Phân đoạn ảnh bằng thuật toán gom cụm mờ trong phát hiện u não: luận văn thạc sĩ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** ĐÀO THỤY HẠ QUYÊN PHÂN ĐOẠN ẢNH BẰNG THUẬT TOÁN GOM CỤM MỜ TRONG PHÁT HIỆN U NÃO LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, năm 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** ĐÀO THỤY HẠ QUYÊN PHÂN ĐOẠN ẢNH BẰNG THUẬT TOÁN GOM CỤM MỜ TRONG PHÁT HIỆN U NÃO Chuyên ngành: Công nghệ thông tin Mã số: 60.48.02.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS ĐỖ NĂNG TOÀN Đồng Nai, năm 2016 LỜI CÁM ƠN Tôi xin gửi lời cảm ơn Khoa Sau Đại Học Trường Đại học Lạc Hồng, giảng viên giảng dạy khóa cao học 6, ngành công nghệ thông tin giảng dạy, truyền đạt kiến thức tạo điều kiện cho thực luận văn Đặc biệt tơi xin bày tỏ lịng kính trọng biết ơn sâu sắc tới thầy PGS.TS Đỗ Năng Tồn, tận tình hướng dẫn tạo điều kiện thuận lợi, động viên tinh thần cho tơi suốt q trình làm luận văn Cuối cùng, tơi xin kính chúc q Thầy, Cơ gia đình dồi sức khỏe thành công nghiệp cao quý Đồng Nai, ngày 24 tháng 08 năm 2016 Học viên Đào Thụy Hạ Quyên LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn Thạc sĩ “Phân đoạn ảnh thuật toán gom cụm mờ phát u não” nghành Tin học cơng trình thân tơi Luận văn có sử dụng thơng tin trích dẫn từ nhiều nguồn khác nhau, thơng tin trích dẫn ghi rõ nguồn gốc Các liệu thu thập kết thử nghiệm trung thực Nếu sai, tơi hồn tồn chịu trách nhiệm trước pháp luật Đồng Nai, ngày 24 tháng 08 năm 2016 Học viên Đào Thụy Hạ Quyên TÓM TẮT LUẬN VĂN Trong chẩn đốn y khoa hình ảnh, xử lý ảnh có ảnh hưởng đến độ xác chẩn đốn Xử lý ảnh phải trải qua nhiều bước, quan trọng khó phân đoạn ảnh Nếu phân đoạn ảnh khơng tốt dẫn đến việc nhận diện sai lầm đối tượng có ảnh Phân đoạn thủ cơng ảnh não tương đối khó nhiều thời gian Do cần có hệ thống tự động khắc phục hạn chế phân đoạn rạch ròi chất trắng, chất xám, dịch não tủy phần phù nề Tiếp cận phương pháp gom cụm thường sử dụng phát u não ảnh não CT(Computed topography) /MRI(Magnetic resonance image) Đối với khối u não ác tính, bờ khối u thường nham nhở so với khối u lành tính Đặc biệt khối u nhỏ, bờ nham nhở thường mờ ảnh não CT/MRI(Computed topography/ Magnetic resonance image) Trong trường hợp này, gom cụm mờ (FCM – Fuzzy c-means) thuật tốn thích hợp để phân đoạn bờ khối u ác tính cịn nhỏ Xuất phát hồn cảnh đó, luận văn nhằm tìm hiểu ảnh y tế số kỹ phân đoạn ảnh y tế tập trung vào kỹ thuật phân cụm mờ Trên sở cài đặt chương trình thử nghiệm hỗ trợ chẩn đoán u não Luận văn tập trung vào tìm hiểu ảnh y tế số kỹ phân đoạn ảnh y tế tập trung vào kỹ thuật phân cụm mờ, cụ thể đạt được:  Trình bày Tổng quan gom cụm liệu toán phân đoạn ảnh  Hệ thống hóa số vấn đề phân đoạn ảnh ảnh y tế  Xây dựng thử nghiệm chương trình hỗ trợ phát u não dựa kỹ thuật hệ thống hóa MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN TÓM TẮT LUẬN VĂN MỞ ĐẦU MỤC LỤC Chương 1: Tổng quan gom cụm liệu toán phân đoạn ảnh 1.1 Tổng quan gom cụm liệu 1.1.1 Gom cụm .2 1.1.2 Mục đích gom cụm .3 1.1.3 Một số phương pháp gom cụm 1.1.4 Một số ứng dụng gom cụm 1.1.5 Độ đo khoảng cách 1.1.6 Gom cụm mờ .11 1.2 Bài toán phân đoạn ảnh 21 1.2.1 Thuật toán k-mean .21 1.2.2 Phương pháp phân cấp .27 1.2.3 Thuật tốn tối ưu hóa kỳ vọng (EM) 31 1.3 Kết luận 31 Chương 2: Một số vấn đề phân đoạn ảnh, ảnh y tế 32 2.1 Ảnh y tế chẩn đốn hình ảnh .32 2.1.1 Ảnh y tế .32 2.1.2 Các phương thức chẩn đốn hình ảnh .34 2.2 Phân đoạn ảnh dựa đặc tính kết cấu 47 2.3 Phân đoạn ảnh kỹ thuật phân cụm mờ 51 2.3 Kết luận 54 Chương 3: Chương trình hỗ trợ phát u não .55 3.1 Một số kiến thức 55 3.2 Tóm tắt thuật tốn FCM 55 3.3 Tóm tắt xử lý ảnh thuật toán 56 3.4 Một số kết thực nghiệm chương trình .58 3.5 Một số kết thực nghiệm so sánh phân đoạn ảnh FCM kmeans .64 3.6 Kết luận 70 Kết luận .70 TÀI LIỆU THAM KHẢO DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Định nghĩa TT Tên viết tắt AI Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng neuron nhân tạo Computer Aided Chẩn đốn có hỗ trợ Diagnosis máy tính Tên tiếng anh CAD Chronic Obstructive Bệnh phổi tắc nghẽn mãn tĩnh COPD CT Computed topography Chụp cắt lớp điện toán FNH Focal Nodular Hyperplasia Tăng sản nốt khu trú HCC Hepato CellularCarcinomas Ung thư biểu mô tế bào gan LUT Lookup Table Bảng tra cứu MRI Magnetic resonance Image Ảnh chụp cộng hương từ Positron Emission 10 PET Chụp cắt lớp xạ Tomography positron Pulmonary Disease 11 ROI Regions Of Interest Vùng ảnh quan tâm 12 USG Medical Ultrasonography Siêu âm y khoa DANH MỤC BẢNG Bảng 1.1 Dữ kiện cho biến nhị phân 10 Bảng 1.2 Tần suất từ liên quan đến thể thao trị văn cần gom cụm 14 Bảng 1.3 Ma trận [uij]: .14 Bảng 1.4 Ma trận [xij]: .14 Bảng 1.5 Ma trận phân hoạch mờ cập nhật sau vòng lặp thứ 21 Bảng 1.6 Bảng tập liệu 23 Bảng 1.7 Bảng Ma trận khoảng cách đầu vào 29 Bảng 1.8 Bảng ma trận sáp nhập .30 Bảng 1.9 Bảng hợp cụm 30 Bảng 1.10 Bảng hợp vào cụm 30 Bảng 2.1 Ưu khuyết điểm ảnh MRI CT 33 Bảng 2.2 So sánh độ tương phản ảnh có trọng số T1 T2 35 Bảng 3.1 So sánh phân đoạn ảnh FCM k-means 64 DANH MỤC SƠ ĐỒ Sơ đồ 1.1 Thuật toán K-means 23 Sơ đồ 3.1 Sơ đồ thuật toán gom cụm mờ ảnh 57 Sơ đồ 3.2 Sơ đồ thuật toán biểu diễn ảnh phân đoạn 58 59 Hình 3.2 Giao diện chương trình phân đoạn ảnh gom cụm mờ ảnh gốc ảnh gốc Hình 3.3 Ảnh gốc ảnh gốc 60 10 Hình 3.4 Kết thực nghiệm với số vịng lặp thay đổi Nhận xét: với tham số đầu vào, kết phân đoạn ảnh thay đổi theo số vịng lặp Sự thay đổi khơng tỉ lệ thuận với số vịng lặp, nghĩa khơng phải số vịng lặp lớn, phân đoạn ảnh rõ Ngưỡng số vòng lặp trường hợp Đối với trường hợp số vòng lặp 2, phân đoạn rõ nét viền bao quanh mơ não Có phân định rõ ràng ranh giới cấu trúc thành phần Khi vòng lặp 3, xảy tượng phân đoạn khối mô, nghĩa mô cấu trúc thành phần đồng màu Vòng lặp từ trở lên, bắt đầu có tượng đảo màu số vùng, phân đoạn khơng cịn rõ ràng  Kết thực nghiệm với số cụm thay đổi Tham số đầu vào:  Hệ số mờ: 1.2  Hệ số epsilon: 0.001  Số vòng lặp:  Thay đổi số cụm: 2, 3, 10, 28 61 10 28 Hình 3.5 Kết thực nghiệm với số cụm thay đổi Nhận xét: kết phân đoạn ảnh thay đổi theo số cụm Kết cho thấy việc chọn số cụm k có ảnh hưởng lớn đến phân đoạn ảnh Chẳng hạn trường hợp số cụm phù hợp 10, ranh giới mô rõ nét Nhưng số cụm 28, bờ mơ bị mờ, khơng có phân định rõ ràng mô khác ảnh gốc ảnh gốc Ảnh gốc trường hợp cá biệt kết số cụm 10 28 không khác nhiều Điều chứng tỏ số cụm ảnh có khác  Kết thực nghiệm với hệ số mờ thay đổi Tham số đầu vào:  Số cụm:  Số vòng lặp:  Hệ số epsilon:  Thay hệ số mờ: 1, 1.2, 1.5, 2, 2.5, 62 1.2 1.5 2.5 Hình 3.6 Kết thực nghiệm với tham số mờ thay đổi Nhận xét: Theo lý thuyết hệ số mờ m > 1, thực nghiệm với m = 1, công thức cập nhật phần tử ma trận liên thuộc trở thành:  ∑ ‖ ‖ ‖ ‖ ( )  ∑ ‖ ‖ ‖ ‖ ( i,j )  không gom cụm nên ảnh đen Ngưỡng hệ số mờ trường hợp 1.2  1.5 m = 2, gom cụm rõ Hệ số mờ từ 2.5 trở lên, phân đoạn khơng cịn rõ ràng  Kết thực nghiệm với hệ số  thay đổi Tham số đầu vào:  Số cụm:  Hệ số mờ: 1.2  Số vòng lặp: Thay đổi hệ số epsilon: 0,001;0,005; 0,1; 0,5; 63 0.001 0.005 0.1 0.5 Hình 3.7 Kết thực nghiệm với hệ số thay đổi Nhận xét: Hệ số  khác nhau, kết phân đoạn ảnh khác Hệ số  phù hợp trường hợp từ 0.005  0.5,  nhỏ (=1) phân đoạn khơng cịn rõ nét 64 3.5 Một số kết thực nghiệm so sánh phân đoạn ảnh FCM k-means Bảng 3.1 So sánh phân đoạn ảnh FCM k-means Kmeans Số vòng lặp FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên Ảnh gốc 10 Kmeans Số cụm FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 65 10 28 Kmeans Hệ số epsilon 0.001 0.005 0.1 FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 66 0.5 Kmeans Số vòng lặp FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên Ảnh gốc 10 67 Kmeans Số cụm FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 10 28 Kmeans Hệ số epsilon 0.001 0.005 0.1 FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 68 0.5 Kmeans Số vòng lặp FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên Ảnh gốc 10 69 Kmeans Số cụm FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 10 28 Kmeans Hệ số epsilon 0.001 0.005 0.1 FCM Giá trị phân bố Chọn mẫu Tạo giá trị ngẫu nhiên ngẫu nhiên 70 0.5 Bảng 3.1 Kết thự nghiệm so sánh phân đoạn ảnh FCM k-means Nhận xét: Kết cho thấy độ nhạy FCM cao k-means cho phương pháp tạo trọng tâm cụm Nếu chọn tham số đầu vào phù hợp, kết phân đoạn FCM rõ ràng so với k-means có tham số Ngược lại, tham số không phù hợp, kết phân đoạn khơng rõ, chí mờ so với kmeans có tham số 3.6 Kết luận Qua thực nghiệm trên, rút số kết luận sau:  Các tham số đầu vào thuật tốn FCM có ảnh hưởng lớn đến kết phân đoạn  Mỗi tham số có khoảng ngưỡng tác động rõ nét lên thuật toán  Việc lựa chọn tham số phù hợp việc khó mang tính chủ quan Đây khuyết điểm thuật tốn FCM nói riêng thuật tốn gom k cụm nói chung  So sánh k-means, FCM có độ nhạy với tham số đầu vào cao Kết phân đoạn rõ ràng k-means có tham số tham số chọn phù hợp Kết luận Luận văn tập trung tìm hiểu ảnh y tế số kỹ thuật phân đoạn ảnh y tế, tập trung vào kỹ thuật phân cụm mờ, đạt được: • Trình bày tổng quan gom cụm liệu tốn phân đoạn ảnh 71 • Hệ thống hóa số vấn đề phân đoạn ảnh y tế • Xây dựng thử nghiệm chương trình hỗ trợ phát u não dựa kỹ thuật hệ thống hóa TÀI LIỆU THAM KHẢO [1] Bert A, Dmitriev I, Agliozzo S, Pietrosemoli N, Mandelkern M, Gallo T, et al An automatic method for colon segmentation in CT colonography Comput Med Imaging Graphics 2009;33:325–31 [2] International Conference on Hybrid Intelligent Systems (HIS); 23-25 Aug 2010 Atlanta, US [3] K.Sathiyakumari, V.Preamsudha, G.Manimekalai; “Unsupervised Approach for Document Clustering Using Modified Fuzzy C mean Algorithm”; International Journal of Computer & Organization Trends –Volume 11 Issue3-2011 [4] Klinder T, Ostermann J, Ehm M, Franz A, Kneser R, Lorenz C Automated model-based vertebra detection, identification, and segmentation in CT images Med Image Anal 2009;13:471–82 [PubMed: 19285910] [5] Kumar CV, Damyanti G, Pant R, Sreedhar CM Segmentation and grading of brain tumor an apparent diffusion coefficient image using self organizing maps Comput Med Imaging Graphica 2007;31:473–84 [6] Nogueira, T.M ; “ On The Use of Fuzzy Rules to Text Document Classification ”; 2010 10th [7] Prince JL, Links JM Medical imaging signals and system Pearson Education 2006 [8] R Rajendra Prasath, Sudeshna Sarkar: Unsupervised Feature Generation using Knowledge Repositories for Effective Text Categorization ECAI 2010: 11011102 [9] Ross, T J (2010); “Fuzzy Logic with Engineering Applications”, Third Edition, John Wile & Sons, Ltd, Chichester, UK [10] Sharma N, Ray AK, Sharma S, Shukla KK, Pradhan S, Aggarwal LM Segmentation of medical images using simulated annealing based fuzzy C Means algorithm Int J Biomed Engg Technol 2009;2:260–78 [11] Sharma N, Ray AK, Sharma S, Shukla KK, Pradhan S, Aggarwal LM Segmentation and classification of medical images using texture-primitive features: Application of BAM-type artificial neural network J Med Physics 2008;33:119–26 [PMCID: PMC2772042] [12] Sharma N, Ray AK Proc of Int Conf on Mathematical Biology' Mathematical Biology recent trends by ANAMAYA Publishers; 2006 Computer aided segmentation of medical images based on hybridized approach of edge and region based techniques; pp 150–5 [13] Song T, Gasparovicc C, Andreasen N A hybrid tissue segmentation approach for brain MR images Med Biol Eng Comput 2006;44:242–9 [PubMed: 16937165] [14] Sumit Goswami, Mayank Singh Shishodia; “A fuzzy based approach to stylometric analysis of blogger‟s age and gender”; HIS 2012: 47-51 [15] Sumit Goswami, Sudeshna Sarkar, Mayur Rustagi: Stylometric Analysis of Bloggers' Age and Gender ICWSM 2009 [16] Tabakov M A fuzzy segmentation method for computed tomography images Int J Intellig Inform Database Syst Technol Appl 2007;1:234–46 [17] Tesar L, Shimizu A, Smutek D, Kobatake H, Nawano S Medical image analysis of 3D CT images based on extension of Haralick texture features Comput Med Imaging Graphics 2008;32:513–20 [18] Vishal Gupta, Gurpreet S Lehal; “A Survey of Text Mining Techniques and Applications”; Journal of Emerging Technologies in Web Intelligence, Vol.1, No.1, August 2009 [19] Tập liệu số ảnh não có sang thương bình thường tải từ website: http://brainweb.bic.mni.mcgill.ca/brainweb/ ... thi? ?u ứng dụng phân đoạn ảnh thuật toán gom cụm mờ số thực nghiệm đánh giá ảnh hưởng tham số đ? ?u vào lên kết thuật toán Việc đánh giá thuật toán thực thông qua số số đánh giá thuật toán gom cụm mờ. .. gom cụm mờ (FCM – Fuzzy c-means) thuật toán thích hợp để phân đoạn bờ khối u ác tính cịn nhỏ Xuất phát hồn cảnh đó, luận văn nhằm tìm hi? ?u ảnh y tế số kỹ phân đoạn ảnh y tế tập trung vào kỹ thuật. .. HỌC LẠC HỒNG *** ĐÀO THỤY HẠ QUYÊN PHÂN ĐOẠN ẢNH BẰNG THUẬT TOÁN GOM CỤM MỜ TRONG PHÁT HIỆN U NÃO Chuyên ngành: Công nghệ thông tin Mã số: 60.48.02.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI