chuyên ngành: Kỹ thuật Y sinh Mã số SV: CB202055M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 12/10/2022 với nội dung sau: ● Cải thiện chất lượng ảnh luận văn ● Thêm thích ảnh Ngày tháng 11 năm 2022 Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG ĐỀ TÀI LUẬN VĂN NGHIÊN CỨU ỨNG DỤNG HỆ THỐNG SUY LUẬN MỜ TRONG PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X-QUANG CƠ XƯƠNG KHỚP Giáo viên hướng dẫn Ký ghi rõ họ tên LỜI CẢM ƠN Trong suốt trình nghiên cứu thực luận văn với đề tài “Nghiên cứu ứng dụng hệ thống suy luận mờ phát đường biên ảnh X-quang Cơ Xương Khớp”, nhận dẫn, giúp đỡ tận tâm TS.Hán Trọng Thanh - giảng viên Trường Điện – Điện tử, Đại học Bách Khoa Hà Nội Nhờ hướng dẫn cách khoa học nhiệt tình thầy, tơi vượt qua khó khăn q trình thực đề tài Tôi xin chân thành gửi lời cảm ơn đến Thầy giúp đỡ, giảng dạy suốt thời gian qua Xin gửi lời cảm ơn đến thầy cô Bộ môn Công nghệ điện tử & Kỹ thuật y sinh – Trường Đại học Bách Khoa Hà Nội, cảm ơn tập thể lớp cao học tạo điều kiện cho tơi thực hồn thành đề tài Xin trân trọng cảm ơn! TÓM TẮT NỘI DUNG LUẬN VĂN Chụp X-quang xương khớp có giá trị để phát bất thường xương dùng để đánh giá vùng xương bị đau, biến dạng nghi ngờ bất thường Chụp ảnh X-quang trước sử dụng để ghi nhãn thủ cơng thơng số hình học hệ xương, chưa xác định xác hình dạng kích thước thành phần xương Thêm vào đó, việc ghi nhãn thủ cơng tốn thời gian Do đó, thích tự động nhằm mục đích trích xuất thơng số hình học dựa việc phân tích thuộc tính hình ảnh cách hiệu nhanh chóng cần thiết Phân đoạn hình ảnh Xquang xương thường mục tiêu việc trích xuất thơng số hình học hệ thống xương Phát đường biên ảnh điều kiện tiên để phân đoạn hình ảnh thường cho phép hình ảnh thể hai màu (đen trắng) Mục đích việc phát đường biên xác định hình dạng kích thước vật thể ảnh, chẳng hạn gân Nhiều phương pháp tiếp cận cải tiến có giá trị cho số ứng dụng, chẳng hạn thị giác máy tính (Computer Vision), Mạng thần kinh hội tụ (CNN), kỹ thuật logic mờ (FIS) Trong nhiều cách tiếp cận trên, chi tiết biên hình ảnh kết có tính liên kết với cao Một cách hiệu quả, điều có nghĩa nhìn thấy biên ranh giới gân, xương chi tiết khác hình ảnh Tuy nhiên, mục đích để đo đường biên cơ, việc đường biên mong muốn điều quan trọng phải loại trừ chi tiết khác giảm thiểu nhiễu artifact Điều cho phép tối ưu hóa việc phát biên cấu trúc quan tâm loại bỏ cấu trúc không bắt buộc Về vấn đề này, tính đặc hiệu chất lượng biên tạo có tác động lớn đến độ xác phân tích tự động thành phần xương Đề tài “Nghiên cứu ứng dụng hệ thống suy luận mờ phát đường biên ảnh X-quang Cơ Xương Khớp” trình bày thuật tốn ứng dụng hệ suy luận mờ để phát đường biên ranh giới cấu trúc cơ, xương Đề tài thực để lựa chọn tham số hàm thành viên tự động dựa phân tích đường cong độ lệch chuẩn tối ưu hóa cho ảnh X-quang Cơ Xương Khớp; xây dựng hệ luật mờ tối ưu cho hàm thành viên; từ làm bật đường biên cấu trúc quan tâm Sau q trình nghiên cứu, tơi hồn thành mục tiêu đề ra: đề xuất thuật toán ứng dụng hệ suy luận mờ phát đường biên ảnh X-quang Cơ Xương Khớp Dữ liệu đầu vào ảnh X-quang Cơ Xương Khớp có tính chất phân lớp dựa đồ thị histogram Thuật toán tối ưu hóa lựa chọn tham số (Cp0, Cp1, Cp2, Cp3) cho ba hàm thành viên tương ứng dựa số đánh giá chất lượng ảnh RBEM đề xuất Đề tài đánh giá hiệu thuật tốn trích xuất đặc trưng đường biên ảnh X-quang sử dụng thuật toán suy luận mờ cho ảnh phân lớp lọc truyền thống khác Sobel, Prewitt, Roberts, Canny LoG dựa thước đo biên dựa tham chiếu RBEM khả lọc nhiễu thuật toán HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC DANH MỤC HÌNH ẢNH iii DANH MỤC BẢNG BIỂU vi DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT vii CHƯƠNG CƠ SỞ LÝ THUYẾT VỀ KỸ THUẬT PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X-QUANG 1.1 1.2 1.3 1.4 1.1.1 1.1.2 1.1.3 3 1.2.1 1.2.2 10 15 1.3.1 15 1.3.2 16 1.3.3 17 1.3.4 18 23 CHƯƠNG CƠ SỞ LÝ THUYẾT HỆ THỐNG SUY LUẬN MỜ FIS 2.1 28 2.2 29 2.3 2.2.1 31 2.2.2 34 2.2.3 38 28 41 2.3.1 41 2.3.2 42 2.3.3 44 CHƯƠNG HỆ THỐNG PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X-QUANG CƠ XƯƠNG KHỚP DỰA TRÊN HỆ SUY LUẬN MỜ 45 3.1 45 3.1.1 45 3.1.2 3.2 46 51 3.2.1 52 3.2.2 54 CHƯƠNG KẾT QUẢ VÀ THẢO LUẬN 4.1 4.2 56 56 4.1.1 56 4.1.2 57 58 4.2.1 58 4.2.2 59 4.2.3 61 4.2.4 61 4.2.5 63 4.3 65 4.4 68 4.5 69 TÀI LIỆU THAM KHẢO 70 DANH MỤC HÌNH ẢNH a b Hình 1: Ảnh Lena trước sau tách biên Hình 2: Các loại đường biên: (a) Step Edge (b) Ramp Edge Hình 3: Độ lớn điểm ảnh vùng 3x3 Hình 4: Mặt nạ tích chập cho tốn tử Robert Hình 5: Mặt nạ tích chập cho tốn tử Sobel Hình 6: Mặt nạ tích chập cho tốn tử Prewitt Hình 7: Mặt nạ tích chập cho tốn tử Canny Hình 8: So sánh phát cạnh cho hình ảnh ví dụ Hình 9:Hàm Laplacian of Gaussian (LoG) 2-D 10 Hình 10: Mặt nạ xấp xỉ rời rạc lọc Laplacian Hình 11: Sơ đồ cấu trúc để xử lý ảnh dựa logic mờ Hình 12: Các tập mờ sử dụng để suy luận đồng 10 11 12 Hình 13: Vùng lân cận pixel trung tâm 12 Hình 14: Ảnh phát biên sử dụng logic mờ 13 Hình 15: Tiếp cận mạng Nơ-ron trình phân đoạn ảnh 14 Hình 16: Lân cận điểm ảnh pixel (a) Lân cận bậc 15 Hình 17: Flowchart kỹ thuật phát đường biên ảnh y tế 17 Hình 18: Phát đường biên ảnh y tế: (a) Ảnh y tế màu gốc (b) Ảnh thang xám 17 Hình 19: Các kỹ thuật phát đường biên khác ảnh MRI não 18 Hình 20: So sánh kết phát đường biên với phương pháp (a) Bubble (b) Snake cho ảnh MRT tim 19 Hình 21: Kết phát biên Phân biệt kết cấu hình ảnh từ phương thức CR CT 20 Hình 22: Kết phát biên hình ảnh ảo có thêm nhiễu (K = 30), (a) kết phương pháp dựa Laplacian, (b) kết phương pháp ManHildreth, (c) kết phương pháp dựa waveletbased, (d) kết phương pháp Phương pháp Canny, (e) kết CHEF (f) kết CHNN 21 Hình 23: Phát biên hình ảnh não MRI thuật tốn di truyền (a) Hình ảnh MRI não có trọng số T1 (b) hình ảnh biên nó, sau 300 hệ (c) Hình ảnh não MRI có trọng số T1 theo trục (d) hình ảnh biên sau 300 hệ 21 Hình 24: (a) Hình ảnh siêu âm tim (b) Hình ảnh cạnh hình ảnh tim thu tốn tử mờ 22 Hình 25: (a) Hình ảnh màu gốc, (b) Hình ảnh thang độ xám, (c) Hình ảnh đồ biên sử dụng phương pháp dựa Ngưỡng thích ứng 23 Hình 26: Ảnh X quang xương khớp 23 Hình 27: (a) Hình ảnh đầu vào X-Ray ban đầu hình ảnh có cạnh kết tương ứng phát cách sử dụng (b) Roberts, (c) Sobel, (d) Prewitt, (e) Canny, (f) Toán tử sai biệt bậc hai Laplace 25 Hình 28: Mơ hình Deep CADxdựa CNN để phát bất thường xương từ X quang 26 Hình 29: So sánh kỹ thuật phát đường biên: Canny FEDM 27 Hình 30: Quy trình suy luận mờ Mamdani FIS Hình 31: Sơ đồ hệ thống Hệ FIS Sugeno 42 43 Hình 32: Quá trình suy luận mờ hệ thống Sugeno FIS 43 Hình 1: Sơ đồ khối hệ thống suy luận mờ 30 Hình 2: Sơ đồ xử lý hệ suy luận mờ FIS 31 Hình 3: Hệ thống mờ thực nội suy tuyến tính số mảnh / mảnh 40 Hình 1: Mơ hình hệ thống FEDM Hình 2: Ảnh X-quang Cơ Xương Khớp (a) ảnh gốc (b) Histogram 46 46 Hình 3: Sơ đồ ba hàm thành viên μ1i, j, μ2i, j, μ3(i, j) màu khác nhau, màu xanh lam cho hàm thành viên trường hợp cấp 1, màu đỏ cho cấp màu xanh để biểu diễn hàm liên thuộc cấp Trong đó, (Cp0, Cp1, Cp2, Cp3) tham số hàm thành viên 47 Hình 4: Biểu đồ minh họa đường cong SD tính tốn từ tập hợp giá trị SD Trong đường cong này, giá trị SDk tính mk = 0,5 48 Hình 5: (a) Ma trận điểm ảnh 3x3 (b) Ma trận vi phân ∆I 49 Hình 6: Hệ thống suy luận mờ FEDM ngưỡng (Cp0, Cp1) Hình 7: Sơ đồ khối hệ thống đánh giá RBEM 50 54 Hình 1: ẢnhX-quang Cơ Xương Khớp từ BV Hữu Nghị Dataset Hình 2: Ảnh X-quang Khớp Gối (Sagittal) histogram Hình 3: Ảnh X-quang Khớp Gối (Axial) histogram Hình 4: Ảnh X-quang Thân (sagittal)) histogram 57 58 58 59 4.2.3 Trích xuất tham số hàm MF dựa đường cong SD Hình cho thấy lựa chọn giá trị tốt mk dựa đánh giá RBEM để tính SDk sau lấy tham số thích hợp (Cp1, Cp2) hàm thành viên Giá trị tốt mk 0,9 RBEMk = 0,625 mk FEDM Canny RBEM FOM Pinho RBEM FOM Pinho 0.1 0.622 0.513 0.406 0.601 0.391 0.343 0.2 0.621 0.542 0.419 0.600 0.406 0.302 0.3 0.604 0.505 0.417 0.600 0.402 0.375 0.4 0.619 0.542 0.405 0.617 0.275 0.304 0.5 0.618 0.55 0.407 0.614 0.264 0.311 0.6 0.606 0.475 0.361 0.604 0.235 0.267 0.7 0.620 0.619 0.457 0.606 0.291 0.286 0.8 0.621 0.623 0.443 0.615 0.218 0.255 0.9 0.625 0.655 0.510 0.600 0.195 0.248 1.0 0.600 0.244 0.252 0.618 0.142 0.192 4.2.4 Áp dụng thuật tốn FEDM cho ảnh X-quang Cơ Xương Khớp Hình 4.8b cho thấy kết ảnh X-quang Cơ Xương Khớp sau tách biên sử dụng thuật toán FEDM không phân chia ngưỡng Kết cho thấy đường phân tách xương, phát rõ nét nhiên đặc điểm đặc trưng vùng xương hay đứt đoạn, hình thành vùng giống nhiễu đồ biên (a) Ảnh X-quang Khớp gối (b) Ảnh đường biên qua lọc FEDM không chia ngưỡng 61 Hình 7: Ảnh X-quang Cơ Xương Khớp trước sau áp dụng thuật toán phát đường biên sử dụng hệ suy luận mờ FIS Hình 4.9.(a)-(b)-(c) cho thấy kết phát đường biên sử dụng thuật toán FEDM với (Cp0, Cp1, Cp2, Cp3)=(128, 138, 144, 157) ứng với mk=0.9 Hình 4.9.(a) cho thấy đồ biên phân tách lớp đùi, xương cấu trúc khớp gối tương ứng với ngưỡng (Cp0-Cp1) Cấu trúc xương lớp phân tách đùi phân tách rõ nét hình 4.10.(a) với ngưỡng (Cp1-Cp2), nhiên cấu trúc xương lớp chưa bật Tuy nhiên dễ dàng nhận thấy cấu trúc xương chưa tách rõ nét, nhiều điểm biên phát sai, dẫn đến nhiễu ảnh Hình 4.4.(c) cho thấy biên phát ngưỡng (Cp2-Cp3), ngưỡng dễ dàng nhìn thấy cấu trúc mạch máu, nhiên lớp thuật tốn chưa trích xuất cấu trúc xương, cần cải thiện luật để nâng cao chất lượng trích xuất biên lớp (a) (b) Hình 8: Ảnh X-quang Khớp gối (a) Ảnh tách ngưỡng (Cp0-Cp1) (b) Ảnh đường biên ngưỡng (Cp0-Cp1) 62 (a) (b) Hình 9: Ảnh X-quang Khớp gối (a) Ảnh tách ngưỡng (Cp1-Cp2) (b) Ảnh đường biên ngưỡng (Cp1-Cp2) (a) (b) Hình 10: Ảnh X-quang Khớp gối (a) Ảnh tách ngưỡng (Cp2-Cp3) (b) Ảnh đường biên ngưỡng (Cp2-Cp3) Tại ngưỡng (Cp0-Cp1), đường biên phát cho kết tốt Kết sử dụng để so sánh với lọc truyền thống Sobel, Prewitt, Roberts, Canny LoG 4.2.5 So sánh với lọc khác Hình 4.10 cho thấy kết áp dụng lọc tách biên truyền thống sử dụng tính tốn gradient ảnh X-quang Cơ Xương Khớp (a) ảnh gốc, (b) Bộ lọc Sobel, (c) lọc Prewitt, (d) Bộ lọc Roberts, (e) Bộ lọc Canny (f) Bộ lọc LoG Dễ dàng thấy lọc Sobel, Prewitt, Roberts cho đồ đường biên phân tách khớp đùi phát liền mạch, xác Tuy nhiên cấu trúc bên xương, đường biên hướng bị đứt đoạn, biên; nhiều điểm biên tính liên kết, phát sai điểm biên, dẫn đến điểm biên phát sai trở thành nhiễu ảnh 63 Bộ lọc Canny Bộ lọc LoG phát đường nhiều biên cấu trúc xương hơn, biên xương liên tục đồ biên lọc LoG Tuy nhiên hai lọc phát hiều điểm biên không liên tục, nhiều điểm đường biên phân chia cấu trúc cơ, xương, khớp cấu trúc cơ, xương So sánh kết trích xuất đăc trưng đường biên ảnh X-quang Cơ Xương Khớp sử dụng thuật toán FEDM đề xuất với lọc truyền thống cho thấy thuật toán FEDM đề xuất phát đường biên tốt lọc truyền thống Các đường biên tách đầu cơ, cơ, xương không phát sử dụng lọc Sobel, Prewitt, Roberts trích xuất liền mạch sử dụng thuật toán FEDM Các cấu trúc xương, mạch máu phát lọc Canny, LoG gây nhiễu loại bỏ ảnh sử dụng thuật toán FEDM (a) Thuật toán FEDM (Cp0-Cp1) (b) Bộ lọc Sobel (c) Bộ lọc Prewitt (d) Bộ lọc Roberts 64 (e) Bộ lọc Canny (f) Bộ lọc LoG Hình 11: Ảnh biên X-quang Cơ Xương Khớp qua lọc truyền thống Thuật toán phát đường biên ảnh X-quang dựa hệ suy luận mờ FEDM đề xuất sử dụng hệ suy luận FIS-Mamdani cho kết nhanh, độ xác cao đặc biệt có ý nghĩa ảnh có cấu trúc lớp Thuật tốn hồn tồn tự động, linh hoạt đơn giản; nhiên đường biên lớp phát cịn chưa hồn tồn xác, nhiều điểm phát sai dẫn đến nhiễu ảnh tách biên cần điều chỉnh hệ luật phù hợp cho ngưỡng 4.3 Ảnh thêm nhiễu Salt & Pepper Để đánh giá khả chống nhiễu thuật toán, nhiễu Salt & Pepper 25dB (1%) thêm vào ảnh gốc Sau tính tốn đồ thị đường cong SD loại bỏ nhiễu Salt & Pepper (phần đồ thị khơng có biến thiên độ lệch chuẩn) So với phương pháp FIS-Mamdani, phương pháp đề xuất cho kết loại nhiễu đốm tốt hơn, lọc không gian thông thường loại bỏ nhiễu (a) Ảnh gốc (b) Ảnh thêm nhiễu 1% Salt&Pepper 65 Hình 12: Ảnh X-quang Khớp gối trước sau thêm 1% nhiễu Salt&Pepper Hình 4.13 cho thấy ảnh phát đường biên cho ảnh X-quang Khớp gối thêm nhiễu Salt&Pepper 25dB sử dụng (a) thuật toán FEDM ngưỡng (Cp0Cp1), (b) Sobel, (c) Prewitt, (d) Robert, (e) Canny (f) LoG Các lọc truyền thống Sobel, Prewitt, Roberts bị ảnh hưởng nhiễu, kết đường biên khó phát Các lọc Canny, LoG đường biên phát ảnh khơng có nhiễu phát hiện, nhiên nhiễu đốm xuất ảnh biên Thuật tốn FEDM tối ưu hóa giá trị (Cp0, Cp1, Cp2, Cp3) cho ảnh X-quang Cơ xương khớp có phân lớp giúp lọc nhiễu khỏi ảnh sau phân tích đường cong SD (Hình 4.14) (a) FEDM (Cp0-Cp1) (b) Sobel (c) Prewitt (d) Roberts 66 (e) Canny (f) LoG Hình 13: Ảnh X-quang Khớp gối thêm 1% nhiễu Salt&Pepper qua lọc Hình 14: Đường cong SD ảnh X-quang Khớp gối thêm 1% Nhiễu Salt&Pepper ● Đánh giá sai số kết Sai số kết phát đường biên trước sau thêm nhiễu đánh giá qua hai thông số MSE PSNR Bảng 4.1 cho thấy kết sai số MSE ảnh đường biên ảnh X-quang xương khớp trước sau áp dụng lọc truyền thống Sobel, Prewitt, Roberts, Canny, LoG thuật toán FEDM đề xuất Các lọc truyền thống bị ảnh hưởng nhiễu đốm với sai số MSE lớn (951.8701 lọc Roberts đến 1655.8128 lọc LoG), số tín hiệu nhiễu PSNR từ (15.9747 đến 18.3790) Thuật tốn đề xuất cho thấy khơng có sai khác ảnh trước sau thêm nhiễu Salt&Pepper (MSE=0) cho thấy thuật tốn FEDM khơng bị ảnh hưởng nhiễu áp dụng thuận tốn trích xuất ngưỡng cục tối ưu cho ảnh phân lớp (Cp0, Cp1, Cp2, Cp3) 67 Bảng 1: Bảng thông số MSE PSNR ảnh X-quang khớp gối trước sau áp dụng lọc phát biên MSE PSNR Sobel 1114.9023 17.6924 Prewitt 1435.3705 16.5952 Roberts 951.8701 18.3790 Canny 1372.7900 16.7888 LoG 1655.8128 15.9747 FEDM Inf 4.4 Thảo luận Cường độ xám hình ảnh X-quang xương khớp bị nhiễu thay đổi nhiều chất hình ảnh X-quang cấu trúc xương Như vậy, kỹ thuật mờ lựa chọn thích hợp để biểu diễn Đóng góp nghiên cứu phát chi tiết cần thiết hình ảnh xương khớp cách sử dụng phương pháp phát biên mờ, tạo điều kiện thuận lợi cho ứng dụng tiếp theo, bao gồm đánh giá thơng số hình học Cách tiếp cận cung cấp hướng dẫn tiềm mà qua biên hình ảnh X-quang xương phân tầng thành ba cấp độ thông tin biên Nguyên lý phương pháp rút từ phương pháp suy luận mờ với tham số mờ lựa chọn cẩn thận hàm liên thuộc dựa phân tích độ lệch chuẩn Theo đường cong này, tham số (Cp0, Cp1, Cp2 Cp3) trích xuất Việc phát tham số giúp xây dựng ba hàm thành viên Phân tích độ lệch chuẩn ảnh ngưỡng cách tiếp cận để phát tham số hàm liên thuộc mờ Phát biên thực cách sử dụng 12 quy tắc mờ Điều tạo ba mức thông tin phát biên Trong tất mẫu hình ảnh, hình ảnh thu từ cấp hiển thị nhiều chi tiết hơn, hình ảnh từ cấp chứa chi tiết hình ảnh khơng cần thiết Tại số thời điểm định, việc phát biên hình ảnh X-quang xương khớp bao gồm tất chi tiết thơng tin hình ảnh, việc thực phép tính cần thiết khó khăn Ví dụ, trường hợp đo chiều dài ức địn chũm, hình ảnh phát biên có tất mức độ chi tiết hình ảnh, việc đánh giá chiều dài biểu bì cách tự động thách thức Một cách hiệu quả, thông tin không cần thiết dạng vật che lấp góc biên thực Để đánh giá hiệu suất phương pháp phát cạnh mờ, Pratt’s FOM, Pinho RBEM sử dụng Giá trị trung bình điểm số đo lường đánh giá (RBEM) gần cho tất mẫu 0,6 Đối với Pratt’s FOM Pinho, số điểm 0,5 0,4 Ngoài ra, có khác biệt nhỏ điểm RBEM tất mẫu độ lệch chuẩn khoảng 0,006 Trái ngược với phương pháp dò cạnh Canny truyền thống, số Pratt’s FOM Pinho báo cáo xấp xỉ 0,25, độ lệch chuẩn RBEM 0,009 Hơn nữa, khó đánh giá 68 xác diện tích mặt cắt ngang chu vi dựa hình ảnh thu từ lọc Canny Lý hình ảnh bao gồm thông tin không cần thiết số vật, ví dụ hiển thị hình ảnh sau áp dụng toán tử Canny/LoG, chi tiết bổ sung hình ảnh bao gồm nhiễu Để đánh giá khả chống nhiễu hệ thống suy luận mờ, số MSE PSNR sử dụng Các lọc truyền thống Sobel, Prewitt, Roberts, Canny hay LoG không loại bỏ nhiễu đốm ảnh X-quang Áp dụng thuật toán FEDM với tham số (Cp0, Cp1, Cp2, Cp3) lựa chọn tối ưu cho hàm thành viên cho phép lọc bỏ giá trị nhiễu đốm thêm vào 4.5 Hướng phát triển Qua phân tích lý thuyết kết mơ số, mơ hình hệ thống suy luận mờ đề xuất kết hợp với tiền xử lý SD cho kết phát đường biên ảnh tốt so với đề xuất trước Thêm vào đó, mơ hình đề xuất thử nghiệm với mức nhiễu ảnh cho thấy kết lọc nhiễu vượt trội so với lọc không gian truyền thống Tuy nhiên, tính hiệu khả ứng dụng nhóm ảnh lớn đa dạng phụ thuộc lớn vào hệ số cho đường cong SD, điều cần tiếp tục phát triển ứng dụng học sâu học máy để tự động tìm kiếm đặc trưng Từ kết khả quan trên, tiếp tục sử dụng phương pháp loại ảnh y tế khác ảnh thường để trích xuất đặc trưng ảnh tự động Với ưu điểm đại số gia tử so với hệ thống suy luận logic mờ, ứng dụng đại số gia tử vào phát đường biên ảnh bước hướng nghiên cứu 69 i TÀI LIỆU THAM KHẢO [1] R.Maini, H.Aggarwal Study and comparison of various image edge detection techniques, International Journal of Image processing (IJIP), volume (3), issue (1) 2016 [2] N Senthilkumaran and R.Rajesh, A study on edge detection methods for image segmentation, Proceedings of the international Conference on Mathematics and Computer Science (ICMCS2009) vol 1, pp 255-259, 2014 [3] Hichem Talbi, Mohamed Batouche and Amer Draa, ”A Quantum - Inspired Evolutionary Algorithm for Multiobjective Image Segmentation”, International Journal of Mathematical, Physical and Engineering Sciences, Vol.1 No.2, 2007, pp.109-114 [4] N Senthilkumaran and R.Rajesh, A study on split and merge for region based image segmentation, proceedings of UGC sponsored national conference network security (NCNS-08) pp57-61, 2014 [5] Agarwal S (2012) A review: Paper of edge detection using ant colony optimization techniques International Journal of Latest Research in Science and Technology 1:120-123 [6] L.A Zadeh,”Some reflections on soft computing, granular Computing and their roles in the conception, design and utilization of information/intelligent systems”, Soft Computing, vol.2, 1998, pp.23-25 [7] Xian Bin Wen, Hua Zhang and Ze Tao Jiang, ”Multiscale Unsupervised Segmentation of SAR Imagery Using the Genetic Algorithm”, Sensors, vol.8, 2008, pp.1704-1711 [8] Jander Moreira and Luciano Da Fontoura Costa, ”Neural-based color image segmentation and classification using self - organizing maps”, Anais IX SIBGRAPI, 1996, pp.47-54 [9] A Rosenfel, Computer vision, a source of models for biological visual process, IEEE Transaction on Biomedical 36(1), pp 83-94, 2013 [10] I Sobel, Neighbourhood coding of binary images fast contour following and general array binary processing, Computer graphics and image processing vol 8, pp 127- 135, 2012 [11] D Marr, E.C.Hildreth Theory of edge detection, proceeding of the Royal Society, 201b, pp187-217, 2014 [12] J Canny A computational approach to edge detection, IEEE Transactions in pattern analysis and machine intelligence vol pp 679-698, 2013 [13] M H Hueckel, An operator which locate edges in digitized pictures, Journal of ACM vol 18, pp 113-125, 2015 70 [14] Bergholm F (1986) “Edge focusing” in Proc 8th Int Conf Pattern Recognition 597-600 [15] Rafael CG, Wood RE (2008) Digital Image Processing 700-702 [16] Al-amri SS, Kalyankar NV, Khamitkar SD (2010) Image Segmentation by Using Edge Detection Int J Comp Sci Eng 2: 804-807 [17] Torre V, Poggio TA (1986) On edge detection IEEE Trans Pattern Analysis Machine Intell 8: 187-163 [18] Nawgaje DD, Rajendra, Kanphade D (2011) Implementation of fuzzy logic for detection of suspicious masses in mammograms using DSP TMS320C6711 International Journal of Advanced Engineering and Application [19] Bouchet A, Pastore J and Ballarin V, “Segmentation of Medical Images using Fuzzy Mathematical Morphology”, JCS and T, Vol.7, No.3, October 2007, pp.256-262 [20] Becerikli Y, Tayfun MK (2005) A new fuzzy approach for edge detection Springer-Verlag Berlin Heidelberg 943-951 [21] Dharampal, Mutneja V (2015) An improved type-1 fuzzy logic method for edge detection Int J Advance Res Comp Eng Tech 4: 1640-1644 [22] M Abdulghafour, ”Image segmentation using Fuzzy logic and genetic algorithms”, Journal of WSCG, vol 11, no.1, 2003 [23] Xian Bin Wen, Hua Zhang and Ze Tao Jiang, ”Multiscale Unsupervised Segmentation of SAR Imagery Using the Genetic Algorithm”, Sensors, vol.8, 2008, pp.1704-1711 [24] Mausumi Acharyya and Malay K Kundu, “ Image Segmentation Using Wavelet Packet Frames and Neuro- fuzzy Tools”, International Journal of Computational Cognition, Vol.5, No.4, December 2007, pp.27-43 [25] M Nikolic, E Tuba, and M Tuba, "Edge detection in medical ultrasound images using adjusted Canny edge detection algorithm," in Telecommunications Forum (TELFOR), 2016 24th, pp 1-4, 2016 [26] Michael Kass et al, “Snakes: Active contour models”, International Journal of Computer Vision, Kluwer Academic Publishers, 1988; 1(4): 321-331 [27] Thangam et al, “An effective Edge Detection Methodology for medical images based on texture discrimination”, Seventh International Conference on Advances in Pattern Recognition, 2009 [28] Chuan Yu Chang, “A Contextual-based Hopfield Neural Network for Medical Image Edge Detection”, IEEE International Conference on Multimedia and Expo (ICME), 2004 71 [29] Gudmundsson et al “Edge Detection in Medical Images Using a Genetic Algorithm”, IEEE TRANSACTIONS ON MEDICAL IMAGING, JUNE 1998; 17: [30] Zeng et al, "Fuzzy-Set Based Fast Edge Detection of Medical Image", Fuzzy Systems and Knowledge Discovery, 2008; 3: 42 – 46 [31] S I Jabbar, C R Day and E K Chadwick, "Using Fuzzy Inference system for detection the edges of Musculoskeletal Ultrasound Images," 2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2019, pp 1-7, doi: 10.1109/FUZZ-IEEE.2019.8858971 [32] R Gupta, I Elamvazuthi, S Dass, I Faye, P.Vasant, J George, & F Izzo, “Curvelet-based automatic segmentation of supraspinatus tendon from ultrasound image : a focused assistive diagnostic method,”BioMedical Engineering Online, 2014 [33] W Yang, Y Chen, Y Liu, L Zhong, G Qin, Z Lu, Q Feng, W Chen, “Cas- cade of multi-scale convolutional neural networks for bone suppression of chest radiographs in gradient domain” Med Image Anal 35, 421–433, 2016, doi: 10.1016/j media.2016.08.004 [34] R.C Bueno, P.H.F Masotti, J.F Justo, D.A Andrade, M.S Rocha, W.M Torres and R.N de Mesquita, “Two-phase flow bubble detection method applied to natural circulation system using fuzzy image processing” Nuclear Engineering and Design, vol 8(15), pp 255–264, 2018 [35] M Gonz, S Massanet, A Mir, and D Ruiz-aguilera, “Edge Image Aggregation Method using Ordered Weighted Averaging Functions,” in 2016 IEEE International Conference on Fuzzy Systems (FUZZ), 2016, pp 1355–1362 [36] Shubhangi, D & Chinchansoor, Raghavendra & Hiremath, Prakash (2012) Edge Detection of Femur Bones in X-ray images A comparative study of Edge Detectors International Journal of Computer Applications 42 13-16 10.5120/5663-7696 [37] K Panetta, C Gao, S Agaian, and S Nercessian, “A New ReferenceBased Edge Map Quality Measure,” IEEE Trans Syst Man, Cybern Syst., vol 46, no 11, pp 1505–1517, 2016 [38] C Lopez-Molina, B De Baets, and H Bustince, “Quantitative error measures for edge detection,” Pattern Recognit., vol 46, no 4, pp 1125–1139, 2013 [39] W K Pratt, Digital Image Processing, vol 242 New York, NY, USA:Wiley, 1978 [40] A J Pinho and L B Almeida, “Edge detection filters based on artificial neural networks,” in Image Analysis and Processing Berlin, Germany: Springer, 1995, pp 159–164 72 [41] S C Nercessian, S S Agaian, and K A Panetta, “A new referencebased measure for objective edge map evaluation,” in Proc SPIE Def Security Sens Conf., Orlando, FL, USA, 2009, Art ID 73510J [42] I Haq et al ,"Fuzzy logic based edge detection in smooth and noisy clinical images", PLOS ONE, September 25, 2015 [43] A M Eskicioglu and P S Fisher, "Image quality measures and their performance", IEEE Trans Commun., vol 43, no 12, pp 2959–2965, Dec 1995 [44] A A Michelson, Studies in Optics North Chelmsford, MA, USA: Courier Corporation, 1995 [45] S Liu, J Wei1, B Feng, W Lu1, B Denby, Q Fang and D Jianwu, "An anisotropic diffusion filter for reducing speckle noise of ultrasound images based on separability," Proceedings of the 2012 Asia Pacific Signal and Information Processing Association Annual Summit and Conference, IEEE Hollywood, CA, 2012, pp 1-4 73 TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Nghiên cứu ứng dụng hệ thống suy luận mờ phát đường biên ảnh Xquang Cơ Xương Khớp Tác giả luận văn: Đinh Thị Thu Ngọc Người hướng dẫn: TS Hán Trọng Thanh Khóa:2020B Từ khóa (Keyword): Edge Detection, FEDM, Musculoskeletal x-ray Nội dung tóm tắt: a) Lý chọn đề tài Chụp X-quang xương khớp có giá trị để phát bất thường xương Chụp ảnh X-quang trước sử dụng để ghi nhãn thủ cơng thơng số hình học hệ xương, chưa xác định xác hình dạng kích thước thành phần xương Do đó, thích tự động nhằm mục đích trích xuất thơng số hình học dựa việc phân tích thuộc tính hình ảnh cách hiệu nhanh chóng cần thiết Phân đoạn hình ảnh Xquang xương thường mục tiêu việc trích xuất thơng số hình học hệ thống xương Phát đường biên ảnh điều kiện tiên để phân đoạn hình ảnh thường cho phép hình ảnh thể hai màu (đen trắng) Mục đích việc phát biên xác định hình dạng kích thước vật thể ảnh, chẳng hạn gân Nhiều phương pháp tiếp cận cải tiến có giá trị cho số ứng dụng, chẳng hạn thị giác máy tính (computer vision), Mạng thần kinh hội tụ (CNN), kỹ thuật logic mờ Trong nhiều cách tiếp cận trên, chi tiết biên hình ảnh kết có tính liên kết với cao Một cách hiệu quả, điều có nghĩa nhìn thấy biên ranh giới gân, xương chi tiết khác hình ảnh Tuy nhiên, mục đích để đo đường biên cơ, việc đường viền đường biên mong muốn điều quan trọng phải loại trừ chi tiết khác giảm thiểu nhiễu artifact Điều cho phép tối ưu hóa việc phát biên cấu trúc quan tâm loại bỏ cấu trúc không bắt buộc Về vấn đề này, tính đặc hiệu chất lượng biên tạo có tác động lớn đến độ xác phân tích tự động thành phần xương Do đó, đề tài nghiên cứu tối ưu hóa phương pháp phát đường biên ảnh X-quang Cơ Xương Khớp sử dụng hệ suy luận mờ để làm bật cấu trúc quan tâm ảnh biên phát b) cứu Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên Đề tài thực với mục đích nghiên cứu tìm kiếm cải thiện thuật tốn suy luận mờ tối ưu cho mục tiêu phát đường biên ảnh X-quang Cơ Xương Khớp 74 c) giả Tóm tắt đọng nội dung đóng góp tác Nội dung luận văn trình bày ý nghĩa kỹ thuật phát biên ảnh y tế nói chung ảnh X-quang xương khớp nói riêng; nghiên cứu lọc sử dụng phổ biến để phát biên ảnh y tế gồm lọc truyền thống phương pháp tiếp cận sử dụng tính tốn mềm kỹ thuật suy luận mờ; nghiên cứu đặc trưng ảnh X-quang Cơ Xương Khớp; từ tạo thuật toán phát đường biên ảnh X-quang Cơ Xương Khớp để làm bật cấu trúc biên quan tâm Kết luận văn đề xuất sử dụng thuật toán FEDM với hàm thành viên tối ưu hóa tham số hệ 12 luật phù hợp cho ảnh X-quang có cấu trúc phân lớp để phát đường biên ảnh X-quang Cơ Xương Khớp d) Phương pháp nghiên cứu Luận văn sử dụng phương pháp nghiên cứu: nghiên cứu sở lọc phát đường biên truyền thống, phương pháp đại sử dụng tính tốn mềm ứng dụng xử lý ảnh y tế nói chung ảnh X-quang xương khớp nói riêng, thử nghiệm thuật tốn phát biên dựa hệ thống suy luận mờ với tham số hàm thành viên lựa chọn tối ưu đánh giá kết phát biên ảnh X-quang xương khớp áp dụng thuật toán đề xuất lọc truyền thống khác dựa tham số đo biên dựa ảnh tham chiếu RBEM đánh giá khả chống nhiễu thông qua tham số MSE PSNR e) Kết luận Sau q trình nghiên cứu, tơi hoàn thành mục tiêu đề ra: đề xuất thuật toán ứng dụng hệ suy luận mờ phát đường biên ảnh X-quang Cơ Xương Khớp Dữ liệu đầu vào ảnh X-quang Cơ Xương Khớp có tính chất phân lớp dựa đồ thị histogram Thuật toán tối ưu hóa lựa chọn tham số (Cp0, Cp1, Cp2, Cp3) cho ba hàm thành viên tương ứng dựa số đánh giá chất lượng ảnh RBEM đề xuất Đề tài đánh giá hiệu thuật tốn trích xuất đặc trưng đường biên ảnh X-quang sử dụng thuật toán FEDM cho ảnh phân lớp lọc truyền thống khác Sobel, Prewitt, Roberts, Canny LoG dựa thước đo biên dựa tham chiếu RBEM khả lọc nhiễu thuật toán 75 ... tài ? ?Nghiên cứu ứng dụng hệ thống suy luận mờ phát đường biên ảnh X- quang Cơ X? ?ơng Khớp? ?? trình bày thuật tốn ứng dụng hệ suy luận mờ để phát đường biên ranh giới cấu trúc cơ, x? ?ơng Đề tài thực... thích ứng 1.4 Vấn đề phát đường biên ảnh X- quang Cơ X? ?ơng Khớp 1.4.1.1 Ảnh X- quang Cơ X? ?ơng Khớp Ảnh X- quang x? ?ơng khớp có giá trị để phát bất thường x? ?ơng dùng để đánh giá vùng x? ?ơng bị đau, biến... LUẬN VĂN NGHIÊN CỨU ỨNG DỤNG HỆ THỐNG SUY LUẬN MỜ TRONG PHÁT HIỆN ĐƯỜNG BIÊN ẢNH X- QUANG CƠ X? ?ƠNG KHỚP Giáo viên hướng dẫn Ký ghi rõ họ tên LỜI CẢM ƠN Trong suốt trình nghiên cứu thực luận văn