Việc thực hiện đánh giá được định lượng bằng việc sử dụng một sai số tuyệt đối trung bình giữa ảnh “giống xương” fb(x,y) và ảnh xương Dual-energy b(x,y)
tương ứng, đại diện bởi
𝐸𝑁 = ∑𝑥,𝑦 ∈ 𝑅𝐿𝑁 |𝑏(𝑥,𝑦)− 𝑓𝑥(𝑥,𝑦)|
𝐿(𝑏𝑚𝑎𝑥−𝑏𝑚𝑖𝑛) (5.1)
Trong đó RL là các vùng phổi, NL là số lượng điểm ảnh trong RL, bmax và bmin
là giá trị lớn nhất và giá trị nhỏ nhất trong RL của hình xương Dual-energy. Sử dụng ảnh “giống xương” và ảnh xương Dual-energy trong đánh giá này, bởi vì so
sánh trực tiếp với những ảnh đầu ra của MTANN đa phân giải sẽ chính xác hơn so với việc sử dụng các ảnh “giống mô mềm”, ví dụ như ảnh “giống mô mềm” có thể khác nhau khi một tham số trọng số được thay đổi. Các kết quả cho X-quang phổi là EN = 0,069 với độ lệch chuẩn là 0.016.
KẾT LUẬN VÀ KHUYẾN NGHỊ 1. Kết luận
Kết quả của đề tài: các xương sườn trên ảnh X-quang phổi được làm giảm độ che đáng kể mà không làm ảnh hưởng nhiều đến sức khỏe người bệnh, hỗ trợ cho bác sĩ trong việc kiểm tra lâm sàn có độ chính xác cao.
2. Khuyến nghị
Hướng phát triển của đề tài là thực hiện các chức năng nhận diện tự động khối u tiềm năng (candidate) trên ảnh X- quang phổi, nếu phát hiện khối u tiềm năng, phần mềm sẽ tựđộng thực hiện trừxương với một trọng số khác so với trọng số ban đầu đảm bảo các cấu trúc khác trong ảnh không bị thay đổi trong khi các hạch bệnh sẽ nổi bật lên.
TÀI LIỆU THAM KHẢO
1. A. Hasegawa, S. C. B. Lo, J. S. Lin, M.T. Freedman, S. K. Mun: A Shift- Invariant Neural Network for the Lung Field Segmentation in Chest Radiography, The Journal of VLSI Signal Processing 18 (1998).
2. A. N. Akansu and R. A. Haddad, Multiresolution Signal Decomposition. Boston, MA: Academic, 1992.
3. A. Netajatali, I. R. Ciric: An Iterative Algorithm for Electrical Impedance Imaging Using Neural Networks, IEEE Trans. Magn 34 (1998).
4. A.Adler, R. Guardo: A Neural Network Image Reconstruction Technique for Electrical Impedance Tomography, IEEE Transactions on Medical Imaging 13 (1994).
5. C. Comtat, C. Morel: Approximate Reconstruction of PET Data with A Self-Organizing Neural Network, IEEE Trans. Neural Networks 6 (1995). 6. C. J. Murray and A. D. Lopez, “Mortality by cause for eight regions of the
world: global burden of disease study,” Lancet, vol. 349, no. 9061.
7. D. E. Rumelhart and J. L. McClelland, eds., Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1, Cambridge, MA: MIT Press, 1986.
8. Du Yih TSAI: Automatic Segmentation of Liver Structure in CT Images Using a Neural Network, IEICE TRANSACTINS on Fundamentals of Electronics, Communications and Computer Sciences E77-A (1994). 9. F. Ali, Z. Nakao, Y.-W. Chen, K. Matsuo, I. Ohkawa: An Adaptive
Backpropagation Algorithm for LimitedAngle CT Image Reconstruction, IEICE Trans. Fundamentals E83-A (2000).
10. F. Rosenblatt, “The perceptron: A probabilistic model for information storage and organization in the brain,” Psychological Review, Vol. 65, 1958.
11. G. E. Goodman, “Lung cancer. 1: prevention of lung cancer,” Thorax, vol. 57, no. 11, 2002.
12. G. M. Stephane, “A theory for multiresolution signal decomposition: the wavelet representation,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 11, no. 7, Jul. 1989.
13. “Extraction of left ventricular contours from left ventriculograms by means of a neural edge detector,” IEEE Trans. Med. Imag., vol. 23, no. 3, Mar. 2004.
14. “Neural edge enhancer for supervised edge enhancement from noisy images,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 25, no. 12, Dec. 2003.
15. “Efficient approximation of neural filters for removing quantum noise from images,” IEEE Trans. Signal Process., vol. 50, no. 7, Jul. 2002.
16. J. A. Anderson, “A simple neural network generating an interactive memory,” Mathematical Biosciences, Vol. 14, 1972.
17. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities,” Proceedings of the National Academy of Sciences, Vol. 79, 1982.
18. Johan m. Thi jssen: Ultrasonic Speckle Formation, Analysis and Processing Atranglied to Tissue Characterization, Pattern Recognition Letters 24 (2003).
19. K. Suzuki, I. Horiba, K. Ikegaya, and M. Nanki, “Recognition of coronary arterial stenosis using neural network on DSA system,” Syst.Comput. Japan, vol. 26, no. 8, 1995
20. K. Suzuki, S. G. Armato, F. Li, S. Sone, and K. Doi, “Massive training artificial neural network (MTANN) for reduction of false positives in computerized detection of lung nodules in low-dose CT,” Med. Phys., vol. 30, no. 7, 2003
21. K. Suzuki, I. Horiba, N. Sugie, and M. Nanki, “Neural filter with selection of input features and its application to image quality improvement of medical image sequences,” IEICE Trans. Inf. Syst., vol. E85-D, no.10, 2002.
22. K. Suzuki, I. Horiba, and N. Sugie, “A simple neural network pruning algorithm with application to filter synthesis,” Neural Process. Lett., vol.13, no. 1, 2001.
23. Kenji Suzuki*, Senior Member, IEEE, Hiroyuki Abe, Heber MacMahon, and Kunio Doi, “Image-Processing Technique for Sutrangressing Ribs in Chest Radiographs by Means of Massive Training Artificial Neural Network (MTANN)”, IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 25, NO. 4, APRIL 2006.
24. Kunio Doi.: Computer-Aided Diagnosis in Medical Imaging: Historical Review, Current Status and Future Potential, Computerized Medical Imaging and Graphics 31 (2007).
25. M. Minsky and S. Papert, Perceptrons, Cambridge, MA:MIT Press, 1969. 26. Neural Network Design – 2nd Edition. Copyright by Martin T. Hagan and
27. Miller A. S, Blott B. H, Hames T. K.: Review of Neural Network Applications in Medical Imaging and Signal Processing, Medical & Biological Engineering & Computing 30 (1992).
28. N. Otsu, “A Threshold Selection Method from Gray Level Histograms,” IEEE Trans. Syst., Man, Cybern., vol. 9, no. 1, trang. 62–66, Jan. 1979. 29. N. Otsu, “A Threshold Selection Method from Gray Level Histograms,”
IEEE Trans. Syst., Man, Cybern., vol. 9, no. 1, Jan. 1979.
30. “Neural edge detector—a good mimic of conventional one yet robuster against noise-,” in Lecture Notes in Computer Science. Berlin, Germany: Springer-Verlag, 2001, vol. 2085.
31. T. Ishigaki, S. Sakuma, Y. Horikawa, M. Ikeda, and H. Yamaguchi, “One- shot dual-energy subtraction imaging,” Radiology, vol. 161, no.1, 1986. 32. T. Kohonen, “Correlation matrix memories,” IEEE Transactions on
Computers, vol. 21, 1972.
33. Yan Li Peng Wen Powers, D. Clark, C. R: LSB Neural Network Based Segmentation of MR Brain Images, Systems, Man, and Cybernetics 6 (1999).
34. Survey on Neural Networks Used for Medical Image Processing - Zhenghao Shi, Lifeng He, Tsuyoshi Nakamura1, Kenji Suzuki, Hidenori Itoh.
35. https://en.wikipedia.org/wiki/Medical_imaging