Hỗ trợ phân loại các vùng nghi ngờ tổn thương hình khối trên phim chụp x quang vú

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỖ THÚY HỒNG ĐỖ THÚY HỒNG KỸ THUẬT VIỄN THÔNG HỖ TRỢ PHÂN LOẠI CÁC VÙNG NGHI NGỜ TỔN THƯƠNG HÌNH KHỐI TRÊN PHIM CHỤP X-QUANG VÚ LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG KHOÁ 2016B Hà Nội – Năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỖ THÚY HỒNG HỖ TRỢ PHÂN LOẠI CÁC VÙNG NGHI NGỜ TỔN THƯƠNG HÌNH KHỐI TRÊN PHIM CHỤP X-QUANG VÚ LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: T.S NGUYỄN VIỆT DŨNG Hà Nội – Năm 2018 MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT iii DANH MỤC BẢNG BIỂU v DANH MỤC HÌNH VẼ vi LỜI MỞ ĐẦU CHƯƠNG I: GIỚI THIỆU CHUNG VỀ BỆNH LÝ UNG THƯ VÚ VÀ HỆ THỐNG HỖ TRỢ PHÁT HIỆN DẤU HIỆU TỔN THƯƠNG HÌNH KHỐI TRÊN PHIM CHỤP X-QUANG VÚ 1 Giải phẫu sinh lý vú 1.2 Bệnh lý ung thư vú 1.2.1 Dấu hiệu triệu chứng ung thư vú 1.2.2 Các giai đoạn ung thư vú 1.2.3 Các phương pháp chuẩn đoán UTV 11 1.3 Kỹ thuật chụp ảnh X-quang vú 15 1.3.1 Chụp X-quang vú sàng lọc 15 1.3.2 Chụp X-quang vú chuẩn đoán 16 1.3.3 Các dấu hiệu tổn thương phim chụp X-quang vú 16 1.4 Giới thiệu hệ thống hỗ trợ phát dấu hiệu tổn thương hình khối ảnh chụp X-quang vú 18 1.5 Giới thiệu sở liệu ảnh 20 1.5.1 Cơ sở liệu mini - MIAS 20 1.5.2 Cơ sở liệu DDSM 23 1.6 Kết luận 25 CHƯƠNG 2: PHÂN LOẠI VÙNG NGHI NGỜ TỔN THƯƠNG HÌNH KHỐI SỬ DỤNG MÁY VECTOR HỖ TRỢ SVM 26 2.1 Giới thiệu tổng quát phân loại 26 2.2 Vùng nghi ngờ ROI 27 i 2.3 Trích chọn đặc trưng vùng ROI 29 2.3.1 Các đặc trưng thống kê bậc FOS (First Order Statistics) 30 2.3.2 Các đặc trưng dựa ma trận đồng xuất mức xám GLCM 32 2.3.3 Các đặc trưng sai khác xác suất ngược khối BDIP 34 2.3.4 Các đặc trưng biến thiên hệ số tương quan cục khối BLVC 35 2.4 Máy vector hỗ trợ SVM 37 2.2.1 SVM tuyến tính 38 2.2.2 SVM phi tuyến 40 2.6 Kết luận 41 CHƯƠNG 3: KẾT QUẢ ĐẠT ĐƯỢC VÀ NHẬN XÉT 42 3.1 Các tiêu chí đánh giá hiệu phân loại 42 3.2 Hệ thống phân loại sử dụng máy vector hỗ trợ SVM 44 3.2.1 Dữ liệu đầu vào 46 3.2.2 Lựa chọn đặc trưng 46 3.2.3 Lựa chọn tham số 49 3.2.4 Mơ hình huấn luyện SVM 50 3.3 Kết phân loại đạt 50 3.3.1 Các công cụ sử dụng 50 3.3.2 Khi sử dụng sở liệu mini-MIAS 51 3.3.3 Khi sử dụng sở liệu ảnh DDSM 55 3.4 Kết luận 59 KẾT LUẬN 60 TÀI LIỆU THAM KHẢO 61 ii DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT Ký tự viết tắt 900 LAT-LM Tiếng Anh 900 Lateral - Medial Tiếng Việt Chụp vng góc từ biên vào 900 LAT-ML 900 Medial- Lateral Chụp vng góc từ biên ACR American College Radiology Hiệp hội X-quang Hoa Kỳ BDIP Block Difference Inverse Probability Sai khác xác suất ngược khối BSE Breast Selft Exam Tự thăm khám vú BVLC Block Variance of Local Corelation Biến thiên hệ số tương quan CAD coefficients cục khối Computer Aided Detection Phát có hỗ trợ máy tính CBE Clinical Breast Exam Thăm khám vú lâm sàng CC Cranio-Caudual Chụp hướng từ xuống CNB Core Needle Biopsy Sinh thiết dùng kim lớn DM Digiatal Mammography Chụp ảnh X-quang kỹ thuật số FFDM Full Field Digital Mammography Chụp ảnh X-quang kỹ thuật số tồn dải FN False Negative Âm tính giả FNA Fine Needle Aspiration Chọc hút kim tiêm mảnh FNF False Negative Fraction Tỉ lệ âm tính giả FOS Frist Order Statistic Thống kê bậc FP False Poistive Dương tính giả iii FPF False Poistive Fraction Tỉ lệ dương tính giả FPpI False Poistive per Image Dương tính giả ảnh GLCM Gray Level Cooccurrence Matrix Ma trận đồng mức xám JMI Joint Mutual Information Thông tin chung kết hợp LMO Lateral-Medial Oblique Chụp xéo xiên từ biên vào MI Mutual Information Thông tin chung MIFS Mutual Information Feature Selection Lựa chọn đặc trưng thông tin chung MLO Medio-Lateral Oblique Chụp chéo xiên từ vào biên MRI Magnetic Resonance Imaging Chụp ảnh cộng hưởng từ NN Neural Network Mạng Nơron OD Optical Density Mật độ quang ROI Region Of Interest Vùng nghi ngờ SVM Support Vector Machine Máy vector hỗ trợ iv DANH MỤC BẢNG BIỂU Bảng 1.Các giai đoạn UTV phân loại TMN tương ứng 10 Bảng 1.2 Thống kê loại ảnh, loại mô vú, loại bất thường [15] 22 Bảng 1.3 Giá trị mã chuỗi tương ứng với tọa độ 24 Bảng Bốn trường hợp phân loại 42 Bảng 3.2 Kết thu không sử dụng lựa chọn đặc trưng 51 Bảng 3.3 Kết thu kết hợp đặc trưng 52 Bảng 3.4 Kết thu sử dụng lựa chọn đặc trưng 53 Bảng 3.5 Kết thu sử dụng đặc trưng BVLC mean var 53 Bảng 3.6 Kết thu sử dụng biến đổi OD 54 Bảng 3.7 Kết thu không sử dụng biến đổi OD lựa chọn đặc trưng sở liệu ảnh DDSM 56 Bảng 3.8 Kết thu dử dụng biến đổi OD không dử dụng lựa chọn đặc trưng 57 v DANH MỤC HÌNH VẼ Hình 1.1 Giải phẫu bên vú Hình 1.2 UTV giai đoạn (LCIS: ung thư biểu mô tiểu thùy chỗ,, DCIS: ung thư biểu mô ống dẫn sữa chỗ) Hình 1.3.UTV giai đoạn II Hình 1.4.UTV giai đoạn III Hình Chụp ảnh mammography 12 Hình 1.6 Siêu âm tuyến vú 13 Hình 1.7 Chụp MRI tuyến vú 14 Hình Thiết bị nén (a) phóng đại (b) chụp X-quang chuẩn đốn 16 Hình 1.9 Tổn thương hình khối lành tính (trái) ác tính (phải) 17 Hình 1.10 Các hình dạng, đường biên, mật độ khác tổn thương hình khối 17 Hình 1.11 Tổn thương vi vơi hóa lành tính (trái) ác tính (phải) 18 Hình 12 Sơ đồ hệ thống CAD 19 Hình 1.13 Các thơng số kèm ảnh sở liệu mini-MIAS 21 Hình 1.14 Danh sách thư mục lưu trữ trường hợp sở liệu DDSM [14] 23 Hình 15 Hướng mã chuỗi 24 Hình Mơ hình phân loại tổng quát 26 Hình 2 Mơ tả hình chữ nhật bao quanh vùng ROI 27 Hình Xác định hình chữ nhật nhỏ bao quanh vùng ROI 29 Hình Biến đổi OD, ảnh trái: ảnh gốc; ảnh phải: ảnh sau biến đổi OD 30 Hình 2.5 Chia nhỏ hình chữ nhật bao quanh vùng ROI 34 Hình 2.6 Cách tính BDIP khối 2x2 cho ảnh có kích thước 4x4 35 Hình 2.7 Vùng R(x,y) ban đầu (nét liền) vùng R(x,y) bị dịch (nét đứt) 36 Hình 2.8 Ví dụ mơ tả cách tính BVLC ảnh kích thước 4x4 37 vi Hình Các siêu mặt phân loại liệu 38 Hình 2.10 Siêu mặt phẳng có biên lớn SVM 39 Hình 2.11 Ánh xạ D sang D’ Ảnh trái: Không gian liệu đầu vào D 40 Hình Cách tính cặp giá trị (TPF, FPF) để xây dựng đường cong ROC 43 Hình Ví dụ minh họa đường cong ROC 44 Hình 3.3 Mơ hình hệ thống phân loại sử dụng máy vector hỗ trợ SVM 45 Hình 3.4 Mơ tả lượng thông tin chung I(X,Y) 48 Hình 3.5 Mơ hình huấn luyện máy vector hỗ trợ SVM với i=1 50 Hình 3.6 Đường cong ROC thu ứng với đặc trưng 52 Hình Mơ tả đường cong ROC sử dụng đặc trưng BVLC ứng với khối 2x2, 3x3, 4x4 54 Hình 3.8 Đường cong ROC sử dụng biến đổi OD 55 Hình 3.9 Đường cong ROC thu đặc trưng BVLC 2x2 3x3 mean trường hợp sử dụng cở sở liệu ảnh DDSM 57 Hình 3.10 Đường cong ROC thu đặc trưng BVLC 2x2 var-mean 3x3 mean 58 vii LỜI MỞ ĐẦU Ung thư vú loại ung thư phổ biến nguyên nhân gây tử vong nữ giới Theo tổ chức Y tế giới WHO, ước tính có 1,5 triệu ca chuẩn đoán mắc ung thư vú năm 2010, số ca gây tử vong chiếm nửa [6] Ở khu vực Châu Âu, số 100.000 phụ nữ từ năm 95-98 có 39,4 trường hợp tử vong ung thư vú, không phân biệt độ tuổi [11] Ở Mỹ, vào năm 2008, có 182.460 ca mắc ung thư vú nguyên nhân gây tử vong lớn thứ phụ nữ Mỹ, sau ung thư phổi [29] Ở Việt Nam, tỷ lệ mắc ung thư vú tăng dần theo năm Tại Hà Nội, năm 1998 tỷ lệ mắc ung thư vú 20,3/100.000 dân thành phố Hồ Chí Minh 16/100.000 dân [1] Theo ước tính năm 2010, Việt Nam có 12.533 trường hợp mắc ung thư vú số lên tới 22.612 năm 2020; năm có khoảng 11.000 ca mắc 4.500 trường hợp tử vong ung thư vú, chiếm 25% tổng số loại bệnh ung thư nữ giới [2] Việc phát chẩn đoán sớm dấu hiệu ung thư vú cần thiết để ngăn chặn phát triển khối u, giúp cho việc điều trị bệnh đạt hiệu cao, cứu mạng sống cho bệnh nhân giảm chi phí điều trị Hiện nay, phương pháp chụp ảnh X-quang vú, mammography, xem phương pháp hiệu việc phát sớm dấu hiệu ung thư vú Thơng qua hình ảnh phim chụp X- quang, bác sỹ tìm dấu hiệu tổn thương vú khối u, vơi hóa mơ mềm bất thường Các vùng nghi ngờ tổn thương có phát cách xác hay khơng phụ thuộc nhiều vào chất lượng hình ảnh phim chụp X-quang vú trình độ bác sỹ chuẩn đốn hình ảnh Một số nghiên cứu rằng, tỷ lệ bỏ sót, không phát ung thư vú nằm khoảng từ 10% đến 30% [20] Các nguyên nhân bác sỹ mệt mỏi, cấu trúc phức tạp mơ vú ảnh hay khó phân biệt ung thư vú so với mơ bình thường Thậm chí bác sỹ có kinh nghiệm phát chuẩn xác ung thư vú từ 85-91% [32] Một số nghiên cứu khác hai bác sỹ đọc phim chụp X-quang vú tỷ lệ phát phát tăng Lin năm 2001, giúp hỗ trợ việc phân loại ước lượng phân bố Ngồi cịn hỗ trợ phân loại đa lớp Vì sử dụng LibSVM hoàn toàn phù hợp hệ thống phân loại sử dụng máy vector hỗ trợ SVM LibSVM ứng dụng cơng cụ Matlab để xây dựng mơ hình hệ thống phân loại Công cụ MIToolbox [19] sử dụng để tính tốn entropy, entropy điều kiện, lượng thông tin chung bước lựa chọn đặc trưng 3.3.2 Khi sử dụng sở liệu mini-MIAS a Trường hợp không sử dụng kỹ thuật lựa chọn đặc trưng Trước hết, ta so sánh kết AUC, ACC đặc trưng FOS, GLCM, BDIP BVLC không sử dụng kỹ thuật lựa chọn đặc trưng Kết nhận biểu diễn bảng 3.2 Bảng 3.2 Kết thu không sử dụng lựa chọn đặc trưng Tỷ lệ Đặc trưng AUC ACC FOS 0.8218 0.9704 GLCM 0.8084 0.9481 BDIP 0.7734 0.9481 BVLC 0.9104 0.9741 FOS 0.7708 0.9796 GLCM 0.7693 0.9611 BDIP 0.7496 0.9630 BVLC 0.8659 0.9630 test:train 1:9 2:8 Từ bảng 3.2, ta nhận thấy giá trị AUC lớn thu AUC = 0.9104 sử dụng đặc trưng BVLC Tiếp đến đặc trưng FOS GLCM Đặc trưng BDIP cho kết so với đặc trưng cịn lại Mặt khác nhận thấy, mức chia lớn kết AUC thu nhỏ Điều giải thích sau: đặc trưng BDIP, mức chia tăng kích thước khối nhỏ Khi 51 đặc trưng BDIP tính theo cơng thức (2.16) xấp xỉ nên khó để phân tách Đối với đặc trưng BVLC mức chia lớn hình chữ nhật bao quanh vùng ROI chia thành nhiều khối nhỏ Khối nhỏ khả biến thiên kết cấu khối nhỏ, đặc trưng BVLC khối nhỏ Hình 3.6 mơ tả đường cong ROC thu ứng với đặc trưng TPF TPF Hình 3.6 Đường cong ROC thu ứng với đặc trưng Để cải thiện kết quả, đặc trưng BVLC, FOS, GLCM kết hợp với Kết thu mô tả bảng 3.3 Bảng 3.3 Kết thu kết hợp đặc trưng Đặc trưng AUC ACC GLCM BVLC 0.8955 0.9967 BVLC FOS 0.8075 0.9841 BVLC, FOS GLCM 0.9063 0.9630 FOS GLCM 0.8872 0.9185 52 Ta nhận thấy kết hợp đặc trưng với AUC thu nhỏ 0.914 thu bảng 3.2 Điều có nghĩa đặc trưng BVLC, FOS, GLMC khơng độc lập tuyến tính Tuy nhiên kết hợp đặc trưng FOS với GLCM AUC cải thiện so với sử dụng riêng đặc trưng Vì vậy, kết hợp FOS với GLCM, cịn với đặc trưng BIDP, BVLC việc kết hợp không khả thi b Khi sử dụng kỹ thuật lựa chọn đặc trưng: Để cải thiện kết ta sử thêm kỹ thuật lựa chọn đặc trưng Phương pháp lựa chọn đặc trưng sử dụng tiêu chuẩn thông tin chung kết hợp JMI (Joint Mutual Information) Kết thu bảng 3.4 Bảng 3.4 Kết thu sử dụng lựa chọn đặc trưng Đặc trưng AUC ACC GLCM FOS (aver, var,muy, ent) 0.8987 0.9630 FOS muy, ent, sk, kur 0.8949 0.9630 GLCM aver0-1,var0-1 0.8646 0.9630 BDIP shift 2x2, 3x3, 4x4 mean, 2x2 var 0.7845 0.9481 BVLC shift 2x2, 3x3, 4x4 mean, 2x2 var 0.9299 0.9741 Từ kết ta thấy sử dụng lựa chọn đặc trưng kết hợp đặc trưng đặc trưng kết hợp BVLC shift 2x2, 3x3, 4x4 mean, 2x2 var cho kết AUC = 0.9299 lớn AUC= 0.9104 đặc trưng BVLC thu bảng 3.2 Trong trường hợp sử dụng đặc trưng BVLC mean đặc trưng BVLC var khối 2x2, 3x3, 4x4 ta thu kết bảng 3.5 Bảng 3.5 Kết thu sử dụng đặc trưng BVLC mean var Đặc trưng AUC BVLC shift 2x2 0.9142 BVLC shift 3x3 0.9042 BVLC shift 4x4 0.8521 BVLC shift 2x2 3x3 0.9293 53 Như vậy, đặc trưng BVLC shift 2x2 cho kết AUC= 0.9142, lớn so với BVLC shift 3x3 BVLC shift 4x4 Khi sử dụng đặc trưng kết hợp BVLC shift 2x2 3x3 kết thu tốt với AUC = 0.9293 Như kết hợp đặc trưng BVLC shift 2x2 3x3 cho kết tốt Đường cong ROC sử dụng đặc trưng BVLC ứng với khối 2x2, 3x3, 4x4 mơ tả hình 3.7 Hình Mơ tả đường cong ROC sử dụng đặc trưng BVLC ứng với khối 2x2, 3x3, 4x4 c Khi sử dụng lựa chọn đặc trưng biến đổi mật độ quang học OD Ứng dụng thuật toán biến đổi mật độ quang học OD (Optical Density Transmission) lựa chọn đặc trưng vào tính tốn đặc trưng GLCM, FOS, BDIP shift BVLC shift 2x2, 3x3 ta thu kết sau: Bảng 3.6 Kết thu sử dụng biến đổi OD Đặc trưng AUC FOS 0.7153 GLCM 0.8048 BDIP shift 0.7687 BVLC shift 2x2, 3x3 0.9552 54 Khi sử dụng thuật tốn biến đổi OD có đặc trưng BVLC cho kết tốt khơng sử dụng biến đổi OD cịn đặc trưng FOS, GLCM, BDIP kết khơng cải thiện thêm Như biến đổi OD phù hợp sử dụng đặc trưng BVLC Khi tính tốn với đặc trưng kết hợp BVLC shift 2x2, 3x3 cho kết phân loại xuất sắc với AUC=0.9552 Đường cong ROC sử dụng biến đổi OD mô tả hình 3.8 TPF FPF Hình 3.8 Đường cong ROC sử dụng biến đổi OD 3.3.3 Khi sử dụng sở liệu ảnh DDSM Số vùng ROI sử dụng 220 trích chọn từ ảnh chụp X-quang vú sở liểu ảnh DDSM Ta tiếp tục tính tốn đặc trưng trường hợp: khơng sử dụng biến đổi OD có sử dụng biến đổi OD ảnh gốc a Khi khơng sử dụng biến đổi OD Tính tốn đặc trưng FOS, GLCM, BDIP, BVLC trường hợp không sử dụng biến đổi OD lựa chọn đặc trưng ta thu kết bảng 3.7 55 Bảng 3.7 Kết thu không sử dụng biến đổi OD lựa chọn đặc trưng sở liệu ảnh DDSM Tỷ lệ test:train 1:9 2:8 Đặc trưng AUC ACC FOS 0.9583 0.9545 GLCM 0.9333 0.9091 BDIP 0.7438 0.8182 BVLC 0.9829 0.9545 FOS 0.8223 0.8640 GLCM 0.8159 0.7727 BDIP 0.6812 0.6818 BVLC 0.9213 0.8864 Từ kết thu ta thấy, sở liệu DDSM đặc trưng BVLC tiếp tục cho kết tốt Đặc trưng BDIP cho kết thấp hai trường hợp sử dụng sở liệu mini- MIAS DDSM Như vậy, đặc trưng BDIP không phù hợp giải pháp phân loại máy hỗ trợ vector SVM Hiệu làm việc mơ hình phân loại sử dụng máy vector hỗ trợ SVM phụ thuộc tỷ lệ tập kiểm tra tập huấn luyện Tỷ lệ chia lớn AUC thu nhỏ Khi sử dụng lựa chọn đặc trưng để cải thiện hiệu phân loại, đặc trưng BVLC shift 2x2, 3x3 mean cho kết AUC=0.9917 Đây kết lý tưởng so với kết AUC = 0.9552 thu bảng 3.6 Tuy nhiên, kết đạt sử dụng lượng liệu 220 vùng ROI lấy từ sở liệu ảnh DDSM, nhỏ so với khoảng 2702 vùng ROI từ sở liệu Mini – Mias Hình 3.9 mơ tả đường cong ROC thu đặc trưng BVLC shift 2x2, 3x3 mean 56 TPF TPF Hình 3.9 Đường cong ROC thu đặc trưng BVLC shift 2x2, 3x3mean trường hợp sử dụng cở sở liệu ảnh DDSM b Khi sử dụng biến đổi OD Tính tốn đặc trưng FOS, GLCM, BVLC sử dụng biến đổi OD không sử dụng lựa chọn đặc trưng cho kết bảng 3.8 Bảng 3.8 Kết thu dử dụng biến đổi OD không dử dụng lựa chọn đặc trưng Tỷ lệ test:train 1:9 2:8 Đặc trưng AUC ACC FOS 0.7946 0.8182 GLCM 0.8632 0.8636 BDIP 0.7094 0.7273 BVLC 0.9829 0.9545 FOS 0.8126 0.7500 GLCM 0.8034 0.7955 BDIP 0.5896 0.6591 BVLC 0.9295 0.9091 57 Để cải thiện kết ta sử dụng kỹ thuật lựa chọn đặc trưng Tính tốn đặc trưng BVLC shift 2x2 var mean, 3x3 mean cho kết AUC= 0.98291 Đường cong ROC thu trường hợp mô tả hình TPF FPF Hình 3.10 Đường cong ROC thu đặc trưng BVLC shift 2x2 var mean 3x3 mean Như vậy, ta đưa số nhận xét chung sau: ✓ Đặc trưng BVLC hiệu sử dụng mơ hình phân loại SVM, phù hợp sở liệu ảnh Mini- Mias DDSM ✓ Đặc trưng BVLC shift 2x2, 3x3 kết hợp với giúp cải thiện đáng kể chất lượng mơ hình phân loại sử dụng SVM ✓ Tỷ lệ tập kiểm tra tập huấn luyện máy SVM ảnh hưởng đến chất lượng phân loại Tỷ lệ chia lớn hiệu phân loại thấp ✓ Độ đặc hiệu cao tỷ lệ dương tính giả thấp ✓ Biến đổi OD giúp cải thiện chất lượng phân loại Khi sử dụng biến đổi OD đặc trưng BVLC shift 2x2 3x3 cho kết phân loại cao với AUC=0.9552 58 3.4 Kết luận Từ kết đạt cho thấy hiệu phân loại máy vector hỗ trợ SVM với nhóm đặc trưng BVLC sử dụng thuật toán biến đổi OD ổn định đạt kết tốt với AUC=0.9552 Với số lượng đặc trưng sử dụng ít, hiệu phân loại cao, thích hợp sử dụng cho sở liệu Mini-MIAS DDSM chứng minh tính đắn phương pháp phân loại 59 KẾT LUẬN Nội dung nghiên cứu luận văn phân tích thử nghiệm thiết lập mơ hình hệ thống phân loại nhằm giảm tỷ lệ dương tính giả, giúp nâng cao hiệu phân loại hệ thống hỗ trợ phân loại vùng nghi ngờ tổn thương hình khối phim chụp X-quang vú Phương pháp phân loại sử dụng máy vector hỗ trợ SVM để phân loại vùng nghi ngờ tổn thương hình khối dựa đặc trưng biến thiên hệ số tương quan cục khối đa mức BVLC, kết hợp thuật toán biến đổi mật độ quang học OD Đây giải pháp hữu hiệu nhằm giảm tỷ lệ dương tính giả mà đảm bảo độ nhạy cao hệ thống phân loại Có thể nhận thấy hiệu phân loại định yếu tố, là: việc lựa chọn đặc trưng, tỷ lệ tập kiểm tra tập huấn luyện tham số (C,γ) Kết đạt cho thấy phương pháp phân loại sử dụng máy SVM thực đơn giản, sử dụng số lượng đặc trưng ít, cho hiệu phân loại cao với AUC = 0.9552 Đồng thời kết rằng, đặc trưng BVLC có khả mơ tả vùng nghi ngờ tổn thương hình khối tốt so với đặc trưng FOS, GLCM hay BDIP Điều chứng minh tính đắn phương pháp phân loại Tuy nhiên, nội dung nghiên cứu luận văn số điểm tồn như: với tỷ lệ chia tập kiểm tra tập huấn luyện lớn hiệu phân loại chưa cao, số mẫu sở liệu ảnh DDSM sử dụng chưa nhiều, dừng lại 220 vùng ROI Vì hướng phát triển luận văn cải thiện hiệu phân loại trường hợp tỷ lệ chia lớn, chẳng hạn tỷ lệ chia 3:7, 4:6 cách phát lỗi xử lý lỗi trình xử lý liệu, mở rộng không gian trường liệu đầu vào 60 TÀI LIỆU THAM KHẢO Tiếng Việt Nguyễn Chấn Hùng (2000) Ung thư học nội khoa, Nhà xuất Y Học Thành phố Hồ Chí Minh http://vietnamnet.vn/vn/suc-khoe/suc-khoe-24h/4-500-phu-nu-viet-tu-vongvi-ung-thu-vu-moi-nam-334280.html Tiếng Anh Alfonso Rojas Domínguez, Asoke K Nandi Detection of masses in mammograms via statistically based enhancement, multilevel-thresholding segmentation, and region selection ScienceDirect Computerized Medical Imaging and Graphics 32(2008) 304 – 315 American College of Radiology; ACR BI-RADS - Mammography, Ultrasound & Magnetic Resonance Imaging; American College of Radiology, 4th Ed (2003) ANDREW E BRADLEY, The Use of The Area Under The ROC Curve in The Evaluation of Machine Learning Algorithms, Cooperative Research Centre for Sensor Signal and Information Processing, Department of Electrical and Computer Engineering, The University of Queensland, QLD 4072, Australia B R Matheus, H Schiabel H, “Online mammographic images database for development and comparison of CAD schemes,” J Digit Imaging, vol 24(3), pp.500-506, 2011 Birdwell R L, Ikeda D M, O’Shaughnessy K D, Sickles E A (2001) Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computer-aided detection Radiology 219:192–202 61 C J Vyborny, M L Giger, and R M Nishikawa (2000) Computer-aided detection and diagnosis of breast cancer Radiologic Clinics of North America, vol 38, 2000, pp 725-740 Eurostat (2002) Health statistics atlas on mortality in the European Union Official Journal of the European Union 10 Eurostat, Health statistics atlas on mortality in the European Union, Official Journal of the European Union, 2002 11 F Levi., F Lucchini, E Negri, P Boyle, C La Vecchia; Mortality from major cancer sites in the European Union, 1995-1998; Annals of Oncology (2003) 12 H D Cheng, X J Shi, R Min, L.M.Hu, X P Cai, H N Du, “Approaches for automated detection and classification of masses in mammograms,” Pattern Recognition, vol.39, pp 646-668, 2006 13 Haralick R M (1979) Statistical and Structural Approaches to Texture.Proceeding of IEEE, vol 67, 1979, pp 786-804 14 http://marathon.csee.usf.edu/Mammography/DDSM/case_description.html 15 http://peipa.essex.ac.uk/info/mias.html 16 http://www.cs.man.ac.uk/~pococka4/MIToolbox.html 17 http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 18 http:// www.cancer.org 19 J Harvey, L Fajardo, and C Innis, “ Previous mammograms in patients with impalpable breast carcinoma: Retrospective vs blinded interpretation”, American Journal of Radiology, vol 161, pp 1167-1172, 1993 20 J A Swets (1988) Measuring the accuracy of diagnostic systems Science, vol 240 21 Jae Young Choi, Dae Hoe Kim, et al , “Multiresolution Local Binary Pattern texture analysis for false positive reduction in computerized detection of breast masses on mammograms” 62 22 Jose C and John son G R Evaluati on of hybrids algorithms for mass detection in digitalzed mammograms IOP publishing Journal of Physic 274(2011) 012045 23 Jostein H, Thor O.G, Kjersti E Detection of circumscribed masses in mammograms using morphological segmentation SPIE, Bellingham, WA, 2005 24 M P Nguyen, Q D Truong, D T Nguyen, T D Nguyen, V D Nguyen (2013), An Alternative Approach to Reduce Massive False Positives in Mammograms Using Block Variance of Local Coefficients Features and Support Vector Machine, 25 Maria VCC, Patricia RV circumscribed mass detection in digital mammograms Proceedings of the Electronics, Robotics and Automotive Mechanics Conference 2006 IEEE 26 Mudigoda NR, Rangayyan RM, Desautels JEL Detection of breast masses in mammograms by density slicing and texture flow – field analysis IEEE Trans Med Imaging 2001; 20(12):1215-27 27 N H Eltonsy, G D Tourassi, and A S Elmaghraby, “A concentric morphology model for the detection of masses in mammography,”IEEE Trans Med Imag., vol 26, no 6, pp 880–889, Jun 2007 28 N Karssemeijer, J D Otten, A L Verbeek, J H Groenewoud, H J de Koning, J H Hendriks and R Holland (2003) Computer-aided detection versus independent double reading of masses in mammograms Radiology, vol 227, 2003, pp 192–200 29 National Cancer Institue, “American Cancer Society Cancer Facts & Figures 2008 ”(http:// www.cancer.org) 30 Nguyen VD, Nguyen DT, Nguyen TD, Truong QD, Le MD Combination of block difference inverse probability features and support vector machine to reduce false positives in computer – aided detection for massive lesions in 63 mammographic images Biomedical Engineering and Informatics(BMEI), 6th International Conference 16-18 Dec, 2013 Hangzhou, China 31 R Campanini, D Dongiovanni, E Iampieri, N Lanconelli, M Masotti,G Palermo, A Riccardi, and M Roffilli, “A novel featureless approachto mass detection in digital mammograms based on support vector machines,” Phys Med Biol., vol 49, no 6, pp 961–975, 2004 32 R E Bird, T W Wallace, and B C Yankaskas, “Analysis of cancers missed at screening mammography,” 184(3), pp 613–617, 1992 33 T M Kolb, J Lichy, J H Newhouse (2002) Comparison of the performance of screening mammography, physical examination, and breast us and evaluation of factors that influence them: an analysis of 27,825 patient evaluations Radiology, vol 225, 2002, pp 165-175 34 Taylor P, Champness J, Given-Wilson R, Johnston K, Potts H, “Impact of computer-aided detection prompts on the sensitivity and specificity of screening mammography,” Health Techn Assess 9(6):pp 1–58, 2005 35 Truong Q D.(2013), “Reducing false positive in computer aided detection for massive lesions in mammographic image using support vector machine and feature texture”, Undergraduate thesis, Hanoi University of Science and Technology 36 U Bick, K Doi (2000) Tutorial on Computer Aided-Diagnosis - Computer Aided Diagnosis Tutorial CARS 2000 37 Viet Dzung Nguyen, Duc Thuan Nguyen, Huu LongNguyen, Duc Huyen Bui, Tien Dzung Nguyen, “Automatic identification of massive lesions in digitalized mammograms,” Proceeding of the Fourth International Conference on Communications and Electronics, 2012 38 Vladimir Vapnik (1995) The Nature of Statistical Learning Theory Springer- Verlag 64 39 Wang H., Huang L.L, Zhao X J., “Automated detection of masses in digital mammograms based on pyramid”, International Conference on Wavelet Analysis and Pattern Recognition, pp 183-187, 2007 40 Yi-Wei Chen, Chih-Jen Lin Combining SVMs with Various FeatureSelection Strategies 65 ... tổn thương hình khối tổn thương vơi hóa Tổn thương hình khối hình ảnh tổn thương tạo thành hình khối xuất bất thường tổ chức tuyến vú xuất ảnh X- quang vú chụp với hướng chụp khác Hình ảnh tổn thương. .. Phân loại vùng nghi ngờ Dữ liệu đầu (Các vùng tổn thương hình khối) Hình 12 Sơ đồ hệ thống CAD Tại mô đun phát vùng nghi ngờ, vùng ảnh chụp X- quang vú nghi ngờ (có khả cao) chứa tổn thương hình khối. .. thư vú hệ thống hỗ trợ phát dấu hiệu tổn thương hình khối phim chụp X- quang vú Chương 2: Phân loại vùng nghi ngờ tổn thương hình khối sử dụng máy vector hỗ trợ SVM Chương 3: Kết đạt nhận x? ?t