Một số kỹ thuật phát hiện đối tượng bất thường trong ảnh y học

i LỜI CAM ĐOAN Tôi xin cam đoan số liệu kết nghiên cứu luận văn trung thực không trùng lặp với đề tài khác Tôi xin cam đoan giúp đỡ cho việc thực luận văn cảm ơn thông tin trích dẫn luận văn rõ nguồn gốc Thái Nguyên, ngày 12 tháng 04 năm 2016 Người cam đoan Nguyễn Thị Thu ii LỜI CẢM ƠN Luận văn hoàn thành với hướng dẫn tận tình Thầy giáo PGS.TS Ngô Quốc Tạo - Viện Công nghệ thông tin -Viện Hàn Lâm Khoa học Việt Nam Trước tiên, học viên xin chân thành bày tỏ lòng biết ơn sâu sắc tới PGS.TS Ngô Quốc Tạo người tận tình hướng dẫn, động viên giúp đỡ suốt thời gian thực luận văn Học viên xin chân thành cảm ơn thầy cô trường Công nghệ thông tin Truyền thông Đại học Thái Nguyên tạo điều kiện thuận lợi cho học viên hoàn thành tốt khóa học Xin chân thành cảm ơn anh chị bạn học viên lớp Cao học CK13A, bạn đồng nghiệp Bệnh viện Đa khoa huyện Phú Bình động viên, giúp đỡ nhiệt tình chia sẻ với kinh nghiệm học tập, công tác suốt khoá học Cảm ơn đề tài: “Hệ thống đeo tay hỗ trợ đọc sách tiếng Việt dành cho người khiếm thị” Mã số VAST01.07/15 - 16 hỗ trợ thực luận văn Cuối cùng, xin gửi lời cảm ơn sâu sắc đến gia đình, người thân, bạn bè động viên, khuyến khích hỗ trợ cần thiết để hoàn thành luận văn Mặc dù cố gắng, song luận văn tránh khỏi thiếu sót, kính mong dẫn quý thầy cô bạn iii MỤC LỤC Ơ MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN VỀ ẢNH, ẢNH Y HỌC VÀ ĐỐI TƯỢNG BẤT THƯỜNG TRONG ẢNH Y HỌC 1.1 Một số khái niệm 1.1.1 Điểm ảnh 1.1.2 Mức xám 1.1.3 Biên 1.1.3.2 Các kỹ thuật phát biên: 1.1.4 Láng giềng 1.1.5 Vùng liên thông 1.1.6 Biểu diễn ảnh 1.1.7 Tăng cường khôi phục ảnh 1.1.8 Biến đổi ảnh 1.1.9 Phân tích ảnh 1.1.10 Nhận dạng ảnh 1.1.11 Nén ảnh 1.1.12 Phân đoạn ảnh 1.2 Ảnh y học 11 1.2.1 Giới thiệu 11 1.2.2 Chẩn đoán dựa hình ảnh 12 1.2.3 Một số chuẩn hình ảnh ứng dụng y tế 14 1.3 Đối tượng bất thường ảnh y học 17 CHƯƠNG 2: CÁC KỸ THUẬT PHÁT HIỆN ĐỐI TƯỢNG 18 BẤT THƯỜNG TRONG ẢNH 18 2.1 Kỹ thuật sử dụng đặc trưng HOG (Histogram of Oriented Gradient) 18 iv 2.2 Kỹ thuật phân loại SVM 22 2.2.1 Siêu phẳng phân cách: 22 2.2.2 Support vectors 25 2.2.3 Biên độ 27 2.2.4 Phân lớp liệu 27 2.3 Kỹ thuật lọc Hessian 28 2.4 Kỹ thuật lọc Hough 37 2.4.1 Thuật toán An Insight Toolkit: 37 2.4.2 Sử dụng hàm Imfindcircles: 44 2.5 Kỹ thuật lọc trung bình 47 2.6 Kỹ thuật phân loại dựa phương pháp KNN 48 CHƯƠNG 3: ỨNG DỤNG VÀ THỬ NGHIỆM 60 3.1 Giới thiệu toán 60 3.2 Thu thập liệu 60 3.3 Giao diện chương trình 61 3.4 Kết thử nghiệm 61 * Ý kiến chuyên gia bác sỹ 64 3.5 So sánh đánh giá kỹ thuật 64 KẾT LUẬN 66 TÀI LIỆU THAM KHẢO 68 v BẢNG KÝ HIỆU CHỮ VIẾT TẮT TT Ký hiệu viết tắt Giải thích CNTT Công nghệ thông tin KTV Kỹ thuật viên HOG Histogram of Oriented Gradient SVM Support Vector Machines MMH Maximum marginal hyperlane ITK An Insight Toolkit KNN K_NearestNeighbor CHT Circular Hough Transform CWC Wavelet Hiệp phương sai 10 LBP Mẫu nhị phân cục 11 Blob Đốm vi DANH MỤC BẢNG BIỂU Bảng 2.1: Kết phân loại (So sánh) 36 Bảng 2.2: Tỷ lệ phát 58 Bảng 3.1: Tỷ lệ % ý kiến nhận xét chuyên gia 64 DANH MỤC HÌNH ẢNH Hình 1.1: Quá trình xử lý ảnh Hình 1.2: Các giai đoạn hệ thống xử lý ảnh Hình 1.3: Hình ảnh chụp X- Quang bàn tay 12 Hình 1.4: Hình ảnh dày 12 Hình 1.5: Hình ảnh chụp CT sọ não 12 Hình 1.6: Hình ảnh siêu âm 12 Hình 1.7: Hình ảnh polyp dày 17 Hình 1.8: Hình ảnh viêm dày 17 Hình 1.9: Hình ảnh gãy ngón chân 17 Hình 1.10: Hình ảnh tụ máu não 17 Hình 2.1: Ví dụ minh họa Block gồm cell 19 Hình 2: Các khối xếp chồng lên 19 Hình 3: Đường màu vàng hình đường phân chia tập liệu gồm hai thuộc tính 23 Hình 2.4: Một liệu hai chiều phân chia tuyến tính 24 Hình 2.5: Mô tả siêu phẳng phân chia tuyến tính với biên độ 24 Hình 2.6: Đường biểu diễn H1 H2 26 Hình 2.7: Các support vector SVM (đường viền đậm) 26 Hình 2.8: Ảnh gốc 30 Hình 2.9: Ảnh tăng cường 31 vii Hình 2.10: Ảnh phân đoạn 31 Hình 2.11: Vùng ứng cử 32 Hình 2.12: Ảnh thử nghiệm 35 Hình 2.13: Kích thước polyp Bộ liệu 35 Hình 2.14 Vùng vạch hình elip khu vực phân loại giống polyp 36 Hình 2.15 Vùng vạch hình elip khu vực phân loại giống polyp 37 Hình 16: Hough phân khúc ví dụ hình ảnh phôi cá ngựa 43 Hình 17: Hough phân đoạn hình ảnh nhân cá ngựa 44 Hình 2.18 : Mô hình cổ điển việc lựa chọn CHT 45 Hình 2.19: Chế độ lựa chọn: nhiều bán kính, hướng gradient 46 Hình 2.20: Hình minh họa kỹ thuật lọc trung bình 48 Hình 2.21: Mặt cắt ngang quy mô không gian blob 50 Hình 2.22: Phân loại Blob dựa tính ổn định 51 Hình 2.23: Phân loại Blob hình ảnh tổng hợp 53 Hình 24: Phân loại Blob dựa tính 53 Hình 2.25: Một đại diện thuật toán KNN 56 Hình 2.26: Một ví dụ hình ảnh võng mạc 56 Hình 2.27 : Một blob cá nhân gán cho đối tượng 57 Hình 3.1: Giao diện chương trình 61 Hình 3.2: Hình ảnh thực nghiệm ảnh dày 62 Hình 3.3: Hình ảnh thực nghiệm ảnh dày 63 viii MỞ ĐẦU Cùng với phát triển ngày mạnh mẽ khoa học kỹ thuật năm gần đây, xử lý ảnh số ngày nhiều người quan tâm, phần phát triển nhanh chóng thiết bị đồ họa dung lượng thiết bị lưu trữ ngày tăng nhanh Đó nhân tố tích cực thúc đẩy nghiên cứu ứng dụng thực tế từ công nghệ xử lý ảnh Tự động phát đối tượng ảnh nhu cầu cấp thiết nhiều hệ thống giám sát an ninh, nhận dạng đối tượng, nhận dạng mặt, kiểm soát giao thông, đặc biệt chẩn đoán bệnh y học dựa hình ảnh, kết phát khâu tiên việc chẩn đoán Bên cạnh đó, đa phần ảnh thu từ thiết bị thu nhận ảnh thông thường nên yếu tố mầu sắc, cường độ ánh sáng, hình dạng, kích thước, đối tượng, cần xử lý phạm vi thay đổi đa dạng Phương pháp biến đổi ảnh sử dụng việc xử lý ảnh chụp từ không trung xử lý ảnh Y học (ảnh nội soi, ảnh chụp cắt lớp, ) Một ứng dụng khác biến đổi ảnh mã hóa ảnh, ảnh xử lý để lưu trữ truyền Thực chất công việc nhận dạng phân loại đối tượng thành lớp đối tượng biết thành lớp đối tượng chưa biết Bài toán nhận dạng ảnh Y học toán có nhiều ý nghĩa thực tiễn thấy để công việc nhận dạng trở lên dễ dàng ảnh phải tách thành đối tượng riêng biệt, mục đích phân đoạn ảnh Nếu phân đoạn ảnh không tốt ảnh hưởng sai đến trình nhận dạng ảnh hay việc phát đối tượng bất thường ảnh Theo kết khảo sát thực trạng bệnh viện tỉnh Thái Nguyên năm 2015 hầu hết thiết bị dùng để chụp ảnh máy chụp cắt lớp Scanner(Computed Tomography Scanner-CT), máy chụp X – Quang số, máy nội soi dày, máy siêu âm màu(3D, 4D), Tuy nhiên, chức thiết bị dừng lại việc chụp ảnh, chức chẩn đoán thực chuyên gia y tế Chính cần tích hợp hệ thống hỗ trợ chẩn đoán vào thiết bị để tự động phát đối tượng polyp, Blob, hình ảnh viêm, loét, xuất huyết, ảnh y tế, nhằm hỗ trợ chuyên gia y tế chẩn đoán bệnh Chính lý mà mong muốn tìm hiểu, đánh giá phương pháp có để tìm lời giải cho toán nêu nội dung đề tài “Một số kỹ thuật phát đối tượng bất thường ảnh y học” mà nghiên cứu, thử nghiệm số phương pháp để xây dựng chương trình để phát đối tượng bất thường ảnh y học Chương trình trợ giúp cho chuyên gia Y học chẩn đoán bệnh cho bệnh nhân mong muốn phần đóng góp nghiệp Y học Ngoài phần mở đầu kết luận, luận văn được chia làm chương, cụ thể nội dung chương sau: Chương1: Tổng quan ảnh, ảnh y học đối tượng bất thường ảnh y học Chương 2: Các kỹ thuật phát đối tượng bất thường ảnh y học Chương 3: Xây dựng chương trình thử nghiệm Khi viết báo cáo em cố gắng để hoàn thành công việc giao, song điều kiện thời gian lực hạn chế nên không tránh khỏi thiếu xót Em mong nhận đóng góp thầy giáo hướng dẫn, thầy cô giáo bạn bè để em có kinh nghiệm thực tế bổ ích để sau xây dựng chương trình hoàn thiện 54 d Thuật toán KNN Sau trình khai thác blob, hai cách phân loại chế biến tay thuật toán KNN[4] Người sử dụng xác định tầm quan trọng đốm tay Một tất đốm màu xác định, tập huấn luyện tạo cho lớp Một hình ảnh thực địa tập huấn luyện hoàn tất, thuật toán KNN xử lý dựa tập huấn luyện Thuật toán KNN mô tả sau: Xác định giá trị tham số K (số láng giềng gần nhất) Tính khoảng cách đối tượng cần phân lớp (Query Point) với tất đối tượng training data (thường sử dụng khoảng Euclidean) Sắp xếp khoảng cách theo thứ tự tăng dần xác định K láng giềng gần với Query Point Lấy tất lớp K láng giềng gần xác định Dựa vào phần lớn lớp láng giềng gần để xác định lớp cho Query Point Với hình ảnh tính phân loại, tìm kiếm thuật toán cho k –láng giềng gần liệu đào tạo dựa biện pháp tương tự Ví dụ huấn luyện vectơ không gian đặc trưng đa chiều, lần với nhãn lớp Láng giềng lấy từ tập huấn luyện để xác định lớp loại Trong giai đoạn phân loại, k người dùng xác định số câu truy vấn phân loại cách gán số liệu thường xuyên số mẫu huấn luyện k gần đến điểm truy vấn 55 Các liệu thuật toán KNN bao gồm thuộc tính Xi đầu Y Xi gần quan sát đầu vào tập huấn luyện láng giềng giá trị đầu tương ứng họ Y sử dụng để dự đoán giá trị đầu lớp Để chứng minh cho quy trình thuật toán, giả sử khoảng cách câu truy vấn có giá trị (X / X /) giá trị mẫu đào tạo (X / X /) Đầu xác định cách sử dụng khoảng cách Euclide xác định bởi: )2 + (X2q - Xt2)2 (2) Các thông số mẫu việc huấn luyệnở thuật toán KNN mở rộng để phát triển Bằng cách gán tính năng, phương trình tính sau d2qt= (Xq1 - X1t) + (Xq2 - X2q) + + (Xiq - Xit)2 (3) Biết phương pháp KNN phụ thuộc vào biện pháp cách ly, số liệu đầu vào phải chuẩn hóa trước tiến hành trình KNN Hình 2.25 minh họa sơ đồ mô hình KNN với lớp học dựa tập huấn luyện; dấu chấm màu xanh màu đỏ mục tiêu dấu chấm màu xanh Các vòng tròn tiêu tan bên có giá trị K = I mà kết cuối mục tiêu coi lớp màu xanh từ lớp màu xanh tồn khu vực Các vòng tròn tiêu tan bên có giá trị K = mà kết lớp màu đỏ (6 so với 4) Một dấu chấm màu xanh tượng trưng cho mục tiêu dấu chấm màu đỏ màu xanh đại diện cho lớp khác dựa tập huấn luyện vòng tròn tiêu tan đại diện cho giá trị K mà vòng tròn bên với vòng tròn tiêu tan bên 56 Hình 2.25: Một đại diện thuật toán KNN Ba tính nói chung sử dụng vector đốm mô tả liệu ngẫu nhiên blob, giá trị trung bình kênh G độ lệch chuẩn kênh G Kết cấu, màu sắc phân phối màu sắc đại diện cho ba giá trị cho đốm tương ứng Tất tính chuẩn hóa với giá trị nằm khoảng từ đến 1, tính cụ thể khác thực cho ứng dụng riêng biệt Hình 2.26 Một ví dụ hình ảnh võng mạc bao gồm dịch tiết tươi sáng thể (a) tính ổn định xử lý, tạo đốm màu hình ảnh tính chung ghi lại thể (b) 57 Năm hình ảnh võng mạc sử dụng để đánh giá thuật toán thể Hình 2.26 Các đốm màu tạo từ trình tính ổn định, cung cấp đối tượng quan tâm Hình 2.27 Một blob cá nhân gán cho đối tượng gán vào ba lớp để tạo liệu thực địa nơi (a) đĩa giác, (b) dịch tiết drusen (2) (c) lớp bình thường Nhiều hình ảnh blob phân tích tay định từ ba loại sau: đĩa giác, drusen dịch tiết lớp bình thường Trong trình này, giả định đốm màu bao phủ 50% dịch tiết coi lớp b Đặc điểm blob (Entropy, giá trị trung bình độ lệch chuẩn G kênh) sử dụng làm tài liệu tham khảo trình thực KNN Một tất đốm màu xác định, ba đốm màu chọn tập huấn luyện cho lớp dựa tính chung, để bắt đầu chương trình KNN sử dụng giá trị K = Sau trình hoàn tất, kết hình ảnh thật mặt đất KNN hình ảnh đánh giá để xác định độ xác 58 Bảng 2.2 Tỷ lệ phát Kết Không có hình ảnh Tổng số đốm màu Kết KNN Tính xác Lớp 3 #1 40 28 7 26 77.50% #2 40 34 29 85.71% #3 42 25 12 27 10 88.55% #4 25 25 12 27 10 95.83% #5 42 31 29 90.48% Bảng 2.3 Mô tả kết tổng thể tỷ lệ phát từ tất năm hình ảnh Ảnh # # dựa từ hình ảnh võng mạc cung cấp hình Độ xác xác định có kết blob KNN xử lý phù hợp với liệu thực địa Tất hình ảnh dẫn đến độ xác trung bình tổng thể việc phát lớp cho blob Kết luận Một thực phát blob với tính ổn định sử dụng KNN phân loại đề xuất Các đối tượng quan tâm phát cách hiệu ổn định thuật toán để phát kích thước biến đối tượng hình dạng biến Bộ lọc Gaussian cung cấp mục đích chiết xuất vector đặc trưng blob chập lại 59 hình ảnh ban đầu Blobs có tính ổn định xây dựng không gian quy mô.Trong vượt qua cây, đời blob tính toán để thông báo ý nghĩa Tất đốm màu chứa chiết xuất để phân tích tầm quan trọng để tạo hình ảnh mặt thật KNN phân loại xử lý so sánh hiệu thuật toán Tất phương pháp thực việc phát phân loại blob hiệu Vector mở rộng sửa đổi để phù hợp với ứng dụng khác hình ảnh Blobs đời định xem xét lựa chọn đối tượng quan tâm blob với tuổi thọ dài tùy thuộc vào việc phân loại mục tiêu Các thuật toán đề xuất dẫn đến kết lý tưởng ứng dụng khác mà yêu cầu độ xác ứng dụng y tế để chẩn đoán triệu chứng định rõ lợi ích Quy trình định rõ tính yêu cầu phân tích nhân lực để tăng cường đầy đủ kết đầu với cải tiến thuật toán Diễn biến độ xác phân loại dẫn đến lợi ích quan trọng máy tính phân tích phân tích nhân lực hiệu suất tốt 60 CHƯƠNG 3: ỨNG DỤNG VÀ THỬ NGHIỆM 3.1 Giới thiệu toán Như trình bày chương chương 2, phạm vi nội dung luận văn em cài đặt chạy thử việc phát hình ảnh polyp ảnh nội soi dày Sử dụng kỹ thuật phát biên Canny, Sobel, phân đoạn Otsu, kỹ thuật lọc Hessian kỹ thuật lọc Hough để tìm kiếm tự động vùng polyp (có dạng hình tròn gần tròn) Công nghệ áp dụng: Các thuật toán cài đặt thử nghiệm ngôn ngữ lập trình Matlab, Matlab sản phẩm phần mềm công ty MathWorks Inc Ưu điểm bật Matlab khả tính toán biểu diễn đồ họa kỹ thuật nhanh chóng, đa dạng xác cao Thư viện hàm Matlab bao gồm nhiều chương trình tính toán con, chương trình giúp người sử dụng giải nhiều loại toán khác nhau, đặc biệt toán ma trận số phức Matlab cho phép xử lý liệu biểu diễn đồ họa không gian 2D 3D với nhiều dạng đồ thị thích hợp, giúp người sử dụng trình bày kết tính toán cách trực quan thuyết phục Thêm vào đó, phiên MATLAB ngày phát triển nhiều module phần mềm bổ sung Toolbox (bộ công cụ) với phạm vi chức chuyên dụng cho chuyên ngành cụ thể Đây lý lựa chọn ngôn ngữ để cài đặt thuật toán 3.2 Thu thập liệu Một số ảnh thực tế lấy Bệnh viện đa khoa huyện Phú Bình mạng Internet 61 3.3 Giao diện chương trình Hình 3.1: Giao diện chương trình 3.4 Kết thử nghiệm Chương trình cài đặt chạy thử nghiệm nhiều ảnh khác Một số ảnh thử nghiệm cho kết tốt Kết thực nghiệm với ảnh daday1.jpg (a) Ảnh gốc (b) Ảnh dùng kỹ thuật Hough Transform 62 (c) Ảnh dùng kỹ thuật Hessian (d) Ảnh dùng kỹ thuật tách biên Canny (e) Ảnh dùng kỹ thuật tách biên Sobel (f) Ảnh phân đoạn kỹ thuật Otsu Hình 3.2: Hình ảnh thực nghiệm ảnh dày Kết thử nghiệm với ảnh daday2.jpg (a)Ảnh gốc 63 Kích thước ảnh 489 pixels x 352 pixels – 24 bits/pixel (b) Ảnh dùng kỹ thuật lọc Hessian (c)Ảnh dùng kỹ thuật lọc HoughTransform (d) Ảnh dùng kỹ thuật tách biên Canny (f) Ảnh phân đoạn kỹ thuật Otsu (e) Ảnh dùng kỹ thuật tách biên Sobel (g) Ảnh dùng kỹ thuật lọc trung bình Hình 3 Hình ảnh thực nghiệm ảnh dày 64 * Ý kiến chuyên gia bác sỹ độ xác thuật toán chạy chương trình bắt polyp Nội dung phiếu lấy ý kiến Kết theo kỹ thuật Hessian A Rất tốt B Tốt C Trung bình D Không chấp nhận Kết theo kỹ thuật Hough A Rất tốt B Tốt C Trung bình D Không chấp nhận Kết theo kỹ thuật tách biên Canny A Rất tốt B Tốt C Trung bình D Không chấp nhận Kết theo kỹ thuật tách biên Sobel A Rất tốt B Tốt C Trung bình D Không chấp nhận Sau thực hỏi 25 bác sỹ Bệnh viện đa khoa huyện Phú Bình, tỉnh Thái Nguyên kết sau: Kỹ thuật 16 % Kỹ thuật Hough Transform 12 % Kỹ thuật tách biên Canny 20 % Kỹ thuật tách biên Sobel 12 % B Tốt 52 % 32 % 52 % 24 % C Trung bình 32 % 56 % 28 % 60 % D Không chấp nhận 0% 0% 0% 4% Tiêu chí A Rất tốt Kỹ thuật Hessian Bảng 3.1 Tỷ lệ % ý kiến nhận xét chuyên gia 3.5 So sánh đánh giá kỹ thuật - Thời gian thực thuật toán tìm polyp thuật toán Hessian chậm kỹ thuật Hough 65 - Phép biến đổi Hough Circle cho phép phát vật thể có dạng tương tự hình tròn xác định vị trí tâm, độ dài bán kính đường tròn mô tả cho vật thể Cách tiếp cận đơn giản, kết thu không xác Trong trường hợp nhóm nhiều polyp chồng lấp lên nhau, Hough Circle nhận dạng thừa thiếu polyp xác định vị trí tâm không phù hợp Để khắc phục nhược điểm phương pháp phân tích Hough Circle, nghiên cứu phương pháp ước lượng vị trí tâm độ dài bán kính dựa ý tưởng Hannan M W et al, 2009 gọi kỹ thuật phân tích hình dáng đường biên (contour) để xây dựng đường tròn đại diện cho vị trí polyp 66 KẾT LUẬN Phát polyp dày dùng kỹ thuật Hessian kỹ thuật Cricle Hough Transform dựa vào trường Gradient ảnh, hoạt động hình ảnh đa cấp xám, không lặp việc thực hình tròn Hough biến đổi, hoạt động nhanh mức tiêu thụ nhớ thời gian lớn Các kết thu cách sử dụng máy nội soi ảnh, sử dụng thuật toán đường tròn Hough biến đổi hình ảnh đầu vào, polyp có dạng hình tròn có dạng gần giống hình tròn phát hiện, đồng thời xác định gần tâm bán kính polyp Do vậy, bắt polyp có lúc chưa xác, cần có lọc tốt để xử lý Các đầu bao gồm vòng tròn vẽ ảnh đầu Các tham số cho đặt lọc thiết lập dòng lệnh để tạo điều kiện dễ dàng sửa đổi thăm dò người dùng Luận văn nêu vài kỹ thuật xử lý ảnh phát polyp ảnh y học Những vấn đề giải luận văn: - Nêu số kỹ thuật xử lý ảnh y tế - Trình bày, mô tả thuật toán tìm polyp: Hessian, Cricle Hough Transform, Canny, Sobel - Cài đặt bốn thuật toán so sánh với việc xử lý ảnh kỹ thuật Gradient Vì vậy, hướng nghiên cứu luận văn nghiên cứu cải tiến thuật toán, tiếp tục tiến hành thử nghiệm so sánh hai thuật toán với thuật toán khác việc tìm kiếm polyp để có đánh giá khách quan Đồng thời tiếp tục cài đặt thuật toán lại trình bày luận văn 67 Mặc dù cố gắng, thời gian trình độ hạn chế định nên luận văn không tránh khỏi thiếu sót Trong tương lai học viên cố gắng hoàn thiện phát triển vấn đề nêu trên, nhằm mang lại vấn đề khả quan Rất mong nhận đóng góp ý kiến thầy cô bạn để luận văn ngày hoàn thiện 68 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Ngô Quốc Tạo (2003), “Bài giảng môn xử lý ảnh” [2] Nguyễn Thanh Thuỷ - Lương Mạnh Bá (1998), “Nhập môn xử lý ảnh số”, NXB Khoa học kỹ thuật, Hà Nội Tiếng Anh [3].N Dalal and B Triggs, Histogram of oriented gradients for human detection, International Conference on Computer Vision & Pattern Recognition, volume (2005) [4] Yuji Iwahori, Takayuki Shinohara, Akira Hattori,Robert J Woodham, Automatic Polyp Detection in Endoscope Images Using a Hessian Filter, MVA2013 IAPR International Conference on Machine Vision applications, May20-23, 2013, Kyoto, JAPAN 3-1 [5] Kishore Mosaliganti, Arnaud Gelas, Paul Cowgill and Sean Megason, An Optimized N -Dimensional Hough Filter for Detecting Spherical Image Objects, September 30, 2009, pp 1-6 [6].Krit Inthajak, Cattleya Duanggate, Bunyarit,Medical Image Blob Detection with Feature Stability and KNN Classification, Eighth International Joint Conference on Computer Science and Software Engineering (JCSSE) 2011, pp 128-131 Tham khảo trang web [7].http://www.cs.columbia.edu/~mmerler/project/code/CircularHough _Grd.m [8] http://www.mathworks.com/help/images/ref/imfindcircles.html [...]... dịch vụ truyền thông DICOM 17 1.3 Đối tượng bất thường trong ảnh y học * Bài toán phát hiện đối tượng bất thường trong ảnh y học Phát hiện đối tượng bất thường ảnh trong thị giác m y tính là công việc tìm kiếm các vật thể trong ảnh hoặc trong video Con người có thể dễ dàng nhận biết các đối tượng trong ảnh dù sự khác nhau của các đối tượng là rất đa dạng Nhưng đối với hệ thống thị giác m y tính thì... n y vẫn còn là thách thức lớn Nguyên nhân chủ y u là do hình dáng, kích thước, vị trí,… của mỗi đối tượng là hết sức đa dạng và phong phú, ảnh hưởng về điều kiện ánh sáng, sự che lấp lẫn nhau của những đối tượng khác trong ảnh, chất lượng ảnh, … Một số đối tượng bất thường trong ảnh y học: Hình 1.7 Hình ảnh polyp dạ d y Hình 1.8 Hình ảnh viêm dạ d y Hình 1.9 Hình ảnh g y ngón chân Hình 1.10 Hình ảnh. .. dụng và phát triển Công nghệ thông tin Y tế đang là một đòi hỏi bức xúc của Ngành Y tế Việt Nam, nhằm x y dựng nền y tế Việt Nam hiện đại, có công nghệ và kỹ thuật y học cao, đáp ứng được y u cầu chăm sóc sức khoẻ cho nhân dân Khoa học kỹ thuật ng y càng phát triển, các trang thiết bị chẩn đoán hình ảnh ng y càng hiện đại, nhiều kỹ thuật cao đã và đang được ứng dụng rộng rãi trong y học nhằm phát hiện. ..3 CHƯƠNG 1: TỔNG QUAN VỀ ẢNH, ẢNH Y HỌC VÀ ĐỐI TƯỢNG BẤT THƯỜNG TRONG ẢNH Y HỌC Trong chương n y, các vấn đề cơ bản của hệ xử lý ảnh được nghiên cứu [1][2], bao gồm: 1.1 Một số khái niệm cơ bản 1.1.1 Điểm ảnh Ảnh trong thực tế là liên tục về không gian và giá trị độ sáng, để có thể xử lý ảnh bằng m y tính cần phải tiến hành số hóa ảnh Trong quá trình số hóa, người ta biến đổi tín hiệu liên... là một đặc tính rất quan trọng của đối tượng trong ảnh, một điểm ảnh có thể gọi là điểm biên nếu ở đó có sự thay đổi đột ngột về mức xám 1.1.3.2 Các kỹ thuật phát hiện biên: 1) Kỹ thuật phát hiện biên Gradient Theo định nghĩa, gradient là một véctơ có các thành phần biểu thị tốc độ f  x  dx, y   f  x, y   f  x, y   x  fx  dx thay đổi giá trị của điểm ảnh, ta có:   f  x, y   fy ... và sinh lý) Ảnh y học theo nghĩa rộng thì nó là một phần của hình ảnh sinh học và kết hợp X – quang, nội soi, siêu âm, CT (Computed Tomography)… dùng trong chẩn đoán điều trị bệnh lý của con người 12 Một số hình ảnh y học: Hình 1.3 Hình ảnh dạ d y Hình 1.4 Hình ảnh chụp X- Quang bàn tay Hình 1.5 Hình ảnh chụp CT sọ não Hình 1.6 Hình ảnh siêu âm 1.2.2 Chẩn đoán dựa trên hình ảnh Y học hiện đại chẩn... 1.10 Hình ảnh tụ máu não 18 CHƯƠNG 2: CÁC KỸ THUẬT PHÁT HIỆN ĐỐI TƯỢNG BẤT THƯỜNG TRONG ẢNH Có hàng loạt nghiên cứu đã tập trung giải quyết bài toán n y theo các hướng khác nhau Tựu chung lại, có thể nhận th y một số hướng tiếp cận như sau: 2.1 Kỹ thuật sử dụng đặc trưng HOG (Histogram of Oriented Gradient) Trong phần n y tôi trình b y phương pháp hiện nhanh đối tượng của Dalat và Triggs đề xuất năm 2005[3]... mẫu sang một số hữu hạn mức xám 1.1.7 Tăng cường khôi phục ảnh Tăng cường ảnh là bước quan trọng tạo tiền đề cho xử lý ảnh, gồm một loạt các kỹ thuật như: lọc bộ tương phản, khử nhiễu, nổi màu,… Khôi phục ảnh là nhằm loại bỏ các suy giảm trong ảnh 1.1.8 Biến đổi ảnh Trong thuật ngữ biến đổi ảnh thường được dùng để nói đến một lớp các ma trận đơn vị và các kỹ thuật dùng để biến đổi ảnh Một số loại biến... f  x, y  dy   f  x, y   y dy 4 Trong đó, dx, dy là khoảng cách (tính bằng số điểm) theo hướng x và y Tuy ta nói là l y đạo hàm nhưng thực chất chỉ là mô phỏng và xấp xỉ đạo hàm bằng các kỹ thuật nhân chập vì ảnh số là tín hiệu rời rạc nên đạo hàm không tồn tại Giả sử với dx và dy nhỏ nhất là 1, ta có:  f  x  f  x  1, y   f  x, y   f   f  x, y  1  f  x, y   y Do đó,... tin số ngay tại các m y đó (ví dụ m y siêu âm có thể lưu được 5000 ảnh của bệnh nhân gần đ y nhất) Tuy nhiên, dần từng bước khi có các điều kiện đặt ra và nhu cầu giao tiếp giữa các m y với nhau (ví dụ: m y CT Scanner chuyển cho m y chiếu tia Coban ) và truyền ảnh số giữa các vùng với nhau để trợ giúp chẩn đoán thì các chuẩn dữ liệu chung về hình ảnh của y tế dần ra đời Vì v y, các m y y tế ng y nay ... 12 1.2.3 Một số chuẩn hình ảnh ứng dụng y tế 14 1.3 Đối tượng bất thường ảnh y học 17 CHƯƠNG 2: CÁC KỸ THUẬT PHÁT HIỆN ĐỐI TƯỢNG 18 BẤT THƯỜNG TRONG ẢNH 18 2.1 Kỹ thuật sử... tài Một số kỹ thuật phát đối tượng bất thường ảnh y học mà nghiên cứu, thử nghiệm số phương pháp để x y dựng chương trình để phát đối tượng bất thường ảnh y học Chương trình trợ giúp cho chuyên... thông DICOM 17 1.3 Đối tượng bất thường ảnh y học * Bài toán phát đối tượng bất thường ảnh y học Phát đối tượng bất thường ảnh thị giác m y tính công việc tìm kiếm vật thể ảnh video Con người