CHƯƠNG 3: KHẢO SÁT CÁC PHƯƠNG PHÁP HỢP NHẤT 3.1TỔNG QUÁT
3.6 HỢP NHẤT HÌNH ẢNH THEO ĐẶC ĐIỂM
Thủ thuật hợp nhất theo đặc điểm là phương thức đầu tiên của các kỹ thuật với khả năng hợp nhất 2 khối ảnh hoàn toàn tự động. Khả năng này cho phép bộc lộ những đặc điểm từ nguồn ảnh. Kỹ thuật này khác với những phương thức hợp nhất tương tác ở chỗ các đặc điểm dùng để hợp nhất được biểu lộ theo những thuật toán hơn là phải tác động. Phát triển một mô hình với khả năng kết hợp những kỹ thuật này sẽ phức tạp hơn nhiều so với các mô hình đánh dấu hay tương tác. Sự biến thiên của các kỹ thuật bên trong hình thức hợp nhất này giúp rút ra được một số lượng lớn các đặc điểm có giá trị.
Bản chất biến đổi của các phương pháp dựa trên đặc điểm làm cho việc phân loại tổng quát trở nên khó khăn. Nhìn chung, các phương pháp sử dụng việc khảo sát nền dữ liệu nghiên cứu để xác định một hàm tính toán đặc điểm khã dĩ nhất. Do không hạn chế về độ cứng như trong các thành phần hay mốc đánh dấu, tùy vào ứng dụng mà phép biến dạng tốt nhất có thể là thô hay affine. Tốt nhất là xem các kỹ thuật này dưới góc độ bán tự động vì đôi khi cũng cần phải có một vài tương tác vào quá trình tiền xử lý của ảnh, hoặc nhận dạng đặc điểm, hoặc khảo sát trực quan. Vì các đặc điểm được rút ra từ dữ liệu của bệnh nhân, nên các kỹ thuật dựa vào đặc điểm được xem như không có cấu trúc.
Tiêu chuẩn để đánh giá hiệu quả của một thủ thuật dựa vào đặc điểm là khả năng của nó có thể cho ra đặc điểm đáng tin và chính xác từ tất cả các mô hình chụp ảnh. Khi hợp nhất
giữa các mô hình giải phẫu và chức năng, mục tiêu hợp nhất trở thành một nhiệm vụ đầy thử thách vì các mô hình khác nhau khi mô tả trên cùng cấu trúc sẽ khác nhau. Từ đó có thể dẫn tới nhầm lẫn trong bản chất của các đặc điểm biểu hiện. Những đặc điểm đơn giản hơn sẽ thuận lợi trong việc biểu hiện nhanh, còn những đặc điểm phức tạp hơn thì có thể phải cần công cụ mạnh hơn để biểu hiện. Các kỹ thuật dựa vào đặc điểm được phân loại thành 3 nhóm: các trục nguyên lý, các bề mặt và các đặc điểm cao cấp.
3.6.1. Trục nguyên lý và moments
Hợp nhất các trục nguyên lý dựa trên giả thuyết là xem một khối não là một vật thể rắn. Theo cơ học cổ điển, nếu hai vật thể rắn có cùng hình dạng và chỉ khác nhau do xoay và dịch chuyển, chúng có thể được đưa lại hợp nhất với nhau bằng cách sắp xếp lại các trục chính của chúng. Theo đó, các khối não có thể được hợp nhất với nhau theo 2 bước : trước tiên là dịch chuyển tâm của một khối vào ngay tâm của khối kia, sau đó tiến hành xoay trục chính xung quanh khối tâm đến lúc các khối não chồng lấp nhau. Các khối não cũng có thể được kết hợp theo hình thức sắp xếp các trục chính lấy từ các bề mặt hoặc từ các khối thể tích trên dữ liệu ảnh. Rusinek et al. đã ước lượng độ chính xác của kỹ thuật sử dụng cả dữ liệu bề mặt và dữ liệu thể tích toàn phần trong hợp nhất dữ liệu MR lên dữ liệu PET mô phỏng. Những hình thức hợp nhất dựa vào dữ liệu khối mang lại độ chính xác cao hơn những hình thức hợp nhất sử dụng dữ liệu trên bề mặt. Nguyên nhân là khi sử dụng một tập dữ liệu lớn hơn của một khối thể tích, thì những ảnh hưởng của nhiễu và các dữ liệu không mong muốn được giảm xuống. Kỹ thuật hợp nhất trục được áp dụng để kết hợp PET-PET, MR-CT, CT-PET, MR-MR, và MR-PET.
Ưu điểm chính của phương pháp này là nhanh và đơn giản. Khi thực nghiệm phương pháp trục chính, Alpert et al. đã nhận xét rằng kỹ thuật này đơn giản ở chỗ nó chỉ đòi hỏi việc tính toán phân tích của moment và đảo ma trận hơn là phải thao tác lập đi lập lại của các phương thức khác. Sai số hợp nhất khi dựa trên thể tích chỉ ở mức dưới mm. Moshfeghi et al. đã thực nghiệm hợp nhất dựa trên bề mặt và nhận thấy quá trình tính
toán các thông số biến dạng chỉ dưới 1 giây với sai số chỉ trên dưới 1.5 mm trong hợp nhất MR-CT.
Về phương diện toán học, tiến trình này có thể hướng tới thực hiện tốt ở cấp độ hoàn toàn tự động cho ra những dữ liệu giúp tiền xử lý các khối thể tích để loại bỏ những thông tin thừa có thể gây sai lệch cho các trục. Khảo sát của Rusinek về kỹ thuật này cũng đã chứng tỏ rằng độ chính xác sẽ tỉ lệ nghịch với sai lệch về góc độ. Ngoài ra, Maurer cũng đã tiến hành nghiên cứu và được Rusinek đúc kết lại rằng độ tin cậy của phương pháp trên các dữ liệu liên quan đến không gian lại rất nhạy với các biến dạng trong dữ liệu thu từ bệnh nhân (kết quả của quá trình phát triển khối u, cắt bỏ khối u, …). Tuy nhiên, ngoài những thiếu sót trên, vấn đề đáng quan tâm nhất là phương pháp này không có khả năng tương thích với những khối thể tích không nguyên vẹn trong một lớp cắt. Trong nhiều trường hợp, các lớp cắt ảnh PET không thể hiện một khối não hoàn chỉnh bởi vì thị trường bị giới hạn ở một trục nào đó. Khi đó, phương pháp trục chính không thể cho ra những kết quả chính xác vì giả thuyết về những cấu trúc tương đồng đã không còn được bảo đảm. Nghiên cứu về vấn đề này, Arata et al. và Dhawan et al. đã giới thiệu một phương thức biến đổi lặp, thô cho kỹ thuật này giúp giảm dần thị trường chứa dữ liệu ảnh sử dụng để tính toán biến dạng. Thử nghiệm trong hợp nhất MR-PET cho thấy hình thức này cho ra độ chính xác tốt, nhưng thời gian hợp nhất lại gia tăng đáng kể. Thêm vào đó, các tác giả lưu ý rằng chỉ với hình thức biến đổi lặp, kỹ thuật này mới đảm bảo nhạy với các lớp cắt bỏ sót ở phần đáy của bộ não.
3.6.2. Bề mặt
Hợp nhất hình ảnh theo hình thức chỉnh sửa bề mặt đã được đề cập từ nhiều năm trước đây. Mô hình “đầu và nón”, do Pelizarri et al. tạo ra, sử dụng tính chất bất đối xứng trong đường viền quanh đầu làm không gian đặc điểm. Trong mô hình này, ảnh nào bao phủ phần thể tích lớn nhất hoặc có độ phân giải cao nhất (khi các khối thể tích tương tự nhau) được chọn làm “đầu”. Ảnh thứ 2, đóng vai trò “nón”, được hiển thị như một tập hợp
các điểm độc lập. Thủ thuật này nhằm mục tiêu “sửa nón sao cho vừa với đầu” bằng cách tính toán khoảng cách trung bình thông qua thuật toán Powell dùng để thu nhỏ đa chiều. Người sử dụng phải “rà soát” để làm xuất hiện các điểm cực tiểu. Bên cạnh đó, việc thể hiện các đường viền của bề mặt cũng gây thêm khó khăn cho thủ thuật hợp nhất. Những điểm tương đồng giữa đường biên và mô bao quanh trong MR làm phức tạp thêm quá trình xử lý và cần thiết phải có tác động của người sử dụng.
Hầu hết những cải tiến từ thuật toán gốc đều nhằm vào một trong hai hướng : tự động hóa quá trình biểu diễn đường biên và tăng cường xử lý trực quan. Những thành tựu trong tự động hóa đạt được trước đây bao gồm những tác động về mặt hình thái học như xác định ngưỡng, che phủ, làm nhẵn và mở rộng (kéo dãn). Tuy nhiên, nếu không có sự giám sát của người điều khiển thì những phương thức này không thể tự chúng biểu hiện đường viền chính xác được. Gần đây, nhiều hình thức phân đoạn tự động đã được đề xướng bao gồm những phương pháp của Zijdenbos et al., Atkins et al. và Soltanian-Zadeh et al. Cải tiến đáng chú ý nhất trong xử lý trực quan là việc vận dụng một hình thức biến đổi khoảng cách đặc biệt [6].
Neiw et al. cải tiến hoạt động của phương thức gốc bằng cách tự động hóa quá trình biểu hiện đường viền, giảm độ phức tạp trong tính toán và sử dụng thủ thuật làm cứng mô phỏng nhằm hạn chế những vấn đề khách quan liên quan tới những điểm cực tiểu lân cận. Mangin et al. sử dụng một giản đồ khoảng cách (là thành phần điều chỉnh những khác biệt giữa các mô hình máy) và loại bỏ những nét không mong muốn nhằm cải thiện kết quả. Một hạn chế của kỹ thuật điều chỉnh bề mặt là nó đòi hỏi phải có sự ước tính ban đầu thật tốt để quá trình tối ưu hóa có thể gói gọn trong một thời gian vừa phải. Yan et al. đưa ra một giải pháp cải tiến bằng cách tạo ra một hình thức kết hợp giữa thủ thuật kết hợp các trục nguyên lý và thủ thuật chỉnh sửa bề mặt. Hình thức này sử dụng tốc độ của các thủ thuật trục nguyên lý (được vận dụng nhiều lần) để tăng cường khả năng dự tính ban đầu về các thông số. Sau đó sẽ sử dụng độ chính xác của kỹ thuật điều chỉnh bề
mặt để tìm ra giải pháp tối ưu. Một hình thức tương tự, nhưng có tính năng mạnh hơn nhiều được sáng chế bởi Itti et al. [6]
Hiệu quả tương tự đã được xác nhận khi thực thi kỹ thuật này. Độ chính xác của kỹ thuật chỉnh sửa bề mặt đã được khảo sát trong các ứng dụng PET, SPECT và EEG, trên những bề mặt não không hoàn chỉnh, sử dụng ảo ảnh, mốc đánh dấu nội thể và các cấu trúc chuyên dụng. Kết quả thu được cho thấy kỹ thuật chỉnh sửa bề mặt cho ra độ chính xác ở mức subvoxel mặc dù về mặt nào đó, tốc độ xử lý chậm hơn do phải tốn thời gian để tách các đường viền. Tính năng của đặc điểm thu được cho phép ứng dụng thủ thuật hợp nhất này lên những vùng khác cần khảo sát và dùng trong những công việc cần có hình ảnh hỗ trợ.
3.6.3. Đặc điểm cao cấp
Do trở ngại trong việc biểu hiện chính xác các đường viền và bề mặt, người ta hướng tới phát triển một hình thức thứ 3 trong kỹ thuật hợp nhất dựa trên đặc điểm. Những đặc điểm cao cấp thu được từ những thành phần đặc biệt của các cấu trúc. Ví dụ, thay vì sử dụng đường viền quanh não làm một đặc điểm, những phương pháp này sử dụng các điểm cực đại trên đường viền quanh não. Giả sử rằng việc tách lấy những giá trị bất biến về hình học như thế không cần tác động của bất kỳ công đoạn tiền xử lý nào. van den Elsen et al. đưa ra hình thức hợp nhất MR và CT theo điểm cực trị. Cực trị ở đây là điểm có độ dốc cao nhất trên đồ thị cường độ. Việc tách lấy những điểm cực trị có thể thực hiện được mà không cần tiền xử lý và có thể tiến hành một cách tự động. Thirion [32] đề xuất sử dụng các điểm chức năng không đổi về hình học gọi là các điểm đỉnh. Otsuni et al. tách lấy những đặc điểm bằng cách lặp đi lặp lại quá trình tìm kiếm tương quan giữa các voxels gần nhau nhất có biên độ cao trên gradient cường độ 3 chiều.