Nghiên cứu ứng dụng máy học để phân đoạn và tính thể tích khối u gan trong ảnh mr ổ bụng ba chiều

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH ĐỖ THỊ NGỌC YẾN NGHIÊN CỨU ỨNG DỤNG MÁY HỌC ĐỂ PHÂN ĐOẠN VÀ TÍNH THỂ TÍCH KHỐI U GAN TRONG ẢNH MR Ổ BỤNG BA CHIỀU Chuyên ngành: KHOA HỌC MÁY TÍNH Mã chuyên ngành: 60480101 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, NĂM 2019 Cơng trình hồn thành Trường Đại học Cơng nghiệp thành phố Hồ Chí Minh Người hướng dẫn khoa học: PGS.TS Huỳnh Trung Hiếu Người phản biện 1: TS Nguyễn Thành Sách Người phản biện 2: TS Lê Nhật Duy Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Cơng nghiệp thành phố Hồ Chí Minh ngày 21 tháng 10 năm 2019 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS TS Phạm Thế Bảo - Chủ tịch hội đồng TS Nguyễn Thành Sách - Phản biện TS Lê Nhật Duy - Phản biện PGS.TS Nguyễn Hoà - Ủy viên TS Đặng Thị Phúc - Thư ký CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Đỗ Thị Ngọc Yến MSHV: 15001311 Ngày, tháng, năm sinh: 29/10/1990 Nơi sinh: Đồng Tháp Chuyên ngành: Khoa học Máy tính Mã chuyên ngành: 60480101 I TÊN ĐỀ TÀI: Nghiên cứu ứng dụng máy học để phân đoạn tính thể tích khối u gan ảnh MR ổ bụng ba chiều NHIỆM VỤ VÀ NỘI DUNG: Tìm hiểu ảnh y khoa MR Nghiên cứu thuật toán fast marching geodesic active contours, áp dụng thuật toán fast marching geodesic active contours vào xác định biên tính thể tích khối u gan Cài đặt thực nghiệm đánh giá kết quả II NGÀY GIAO NHIỆM VỤ: ngày 29 tháng 12 năm 2016 III NGÀY HOÀN THÀNH NHIỆM VỤ: ngày 29 tháng 06 năm 2017 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Huỳnh Trung Hiếu Tp Hồ Chí Minh, ngày … tháng … năm 2019 NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN LỜI CẢM ƠN Trong suốt trình làm luận văn, Thầy PGS.TS Huỳnh Trung Hiếu dành nhiều thời gian quý báo Thầy để bảo, hướng dẫn rất tận tình tạo điều kiện để tơi hồn thiện luận văn Tơi xin bày tỏ lịng biết ơn sâu sắc gửi lời cảm ơn chân thành đến PGS.TS Huỳnh Trung Hiếu Xin gửi lời cám ơn chân thành đến Ban giám hiệu trường Đại học Công nghiệp thành phố Hồ Chí Minh, q Thầy Cơ khoa cơng nghệ thơng tin phịng Quản lý Sau đại học tạo điều kiện, hỗ trợ cho thời gian học trường thời gian làm luận văn Tôi xin cảm ơn người thân bạn bè chia sẻ, giúp đỡ, động viên, cổ vũ cho tơi suốt q trình học tập trình làm luận văn Mặc dù, bản thân cố gắng hoàn thành luận văn luận văn cịn thiếu sót Kính mong nhận ý kiến đóng góp quý báo để luận văn hồn thiện i TĨM TẮT LUẬN VĂN THẠC SĨ Ung thư gan một bệnh nguy hiểm có tỷ lệ tử vong cao Để có phương pháp can thiệp điều trị bệnh mợt cách tốt nhất, bệnh rất cần phát sớm Ngày nay, bệnh chẩn đoán phát sớm khối u nhỏ chưa có biểu di căn, với biện pháp điều trị tiên tiến tăng thời gian sống Ngược lại, khối u chẩn đốn ṃn giai đoạn tiến triển, di căn, xâm lấn mạch máu, chức gan suy giảm trầm trọng trình điều trị trở nên phức tạp thời gian sống ngắn Hiện nay, có nhiều phương pháp chẩn đốn ung thư gan thường gặp: xét nghiệm AFP (Alpha-foetoprotein), siêu âm, chụp cắt lớp vi tính (CT), chụp cợng hưởng từ (MRI)… Chụp cợng hưởng từ xem phương pháp khảo sát ảnh tốt nhất để đánh giá bệnh gan khối u gan Ảnh MR cho phép phân tích nhiều đặc tính mơ, cho ảnh đa mặt cắt, độ tương phản độ phân giải không gian tối ưu Với chất lượng đời sống ngày tăng cao so với trước nên lựa chọn phương pháp chụp MRI ngày phổ biến Thời gian gần đây, có nhiều tiếp cận nghiên cứu đề xuất, nhiên phân đoạn tính thể tích khối u gan ảnh MR ổ bụng ba chiều toán nhiều thách thức, thu hút nghiên cứu nước Luận văn đề xuất sử dụng ảnh phân đoạn xác định vùng gan ổ bụng để giới hạn vùng học mạng nơ-ron Tiếp đó, dùng thuật tốn fast marching để xác định hình dạng xấp xỉ khối u gan Cuối cùng, tinh chỉnh khối u gan giải pháp active contours để tinh chỉnh biên tính thể tích khối u gan ii ABSTRACT Liver cancer as well as malignant liver cancer is a serious disease and has a high mortality rate In order to have the best treatment interventions, the disease needs to be detected early If the disease is diagnosed early when small tumors have not metastasized, modern treatments can increase the survival time In contrast, the tumor is diagnosed late in the stage of progression, metastasis, invasion of blood vessels, liver function decline severely, the treatment will become more complex and shorter time At present, there are many common methods for diagnosing liver cancer: AFP (Alpha-fetoprotein), ultrasound, CT, MRI MRI is the best current imaging method for evaluating liver diseases as well as liver tumors MR photo allow for the analysis of multiple tissue features, for multi-faceted images, contrast and optimal spatial resolution With the quality of life is higher than before the choice of MRI method is increasingly popular In recent years, although there are many proposed approaches, the segmentation and volume calculation of liver tumors in MR imaging is still a challenging one in country and international The thesis uses liver segmented images to define the area of the liver in the abdomen to limit the learning area of the nơ-ron Next, use the fast marching algorithm to determine the approximate shape of the liver tumor Finally, fine tune the liver tumor with active contours to refine the margin and calculate the volume of the liver tumor iii LỜI CAM ĐOAN Tác giả xin cam đoan cơng việc trình bày luận văn tác giả thực với hướng dẫn PGS.TS Huỳnh Trung Hiếu Các kết quả tham khảo từ cơng trình khác ghi rõ luận văn Tác giả xin chịu trách nhiệm nghiên cứu Học viên Đỗ Thị Ngọc Yến iv MỤC LỤC LỜI CảM ƠN i TÓM TẮT LUẬN VĂN THẠC SĨ ii ABSTRACT iii LỜI CAM ĐOAN iv MỤC LỤC v DANH MỤC HÌNH ẢNH vii DANH MỤC BẢNG BIỂU viii DANH MỤC TỪ VIẾT TẮT ix MỞ ĐẦU 1 Đặt vấn đề .1 Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu .2 Ý nghĩa thực tiễn đề tài .2 CHƯƠNG TỔNG QUAN 1.1 Tổng quan xử lý ảnh 1.1.1 Giới thiệu xử lý ảnh .4 1.1.2 Quá trình xử lý ảnh .4 1.1.3 Một số khái niệm bản 1.2 Tổng quan phân đoạn ảnh 1.2.1 Phân đoạn dựa vào ngưỡng 1.2.2 Phân đoạn dựa theo đường biên 1.2.3 Phân doạn theo miền đồng nhất .13 1.3 Tổng quan nghiên cứu trích xuất u gan 16 CHƯƠNG TIẾP CẬN MÁY HỌC TRONG PHÂN ĐOẠN ẢNH Y KHOA 17 2.1 Giới thiệu tiếp cận máy học 17 2.2 Phân loại .18 2.2.1 Học không giám sát (Unsupervised Learning) 18 v 2.2.2 Học bán giám sát (Semi-Supervised Learning) 18 2.2.3 Học có giám sát (Supervised Learning) 19 2.2.4 Học tăng cường (Reinforcement Learning) .19 2.2.5 Học sâu (Deep learning) 19 2.3 Mạng nơ-ron .20 2.3.1 Mạng nơ-ron sinh học 20 2.3.2 Mạng nơ-ron nhân tạo (ANN) 20 2.3.3 Huấn luyện mạng nơ-ron 26 2.4 Mạng nơ-ron một lớp ẩn .27 2.5 Máy học cực độ 28 2.6 Ứng dụng máy học xử lý ảnh y khoa 29 2.6.1 Ảnh y khoa .29 2.6.2 Xử lý ảnh y khoa 31 2.6.3 Ứng dụng mạng nơ-ron xử lý ảnh y khoa .32 CHƯƠNG TÍCH KỸ THUẬT PHÂN ĐOẠN KHỐI U GAN VÀ TÍNH THỂ 33 3.1 Sơ đồ phân đoạn tính thể tích khối u gan 33 3.2 Phân đoạn gan .33 3.3 Tiền xử lý 34 3.4 Xác định biên xấp xỉ khối u 35 3.5 Tinh chỉnh 37 3.6 Tính thể tích 38 CHƯƠNG CÀI ĐẶT THỰC NGHIỆM 39 4.1 Thực nghiệm .39 4.2 Đánh giá kết quả 42 4.2.1 Tiêu chuẩn vàng .42 4.2.2 So sánh, đánh giá kết quả 42 KẾT LUẬN VÀ KIẾN NGHỊ 45 TÀI LIỆU THAM KHẢO 46 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN vi DANH MỤC HÌNH ẢNH Hình 2.1 Mơ hình bản mạng nơ-ron .21 Hình 2.2 Đơn vị xử lý .21 Hình 2.3 Hàm đồng nhất 23 Hình 2.4 Hàm bước nhị phân 23 Hình 2.5 Hàm Sigmoid .24 Hình 2.6 Hàm sigmoid lưỡng cực .24 Hình 2.7 Mạng nơ-ron truyền thẳng nhiều lớp 25 Hình 2.8 Mạng nơ-ron hồi quy 26 Hình 2.9 Mơ hình học có giám sát (Supervised learning model) .27 Hình 2.10 Mạng nơ-ron mợt lớp ẩn 27 Hình 2.11 Dàn máy chụp cộng hưởng từ 29 Hình 2.12 Mợt số slice ảnh chụp MR ổ bụng ba chiều .30 Hình 3.1 Sơ đồ phân đoạn khối u gan .33 Hình 4.1 Ảnh MR ổ bụng ba chiều 39 Hình 4.2 Ảnh MR phân đoạn gan ổ bụng ba chiều 40 Hình 4.3 Slice trích xuất vùng khối u .41 Hình 4.4 Slice khu vực gán nhãn .41 Hình 4.5 Slice phân đoạn khối u gan 41 vii Việc phân đoạn gan thông thường bác sĩ phải vẽ vùng gan áp dụng thuật tốn để phân đoạn gan Ở đây, tác giả sử dụng kết quả phân đoạn gan có sẵn để làm giới hạn vùng học 3.3 Tiền xử lý Điểm gieo ban đầu chọn bên bên khối u để xác định vùng ROI 𝐼𝑅0 (x,y,z) chứa khối u gan Ảnh chứa khối u giảm nhiễu tăng cấu trúc khối u gan thuật toán khuếch tán Thuật tốn dựa phương trình (3-1) 𝜕𝐼𝑅 ∇𝐼𝑅 = |∇𝐼𝑅 |∇ ∙ 𝑐 (|∇𝐼𝑅 |) |∇𝐼𝑅 | 𝜕𝑡 (3-1) Trong IR (⋅,t) hàm ảnh với ảnh ban đầu t = cho IR (⋅, t = 0) = 𝐼𝑅0 (⋅) c(⋅) hệ số khuếch tán nhằm kiểm sốt mức đợ nhiễu đợ tương phản Ảnh giảm nhiễu sau truyền qua một bộ lọc Gradient Gaussian để tạo 𝐼𝐺 nhằm làm đường biên Các ảnh tăng cường Gradient xác định (3-2) 𝐼𝑀 = √( 𝜕𝐼𝐺 𝜕𝐼𝐺 𝜕𝐼𝐺 𝜕𝑥 𝜕𝑦 𝜕𝑧 ) +( ) +( ) (3-2) 𝐼𝐺 = 𝐼𝐷 ∗ √2𝜋𝜎 𝑒 𝑥2 +𝑦2 +𝑧2 2𝜎2 − (3-3) 𝜎 phương sai phân bố Gaus Sau đó, ảnh sử dụng để tạo tăng cường biên dựa phương trình (3-4) Trong đó, 𝛼 𝛽 tham số xác định phạm vi tâm tăng cường ảnh Trong nghiên cứu này, 𝛼 𝛽 sử dụng theo kinh nghiệm nguyên cứu trước [3] 𝐼𝑝 = 1 + 𝑒 {−(𝐼𝑀 −𝛽)/𝛼} 34 (3-4) 3.4 Xác định biên xấp xỉ khối u Vùng khối u xấp xỉ cách sử dụng phương pháp fast marching Thuật toán dựa giải pháp số phương trình Eikonal (3-5) Với T hàm thời gian đến 𝐹 hàm vận tốc mà thu từ ảnh tăng cường IP (3-4) |∇𝑇|𝐹 = (3-5) Tập điểm tồn bợ ảnh phân thành ba nhóm:  Known: chứa điểm gieo ban đầu;  Trial: chứa láng giềng Known;  Far: điểm khác Đầu phương pháp fast marching ảnh bản đồ thời gian ITM cho biết thời gian đến điểm (từ điểm gieo ban đầu) Sử dụng phương trình (3-6) để tạo vùng gán nhãn Với MF số lần lặp tối đa cho fast marching 1, 𝐼𝑇𝑀 (𝑥, 𝑦, 𝑧) ≤ 𝑀𝐹 𝑣à 𝑣𝑜𝑥𝑒𝑙 𝑡ℎ𝑢ộ𝑐 𝑣ù𝑛𝑔 𝑘ℎố𝑖 𝑢 𝐼𝑆 (𝑥, 𝑦, 𝑧) = {2, 𝐼𝑇𝑀 (𝑥, 𝑦, 𝑧) ≤ 𝑀𝐹 𝑣à 𝑣𝑜𝑥𝑒𝑙 𝑛𝑔𝑜à𝑖 𝑣ù𝑛𝑔 𝑘ℎố𝑖 𝑢 0, 𝑐á𝑐 đ𝑖ể𝑚 𝑘ℎá𝑐 (3-6) Các điểm ảnh duyệt qua gán nhãn sử dụng để huấn luyện mạng nơ-ron Mạng nơ-ron sau huấn luyện sử dụng để phân lớp điểm ảnh cịn lại (khơng duyệt qua fast marching) Có nhiều mơ hình mạng nơ-ron đề xuất Tuy nhiên, người ta chứng minh rằng, mạng nơ-ron mợt lớp ẩn (SLFN) tạo biên phân lớp có hình dạng bất kỳ số nút ẩn hàm truyền chọn mợt cách thích hợp [3] Do đề tài, tác giả tập trung sử dụng SLFN Các yếu tố đầu vào mạng nơ-ron mợt lớp ẩn (SLFN) gồm voxel chuẩn hóa ảnh ROI (IR) voxel thường thuộc local window 𝐿𝑊 Mợt mơ hình đầu vào tương ứng với IR(x,y,z) xác định phương trình (3-7) Trong đó, Imin, Imax mức giá trị voxel tối thiểu tối đa 35 𝑃𝑥𝑦𝑧 = {−1 + 2(𝐼𝑅 (𝑥−𝑖,𝑦−𝑗,𝑧−𝑘)−𝐼𝑚𝑖𝑛 ) (𝐼𝑚𝑎𝑥 −𝐼𝑚𝑖𝑛 ) | 𝑖, 𝑗, 𝑘 ∈ 𝐿𝑊 } (3-7) Tại đây, ta thu kết quả đầu voxel trung tâm tḥc local window Nó giá trị để xác định khối u không phải khối u, tạo (3-8) Trong đó, wk trọng số kết nối từ lớp nhập đến nút ẩn thứ k, bk đợ lệch nó, a = [ak1, ak2, ,] trọng số kết nối từ nút ẩn thứ k đến lớp ra, 𝜑(⋅) hàm truyền lớp ẩn , thường hàm sigmoid K 𝑜𝑥𝑦𝑧 = ∑ a𝑘 φ(P𝑥𝑦𝑧 ∙ W𝑘 + b𝑘 ) (3-8) 𝑘=1 Giá trị ngõ kỳ vọng tương ứng với đầu vào pxyz thu từ vùng huấn luyện IS (3-9) 𝑡𝑥𝑦𝑧 = 𝑓 (𝑥) = { (0 1)𝑇 , 𝐼𝑆 (𝑥, 𝑦, 𝑧) = (1 0)𝑇 , 𝐼𝑆 (𝑥, 𝑦, 𝑧) = (3-9) Giả sử điểm ảnh gán nhãn vùng huấn luyện Tập huấn luyện cho S= {(pi, ti),i = 1,2, ,n}, mẫu pi, ti thu từ 𝐼R, Is cách sử dụng công thức giá trị đầu kỳ vọng Hàm lỗi xác định công thức (3-9) n 𝐸 = ∑‖o𝑖 − 𝑡𝑖 ‖ (3-10) 𝑖=1 Trong đó, oi đầu thực tế tương ứng với đầu vào pi Trong máy học cực đợ, q trình học mơ hình hóa cách tìm lời giải mợt mơ hình tuyến tính xác định HA = T, H ma trận đầu lớp ẩn xác định phương trình (3-10) 36 𝜑(𝑤1 ∙ p1 + 𝑏1 ⋮ =[ (𝑤1 ∙ p𝑛 + 𝑏1 T = [t ⋯ 𝜑(𝑤𝐾 ∙ p1 + 𝑏𝐾 ) ⋱ ⋮ ], ) ⋯ 𝜑(𝑤𝐾 ∙ p𝑛 + 𝑏𝐾 t … t 𝑛 ]𝑇 , A = [𝑎1 a2 … (3-11) a 𝐾 ]𝑇 Trong máy học cực độ, độ lệch trọng số đầu vào gán giá trị ngẫu nhiên, trọng số lớp xuất xác định cách sử dụng giả nghịch đảo MoorePenrose (3-11) ̂ = H† T A (3-12) Trong đó, H† giả nghịch đảo H Để làm cho hệ thống ổn định hơn, phương pháp cải tiến đề xuất, hệ số 𝜆 thêm vào lời giải A cho (3-12) ̂ = (H𝑇 H + λI)−1 H𝑇 T A (3-13) 3.5 Tinh chỉnh Kết quả đầu thuật toán fast marching 3D ảnh xấp xỉ ban đầu khối u gan Thuật toán phân đoạn geodesic active contour 3D để tinh chỉnh bề mặt ban đầu xác định biên khối u gan xác Tiếp cận geodesic active contour (GAC) dựa mối quan hệ active contours tính tốn geodesic hay khoảng cách tối thiểu đường cong [9] Cho 𝐼(𝑥, 𝑦): Ω → 𝑅 ± ảnh xám Geodesic active contour một đường cong biểu diễn C(t) đại diện tập level zero hàm thiết lập level 𝜙(𝑡, 𝑥, 𝑦) Đường cong C(t) viết lại (3-13) 𝐶(𝑡) ⟺ {(𝑥, 𝑦)𝜙(𝑡, 𝑥, 𝑦) ⟺ 0} (3-14) Sự phát triển geodesic active contour đưa vào hàm thiết lập level xây dựng phương trình vi phân (3-14) 37 𝑑𝜙 = 𝑔(𝐼)‖∇𝜙‖[𝑑𝑖𝑣(∇𝜙‖∇𝜙 + v) + ∇g(I)x∇𝜙] 𝑑𝑡 (3-15) Trong đó, v thông số liên thông dùng để điều khiển phình đường cong, g hàm biểu diễn cạnh, thường định nghĩa (3-15) Trong đó, Gσ biểu thị bộ lọc Gaussian với độ lệch chuẩn σ Với khởi tạo riêng, đường cong C đại diện level hàm level ɸ dừng cạnh mong muốn hàm g ước lượng Phương pháp GAC sử dụng để tối ưu hóa FMS (ɸ, C) với quan hệ ɸ Bắt đầu khởi tạo cho trước ɸ0, sau cập nhật ɸ C 𝑔(𝐼) = 1 + ‖∇(𝐺𝜎 x 𝐼)‖2 (3-16) 3.6 Tính thể tích Kết quả thu ảnh phân đoạn khối u gan với nhãn gán Thể tích khối u gan tính dựa tổng số điểm ảnh có giá trị nhân với kích thước ba chiều điểm ảnh 38 CHƯƠNG CÀI ĐẶT THỰC NGHIỆM 4.1 Thực nghiệm Dữ liệu sử dụng cho thực nghiệm tính thể tích khối u gan bợ ảnh MR ba chiều bệnh viện uy tín Mỗi bợ ảnh có 56 slice, slice ảnh có kích thước 230 x 320 pixel với độ rộng từ 1.18 đến 1.31mm độ dày slice từ 3.5 đến 4mm Hình 4.1 ảnh MR ổ bụng ba chiều tương ứng điểm (128,73,37) Hình 4.1 Ảnh MR ổ bụng ba chiều Sử dụng ảnh xấp xỉ phân đoạn gan ổ bụng ba chiều để giới hạn việc học nơ-ron vùng gan Hình 4.2 ảnh MR phân đoạn gan ổ bụng ba chiều tương ứng điểm (105,124,29) Tập liệu ảnh gồm hai mươi lăm khối u mười sáu bệnh nhân Mười lăm khối u từ mười lăm bệnh nhân chụp bới máy MR 1.5T (Avato, Siemens) trung tâm y khoa Medic Mười khối u lại từ tập liệu TCIA (Cancer Imaging Archive) [10] Các khối u vẽ chun gia chẩn 39 đốn hình hỉnh để làm chuẩn vàng (Gold standard) Hình 4.2 Ảnh MR phân đoạn gan ổ bụng ba chiều Tác giả sử dụng thư viện mã nguồn mở ITK để cài đặt chương trình tính thể tích khối u gan Các hình 4.3, hình 4.4 hình 4.5 bên kết quả trung gian phân đoạn khối u gan ổ bụng 40 Hình 4.3 Slice trích x́t vùng khối u Hình 4.4 Slice khu vực gán nhãn Hình 4.5 Slice phân đoạn khối u gan 41 4.2 Đánh giá kết 4.2.1 Tiêu chuẩn vàng Chuyên gia vẽ thủ công biên khối u gan cho lát cắt ảnh MR ổ bụng ba chiều Từ xác định mơ hình thể tích khối u gan, kết quả xem tiêu chuẩn vàng 4.2.2 So sánh, đánh giá kết Tỉ lệ lỗi (E) cho thể tích có từ chương trình đề xuất tác giả thể tích theo tiêu chuẩn vàng xác định cơng thức (4-1) Trong đó, 𝑉𝑐 thể tích thu từ chương trình đề x́t; 𝑉𝑚 thể tích tính chuẩn vàng E=| (𝑉𝑐 − 𝑉𝑚 ) | 𝑉𝑚 42 (4-1) Bảng 4.1 So sánh kết quả thể tích khối u gan Ảnh khối u gan Vm(cc) Vc (cc) E VO 4.06196 3.86947 4.73876 32.6042 11.850 4.35625 17.2023 65.7867 0.306 0.281.33 32 Tương tự, Volumetric overlap (VO) dựa kết quả khối u mà chương trình thu với kết quả khối u theo phương pháp thủ công VO xác định dựa công thức (4-2) Trong đó, TP (true positive) phần mà chương trình trích xuất trùng khớp với kết quả trích xuất theo phương pháp truyền thống; FP (false positive) phần mà chương trình nhằm u gan; FN (False negative) phần mà chương trình bỏ sót theo phương pháp truyền thống xác định u gan VO = − |TP| |TP| + |FP| + |FN| (4-2) Khối u gan ổ bụng ba chiều mà chương trình đề xuất thu gần so với 43 khối u tính tốn theo cách truyền thống Bảng 4.1, trình bày kết quả thể tích bốn khối u gan tính tốn chương trình phương pháp truyền thống So sánh tập 25 khối u, thể tích tính chương trình máy tính 13.88±33.21cc, kết quả tính phương pháp thủ công 15.36±36.77cc Kết quả so sánh VO cho tập liệu 25 khối u trình bày Bảng 4.2 Bảng 4.2 Kết quả so sánh 25 khối u gan Tập liệu Mean Standard deviation Min Max Medic 26.66 7.06 15.7 39.47 TCIA 28.57 10.89 13.71 47.89 Cả 27.43 8.63 13.71 47.89 Trên cả tập liệu, VO 27.43%, giá trị VO thấp nhất cao nhất 13.71 47.89% Rất khó để so sánh kết quả với phương pháp khác thực với tập liệu khác Tuy nhiên kết quả khả quan so với kết quả Dirk Smeets et al [11] với VO 32.64% Weimin Huang et al [12] với VO 67.15% 44 KẾT LUẬN VÀ KIẾN NGHỊ Ảnh chụp MR ổ bụng ba chiều áp dụng phổ biến hơn, mà nghiên cứu phân tích cịn rất tiềm Hơn thế, bệnh u gan rất nguy hiểm, cần phải chẩn đoán sớm để kịp thời có phác đồ điều trị hợp lý Cho nên rất cần thiết mợt chương trình hỗ trợ phân đoạn, tính tốn xác định thể tích khối u gan, giúp cho bác sĩ có kết quả nhanh so với thực theo phương pháp truyền thống Với kỹ thuật tiền xử lý ảnh MR có chứa khối u gan với bộ lọc gradient gaussian làm biên giảm nhiễu Biên xấp xỉ khối u gan xác định dựa vào phương pháp fast marching 3D sử dụng mơ hình SLFN để h́n luyện điểm gieo cho ban đầu Kết quả thu ảnh xấp xỉ ban đầu khối u gan Tiếp theo, sử dụng thuật toán geodesic active contour 3D để làm mịn bề mặt biên xác định khối u xác Cuối cùng, tính tốn thể tích khối u gan thu Cho nên, đề xuất hữu ích cho bác sĩ hệ thống chẩn đốn hỗ trợ máy tính nhằm phát khối u gan ảnh MR ổ bụng ba chiều Đối với u gan nằm vị trí rõ ràng chương trình đề xuất cho kết quả xác so với kết quả tính tốn theo cách truyền thống Tuy nhiên, nghiên cứu liên quan đến xác định tính thể tích khối u gan ảnh MR ổ bụng ba chiều nói riêng, nghiên cứu liên quan đến ảnh MR nói chung nhiều cá nhân tổ chức tham gia nghiên cứu 45 TÀI LIỆU THAM KHẢO [1] Jan Hendrik Moltz et al "Segmentation of Liver Metastases in CT Scans by Adaptive Thresholding and Morphological Processing," The MIDAS Journal— Grand Challenge Liver Tumor Segmentation No Proceedings of the 2008 MICCAI Workshop, pp 1-10, 11/ 08/ 2008 [2] Anirudh Choudhary et al "An Entropy Based Multi-Thresholding Method for Semi-Automatic Segmentation of Liver Tumors," The MIDAS Journal - Grand Challenge Liver Tumor Segmentation Pp 1-12, 07/ 07/ 2008 [3] Trong-Ngoc Le et al "Liver Tumor Segmentation from MR Images Using 3D Fast Marching Algorithm and Single Hidden Layer Feedforward Nơ-ron Network," BioMed Research International Vol 2016, no 3219068, p 8, 2016 [4] Vũ Hải Bằng "Viện khoa học thống kê." 07 11 2018 [Online] Available: http://vienthongke.vn/tin-tuc/43-tin-tuc/3193-may-hoc-la-gi-cac-khai-niemco-ban-ve-may-hoc [Accessed 31 12 2018] [5] Huỳnh Trung Hiếu "So sánh thuật giải lan truyền ngược máy học cực đợ phân tích liệu y khoa," Tạp chí Đại học Cơng Nghiệp, Trường Đại học Cơng Nghiệp thành phố Hồ Chí Minh Vol 07, pp 34-39, 05/2011 [6] Huỳnh Trung Hiếu and Hồ Đắc Quán "Xác định Hematocrit sử dụng mạng nơron huấn luyện online dựa máy học cực đợ," Tạp chí Tin học Điều khiển tin học, pp 277-284, 2013 [7] Trung Tâm Tim Mạch “Máy chụp cộng hưởng.” 09 08 2016 [Online] Available: http://trungtamtimmach.vn/May-chup-cong-huong-tu-toan-than-15Tesla-436.html [Accessed 30 07 2018] [8] Zhenghao Shi et al "Survey on Nơ-ron Networks Used for Medical Image Processing," International Journal of Computational Science Vol 3, no 1, pp 86-100, 2009 [9] Ananth and Pannirselvam "A Geodesic Active Contour Level Set Method for Image Segmentation," Image, Graphics and Signal Processing Pp 31-37, 2012 [10] "Frederick National Laboratory for Cancer Research The Cancer Imaging Archive (TCIA)." 2013 [Online] Available: https://www.cancerimagingarchive.net/ [Accessed 27 06 2016] [11] Dirk Smeets et al "Semi-automatic level set segmentation of liver tumors combining a spiral-scanning technique with supervised fuzzy pixel classification," Medical Image Analysis Vol 14, pp 13-20, 2010 46 [12] Weimin Huang et al "Liver tumor detection and segmentation using kernelbased extreme learning machine," Proceedings of the 35th Annual International Conference of the, pp 3662–3665, 07 2013 [13] Zhou et al “Semi-automatic segmentation of 3D liver tumors from CT scans using voxel classification and propagational learning,” The MIDAS Journal— Grand Challenge Liver Tumor Segmentation No Proceedings of the 2008 MICCAI Workshop, p 43, 07/ 07/ 2008 [14] Shimizu et al “Ensemble segmentation using AdaBoost with application to liver lesion extraction from a CT volume,” The MIDAS Journal—Grand Challenge Liver Tumor Segmentation No Proceedings of the 2008 MICCAI Workshop, 08/ 08/ 2008 [15] Nugroho et al “Contrast enhancement for liver tumor identification,” The MIDAS Journal—Grand Challenge Liver Tumor Segmentation No Proceedings of the 2008 MICCAI Workshop, p 201, 07/ 08/ 2008 [16] Choudhary et al “An entropy based multi-thresholding method for semiautomatic segmentation of liver tumors,” The MIDAS Journal—Grand Challenge Liver Tumor Segmentation No Proceedings of the 2008 MICCAI Workshop, pp 43-49, 07/ 07/ 2008 47 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN I LÝ LỊCH SƠ LƯỢC: Họ tên: ĐỖ THỊ NGỌC YẾN Giới tính: Nữ Ngày, tháng, năm sinh: 29/10/1990 Nơi sinh: Đồng Tháp Email: yendtn.2015@gmail.com Điện thoại: 0974763610 II QUÁ TRÌNH ĐÀO TẠO: 2008 - 2013: Học đại học chuyên ngành Khoa học máy tính trường Đại học Đồng Tháp 2015 - 2018: Học cao học chuyên ngành Khoa học máy tính trường Đại học Cơng Nghiệp TP.HCM III Q TRÌNH CƠNG TÁC CHUN MƠN: Thời gian Nơi công tác 2013-2015 Đại học Thủ Dầu Một 2015-2016 Đại học (Hutech) 2016 Công Công việc đảm nhiệm Nhân viên lập trình Nghệ TP.HCM Thư ký Khoa đến Công ty Hệ thống Thông tin FPT (FPT Nhân viên phân tích (BA) Information System - FPT IS) Tp HCM, ngày tháng Năm 20 Người khai Đỗ Thị Ngọc Yến ... tổng quát: Nghiên c? ?u tiếp cận phân đoạn tính thể tích khối u gan ảnh MR ổ bụng ba chi? ?u Mục ti? ?u nghiên c? ?u cụ thể:  Nghiên c? ?u ảnh MR ổ bụng ba chi? ?u tiếp cận tiền xử lý ảnh y khoa;  Phân. .. THUẬT PHÂN ĐOẠN KHỐI U GAN VÀ TÍNH THỂ TÍCH 3.1 Sơ đồ phân đoạn tính thể tích khối u gan Ảnh MR ổ bụng 3D Phân đoạn gan Tiền xử lý phân đoạn khối u Xác định biên xấp xỉ khối u Tinh chỉnh Tính. .. Nghiên c? ?u ứng dụng máy học để phân đoạn tính thể tích khối u gan ảnh MR ổ bụng ba chi? ?u NHIỆM VỤ VÀ NỘI DUNG: Tìm hi? ?u ảnh y khoa MR Nghiên c? ?u thuật toán fast marching geodesic active contours,