- Hoàn chỉnh phần cài đặt các phần còn lại.
- Nghiên cứu thử nghiệm nhiều phương pháp và thuật toán khác, vì các thuật toán được chọn nói chung đều do chủ quan của người viết, không qua quá trình thử nghiệm so sánh độ hiệu quả cụ thể.
- Để nâng cao tính chính xác của hệ thống, ta có thể áp dụng thêm các kiến thức khác về chuyên môn, đặc biệt chú ý đến tính đối xứng của não. (Tham khảo tài liệu [16] về vấn đề phát hiện các đối xứng bình thường và bất thường trong ảnh CT).
- Phát triển hệ thống lên một bước cao hơn: hỗ trợ nhiều dạng tổn thương hơn, với dữ liệu đầu vào đa dạng hơn.
Tài liệu tham khảo
[1] Bạch Hưng Khang, Hoàng Kiếm, Trí tuệ nhân tạo các phương pháp và ứng dụg, NXB Khoa Học Kĩ Thuật, 1989.
[2] Campbell, N. W., Thomas, B. T., and Troscianko, T., “Automatic
segmentation and classification of outdoor images using neural networks,” International Journal of Neural Systems, vol. 8, no. 1, pp. 137–144, 1997
[3] Chang, Y. and Li, X., “Adaptive image region-growing,” IEEE Transactions
on Image Processing, vol. 3, pp. 868–872, November 1994.
[4] Erol Sarigul, Interactive Machine Learning for Refinement and Analysis of
Segmented CT/MRI Images, A doctoral dissertation submitted to the faculty of the Virginia Polytechnic Institute and State University in partial fulfillment of the requirements for the degree of Doctor of Philosophy in Electrical Engineering, 2004
[5] J.-F. Mangin et al., Coordinate-based versus structural approaches to brain
image analysis, Elsevier, Artificial Intelligence in Medicine 30, 2004, pp. 177-197.
[6] J. Rigau, M. Feixas, M. Sbert, A. Bardera, and I. Boada, Medical Image
Segmentation Based on Mutual Information Maximization, Institut d’Information I Aplicacions, Universitat de Girona, Spain.
[7] Johannes W. Rohen, Chihiro Yokochi, Elke Lutjen – Drecoll, “Atlas giải
phẫu người”, Nhà xuất bản Y học, Việt Nam, 2002.
[8] Jyh-Shing Roger Jang, Chuen-Tsai Sun, Elli Mizutani, Neuro-Fuzzy and Soft
Computing, A computational Approach to Learning and Machine Intelligence, Prentice Hall, Upper Saddle River, Ney York, 1997.
[9] Ioannis Pitas, Digital Image Processing Algorithms, Prentice Hall, New York,
1992.
[10] Lê Hoài Bắc, Nguyễn Thanh Nghị, “Bionet - Hệ chẩn đoán bệnh”, Luận văn thạc sĩ, Đại học Quốc gia TP. HCM, Đại học Khoa học Tự nhiên, Khoa Công nghệ thông tin, 2003.
[11] Nathalie Richard, Michel Dojat, Catherine Garbay, Automated Segmentation of human brain MR images using a multi-agent approach, Elsevier, Artificial Intelligence in Medicine 30, 2004, pp. 153-175.
[12] Phạm Ngọc Hoa, Lê Văn Phước, “Đọc phim CT chấn thương sọ não”, bộ
môn hình ảnh y khoa Đại học Y Dược thành phố Hồ Chí Minh, 2003.
[13] Rafael C. Gonzalez, Richard E. Woods, Digital Image Processing 2nd Edition, Addison-Wesley, New York, 1993.
[14] Rafael C. Gonzalez, Richard E. Woods, Digital Image Processing 3rd Edition, Addison-Wesley, New York, 2001.
[15] Richard O. Duda, Peter E.Hart, David G. Stort, Pattern Classification 2nd
Edition, Wiley, New York, 2000.
[16] S. Prima, J. P. Thirion, G. Subsol, N. Roberts Statistical analysis of normal and abnormal dissymmetry in volumetric medical images, Elsevier, Medical Image Analysis 4, 2000, pp. 111-121.
[17] Terry S. Yoo, Michael J. Ackerman, Open Source Software for Medical
Image Processing and Visualization, Communications, Volume 48, Number 2, February 2005, pp. 55-59.
[18] Tài liệu chính thức về định dạng DICOM: Digital Imaging and
Communications in Medicine (DICOM), National Electrical Manufacturers Association, Virginia, 2004.
Phụ lục A. Bệnh học
Phần này trình bày về các dạng tổn thương não được đề cập đến trong bài làm, kèm theo đó là một số hình ảnh minh họa điển hình.
A.1 Tụ máu dưới màng cứng (Subdural Hematoma/SDH)
- Tụ máu dưới màng cứng (TMDMC) là tụ máu ở khoang dưới màng cứng, khoang giữa lớp trong màng cứng và màng nhện.
- Biểu hiện hình ảnh tụ máu dưới màng cứng cấp (dưới 3-4 ngày):
• Tụ dịch ngoài trục, đậm độ cao, hình liềm, bờ trong không
đều. Vượt qua được các khớp sọ. Không vượt qua được các nếp gấp của màng cứng (liềm, lều não) (hình A-1). Có thể vươn vào rãnh liên bán cầu, dọc theo liềm não.
• Thường kết hợp tổn thương não bên dưới (dập não, tụ
máu khu trú)
• Cần điều chỉnh cửa sổđể quan sát TMDMC lượng ít.
Hình A-1: Tụ máu dưới màng cứng A.2 Tụ máu ngoài màng cứng (Epidural Hematoma/EDH)
- Tụ máu ngoài màng cứng (TMNMC) là tụ máu ở khoang giữa bản sọ
và lớp ngoài màng cứng.
- Biểu hiện hình ảnh tụ máu ngoài màng cứng cấp (dưới 3-4 ngày):
• Khối choán chỗ ngoài trục, khu trú, hình lồi hai mặt, bờ trong nhẵn. Không chạy qua các khớp sọ (hình A-2). Chạy qua được các nếp màng cứng (đường giữa – lều tiểu não) (hình 3-8). Ở
vùng cao của vòm sọ, trên hình cắt ngang, TMNMC thường có bờ không rõ.
• Thường kết hợp với các dấu hiệu thoát vị dưới liềm, xuyên lều hướng xuống, tăng áp lực sọ não.
• Khối máu tụ có đậm độ cao, đồng nhất (2/3 trường hợp), đậm
độ hỗn hợp (1/3 trường hợp, do máu đang chảy và các vùng máu không đông).
Hình A-2: Tụ máu ngoài màng cứng.
Tụ máu ngoài màng cứng
Tụ máu dưới màng cứng
Hình dạng Hình lồi hai mặt Hình liềm
Khớp sọ Không vượt qua Vượt qua
Nếp gấp màng cứng (liềm, lều
não)
Vượt qua Không vượt qua
Bảng A-1: Phân biệt tụ máu dưới màng cứng và ngoài màng cứng A.3 Xuất huyết khoang dưới nhện (subarachnoid hemorrhage)
- Thường kết hợp với các loại tổn thương khác.
- Bệnh nguyên: Do tổn thương mạch máu màng mềm, hoặc các mạch máu trong não.
- Vị trí: Khu trú quanh vùng dập não, rãnh liên bán cầu, hoặc lan tỏa theo khoang dưới nhện.
- Hình ảnh: tăng đậm độở các rãnh và bể não.
A.4 Xuất huyết trong não thất (intraventricular hemorrhage)
- Xuất huyết nặng (vỡ khối máu tụ ở nhu mô não lân cận vào não thất), tổn thương đám rối mạch mạc, vỡ phình mạch não.
- Hình ảnh:
• Tăng đậm độ trong não thất (hình A-4)
• Hình mức dịch-máu (hay gặp sừng chẩm)
• Tụ máu khu trú ởđám rối mạch mạc.
Hình A-4: xuất huyết trong não thất A.5 Tụ máu trong não (intracerebral hematoma)
- Tụ máu trong tổ chức não do tổn thương các mạch máu sâu trong não. - Vị trí: thái dương, trán và chẩm – đính (2% trường hợp ở nhân nền và
bao trong).
B. Dữ liệu DICOM B.1 Giới thiệu B.1 Giới thiệu
Chuẩn DICOM (Digital Imaging and Communications in Medicine)
là một tập các qui tắc cho phép ảnh y khoa và các thông tin liên quan khác có thể truyền đi giữa các thiết bị, máy tính hoặc bệnh viện. Chuẩn này thiết lập một ngôn ngữ chung để ảnh y khoa và các thông tin khác được tạo ra bởi thiết bị của một nhà sản xuất này có thể được sử dụng dễ dàng bởi một nhà sản xuất khác.
B.2 Cấu trúc chung của tập tin DICOM
Một tập tin DICOM thường gồm những phần sau (ở đây chỉ nêu những phần cần thiết):
• Preamble: gồm 128 bytes trắng đầu tiên (chưa được sử dụng).
• Prefix: 4 byte tiếp theo, chứa 4 kí tự ‘D’, ‘I’, ‘C’, ‘M’.
• UID: một chuỗi số và dấu chấm, dùng làm chuỗi định danh (duy nhất) cho mỗi tổ chức có đăng kí với ISO. Chuỗi này cho ta biết cú pháp truyền và thứ tự byte được sử dụng.
Ví dụ: UID “1.2.840.10008.1.2” có ý nghĩa: - 1: chỉ tổ chức ISO
- 2: chỉ tổ chức thành viên con của ISO - 840: mã quốc gia thành viên
- 10008: được ANSI đăng kí với NEMA cho các DICOM
UID.
• Transfer Syntax: dùng để xác định thứ tự byte được sử dụng là Little Endian hay Big Endian.
- Little Endian: ở dạng này, byte thấp sẽ nằm ở địa chỉ
thấp và byte cao sẽ nằm ởđịa chỉ cao. Ví dụ nếu ta nhận
- Big Endian: thứ tự byte sẽ ngược lại với Little Endian. Khi đó chuỗi byte 11111111 00000000 sẽ ứng với giá trị (11111111 00000000)2 =65280.
• Tag: mỗi phần thông tin của DICOM được gán cho một thẻ (tag). Mỗi tag gồm có 2 phần: nhóm và thành phần. Xét ví dụ về tag (0010,0010):
- Nhóm (group): cho biết nhóm thông tin đang được lưu trữ phía sau. Ví dụ 0010 sẽ cho biết đây là thông tin về
bệnh nhân.
- Thành phần (element): là một sốđịnh danh duy nhất cho dữ liệu. Ví dụ: 0010 cho biết dữ liệu được chứa là tên bệnh nhân.
Như vậy, nếu muốn tìm thông tin về tên bệnh nhân, ta sẽ tìm tag (0010,0010) tập tin DICOM.
• Chiều dài dữ liệu: gồm 4 bytes cho biết chiều dài của phần dữ liệu
được lưu tiếp theo (trong tag). Ví dụ, nếu bệnh nhân có tên là “Roentgen” thì phần chiều dài dữ liệu sẽ là 8.
• Trường giá trị (value field): gồm một số chẵn các byte chứa giá trị của thành phần (element) trong tag.
• Số giá trị (VM - Value Multiplicity): số lượng giá trị được lưu trong trường giá trị. Chẳng hạn, nếu VM bằng 3 tức là có 3 giá trị được lưu trong trường giá trị.
B.3 Một số thông tin cần thiết khi xửảnh DICOM B.3.1 Các nhóm quan trọng B.3.1 Các nhóm quan trọng
• Nhóm 2 (0002): chứa siêu thông tin về tập tin.
• Nhóm 8 (0008): thông tin chung về chuỗi ảnh.
• Nhóm 10 (0010): thông tin về bệnh nhân.
• Nhóm 28 (0028): thông tin vềảnh.
• Nhóm 7F (007F): dữ liệu về các điểm ảnh.
B.3.2 Các thẻ (tag) quan trọng
Sau đây là các thẻ quan trọng, cần thiết cho quá trình xử lý ảnh CT:
Nhóm Thành phần Ý nghĩa 0010 Tên bệnh nhân 0020 Mã bệnh nhân 0030 Ngày sinh 0040 Giới tính 0010 (thông tin về bệnh nhân) 1010 Tuổi Bảng B-1: một số thẻ quan trọng Nhóm Thành phần Ý nghĩa 0010 Số dòng (chiều cao ảnh) 0011 Số cột (chiều ngang ảnh) 0012 Số mặt phẳng 0030 Khoảng cách giữa 2 điểm ảnh (tính bằng mm)
0100 Số bit được cấp cho mỗi điểm ảnh 0101 Số bit thật sựđược sử dụng cho mỗi điểm
ảnh 1050 Trung tâm cửa sổ 1051 Độ rộng cửa sổ 1052 Rescale Intercept 0028 (thông tin về ảnh) 1053 Rescale Slope
Nhóm Thành phần Ý nghĩa 0015 Vùng cơ thểđược khảo sát 0018 0050 Độ dày lát cắt Bảng B-3: Một số thẻ quan trọng Nhóm Thành phần Ý nghĩa 0032 Vị trí lát cắt 0020 (thông tin chung về các lát cắt) 0037 Hướng của lát cắt Bảng B-4: Một số thẻ quan trọng B.3.3 Hiển thịảnh
Sử dụng các tag trên, ta dễ dàng tìm được các thông tin vềảnh CT được chụp như kích thước ảnh, số bit dành cho mỗi điểm ảnh. Đối với ảnh CT, kích thước ảnh là 512*512, mỗi điểm ảnh được lưu bằng 16 bit (nhưng chỉ có 12 bit
được dùng, 4 bit còn lại luôn bằng 0). Để biến dữ liệu CT đó thành ảnh có thể
xuất ra màn hình, ta cần thực hiện các bước sau:
1. Tìm tag (7FE0,0010). Tag này chứa toàn bộ thông tin về giá trị các
điểm ảnh.
2. Với mỗi điểm ảnh, ta chuyển nó về giá trị Hounsfield bằng công thức sau:
H(x,y) = S(x,y)*RS + RI
Trong đó S(x,y) là giá trị được lưu, RS và RI là rescale slope và rescale intercept đã nói ở trên.
3. Chuyển giá trị Hounsfield sang độ xám: công việc này phụ thuộc vào 2 thông số:
i. Phạm vi độ xám mà ta muốn chuyển. Thông thường, để xuất ra màn hình máy tính, phạm vi được chọn là từ 0 đến 255.
ii. Thông số cửa sổ: gồm 2 thông số là độ rộng cửa sổ (Window Width) và tâm cửa sổ (Window Center). Gọi độ rộng cửa sổ là WW, tâm là WC, và đặt:
L = WC-WW/2 R = WC+WW/2
Khi đó, mọi điểm có giá trị Hounsfield nhỏ hơn L sẽ nhận giá trị là 0, lớn hơn R sẽ có độ xám là 255. Những giá trị
Hounsfield nằm giữa 2 phạm vi này sẽ được biến đổi tỉ lệ về
khoảng [0,255].
a sổ và tâm cửa sổ
C. Giải phẫu CT đơn giản vùng trên lều Hình C-1: Minh họa giải phẫu CT não Hình C-1: Minh họa giải phẫu CT não 1 Nhãn cầu 2 Hố yên 3 Lưng yên 4 Sừng thái dương 5 Cầu não 6 Bán cầu tiểu não 7 Động mạch thân nền 8 Thùy thái dương 9 Não thất IV 10 Thùy giun
Hình C-2: Minh họa giải phẫu CT não
1 Thuỳ trán
2 Đoạn ngang động mạch não giữa
3 Bể nền (bể trên yên) 4 Thuỳ thái dương
5 Bể quanh củ não sinh tư
6 Bể trên thuỳ giun 7 Rãnh Sylvius 8 Cuống đại não 9 Củ não sinh tư
Hình C-3: Giải phẫu CT não đơn giản 7 Liềm đại não 8 Nhân bèo 9 Não thất III 10 Đồi thị 11 Tuyến tùng 12 Sừng chẩm não thất bên 1 Thuỳ trán 2 Sừng trán não thất bên 3 Thuỳđảo
4 Thuỳ thái dương 5 Bể trên thuỳ giun 6 Thuỳ chẩm
Hình C-4: Giải phẫu CT não đơn giản 1 Thuỳ trán 2 Sừng trán não thất bên 3 Đầu nhân đuôi 4 Nhân bèo 5 Đồi thị 6 Sừng chẩm não thất bên
7 Chi trước bao trong 8 Gối bao trong 9 Bao ngoài
10 Chi sau bao trong 11 Thuỳ chẩm
Hình C-5: Giải phẫu CT não đơn giản 1 Liềm đại não trước 2 Thuỳ trán 3 Thuỳđính 4 Thuỳ chẩm 5 Thể chai
6 Thân não thất bên 7 Liềm đại não sau
Hình C-6: Giải phẫu CT não đơn giản 1 Thuỳ trán 2 Thuỳđính 3 Thuỳ chẩm 4 Trung tâm bán bầu dục 5 Liềm đại não
n giản Hình C-7: Giải phẫu CT não đơ 1 Liềm đại não 2 Rãnh trung tâm 3 Liềm đại não 4 Hồi trán trên
5 Hồi não trước trung tâm 6 Hồi não sau trung tâm