Phân đoạn các vùng tế bào trong ảnh y sinh

CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG-HCM Cán hướng dẫn khoa học: (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày tháng năm Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỊNG TRƯỞNG KHOA ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Duy Tân .MSHV:12214229 I TÊN ĐỀ TÀI: PHÂN ĐOẠN CÁC VÙNG TẾ BÀO TRONG ẢNH Y SINH Ngày, tháng, năm sinh: 23/11/1989 Nơi sinh: Quảng Bình Chuyên ngành: Kỹ thuật điện tử Mã số: 605270 II NHIỆM VỤ VÀ NỘI DUNG: Hiện thực hoá giải thuật phân đoạn ảnh y sinh dựa nguyên lý lan truyền tế bào tự động Hệ thống có khả khởi tạo vùng định danh hỗ trợ cho việc phân đoạn ảnh giúp cho trình phân đoạn thực cách tự động III.NGÀY GIAO NHIỆM VỤ : (Ghi theo QĐ giao đề tài) 15/08/2016 IV NGÀY HOÀN THÀNH NHIỆM VỤ: (Ghi theo QĐ giao đề tài) 04/12/2016 V CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): Tiến sĩ Truơng Công Dung Tp HCM, ngày tháng năm 20 CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM BỘ MÔN ĐÀO TẠO (Họ tên chữ ký) TRƯỞNG KHOA (Họ tên chữ ký) Ghi chú: Học viên phải đóng tờ nhiệm vụ vào trang tập thuyết minh LV Lời cảm ơn Trước tiên xin gửi lời cảm ơn đến tiến sĩ Trương Công Dung Nghi, giảng viên trường Đại học Bách Khoa TP.HCM, người giảng dạy trực tiếp hướng dẫn thực luận văn Cô giúp xác định phương hướng giải vấn đề khó khăn phát sinh q trình thực luận văn Tơi xin cảm ơn thầy, cô ttong khoa Điện - Điện tử trường Đại học Bách Khoa TP.HCM giảng dạy, truyền đạt kiến thức kinh nghiệm cho học viên khác Xin cảm ơn Ban Giám Hiêu nhà trường, anh, chị phòng đào tạo sau đại học, thư viện tạo điều kiện thuận lợi cho học tập nghiên cứu trường Tôi xin gửi lời cảm ơn tới bạn học viên cao học ngành Kỹ thuật điện tử, khố 2013 đồng hành tơi, chia kiến thức, ý tưởng học tập, nghiên cứu Cuối cùng, tơi xin cảm ơn gia đình mình, người ủng hộ, thúc đẩy suốt trình Tơi xin chân thành cảm ơn! Tóm tắt luận văn Ngày nay, xử lý ảnh áp dụng rộng rãi nhiều lĩnh vực điều khiển tự động, nhận dạng, robot cho thấy hiệu Quá ttình xử lý ảnh trải qua nhiều bước khác tùy theo mục đích việc xử lý Một bước quan trọng ttong q trình xử lý ảnh phân đoạn ảnh Phân đoạn ảnh đóng vai trò bước để áp dụng thao tác mức cao nhận dạng đối tượng, theo dõi đối tượng, biểu diễn hình ảnh Bước phân đoạn ảnh thực không tốt dẫn đến sai lầm đối tượng cần nhận dạng, theo dõi hiển thị Trong lĩnh vực y học, phân đoạn ảnh nói chung ảnh tế bào nói riêng nhận quan tâm lớn thu hút nhiều nghiên cứu đến thời điểm Hiện nay, nhiều phương pháp phân đoạn ảnh y sinh đòi hỏi khả quan sát, đánh giá tương tác người giám sát (chuyên viên y tế) Người giám sát yêu cầu đánh dấu vùng cần quan tâm Các vùng lại phân đoạn dựa thông tin từ vùng chọn Tuy nhiên, có nhiều dối tượng cần phân đoạn ảnh, chẳng hạn ảnh chụp tế bào, điều nhiều thời gian yêu cầu tập trung cao chuyên viên y tế Vì phân đoạn ảnh y sinh không tương tác hướng phát triển đầy hứa hẹn Luận văn trình bày phương pháp cải tiến giải thuật lan truyền tế bào phép phân đoạn tự động tế bào ảnh y sinh Giải thuật lan truyền tế bào giải thuật có tương tác, người giám sát ban đầu cần sô điểm ảnh thuộc "đối tượng"và "nền"để thực phân đoạn Các điểm gọi seeds Việc phân đoạn đạt cách lan truyền từ diem seeds đến điểm ảnh khác toàn ảnh dược phân đoạn Đối với ảnh tế bào, việc chọn điểm seeds nhiều nỗ lực Phương pháp cải tiến mà luận văn thực giúp chọn điểm seeds mà không cần tương tác người giám sát Đầu tiên giải thuật K-means áp dụng để phân cụm điểm ảnh Tiếp đó, mơ hình trộn Gauss (GMM) dùng để ước lượng mơ hình phân bố điểm ảnh ảnh Từ cho phép ước lượng điểm ảnh nhiều khả thuộc đối tượng, cụ thể vùng nhân tế bào, điểm ảnh thuộc Đây điểm seeds sử dụng cho giải thuật lan truyền tế bào Luận văn sử dụng hai liệu ảnh tế bào Serous cytology Bronchial cytology với kết phân đoạn tin cậy (ground-truth) cung cấp sẵn để đánh giá khả phân đoạn phương pháp đề xuất Thử nghiệm giải thuật Serous cho kết độ nhạy, độ đặc trưng, độ xác trung bình 0.81, 0.96, 0.74; Bronchical cho kết 0.78, 0.98, 0.77 Luận văn thử nghiệm giải thuật số ảnh MRI chụp tim não Kết phân tách vùng cần quan tâm Tuy nhiên đặc điểm phức tạp ảnh MRI, kết phân đoạn phụ thuộc vào cách chọn điểm seeds ban đầu Luận văn trình bày với chương sau: Chương 1: Giới thiệu tổng quan đề tài Chương 2: Tổng quan phương pháp phân đoạn ảnh y sinh Chương 3: Các sở lý thuyết thuật toán áp dụng vào đề tài Chương 4: Thực đề tài, sơ đồ giải thuật thực Chương 5: Kết đánh giá đề tài hướng phát triển đề tài Abstract This thesis implement a algorithm for non-interactive segmentation of cells images based on a combination of K-means algorithm, mixed Gaussian model (GMM) and Cellular automata (CA) Fkstly, K-means algorithm is applied to cluster the pixels in the image Next, the mixed Gaussian model (GMM) is used to estimate the distribution pattern of the pixels that allows the pixels to estimate the most likely belongs to the object (cell nucleus) or background These pixels will be used as input for Cellular automata algorithm to segment remain pixels The algorithm is tested on two sets of image, Serous cytology and Bronchial cytology with available ground-truth The sensitivity, specificity, accuracy average for set of Serous cytology are 0.81, 0.96, 0.74; and for set of Bronchical cytology are 0.78, 0.98, 0.77 The algorithm also tested on some MRI images The thesis is structured as follows: Chapter 1: Introduction Chapter 2: Overview of cells image segmentation technique Chapter 3: Background and Algorithms Chapter 4: Algorithm implementation Chapter 5: Results and conclusions Lời cam đoan Tôi xin cam đoan số liệu kết nghiên cứu luận văn trung thực Mọi giúp đỡ cho việc thực luận văn cảm ơn; thơng tin trích dẫn luận văn rõ nguồn gốc phép cơng bố Tơi xin chịu hồn tồn trách nhiệm lời cam đoan không thật TP.HCM, ngày .tháng năm Học viên thực Mục lục Danh sách bảng iv Danh sách hình vẽ V GIỚI THIỆU ĐỀ TÀI 1.1 Đặt vấn đề 1.2 lình hình nghiên cứu phân đoạn ảnh y sinh 1.3 Phương pháp phân đoạn thực 11 1.4 Bộ liệu ảnh 12 TỔNG QUAN CÁC PHUƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH 15 2.1 Lấy ngưỡng 15 2.1.1 Lấy ngưỡng toàn cục 16 2.1.2 Lấy ngưỡng cục 17 2.2 Phân đoạn dựa vào đường biên 18 2.2.1 Phương pháp Gradient 19 2.2.2 Phương pháp Canny 22 MỤC LỤC 2.2.3 Phương pháp Laplacian 23 2.3 Region growing 25 2.4 Chia hợp vùng 25 2.5 Phân cụm (Clustering) 26 2.6 Phương pháp phân loại 27 2.7 Các phương pháp phân đoạn khác 28 2.8 Thống kê phương pháp phân đoạn ảnh sử dụng 28 CƠ SỞ LÝ THUYẾT VÀ GIẢI THUẬT 31 3.1 Không gian màu 31 3.1.1 Không gian màu RGB 32 3.1.2 Không gian màu HSV 33 3.2 Giải thuật phân cụm K-means 34 3.3 Mơ hình trộn Gauss 37 3.4 Thuật toán cực đại hóa kỳ vọng 38 3.5 Thuật toán Graph Cuts 40 THỰC HIỆN PHÂN ĐOẠN ẢNH Y TE 43 4.1 Giải thuật phân đoạn ảnh dựa nguyên lý lan truyền tế bào tự động 43 4.2 Kết phân đoạn có tương tác 45 4.3 Cải tiến giải thuật với ước lượng mặt nạ tự động 48 4.4 Kết ước lượng mặt nạ tự động 50 MỤC LỤC KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN 53 5.1 Kết phân đoạn liệu Serous 53 5.2 Kết phân đoạn liệu Bronchial 54 5.3 Đánh giá kết 55 5.4 Đánh giá thời gian xử lý 61 5.5 Thử nghiệm với ảnh MRI 62 5.6 Kết luận 64 5.7 Hướng phát triển 66 Tài liệu tham khảo 67 CHƯƠNG 5, KẾT QUẢ VÀ HƯÔNG PHÁT TRIỂN Hình 5.8: Kết phân đoạn ảnh liệu Serous • • •••? J ■ I* -•■dPI • • •• • 57 (a) Kết phân đoạn (b)quả Ground-truth (&) Kết phân đoạn (b) Ground-truth Hình 5.10: Kết phân đoạn ảnh 10 ỉĩệu Serous (a) Kết phân đoạn (b) Ground-truth Hình 5.11: Kết phân đoạn ảnh liệu Bronchial (a) Kết phân đoạn (b) Ground-truth Hình 5.12: Kết phân đoạn ảnh liệu Bronchial (a) Kết phân đoạn (b) Ground-truth Hình 5.13: Kết phân đoạn ảnh liệu Bronchial (a) Kết phân đoạn (b) Ground-truth Hình 5.14: Kết phân đoạn ảnh liệu Bronchial (a) Kết phân đoạn (b) Ground-truth Hình 5.15: Kết phân đoạn ảnh liệu Bronchial đoạn cố cắc giá trị độ nhạy, độ đặc trưng, độ xác cao việc phân đoạn tốt Số liệu kết phân đoạn cho bảng 5.1 bảng 5.2 Các số liệu TP, (&) Kết phân đoạn (b) Ground-truth Hình 5.16: Kết phân đoạn ảnh liệu Bronchial TN, FP, FN có cách đếm số lượng điểm ảnh có ý nghĩa tương ứng kết phân đoạn so sánh vối ground-truth Bộ liệu Serous phân đoạn tốt Độ xác cao đạt với ảnh 8,9,10 - 0.95 Vối liệu Bronchical độ xác thấp hơn, đạt khoảng từ 0.6 đến 0.7 Các số liệu cho thấy phù hợp vớỉ nhận xét đỉnh tính phần trước Ảnh TP TN FP FN Độ nhạy Độ đặc trứng Độ xác 47,985 191,436 10,266 12,457 0.79 0.95 0.82 29,429 223,933 5,719 3,063 0.91 0.98 0.84 13,021 243,045 2,613 3,465 0.79 0.99 0.83 35,161 211,275 12,748 2,960 0.92 0.94 0.73 22,985 216,356 7,548 15,255 0.60 0.97 0.75 4,686 254,364 151 2,943 0.61 1.00 0.97 9,642 237,190 1,420 13,892 0.41 0.99 0.87 17,196 237,391 251 7,306 0.70 1.00 0.99 23,427 230,269 410 8,038 0.74 1.00 0.98 10 8,796 382 4,667 0.65 1.00 0.96 248,299 Bảng ỉ: Đánh giá kết phân đoạn liệu Serous CHƯƠNG KẾT QUẢ VẢ HƯÔNG PHÁT TRỉỂN Ảnh TP TN FP FN Độ nhạy Độ đặc trưng Độ xác 16,079 399,873 10,076 5,620 0.74 0.98 0.61 17,079 399,234 5,718 9,617 0.64 0.99 0.75 4,750 419,264 1,018 6,616 0.42 1.00 0.82 18,288 394,774 5,424 13,162 0.58 0.99 0.77 1,966 426,381 777 2,524 0.44 1.00 0.72 8,591 412,497 7,432 3,128 0.73 0.98 0.54 Bảng 5.2: Đánh giá kết phân đoạn liệu Bronchical 5.4 Đánh giá thời gian xử lý Giải thuật phân đoạn thực với Matlab 20lóa máy Mac OS Sierra, 16Gb, CPU Intel Core Ì7 Thời gian xử lý phân đoạn tự động liệu Serous Bronchial cho bảng 5.3 5.4 Ảnh Kích thước Thời gian xử lý (giây) 512x512 0.37 512x512 0.34 512x512 0.32 512x512 0.48 512x512 0.28 512x512 0.50 512x512 0.47 512x512 0.35 512x512 0.62 10 512x512 0.30 Bảng 5.3: Thời gian xử lý phân đoạn liệu Serous Thời gian xử lý trung bình cho Serous Bronchial 0.4 0.5 giây Thời gian xử lý nhanh so vối thời gian phân đoạn chọn mặt nạ tay (trên 10 giây) Điều khỉ chọn mặt nạ tay, có số điểm seeds Ảnh Kích thước Thời gian xử lý (giây) 752x574 0.41 752x574 0.49 752x574 0.35 752x574 0.72 752x574 0.47 752x574 0.50 Bảng 5.4: Thời gian xử lý phân đoạn liệu Bronchical chọn ban đầu số lượng điểm ảnh chưa phân đoạn nhiều Do giải thuật lan truyền tế bào (được thực vòng lặp lòng nhau) nhiều thời gian để phân đoạn hết số lượng điểm ảnh Ngược lại, với ước lượng mặt nạ tự động, số lượng điểm ảnh phân đoạn ban đầu nhiều, số lượng nhỏ điểm ảnh chưa phân đoạn Do giải thuật lan truyền tế bào thực nhanh phải thực số lần lặp Việc tạo mặt nạ tự động yêu cầu thực thêm giải thuật K-means ước lượng GMM Hai giải thuật có thời gian chạy nhanh nên ảnh hưởng đến thời gian xử lý tổng thể 5.5 Thử nghiệm với ảnh MRI Ảnh MRI ảnh máy cộng hưởng từ hạt nhân MRI tạo Các lý thuyết kỹ thuật chụp ảnh cộng hưỏng từ dời từ sau chiến tranh giới thứ phải đến năm 1990, nhờ tiến lỉnh vực máy tính, chương trình điều khiển, lưu trử, xử lý ảnh, chụp ảnh cộng hưởng từ trở nên phổ biến ứng dụng rộng rãi Ngày nay, chụp ảnh cộng hưởng từ trở thành phương pháp chẩn đốn, an tồn (so với X-quang) chữa bệnh Máy cộng hưởng từ MRI hoạt động dựa tượng cộng hưởng từ hạt nhân nguyên tử Mỗi hạt nhân môi trường vật chất có mơmen từ tạo spin (xoay) nội Các hạt nhân xếp cách ngẫu nhiên từ trường chúng triệt tiêu lẫn khơng có từ trường dư để ghi nhận Khi có CHƯƠNG KẾT QUẢ VÀ HƯỚNG PHÁT TRIEN từ trường mạnh tác động từ bên ngồi, mơmen từ hạt nhân hàng song song hướng ngược hướng từ trường Ngoài chúng chuyển động dần chung quanh hướng từ trường bên ngồi Các vec tơ từ hạt nhân hàng song song chiều với hướng từ trường bên ngồi có số lượng lớn vectơ từ hạt nhân nhân hàng ngược chiều chúng triệt tiêu cho hết Do đó, có từ hoá vật thể theo hướng từ trường bên Khi từ trường bên biến mất, moment từ hạt nhân trờ vị trị ban đầu Q trình phát sóng điện từ có tính chất phụ thuộc vào mật độ proton vật chật xung quanh Phân tích thơng tín tín hiệu phản hồi này, người ta tạo ảnh số đối tượng chụp [36] Thông thường, ảnh cộng hưởng từ tập hợp ảnh chụp theo chiều - chiều khơng gian chiều thời gian Hình 5.17 ảnh MRI trích từ ảnh chụp tim Hình 5.18 ví dụ khác ảnh MRI chụp não Có thể thấy ảnh MRI có nhiều chi tiết phức tạp Nhiều vùng có giá trị cường độ lại thuộc đối tượng khác Do đó, việc ước lượng mặt nạ tự động hiệu Tuy nhiên thực tế ttong trương hợp này, người giám sát (nhân viên y tế) thường quan tâm đến số vùng bất thường hình Khi đó, phương thức phân đoạn có tương tác tỏ phù hợp hoạt động tốt Hình 5.17: Ví dụ ảnh MRI chụp tim Hình 5.19, 5.20, 5.21 số kết phân đoạn với giải thuật lan truyền tế bào có tương tác Nhân viên y tế thực khoang vùng quan tâm (đường viền màu xanh) vùng biên (đường viền màu đỏ) Nhìn chung, giải thuật phân đoạn dược vùng quan tâm khỏi vùng khác ° f • (a) Mặt nạ ar r (b) Kết Hình 5.18: Ví dụ ảnh MRI chụp não Hình 5.19: Kết phân đoạn ảnh MRI Nhưng kết phụ thuộc nhiều vào việc đánh dấu vùng quan tâm vùng biên Cách để có kết phân đoạn tốt đánh dấu khoang vùng gần với đường giúp giảm thời gian chạy chương trình biên vùng quan tâm Việc 5.6 cải thiện khả phân đoạn mà Kết luận Luận văn trình bày phương pháp phân đoạn khơng tương tác cho phép phân đoạn tự động ảnh tế bào ảnh y sinh Phương pháp phân đoạn dựa phân lớp K-mean, mơ hình hình trộn Gauss giải thuật lan truyền tế bào Giải thuật CHƯƠNG KẾT QUẢ VẢ HƯÔNG PHÁT TRIỂN (b) Kết (a) Mặt nạ Hình 5.20: Kết phân đoạn ảnh MRI (a) Mặt nạ (b) Kết Hình 5.21: Kết phân đoạn ảnh MRI K-mean mơ hình trộn Gauss dùng để ước lượng mặt nạ tự động cho giải thuật lan tuyền tế bào Đầu tiên, giải thuật K-mean kết hợp với mơ hình trộn ơauss ước lượng sơ điểm thuộc hay đối tượng Cắc điểm ảnh sử dụng làm cắc điểm khởi đầu (seeds) cho giải thuật lan truyền tế bào bước phân đoạn Các lý thuyết giải thuật liên quan trình bày Phương pháp phân đoạn thử nghiệm vối hai liệu ảnh tế bào hồng cầu Serous cytology Bronchial cytology với kết phân đoạn tin cậy (ground - truth) cho trước Kết kiểm ưa cho thấy kết phân đoạn khả quan với liệu Serous vối độ xác trung bình khoảng 0.9 Vối liệu Bronchical độ 66 CHƯƠNG KẾT QUẢ VÀ HƯỚNG PHÁT TRIEN xác thấp hơn, đạt khoảng từ 0.6 đến 0.7 Nguyên nhân màu sắc vùng nhân vùng tế bào chất liệu có tương đồng khiến việc ước lượng mặt nạ không tốt giải thuật lan truyền lan từ vùng nhân sang vùng tế bào chất dẫn đến phân đoạn hiệu hai vùng 5.7 Hướng phát triển Phương pháp đề xuất luận văn số điểm hạn chế chưa kết hợp thông tin mặt phẳng màu, liệu giới hạn kết phân đoạn với số ảnh thấp Một hướng giúp việc ước lượng mặt nạ tốt ước lượng kết hợp mặt phẳng hay không gian màu khác Việc kết hợp mặt phẳng hay không gian màu cung cấp nhiều thông tin ảnh xét tăng hiệu ước lượng Một hướng khác phân đoạn ảnh thành nhiều vùng Cụ thể với ảnh tế bào phân thành ba vùng tương ứng với vùng nhân tế bào, tế bào chất vùng tự Điều cải thiện tượng giải thuật lan truyền lan từ điểm seeds ttong nhân tế bào vùng tế bào chất Tài liêu tham khảo [1] Erik Meijering Cell segmentation: 50 years down the road IEEE Signal Processing Magazine, 29(5): 140-145, September 2012 [2] M Luessi, M Eichmann, G M Schuster,, and A K Katsaggelos Framework for efficient optimal multilevel image thresholding Journal of Electronic Imaging, 18:013004+,2009 [3] Nguyễn Vĩnh An So sánh số phương pháp phát biên Tạp chí khoa học ĐHQGHN, 31(2): 1-7, 2015 [4] Sobel operator, https://en.wikipedia.org/wiki/sobel-operator [5] Prewitt operator, https://en.wikipedia.org/wiki/prewitt-operator [6] Roberts cross, https://en.wikipedia.org/wiki/roberts-cross [7] Canny edge detector, https://cn.wikipcdia.org/wiki/canny-cdgc-dctcctor [8] Wikipedia, https://cn.wikipcdia.org/wiki/k-mcans-clustcring [9] Wikipedia https://vi.wikipcdia.org/wiki/mơ-hình-màu-rgb [10] Yuri Y Boykov and Maric-Picrrc Jolly Interactive graph cuts for optimal boundary & region segmentation of objects in n-d images Proceedings oflntemation Conference on Computer Vision, 1:105, July 2001 [11] B Alberts, A Johnson, J Lewis, M Raff, K Roberts, and p Walter Molecular biology of the cell Garland Science, 2007 [12] YC Vonesch, F Aguet, J.-L Vonesch, and M Unser The colored revolution of bioimaging IEEE Signal Processing Magazine, 23(7):20-31, May 2006 TÀI LIỆU THAM KHẢO [13] J R Swedlow and K w Eliceiri open source bioimage informatics for cell biology Trends in Cell Biology, 19(11):656-660, November 2009 [14] J Rittscher Characterization of biological processes through automated image analysis Annual Review of Biomedical Engineering, 12:315-344, August 2010 [15] G Danuser Computer vision in cell biology Cell, 147(5):973-978, November 2011 [16] E.Bengtsson, C.Wahlby, and J.Lindblad Robust cell images egmentation methods Pattern Recognition and Image Analysis, 14(2): 157-167, May 2004 [17] w E Tolles The cytoanalyzer — an example of physics in medical research Transactions of the New York Academy of Sciences, 17(3):250-256, January 1955 [18] J M s Prewitt and M L Mendelsohn The analysis of cell images Annals of the New York Academy of Sciences, 128(3): 1035-1053, January 1966 [19] E Meijering Neuron tracing in perspective Cytometry Part A, 77(7):693-704, July 2010 [20] M N Gurcan, L Boucheron, A Can, A Madabhushi, N Rajpoot, and B Yener Histopathological image analysis: A review IEEE Reviews in Biomedical Engineering, 2(3): 147-171, December 2009 [21] Q Wu, F A Merchant, and K R Castleman Microscope image processing Academic Press, Burlington, 2008 [22] J Von Neumann and A.W Burks; Theory of self-reproducing automata University of Illinois Press Champaign, 1966 [23] s Wolfram Cellular automata and complexity Addison-Wesley, 1994 [24] M Gardner The fantastic combinations of john Conway’s new solitaire game “life” Scientific American, page 120-123, 1970 [25] K Preston and M.J.B Duff Modern cellular automata-theory and applications Plenum Press, 1984 TÀI LIỆU THAM KHẢO [26] C.R Dyer and A Rosenfeld Parallel image processing by memory-augmented cellularautomata IEEE Transactions on Pattern Analysis and Machine Intelligence, 3(1):29-41,1981 I LÝ LỊCH TRÍCH NGANG Họ tên: Nguyễn Duy lần Ngày, tháng, năm sinh: 23/11/1989 Nơi sinh: Quảng Bình Địa liên lạc: 602/30 Đồng Đen, phường 14, quận lần Bình, TP.HCM II QUÁ TRÌNH ĐÀO TẠO ĐẠI HỌC: Thời gian đào tạo: 09/2007 - 12/2012 Hệ đào tạo: Đại học quy Nơi đào tạo: Đại học Bách Khoa - Đại học Quốc gia TP.HCM Ngành học: Điện tử - Viễn thông THẠC SĨ: Thời gian đào tạo: 01/3013 đến Nơi đào tạo: Đại học Bách Khoa - Đại học Quốc gia TP.HCM Ngành học: Kỹ thuật điện tử II QUÁ TRÌNH CƠNG TÁC Thời gian cơng tác: 2012 đến Nơi cơng tác: Tạp đồn viễn thơng qn đội Viettel Vị trí: Kỹ sư hệ thống mạng ... vào phân đoạn tế bào 1.3 Phương pháp phân đoạn thực Luận văn thực phương pháp cải tiến giải thuật lan truyền tế bào phép phân đoạn tự động tế bào ảnh y sinh Giải thuật lan truyền tế bào y u cầu... cứu hàng năm phân đoạn ảnh y tế [1] 10 1.2 Ảnh tế bào từ liệu Serous cytology 13 1.3 Ảnh tế bào từ liệu Bronchial cytology 13 2.1 Phân đoạn ảnh với phương pháp l y ngưỡng toàn... pháp phân đoạn ảnh Chương TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH Phân vùng ảnh bước then chốt xử lý ảnh Giai đoạn nhằm phân tích ảnh thành thành phần có tính chất dựa theo biên hay vùng