Xác định biên u gan có thể giúp các bác sĩ theo dõi sự thay đổi kích thước u. Thông tin này được sử dụng để đánh giá hiệu quả điều trị ung thư sử dụng thuốc. Trong bài viết đề xuất sử dụng thuật toán học nhanh thông tin cục bộ để xác định vùng u gan từ ảnh cộng hưởng từ (MR) ổ bụng ba chiều. Trước hết khu vực giới hạn vùng chứa u (ROI) được xác định và thuật toán Fast Marching được dùng để xây dựng tập huấn luyện.
Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019 DOI: 10.15625/vap.2019.00070 XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHIỀU SỬ DỤNG THUẬT TỐN HỌC NHANH THƠNG TIN CỤC BỘ Lê Trọng Ngọc 1, 2, Hồ Đắc Quán1, 2, Phạm Thế Bảo3, Huỳnh Trung Hiếu1 Đại học Công nghiệp TP HCM Đại học Khoa học Tự nhiên, Đại học quốc gia TP HCM Đại học Sài Gòn ngoc.le@fulbrightmail.org, hodacquan@iuh.edu.vn, ptbao@hcmus.edu.vn, hthieu@ieee.org TÓM TẮT: Xác định biên u gan giúp bác sĩ theo dõi thay đổi kích thước u Thơng tin sử dụng để đánh giá hiệu điều trị ung thư sử dụng thuốc Trong báo chúng tơi đề xuất sử dụng thuật tốn học nhanh thơng tin cục để xác định vùng u gan từ ảnh cộng hưởng từ (MR) ổ bụng ba chiều Trước hết khu vực giới hạn vùng chứa u (ROI) xác định thuật toán Fast Marching dùng để xây dựng tập huấn luyện Tập huấn luyện sử dụng để học thông qua mạng neural với thuật tốn học nhanh từ xác định vùng u gan xấp xỉ Biên vùng u gan xấp xỉ tinh chỉnh sử dụng thuật toán Geodesic Active Contour (GAC) Tiếp cận thực nghiệm tập ảnh MR ổ bụng ba chiều bao gồm 14 u gan Hiệu phương pháp đánh giá cách so sánh với tiêu chuẩn vàng (biên u gan xác định chuyên gia) Tỷ lệ vùng u gan bị xác định sai RAVD (Relative Absolute Volume Difference) 13,35±7,19 % Hệ số Dice đo tỷ lệ vùng u gan xác định xác 85,11±3,60 % Khoảng cách trung bình bề mặt biên u gan tiêu chuẩn vàng ASSD (Average Symmetric Surface Distance) 0,70±0,20 mm Khoảng cách xa bề mặt u gan tiêu chuẩn vàng sử dụng khoảng cách Hausdorff 4,99±1,84 mm Từ khóa: MR image, liver volumetry, Fast Marching, ELM I GIỚI THIỆU Xác định biên u gan đóng vai trị quan trọng việc hỗ trợ bác sĩ phẫu thuật theo dõi thay đổi kích thước u gan qua trình điều trị ung thư gan sử dụng thuốc Các bác sĩ xác định biên u gan thực thủ công lát cắt (slice) ảnh cắt lớp vi tính (CT) ảnh cộng hưởng từ (MR) ổ bụng ba chiều Việc xác định biên đòi hỏi nhiều thời gian độ xác biên gan phụ thuộc vào kinh nghiệm, kiến thức người thực Việc phát triển phương pháp xác định biên u gan với hỗ trợ máy tính thực cần thiết để nâng cao hiệu điều trị tiết kiệm thời gian cho bác sĩ (a) Lát cắt 29 (b) Lát cắt 33 (c) Lát cắt 35 Hình Ba 56 lắt cắt ảnh MR ổ bụng ba chiều bệnh nhân ung thư gan Với bề dày việc sử dụng ảnh CT chẩn đoán điều trị ung thư gan, nhiều phương pháp xác định biên u gan ảnh CT công bố Trên tập liệu MICCAI 2008, công bố có kết tốt sử dụng kỹ thuật máy học SVM công bố Zhou cộng [1], AdaBoost công bố Shimizu cộng [2] AdaBoost Daniel Pescia sử dụng để xác định biên u gan ác tính [3] Kumar cộng đề xuất cải tiến fuzzy c-mean (FCM) ứng dụng vào trích xuất u gan [4] Thông tin FCM Li cộng sử dụng ước lượng xác suất điểm ảnh thuộc u gan, từ xây dựng hàm tốc độ cho thuật tốn tập đồng mức [5] Suy diễn dựa xác suất Qi cộng sử dụng kết hợp với thuật toán loang (region growing) [6] Gần kỹ thuật học sâu sử dụng ngày phổ biến toán phân đoạn ảnh y khoa, bao gồm xác định biên u gan [7] Các công bố cung cấp phương pháp có ý nghĩa giải phân bổ mức xám phức tạp u gan, biên mờ nhập nhằng u Tuy nhiên dựa giả định vùng gan u đồng nhất, mức xám lát cắt liền kề tương đồng khơng có thay đổi phân bổ mức xám nhiều ảnh CT ổ bụng Những giả định thường không phù hợp ảnh MR ổ bụng Các phương pháp sử dụng máy học cho kết tốt đòi hỏi tập huấn luyện lớn Vì so với CT, việc xác định biên u gan ảnh MR ổ bụng khó cịn cơng bố [8, 9] Đây tốn mở cịn thách thức nhà khoa học nhiều năm Bài báo sử dụng thuật tốn huấn luyện khơng lặp cho mạng neural truyền thẳng lớp ẩn để học nhanh thông tin cục u gan cần xác định biên Trước hết vùng u chọn để xây dựng tập huấn luyện Trên sở tập huấn luyện này, ta gán nhãn hay u gan cho phần lại sử dụng mạng neural truyền thẳng lớp ẩn Từ xác định vùng u gan xấp xỉ, biên vùng tinh chỉnh thuật toán GAC Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu 547 II XÁC ĐỊNH BIÊN U GAN TRONG ẢNH MR Ổ BỤNG BA CHIỀU A Xác định vùng ROI tập huấn luyện Người dùng chọn điểm u gan làm tâm (ký hiệu điểm O) điểm u gan để xác định bán kính R khoảng cách Euclide từ điểm đến tâm O Các điểm chọn cho hình cầu tâm O bán kính R chứa hồn toàn u gan Để giảm bớt độ phức tạp vùng ngồi u gan, thay sử dụng tồn ảnh MR ổ bụng ba chiều vào việc xác định biên ta quan tâm đến vùng ROI hình cầu tâm O bán kính R+2 Tập huấn luyện gồm điểm u gan gán nhãn điểm u gan gán nhãn Các điểm u gan thuộc tập huấn luyện xác định điểm không nằm ngồi vùng ROI khơng nằm hình cầu tâm O bán kính R Các điểm u gan thuộc tập huấn luyện xác định cách loang từ tâm O theo phương trình Eikonal F T 1, (1) T(x,y,z) thời gian loang từ tâm O đến điểm có tọa độ (x,y,z), điểm O T(O) = F hàm nghịch biến với độ lớn gradient ảnh Như trình loang chậm điểm có độ lớn gradient lớn nhanh điểm có độ lớn gradient nhỏ Để thực hiệu trình loang này, báo sử dụng thuật tốn Fast Marching Sethian [10] Với phức tạp mức xám u gan ảnh MR ổ bụng, trình loang nhanh chóng dừng lại cho ta xác định điểm bên u gan thuộc tập huấn luyện B Xác định vùng u gan xấp xỉ Học từ tập huấn luyện trên, điểm ảnh lại ROI gán nhãn sử dụng mạng neural truyền thẳng lớn ẩn với d đầu vào x j1 , x j , , x jd c đầu o j1 , o j , , o jc có kiến trúc hình vẽ Hình Kiến trúc mạng neural truyền thẳng lớp ẩn Mạng có N nút ẩn ứng với nút ẩn thứ i ta có: độ lệch bi, trọng số đầu vào trọng số đầu w1i , w2i , , wdi , ai1 , , , aic Giá trị đầu mạng tính công thức (2) N o jk d aik x jk wki i bi , k c k (2) Xét tập liệu huấn luyện gồm M mẫu ( x j1 , x j , , x jd , t j1 , t j , , t jc ) | j M ta có hệ phương trình (3) HA T t jk M c ,H h ji M N ,A aik N c T, (3) Để xác định tập trọng số, báo sử dụng thuật tốn huấn luyện khơng lặp đề xuất Huang cộng [9, 11] Trong thuật toán trọng số đầu vào độ lệch chọn ngẫu nhiên, hàm kích hoạt khả vi Lúc ma trận H xác định Hệ phương trình (3) trở thành hệ phương trình tuyến tính, lúc xác định ma trận A từ ma trận giả đảo ma trận H ma trận T công thức (4) A H†T, (4) † với H ma trận giả đảo H theo điều kiện Moore-Penrose [12] Trong báo sử dụng mạng có 125 đầu vào giá trị mức xám 125 điểm ảnh vùng lân cận 5x5x5 đại diện cho điểm ảnh tâm Các giá trị chuẩn hóa miền [-1,1] sử dụng z-score hàm hyperbolic tangent 548 XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHIỀU SỬ DỤNG THUẬT TỐN HỌC … Mạng có đầu với giá trị (0,1) điểm ảnh nằm u (điểm ảnh gán nhãn 1) giá trị (1,0) điểm ảnh nằm u (điểm ảnh gán nhãn 2) Như từ tập tập huấn luyện, trọng số mạng xác định thơng qua cơng thức (4), từ gán nhãn điểm ảnh cịn lại vùng ROI sử dụng cơng thức (2) Các điểm vừa gán nhãn kết hợp với vùng u gan xác định thuật toán Fast Marching tạo thành vùng ứng viên u gan Tiếp đến trích xuất vùng liên thông chứa tâm O vùng ứng viên ta vùng u gan xấp xỉ C Xác định biên u gan Biên vùng u gan xấp xỉ sử dụng mặt biên khởi tạo cho thuật toán GAC [13] Trong thuật toán GAC, biên u gan tinh chỉnh từ biên ban đầu thông qua phương trình vi phân đạo hàm riêng (5) d dt A( p) P( p ) | | Z ( p) | ( p, t ) hàm đồng mức biểu diễn mặt u gan thời điểm t, | (5) ( p, 0) hàm đồng mức biễu diễn bề mặt u ban đầu, A số hạng bình lưu, P số hạng mô tả lan truyền, Z số hạng điều chỉnh không gian cho độ cong trung bình ; α, β γ số III THỰC NGHIỆM VÀ THẢO LUẬN A Dữ liệu thực nghiệm Dữ liệu sử dụng thực nghiệm ảnh MR ổ bụng chiều chụp từ máy cộng hưởng từ 1.5T hãng Siemens Ảnh thu nhận cách sử dụng phương pháp LAVA THRIVE, sử dụng góc nghiêng 100 Tập liệu gồm ảnh thu thập trung tâm y khoa Medic Mỗi ảnh chiều gồm từ 44 đến 56 lát cắt, lát cắt có kích thước 230 x 320 điểm ảnh, kích thước điểm ảnh từ 1,18 đến 1,4 mm Các ảnh có từ đến u cần trích xuất tổng số u trích xuất 14 Các biên u gan bác sĩ chun gia chẩn đốn hình ảnh vẽ tay cách cẩn thận lát cắt ảnh để xây dựng tiêu chuẩn vàng (Gold Standard) dùng cho việc đánh giá hiệu phương pháp trích xuất B Các độ đo Để đánh giá hiệu phương pháp trích xuất so sánh kết trích xuất với tiêu chuẩn vàng Bài báo dùng độ đo RAVD, DSC, ASSD khoảng cách Hausdorff HD Gọi A tập hợp điểm ảnh vùng giới hạn biên u gan xác định thuật toán B tập hợp điểm ảnh tiêu chuẩn vàng Sự phù hợp hai tập hợp A B minh họa hình Hình So sánh kết thuật tốn tiêu chuẩn vàng So với tiêu chuẩn vàng phần u gan xác định a11 , phần u gan xác định nhầm a12 , phần u gan xác định thiếu a21 Tỷ lệ thể tích xác định sai tỷ lệ thể tích xác định tương ứng tính cơng thức (6) (7) RAVD(%) DSC a12 100% a11 a21 2a11 2a11 a12 a21 (6) (7) Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu 549 Hiệu thuật toán cịn xác định thơng qua khoảng cách trung bình khoảng cách xa hai bề mặt (xác định thuật toán tiêu chuẩn vàng) Hai khoảng cách tương ứng tính cơng thức (8) (9) ASSD(mm) a A bA NA b B aB (8) NB HD(mm) max{max a A{minbA }, maxb B {min aB }} (9) minbA minb B {d (a, b)} (10) aB a A{d (a, b)} (11) C Kết thảo luận Chúng thực nghiệm tên u gan ảnh MR để xác định kiến trúc mạng neural, thông số thuật toán Fast Marching thuật toán GAC Kết kiến trúc mạng gồm 150 nút ẩn sử dụng hàm kích hoạt sigmoid Số lần lặp thuật tốn Fast Marching 10 Các thơng số thuật toán GAC α=0,5; β=1,1 γ=1,3 Những giá trị chúng tơi cố định q trình xác định biên u gan lại Riêng tập trọng số mạng neural cập nhật lại thông qua huấn luyện liệu u Trong báo thực xác định biên 14 u gan ảnh MR ổ bụng ba chiều so sánh kết với tiêu chuẩn vàng Các độ đo có kết bảng Bảng Kết thực nghiệm Độ đo Kết RAVD (%) 13,35 ± 7,19 DSC (%) 85,11 ± 3,60 ASSD (mm) 0,70 ± 0,20 HD (mm) 4,99 ± 1,84 Giá trị ASSD trung bình (0,70 mm) độ lệch chuẩn (0,2 mm) tương đối nhỏ cho thấy kết trích xuất xấp xỉ ổn định với tiêu chuẩn vàng Khoảng cách lớn bề mặt u xác định thuật toán với tiêu chuẩn vàng khơng q lớn, HD = 4,99 ± 1,84 mm Hình Kết trích xuất mộ lát cắt ảnh Trên tập liệu ảnh CT, kết ASSD HD công bố Li cộng 1,06 mm 8,6 mm [14] Trong công bố Zhou [15] Qi [16] khơng có thơng tin HD, ASSD tương ứng 1,57 mm 4,12 mm Về độ đo thể phần trăm thể tích u gan xác định sai RAVD, công bố Zhou [15] Qi [16] tập ảnh CT cho kết tương ứng 17,92 mm 34,74 mm Còn công bố Li [14] không cho kết độ đo Kết phần trăm trích thể tích u gan xác định sai ảnh MR RAVD =13,35 ± 7,19 % Măc dù khó so sánh thực nghiệm tập liệu khác nhau, loại ảnh khác Tuy nhiên tập ảnh MR với nhiều phức tạp phân bố liệu, độ đo cho kết tốt có ý nghĩa với đánh giá hiệu phương pháp Với độ đo DSC, phương pháp cho kết xấp xỉ Li (DSC = 86,9 %) [14] Zhou (DSC = 87,2 %) [15] lớn kết Qi (DSC = 80,0 %) [16] Trong trường hợp tính cho u có đường kính 550 XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHIỀU SỬ DỤNG THUẬT TOÁN HỌC … >5 cm kết chúng tơi đạt DSC = 89,7±0,5 % Công bố Kumar cho kết DSC = 91,7%, nhiên khơng có số liệu độ đo lại [17] Sau vùng u gan ban đầu xác định sử dụng thuật toán Fast Marching Kỹ thuật máy học áp dụng tiếp để mở rộng vùng u gan ban đầu Điều khắc phục vấn đề mức xám không đồng u biên u mờ áp dụng phương pháp sở thuật toán loang Qi [16] thuật toán tập đồng mức Li [14] Việc sử dụng liệu huấn luyện ảnh MR ổ bụng ba chiều dùng để xác định biên u gan giúp khắc phục hạn chế biến đổi lớn mức xám ảnh MR khác nhau, đồng thời khắc phục hạn chế biến đổi lớn mức xám lát cắt liền kề ảnh MR Việc sử dụng mạng neural truyền thẳng lớp ẩn với thuật toán huấn luyện không lặp, tốc độ huấn luyện nhanh nhiều sử dụng SVM hay AdaBoost Như thực huấn luyện trước mà tích hợp pha huấn luyện tiến trình xác định biên u gan Thời gian trung bình cho u có kích thước nhỏ cm khoảng 112 s u có kích thước lớn cm khoảng 182 s (CPU:intel G630, 1,7 HGz ) Sơ đồ trích xuất cần xác định cách thủ công điểm u điểm u để xác định ROI Trong nghiên cứu chúng tơi tích hợp thêm tri thức giải phẫu để định vị tự động u ROI IV KẾT LUẬN Xác định biên u gan đóng vai trị quan trọng việc chẩn đoán, phẫu thuật theo dõi điều trị ung thư gan Trong báo đề xuất sử dụng mạng neural truyền thẳng lớp ẩn với thuật tốn huấn luyện ELM vào sơ đồ trích xuất u gan từ ảnh MR ổ bụng chiều Kết khắc phục hạn chế việc ứng dụng thuật toán loang hay tập đồng mức mức xám phân bố phức tạp biên u gan mờ Đồng thời khắc phục vấn đề huấn luyện tốn nhiều thời gian dùng SVM hay AdaBoost, từ tích hợp pha huấn luyện vào tiến trình xác định biên, hạn chế biến đổi lớn mức xám ảnh MR hay lát cắt liền kề ảnh MR Kết so sánh với tiêu chuẩn vàng, phần biên u gan xác định thuật toán xấp xỉ biên tiêu chuẩn vàng phần u gan xác định sai nhỏ Thời gian gần phút cho u kích thước nhỏ phút cho u có kích thước lớn cm (CPU: intel G630, 1,7 HGz) V LỜI CẢM ƠN Để hồn thành báo chúng tơi vơ cám ơn hỗ trợ bác sỹ Phan Thanh Hải bác sỹ Nguyễn Thanh Đăng, Trung tâm Y khoa MEDIC hỗ trợ liệu chuẩn bị liệu cho nghiên cứu TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] J Zhou, W Xiong, Q Tian, J Liu, W Kengleow, T Han, S K Venkatesh, and S C Wang, "Semiautomatic Segmentation of 3D Liver Tumors from CT Scans Using Voxel Classification and Propagational Learning," in MICCAI Workshop 2008 S A E AL, "Ensemble segmentation using AdaBoost with application to liver lesion extraction from a CT volume," in MICCAI Workshop 2008 P Daniel, Segmentation of liver tumors on CT images, PhD thesis: Ecole Centrale de Paris, 2014 K S S E AL, "Automatic segmentation of liver and tumor for CAD of liver, "Journar of Advances in Information Technology, vol 2, pp 63-70, 2011 L B N and e al, "A new unified level set method for semi-automatic liver tumor segmentation on contrastenhanced CT images," expert system with application, vol 39, pp 9961-9668, 2012 Q Y and e al, "semi-automatic segmentation of tumors from CT scans using Bayesian rule-based 3D region growing," in 3D segmentation in the clinic : a grand challenge II workshop, 2008 G Litjens, T Kooi, B E Bejnordi, A A A Setio, F Ciompi, M Ghafoorian, J A Van Der Laak, B Van Ginneken, and C I Sánchez, "A survey on deep learning in medical image analysis," Medical Image Analysis, vol 42, pp 60-88, 2017 A Raj and K Juluru, "Visualization and segmentation of liver tumors using dynamic contrast MRI," in 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2009, pp 6985-6989 R Fang, R Zabih, A Raj, and T Chen, "Segmentation of liver tumor using efficient global optimal tree metrics graph cuts," in International MICCAI Workshop on Computational and Clinical Challenges in Abdominal Imaging, 2011, pp 51-59 J A Sethian, Level set methods and fast marching methods: evolving interfaces in computational geometry, fluid mechanics, computer vision, and materials science vol 3: Cambridge university press, 1999 G B Huang, Q Y Zhu, and C K Siew, "Extreme learning machine: theory and applications," Neurocomputing, vol 70, pp 489-501, 2006 Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu 551 [12] P Fieguth, Statistical image processing and multidimensional modeling: Springer Science & Business Media, 2010 [13] V Caselles, R Kimmel, and G Sapiro, "Geodesic active contours," International journal of computer vision, vol 22, pp 61-79, 1997 [14] B N Li, C K Chui, S Chang, and S H Ong, "A new unified level set method for semi-automatic liver tumor segmentation on contrast-enhanced CT images," Expert Systems with Applications, vol 39, pp 9661-9668, 2012 [15] J Zhou, W Xiong, Q Tian, Y Qi, J Liu, W K Leow, T Han, S K Venkatesh, and S C Wang, "Semiautomatic segmentation of 3D liver tumors from CT scans using voxel classification and propagational learning," in MICCAI workshop, 2008, p 43 [16] Y Qi, W Xiong, W K Leow, Q Tian, J Zhou, J Liu, T Han, S K Venkatesh, and S C Wang, "Semiautomatic segmentation of liver tumors from CT scans using Bayesian rule-based 3D region growing," in MICCAI workshop, 2008, p 201 [17] S Kumar, R Moni, and J Rajeesh, "Automatic segmentation of liver and tumor for CAD of liver," Journal of advances in information technology, vol 2, pp 63-70, 2011 LIVER TUMOR SEGMENTATION FROM 3D ABDOMINAL MR IMAGES USING FAST LEARNING ALGORITHM Le Trong Ngoc, Ho Dac Quan, Pham The Bao, Huynh Trung Hieu ABSTRACT: Liver tumor extraction can help medical experts determine changes in tumor size This information is used to evaluate the response of cancer treatment In this paper, we propose the use of extreme learning machine (ELM) to extracte liver tumor from 3D abdominal MR images First, the region of interest (ROI) is determined and the fast marching algorithm is used to determine a training set This training set is used to train the Neural Network based on ELM method The trained network is applied to generate the rough tumor region Then, the rough tumor region is refined by a geodesic active contour The proposed approach has been evaluated on eight 3D abdominal MR images with 14 liver tumors The effectiveness of the method was evaluated by comparing to the gold standard (manually traced by a radiologist) The Relative Absolute Volume Difference (RAVD) is 13.35±7.19 % The Dice Similarity Coefficient (DSC) is 85.11±3.60 % The Average Symmetric Surface Distance (ASSD) is 0.70±0.20 mm The Hausdorff Distance(HD) is 4.99±1.84 mm ... XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHI? ?U SỬ DỤNG THUẬT TOÁN HỌC … Mạng có đ? ?u với giá trị (0,1) điểm ảnh nằm u (điểm ảnh gán nhãn 1) giá trị (1,0) điểm ảnh nằm u (điểm ảnh. .. cố định trình xác định biên u gan lại Riêng tập trọng số mạng neural cập nhật lại thông qua huấn luyện li? ?u u Trong báo thực xác định biên 14 u gan ảnh MR ổ bụng ba chi? ?u so sánh kết với ti? ?u. .. đốn, ph? ?u thuật theo dõi đi? ?u trị ung thư gan Trong báo đề xuất sử dụng mạng neural truyền thẳng lớp ẩn với thuật toán huấn luyện ELM vào sơ đồ trích xuất u gan từ ảnh MR ổ bụng chi? ?u Kết khắc