phương pháp phân đoạn ảnh y khoa

Mục Lục CHƯƠNG I: GIỚI THIỆU……………………………………………………………​…2​ 1.1 Giới thiệu đề tài……………………………………………………………………​ ​2 1.2 Mục tiêu đề tài………………………………………………………………………2 1.3 Nội dung đề tài……………………………………………………………………​…3​ 1.4 Giới hạn đề tài……………………………………………………………………… 1.5 Cấu trúc báo cáo…………………………………………………………………… CHƯƠNG ​II C​Ơ SƠ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN……… 2.1 Cơ sở lý thuyết……………………………………………………………………​ ​ ​4 2.2 Các nghiên cứu liên quan…………………………………………………………​…5​ CHƯƠNG​ ​III C​ÁC PHƯƠNG PHÁP NGHIÊN CỨU………………………………​.​6 3.1 Yêu cầu toán……………………………………………………………………​.​6 3.2 Các phương pháp nghiên cứu……………………………………………………… 3.2.1 Phương pháp phân đoạn ảnh dựa vào ngưỡng………………………………​… 3.2.2 Phương pháp phân đoạn ảnh dựa vào miền …………………………………… 3.2.3 Phương pháp phân đoạn dựa hình dạng …………………………………​.​1​7 3.2.4 Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận …………………​ 21 CHƯƠNG​ ​IV.​ ​THỰC NGHIỆM VÀ KẾT QUẢ……………………………………​ 25 4.1 Tập liệu test…………………………………………………………………​ ​25 4.2 Thí nghiệm………………………………………………………………………​.​25 4.3 Đánh giá kết quả…………………………………………………………………​26 CHƯƠNG V.​ KẾT LUẬN…………………………………………………………… 27 5.1 Kết đạt được………………………………………………………………​…​27 5.2 Ưu nhược điểm thực tập tốt nghiệp…………………………………………​.​27 5.3 Hướng mở rộng tương lai…………………………………………………​.​27 TÀI LIỆU THAM KHẢO…………………………………………………………… 28 CHƯƠNG 1: GIỚI THIỆU 1.1 Giới thiệu đề tài: Phương pháp phân đoạn bệnh phổi ảnh CT quan trọng việc chuẩn đoán bệnh, cung cấp thông tin quan trọng cho việc giải phẫu, thông tin đoạn bất thường để lên phương án chữa trị phù hợp Phương pháp làm giảm thời gian phân tích, độ xác cao, giúp giảm kinh phí điều trị Phương pháp phân đoạn ảnh phát bệnh mức độ vừa phải có bất thường hình dạng có hình dạng đặc biệt tồn phổi Nhưng, bất thường tràn dịch màng phổi, khối u thường xuyên gây phân đoạn phổi không xác, nên hạn chế sử dụng 1.2 Mục tiêu đề tài: Mục đích việc phân đoạn hình ảnh y khoa để lấy thông tin định lượng (ví dụ liệu thể tích, liệu hình thái học, thông tin liên quan đến mô hình kết cấu) liên quan đến phận thể thương tổn bên phận Nói chung, vấn đề phân đoạn ảnh coi bao gồm hai nhiệm vụ chính: nhận dạng đối tượng phác hoạ đối tượng Vì phân tích hình ảnh thể bệnh phổi trở thành nhu cầu cần thiết cho ứng dụng lâm sàng nghiên cứu, điều quan trọng bác sĩ X quang nên làm quen với hội thách thức liên quan đến phân đoạn phổi tự động hình ảnh CT Với tiến kỹ thuật gần X quang máy tính, tương lai không xa, nhà nghiên cứu X quang đánh giá số lượng mức độ nghiêm trọng bệnh theo tỷ lệ tổng thể phổi, ảnh hưởng đến mức độ mà nhà X quang học mô tả, mức độ nghiêm trọng tiến hoá hình thái bệnh với xét nghiệm CT Sự phân chia phễu phổi thách thức đặc biệt khác biệt phổi với thành ngực đàn hồi tạo biến đổi lớn khối lượng thể tích cố gắng tự động phân chia phổi Hơn nữa, xuất bệnh phổi gây trở ngại cho phần mềm cố gắng xác định vị trí phổi Hình 1.1: Ví dụ nhận dạng đối tượng (a) phát họa đối tượng (b) ảnh CT phổi.[1] 1.3 Nội dung đề tài: Ảnh CT có vai trò quan trong việc chuẩn đoán dị tật bất thường thể bệnh nhân, đặc biệt bệnh phổi Phần lớn ảnh CT phổi có chất lượng nên việc phát khối u kích thước nhỏ hình dạng bất thường mắt thường khó Nội dung đề tài nghiên cứu phương pháp phân đoạn ảnh ảnh CT phổi như: phương pháp phân đoạn ảnh dựa vào miền, dựa vào ngưỡng, dựa hình dạng, phân đoạn ảnh hướng dẫn giải phẫu lân cận 1.4 Giới hạn đề tài: Trong khuôn khổ đề tài nghiên cứu, có nhiều phương pháp phân đoạn CT, chọn bốn phương pháp để nghiên cứu: - Phương pháp phân đoạn ảnh dựa vào ngưỡng (Lung Segmentation Class using Thresholding-based methods) - Phương pháp phân đoạn ảnh dựa vào miền (Lung Segmentation Class using Region-based methods) - Phương pháp phân đoạn dựa hình dạng (Lung Segmentation Class using Shaped-based methods) - Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận (Lung Segmentation Class using Neighboring anatomy-guided methods) 1.5 Cấu trúc đề tài: Báo cáo chia thành năm phần: - Phần 1: Giới thiệu chung đề tài, lý thực đề tài Tóm tắt nội dung đề tài, nêu mục tiêu đề tài giới hạn đề tài - Phần 2: Trình bày sở lý thuyết xử lý ảnh, nghiên cứu khác liên quan đến phân đoạn ảnh CT - Phần 3: Trình bày yêu cầu toán nội dung cụ thể phương pháp nghiên cứu chọn - Phần 4: Trình bày thực nghiệm giải thuật phân đoạn ảnh y khoa đánh giá kết - Phần 5: Kết luận CHƯƠNG II: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2.1 Cơ sở lý thuyết: Xứ lý ảnh là trình phân tích, chỉnh sửa ảnh đầu vào để ảnh đầu đáp ứng yêu cầu mong muốn Hình 2.1: Quá trình xử lý ảnh.[2] Ảnh xem tập hợp điểm ảnh điểm ảnh xem đặc trưng cường độ sáng hay dấu hiệu vị trí đối tượng không gian xem hàm n biến P(c​1​, c​2​, , c​n​) Do đó, ảnh xử lý ảnh xem ảnh n chiều.[2] Điểm ảnh phần tử ảnh số tọa độ (x, y) với độ xám màu định Kích thước khoảng cách điểm ảnh chọn thích hợp cho mặt người cảm nhận liên tục không gian mức xám (hoặc màu) ảnh số gần ảnh thật Mỗi phần tử ma trận gọi phần tử ảnh.[2] Tiền xử lý trình sau thu nhận ảnh, ảnh nhiễu độ tương phản thấp nên cần đưa vào tiền xử lý để nâng cao chất lượng Chức tiền xử lý lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét Độ phân giải ảnh mật độ điểm ảnh ấn định ảnh số hiển thị Theo định nghĩa, khoảng cách điểm ảnh phải chọn cho mắt người thấy liên tục ảnh Việc lựa chọn khoảng cách thích hợp tạo nên mật độ phân bổ, độ phân giải phân bố theo trục x y không gian hai chiều Mức xám điểm ảnh cường độ sáng gán giá trị số điểm Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 Biên đường bao quanh vùng ảnh chênh lệch hai mức xám Trong đó, ngưỡng giá trị mà người ta dựa vào để xác định miền riêng biệt ảnh Phân đoạn ảnh tách ảnh đầu vào thành vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Chính xác hơn, phân vùng ảnh trình gán nhãn cho điểm ảnh ảnh cho điểm ảnh có thuộc tính tương tự có nhãn Đây phần phức tạp khó khăn xử lý ảnh dễ gây lỗi làm độ xác ảnh Kết nhận dạng ảnh phụ thuộc nhiều vào công đoạn Chụp CT (CT-Scanner) kỹ thuật dùng nhiều tia X- quang quét lên khu vưc thể theo lát cắt ngang phối hợp với xử lý máy vi tính để có hình ảnh chiều chiều phận cần chụp Các nghiên cứu liên quan: 2.2 - Segmentation and Image Analysis of Abnormal Lungs at CT: Current Approaches, Challenges, and Future Trends (Awais Mansoor, PhD; Ulas Bagci, PhD; Brent Foster, BSc; Ziyue Xu, PhD; Georgios Z Papadakis, MD; Les R Folio, DO, MPH; Jayaram K Udupa, PhD; Daniel J Mollura, MD) Hu S, Hoffman EA, Reinhardt JM Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images IEEE Trans Med Imaging 2001 - Wang J, Li F, Li Q Automated segmentation of lungs with severe interstitial lung disease in CT Med Phys 2009 - Serre T, Wolf L, Bileschi S, Riesenhuber M, Poggio T Robust object recognition with cortex-like mechanisms IEEE Trans Pattern Anal Mach Intell 2007 - Marr D, Ullman S, Poggio T Bandpass channels, zerocrossings, and early visual information processing J Opt Soc Am 1979 - Chen X, Udupa JK, Bagci U, Zhuge Y, Yao J Medical image segmentation by combining graph cuts and oriented active appearance models IEEE Trans Image Process 2012 - Bagci U, Kramer-Marek G, Mollura DJ Automated computer quantifcation of breast cancer in small-animal models using PET-guided MR image co-segmentation EJNMMI Res 2013 - Sluimer I, Schilham A, Prokop M, van Ginneken B Computer analysis of computed tomography scans of the lung: a survey IEEE Trans Med Imaging 2006 - Armato SG 3rd, Sensakovic WF Automated lung segmentation for thoracic CT impact on computer-aided diagnosis Acad Radiol 2004 - Bağcı U, Bray M, Caban J, Yao J, Mollura DJ Computerassisted detection of infectious lung diseases: a review Comput Med Imaging Graph 2012 - Bagci U, Foster B, Miller-Jaster K, et al A computational pipeline for quantifcation of pulmonary infections in small animal models using serial PET-CT imaging EJNMMI Res 2013 - Christe A, Brönnimann A, Vock P Volumetric analysis of lung nodules in computed tomography (CT): comparison of two different segmentation algorithm softwares and two different reconstruction flters on automated volume calculation Acta Radiol 2014 - Cui H, Wang X, Feng D Automated localization and segmentation of lung tumor from PET-CT thorax volumes based on image feature analysis Conf Proc IEEE Eng Med Biol Soc 2012 CHƯƠNG 3: CÁC PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Yêu cầu ban đầu: Đầu vào ảnh CT phổi Các bước trung gian: Đầu tiên giai đoạn tiền xử lý, ảnh đầu vào thường ảnh thô chưa xử lý, giai đoạn giúp giảm nhiễu, tăng chất lượng ảnh, bỏ vài thông tin không cần thiết Tiếp theo phương pháp xử lý, sử dụng hay nhiều giải thuật cho bước xử lý Cuối cùng, phân đoạn phân vùng truy xuất ảnh CT phổi Đầu ảnh CT phổi phân đoạn 3.2 Giải thuật đề xuất: 3.2.1 Phương pháp phân đoạn ảnh dựa vào ngưỡng (Lung Segmentation Class using Thresholding-based methods) a Phương pháp phân đoạn dựa vào ngưỡng: Phương pháp phân đoạn dựa vào ngưỡng phương pháp hiểu rõ kỹ thuật phân đoạn sử dụng thường xuyên hầu hết hệ thống lưu trữ hình ảnh, truyền thông ứng dụng xem bên thứ ba tính đơn giản Các phương pháp phân đoạn dựa ngưỡng phân đoạn ảnh cách tạo phân đoạn nhị phân dựa giá trị suy giảm hình ảnh, xác định suy giảm tương đối cấu trúc hình ảnh CT Một thủ tục ngưỡng cố gắng xác định giá trị suy giảm, gọi ngưỡng, tạo phân vùng cách nhóm tất phần tử hình ảnh với giá trị suy giảm đáp ứng khoảng cách ngưỡng Quá trình phân đoạn dựa vào ngưỡng hiển thị flowchart (Hình 3.1) Sơ đồ: Hình 3.1: Flowchart phương pháp phân đoạn ảnh dựa vào ngưỡng [1] Phương pháp phân đoạn dựa vào ngưỡng đơn giản hiệu để có phân đoạn từ hình ảnh với khác biệt tương phản tốt xấu che dấu vùng Thật vậy, phương pháp thường thực tốt hình ảnh CT, so với hình ảnh thu với hình ảnh khác thực tế giá trị suy giảm, đo đơn vị Hounsfeld, có phạm vi bảo vệ tốt cho thành phần mô khác hình ảnh CT Tuy nhiên, kỹ thuật dựa ngưỡng không thường vào tính đặc tính không gian mục tiêu đối tượng (phổi) Hơn nữa, kỹ thuật nói chung nhạy cảm với tượng tiếng ồn hình ảnh, so với phương pháp phân chia phổi khác Sự xuất mẫu hình ảnh bất thường ảnh hưởng đến lớp phương pháp phân chia ngưỡng dựa sở nhiều thông tin không gian biến đổi xem xét trình phân đoạn trình Tổng quan phương pháp phân khúc theo ngưỡng dựa ngưỡng thể hình 3.2 Hình 3.2: Sơ đồ cung cấp tổng quan cách tiếp cận theo ngưỡng dựa phân đoạn phổi.[1] Các đồ thị (a, b) cho biết giá trị ngưỡng (được hiển thị với đường thẳng màu đỏ a, b) đơn vị Hounsfeld điều chỉnh để thích phổi Trên hình ảnh CT (c, d) Khoảng cách tối ưu suy giảm kết mô màng phổi bị loại trừ (vùng đen c) từ vùng phổi phân đoạn (màu đỏ), so với khoảng cách suy giảm tốt b, kết phân đoạn phổi tốt d Trong giới hạn ngưỡng khoảng cho phép lựa chọn vùng phổi thích việc lựa chọn tham số ngưỡng đủ để phân chia phổi với tối thiểu bệnh lý giá trị suy giảm ổn định không khí vùng phổi Mặt khác, đến bao gồm vùng bệnh lý vùng phổi với phương pháp dựa ngưỡng dựa khoảng cách ngưỡng thường thiết lập để loại trừ mô lân cận từ phễu phổi, vùng bệnh lý có giá trị suy giảm so với mô mềm Hình 3.3 cho thấy hai ví dụ, có tràn dịch màng phổi hợp tồn phổi, phân khúc dựa ngưỡng mô tả ranh giới phổi dấu hiệu hình ảnh bất thường Hình 3.3: Xác định ranh giới không xác.[1] Đường viền màu xanh kết phân chia cho ranh giới phổi ước tính Hình ảnh CT cho thấy hai ví dụ kết tối ưu việc phân tích dựa ngưỡng dựa triệu chứng màng phổi hợp (b) Thông thường, cần đến hoạt động hình thái khác trình loại bỏ sai tay cần thiết để sửa lại phân đoạn kết Về mặt hiệu quả, phương pháp dựa ngưỡng phương pháp phân chia hình ảnh nhanh nhất, thường vài giây mang lại phân đoạn tái tạo hoàn toàn b Một số phương pháp phân đoạn ảnh theo ngưỡng: Việc chọn ngưỡng kỹ thuật bước vô quan trọng,thông thường người ta tiến hành theo bước chung sau: + Xem xét lược đồ xám ảnh để xác định đỉnh khe, ảnh có nhiều đỉnh khe khe sử dụng để chọn ngưỡng + Chọn ngưỡng T cho phần xác định trước η toàn số mẫu thấp T Điều chỉnh ngưỡng dựa xét lược đồ điểm lận cận Chọn ngưỡng cách xem xét lược đồ xám điểm tiêu chuẩn chọn Một thuật toán đơn giản kỹ thuật là: đối tượng sáng tối, có tham số T gọi ngưỡng độ sáng chọn ảnh f[x,y] theo cách: If f[x,y] ≥ T f[x,y] = object = 1, Else f[x,y] = background = (3.1) Ngược lại, với đối tượng tối sáng có thuật toán sau: If f[x,y] < T f[x,y] = object = 1, Else f[x,y] = background = (3.2) Vấn đề nên chọn ngưỡng để việc phân vùng đạt kết cao nhất? Có nhiều thuật toán chọn ngưỡng : ngưỡng cố định, dựa lược đồ, sử dụng Entropy, sử dụng tập mờ, chọn ngưỡng thông qua không ổn định lớp tính vùng c Thuật toán chọn ngưỡng cố định: Đây phương pháp chọn ngưỡng độc lập với liệu ảnh Nếu biết trước chương trình ứng dụng làm việc với ảnh có độ tương phản cao, đối tượng quan tâm tối gần đồng sáng việc chọn ngưỡng T=128 (xét thang độ sáng từ tới 255) giá trị chọn xác Chính xác hiểu theo nghĩa số điểm ảnh bị phân lớp sai cực tiểu d Ưu nhược điểm phương pháp: Phương pháp phân đoạn ảnh dựa vào ngưỡng đơn giàn, giải thuật chạy nhanh trực quan đồng thời tốn chi phí tính toán Nhưng lại không giải vấn đề biến thể suy giảm không phân lại loại bệnh lý Phương pháp dùng để xác định phân chia cấu trúc vùng xác định rõ ràng tổn thương khối u, hốc (khoang), bướu nhỏ 3.2.2 Phương pháp phân đoạn ảnh dựa vào miền (Lung Segmentation Class using Region-based methods) a P ​ hương pháp phân đoạn ảnh dựa vào miền: Vấn đề phương pháp phân đoạn theo miền phụ thuộc vào điểm ảnh lân cận khu vực có giá trị tương tự Phương pháp tiếng phân đoạn theo miền có lẽ phương pháp tạo vùng (region growing), phương pháp có điểm chung so sánh điểm ảnh với điểm ảnh lân cận nó, tiêu chí khu vực định trước (tức tính đồng nhất) đáp ứng, sau điểm ảnh cho thuộc đến lớp với nhiều lân cận Mặc dù tiêu chuẩn khu vực định trước quan trọng phương pháp phát triển vùng (region growing), phương pháp phát triển vùng xác hiệu so với phương pháp phân chia dựa vào ngưỡng, chúng bao gồm tiêu chí "region" thông tin không gian Đối với ứng dụng phân đoạn phổi hình ảnh CT, phương pháp phân chia vùng (đặc biệt region growing) tìm thấy để có ích cho hiệu mạnh mẽ họ xử lý biến thể suy giảm (gây điều kiện bệnh lý nhẹ vật hình ảnh) cách tăng cường thông tin không gian khu vực thuật ngữ khu vực Sơ đồ tổng quát phương pháp tiếp cận sử dụng cho phân đoạn theo vùng thể hình 3.4 Hình 3.4: Các sơ đồ khái niệm chung phân khúc theo khu vực.[1] Cách tiếp cận phân khúc dựa vùng bắt đầu với điểm mầm sau phát triển thêm điểm ảnh lân cận theo tiêu chuẩn vùng (a) Bắt đầu từ điểm xuất phát ban đầu (vòng tròn màu đen) hướng phát triển (mũi tên) (b) Quá trình phát triển sau vài lần lặp lại cho thấy diện tích loang (vùng đen) (c) Phân đoạn cuối (vùng đen) b Flowchart phương pháp phân đoạn ảnh theo miền: Đối với phân đoạn theo vùng, trình phân đoạn ảnh tiến hành hình 3.5 Sơ đồ: Hình 3.5: Flowchart phương pháp phân đoạn ảnh dựa vào miền.[2] Trong trường hợp điểm mầm coi đại diện vùng phổi xác định đầu 10 Tùy thuộc vào thành phần GMM biến k Thuật ngữ liệu U xác định, có tính đến mô hình GMM màu như: U (α, k , θ, z ) = ∑ D(αn , k n , θ, z n ) , (3.4) n Trong đó, D(α​n​, k​n​,θ, z​n​) = -log p(z​n | α​n​, k​n​,θ)-logπ(α​n​, k​n​) p(.) phần phối xác suất Gaussian, π(.) pha trộn hệ số gia trọng D(αn , k n , θ, z n ) = − log π(αn , k n ) + T log det ∑(αn , k n ) + 21 [z n − μ(αn , k n )] , (3.5) −1 ∑(αn , k n ) [z n − μ(αn , k n )] , (3.6) Vì vậy, thông số mô hình nay: θ = {π(α, k ), μ(α, k ), ∑(α, k ), α = 0, 1, k = K} Ví dụ: Các trọng số π, có nghĩa μ phương sai Σ 2K Gaussian thành phần cho phân phối tiền cảnh Các thuật ngữ thông suốt V không thay đổi từ ảnh đơn sắc trường hợp, ngoại trừ thuật ngữ tương phản tính Euclidean khoảng cách không gian màu: V (α, z ) = γ ∑ [αn ≠ αm ]exp − β||z n − z m ||2 (3.7) (m,n)∈C ● Phân đoạn theo lặp lại cực tiểu lượng: Sơ đồ cực tiểu hóa lượng GrabCut làm việc lặp lặp lại, thay cho giải thuật one-shot trước Điều có lợi cho phép tự động sàng lọc vùng mờ α, dán nhãn điểm ảnh từ vùng T​U trimap ban đầu sử dụng để tinh chỉnh thông số GMM màu θ +Bước 1: Thực cách liệt kê giá trị đơn giản kn​ cho điểm ảnh +Bước 2: Được thực tập hợp thủ tục ước lượng tham số Gaussian, sau: đưa thành phần GMM cho k mô hình tiền cảnh, tập hợp điểm ảnh định nghĩa F (k) = {z​n​: k​n = k α​n​=1} Trị trung bình phương sai ước tính mạng lưới chuẩn nghĩa mẫu phương sai giá trị điểm ảnh F (k) trọng số là: π (α, k) = | F (k) | / Σk | F (k) |, (3.8) Trong | S | biểu thị kích thước tập S +Bước 3: Là tối ưu hóa toàn cầu, sử dụng cắt tối thiểu Cấu trúc thuật toán đảm bảo thuộc tính hội tụ đúng, bước 1-3 giảm thiểu việc lặp lặp lại hiển thị tổng lượng E hạn chế tối đa với ba tập hợp biến k, θ, α Do đó, E giảm dần cách điều minh họa thực nghiệm Vì vậy, thuật toán bảo đảm để hội tụ vị trí định E Là đơn giản để phát E ngừng làm giảm đáng kể, chấm dứt lặp tự động Khởi tạo: 14 Người sử dụng khởi tạo trimap T việc cung cấp T​B Mặt trước tập hợp T F = θ; T U = T B ; Khởi tạo αn​ = với n ∈ TB​ α​n = ​ với n ∈ TU​ Nền tiền cảnh GMMs khởi tạo từ αn = ​ α​n​ = tương ứng Lặp lại giảm thiểu: - Gán thành phân GMM điểm ảnh: cho n TU k n ≔argmin Dn (αn , k n , θ, z n ) , (3.9) kn - Tìm hiểu thông số GMM từ liệu z: θ≔argmin U (α, k , θ, z ) , θ - Phân đoạn dự đoán sử dụng mincut để giải quyết: min {αn : n∈T U } k E(α, k , θ, z ) , (3.10) (3.11) - ​Lặp lại từ bước 1, quy tụ - ​Áp dụng kết búi viền Người dùng chỉnh sửa: Sửa: sửa lỗi số điểm ảnh để α​n = (vẽ lên nền) α​n = (phía trước vẽ lên); cập nhật trimap T cho phù hợp Thực bước lần Tinh chỉnh hoạt động: [tùy chọn] thực lặp lặp lại toàn thuật toán giảm thiểu ● Tương tác với người sử dụng trimap không đầy đủ: Trimaps không đầy đủ thuật toán lặp lặp lại giảm thiểu cho phép tăng tính linh hoạt tương tác người dùng Đặc biệt, nơi dán nhãn không đầy đủ cho phép vị trí trimap đầy đủ T, người sử dụng cần định khu vực T​B​, lại T​F = Không khó để dán tất nhãn tiền cảnh Lặp lại giảm thiểu cách cho phép dán nhãn không hoàn chỉnh tới số điểm ảnh (tại tiền cảnh) sau co lại, có nhãn T​B không rút lại Trong trình thực T​B ban đầu xác định người sử dụng dải điểm ảnh xung quanh bên hình chữ nhật đánh dấu e Giải thuật Random Walks: Thuật toán random walker thực bằng cách ngẫu nhiên điểm ảnh ghi nhớ điểm mầm mà chúng đến lần đầu, phương pháp tính toán không thực tế Thiết lập kết nối bước ngẫu nhiên lý thuyết mạch, cung cấp cho phương pháp đơn giản thuận tiện cho phân tích tính toán xác suất mong muốn Phân mô tả ba khía cạnh thuật toán: Tạo trọng số đồ thị, thiết lập hệ phương trình để giải vấn đề thực chi tiết thực tế Một đồ thị bao gồm cặp G = (V, E) với đỉnh (node) v ∈V cạnh e∈E ⊆V × V Một cạnh, e, nối hai đỉnh, v​i v​j​, ký hiệu e​ij​ Một đồ thị có trọng số gán giá trị cho cạnh gọi trọng số Trọng số cạnh e​ij ký hiệu w (e​ij​) w​ij​ Bậc đỉnh d​i = w (e​ij​) cho tất cạnh e​ij có liên quan đến v​i ​(điều kiện wij​> 0) 15 Trọng số cạnh: Để đại diện cho cấu trúc hình ảnh (đã cho điểm ảnh) sai lệch bước ngẫu nhiên (tức trọng số cạnh), người ta định nghĩa hàm ánh xạ thay đổi cường độ hình ảnh với trọng số cạnh Đây đặc tính chung thuật toán dựa đồ thị để phân tích ảnh Ngoài ra, đề xuất để sử dụng chức làm cực đại entropy trọng số kết Hàm trọng số Gaussian: w​ij​ = exp (-β(g​i​ - g​j​)​2​), (3.12) Trong đó: gi cường độ ảnh điểm i Giá trị β tham số tự Chúng tìm thấy hữu ích để bình thường hóa gradient vuông (g​i - g​j​)​2 ∀eij∈E trước áp dụng (3.12) Tất nhiên, (3.12) sửa đổi để xử lý màu giá trị liệu vector thay (gi​ - g​j​)​2​ với ||gi​ - g​j​|| đánh giá cho vector gi​ Vấn đề Dirichlet tổ hợp: Tổ hợp dirichlet xác định sau: D[u] = ∫ |∇u|2 dΩ, (3.13) Ω Trong u trường Ω vùng Tích phân xuất tình vật lý bao gồm truyền nhiệt, điện tĩnh học bước ngẫu nhiên Một hàm điều hòa có chức đáp ứng phương trình Laplace ∇2u = (3.14) Việc tìm đối tượng hàm hài hòa giá trị biên gọi toán Dirichlet Hàm điều hòa thoả mãn điều kiện đường biên yếu Ma trận tổ hợp Laplacian xác định sau: Lij = {di i = j , − wij v i v j đỉnh, lại (3.15) Trong L​ij​ số đỉnh vi​ v​j​ Xác định ma trận liên thuộc nút cạnh sau: Aeij vk = {1 i = k , − j = k , lại (3.16) Với đỉnh v​k tất cạnh e​ij lân cận gán định hướng, Aeij vk dùng để tác động ma trận tới cạnh eij​ đỉnh vk​ Xác định ma trận m x m với C đường chéo ma trận với trọng số cạnh dọc theo đường chéo Laplacian tổ hợp đẳng hướng thành phần toán tử tổ hợp phân kỳ với toán tử tổ hợp gradient, L = A​T​A ma trận cấu thành giải thích việc đại diện cho tích vô hướng có trọng số không gian vectơ Laplacian tổ hợp khái quát hóa toán tử tổ hợp Laplace – Beltrami L =A​T​CA Trường hợp độ đo bình thường C=I L = A​T​A Xây dựng tổ hợp tích phân Dirichlet: D[x] = T (Ax) C(Ax) = T x Lx = ∑ W ij (xi − xj )2 , (3.17) eij ∈E tổ hợp hài hòa hàm giảm thiểu x Từ L bán xác định, điểm giới hạn D [x] cực tiểu Phân vùng đỉnh thành hai bộ, máy ảo (được đánh dấu 16 điểm mầm) VU​ (điểm mầm) mà VM​ ∪ V​U​ = V and V​M​ ∩V​U​ = ∅ Chú ý : V​M chứa đựng tất điểm mầm, nhãn chúng Chúng ta giả định mà không tính tổng quát nút L x xếp cho điểm mầm nút điểm mầm thứ hai Vì vậy, phân tách phương trình: D[xU ] = 21 [xTM xTU ][LM B B T LU ][xM xU ] = 21 (xTM LM xM + 2xTU B T xM + xTU LU xU ) , (3.18) Trong đó: xB xU tương ứng với tiềm điểm mầm nút không điểm mầm tương ứng Phân biệt D [x​U​] x​U tìm kiếm lợi suất điểm quan trọng L​U​xU = -B​T​xM, (3.19) Là hệ phương trình tuyến tính với ẩn số | V​U | Nếu đồ thị kết nối, tất thành phần kết nối chứa điểm mầm, sau phương trình không đơn lẻ Biểu thị xác suất giả thiết nút v​i cho nhãn S x​i​S​ Xác định tập hợp nhãn cho điểm điểm mầm hàm Q(v​j​) = s, ∀v​j ∈ V​M​, s ∈ Z, 0< s ≤K Xác định vector | VM​ | × cho nhãn s nút vj​ ∈ V​M​ như: msj = {1 Q(v j ) = s Q(v j )≠s , (3.20) Vì vậy, nhãn s, giải pháp cho vấn đề Dirichlet tổ hợp tìm thấy cách giải L​U​xs= -B​T​m​s​, có K-1 hệ thống tuyến tính thưa thớt phải giải quyết, K tổng số nhãn f Ưu nhược điểm phương pháp: Phương pháp có số giải thuật chạy nhanh đồng thời hoạt động tốt với nhiều biến thể nhỏ Nhưng gặp khó khăn việc thu thập điểm mầmvà không phân đoạn miền miền có độ bất thường không chênh lệch lớn điều kiện bệnh lý theo cấu trúc lân cận Phương pháp sử dụng trường hợp có cấu trúc bình thường, các miền có tiếng ồn tối thiểu, bất thường tối thiểu 3.2.3 Phương pháp phân đoạn dựa hình dạng (Lung Segmentation Class using Shaped-based methods) a Phương pháp phân đoạn dựa hình dạng: Gần đây, việc sử dụng thông tin hình dạng trước quan giải phẫu phổi trở nên phổ biến phân chia hình ảnh y học, đặc biệt phân đoạn quan với bất thường thích cách sử dụng kĩ thuật dựa ngưỡng chuẩn Những kĩ thuật dựa hình dạng lấy cách tiếp cận dựa atlas cách tiếp cận dựa mô hình để tìm ranh giới phổi 17 Hình 3.7: Sơ đồ tổng quan chung phương pháp tiếp cận dựa hình dạng để phân đoạn phổi.[1] Hình 3.7 cho thấy tổng quan chung phương pháp phân chia phổi dựa hình dạng Trong tổng quan này, kết hợp phương pháp dựa mô hình atlas vào lớp dựa hình dạng rộng hai chia sẻ chi tiết thuật toán ngữ nghĩa tương tự Hơn nữa, ưu điểm nhược điểm việc sử dụng hai phương pháp tương tự mặt hiệu suất phân đoạn hiệu thời gian b Các phương pháp phân đoạn dựa đồ (Atlas-based Methods) Các phương pháp dựa đồ sử dụng thông tin hình dạng trước quan đích để nhận biết phân định Một atlas bao gồm hình mẫu CT nhãn tương ứng vùng ngực Để thực phân đoạn, hình mẫu đăng ký với hình ảnh đích; Một xếp hoàn thành, nhãn atlas truyền lên hình ảnh đích (Hình 3.8) 18 Hình 3.8: Phương pháp tiếp cận dựa đồ để phân đoạn phổi [1] Phương pháp tiếp cận dựa đồ thường bắt đầu với khuôn mẫu quan đích (a) Thuật toán đăng ký hình ảnh sau sử dụng để chỉnh khuôn mẫu với hình ảnh đích cho khuôn mẫu biến đổi hình học thành hình ảnh đích để xác định mô phổi (b) Cần lưu ý việc đăng ký (alignment) vấn đề khó khăn xấu, nhiều phương pháp đăng ký có sẵn với độ xác submillimeter Các phương pháp dựa đồ tìm thấy có ích phân chia phổi với dị tật nhẹ đến trung bình; Tuy nhiên, đồ giải phẫu đại diện mạnh thường khó tạo biến đổi biến thể lớn khác biệt liên quan đến tình trạng bệnh lý Ví dụ, trường hợp chúng vẹo cột sống khó phân tích atlas tạo cách sử dụng quần thể gai bình thường (Hình 3.9) Hình 3.9: Ví dụ giới hạn phương pháp dựa hình dạng [1] 19 Bởi phương pháp tiếp cận phân khúc dựa hình dạng giả định cấu trúc giải phẫu định cho phổi, phổi bệnh lý với thay đổi hình dạng định phân đoạn sai Trong trường hợp nghiêm trọng chứng vẹo cột sống, phương pháp dựa vùng ngưỡng thực tốt (b), thất bại quan sát phương pháp dựa hình dạng (a), với ranh giới phổi phải (đường viền màu xanh lục) kéo dài qua cột sống (Mũi tên bên trái) có ranh giới phổi trái (đường viền màu xanh lục) kéo dài phần bên trái bụng (mũi tên bên phải) c Các phương pháp phân đoạn dựa mô hình (Model-based Methods) Các phương pháp dựa mô hình sử dụng thông tin hình dạng trước, tương tự cách tiếp cận dựa đại hình; Tuy nhiên, để phù hợp với biến dạng hình dạng, phương pháp dựa mô hình phù hợp với hình dạng thống kê mô hình hình ảnh phổi với hình ảnh cách sử dụng thủ tục tối ưu hóa Mục tiêu mô hình để đối phó với thay đổi quan đích xem xét Về bản, hình dạng dự kiến ​và cấu trúc mức xám địa phương đối tượng đích hình ảnh sử dụng để lấy trình phân đoạn phương pháp Việc phân tích hoàn tất mô hình tìm thấy phù hợp tốt cho liệu CT phân đoạn Cách tiếp cận dựa mô hình cách tự nhiên thuộc chiến lược từ xuống dưới, việc nhận dạng phân theo sau Không giống phương pháp tiếp cận cấp thấp khác phương pháp tiếp cận theo ngưỡng khu vực, phương pháp dựa mô hình xem xét biến động toàn cầu địa phương hình dạng kết cấu Do phương pháp coi có hiệu việc xử lý vấn đề phân chia phổi không bình thường Đặc biệt, tính chất xác suất việc đo lường biến thiên bước đào tạo, kiến thức chuyên môn nắm bắt hệ thống, phương pháp dựa mô hình hoạt động tốt việc xử lý dị tật nhẹ đến trung bình thay đổi thể Mặt khác, tương tự phương pháp dựa đồ, mô hình trước đại diện cho nhân học đa dạng thường khó tạo Cuối cùng, thiếu sót tiếng phương pháp tiếp cận theo mô hình, thất bại phân chia tránh khỏi mô hình không bắt đầu gần đủ đến ranh giới thực tế phổi d Snakes, Active Contours Level Sets: Các phương pháp phân chia hình ảnh dựa ranh giới Snakes, Active Contours Level Sets xem xét phương pháp phân đoạn dựa hình dạng tổng quan Các thuật toán sử dụng rộng rãi để định vị ranh giới đối tượng đường biên xác định miền hình ảnh di chuyển ảnh hưởng lực bên đến từ bên đường cong lực bên tính từ liệu hình ảnh Các lực bên bên xác định để đường biên phù hợp với ranh giới đối tượng đặc tính mong muốn khác hình ảnh Đối với 20 phân đoạn phổi hình ảnh CT tài liệu, có vài nhóm nhà điều tra sử dụng Snakes Level Sets Mặc dù phương pháp mong muốn hiệu điểm khởi tạo đặt gần ranh giới xác, phương pháp thường thất bại khởi tạo thuật toán không gần với ranh giới thực tế Hơn nữa, có tình trạng bệnh lý xảy bên ruột phổi, phương pháp dễ dàng hội tụ thành ranh giới phổi không xác tiến triển đường biên dừng lại vùng bệnh lý mà không hội tụ vào ranh giới phổi Khả lặp lại phương pháp phân chia dựa hình dạng năm lớp phân đoạn phổi hầu hết phương pháp phân chia dựa hình dạng yêu cầu khung đăng ký địa hoá mô hình vào hình ảnh đích vị trí ban đầu Mô hình thông số đăng ký ảnh hưởng đáng kể đến kết phân tích Hiệu phương pháp phân chia dựa hình dạng dựa hiệu thuật toán đăng ký địa phương, thường nhiều thời gian so với mong muốn thường thấy phòng khám e Ưu nhược điểm phương pháp: Phương pháp sử dụng điều kiện bệnh lý bất thường phản đối phân chia giải phẫu bình thường Phương pháp có ưu điểm thực phân đoạn mẫu biểu đại diện tốt (bản đồ mô hình), độ xác phân khúc cao Nhưng lại có nhược điểm đào tạo đại diện tính khó tạo, tính toán cao, hiệu suất cao phụ thuộc vào tập hợp tính liệu đào tạo (set and training data) 3.2.4 Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận(Lung Segmentation Class using Neighboring anatomy-guided methods) a Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận: Các phương pháp hướng dẫn giải phẫu lân cận sử dụng bối cảnh không gian vật thể giải phẫu lân cận phổi (ví dụ, lồng xương sườn, tim, cột sống) để xác định vùng phổi có độ xác tối ưu gần Ý tưởng đằng sau việc sử dụng quan lân cận để phân đoạn phổi hạn chế không gian tìm kiếm việc tìm kiếm ranh giới tối ưu loại bỏ số kết dương tính giả mạo tự động từ phân đoạn tối ưu Ví dụ, nơi mà tim sườn sườn được, sau dễ dàng cho thuật toán phân khúc để rò rỉ vào vùng lãnh thổ (Hình 3.10) 21 Hình 3.10: Các biểu đồ sơ đồ cung cấp tổng quan phương pháp phân đoạn hướng dẫn giải phẫu học lân cận.[1] Với cách tiếp cận này, quan cá nhân xác định sở vị trí dự kiến chúng Các phương pháp hướng dẫn giải phẫu lân cận thiết kế để xử lý trường hợp, có tượng bất thường cực vật hình ảnh, khu vực phổi mô tả rõ ràng Thông tin cấu trúc giải phẫu lân cận dự kiến có tiềm lớn phân chia hình ảnh phổi tương tác đối tượng lân cận vùng phổi mạnh dự đoán Sơ đồ trình bày thể Hình 3.11 tổng quan khái niệm cốt lõi phân đoạn phổi có hướng dẫn giải phẫu học Lưu ý rằng, tương tự phương pháp tiếp cận dựa mô hình, mô hình trước cần thiết cho phổi cấu trúc lân cận chúng Hình 3.11: Sơ đồ phương pháp phân đoạn hướng dẫn giải phẫu học lân cận[1] 22 Các phương pháp có hướng dẫn giải phẫu lân cận hữu ích việc phân chia vùng phổi, thông tin kết cấu suy giảm phân biệt không có ích cho mục đích thích Ví dụ, lượng lớn chất dịch màng phổi giãn tĩnh mạch rộng làm phân khúc đo lường không xác; Tuy nhiên, cách tiếp cận phân khúc theo hướng giải phẫu lân cận mang lại kết phân chia tối ưu gần tối ưu cách xem lồng xương sườn, tim, gan, mô mềm khác nằm gần với mô màng phổi (Hình 3.12) Hình 3.12: Các ví dụ trường hợp (một lượng lớn dịch màng phổi không lọc không gian), phương pháp phân chia có hướng dẫn giải phẫu lân cận tạo phác đồ phổi thành công (đường màu đỏ) trục (a-c) hình ảnh CT (d-f) [1] 23 Do thành công phương pháp tiếp cận phân khúc có hướng dẫn giải phẫu học lân cận việc phân chia trường hợp có thách thức liên quan đến bất thường phổi, tiến hành nhiều công việc lĩnh vực phương pháp tiếp cận phân khúc theo hướng giải phẫu lân cận phát triển ngày phát triển Mặc dù phương pháp hướng dẫn giải phẫu lân cận xác hiệu chúng phụ thuộc vào giả thiết bất thường cấu trúc lân cận phổi (ví dụ, lồng xương sườn, tim, cột sống) khó đảm bảo có nhiều khu vực bệnh quan lân cận vùng phổi bệnh lý Hơn nữa, hiệu phương pháp nhiều phụ thuộc vào số lượng phát bệnh lý có phổi (khu vực bệnh lý lớn hơn, thuật toán chậm hơn) b Ưu nhược điểm phương pháp: Phương pháp sử dụng để xác định phân loại tràn dịch màng phổi tá tràng Nó hoạt động tốt trường hợp mà ma trận suy giảm thất bại lại có chi phí tính toán cao, tình trạng bệnh lý trầm trọng thiếu xác (ví dụ làm mờ toàn hemithorax) 3.3 Phương pháp đánh giá kết quả: 3.3.1 Phương pháp định tính: Để so sánh định tính, cần thăm dò, mô tả giải thích vùng phân đoạn dựa vào bác sĩ, chuyên gia có kinh nghiệm, nhận thức, phát nhằm đưa kết luận hợp lý cho ảnh y khoa phân tích 3.3.2.​ ​Phương pháp định lượng: Để so sánh định lượng, giống kết phân đoạn cài đặt sẵn cảnh thật đo cách sử dụng chuẩn hóa chồng a0 = | R∩G (3.21) R∪G | Trong R tập hợp điểm ảnh gán cận cảnh từ kết phân đoạn ảnh G tập hợp điểm ảnh thật Ở sử dụng độ xác phân đoạn ảnh Đối vơi thí nghiệm này, chọn hình ảnh tự nhiên với vùng kết cấu cao với có phân phối màu sắc tương tự cận cảnh cảnh 24 CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ: 4.1 Tập liệu test: Tập liệu test lấy từ: https://veet.via.cornell.edu/cgi-bin/datac/signon.cgi Ảnh CT phổi đầu vào: Hình 4.1: Ảnh CT phổi.[7] 4.2 Thí nghiệm: Thí nghiệm thực giải thuật region growing để phân đoạn ảnh CT phổi Ảnh đầu vào hình 4.1 Kết ảnh đạt sau phân đoạn : Hình 4.2: Ảnh phân đoạn từ ảnh 4.1 25 4.3 Đánh giá kết quả: Mặc dù trình lan truyền chậm chúng em tối ưu giải thuật để cải thiện tốc độ xử lý Bốn giai đoạn trình chạy thực nghiệm: (a) (b) (c) (d) Hình 4.3: Quá trình tiến hành thí nghiệm 26 CHƯƠNG 5: KẾT LUẬN 5.1 Kết đạt được: Học thêm kiến thức xử lý ảnh, vận dụng kiến thức vào việc đọc hiểu phương pháp phân đoạn ảnh nghiên cứu gần Đề tài dừng lại nghiên cứu, đánh giá vài phương pháp phân đoạn mới, có kết khả quan Đồng thời thực số ví dụ đơn giản phân đoạn ảnh CT phổi 5.2 Ưu nhược điểm thực tập tốt nghiệp: Ưu điểm: Đầu tiên học tác phong làm việc chuyên nghiệp từ giảng viên hướng dẫn Đồng thời, tích lũy thêm kinh nghiệm làm việc nhóm cách tìm hiểu đề tài nghiên cứu khoa học Nhược điểm: Thời gian nghiên cứu có hạn nên chúng em không đủ thời gian nghiên cứu toàn giải thuật phương pháp 5.3 Hướng mở rộng tương lai: Hướng phát triển tìm phương pháp tối ưu cách phối hợp phương pháp tìm hiểu trên, từ thực phương pháp luận văn tương lai, nâng cao hiệu xử lý ảnh CT chuẩn đoán số bệnh lý phổi 27 T ​ ÀI LIỆU THAM KHẢO: [1] Segmentation and Image Analysis of Abnormal Lungs at CT: Current Approaches, Challenges, and Future Trends (Awais Mansoor, PhD; Ulas Bagci, PhD; Brent Foster, BSc; Ziyue Xu, PhD; Georgios Z Papadakis, MD; Les R Folio, DO, MPH; Jayaram K Udupa, PhD; Daniel J Mollura, MD) [2] Luận văn Phân tích số phương pháp phân đoạn giám sát Nguyễn Văn Thành [3] Hu S, Hoffman EA, Reinhardt JM Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images IEEE Trans Med Imaging 2001;20(6):490–498 [4] Wang J, Li F, Li Q Automated segmentation of lungs with severe interstitial lung disease in CT Med Phys 2009;36(10):4592–4599 [5] Serre T, Wolf L, Bileschi S, Riesenhuber M, Poggio T Robust object recognition with cortex-like mechanisms IEEE Trans Pattern Anal Mach Intell 2007;29(3):411–426 [6] Marr D, Ullman S, Poggio T Bandpass channels, zerocrossings, and early visual information processing J Opt Soc Am 1979; 69(6) : 914 – 916 [7] ​https://veet.via.cornell.edu/cgi-bin/datac/signon.cgi 28 ... nhiều phương pháp phân đoạn CT, chọn bốn phương pháp để nghiên cứu: - Phương pháp phân đoạn ảnh dựa vào ngưỡng (Lung Segmentation Class using Thresholding-based methods) - Phương pháp phân đoạn ảnh. .. (c) Phân đoạn cuối (vùng đen) b Flowchart phương pháp phân đoạn ảnh theo miền: Đối với phân đoạn theo vùng, trình phân đoạn ảnh tiến hành hình 3.5 Sơ đồ: Hình 3.5: Flowchart phương pháp phân đoạn. .. hương pháp phân đoạn ảnh dựa vào miền: Vấn đề phương pháp phân đoạn theo miền phụ thuộc vào điểm ảnh lân cận khu vực có giá trị tương tự Phương pháp tiếng phân đoạn theo miền có lẽ phương pháp