Các bài toán phân vùng ảnh y khoa hướng đến mục đích cung cấp những giải pháp hỗ trợ chẩn đoán tổn thương, bệnh lý. Có nhiều ứng dụng thực tế của bài toán phân vùng ảnh y khoa như: Truy xuất hình ảnh dựa trên nội dung, xác định vị trí khối u và bệnh lý , đo khối lượng mô chẩn đoán, nghiên cứu về cấu trúc giải phẫu.
Nghiên cứu khoa học cơng nghệ THUẬT TỐN DBSCAN TRONG PHÂN VÙNG ẢNH CHỤP CT VÀ ỨNG DỤNG TRONG TRÍCH XUẤT ĐẶC TRƯNG NÃO NGƯỜI Nguyễn Thị Bích Điệp1*, Bùi Thị Hương Thơm1, Đỗ Duy Cốp2 Tóm tắt: Các tốn phân vùng ảnh y khoa hướng đến mục đích cung cấp giải pháp hỗ trợ chẩn đoán tổn thương, bệnh lý Có nhiều ứng dụng thực tế toán phân vùng ảnh y khoa như: Truy xuất hình ảnh dựa nội dung, xác định vị trí khối u bệnh lý , đo khối lượng mô chẩn đoán, nghiên cứu cấu trúc giải phẫu Đối với toán này, thuật toán DBSCAN tối ưu so với thuật toán phân cụm dùng phân vùng ảnh Dựa thuật toán phân vùng này, tác giả lựa chọn thơng số để trích xuất đặc trưng não như: mô não, cấu trúc xương, mạch máu Cấu trúc xương mạch máu có trị số đậm độ tương đương nên thu nhận ảnh có mức xám tương đương, việc xây dựng tốn phân biệt hai cấu trúc thơng qua kích thước độ tròn cần thiết cho việc xây dựng ứng dựng hỗ trợ chẩn đốn hình ảnh Từ khóa: Xử lý ảnh y tế, Phân vùng ảnh, Thuật toán phân cụm, Ảnh chụp cắt lớp điện toán ĐẶT VẤN ĐỀ Xử lý ảnh lĩnh vực khoa học công nghệ so với nhiều ngành khoa học khác Phân vùng ảnh tốn tồn q trình xử lý ảnh Có nhiều ứng dụng thực tế tốn phân vùng ảnh như: Truy xuất hình ảnh dựa nội dung; Hình ảnh y khoa: xác định vị trí khối u bệnh lý khác, đo khối lượng mơ chẩn đốn, nghiên cứu cấu trúc giải phẫu; Phát nhận dạng: Nhận dạng vân tay, nhận dạng khuôn mặt… Ảnh y học thường chụp phận bên thể người thiết bị chuyên dụng máy X-Quang chụp hộp sọ, máy chụp cắt lớp vi tính, máy chụp cộng hưởng từ, máy chụp mạch não nên ảnh thường không rõ, không sắc nét, gây khó khăn cho chuyên gia y học việc chẩn đoán bệnh Mặc dù thiết bị y tế với công nghệ ngày nâng cao để hỗ trợ cho chuyên gia y tế phân tích xử lý thông tin từ ảnh vấn đề đặt cần phải giải song song việc nâng cao chất lượng ảnh Nếu phân vùng ảnh không tốt dẫn đến sai lầm trình nhận dạng ảnh, người ta xem công đoạn phân vùng ảnh trình then chốt trình xử lý ảnh nói chung Bài báo đề cập tới việc ứng dụng thuật toán DBSCAN phân vùng ảnh vào việc phân tách ảnh chụp CT não người Qua đó, tách vùng ảnh dựa cấu trúc xương, mô não, mạch máu… để hỗ trợ chẩn đoán tổn thương bệnh lý Những vấn đề liên quan đến phân vùng ảnh y tế nhiều nhà nghiên cứu giới quan tâm Những nghiên cứu kể đến “Phân vùng ảnh MRI não người sử dụng thuật toán DBSCAN mở rộng” [1], “Phân vùng u não từ hình ảnh cộng hưởng từ (MRI), sử dụng phân nhóm với KMeans DBSCAN” [2], “Phân đoạn ảnh sử dụng thuật toán dựa mật độ” [3],v.v nghiên cứu đạt số kết phân tách vùng ảnh tự động bán tự động dựa giám sát chuyên gia Tuy nhiên, phần lớn nghiên cứu hướng đến việc phân tách ảnh chụp MRI Ảnh MRI có ưu điểm hình ảnh sắc nét ảnh CT chế tạo ảnh Tuy nhiên, với số chẩn đoán cụ thể nay, ảnh CT định nhiều từ bác sĩ thăm khám cận lâm sàng Do ưu điểm như: chụp nhanh chóng, khơng gây tiếng ồn MRI, giá thành rẻ Bởi vậy, sử dụng thuật toán phù hợp cho phân tách vùng ảnh CT, từ đưa phương pháp trích xuất đặc trưng não người, tiền đề quan trọng cho hướng Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 223 Điều khiển – Cơ điện tử - Truyền thông nghiên cứu trợ giúp chẩn đoán tổn thương bệnh lý não Với mục đích đó, nghiên cứu tập trung vào số nội dung trình bày cụ thể đây: - Đánh giá ưu điểm thuật toán phân cụm DBSCAN cho phân vùng ảnh y tế - Vấn đề trích xuất đặc trưng dựa trị số đậm độ Housfiled – trị số vấn đề liên quan đến ảnh CT - Đề xuất thuật tốn trích xuất đặc trưng não người ứng dụng DBSCAN THUẬT TỐN DBSCAN VÀ VẤN ĐỀ TRÍCH XUẤT ĐẶC TRƯNG 2.1 Thuật toán DBSCAN Thuật toán DBSCAN [5] (Density Based Spatial Clustering of Applications with Noise) Martin Ester tác giả khác đề xuất thuật toán gom cụm dựa mật độ, hiệu với sở liệu lớn, có khả xử lý nhiễu Ý tưởng thuật tốn vùng lân cận đối tượng cụm có số đối tượng lớn ngưỡng tối thiểu Hình dạng vùng lân cận phụ thuộc vào hàm khoảng cách đối tượng (nếu sử dụng khoảng cách Manhattan không gian chiều vùng lân cận có hình chữ nhật, sử dụng khoảng cách Eucler không gian chiều vùng lân cận có hình tròn) Thuật toán sử dụng khái niệm mật độ đối tượng để xây dựng cluster DBSCAN sử dụng hai tham số MinPts Eps Trong trình xây dựng cluster, DBSCAN kết nối trực tiếp “siêu cầu” có bán kính Eps mà chứa MinPts đối tượng Vùng lân cận Eps: đối tượng p (kí hiệu NEps(p)) tập hợp đối tượng q cho khoảng cách p q nhỏ Eps NEps(p) = {q∈D | dist(p,q) ≤ Eps} Minpts: mật độ - số đối tượng tối thiểu cụm Hình Quan hệ kết nối theo mật độ thuật toán DBSCAN 2.2 Đánh giá thuật toán DBSCAN so với thuật toán phân cụm khác Với ảnh đầu vào “image input”, kết phân chia vùng ảnh với thuật toán phân cụm K-means (k=2 k=3), Fuzzy-Cmeans (k=3, m=2), DBSCAN (eps=1, min=3), ta thấy DBSCAN không cần biết trước số cụm mà kết đầu khám phá cụm có hình dáng Ngồi ra, số điểm coi nhiễu bị loại thuật tốn phân cụm DBSCAN Đó ưu điểm bật thuật toán 224 N T B Điệp, B T H Thơm, Đ D Cốp, “Thuật toán DBSCAN… đặc trưng não người.” Nghiên cứu khoa học cơng nghệ Hình Sơ đồ thuật tốn DBSCAN Hình Đánh giá thuật tốn phân cụm Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 225 Điều khiển – Cơ điện tử - Truyền thông Với ảnh chụp cắt lớp điện toán não người, cấu trúc mơ não, xương, mạch máu,… ảnh thường có dạng hình tròn Đặc biệt cấu trúc xương sọ ảnh cắt lớp điện tốn có hình dạng khối tròn bao quanh cấu trúc khác Ngoài ra, phân tách vùng ảnh cắt lớp điện toán thường ảnh hưởng nhiễu Bởi vậy, việc lựa chọn thuật toán DBSCAN với ưu điểm bật khử nhiễu lựa chọn phù hợp cho toán 2.3 Vấn đề trích xuất đặc trưng Trong ảnh chụp CT não người, cấu trúc xương, mô não, mạch máu… ảnh CT đặc trưng trị số độ đậm Housfiled (HU): - Đậm độ khí: -1000 HU (mức xám 0) - Đậm độ xương:+1000 HU (mức xám 255) - Đậm độ mỡ: -1000 HU - Đậm độ mô não: 20-40 HU - Đậm độ nước: HU Khi xử lý ảnh CT, để phân biệt cấu trúc bản, ta quy mức xám cấu trúc từ đậm độ Ngồi ra, cấu trúc xương mạch máu có mức xám tương đương Chỉ thơng qua tiêu chí này, ta khơng thể phân biệt hai cấu trúc Ta cần dựa tiêu chí sau để phân biệt: Kích thước (vùng diện tích) mạch máu nhỏ so với xương Độ tròn: mạch máu có dạng gần tròn, xương khơng Vị trí mạch máu xương số vùng định ảnh Độ tương phản biên mạch máu lớn đô tương phản biên xương (nghĩa biên mạch máu không rõ ràng xương) Áp dụng hai tiêu chuẩn số cho việc phân loại Đối với kích thước: Đếm số pixel tạo nên vùng để xác định kích thước Loại bỏ có số pixel vượt trội Đối với độ tròn: tính cách so sánh diện tích chu vi đối tượng Cơng thức tính độ tròn: Với S diện tích đối tượng; P chu vi đối tượng MƠ PHỎNG, TÍNH TỐN VÀ KẾT QUẢ 3.1 Trích xuất đặc trưng não người dựa DBSCAN: Ảnh CT Ảnh đa mức xám Ảnh có vùng gán nhãn theo trị số đậm độ Ảnh có vùng gán nhãn theo cấu trúc Hình Trích xuất đặc trưng ảnh chụp CT não người Bước 1: Tiền xử lý Một ảnh CT scan định dạng DCM (chuẩn DICOM) Đây định dạng file ban đầu chưa qua thao tác xử lý hết Các file không hỗ trợ đọc ghi công cụ xử lý ảnh thông thường Do vậy, ln có bước chuyển dcm file để tiện cho việc xử lý 226 N T B Điệp, B T H Thơm, Đ D Cốp, “Thuật toán DBSCAN… đặc trưng não người.” Nghiên cứu khoa học công nghệ Quan sát ảnh chụp CT ta dễ nhận thấy khoảng màu nằm mức xám nhiều Nên trình chuyển đổi tiếp từ ảnh RGB sang ảnh xám đảm bảo cho ta thông tin đầy đủ cho thao tác phân chia vùng ảnh Bước 2: Phân chia ảnh theo cấu trúc dựa trị số đậm độ Hình định vị ảnh CT hình dùng để xác định vị trí lát cắt Ở hình định vị có đường đánh số đặt chồng lên vùng thể khảo sát Các số đánh dấu cúa đường tương ứng với số hình hay lát cắt trình bày phim CT Ta dùng hình định vị để quan sát nhanh lát cắt cần xem phim CT Hoặc ngược lại, xác định bất thường lát cắt CT nằm vị trí hình định vị Dữ liệu ảnh nghiên cứu 500 ảnh chụp CT cung cấp khoa Chẩn đốn hình ảnh, bệnh viện Đa khoa Trung ương Thái Nguyên Ta nhận thấy bệnh nhân có khoảng 20 đến 50 ảnh tương ứng với số lát cắt Tương ứng với lát cắt, ta xác định trị số độ đậm tương ứng với mức xám đặc trưng cấu trúc: Xương, mơ não, mạch máu, Qua ta xác định cấu trúc cần phân vùng Mục đích phân chia vùng ảnh chia ảnh thành nhiều vùng dựa đặc tính Ở ta chọn tiêu chí mức xám làm điều kiện phân chia vùng ảnh Bước 3: Phân chia vùng ảnh thuật toán DBSCAN Các thuật toán phân cụm làm việc tập liệu điểm rời rạc, liệu đầu vào cần xử lý ta file ảnh Vậy ta cần có bước chuyển đổi liệu phù hợp với toán đặt Khi đọc file ảnh matlab ta dùng lệnh: X= imread (‘ file path’); Khi X nhận giá trị mảng chiều (với ảnh RGB) Mỗi điểm ảnh bao gồm thông số R, G,B Ta chuyển đổi X thành ảnh xám, X nhận giá trị mảng chiều, tọa độ biểu diễn mức xám Sau đó, với nhóm chia bước 2, ta dựa vị trí (tọa độ) ảnh mà thực phân chia điểm ảnh vào nhóm Việc lựa chọn thơng số MinPts Epscho thuật tốn DBSCAN xác định tay thơng qua thuật tốn heuristics xác định thơng số Eps MinPts cho cụm có mật độ dày đặc Qua thực nghiệm, nhận thấy cấu trúc nhỏ ảnh CT chụp não mạch máu với số điểm ảnh tối thiểu 10 Kích thước ảnh cho việc xử lý cố định Vậy, tính tốn thơng số Eps thơng qua thuật tốn heuristics [5] với giá trị Minpts =10 [Eps]=epsilon(x,Minpts) [m,n function]=size(x); Eps=((prod(max(x)min(x))*Minpts*gamma(.5*n+1))/(m*sqrt(pi.^n))).^(1/n); Bước 4: Phân biệt xương mạch máu Sau bước 3, ta thu vùng đặc trưng não thông qua phân cụm theo mức xám Tuy nhiên, chưa phân biệt cấu trúc xương mạch máu Dựa vào mức xám chung xương mạch máu, ta áp dụng phần nghiên cứu trích xuất đặc trưng phân biệt xương mạch máu Dựa vào chu vi diện tích đối tượng thu được, ta tính tốn độ tròn đối tượng để phân biệt hai cấu trúc 3.2 Các kết Nhóm tác giả sử dụng 500 hình ảnh chụp cắt lớp điện toán cung cấp Khoa chẩn đoán hình ảnh, bệnh viện Đa khoa Trung ương Thái Nguyên cho nghiên cứu Với chương trình cài đặt matlab, thuật toán thực việc phân tách vùng xương mô não, phân biệt cấu trúc xương mạch máu Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 227 Điều khiển – Cơ điện tử - Truyền thông Bảng Số liệu tổng hợp cho mô ID tệp file ảnh CT Số hình định vị Số lượng ảnh mang thông tin cấu trúc não Số lượng ảnh phân vùng cấu trúc xương Số lượng ảnh phân vùng cấu trúc mô não Dcm01 Dcm02 Dcm03 Dcm04 Dcm05 Dcm06 Dcm07 Dcm08 Dcm09 Dcm010 Dcm011 Dcm012 Dcm013 Dcm014 50 32 17 34 24 34 34 36 66 34 25 38 32 44 45 30 15 30 24 30 30 35 60 30 22 35 28 41 45 30 15 30 24 30 30 35 60 30 22 35 28 41 21 24 15 13 24 10 12 27 15 11 12 10 17 Số lượng ảnh phân tách tự động cấu trúc xương mạch máu 21 24 15 13 24 10 12 27 15 11 12 10 17 Hình Phân tách cấu trúc mô não phương pháp phân vùng dựa thuật toán phân cụm DBSAN 228 N T B Điệp, B T H Thơm, Đ D Cốp, “Thuật toán DBSCAN… đặc trưng não người.” Nghiên cứu khoa học công nghệ Hình Phân tách cấu trúc xương mạch máu KẾT LUẬN Phương pháp phân chia vùng ảnh dựa thuật toán phân cụm DBSCAN hiệu với ảnh chụp CT não người Ngồi ra, việc phân tích sau phân cụm trích xuất đặc trưng dựa số đậm độ ảnh CT giúp phân tách vùng thịt cấu trúc xương, mạch máu Hướng phát triển nghiên cứu hướng đến mục tiêu phân tích tệp ảnh đầu vào, trích xuất đặc trưng ảnh CT não người, sau phân tích đưa ảnh có tổn thương giúp cho bác sĩ nhanh chóng đưa chẩn đốn xác Lời cảm ơn: Nhóm tác giả cảm ơn giúp đỡ lãnh đạo Khoa chẩn đốn hình ảnh, bệnh viên Đa khoa Trung ương Thái Nguyên hỗ trợ cung cấp hình ảnh cho nghiên cứu Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 229 Điều khiển – Cơ điện tử - Truyền thông TÀI LIỆU THAM KHẢO [1] Mir Morteza Mousavi, Ali Farzan “Brain MRI segmentation by using extended heuriatic DBSCAN”, Journalsci, Volume 3, Issue 12, 2014, Pages:589-592 [2] Prof Samir Kumar Bandyopadhyay, Tuhin Utsab Paul “Segmentation of Brain Tumour from MRI image – Analysis of Kmeans and DBSCAN Clustering” IJRES, Volume 1, Issue 1, May 2013, Pages: 48-57 [3] Atrayee Dhua, Debjani Nath Sarma, Sneha Singh, Bijoyeta Roy.“Segmentation of Images using Density-Based Algorithms” IJARCCE, Volume 4, Issue 5, 2015 Pages: 273-277 [4] R C Gonzalez and R E Woods Digital Image Processing, 3rd ed, Prentice Hall, New Jersey, 2008 [5] M Ester, H Peter Kriegel, J Sander, X Xu, “A Density-Based Algorithm for Discovering Clustersin Large Spatial Databases with Noise”,Proceedings of 2nd Internation Conference on Knowledge Discovery and Data Mining,1996 [6] J Shi and J Malik, “Normalized cuts and image segmentation”, IEEE Transactions on Pattern Analysis and Machine Itelligence,2000 [7] Sunita Jahirabadkar, Parag Kulkarni,“Algorithm to determine” - distance parameter in density based clustering”, Expert System with Applications, 2013 [8] V.V Vu, N Labroche, and B Bouchon-Meunier, “Active learning for semi supervised k-means clustering”, Proceedings of the 22nd International Conference on Tools with Artificial Intelligence, IEEE ICTAI, pages 12–15, 2010 ABSTRACT DBSCAN ALGORITHM IN CT IMAGE SEGMENTATION AND APPLICATIONS IN THE BRAIN EXTRACT FEATURE The problem of medical image segmentation aims to provide solutions that support the diagnosis of lesions, pathological There are many practical applications of math, such as medical image segmentation: Retrieve images based on content, locate the tumor and pathology, diagnostic tissue volume measured, studied anatomy DBSCAN optimization algorithm than the clustering algorithms used in image segmentation Based on this partition algorithm, the authors selected parameters specific to extract the brain, such as brain tissue, bone structure, bone structure of blood vessels and vascular attenuation equivalent value should when receiving grayscale images will be equal, so you need to build math distinguish two structures through size and roundness are two of the four criteria to distinguish Keywords: DBSCAN; Feature extraction; Brain; Clustering; CT Nhận ngày 20 tháng năm 2017 Hoàn thiện ngày 10 tháng 07 năm 2017 Chấp nhận đăng ngày 20 tháng 07 năm 2017 Địa chỉ: 1Đại học Công nghệ Thông tin Truyền thông, Đại học Thái Nguyên; Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên * Email (Corresponding author): ntbdiep@ictu.edu.vn 230 N T B Điệp, B T H Thơm, Đ D Cốp, “Thuật toán DBSCAN… đặc trưng não người.” ... đề liên quan đến ảnh CT - Đề xuất thuật tốn trích xuất đặc trưng não người ứng dụng DBSCAN THUẬT TOÁN DBSCAN VÀ VẤN ĐỀ TRÍCH XUẤT ĐẶC TRƯNG 2.1 Thuật toán DBSCAN Thuật toán DBSCAN [5] (Density... VÀ KẾT QUẢ 3.1 Trích xuất đặc trưng não người dựa DBSCAN: Ảnh CT Ảnh đa mức xám Ảnh có vùng gán nhãn theo trị số đậm độ Ảnh có vùng gán nhãn theo cấu trúc Hình Trích xuất đặc trưng ảnh chụp CT. .. kết nối theo mật độ thuật toán DBSCAN 2.2 Đánh giá thuật toán DBSCAN so với thuật toán phân cụm khác Với ảnh đầu vào “image input”, kết phân chia vùng ảnh với thuật toán phân cụm K-means (k=2