xử lý ảnh siêu âm gan không gây hại bằng phép biến đổi wavelet packet kết hợp support vector machine

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ TRỊNH HOÀNG DUY XỬ LÝ ẢNH SIÊU ÂM GAN KHÔNG GÂY HẠI BẰNG PHÉP BIẾN ĐỔI WAVELET PACKET KẾT HỢP SUPPORT VECTOR MACHINE NGÀNH: KỸ THUẬT ĐIỆN TỬ- 60520203 S K C0 Tp Hồ Chí Minh, tháng 04/2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH    LUẬN VĂN THẠC SĨ TRỊNH HOÀNG DUY XỬ LÝ ẢNH SIÊU ÂM GAN KHÔNG GÂY HẠI BẰNG PHÉP BIẾN ĐỔI WAVELET PACKET KẾT HỢP SUPPORT VECTOR MACHINE NGÀNH: KỸ THUẬT ĐIỆN TỬ- 60520203 Hướng dẫn khoa học: PGS TS LÊ TIẾN THƯỜNG Thành phố Hồ Chí Minh, tháng năm 2015 TRÍCH YẾU LUẬN VĂN Họ tên học viên: Trịnh Hoàng Duy Năm sinh: 1962 Cơ quan công tác: Trường Cao Đẳng Kinh Tế - Kỹ Thuật Tp Hồ Chí Minh Khoá: 2012 Ngành: Kỹ Thuật Điện Tử Mã số: 1202520203002 Cán hướng dẫn: PGS.TS Lê Tiến Thường Tên đề tài luận văn: Xử lý ảnh siêu âm gan không gây hại phép biến đổi Wavelet Packet kết hợp support vector machine (non-invasive liver ultrasound image processing using Wavelet Packet combined Support Vectot Machine) Nhiệm vụ đề tài: - Tìm hiểu chế làm việc siêu âm không tổn hại - Tìm hiểu truyền sóng mô mềm (gan bình thường), mô bất thường: chai gan xơ gan, mô biến dạng u gan - Nghiên cứu kỹ thuật xử lý tín hiệu dùng biến đổi Wavelet - Ứng dụng biến đổi Wavelet siêu âm gan không xâm hại - Xây dựng mô hình mô xử lý ảnh siêu âm gan không xâm hại Phương pháp nghiên cứu kết đạt được: Nghiên cứu dựa tài liệu nghiên cứu công bố tạp chí hội thảo nước có liên quan đến lãnh vực chẩn đoán xơ gan không xâm hại đặc biệt áp dụng phép biến đổi Wavelet thử nghiệm hình ảnh siêu âm không gây hại khoảng 400 người khám nhằm phân loại định tính gan bình thường gan xơ qua kiểm tra chéo kết ba phép biến đổi Wavelet Packet lẫn nhằm tăng tiềm độ xác chẩn đoán bệnh lý gan i LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƯỢC: Họ & tên: TRỊNH HOÀNG DUY Giới tính: Nam Ngày, tháng, năm sinh: 12/12/1962 Nơi sinh: Gia Định Quê quán: Hồ Chí Minh Dân tộc: Kinh Chỗ riêng địa liên lạc: 217/2 Cô Giang, Phường 2, Phú Nhuận, HCM Điện thoại quan: 08-37555245 Điện thoại riêng: 0918192627 Fax: E-mail: trinhhoangduy@hotec.edu.vn II QUÁ TRÌNH ĐÀO TẠO: Trung học chuyên nghiệp: Hệ đào tạo: Nơi học (trường, thành phố): Ngành học: Thời gian đào tạo Đại học: Hệ đào tạo: Tại chức Thời gian đào tạo từ 1997 đến 2002 Nơi học (trường, thành phố): Trường Đại Học Bách Khoa HCM Ngành học: Kỹ Thuật Điện Tử - Viễn Thông Tên đồ án, luận án môn thi tốt nghiệp: Nén ảnh động phân phối tín hiệu truyền hình số Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: 04/2002 Đại Học Bách Khoa thành phố Hồ Chí Minh Người hướng dẫn: PGS TS Lê Tiến Thường III QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác Công việc đảm nhiệm Công Ty ACT – Khu Chế Xuất Tân Thuận Công ty TNHH xuất nhập thiết 2007 – 8/2014 bị MCC Trường Cao Đẳng Công Nghiệp – 2003 - 2007 HCM Trường Cao Đẳng Kinh Tế - Kỹ 2010 – 8/2014 Thuật Phú Lâm Trường Cao Đẳng Kinh Tế - Kỹ 9/2014 – Thuật HCM 2002 - 2007 ii Nhân viên kỹ thuật Phó trưởng phòng kỹ thuật Giảng viên thỉnh giảng Giảng viên thỉnh giảng Giảng viên hợp đồng LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 25 tháng 04 năm 2015… Học viên Trịnh Hoàng Duy iii CẢM TẠ Xin gửi lời biết ơn chân thành đến PGS.TS Lê Tiến Thường người Thầy trực tiếp hướng dẫn hoàn thành luận văn Thầy tận tình theo dõi định hướng trình hoàn thành đề tài Xin cảm ơn quí Thầy Cô khoa Điện – Điện Tử, Trường Đại Học Sư Phạm Kỹ Thuật, người tận tình bảo, cung cấp cho kiến thức kỹ thuật tảng chuyên sâu, sở quan trọng để hoàn thành luận văn vững bước chuyên môn đường nghiệp TP.HCM, Ngày tháng 03 năm 2015 Học Viên : Trịnh Hoàng Duy iv TÓM TẮT Mục đích nghiên cứu để áp dụng tập hợp gồm kỹ thuật phối hợp dùng Wavelet Packets phân rã ảnh bờ biên để phân tích kết cấu nhằm phân biệt gan bình thường gan xơ hình ảnh siêu âm M-mode Trong phương pháp này, hình ảnh phân tách thành ảnh Wavelets Packets Các nét đặc trưng trích xuất đa tỷ lệ tăng cường bờ biên thể đồng gan kết hợp Support Vector Machine (VSM) Một tập hợp tính đa tỷ lệ phép quay lựa chọn mang lại hiệu cao việc phân loại gan Trong phân tích 400 ảnh gồm 200 gan bình thường 200 gan xơ theo phương pháp kết hợp có hiệu phân biệt gan xơ hay gan bình thường từ ảnh siêu âm gan không gây hại, có tiềm để tăng độ xác chẩn đoán tổn thương gan khu trú hình ảnh siêu âm ABSTRACT The purpose of this study is to apply a set of three co-operative techniques using Wavelet Packets of image decomposition and enhanced boundaries for structural analysis to distinguish normal livers and cirrhosis ones in M- mode ultrasound images In this method, the image is decomposed into sub-images by Wavelet Packets The features are multi-scalely extracted and rotated and enhanced boundaries showed homogeneous liver and combined Support Vector Machine (VSM).) A set of dilations and rotated features have been selected that gave the highest efficiency in classifying liver In an analysis of 400 images of 200 normal liver and 200 cirrhosis ones will combine these above mentioned methods can effectively distinguish cirrhosis or normal one from non invasive hepatic ultrasound image, and therefore it is potential to improve the accuracy of diagnosis of focal liver lesions in ultrasound images v MỞ ĐẦU Kỹ thuật tạo hình đo độ đàn hồi thập niên qua bổ sung bật cho siêu âm Siêu âm độ đàn hồi kỹ thuật siêu âm giúp đánh giá thuộc tính học mô thể sống tạo hình máy siêu âm quy ước với phần mềm cải biên Siêu âm độ đàn hồi kỹ thuật tạo hình lý tưởng để khảo sát phân bố độ đàn hồi sinh học mô sống giá rẻ gây hại Đo độ đàn hồi có lợi không xâm nhập gan xơ hóa bệnh lý gan lan tỏa Kỹ thuật tạo hình đo độ đàn hồi đóng góp đầy hứa hẹn siêu âm thực hành Đây bước tiến lớn việc chẩn đoán không gây hại không gây đau: không sinh khiết không dùng tia X Hướng nghiên cứu áp dụng nước ta sử dụng giải pháp mềm cho vùng sâu vùng xa, nơi khả tài cao để trang bị máy siêu âm chuyên dụng tiên tiến cao Thay vào ta sử dụng đầu dò siêu âm tiên tiến độ nhạy cao, phần máy chuyên dụng thay máy tính với card DAQ (Data Aquisition) Dựa vào sở liệu thu hình ảnh siêu âm, ta sử dụng giải pháp phần mềm xử lý ảnh, nhận dạng tối ưu thuật toán vi tính cao cấp để xử lý liệu Kết làm tăng cường ảnh giúp việc chẩn đoán dể dàng Dùng bảng tra thông số độ xơ, chai gan từ chuyên gia bác sĩ kinh nghiệm, thay bác sĩ xét nghiệm cho kết luận chẩn đoán máy tính Đặc biệt hệ thống sở liệu lưu trữ, chuyển tải, xử lý hệ thống số nhằm giúp tốt cho việc thống kê, nghiên cứu hay hội chẩn bệnh lý gan Kỹ thuật tạo hình cần trợ giúp máy tính có nhiều giải thuật xử lý hình ảnh Các giải thuật nhận dạng khối u, so sánh ngưỡng xơ gan, truy vấn ảnh thư viện cấp độ xơ gan, phân đoạn gan nhằm tạo đường biên khu vực tổn thương không tổn thương cách xác Ta thường sử dụng phân bố Gauss, lọc hình thái, gradient đa tỷ lệ hình thái, mô hình đường viền tích cực, phân lớp khuôn mẫu Riêng dùng thuật toán liên quan đến phép biến đổi họ Wavelets: Haar, Meyer, Daubechies, Symlet, Coiflets, Biorthogonal, Gaussian, Mexican hat, vi Complex Gaussian, Shannon, Frequency B-Spline, Reverse biorthogonal, Complex Morlet, Gabor, Morlet Chẳng hạn thuật toán Gabor Wavelet cho lọc hạ thông nhằm lấy đường biên đặc trưng dùng cho nhận dạng kích thước khối u, thuật toán Harr Wavelet cho cho lọc thượng thông nhằm lấy chi tiết khối tổn thương Phép biến đổi Wavelet Packet dùng cho hai lọc hạ thông để lấy đường biên (ước tính xấp xỉ) thượng thông (cho chi tiết) khối tế bào gan bất thường Đối tượng nghiên cứu tìm hiểu phép biến đổi Wavelet Packet không họ Wavelet Mỗi phép biến đổi có ưu điểm hàm truyền lọc Qua thử nghiệm số họ Wavelet Bior 1.1, Gabor Wavelet, Haar Wavelet phù hợp cho việc phân tích tín hiệu siêu âm gan không gây hại chiều (ảnh siêu âm chiều) Phạm vi nghiên cứu đề xuất số họ Wavelet phù hợp cho siêu âm gan không gây hại, chẳng hạn dùng Haar Wavelets cho phân rã ảnh, Gabor Wavelet cho biết tính đống gan Một số họ Wavelet khác phù hợp cho phân tích ảnh MRI, CT hay X quang đặc biệt cho lập thể khối u, thể tích khối u Nhưng không phạm vi nghiên cứu đề tài siêu âm gây hại Mục tiêu nghiên cứu đề tài xây dựng số mô hình mô dùng hàm truyền Haar Wavelets, Bior Wavelets Gabor Wavelets phù hợp với siêu âm gan không gây hại để phân rã ãnh, xác định góc truyền sóng, cấu trúc bất thường cũa gan để có kết luận chẩn đoán gan định tính xác Từ có hướng phát triển cho tương lai dùng phương pháp SVM phân loại đa lớp để định cấp độ xơ gan mức phù hợp cho chẩn đoán bệnh lý gan ban đầu để phục vụ cho vùng sâu, vùng xa có tỷ lệ mắc bệnh gan cao, chưa có đủ tài để mua thiết bị Phương pháp nghiên cứu dựa tài liệu nghiên cứu công bố tạp chí hội thảo nước có liên quan đến lãnh vực chẩn đoán xơ gan không gây hại đặc biệt áp dụng phép biến đổi Wavelet Packet thử nghiệm hình ảnh siêu âm không gây hại khoảng 400 người khám Xây dựng mô hình mô chọn ba họ Wavelet có tính khả thi cho xử lý ảnh siêu âm gan không gây hại kết hợp SVM vii MỤC LỤC Trang tựa Quyết định giao đề tài Trích yếu luận văn i Lý lịch cá nhân ii Lời cam đoan iii Cảm ta vi Tóm tắt v Mở đầu vi Mục lục viii Danh mục bảng xi Danh mục hình vẽ xii CHƯƠNG 1: TỔNG QUAN VỀ PHƯƠNG PHÁP SİÊU ÂM TRONG Y HỌC 1.1 Kỹ thuật siêu âm gan không gây hại 1.1.1 Nguyên tắc 1.1.2 Nguyên lý 1.1.3 Xử lý tín hiệu siêu âm gan 1.2 Các kết nghiên cứu công bố 1.3 Kết luận chương CHƯƠNG 2: NGHIÊN CỨU KỸ THUẬT XỬ LÝ TÍN HIỆU DÙNG BIẾN ĐỔI WAVELET PACKET 10 2.1 Ba kiểu mode siêu âm 15 viii Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI Trước đây, kỹ thuật xử lý tín hiệu thường dùng phép biến đổi Fourier công nghiệp y khoa Gần phép biến đổi Wavelets, Wavelet Packet hình thành phát triển nhanh càng áp dụng công nghiệp, y khoa đặc biệt xử lý tín hiệu chiều (ảnh y học) Ưu điểm Wavelets so với Fourier theo nguyên lý bất định Heisenberg, hộp Fourier cố định có hình vuông, mà hộp Wavelets dù có diện tích hộp với hộp Fourier là hình chữ nhật có chiều cao (tần số) chiều rộng (thời gian) biến đổi dược Ở tần số thấp, chiều cao lớn chiều rộng (thời gian) nhỏ thể ảnh xấp xỉ mà phép biến đổi Gabor Wavelets phù hợp để áp dụng lấy gờ biên ảnh đối tượng khác ảnh Ở tần số cao, chiều cao nhỏ chiều rộng dài Các phép biến đổi Wavelets Haar hay Bior là thuận tiện cho phép phân rã hình lấy chi tiết theo ngang, dọc hay chéo Có liệu thống kê lược đồ xám để có thể phân tích bất thường cấu trúc gan Giới hạn luận văn này là chưa tập hợp đủ lớn liệu để theo hướng phân tích liệu xác suất thống kê, đó đủ độ lớn mẫu để cho máy học phương pháp SVM (Support Vector Machine) Gabor Wavelets tốt nhận dang Một bất lợi phương pháp Gabor là không cho ta thông tin chi tiết phân rã ảnh chi tiết cao Trong Haar Bior Wavelets lại có thông tin tốt xác suất thống kê độ lệch chuẩn, trung bình mean, trung vị median, mode và v.v… Những thông số có ích việc chọn hàm Wavelets để phân rã ảnh Những hàm Wavelets thường dùng phân rã ảnh Haar, daubechies, Symlets, Colfilets, Bior, Morlet, Mayer Mexican Hat Nếu sở liệu bệnh nhân đủ lớn, ta áp dụng tất hàm thử nghiệm mô để lấy phương pháp chọn hàm Wavelets riêng cho cách tối ưu Ngoài ra, luận văn trình bày mức định tính: gan bình thường hay gan xơ xác định SVM lớp Đây giới hạn đề tài sở liệu bệnh nhân hạn chế Ngoài phép biến đổi Steering Gabor Wavelets phù hợp với phép đo vận tốc siêu âm vật thể công nghiệp hay quan y học, nghĩa là tốc độ truyền sóng thể qua hệ số dốc hàm khoảng cách thâm nhập sóng siêu âm theo thời gian Do đó hệ số ngưỡng gan bình thường gan bị xơ là hoàn toàn xác định tùy thuộc vào tần số siêu âm phát đầu dò hãng sản xuất thiết bị Do đó, ta cần mua đầu dò cảm biến hãng y khoa nào đó, ta có thông số ngưỡng Sử dụng phép biến đổi đề cập luận văn này dùng máy tính thay cho thiết bị hãng để thực phần xử lý tín hiệu siêu âm đỡ tốn Kết luận & hướng phát triển đề tài 86 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường nhiều, có khả trang bị cho sở hay trạm y tế vùng sâu, vùng xa để có thể chẩn đoán bệnh xơ gan, viêm gan hay u gan ban đầu Do giới hạn thời gian, luận văn này giải việc xác định bất thường gan là xơ gan và u gan Giới hạn đề tài xác định định tính: gan bình thường và xơ gan Trong tương lai, luận văn này triển khai mở rộng theo hướng định lượng cấp độ xơ gan Để đạt điều này, ta cần có đủ số lượng mẫu lớp sử dụng công cụ phân tích xác suất thống kê SPSS Mặt khác dùng phân loại đa lớp để tách thành mức xơ gan bảng sau: Các hệ số cho SVs lớp Các hệ số cho SVs lớp Các hệ số cho SVs lớp Kết luận & hướng phát triển đề tài 87 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường TÀI LIỆU THAM KHẢO [1] Yoshida, H., Casalino, D D., Keserci, B., Coskun, A., Ozturk, O., & Savranlar, A (2003) “Wavelet-packet-based texture analysis for differentiation between benign and malignant liver tumours in ultrasound images” Physics in Medicine and Biology, 48(22), 3735 [2] Wan, Jiuqing, and Sirui Zhou "Features extraction based on wavelet packet transform for B-mode ultrasound liver images." Image and Signal Processing (CISP), 2010 3rd International Congress on Vol IEEE, 2010 [3] C Wu, Y Chen, and K Hsieh, “Texture features for classification of ultrasonic liver images,” IEEE Trans Med Imag., vol 11, pp 141-152, June 2011 [4] Mojsilovic A, Popovic MV, Rackov DM “On the selection of an optimal wavelet basis for texture characterization” IEEE Trans Imag Proc 2000;9(12):2043–2050 [5] Yong-Ping Zheng, Tak-Man Mak, Zheng-Ming Huang, Chung-Wai James Cheung, Yong-Jin Zhou, Jun-Feng He1 “Liver Fibrosis Assessment Using Transient Elastography Guided with Real-Time B-Mode Ultrasound Imaging” C.T Lim and J.C.H Goh (Eds.): WCB 2010, IFMBE Proceedings 31, pp 1036–1039, Hong Kong, China 2010 [6] Virmani J, Kumar V, Kalra N, Khandelwal N: “Prediction of cirrhosis based on singular value decomposition of gray level co-occurrence matrix and a neural network classifier” Proceedings of IEEE International Conference on Developments in E-systems Engineering, DeSE-2011 IEEE, Dubai, UAE 2011, pp 146–151 [7] Virmani J, Kumar V, Kalra N, Khandelwal N: “A rapid approach for prediction of liver cirrhosis based on first order statistics” Proceedings of IEEE International Conference on Multimedia, Signal Processing and Communication Technologies, IMPACT-2011, 212–215, Dubai, UAE 2011 [8] Wan J, Zhou S: “Features extraction based on wavelet packet transform for Bmode ultrasound images” Proceedings 3rd International Congress on Image and Signal Processing, CISP-2010 IEEE, Yantai, China, 2010, pp 949–955 Tài liệu tham khảo 88 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường [9] A Mojsilovic, M Popovic, D Sevic, "Classification of the ultrasound liver images with the 2Nx1-D wavelet transform", Proc 1996 IEEE Int Conf on Image Processing, vol 1, pp 367-370, Lausanne, Switzerland, 16-19 Sept 1996 [10] Huang, Yali, et al “Texture analysis of ultrasonic image based on wavelet packet denoising and feature extraction” Bioinformatics and Biomedical Engineering, 2009 ICBBE 2009 3rd International Conference IEEE, 2009 p 1-6 [11]] N.N Tsiaparas, S Golemati, I Andreadis, J.S.Stoitsis, I Valavanis, K.S Nikita, “Comparisonof Multi resolution Features for Texture Classification of Carotid Atherosclerosis From B Mode ultrasound”, IEEE Transactions on Information Technology in Biomedicine , vol 15, pp 130-137,2011 [12] Jitendra Virmani & Vinod Kumar & Naveen Kalra & Niranjan Khandelwal “SVM-Based Characterization of Liver Ultrasound Images Using Wavelet Packet Texture Descriptors” J Digit Imaging (2013) 26:530–543 DOI 10.1007/s10278-0129537-8 Society for Imaging Informatics in Medicine 2012 [13] Chang CC, Lin CJ: LIBSVM, A library of support vector machines, Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm Accessed 15 March 2012 [14] Misiti, M., Misiti, Y., Oppenheim, G., & Poggi, J M “Wavelet Toolbox User Guide” MATLAB, 1997-2009, The MathWorks [15] Stéphane Mallat.”A Wavelet Tour of Signal Processing”, 3rd ed.Academic Press, pp 15-20, Dec 2008 [16] Stanković, Radomir S., and Bogdan J Falkowski "The Haar wavelet transform: its status and achievements." Computers & Electrical Engineering 29.1 (2003): 25-44 [17] Fuyang Liu “Texture identification using Gabor wavelet based signal processing” Institution of Technology and Innovation University of Southern Denmark December 28, 2011 [18] Hazra, Dipankar "Texture recognition with combined GLCM, wavelet and rotated wavelet features." International Journal of computer and electrical engineering 3.1 (2011): 1793-8163 Tài liệu tham khảo 89 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường PHỤ LỤC Sau là doạn mã code dùng mô clear; clf; % Tải ảnh I=rgb2gray(imread('anhsieuamgan1.jpg','jpg')); load colormaps.mat % Hiển thị ảnh xám colormap(grayscale); imshow(I); % Loc ảnh [G,GABOUT]=gaborfilter(I,0.05,0.025,0,0); clear I; R=real(GABOUT); I=imag(GABOUT); M=abs(GABOUT); P=angle(GABOUT); clear GABOUT; % Hiển thị filter's outputs figure; colormap(redgreen); Phụ lục 90 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường subplot(2,2,1); k=127.5/max(max(abs(R))); image(uint8(k*R+127.5)); subplot(2,2,2); k=127.5/max(max(abs(I))); image(uint8(k*I+127.5)); % Hiển thị lõi kernels colormap(redgreen); subplot(2,2,3); image(uint8(127.5*real(G)+127.5)); subplot(2,2,4); image(uint8(127.5*imag(G)+127.5)); % Hiển thị biên độ figure; colormap(grayscale); k=255/max(max(M)); image(uint8(k*M)); % Hiển thị phase figure; colormap(redgreen); k=127.5/pi; image(uint8(k*P+127.5)); % 40 GABOR mẫu tỷ lệ phóng ảnh x góc quay & hiển thị góc close all; Phụ lục 91 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường clear all; clc; % Thông số R = 128; C = 128; Kmax = pi / 2; f = sqrt( ); Delt = * pi; Delt2 = Delt * Delt; % Hiển thị Gabor Wavelets for v = : for u = : GW = GaborWavelet ( R, C, Kmax, f, u, v, Delt2 ); % Tạo Gabor Wavelets figure( ); subplot( 5, 8, v * + u ),imshow ( real( GW ) ,[]); % Hiển thi phần thực Gabor Wavelets end figure ( ); subplot( 1, 5, v + ),imshow ( abs( GW ),[]); % Hiển thi biên đô Gabor Wavelets end rgb = imread('hinhsieuam1.jpg'); [X,map] = rgb2ind(rgb,256); img = im2double(rgb2gray(rgb)); %# [m,n] = size(img); %# Lưu kích thước gốc Kmax = pi/2; f = sqrt( ); Delt = * pi; Phụ lục 92 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường Delt2 = Delt * Delt; %# Chọn tâm có vị trí số lẻ R = 127; C = 127; %# Kích thước lọc số lẻ pR = (R-1)/2; pC = (C-1)/2; if rem(m,2) ~= 0; pR = pR + 1; end; if rem(n,2) ~= 0; pC = pC + 1; end; img = padarray(img,[pR pC],'pre'); %# Chập vòng GW = {}; %# Xây dựng dãy lọc for v = : for u = : GW = [GW {GaborWavelet(R, C, Kmax, f, u, v, Delt2)}]; end end %# Fast FT padsize = size(img) - [R C]; GW = cellfun( @(x) padarray(x,padsize/2), GW, 'UniformOutput',false); imgFFT = fft2(img); %# Tiền tính toán FFT for i=1:length(GW) filter = fft2( ifftshift( GW{i} ) ); imgfilt{i} = ifft2( imgFFT * filter ); %# Áp dụng phép chập Phụ lục 93 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường end % imgS = zeros(m,n); for i=1:length(imgfilt) imgS = imgS + imgfilt{i}(pR+1:end,pC+1:end); end %# Hình kết imagesc(abs(imgS)); % Các hàm % Gabor Wavelets function GW = GaborWavelet (R, C, Kmax, f, u, v, Delt2) k = ( Kmax / ( f ^ v ) ) * exp( 1i * u * pi / );% Wave Vector kn2 = ( abs( k ) ) ^ 2; GW = zeros ( R , C ); for m = -R/2 + : R/2 for n = -C/2 + : C/2 GW(m+R/2,n+C/2) = ( kn2 / Delt2 ) * exp( -0.5 * kn2 * ( m ^ + n ^ ) / Delt2) * ( exp( 1i * ( real( k ) * m + imag ( k ) * n ) ) - exp ( -0.5 * Delt2 ) ); end end % Gabor Filter [Gf,gabout] = gaborfilter1(B,sx,sy,f,theta(j)); G{m,n,i,j} = Gf; Phụ lục 94 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường function [Gf,gabout] = gaborfilter(I,Sx,Sy,f,theta); if isa(I,'double')~=1 I = double(I); end for x = -fix(Sx):fix(Sx) for y = -fix(Sy):fix(Sy) xPrime = x * cos(theta) + y * sin(theta); yPrime = y * cos(theta) - x * sin(theta); Gf(fix(Sx)+x+1,fix(Sy)+y+1) = exp(.5*((xPrime/Sx)^2+(yPrime/Sy)^2))*cos(2*pi*f*xPrime); end end Imgabout = conv2(I,double(imag(Gf)),'same'); Regabout = conv2(I,double(real(Gf)),'same'); gabout = sqrt(Imgabout.*Imgabout + Regabout.*Regabout); function gfs = GaborFilter(winLen,uh,ul,S,D) % gfs(SCALE, DIRECTION, :, :) winLen = winLen + mod(winLen, 2) -1; x0 = (winLen + 1)/2; y0 = x0; if S==1 a = 1; su = uh/sqrt(log(4)); sv = su; else Phụ lục 95 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường a = (uh/ul)^(1/(S-1)); su = (a-1)*uh/((a+1)*sqrt(log(4))); if D==1 tang = 1; else tang = tan(pi/(2*D)); end sv = tang * (uh - log(4)*su^2/uh)/sqrt(log(4) - (log(4)*su/uh)^2); end sx = 1/(2*pi*su); sy = 1/(2*pi*sv); coef = 1/(2*pi*sx*sy); gfs = zeros(S, D, winLen, winLen); for d = 1:D theta = (d-1)*pi/D; for s = 1:S scale = a^(-(s-1)); gab = zeros(winLen); for x = 1:winLen for y = 1:winLen X = scale * ((x-x0)*cos(theta) + (y-y0)*sin(theta)); Y = scale * (-(x-x0)*sin(theta) + (y-y0)*cos(theta)); gab(x, y) = -0.5 * ( (X/sx).^2 + (Y/sy).^2 ) + (2*pi*1j*uh)*X ; end end Phụ lục 96 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường gfs(s, d, :, :) = scale * coef * exp(gab); end end +++++++++++++++++++++++++++++++++++++++++++++++++ % Đoạn mã cho phần phân loai gan bình thường và gan xơ SVM clc clear all % Tải liệu Dataset = '&đường dẫn liệu'; Testset = '&đường dẫn kiểm nghiệm'; % Xủ lý ảnh % chuyển sang mức xám grayscale % tạo kích thước ảnh width=100; height=100; DataSet = cell([], 1); for i=1:length(dir(fullfile(Dataset,'*.jpg'))) % Xử lý huấn luyện k = dir(fullfile(Dataset,'*.jpg')); k = {k(~[k.isdir]).name}; for j=1:length(k) tempImage = imread(horzcat(Dataset,filesep,k{j})); imgInfo = imfinfo(horzcat(Dataset,filesep,k{j})); % Biến đổi ảnh if strcmp(imgInfo.ColorType,'grayscale') DataSet{j} = double(imresize(tempImage,[width height])); % ma trận ảnh else Phụ lục 97 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường DataSet{j} = double(imresize(rgb2gray(tempImage),[width height])); % ma trận ảnh end end end TestSet = cell([], 1); for i=1:length(dir(fullfile(Testset,'*.jpg'))) % Xử lý huấn luyện k = dir(fullfile(Testset,'*.jpg')); k = {k(~[k.isdir]).name}; for j=1:length(k) tempImage = imread(horzcat(Testset,filesep,k{j})); imgInfo = imfinfo(horzcat(Testset,filesep,k{j})); % Biến đổi ảnh if strcmp(imgInfo.ColorType,'grayscale') TestSet{j} = double(imresize(tempImage,[width height])); % array of images else TestSet{j} = double(imresize(rgb2gray(tempImage),[width height])); % array of images end end end % Chuẩn bị nhãn lớp cho lần chạy SVM % Sắp xếp nhãn & cho thuận tiện % Đánh nhãn theo thứ tự số %Mỗi liệu có nhãn %Có 300 ảnh thành nhóm ảnh train_label = zeros(size(300,1),1); train_label(1:150,1) = 1; % = Ganbt train_label(151:300,1) = 2; % = Ganxo % Chuẩn bị ma trận số cho huấn luyện SVM Phụ lục 98 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường Training_Set=[]; for i=1:length(DataSet) Training_Set_tmp = reshape(DataSet{i},1, 100*100); Training_Set=[Training_Set;Training_Set_tmp]; end Test_Set=[]; for j=1:length(TestSet) Test_set_tmp = reshape(TestSet{j},1, 100*100); Test_Set=[Test_Set;Test_set_tmp]; end % Thực lần chạy SVM SVMStruct = svmtrain(Training_Set , train_label, 'kernel_function', 'linear'); Group = svmclassify(SVMStruct, Test_Set); Phụ lục 99 HVTH: Trịnh Hoàng Duy S K L 0 [...]... của SVM trong ảnh y sinh 51 3.3.3 Phân loại 52 3.3.4 Biểu thức toán học 52 3.3 Kết luận chương 53 CHƯƠNG 4 : XÂY DỰNG MÔ HÌNH MÔ PHỎNG XỬ LÝ ẢNH SİÊU ÂM GAN KHÔNG GÂY HẠI BẰNG WAVELET PACKET KẾT HỢP VỚI SUPPORT VECTOR MACHINE 54 x 4.1 Đối tượng và phương pháp đánh giá 54 4.2 Phân rã ảnh dùng Wavelet Packet 54 4.3 Phép biến đổi Gabor Wavelet hai chiều 68 4.3.1 Xác định độ xơ gan từ Gabor Wavelet 68 4.3.2... 2.3.2 Nguyên lý bất định Heisenberg 17 2.3.3 Phép biến đổi Fourier được cửa sổ hóa 18 2.3.4 Giải pháp ô tần số thời gian biến đổi 20 2.3.5 Cơ sở trực giao của tần số thời gian 22 2.3.6 Cơ sở Wavelet Packet 22 2.4 Kết luận chương 24 ix CHƯƠNG 3: ỨNG DỤNG BIẾN ĐỔİ WAVELETS TRONG SİÊU ÂM GAN 25 3.1 Giới thiệu về phép biến đổi Haar 25 3.1.1 Phép biến đổi Haar cổ điển rời rạc 25 3.1.2 Phép biến đổi Wavelet Haar... Gabor Wavelets Năm hình về hệ số truyền sóng của ảnh siêu âm gan bình thường qua phép lọc Stearing Gabor Wavelets Lưu đồ lọc Gabor bảo toàn lề xv 72 74 76 77 78 4.27 Dùng kỹ thuật tăng cường tách lề làm nổi gờ biên cỉa ảnh siêu âm gan bình thường Dùng phép lọc qua phổ hệ số Gabor của ảnh siêu âm gan xơ 4.28 Lưu đồ truy vấn ảnh siêu âm gan dùng SVM 80 4.29 Lưu đồ mô phỏng truy vấn ảnh siêu âm gan dùng... hiện bằng cách sử dụng thư viện LibSVM (Chang và Lin, 2011) [13] 1.3 Kết luận chương Ngoài những phần lý thuyết đã trình bài về kỹ thuật siêu âm gan trong y khoa, các kỹ thuật nghiên cứu xử lý tín hiệu dùng phép biến đổi Wavelets và ứng dụng của nó trong siêu âm gan sẽ trình bài ở các chương sau Phần kết quả mà luận văn sẽ thực hiện là xây dựng mô hình hóa mô phỏng xử lý ảnh siêu âm gan không gây. .. hình ảnh B-Mode của một khối tăng sóng dội trong một cơ quan cụ thể Hình 2.3 - Ảnh siêu âm B-mode Siêu âm B-mode đã được sử dụng rộng rãi trong việc phát hiện và chẩn đoán các bệnh gan có liên quan bởi vì hình ảnh siêu âm có thể phản ánh rõ ràng những bất Xử lý tín hiệu dùng WP 11 HVTH: Trịnh Hoàng Duy Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường thường trong các mô gan. .. SVM 81 4.26 xvi 79 Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM THD: PGS TS, Lê Tiến Thường Chương 1 TỔNG QUAN VỀ PHƯƠNG PHÁP SIÊU ÂM TRONG Y HỌC 1.1 Kỹ thuật siêu âm gan không gây hại Ngày nay, Elastography (phương pháp đo độ đàn hồi), một kỹ thuật siêu âm dùng để tìm các chỗ cứng bất thường của mô cơ quan đã làm được điều này Độ cứng của mô được đo bằng định lượng vật lý gọi là Young’s... loai gan bình thường hay gan xơ 47 3.21 Cách chuyển ảnh 2D chiều thành 1-D 48 3.22 Thí dụ chuyển ma trận ảnh 2-D thành vector huấn luyện 1D 49 3.23 Lưu đồ phân loại ảnh siêu âm gan dùng SVM 50 3.24 Phân loại SVM tuyến tính thành hai miền 51 2.16 3.1 xiv 29 38 4.1 Sơ đồ nguyên lý phân rã ảnh 2 chiều 55 4.2 57 4.3 Lưu đồ nguyên lý dùng phép biến đổi Wavelet Packet (Haar Wavelets & Bior) để phân rã hình Phép. .. Các họ Wavelet dùng trong xử lý ảnh 12 2.2.1 Lịch sử của Wavelet 12 2.2.2 Giới thiệu về họ Wavelet 13 2.2.2.1 Harr Wavelets 13 2.2.2.2 Daubechies Wavelets 13 2.2.2.3 Nhị trực giao (Bior Wavelets) 14 2.2.2.4 Coiflets Wavelets 14 2.2.2.5 Symlets Wavelets 15 2.2.2.6 Morlet Wavelets 15 2.2.2.7 Mexican Hat Wavelets 16 2.2.2.8 Meyer Wavelets 16 2.3 Không gian cửa sổ của biến đổi Fourier và Wavelet Packet. .. hỗ trợ để mô tả gan bình thường và xơ gan bằng bộ mô tả kết cấu đa phân giải được đề xuất Nghiên cứu đó được thực hiện tại 120 khu vực phân đoạn quan tâm chiết xuất từ 31 hình ảnh siêu âm gan B-mode lâm sàng bộ mô tả kết cấu đa phân giải độ lệch trung bình và tiêu chuẩn được trích rút bằng cách sử dụng biến đổi Wavelets 2D- rời rạc và phép biến đổi 2D- Gabor Wavelets được xem xét để phân tích và... sở Wavelet Packet chia trục tần số trong các khoảng riệng của các kích thước khác nhau Một ốp lát có được bằng cách dịch thời gian các Wavelet Packet bao phủ mỗi khoảng tần số Phép biến đổi S của ảnh có chứa các xung kiểm tra: a) WalshHadamard, b) Haar, c) DST (Phép biến đổi Sin rời rạc), d) DCT (Phép biến đổi Cosine rời rạc) 23 3.2 Phép nhân hai hàm Haar rời rạc 33 3.3 Các hàm tích 2D Haar xử lý như