Luận án tiến sĩ Công nghệ ký thuật điện tử - viễn thông: Nghiên cứu và phát triển các phương pháp khử nhiễu ảnh CT liều thấp

-Danh mục chữ viết tắtSTT Chữ Giải thích tiếng Anh Giải thích tiếng Việt viet tat 1 BM3D Block Matching Three Phương pháp khử nhiễu dựa trên Dimensions việc sắp xếp các miếng liên quan v

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYEN THÀNH TRUNG

NGHIÊN CỨU VÀ PHÁT TRIỂN

CÁC PHƯƠNG PHAP KHỬ NHIÊU ANH CT LIEU THAP

LUẬN ÁN TIEN SĨ CONG NGHỆ KY THUAT

DIEN TU-VIEN THONG

Hà Nội - 2023

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYEN THÀNH TRUNG

NGHIÊN CỨU VÀ PHÁT TRIỂN CÁC PHƯƠNG PHÁP

KHU NHIÊU ANH CT LIEU THAP

Ngành: Công nghệ Ky thuật Điện tử - Viễn thông Chuyên ngành: Kỹ thuật Điện tử

Mã số: 9510302.01

LUẬN ÁN TIEN SĨ CÔNG NGHỆ KỸ THUẬT

ĐIỆN TỬ - VIỄN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS TS NGUYEN LINH TRUNG

2 TS TRINH DINH HOAN

Hà Nội - 2023

1

LỜI CAM ĐOAN

Tôi xin cam đoan luận án do tôi thực hiện Những kết quả của các tác giả khác

mà tôi sử dụng trong luận án đều được trích dẫn rõ ràng, cụ thể Các kết quả thực nghiệm là trung thực Nếu có gì sai trái, tôi xin hoàn toàn chịu trách nhiệm.

Hà Nội, tháng 6 năm 2023

Nghiên cứu sinh

ii

LỜI CẢM ƠN

Để hoàn thành được luận án này, ngoài sự nỗ lực của bản thân, tôi đã nhận được rất nhiều sự động viên, giúp đỡ quý báu của các Thày Cô, bạn bè, đồng nghiệp và những người thân trong gia đình Trước hết, tôi xin chân thành bày tỏ lòng biết ơn

sâu sắc tới PGS.TS Nguyễn Linh Trung và TS Trịnh Đình Hoàn đã dành nhiều tâm

huyết trực tiếp hướng dẫn, động viên, giúp đỡ tôi cả về vật chất và tinh thần Tôi xin

chân thành cảm ơn Cô Marie Luong đã dành thời gian để góp ý cho những bài báo của chúng tôi Tôi xin chân thành cảm ơn TS Lê Vũ Hà, TS Nguyễn Hồng Thịnh- Phòng Thí nghiệm Tín hiệu hệ thống-Khoa Điện tử-Viễn thông-Trường Đại học Công

nghệ-Đại học Quốc gia Hà Nội đã tạo môi trường thuận lợi để tôi học tập và nghiên

cứu Tôi xin chân thành cảm ơn TS Lưu Mạnh Hà-Viện AVITECH-Trường Đại học

Công nghệ-Đại học Quốc gia Hà Nội đã tạo điều kiện thuận lợi để tôi triển khai cácthực nghiệm và luôn sẵn sàng thảo luận những vấn đề chuyên môn liên quan Cảm

ơn TS.BS Nguyễn Trường Giang, ThS.BS Pham Xuân Quang-Bénh viện Trung ương

Thái Nguyên đã giúp tôi đánh giá ảnh sau khi xử lý Cảm ơn TS Trương Minh

Chính-Đại học Huế, Th.S Phạm Minh Tuấn, CN Vũ Duy Thanh, CN Lê Quốc Anh, Th.S

Trần Việt Khoa, Th.S Bùi Minh Tuan-vién AVITECH, đã hỗ tro tôi những lúc tôi gặpcác sự cố về kỹ thuật Tôi xin chân thành cảm ơn sự hỗ trợ của Khoa Điện tử viễn

thông, Trường Đại học Công nghệ-Đại học Quốc gia Hà Nội trong suốt thời gian tôi

nghiên cứu tại đây Tôi cảm ơn các đồng nghiệp tại trường Đại học Công nghệ thôngtin và truyền thông-Đại học Thái Nguyên đã san sẻ công việc giúp tôi có nhiều thời

gian cho việc nghiên cứu của mình Cuối cùng tôi đặc biệt chân thành biết ơn sâu sắc

những tình cảm và sự hi sinh cả về vật chất, tỉnh thần của những người thân yêu trong

gia đình tôi suốt những năm tháng qua Tôi xin chân thành cảm ơn!

Hà Nội, tháng 6 năm 2023

Nguyễn Thành Trung

11

MỤC LỤC

Trang phụ bìa Ặ Q Q Q ee 1 Lời cam đoan Q Q Q Q Q ee ee 1

1.3 Tổng quan về các phương pháp khử nhiễu ảnh 24

1.3.1 Giới thiệu chung Ặ.Ặ.ẶẶẶẶỒ 24

1.3.2 Một số phương pháp khử nhiễu ảnh truyền thống 271.3.3 Một số phương pháp khử nhiễu ảnh dựa trên việc học từ tập

2.2.3 Biểu diễn thưa ẶẶ.Ặ co 4I

2.2.4 Ứng dụng biểu diễn thưa trong khử nhiễu ảnh 42

2.3 Các phương pháp đề xuất 45

2.3.1 Phương pháp liên quan MRFD 45

2.3.2 Hướng tiếp cận của các phương pháp dé xuất 47

2.3.3 Phương pháp khử nhiễu ảnh FD-SCI 48

2.3.4 Phương pháp khử nhiễu ảnh FD-SC2 54

2.3.5 Thực nghiệm đánh giá hiệu nang các phương pháp 61

2.3.6 Kếtluận Q2 72 2.4 Kếtluận chương Ặ c ee 73 CHUONG 3 KHỬ NHIÊU ANH CT LIEU THAP SU DỤNG MẠNG NƠ-RON TÍCHCHẬP 74

3.1 Giới thiệU Ặ Q Q Q Q Q Q H H ee 74 3.2 Một số ứng dung của mạng nơ-ron tích chập trong khử nhiễu ảnh LDCT 75 3.3 Các phương pháp liên quan và cơ sở hình thành các phương pháp dé XUAL “ 78 3.3.1 Phương pháp liên quan- FFDNet 78

3.3.2 Phuong pháp liên quan SAR-DRN 79

3.3.3 Co sở hình thành các phương pháp đề xuất 81

3.4 Các phương pháp dé xuất 82

3.4.1 Phương pháp FD-VGG 82

3.4.2 Phương pháp DRN-LDCT 85

3.4.3 Thực nghiệm và đánhgiá 87

3.5 Kétluanchuong 2.2 0 ee 95 KẾT LUẬN VÀ KIẾNNGHỊ 99

DANH MUC CONG TRINH KHOA HOC CUA TAC GIA LIEN QUAN DEN LUẬN AN 2 2c eee 101 TÀI LIEU THAM KHẢO 102

DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT

5 | RY Không gian véc-tơ thực N chiều

7 Ill, é,norm của vécto

8 Ill éynorm của véctd, ma trận hoặc tenxơ

-Danh mục chữ viết tắt

STT Chữ Giải thích tiếng Anh Giải thích tiếng Việt

viet tat

1 BM3D Block Matching Three Phương pháp khử nhiễu dựa trên

Dimensions việc sắp xếp các miếng liên quan

với miếng ảnh nhiễu thành các khối 3D rồi xử lý

2 |CNN Convolutional Neural Network | Mạng nơ-ron tích chập

3 CT Computed Tomography Chup cắt lớp vi tinh

4 | FFDnet Fast and Flexible Denoising Phương pháp khử nhiễu linh động,

convolutional neural network nhanh sử dụng mạng nơ-ron tích

chập (tên phương pháp)

5 | FSIM Feature Similarity Chỉ số tương đồng đặc trưng

6 | K-SVD K-Single Value Decomposition | Phương pháp khử nhiễu dựa trên

học từ điển thông qua phân giải

giá trị riêng (tên phương pháp)

7 | LDCT Low-Dose Computed Cắt lớp vi tính liều thấp

Tomography

8 | MSE Mean Square Error Sai số trung bình bình phương

9 | NDCT Normal Dose Computed Cắt lớp vi tính liều thường quy

Tomography

10 | NLM Non-Local Means Phuong pháp khử nhiễu dựa trên

trung bình không cục bộ (tên phương pháp)

11 | PSNR Peak Signal to Noise Ratio Tỉ số tín hiệu cực đại trên nhiễu

12 |RED- Residual Encoder-Decoder Mạng nơ-ron tích chập mã

15 | VGG Visual Geometry Group Tên mạng no-ron tích chập được

đặt theo tên của môt nhóm nghiên

cứu về hình học trực quan

DANH MỤC HINH VE

Hình 1.1 Minh họa đầu phát và các đầu dò tương ứng trong máy chụp CT

Ó4dẫy Q Q Q Q Q ee 18

Hình 1.2 Cac giai đoạn tạo ảnhŒCT 18

Hình 1.3 Giai đoạn quết 19

Hình 1.4 Dựng anh CT sử dụng biến đổ Radon 19

Hình 1.5 Dựng anh sử dụng phép chiếu ngược - 19

Hình 1.6 Ảnh CT vùng gan ở cùng vi trí với liều lượng phóng xạ X bình thường và liều lượng thấp 20

Hình 1.7 Khử nhiễu CT vùng phổi dùng bộ lọc Gauss 28

Hình 1.8 Kết quả khử nhiễu ảnh CT vùng phổi dùng bộ lọc trung vị kích thƯỚC 5 Xð Q Q Q Q HQ ng ng và va 29 Hình 1.9 Một trong những kiến trúc CNN đầu tiên sử dung để khử nhiễu anh [38] 2 QQ Q vo 36 Hình 2.1 Tổng quan về phương pháp khử nhiễu MRFD 46

Hình 2.3 Phân tách ảnh nhiễu thành các ảnh thành phần tần số 50

Hình 2.6 Phân chia ảnh thành các miếng ảnh 53

Hình 2.7 So đồ minh họa phương pháp dé xuất FD-SC2 56

Hình 2.8 Phân tách ảnh sử dụng các bộ lọc thông thấp 2D trong FD-SC2 57 Hình 2.9 Các ảnh sử dụng trong thucnghiém 63

Hình 2.10 Kết quả khử nhiễu trên ảnh CT liều thấp mô phỏng mức nhiễu Ö In" -.aaada a ——ẶẶằG 66 Hình 2.11 Kết quả khử nhiễu trên anh CT liều thấp vùng phổi chứa một nốt có tọa độ điểm ảnh (X=190, Y=394) 67

Hình 2.12 Ảnh hưởng của các tham số + trong (2.49) đến PSNR va SSIM 70 Hình 2.13 Ảnh hưởng của kích thước miếng đến PSNR và SSIM_ 71

Hình 3.1 Kiến trúc của RED-CNN trong[13] 75

Hình 3.2 Kiến trúc tổng thé của SACNN |46] 76

Hình 3.3 Kiến trúc của WGAN-VGG [77] 77

Hình 3.4 Kiến trúc chung của mạng FFDNet 78

Hình 3.5 Kiến trúc mạng SAR-DRN [85] 79

Hình 3.6 Hình vẽ minh họa tích chap dan với tỷ lệ dan khác nhau 80

Hình 3.7 Một số ảnh đầu ra của mạng SAR-DRN khi được huấn luyện trên

tập ảnh CT Quy v2 80

Hình 3.8 Kiến trúc của mạng FD-VGG 83

Hình 3.9 Mô tả chức năng của lớp hạ mẫu ảnh đầu vào 84

Hình 3.10 Kiến trúc của mô hình khử nhiễu dựa trên mạng nơ-ron tích chập

0 aAI eee 85Hình 3.11 Minh họa về tác động của toán tử 2-DConv 86Hình 3.12 Các chỉ số đánh giá hiệu năng của BM3D, FD-SC2, WGAN-

VGG [77], RED-CNN[13], FD-VGG và DRN-LDCT 96Hình 3.13 Kết quả khử nhiễu anh LDCT 6 bung 97Hình 3.14 Kết quả khử nhiễu trên ảnh CT vùng bụng chứa gan 98

DANH MỤC BANG BIEU

Bảng 2.1 So sánh chỉ số PSNR tính toán trên một số ảnh CT được khử

nhiễu bằng các phương pháp khác nhau 62

Bang 2.2 Chỉ số SSIM của một số anh đã được khử nhiễu bằng các phương

pháp khác nhau Ặ SẺ 64

Bảng 2.3 So sánh thời gian chạy của các phương pháp MRFD FD-SC1,

Bảng 3.1 Cấu hình chi tiết mạng RED-CNN [13] 93

Bang 3.2 Cấu hình chi tiết mang WGAN-VGG [77] (mang sinh Generator) 94 Bang 3.3 Cấu hình chi tiết mạng FD-VGG 94

Bảng 3.4 Cấu hình chi tiết mang DRN-LDCT 94

Bảng 3.5 PSNR, SSIM và FSIM trung bình của các phương pháp khử

nhiễu ảnh LDCT khác nhau - 95

Bang 3.6 Dung lượng mang và thời giantinhtoan 95

1 Bối cảnh nghiên cứu

Trong nền y học hiện dai, vai trò của ảnh y tế ngày càng trở nên quan trọng Mặc

dù các hệ thống tạo ảnh y tế không ngừng được cải tiến cả về phần cứng và phần mềmnhưng do sự giới hạn về mặt vật lý và do sự thỏa hiệp giữa chất lượng ảnh với việc hạnchế các rủi ro có thể xảy ra cho người bệnh dẫn tới việc trong ảnh y tế luôn xuất hiệnnhiễu và các yếu tố giả Nhiéu và các yêu tố giả trong ảnh y tế có thể ảnh hưởng tới

độ chính xác của việc chẩn đoán, điều trị bệnh Vì vậy, bài toán nâng cao chất lượnghình ảnh y tế bị nhiễu nhằm hạn chế những sai sót bắt nguồn từ hình ảnh y tế van làmột thách thức có ý nghĩa đã và đang thu hút được sự chú ý của nhiều nhà nghiên cứutrong và ngoài nước.

Ảnh y tế có nhiều loại như: ảnh X-quang, ảnh siêu âm, ảnh cộng hưởng từ, ảnhnội soi, ảnh chụp cắt lớp vi tính (CT: Computed Tomography) Trong đó ảnh CT được

sử dụng rộng rãi do chi phí hợp lý trong khi độ chính xác cao và có thể sử dụng để

chẩn đoán, điều trị nhiều loại bệnh

Nhiéu và yếu t6 giả xuất hiện trong ảnh CT đặc biệt là ảnh CT liều thấp (LDCT:

Low-Dose Computed Tomography) ảnh hưởng đến chất lượng của hình ảnh và có thể dẫn đến sai lệch trong việc chẩn đoán bệnh hoặc ảnh hưởng không tốt đến các tác vụ

nâng cao sử dụng ảnh CT làm đầu vào Vì vậy cần phải có các phương pháp để nâng

cao chất lượng trong đó có khử nhiễu.

Khử nhiễu ảnh là việc khôi phục ảnh không nhiễu từ ảnh nhiễu và là một bài

toán ngược khó giải Có nhiều cách tiếp cận khác nhau để giải quyết bài toán này từ

việc sử dụng các bộ lọc cổ điển như bộ lọc trung bình, bộ lọc Gauss, bộ lọc trung

vị, v.v cho tới các phương pháp khử nhiễu dựa trên lý thuyết về vi phân, biến phântoàn phần, các phương pháp khử nhiễu theo miếng ảnh (patch-based), cho tới việc khửnhiễu áp dụng các kỹ thuật học máy truyền thống đến học sâu Khử nhiễu ảnh có thể

được thực hiện trong miễn không gian (miền gốc) hoặc chuyển đổi sang miền khác để

xử lý rồi biến đối ngược lại miền gốc

Hầu hết các phương pháp khử nhiễu ảnh y tế đều hướng tới mục tiêu khử được

nhiễu đồng thời bảo tồn được càng nhiễu chi tiết nhỏ càng tốt Chi tiết nhỏ được hiểu

là các chi tiết được tạo thành từ 3 đến 5 điểm ảnh trở lên có cấu trúc hình học và khácvới nhiễu mang tính ngẫu nhiên Trong ảnh y tế, các mạch máu nhỏ, các đường vânphổi, các khối u nhỏ, bờ tổn thương là những ví dụ về chỉ tiết nhỏ Với ảnh CT, việc

khử nhiễu gặp một số thách thức chính sau:

* Cần giữ được tính đồng nhất ở các vùng có tính đồng nhất

* Cần bảo toàn các vùng biên (không bi mờ đi)

» Can hạn chế làm mất các chi tiết kết cấu.

* Cần bảo toàn độ tương phản toàn cục

* Cần hạn chế phát sinh các yếu tố giả.

Khử nhiễu ảnh sử dụng các bộ lọc truyền thống là cách khử nhiễu dựa trên các

toán tử tuyến tính hoặc không tuyến tính đơn giản tác động lên ảnh nhiễu để nhậnđược ảnh đã được khử nhiễu Các phương pháp khử nhiễu ảnh truyền thống điển hình

như phương pháp khử nhiễu sử dụng bộ lọc Gauss, bộ lọc trung bình, bộ lọc trung vị,

V.V.

Khử nhiễu ảnh dựa trên miếng ảnh là việc khử nhiễu trong đó ảnh nhiễu đượcphân tách ra thành các miếng ảnh nhỏ gối nhau (giữa các miếng ảnh kề nhau có phan

xen phủ lên nhau) Việc khử nhiễu sau đó được thực hiện thông qua khử nhiễu các

miếng ảnh nhiễu rồi tổng hợp các miếng ảnh đã được khử nhiễu lại thành ảnh đượckhử nhiễu Khử nhiễu theo miếng cần sử dụng đến tập các miếng ảnh có liên quan

đến miếng ảnh nhiễu theo một tiêu chí cho trước.

Khử nhiễu ảnh dựa trên học máy là việc xây dựng một ánh xạ từ ảnh nhiễu đến

ảnh khử nhiễu dựa trên việc học từ tập dữ liệu cho trước.

2 Tổng quan về các vẫn đề nghiên cứu

Các phương pháp khử nhiễu sử dụng bộ lọc truyền thống [48] có ưu điểm làđơn giản và hiệu quả đối với những vùng ảnh có tính đồng nhất nhưng thường gây

hiện tượng làm mờ những vùng biên ảnh, nếu chỉ áp dụng trực tiếp những phương

pháp này vào việc khử nhiễu ảnh y tế có thể dẫn đến mat hoặc mờ những chỉ tiết nhỏ

trong ảnh như các mạch máu nhỏ, vân phổi, các khối u nhỏ, và do đó ảnh hưởng tới

việc chẩn đoán, điều trị bệnh [Hạn chế 1] Phương pháp dựa trên khuếch tán bất đẳng

hướng [60] hướng tới việc bảo tồn các biên ảnh nhưng không hiệu quả với những

đường biên cong [9] Các phương pháp khử nhiễu dựa trên biến phân toàn phần khắcphục được nhược điểm của phương pháp dựa trên khuếch tán bất đẳng hướng nhưng

phương pháp này gây ra hiện tượng làm trơn quá và không phù hợp với những ảnh mà

có sự biến đổi từ từ về độ sáng

Các phương pháp khử nhiễu theo miếng ảnh theo đó ảnh cần khử nhiễu đượctách ra thành các miếng ảnh nhỏ, việc khử nhiễu được thực hiện trên từng miếng ảnh

trong đó có tham khảo thông tin từ các miếng ảnh khác nằm ở trong hoặc ngoài ảnh

Có hai hướng tiếp cận là khử nhiễu sử dụng các miếng ảnh nằm ngay trong ảnh vàkhử nhiễu sử dụng các miếng ảnh nằm ngoài ảnh Việc khai thác các miếng ảnh cũng

có nhiều cách tiếp cận khác nhau có phương pháp sử dụng trực tiếp các miếng ảnh,

có phương pháp sử dụng gián tiếp các miếng ảnh

Có nhiều công trình đã công bố liên quan đến khai thác các miếng ảnh ngay

trong ảnh nhiễu Ưu điểm của những phương pháp này so với khử nhiễu sử dụng các

miếng ảnh nằm ngoài ảnh, là khối lượng tính toán nhỏ, nhược điểm là có thể không

tìm được những miếng ảnh phù hợp hoặc tìm được ít miếng ảnh phù hợp để tham gia vào việc khử nhiễu.

Với các phương pháp khử nhiễu ảnh sử dụng các miếng ảnh ở ngoài thông thườngcho chất lượng tốt hơn so với các phương pháp sử dụng các miếng ảnh nằm ngay trong

ảnh nhiễu nhưng phát sinh van đề xây dung tập các miếng ảnh như thé nào là hợp lý,

khai thác thông tin gì từ những miếng ảnh Ví dụ như cần phải tìm những miếng ảnh

có liên quan tới miếng ảnh cần khử nhiễu, chon lọc những thông tin gi từ những miếngảnh này để sử dụng cho việc khử nhiễu miếng ảnh nhiễu

Các phương pháp khử nhiễu ảnh dựa trên miếng ảnh cho kết quả khả quan hơn

so với các bộ lọc truyền thống khác, một trong số các ưu điểm đó là khả năng bảotoàn tốt hơn các chi tiết nhỏ trong ảnh Phương pháp Non-local mean [8] khử nhiễuhiệu quả nhưng khả năng giữ các chi tiết nhỏ còn hạn chế Phương pháp K-SVD [27]

sử dụng biểu diễn thưa để khử nhiễu, trong đó dùng thuật toán K-SVD để học từ

điển thích nghi với ảnh nhiễu, phương pháp này khử nhiễu hiệu quả nhưng ảnh đầu ra

thường bị làm trơn quá, có nghĩa là có thể làm mat hoặc làm mờ các chi tiết nhỏ trong

10

ảnh, nêu áp dụng phương pháp này cho khử nhiễu anh y tế thì đây được xem là mộtđiểm cần khắc phục [Hạn chế 2].

Trong các tác vụ xử lý ảnh bậc thấp, ngoài khử nhiễu ảnh còn có siêu phân giảihình ảnh, những điểm tương đồng giữa hai tác vụ này gợi mở hướng tiếp cận phát triển

các phương pháp khử nhiễu ảnh từ các phương pháp siêu phân giải Di theo hướng tiếp

cận này, phương pháp khử nhiễu ảnh MRFD (Markov Random Field Denoising) [73]

đã được phát triển trên cơ sở của phương pháp siêu phân giải trong [29]-là một phương pháp siêu phân giải khai thác tập ảnh mẫu và có sử dụng việc phân tách ảnh thành các

miếng ảnh nhỏ.

Khử nhiễu ảnh MRFD [73]-phương pháp khử nhiễu ảnh CT theo miếng dựatrên tập ảnh mẫu, là phương pháp có nhiều triển vọng trong việc bảo tồn các chỉ tiết

nhỏ như các mạch máu nhỏ, các đường vân phổi Tuy nhiên, nhược điểm của phương

pháp này là ảnh thành phần tần số cao được tạo thành từ tập các miếng ảnh chọn trựctiếp từ tập các miếng ảnh trong tập dữ liệu vi vậy có sự ràng buộc chặt chẽ giữa ảnhthành phần tần số cao với tập dữ liệu các miếng ảnh được sử dụng, cụ thể là dữ liệuphải chứa ứng các viên phù hợp [Hạn chế 3]

Một nhánh nghiên cứu về khử nhiễu hiện nay đang thu hút được nhiều nhànghiên cứu là nhánh sử dụng các kỹ thuật học máy để khử nhiễu nhằm khai thác tập

các hình ảnh mẫu để khử nhiễu Trong đó các phương pháp học máy truyền thống

không yêu cầu lượng dữ liệu lớn nhưng yêu cầu việc trích chọn đặc trưng Các kỹ

thuật học sâu không yêu cầu trích chọn đặc trưng nhưng lại yêu cầu dữ liệu lớn và khối lượng tính toán lớn trong giai đoạn huấn luyện và giai đoạn huấn luyện cần phải

có phần cứng đủ mạnh

Gần đây sự phát triển mạnh của phần cứng máy tính tạo điều kiện cho việc giatăng các nghiên cứu ứng dụng của học sâu ở nhiều lĩnh vực Trong xử lý ảnh, nhiềuphương pháp khử nhiễu dùng hoc sâu đã được dé xuất [13, 77, 82, 83, 85] cho việckhử nhiễu các loại ảnh khác nhau từ ảnh tự nhiên, ảnh y tế, và ảnh trong một số lĩnhvực khác, điều này mở ra nhiều hướng tiếp cận cho việc nghiên cứu phát triển cácphương pháp khử nhiễu cho ảnh CT liều thấp Trong đó, việc phát triển các mạng học

sâu để khử nhiễu ảnh LDCT trên cơ sở các mạng học sâu khử nhiễu cho loại ảnh khác

là một trong những hướng tiếp cận nhiều triển vọng.

11

Trong các phương pháp khử nhiễu ảnh tự nhiên sử dụng học sâu chúng tôi đặc

biệt chú ý đến phương pháp FFDNet (Toward a Fast and Flexible Solution for CNN

based Image Denoising) [83] được đề xuất bởi Kai Zhang và các cộng sự bởi tính hiệuquả của nó Phương pháp này được thiết kế cho việc khử nhiễu ảnh tự nhiên và do đókhử nhiễu ảnh tự nhiên hiệu quả, nhưng trong phương pháp sử dụng giả thiết nhiễutrên toàn bộ ảnh là nhiễu Gauss, kéo theo đữ liệu huấn luyện, cầu trúc mạng có điểmnhững điểm chưa phù hợp khi áp dụng trực tiếp cho việc khử nhiễu ảnh CT liều thấp

[Hạn chế 4], ham mất mát sử dụng trong mạng FFDNet là hàm mat mát dựa trên sai

số trung bình bình phương (MSE loss) nên thường gây ra hiện tượng làm trơn quá, với

ảnh y tế, hiện tượng làm trơn quá có thể dẫn tới mat thông tin nên nếu khai thác mangnày cho việc khử nhiễu ảnh CT liều thấp thì đây là một vấn dé cần khắc phục [Hanchê 5].

Ngoài ra nghiên cứu sinh cũng quan tâm đến những mạng có cấu trúc nhẹ để

phát triển thành phương pháp khử nhiễu ảnh LDCT Trong quá trình nghiên cứu các

phương pháp khử nhiễu sử dụng mạng CNN cấu trúc nhẹ, nghiên cứu sinh chú ý

đến phương pháp SAR-DRN (Learning a Dilated Residual Network for SAR Image

Despeckling) [85] bởi nó có cấu trúc gọn Nghiên cứu sinh đã thực hiện một số thực

nghiệm và thông qua một số điều chỉnh ban đầu nghiên cứu sinh phát hiện mạng này

có khả năng áp dụng được trong việc khử nhiễu ảnh y tế

Mạng CNN được đề xuất trong [85] có ưu điểm là khử được nhiễu với số lớp

ít, tuy nhiên do phương pháp này được thiết kế cho ảnh radar khẩu độ- không phải

dành cho ảnh y tế nên việc bảo tồn các chi tiết nhỏ chưa được chú ý Dé áp dụng được

phương pháp này vào việc khử nhiễu ảnh y tế thì đây là một vấn đề cần khắc phục

[Hạn ché 6].

3 Van dé nghiên cứu

Từ những phân tích ở phần tổng quan ở trên và dựa trên thực tế là từ một ảnh CT

bị nhiễu không khó để tìm ra những ảnh có chất lượng cao hơn mà nội dung tương

quan nhiều với ảnh nhiễu, tập ảnh này có thể được sử dụng để cải thiện hiệu quả của

việc khử nhiễu Vì vậy, nghiên cứu sinh xác định van dé nghiên cứu như sau:

Van đề 1: Nghiên cứu kết hợp bộ lọc nhiễu truyền thống và khử nhiễu ảnh dựa trên

tập ảnh mẫu (theo miếng ảnh) trong việc khử nhiễu anh CT liều thấp (liên quan đến

Hạn chế 1, Hạn chế 2, Hạn chế 3)

12

Van dé 2: Nghiên cứu để phát triển các phương pháp khử nhiễu dựa trên mạng CNN

dùng cho khử nhiễu các loại ảnh không phải ảnh y tế, để khử nhiễu ảnh CT liều thấp (liên quan đến Hạn chế 4, Hạn chế 5, Hạn chế 6).

4 Mục tiêu nghiên cứu

4.1 Mục tiêu chung

Nghiên cứu dé xuất các phương pháp khử nhiễu anh CT liều thấp dựa trên việc

khai thác thông tin từ tập anh CT cho trước.

4.2 Mục tiêu cụ thé

1 Nghiên cứu phát triển phương pháp khử nhiễu ảnh CT liều thấp, trong đó có sự

kết hợp việc sử dụng biểu diễn thưa và các bộ lọc truyền thống, dựa trên tập các

hình ảnh chất lượng cao cho trước, sao cho nhiễu được khử trong khi bảo toàn

được càng nhiều chỉ tiết nhỏ càng tốt

2 Nghiên cứu áp dụng mạng nơ-ron tích chập CNN vào bài toán khử nhiễu ảnh

CT liều thấp, dựa trên tập dữ liệu lớn các hình ảnh CT liều thấp, liều thường,sao cho ảnh đầu ra có chất lượng càng gần với chất lượng ảnh CT liều thườngcàng tốt

5 Hướng tiếp cận và phương pháp nghiên cứu

Với van dé nghiên cứu 1 chúng tôi tiếp cận theo hướng tận dụng ưu điểm khử

nhiễu tốt những vùng bằng phẳng của bộ lọc truyền thống và tận dụng biểu diễn thưa

để khử nhiễu những vùng chứa nhiều chi tiết nhỏ Với vấn dé nghiên cứu 2 chúng tôi

tiếp cận theo hướng tác động vào cấu trúc mạng CNN, hàm mat mát khi huấn luyện

mạng.

6 Nội dung nghiên cứu

Luận án tập trung nghiên cứu phát triển các nội dung sau:

1 Tổng quan về khử nhiễu ảnh

2 Khử nhiễu ảnh CT liều thấp sử dụng biểu diễn thưa'

3 Phát triển các phương pháp khử nhiễu ảnh CT liều thấp sử dụng mạng CNN

13

7 Pham vi và giới hạn nghiên cứu

Ảnh y tế có rất nhiều loại: ảnh siêu âm, ảnh cộng hưởng từ, ảnh hạt nhân vv.

Trong luận án này chúng tôi tập trung nghiên cứu khử nhiễu hình ảnh CT liều thấp sử

dụng tập ảnh mẫu chất lượng cao cho trước, sao cho nhiễu được giảm trong khi bảo

toàn được càng nhiều chi tiết nhỏ càng tốt.

8 Đóng góp chính của luận án

Luận án có hai đóng góp chính:

1 Luận án kết hợp bộ lọc truyền thống (khử nhiễu hiệu quả ở vùng đồng nhất) và

phương pháp biểu diễn thưa để khử nhiễu ảnh CT liều thấp hiệu quả trong khi

bảo toàn tốt các chi tiết ảnh nhỏ có thể mang thông tin y học quan trong, bang

cách phân tách ảnh ra thành các ảnh thành phần tần số thấp, trung bình và cao,rồi tiền hành ước lượng ảnh thành phan tần số trung bình và tần số cao dùngbiểu diễn thưa [Các công trình số 1, 2.]

2 Dựa trên phương pháp dùng mạng CNN khử nhiễu cho loại ảnh không phải CT

và dữ liệu các cặp anh CT (liều thấp, liều thường), luận án đã đề xuất khaithác thêm tinh thu cảm trong hàm mất mát, dé xuất bỏ ban đồ nhiễu trong cấu

trúc mạng FEDnet để khử nhiễu ảnh CT liều thấp hiệu quả cao [Công trình số

3] Đồng thời, dựa trên phương pháp khử nhiễu ảnh ra đa khẩu độ dùng mạng

SAR-DRN, luận án dé xuất bổ sung tầng tiền xử lý và hậu xử lý trong cấu trúc

mạng nhằm mở rộng trường nhận thức, bổ sung khối chuẩn hóa theo lô (BN)

để cải thiện chất lượng huấn luyện của mạng, để nâng cao chất lượng khử nhiễuảnh LDCT [Các công trình số 4, 5.] Kết quả nghiên cứu cho thấy việc ứng dụngCNN vào khử nhiễu ảnh CT liều thấp có thể giúp giảm liều lượng phóng xạxuống 25% so với liều lượng tiêu chuẩn mà chất lượng hình ảnh gần như không

tới kịch bản cơ sở dữ liệu ảnh CT và các điều kiện khác còn hạn chế Ưu điểm của

các phương pháp sử dung trong chương 2 là cần lượng dif liệu nhỏ và có thể thực hiện

được trong điều kiện hạn chế về phần cứng Các phương pháp trong chương 3 đượcthực hiện trong kịch bản có tập dữ liệu lớn các ảnh y tế cũng như đủ điều kiện về phần

cứng để làm thực nghiệm.

15

CHƯƠNG 1.

CƠ SỞ VÀ TỔNG QUAN

1.1 Giới thiệu

Hầu hết các hệ thống tạo ảnh y tế được sử dụng để quan sát các bộ phận bên

trong cơ thể người Nó đóng vai trò quan trọng trong việc thăm khám, chẩn đoán, điều

trị bệnh Sự tiến bộ nhanh chóng của kỹ thuật tao ảnh y tế và sự phát triển các phương

pháp phân tích, chẩn đoán với sự trợ giúp của máy tính làm cho kỹ thuật hình ảnh y

tế trở thành một trong những lĩnh vực rất quan trọng trong khoa học về hình ảnh [24]

Cùng với việc ứng dụng ngày càng rộng rãi kỹ thuật hình ảnh trong lĩnh vực y

tế, chất lượng của ảnh y tế trở thành một vấn dé quan trọng Sự xuất hiện của cáccông nghệ tao ảnh y tế ví dụ như CT (Computed Tomography), SPECT (Single-photon Emission Computed Tomography), PET (Positron Emission Tomography),

MRI (Magnetic Resonance Imaging), US (Ultra Sound) đã tao ra một cuộc cách mạng

cho nền y học hiện đại Mặc dù những công nghệ tiên tiến được áp dụng trong thu

thập tín hiệu, những thuật toán tạo ảnh hiệu quả được sử dụng, chất lượng hình ảnh y

tế vẫn thường bị ảnh hưởng bởi độ phân giải, độ tương phản, nhiễu và các yếu tố giảtrong quá trình thu nhận, truyền, và xử lý dữ liệu ảnh [66] Những yếu tố này gây ranhiều khó khăn trong việc phân tích hoặc trích xuất các thông tin hữu ích từ hình ảnh

y tế và do đó có thể ảnh hưởng nghiêm trọng tới sự chính xác trong việc chẩn đoán

và điều trị bệnh Dé tăng độ chính xác, hạn chế những nhầm lẫn trong chẩn đoán, cầnthiết phải có những phương pháp xử lý ảnh hiệu quả nhằm có được các hình ảnh chấtlượng tốt hơn và đáng tin cậy hơn

Có nhiều kỹ thuật được sử dụng để tác động lên các yếu tố trên với mục đíchnâng cao chất lượng hình ảnh y tế Các kỹ thuật này có thể được chia thành 2 nhóm

tương ứng với hai cách tiếp cận khác nhau:

s Cac kỹ thuật tác động trước và trong quá trình tạo ảnh.

s Các kỹ thuật tác động sau quá trình tạo ảnh.

16

Do sự khó khăn trong tiếp cận dữ liệu tạo ảnh nên hầu hết các công trình nghiên cứu

tập trung phát triển các kỹ thuật tác động sau quá trình tạo ảnh.

Luận án tập trung nghiên cứu phát triển các phương pháp khử nhiễu ảnh CT liềuthấp nên chương này chủ yếu để cập đến những nội dung liên quan đến ảnh CT và

khử nhiễu ảnh.

1.2 Anh CT và vấn đề khử nhiễu ảnh CT

1.2.1 Kỹ thuật tạo ảnh CT

Ngày này, kỹ thuật tạo ảnh CT đã trở thành một một trong những kỹ thuật quan

trọng trong y tế Nó khắc phục được các hạn chế của kỹ thuật chụp X-Quang thường

quy như hiện tượng xếp chồng hình ảnh của các bộ phận lên nhau v.v So với chụp

X-Quang thường quy, kỹ thuật chụp CT chính xác hơn vì nó áp dụng lý thuyết toán

học vào việc tạo ảnh của đối tượng từ các hình chiếu của đối tượng ở nhiều góc chiếu

tia X khác nhau Trong kỹ thuật chụp CT, máy tính đóng vai trò quan trọng, nó xử lý

thông tin nhận từ các bộ dò các tia X được chiếu xuyên qua vùng cần tạo ảnh Chụp

CT có một số điểm mạnh như tốc độ, độ chính xác, thời gian quét v.v

Kỹ thuật tạo ảnh CT cho phép tạo ảnh của các lát cắt ngang cơ thể Hệ thống tạoảnh này phức tạp hơn nhiều so với hệ thống tạo ảnh X-quang, hình ảnh không đượctạo ra trực tiếp trên phim (thiết bị thu nhận) giống như trong tạo ảnh X-quang chiếu

mà phải qua quá trình tính toán dé dựng ảnh dựa trên những dif liệu thu thập được từ các cảm biến.

Các giai đoạn chính để tạo ra ảnh CT gồm: quét, dựng ảnh, chuyển đổi số tương

tự Giai đoạn quét ảnh: giai đoạn này để thu thập dữ liệu thông qua cặp phát-thu tia X.

Bộ phận thu và bộ phận phát được sắp đặt trên một quỹ đạo đường tròn như hình 1.1.Giai đoạn dựng ảnh: dif liệu thu được từ các đầu đò sau khi quét xong chưa phải là dữ

liệu hình ảnh, để tạo ra dữ liệu hình ảnh cần phải xử lý dữ liệu này bằng chương trình

dựng ảnh Đầu ra của chương trình dựng ảnh là dữ liệu hình ảnh Để hiển thị ảnh cầnchuyển đổi dữ liệu này sang dạng tín hiệu tương tự ở giai đoạn chuyển đổi số - tương

tự Các giai đoạn tạo anh CT được mô tả như hình vẽ 1.2.

Trong pha quét, một chùm tia X hình đẻ quạt được quét quanh cơ thể Khi chùm

tia X được chiếu xuyên qua cơ thể với các góc khác nhau, chúng bị suy giảm với mức

độ khác nhau tùy vào mật độ vật chat của khu vực mà nó xuyên qua Các bộ dd nằm

17

18

Hình 1.3 Giai đoạn quét (nguồn: ihmiskehon-anatomia-jukka-jauhiainen-oamk/-ngay truy nhập 11/01/2022)

https://slidetodoc.com/matikka-fysiikka-kemia-Phép chiếu ngược đơn giản về nguyên lý nhưng nó giải quyết thiếu chuẩn xác

bài toán ngược Hình 1.4 là một ví dụ minh họa việc tạo anh CT thông qua mô phỏng.

Trong ví dụ này, một hình ảnh phantom (hình a) được biến đổi thành sinogram (hìnhb) sử dụng phép biến đổi Radon với góc 6 = 180° Sau đó, Sinogram được biến đổi

thành ảnh CT (hình c) Để tránh hiện tượng mờ như hình người ta thường dùng phép

s2 age

` R ae - g

(a) (b) (c) Hình 1.4 Dung anh CT sử dụng biến đổi Radon

lọc ngược hình chiếu Các hình chiếu được lọc trong miền Fourier bởi một bộ lọc ví

dụ như bộ lọc hình dốc (ramp) trước khi được sử dung ở các bước tiếp theo Hình 1.5

mô tả một ví dụ về tái tạo sử dụng phép chiếu ngược

Hình 1.5 Dựng ảnh sử dụng phép chiếu ngược (a) ảnh phantom, (b) ảnh được dựng

không sử dụng loc, và (c) ảnh được dựng có sử dụng lọc.

19

Ảnh CT được sử dụng rộng rãi trong chẩn đoán và điều trị Tuy nhiên, do kỹ

thuật tạo ảnh này sử dụng phóng xạ X để thu nhận và tạo ra các hình ảnh CT theo

lát cắt ngang của cơ thể, nên bệnh nhân và người vận hành có thể phải đối mặt với

những nguy hiểm khi liều lượng tia X cao ví dụ như có thể gây ảnh hưởng đến gen,gây ung thư và các bệnh khác Do đó, việc giảm liều lượng phóng xạ càng nhiều càngtốt trong khi vẫn bảo tồn được chất lượng hình ảnh phục vụ việc chẩn đoán là việc rấtquan trọng Tuy nhiên, quan sát hình 1.6 ta thấy việc giảm liều lượng phóng xạ X sẽ

làm tăng nhiễu trong ảnh và có thể ảnh hưởng tới các thông tin chẩn đoán quan trọng.

Điều này thúc đẩy các nỗ lực trong cộng đồng nghiên cứu về ảnh CT để phát triển cácphương pháp xử lý ảnh có thể cải thiện chất lượng ảnh của ảnh CT liều thấp (LDCT:Low Dose Computed Tomography).

(a) Liều thường (b) Liều thấp

Hình 1.6 Ảnh CT vùng gan ở cùng vị trí với liều lượng phóng xạ X bình thường và

liều lượng thấp [58].

1.2.2 Các yếu tô chính ảnh hưởng tới chất lượng của ảnh CT

Có nhiều yếu tố ảnh hưởng tới chất lượng của ảnh CT trong đó có một vài yếu

tố chính sau [22]:

* Mo: Ảnh CT có thể bị mờ do nhiều nguyên nhân như việc thiết lập các thông

số vận hành, các cử động của bệnh nhân, các giải thuật lọc hoặc việc thiết lập

thông số không phù hợp cho các giải thuật lọc để khử nhiễu cho ảnh v.v.

* Trường quan sát (FOV: Field of View): La vùng được lựa chọn dé tạo anh CT.

20

Nếu ảnh CT quá nhỏ hoặc quá lớn sẽ gây khó khăn cho việc tìm ra những bất

thường trong ảnh.

Yếu tố giả (artifacts): Là những biến dạng hoặc lỗi trong ảnh và không liên quanđến đối tượng được tạo ảnh, là biểu hiện của sự sai khác giữa số CT thực tế với

số CT mong đợi Có một số yêu tố giả phổ biến là: yếu tố giả do chùm tia mạnh

lên (beam-hardening artifact), yếu tố giả do kim loại gây ra (metal artifact), yếu

tố giả do cử động của bệnh nhân, yếu tố giả do phần cứng hoặc phần mềm của

hệ thống tạo ảnh

Nhiễu thị giác (visual noise): Nhiễu thị giác là những thông tin không mong

muốn làm giảm hiệu ứng thị giác của ảnh Nhiéu trong ảnh CT xuất hiện do

nhiều nguyên nhân khác nhau như do quá trình thu nhận, do quá trình truyềnảnh, do lỗi tính toán toán học, do sự biến thiên các hệ số suy giảm giữa các

voxel Nhiễu thị giác ảnh hưởng đến chất lượng quan sát đặc biệt là những đối

tượng độ tương phản thấp Có nhiều nguyên nhân khác nhau dẫn tới nhiễu tronganh CT, trong đó có liều bức xạ là một trong những yếu tô chính Việc giảm liều

bức xạ làm tăng mức nhiễu và do đó làm giảm chất lượng của ảnh CT.

Bộ dò (detector): Hiệu suất hình học và hiệu suất hấp thụ của các bộ dò có ảnh

hưởng đến chất lượng của ảnh CT Nếu tăng hiệu suất hình học và hiệu suất hấpthụ của bộ dò thì có thể được cải thiện chất lượng mà không cần phải tăng liềubức xa.

Các ống chuẩn trực: bộ phận này được sử dụng theo hai cách: ống tiền trực

chuẩn và ống hậu trực chuẩn Ống tiền trực chuẩn được lắp đặt giữa nguồn phát

tia X và bệnh nhân để tránh những bức xạ không cần thiết cho bệnh nhân Bằng

việc tăng độ rộng của trực chuẩn bộ dò, chất lượng ảnh CT có thể được cải thiện

Ống hậu trực chuẩn được đặt giữa bệnh nhân và bộ dò giúp loại bỏ bức xạ tán

xạ và do đó cũng giúp cải thiện chất lượng ảnh

Dải quét: dải quét liên quan trực tiếp đến tổng lượng liều bức xạ được sử dụng

cho bệnh nhân Việc giữ được liều lượng càng thấp càng tốt trong khi không ảnh

hưởng đến việc chẩn đoán là rất quan trọng

21

* Dòng điện ống phóng tia: bằng việc tăng giá trị dòng ống phóng tia, cường độ

chùm tia cũng sẽ tăng Do đó cường độ tín hiệu ở bộ dò cũng tăng và dẫn tới nhiễu giảm.

¢ Thời gian quét: khi tăng thời gian quét thi thời gian đo lường cũng tang va tác

động đến chất lượng của ảnh CT cụ thể là nhiễu sẽ giảm

* Độ dày lát cắt: bằng việc thay đổi thông số độ dày lát cắt, làm thay đổi lượng

tia X đi tới bộ đò Ví dụ, nếu tăng gấp đôi độ dày lát cắt thì cường độ chùm tia

cũng tăng gấp đôi và dẫn đến tín hiệu đo được cũng tăng gấp đôi Như vậy tăng

thông số độ dày sẽ giảm được nhiễu

* KVP (Peak kilovoltage): thay đổi giá trị của thông số KVP làm thay đổi số lượng

tia X thâm nhập tới bệnh nhân và đến các bộ dò Do vậy việc tăng KVP giảm

được nhiễu nhưng có thể làm giảm nhẹ độ tương phản.

Có hai hướng tiếp cận để giảm nhiễu thị giác mà không phải đánh đổi chất lượng

hình ảnh chẩn đoán,

(1) Thông qua sự hiểu biết về liều bức xạ và cải thiện hiệu suất liều của hệ thống

chụp CT, ảnh CT liều thấp có thể được cải thiện

(2) Chất lượng ảnh CT có thể được cải thiện bằng cách phát triển các giải thuật

để khử nhiễu ảnh Các giải thuật này xa hơn có thể sử dụng với mục đích giảm

liều bức xạ.

1.2.3 Nhiễu trong ảnh CT và một số thách thức chính trong khử nhiễu ảnh

CT

1.2.3.1 Các loại nguôn nhiễu

Nhiễu trong ảnh CT bị tác động bởi nhiều nguồn, trong đó có một số nguồn

chính sau:

* Nguồn nhiễu ngẫu nhiên: nhiễu ngẫu nhiên phát sinh có thể do bộ dò tia X

trong máy CT thu nhận được số hữu hạn, ngẫu nhiên lượng tử X, trong phạm vimột hình chiếu Nó được xem như sự thay đổi trong mật độ ảnh Kết quả là sự

thay đổi mật độ ảnh không đoán trước được và theo cách ngẫu nhiên, điều này

được biết đến như là nhiễu ngẫu nhiên

22

* Nhiễu thống kê: năng lượng của chùm tia X được truyền ở dạng từng khúc riêng

lẻ gọi là lượng tử Do đó, số lượng hữu hạn các lượng tử này được tìm thấy bởi

bộ dò tia X Số lượng tử tia X được tìm thấy có thể khác nhau ở các lần đo khácnhau bởi sự thay đổi thống kê Nhiễu thống kê trong ảnh CT có thể xuất hiện do

sự thay đổi trong việc thu nhận số hữu hạn lượng tử tia X Nhiễu thống kê cònđược gọi là nhiễu lượng tử Khi càng nhiều lượng tử được dò thấy trong mỗi lần

đo, sự chính xác tương đối của mỗi lần đo được cải thiện, chỉ có một cách giảmcác hiệu ứng của nhiễu thống kê là tăng số lượng tử tia X được tìm thấy ở bộ dò

Thông thường, điều này đạt được bằng việc tăng số lượng tử tia X được truyền

thông qua việc tăng liều lượng tia X

° Nguồn niễu điện tử: trong máy CT có những mạch điện thu nhận tín hiệu tương

tự, những mạch điện này được gọi là các mạch điện tương tự Quá trình thu nhận

các tín hiệu tương tự bởi mạch điện tử có thể bị ảnh hưởng bởi nhiễu Do đó,

nguôn nhiễu này được gọi là nhiễu điện tử.

* Nguồn nhiễu lượng tử hóa (lỗi làm tròn): Tín hiệu tương tự được chuyển thành

tín hiệu số thông qua các bước xử lý rồi được gửi tới máy tính để tạo ảnh CT Trong máy tính số có các mạch số để xử lý các tín hiệu rời rạc Do số bít để chứa

các tín hiệu rời rạc trong máy tính là hữu hạn nên các tính toán toán học phải

làm tròn điều này dẫn tới lỗi làm tròn.

1.2.3.2 Phân bố của nhiễu trong ảnh CT

Phân bố nhiễu trong anh CT có thé được xác định bằng nhiều cách tiếp cận.Cách tiếp cận thứ nhất là lặp đi lặp lại việc chụp CT cho một đối tượng, cách này có

thể cho ta một phân bồ nhiễu lý tưởng nhưng không thực tế vì không thể làm như vậy

với người bệnh Ở cách tiếp cận thứ hai, nhiễu được cộng vào dif liệu thô và việc mô

phỏng và dựng ảnh được thực hiện nhiều lần để phân tích phân bố của nhiễu trongảnh CT Tuy nhiên cách tiếp cận này tốn thời gian vì phải mô phỏng đi mô phỏng

lại nhiều lần Ở cách tiếp cận khác thực hiện phân tích nhiễu sử dụng một mô hình nhiễu tại một thời điểm trong quá trình dựng ảnh Ở cách tiếp cận này, phân bố của

nhiễu trong ảnh CT có thể có được bằng việc ước lượng phương sai nhiễu thông quacác thuật toán dựng ảnh Trong các hệ thống tạo ảnh dùng tia X, hình ảnh được xâydựng dựa trên số phô-tôn thu được trong một đơn vị thời gian Do vậy, ảnh có tính

23

ngẫu nhiên theo không gian và thời gian Nhiễu lượng tử là một nguồn nhiễu cơ bản

và không thể tránh khỏi trong tạo ảnh CT Ở hệ thống tạo ảnh y tế tốt, nhiễu lượng

tử là nguồn biến động ngẫu nhiên chiếm ưu thế [24] Nguồn nhiễu này mang đặc tínhthống kê Poát-xông vì vậy nhiễu Poát-xông xuất hiện ở hầu hết các loại ảnh y tế đượctạo ra bởi tia X Tuy nhiên, đối với ảnh CT liều tia X thấp nhiễu được xấp xỉ bằngphân bố Gauss không đồng nhất, thay vì phân bố Poát-xông [43, 51]

1.2.3.3 Một sé thách thức chính trong khử nhiễu ảnh CT

Mục đích của việc khử nhiễu ảnh CT là giảm nhiễu trong ảnh mà không ảnh

hưởng tới các chỉ tiết lâm sàng và do đó hữu ích cho việc chẩn đoán bệnh Xử lý ảnh

số đóng vai trò quan trọng trong khử nhiễu ảnh CT [30] Các bộ lọc làm trơn, làm sắc

nét ảnh thông thường là những bộ lọc phổ biến nhất để giảm nhiễu cho ảnh số Các

bộ lọc làm trơn không đủ tốt để khử nhiễu một cách hiệu quả đặc biệt là nhiễu nặng

nó có thể ảnh hưởng xấu tới các đường biên Các bộ lọc làm sắc nét ảnh có khuynhhướng giảm nhiễu và làm sắc nét các đường biên nhưng không chú trọng đến bảo vệ

các chỉ tiết nhỏ Đây là vấn đề chính của khử nhiễu ảnh trong phân tích ảnh y tế bởi

vì mat đi các cấu trúc dẫn tới sự thiếu chích xác trong phân tích các ảnh CT và có thểgây hại cho người bệnh Mặc dù, nhiều phương pháp đã được khám phá nhưng khửnhiễu ảnh vẫn là một nhiệm vụ đầy thách thức Các thách thức chính cho khử nhiễu

ảnh CT là:

* Vùng đồng nhất cần đồng nhất

* Các biên ảnh cần được bảo toàn (không mờ)

* Cần giữ được các chỉ tiết kết cấu

* Cần giữ được độ tương phản toàn cục

° Không phát sinh các yếu tố giả

[22].

1.3 Tổng quan về các phương pháp khử nhiễu ảnh

1.3.1 Giới thiêu chung

Sự phát triển của các mô hình tạo ảnh y tế tạo ra một cuộc cách mạng trong y học, cho phép các bác sĩ có thể quan sát được các bộ phận bên trong cơ thể người

24

bệnh mà không cần phẫu thuật và do đó làm tăng độ chính xác trong chẩn đoán và

điều trị một số bệnh Một trong những mô hình tạo ảnh quan trọng nhất được sử dụng trong y tế là mô hình tạo ảnh CT Mô hình này sử dụng chùm tia X quét quanh cơ thể

để thu thập dữ liệu rồi từ đó tạo các ảnh lát cắt ngang của cơ thể Chùm tia X có thể

làm lỗi gen và dẫn đến ung thư [7, 21] Để giảm thiểu các rủi ro của tia X, nguyên lý

ALARA (As low as reasonably achievable) [67] thường được sử dụng.

Tuy nhiên, sự giảm liều lượng tia X sẽ tạo ra ảnh CT liều thấp, ảnh này thường

bị nhiễu nặng và chứa nhiều chỉ tiết giả, do đó có thể làm ảnh hưởng đến chẩn đoán

và điều trị [39] Vì vậy, đã có nhiều phương pháp được đề xuất nhằm cải thiện chất

lượng ảnh CT liều thấp Các phương pháp này có thể được phân thành ba nhóm: Xử

lý các dữ liệu thô (sinogram) trước khi tao ảnh [55, 74], xử lý trong quá trình tạo anh

dựa trên phép lặp [5, 34], và hậu xử lý anh đã được tạo [16, 28, 54].

Một trong những ưu điểm của nhóm phương pháp xử lý dữ liệu thô trước khi

tạo ảnh [55, 74] là ta đễ có được thông tin thống kê của dữ liệu thô từ đó chọn được

phương pháp phù hợp để xử lý Tuy nhiên nhóm phương pháp này yêu cau dif liệu thô

từ các máy chụp CT, các dữ liệu này khó lấy được ở các máy thương mại hóa Hơnnữa, nhóm phương pháp này thường làm ảnh hưởng đến các đường biên và độ phân

giải trong ảnh được tạo.

Các giải thuật xử lý trong quá trình tạo ảnh dựa trên phép lặp [5, 34] thông

thường kết hợp thuộc tính thống kê của dữ liệu thô và những thông tin tiên đoán vềảnh và thậm chí các thông số của hệ thống tạo ảnh vào một hàm mục tiêu rồi tối ưuhàm này Phương pháp này cho kết quả tốt tuy nhiên yêu cầu nhiều thời gian xử lý

Khác với hai nhóm trên, nhóm phương pháp hậu xử lý hình ảnh đã được dựng

[16, 28, 54] tập trung vào việc khử nhiễu các ảnh đã được dựng do đó không cần đến

dif liệu thô, thời gian chạy ít hơn so với nhóm phương pháp lặp và có thể dé dàng áp

dụng cho các hệ thống tạo ảnh CT

Nhiều phương pháp khử nhiễu đã được đề xuất nhằm giảm nhiễu và các yếu tốgiả trong anh CT liều thấp trong khi vẫn bảo tồn được những chi tiết quan trọng trongảnh Một số phương pháp đã kế thừa các ý tưởng của các phương pháp khử nhiễuảnh tự nhiên đã có ví dụ như [15, 16, 32, 52, 54] Những công trình này bắt nguồn

từ phương pháp NLM (Non-Local Means), BM3D (3D Block Matching) và KSVD

25

chúng cho kết quả khử nhiễu tốt nhưng vẫn phải đối mặt với những vấn đề như hiện

tượng làm trơn quá mức, việc mat các chi tiết nhỏ và những điều này có thé ảnh hưởng tới thông tin chẩn đoán.

Ngoài ra, đối với các phương pháp này, nhiễu được khử trực tiếp từ hình ảnh

nhiễu Tương tự như lọc sinogram, chúng đòi hỏi thông tin về các loại nguồn nhiễu và

các đặc tính chung của nhiễu trong ảnh CT Hầu hết các phương pháp hiện có đều giả

định rằng phân bồ nhiễu trong anh CT có thể được xp xỉ bang phân bồ Gaussian [50]

Các tác giả trong [70] đã đề xuất sử dụng giả định về phân bố Gauss cục bộ để xử lý

sự thay đổi của mức độ nhiễu giữa các vùng ảnh Tuy nhiên, thực tế là nhiễu trong CTliều thấp rất phức tạp nên khó ước tính chính xác, làm giảm hiệu suất khử nhiễu ảnh

LDCT của các phương pháp truyền thống.

Gần đây các mạng nơ-ron tích chập (CNNs: Convolutional Neural Networks) đãđược khai thác để khử nhiễu cho cả ảnh tự nhiên và khử nhiễu ảnh y tế và một số loạiảnh khác Hầu hết các mạng CNN dùng cho khử nhiễu ảnh y tế thực hiện việc ánh xạ

từ ảnh chất lượng thấp thành ảnh có chất lượng cao hơn Một số ví dụ cụ thể là cácphương pháp khử nhiễu trong [13, 76, 77] đã xây dựng một ánh xạ từ ảnh CT liều thấp(chất lượng thấp) thành ảnh CT liều thường (chất lượng cao hơn) sao cho ảnh đầu ra

càng giống anh CT liều thường càng tốt.

Các phương pháp dùng CNN khử nhiễu ảnh tự nhiên thường tập trung vào thiết

kế mạng CNN để khử nhiễu Gauss trắng dạng nhiễu cộng [82, 83] Dữ liệu huấn

luyện thường được thiết kế dựa trên các hình ảnh không nhiễu và ảnh nhiễu mô phỏng

(cộng nhiễu mô hình với ảnh không nhiễu) Từ những phương pháp này, với những

điều chỉnh phù hợp ta có thể dùng trong khử nhiễu ảnh y tế

Khử nhiễu ảnh là bước thiết yếu để nâng cao chất lượng ảnh Nó cũng là bước

tiền xử lý bắt buộc trong các ứng dụng xử lý ảnh và nhận dạng mẫu, từ việc phân

đoạn ảnh cho tới các tác vụ cao hơn như tìm đối tượng, truy vết đối tượng Do đó, ướclượng một ảnh từ ảnh bị suy giảm chất lượng bởi nhiễu đã thu hút được sự quan tâmrất lớn từ cộng đồng các nhà nghiên cứu

Về cơ bản, mục đích của khử nhiễu ảnh là loại bỏ nhiễu trên ảnh một cách hiệuquả, trong khi bảo tồn được các đặc trưng quan trọng như các biên ảnh và nhữngchỉ tiết nhỏ càng nhiều càng tốt Trong lĩnh vực khử nhiễu ảnh, nhiều phương pháp

26

hiệu quả đã được dé xuất như các phương pháp dựa trên biến phân toàn phần [6, 63],

các phương pháp khử nhiễu dựa trên biến đổi sang miền khác rồi xử lý [18, 19], các

phương pháp khử nhiễu dựa trên kỹ thuật trung bình không cục bộ (Non-local mean)

[8, 17] Hầu hết các phương pháp khử nhiễu nổi tiếng đều hướng tới việc khử nhiễuGauss trắng trong khi nhiễu trong ảnh y tế thường rat phức tạp Hơn nữa, không giống

như các phương pháp khử nhiễu thông thường khử nhiễu ảnh y tế cần thỏa mãn các

điều kiện sau:

* Nó phải thích hợp với loại nhiễu trong ảnh.

* Nó cần khử nhiễu hiệu quả trong khi bảo tồn tốt các đường biên cũng như các

cau trúc nhỏ càng nhiều càng tốt, bởi vì những chi tiết này có thé cho những

thông tin quan trọng về bệnh lý

Mặc dù đã có nhiều phương pháp khử nhiễu đã được đề xuất, để thỏa mãn các điều

kiện trên vẫn còn là thách thức Vì vậy nghiên cứu các phương pháp thích hợp với

từng loại ảnh y tế cụ thể vẫn là một trong những thách thức trong việc nghiên cứu vềhình ảnh y tế

Phần này trình bày tổng quan về các phương pháp khử nhiễu ảnh, từ những

phương pháp khử nhiễu ảnh truyền thống cho đến những phương pháp khử nhiễu sử

dụng học trên tập ảnh mẫu.

1.3.2 Một số phương pháp khử nhiễu ảnh truyền thống

1.3.2.1 Phương pháp làm trơn tuyến tính

Phương pháp làm trơn tuyến tính là phương pháp khử nhiễu đơn giản và hiệu quả Theo phương pháp này, ảnh nhiễu được nhân chập với đáp ứng xung của bộ lọc

thông thấp ví dụ như bộ lọc Gauss:

cũng có dạng Gauss.

Mặc dù nhiễu là nhiễu trắng nhưng bộ lọc thông thấp Gauss vẫn có tác dụng

giảm nhiễu là vì năng lượng của ảnh chủ yếu tập trung ở các thành phần tần số thấp

là đải tần mà bộ lọc ưu tiên, cũng do bộ lọc chỉ ưu tiên các thành phần tần số thấp nên

khi dùng nó để khử nhiễu thì những đường biên của ảnh bị mờ đi Hình 1.7 mô tả kết

quả khử nhiễu anh CT vùng phổi sử dụng bộ loc Gauss.

(a) noisy, PSNR:22.4245 (b) denoised, PSNR:29.3967

Hình 1.7 Kết quả khử nhiễu ảnh CT vùng phổi dùng bộ lọc Gauss: a) ảnh nhiễu; b)

ảnh đã được khử nhiễu

1.3.2.2 Phương pháp lọc trung vị

Bộ lọc trung vị thực hiện việc xử lý ảnh theo từng điểm Giá trị của điểm ảnh

cần xử lý được tính toán bằng cách lấy trung vị các giá trị của các điểm ảnh lân cận

nó.

Lọc trung vị được đánh giá là bảo tồn các đường biên tốt hơn so với lọc tuyến

tính[12] Tuy nhiên, đã có công trình nghiên cứu chỉ ra rằng khi dùng các bộ lọc

trung vị đơn giản để khử nhiễu thì không bảo tồn đường biên tốt hơn so với lọc tuyếntính [3].

Với cách thức lọc như trên bộ lọc trung vị có thể loại bỏ các giá trị lớn hoặc nhỏ

bất thường (giá trị ngoại biên) Vì vậy, phương pháp này thường được dùng để khử

nhiễu muối tiêu (salt and pepper noise) Hình 1.8 minh họa kết quả khử nhiễu ảnh CT

vùng phối sử dụng bộ lọc trung vị.

1.3.2.3 Phương pháp khử nhiễu song tuyến (Bilateral)

Phương pháp khử nhiễu Bilateral [69] hướng tới việc làm trơn ảnh trong khi bảo

tồn các biên Ý tưởng đằng sau phương pháp khử nhiễu này là lấy tổ hợp không tuyến

28

Hình 1.8 Kết quả khử nhiễu ảnh CT vùng phổi dùng bộ lọc trung vị kích thước 5 x 5

tính của các giá trị điểm ảnh lân cận Các giá trị được lựa chọn để tham gia vào tổ hợp

không chỉ dựa trên sự gần về mặt hình học mà còn dựa trên sự tương tự về quang học

Bộ lọc Bilateral có thể được xem là sự kết hợp giữa lọc vùng miễn và lọc dải.

Lọc vùng miễn chỉ việc lọc cổ điển trong đó các điểm ảnh gần về mặt hình họcđược lọc với nhau Bộ loc Gauss là một ví dụ về lọc miễn Loc theo miễn có thể đượcgiải thích một cách trực quan như sau: các ảnh thường biến thiên chậm theo khônggian (các thành phần tần số thấp chiếm ưu thế), trong khi nhiễu thì không tương quanvới không gian Do đó lọc theo miền có hiệu ứng giảm nhiễu trong khi bảo tồn tín

hiệu Tuy nhiên cần lưu ý rằng tại các biên ảnh, giả thuyết trên không còn đúng nữa

Lọc theo dải nghĩa là lọc tất cả các điểm bên trong ảnh nhìn tương tự như nhau.Phương pháp lọc này thay đổi bản đồ xám của ảnh Chính xác hơn, nó thực hiện việcnén các lược đồ đơn mốt (nghĩa là làm cho ảnh có ít giá trị xám khác nhau hơn), làm

cho ảnh nhìn giống ảnh hoạt hình.

Việc kết hợp hai cách lọc trên cho chúng ta kết quả khử nhiễu khá thú vị Lọcbilateral đảm bảo việc bảo tồn các đường biên, điều này không có ở bộ lọc chỉ có lọctheo miễn

1.3.2.4 Phương pháp khử nhiễu dựa trên biến phân toàn phan TV

Phương pháp khử nhiễu dựa trên biến phân toàn phần [6, 63] dựa trên quan sát

bằng trực giác là gradient rời rạc của các ảnh nhiễu lớn hơn so với gradient rời rạc

của các ảnh không nhiễu (ảnh nhiễu nhìn "san sùi" trong khi ảnh không nhiễu thì nhìn

"mượt mà") Do vậy có thể thực hiện khử nhiễu bằng việc tìm ra ảnh mượt theo một

vài số đo và gần với ảnh nhiễu.

29

Ký hiệu u là ảnh nhiễu, v là ảnh không nhiễu, n là nhiễu, ta có: u = v + n.

Ta cần ước lượng v từ u, bài toán này có thể đưa về bài toán cực đại hóa xác suất

hậu nghiệm (MAP: Maximum A Posteriori):

Ÿ = arg max p(v|u) (1.3)

= arg max p(v)p(ulv) (1.4)

= arg min — log p(v) — log p(ulv), (1.5)

Với trường hợp nhiễu là nhiễu Gauss ta có thành phan likelihood là

1

553 4 — vila (1.6)

log p(ulv) =

Thanh phan tiên nghiệm của hình ảnh — log p(v) = /||v|Ìry trong đó ¿: điều khiển

cường độ thường hóa Có nhiều phương án chọn ||v||ry nhưng thông thường thànhphần này được lựa chọn như sau:

IIvllrv = (Var)? + WyU)Ệ, +, (1.7)

trong đó V„ và Vụ lần lượt là đạo hàm rời rạc theo chiều ngang và theo chiều dọc củaảnh, c thêm vào để đảm bảo tính khả vi tại 0 Bài toán trên là lồi và có thể giải được

thông qua các bước giảm gradient như sau:

d

vit) = „É) + nị Iưy + Allu— vl], (1.8)

trong đó øữ=0) = u Tham số \ điều khiển mức độ quan trong giữa thành phan tiênnghiệm và thành phần likehood việc chọn \ có thể dựa vào mức nhiễu Việc lặp sẽ

dừng lại khi sự thay đối giữa những lần cập nhật liên tiếp nhau được xem là đủ nhỏ.

Thành phần đạo hàm của ||v||7y có thể có nhiều cách tính và việc chọn cách tính

thành phần này có ảnh hưởng đến thủ tục tối ưu vì nó liên quan đến phép tính die lv,

Hai phương án có thể lựa chọn là: (V„v)? = (Viv)? và (Viv)? = (ive Vey" trong

đó V+ là sự chênh lệch về giá trị giữa điểm ảnh tham chiếu và điểm ảnh bên phải nó,Ÿ¿ là sự chênh lệch về giá trị giữa điểm ảnh tham chiếu và điểm ảnh bên trái nó Một

nhược điểm của thủ tục tối ưu thông qua các bước giảm gradient là tốc độ khá chậm.

30

Một điểm yếu khác của việc khử nhiễu dùng biến phân toàn phần là nó có khuynhhướng tạo ra các vùng quá mượt đặc biệt là những vùng kết cấu.

1.3.2.5 Phương pháp khử nhiễu NLM

Phương pháp khử nhiễu NLM (Non-Local Mean) [8] khai thác sự dư thừa thong

tin có trong hầu hết các ảnh tự nhiên Sự dư thừa ở đây được hiểu là trong cùng một

ảnh tổn tại các miếng ảnh nhỏ nhìn tương tự nhau Nghĩa là, với một miếng ảnh nhỏ

p trong ảnh ta luôn tìm được các miếng ảnh khác nhìn tương tự như nó

NLM khử nhiễu miếng ảnh g; kích thước k x xung quanh điểm anh i bằng

cách thay thé nó bằng trung bình trọng số của các miếng ảnh q; tương tự nó nằm

trong vùng hình vuông lân cận tâm i kích thước \ x A Các trọng số được được xác định dựa trên khoảng cách ơ-clit được chuẩn hóa giữa p; va ä; Khoảng cách này được

xác định như sau:

— lõ; - 45 d(i.8j) = “a (1.9)

Miếng ảnh đầu ra p; chính là trung bình trọng số của các miếng ảnh g, :

trong đó h là tham số liên quan đến mức nhiễu

Trong khi khử nhiễu dùng bộ lọc Gaussian chỉ bảo tồn được những vùng bằng

phẳng và làm mat hoặc mờ những đường viền, những cấu trúc nhỏ, khử nhiễu dùng

bộ lọc bilateral chỉ bảo tồn được những đường biên thẳng nhưng lại làm xuất hiện ởnhững vùng phẳng nhiều yếu tổ giả (artifacts) Bộ lọc NLM có thể được xem như làkết hợp hai phương pháp trên để tận dụng các ưu điểm và khắc phục các nhược điểm

của chúng.

1.3.2.6 Phương pháp khử nhiễu dựa trên biểu diễn thưa K-SVD

Phương pháp khử nhiễu ảnh K-SVD [27] là phương pháp khử nhiễu theo miếng ảnh sử dụng biểu diễn thưa Trong phương pháp này ảnh nhiễu được chia thành các

miếng ảnh nhỏ (biểu diễn dưới dang véc-tơ) Các miếng ảnh này được khử nhiễu thông

qua việc tìm biểu diễn thưa của nó theo các véc-tơ cơ sở trong một từ điển được học

thích nghi với các miếng ảnh nhiễu Chi tiết về phương pháp này được trình bày trong

31

chương 2.

1.3.2.7 Phương pháp khử nhiễu BM3D

BM3D (Block- matching and 3D-filtering) [18] được xem là phương pháp khử

nhiễu ảnh tiên tiến được thiết kế để khử nhiễu ảnh bị nhiễu Gauss trắng dạng cộng

Phương pháp này giả thiết trong các ảnh tồn tại các miếng nhỏ nhìn tương tự như

nhau, nghĩa là giả sử có một miếng trích ra từ ảnh thì ta có thể tìm thấy trong ảnh

đó các miếng khác nhìn tương tự như nó Những miếng tương tự nhau như vậy đượcnhóm lại thành khối và được gọi là block-matching Các miếng trong một khối đượckhử nhiễu cùng nhau và hợp tác với nhau, nghĩa là mỗi miếng trợ giúp sự khử nhiễucho các miếng khác Việc khử nhiễu được thực hiện theo từng miếng: với mỗi miếng,trước hết ta tìm một tập các miếng lân cận và nhóm chúng lại thành một khối, đượckhử nhiễu cùng nhau rồi chèn về các vị trí ban đầu của chúng Mỗi miếng ảnh có thểthuộc một vài khối, nó khác với việc phân cụm trong đó mỗi miếng chỉ thuộc một

cụm.

Hai biến đổi được áp dụng trên khối Trước hết, các hệ số được rút gọn, sau đó,

được ánh xạ ngược về miền gốc thông qua biến đổi Kết quả là tất cả các miếng trongkhối được khử nhiễu Các miếng ảnh đã được khử nhiễu sau đó được chèn vào ảnh

khử nhiễu tại cùng vị trí của các miếng ảnh nhiễu tương ứng.

Ý tưởng chính của thuật toán là bên trong một khối có tương quan về thông tin

trong nội bộ mỗi miếng ảnh và giữa các miếng ảnh với nhau, trong khi nhiễu trắng

không có tương quan như trên Phép biến đổi thứ nhất là phép biến đổi hai chiều ví

dụ như phép biến đổi DCT, phép biến đổi này có tác dụng khai thác tương quan bên

trong các miếng: một vài hệ số của mỗi miếng có giá trị lớn Phép biến đổi thứ hai làphép biến đổi một chiều ví dụ như biến đổi Harr phép biến đổi này áp dụng dọc theochiều thứ ba của mỗi khối Các hệ số cùng vi trí ở tat cả các miếng được biến đổi việcnày có tác dụng khai thác tương quan giữa các miếng: một vài hệ số Harr có giá trị

lớn Điểm mau chốt là trước khi biến đổi và sau khi biến đổi nhiễu vẫn là nhiễu trắng

Thông tin về ảnh được tập trung vào một vài hệ số có giá trị lớn điều này cho phép

khử nhiễu hiệu quả thông qua việc rút gọn các hệ số Thuật toán dựa trên hai bước

Sự khác nhau giữa hai bước nằm ở chỗ các miếng tương tự nhau được tìm ra như thế

nào và các hệ số được rút gọn như thé nào Ở bước một, các miếng nhìn tương tự nhau

được tìm trong ảnh nhiễu và sử dụng phân ngưỡng cứng để rút gọn các hệ số: tất cả

32

các giá trị dưới ngưỡng được gán bằng 0 ở bước này nhiễu đã được khử một phan.

Bước 2 khai thác ảnh đã xử lý qua bước 1 Các miếng tương tự nhau được tim ra sử

dụng ảnh đã được khử nhiễu ở bước 1 đáng tin cậy hơn so với việc tìm kiếm các miếngtương tự nhau ở trong ảnh nhiễu Đến đây, ta có hai loại khối là khối chứa các miếng

ảnh nhiễu và khối chứa các miếng ảnh đã được khử nhiễu ở bước 1 sau đó tác động

cùng một phép biến đổi lên cả hai khối rồi rút gọn sử dụng bộ lọc Wiener: thực hiện

việc xấp xỉ khối chứa các miếng được khử nhiễu bằng việc gan trọng số khối chứa các

miếng ảnh bị nhiễu Bước 2 là quan trong và đem lại lợi ích dựa trên bước 1 BM3D

khử nhiễu Gauss trắng hiệu quả tuy nhiên phương pháp này thường gây ra hiện tượng

quá trơn.

1.3.3 Một số phương pháp khử nhiễu ảnh dựa trên việc học từ tập ảnh

mau

Mục tiêu của việc khử nhiễu hình ảnh là khôi phục hình ảnh không nhiễu từ ảnh

nhiễu Không giống như các phương pháp cổ điển, trong đó thực hiện khử nhiễu trực

tiếp bằng cách giải quyết bài toán ngược (ví dụ: biểu diễn thưa, bộ lọc thống kê, biến

phân toàn phần), các phương pháp dựa trên việc học nhằm học ánh xạ biểu thị mối

quan hệ giữa các cặp hình ảnh nhiễu và không nhiễu từ các tập dữ liệu bên ngoài đã

cho và sử dụng ánh xạ đã được huấn luyện để khử nhiễu hình ảnh nhiễu khác (khôngnằm trong tập huấn luyện) Phần này sẽ đề cập đến những đóng góp chính trong cácphương pháp khử nhiễu nêu trên và các ứng dụng của chúng đối với ảnh LDCT (từcác phương pháp sơ khai đến các phương pháp hiện đại) Trước khi đi vào chỉ tiết củacác phương pháp dựa trên việc học hiện nay cần có cái nhìn về các phương pháp khửnhiễu dựa trên miếng ảnh ngoài được coi là cầu nối giữa phương pháp truyền thống

và phương pháp dựa trên việc học từ tập ảnh mẫu.

1.3.3.1 Các phương pháp khử nhiễu dựa trên miếng ảnh ngoài

Các phương pháp khử nhiễu dựa trên CNN gần đây [13, 77] được coi là phương phápkhử nhiễu ảnh LDCT hiện đại Tuy nhiên, ý tưởng sử dụng hình ảnh CT liều thường

(NDCT) để khử hình anh CT liều thấp (LDCT) đã sớm được dé xuất trong các phương

pháp khử nhiễu dựa trên miếng ảnh [54, 70-72] Mặc dù thời gian tính toán là mộtnhược điểm của các phương pháp dựa trên miếng ảnh này, nhưng tính hiệu quả trong

việc khử nhiễu của của chúng đã được xác nhận Phương pháp khử nhiễu dựa trên

miếng ảnh bên ngoài này có thể được coi là cầu nối từ các phương pháp khử nhiễu cổ

33

điển sang các phương pháp dựa trên việc học.

Ý tưởng về một thuật toán khử nhiễu dựa trên miếng ảnh bên ngoài có thể được

môt tả như sau Một hình ảnh nhiễu được coi là một tập hợp có trật tự của các miếngảnh nhỏ gối nhau và việc khử nhiễu được thực hiện trên các miếng ảnh nhỏ này

Cho trước một miếng ảnh có kích thước y⁄n x \/n từ một hình ảnh nhiễu, được biểu diễn dưới dang một vectơ q € R”, một thuật toán được sử dụng dé tìm một tập

hợp miếng ảnh tương tự (các miếng tham khảo) pj, pa п € RK” từ các hình ảnh

sạch bên ngoài và xác định ánh xạ F để ước lượng p của miéng ảnh không nhiễu chưa

biết p :

Pp = F(pi, P2, -; Pk): (1.11)

Nhiều phương pháp khử nhiễu dựa trên miếng anh sử dung hình anh không nhiễubên ngoài đã được dé xuất [54, 70, 72] Trong thuật toán NLM được đề xuất trong

[54], hàm khử nhiễu F trong (1.11) được xác định dựa trên mô hình trung bình có

trọng số của phương pháp trung bình không cục bộ [40] Tuy nhiên, trọng số được

tính bằng cách sử dụng các miếng ảnh tham khảo được trích ra từ hình ảnh NDCT

Tác giả Trịnh Đình Hoàn và các cộng sự trong [70, 72] đã đề xuất định nghĩa Z

là một tổ hợp tuyến tính thưa của các miếng ảnh tham khảo, và được xác định bằng

cách giải bài toán mã hóa thưa không âm Các phương pháp này cho thấy bằng cách

sử dụng các miếng ảnh bên ngoài, nhiễu trong ảnh LDCT có thể được loại bỏ mộtcách hiệu quả trong khi vẫn giữ được các chi tiết nhỏ, so với các phương pháp cổ điển

Ngoài ra, việc khử nhiễu với sự trợ giúp của tập các miếng ảnh không nhiễu

ngoài cho các loại hình ảnh khác đã được nghiên cứu trong [10, 53, 86] Ví dụ,

Lou và các cộng sự trong [53] đã chỉ ra rằng, bằng cách sử dụng tập dữ liệu bên

ngoài hướng mục tiêu (targeted) có thể có được một phương pháp khử nhiễu hiệu quả,

vượt trội đáng kể so với các phương pháp nổi tiếng như NLM [40], KSVD [27] vàBM3D [18].

Ưu điểm của hướng tiếp cận sử dung các miếng ảnh ngoài là chúng chỉ cần sử dụng các miếng ảnh không nhiễu trong các tập các ảnh mẫu, nó không yêu cầu các

cặp miếng ảnh không nhiễu và có nhiễu tương ứng như trong các phương pháp dựatrên việc học Mặc dù các phương pháp khử nhiễu dựa trên các miếng ảnh bên ngoài

là hiệu quả, nhưng cách tiếp cận này vẫn yêu cầu giả thuyết phải biết trước phân bố

34

của nhiễu Nhiễu Gauss toàn cục hoặc cục bộ thường được sử dụng trong hầu hết các

phương pháp này, trong khi nhiễu trong ảnh LDCT trên thực tế rất phức tạp Hơn nữa,

từ mô hình (1.11), ta có thể thấy rằng hiệu suất của các phương pháp dựa trên cácmiếng ảnh bên ngoài phụ thuộc nhiều vào chất lượng của các miếng ảnh tham chiếu

(các miếng ảnh được sử dụng để khử nhiễu miếng ảnh bị nhiễu) và mô hình toán học

được sử dụng để xác định hàm khử nhiễu ØZ Người ta nhận thấy rằng đối với mỗi

miếng ảnh nhiễu, việc xác định các miếng ảnh tham khảo và hàm Z tốn nhiều thời

gian Do đó, thời gian tính toán lớn cũng là một nhược điểm của phương pháp này.

1.3.3.2 Các phương pháp khử nhiễu dựa trên học thông thường

Mục tiêu của phương pháp khử nhiễu dựa trên việc học là trả lời câu hỏi: Liệu

có thể tự động học một thủ tục khử nhiễu từ các tập mẫu để huấn luyện cho trước, baogồm các cặp hình ảnh nhiễu và không nhiễu không? Cu thể, tập dữ liệu dùng để huấn

luyện D được định nghĩa bởi

D = {ím,p¡), (na, p2), , (mv, Py) f, (1.12)

trong đó n; (¿ = 1,2, , ) là các hình ảnh bị nhiễu, p; là các hình ảnh không bi nhiễu tương ứng.

Trong khử nhiễu ảnh LDCT, tập huấn luyện thường được sử dung là các cặp ảnh

CT liều thấp (nhiễu) và liều bình thường (không nhiễu), được chụp ở cùng một vị trí

trên cùng một bệnh nhân Các phương pháp dựa trên việc học hướng tới huấn luyện

một mô hình biểu diễn ánh xạ từ không gian ảnh nhiễu sang không gian ảnh không

nhiễu và sử dụng mô hình được huấn luyện này để khử nhiễu ảnh

Một trong những phương pháp khử nhiễu dựa trên việc học đầu tiên được déxuất trong [38] bởi Jain và Seung Họ đã thiết kế mạng nơ-ron tích chập đơn giảngồm 4 lớp, 24 nơ-ron trên mỗi lớp và không có hàm kích hoạt (ví dụ: ReLU, LeakyReLU) để khử nhiễu cho ảnh tự nhiên (Hình 1.9) Do giới hạn phần cứng để huấn

luyện mạng học sâu vào thời điểm đó và tính đơn giản của mô hình mạng, hiệu năng

khử nhiễu của nó không thể sánh được với các thuật toán được thiết kế thông minh (vídụ: KSVD [27], BM3D [18]) Một số phương pháp dựa trên việc học sơ khai khác đã

được để xuất, ví dụ như mô hình hồi quy phi tuyến tính trong [45, 71].

Burger và các cộng sự trong [11] đã dé xuất sử dụng mô hình hoc sâu cụ thể là

35

Hình 1.9 Một trong những kiến trúc CNN đầu tiên sử dụng để khử nhiễu ảnh [38].

mạng perceptron đa lớp (MLP: Multi-Layer Perceptron) để khử nhiễu ảnh và cho ra

đời phương pháp có hiệu năng tốt nhất tại thời điểm đó Các tác giả cũng chứng minh

rằng cách tiếp cận dựa trên việc học này có thể khử nhiễu hiệu quả khi không biết

trước về nhiễu

Các ứng dụng của hướng tiếp cận dựa trên việc học để khử nhiễu ảnh LDCT

đã sớm được dé xuất ví dụ như trong [71] sử dụng hồi quy KRR (Kernel ridge

regression), hoặc trong [73] sử dụng trường ngẫu nhiên Markov Mặc dù các phương

pháp trên sử dụng mô hình học đơn giản nhưng các kết quả cho thấy các phương phápnày có nhiều triển vọng cho việc khử nhiễu ảnh LDCT

Trong hầu hết các phương pháp khử nhiễu ảnh dựa trên việc học ban đầu, việckhử nhiễu ảnh được thực hiện thông qua khử nhiễu các miếng ảnh gối nhau và ảnhkhử nhiễu cuối cùng được tổng hợp từ các miếng ảnh đã được khử nhiễu Điều nàydẫn tới khó kiểm soát các kết cấu chỉ tiết tại tại vùng gối nhau giữa các miếng ảnh kềnhau Tuy nhiên, sự thành công của các phương pháp khử nhiễu theo miếng dựa trên

việc học, điển hình là phương pháp MLP [11], mở ra một cánh cửa cho nhiều phương

pháp khử nhiễu hiện đại dựa trên mạng nơ ron tích chập CNN.

1.3.3.3 Các phương pháp khử nhiêu ảnh LDCT dựa trên học sâu

Các phương pháp khử nhiễu ảnh truyền thống, thậm chí cả các phương pháp học máytruyền thống đều có những hạn chế khi sử dụng để giải quyết các bài toán thực tế

Trong những phương pháp này, việc xây dựng mô hình khử nhiễu phải dựa trên giả

thuyết về mô hình phân bố của nhiễu trong ảnh Một số mô hình phân bố nhiễu đãđược sử dụng cho ảnh LDCT tỏ ra hiệu quả, ví dụ như mô hình phân bố nhiễu được sử

36