5. Cấu trúc luận văn
3.6. KẾT LUẬN CHƢƠNG 3
Chƣơng này đã cài đặt đƣợc chƣơng trình thử nghiệm kỹ thuật dựng mô hình 3D của Gan từ dữ liệu ảnh CT dùng kỹ thuật hiển thị 3D Marching Cubes trong hiển thị mô hình 3D Gan từ dữ liệu hình ảnh CT ổ bụng. Từ kết quả chạy thử chƣơng trình, rút ra đƣợc hƣớng phát triển thuật toán.
KẾT LUẬN VÀ KIẾN NGHỊ
Theo thống kê trong vòng 20 năm gần đây tỷ lệ ung thƣ gan tăng lên đáng kể [6]. Ung thƣ gan nguyên phát đứng hàng thứ 3 trong các nguyên nhân chết do ung thƣ trên thế giới. Yếu tố nguy cơ phổ biến của ung thƣ gan là xơ gan, nhất là xơ gan sau viêm gan B hoặc C mạn tính. Việt Nam là nƣớc nằm trong vùng dịch tễ của viêm gan vi rút B với tỷ lệ ngƣời nhiễm vi rút cao trên thế giới, với tỷ lệ ngƣời nhiễm viêm gan B trên 10%. Tỷ lệ ung thƣ gan ở Việt Nam tƣơng đối cao và bệnh nhân ung thƣ gan thƣờng đƣợc phát hiện vào giai đoạn muộn, do vậy chỉ có khoảng 20% các trƣờng hợp khi phát hiện khối u gan là còn chỉ định phẫu thuật do thể tích gan còn lại không đủ, có nguy cơ suy gan sau phẫu thuật có thể dẫn đến tử vong.
Đồ họa máy tính nói chung và tái tạo hình ảnh ba chiều của các vật thể thực bằng máy tính là một trong những lĩnh vực thu hút đƣợc sự quan tâm nhiều nhất của giới nghiên cứu trong lĩnh vực công nghệ thông tin trong những năm qua. Hình ảnh tái tạo từ máy tính đã đƣợc sử dụng rất có hiệu quả trong nhiều lĩnh vực khác nhau nhƣ giáo dục, giải trí, y tế,
Tại Việt Nam, các thiết bị chẩn đoán hình ảnh có khả năng tạo ảnh ba chiều nhƣ các máy MSCT, MRI, siêu âm 3D, siêu âm 4D… đã bắt đầu đƣợc sử dụng phổ biến tại các trung tâm điều trị kỹ thuật cao. Nếu các thiết bị thông thƣờng chỉ có khả năng tạo các ảnh cắt lớp hai chiều thì các thiết bị này có thêm chức năng tái tạo ảnh 3 chiều từ các lát cắt. Bộ phận thực hiện chức năng này là một máy tính mạnh có các phần mềm xây dựng, tái tạo ảnh 3 chiều. Hiện nay, trên thế giới có rất nhiều phần mềm thƣơng mại có khả năng tái tạo ảnh ba chiều từ ảnh cắt lớp nhƣ 3D – DOCTOR của Able Software, Vitrea2 của Vital Images, eFilm… Các phần mềm này có giá trị từ vài nghìn
Với thực thế khoa học công nghệ Việt Nam hiện nay thì chế tạo phần cứng (máy cắt lớp) là việc tƣơng đối khó nhƣng chúng ta hoàn toàn có khả năng nghiên cứu các phần mềm trong lĩnh vực hình ảnh y tế. Tuy nhiên, hiện nay ở Việt Nam chƣa có nhiều nghiên cứu trong lĩnh vực xử lý ảnh y tế. Do đó, việc nghiên cứu kỹ thuật tái tạo ảnh 3D từ ảnh chụp cắt lớp 2D trong y tế là hết sức cần thiết.
Cùng với xu hƣớng đó và dựa trên nhu cầu thực tế, luận văn này mong muốn nếu ra những lý thuyết về các kỹ thuật tăng cƣờng chất lƣợng ảnh y tế nói chung, ảnh CT Gan nói riêng, các kỹ thuật phân đoạn Gan cũng nhƣ các kỹ thuật tái tạo ảnh 3D từ các ảnh cắt lớp nói chung, và từ các lát cắt song song nói riêng. Dựa trên những đề xuất đã có trong lĩnh vực nghiên cứu về tái tạo 3D Gan, luận văn đã tổng hợp, phân tích những nét chính về các kỹ thuật nâng cao chất lƣợng ảnh y tế, các kỹ thuật phân đoạn Gan, kỹ thuật dựng mô hình 3D. Trong đó luận văn tập trung:
-Tìm hiểu tổng quan về xử lý ảnh, xử lý ảnh y tế, vấn đề dựng mô hình 3D. -Tìm hiểu các lý thuyết về nâng cao chất lƣợng ảnh y tế nói chung và ảnh CT Gan nói riêng.
-Tìm hiểu lý thuyết về các kỹ thuật phân đoạn ảnh CT Gan
-Dựa trên những lý thuyết đã tìm hiểu, đề xuất ra kỹ thuật lấy mẫu phục vụ hiển thị ánh sáng trong tái tạo mô hình 3D Gan theo Cinematic Rendering.
-Đề xuất thuật toán phân đoạn Gan dựa vào mô hình chất liệu
-Nghiên cứu, phân tích các giải pháp và thuật toán dựng mô hình 3D Gan từ ảnh chụp cắt lớp
-Đƣa ra giải pháp phù hợp và xây dựng ứng dụng minh họa dựng mô hình 3D Gan từ ảnh chụp cắt lớp dựa trên kỹ thuật Marching Cubes.
-Nghiên cứu và kế thừa các chƣơng trình mã nguồn mở (VTK) phục vụ cho chƣơng trình.
NHỮNG KẾT QUẢ CHƢA ĐẠT ĐƢỢC
-Chƣa cải thiện đƣợc tốc độ hiển thị mô hình 3D Gan so với thời gian thực trên lý thuyết.
-Ngoài ra, đối với những dữ liệu hình ảnh y tế có số lƣợng các lát cắt ít thì chất lƣợng hình ảnh còn kém.
Tác giả thật sự mong muốn nhận đƣợc những gợi ý cả về chuyên môn lẫn cách trình bày để luận văn có thể hoàn thiện hơn.
HƢỚNG PHÁT TRIỂN
-Tiếp tục nghiên cứu các phƣơng pháp phân đoạn ảnh Gan để có thể phân đoạn Gan một cách chính xác hơn.
-Tiếp tục nghiên cứu các phƣơng pháp dựng mô hình ảnh 3D với các dạng ảnh cắt lớp khác nhƣ cắt lớp xuyên tâm, cắt lớp tự do. Nghiên cứu đặc tính của các loại ảnh cắt lớp để đƣa ra phƣơng án tái tạo tốt nhất cho mỗi loại.
-Đƣa thêm một số chức năng đo thể tích Gan vào trong ứng dụng để bác sĩ có thể khảo sát chi tiết trên mô hình đƣợc tái tạo.
-Cải tiến các giải thuật để tăng tốc độ xử lý.
-Cải tiến các giải thuật để tăng chất lƣợng mô hình tái tạo 3D Gan. -Nghiên cứu thêm một số dựng mô hình 3D dựa vào phần cứng.
DANH MỤC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ CỦA TÁC GIẢ
[1] Đoàn Thị Xƣơng, Phùng Văn Minh, Trần Thị Liên, Một thuật toán hiển thị mô hình 3D từ dữ liệu hình ảnh y tế DICOM, Tạp chí trƣờng Đại học Quy Nhơn, 2016.
[2] Lê Thị Kim Nga, Đoàn Thị Xƣơng, Đoàn Thị Thu Cúc, A technique of identifying the contour point to assess the change of abnormal areas on medical imaging, Tạp chí trƣờng Đại học Quy Nhơn, 2020
[3] Lê Thị Kim Nga, Đoàn Thị Xƣơng, Đoàn Thị Thu Cúc, A Technique to detect liver tumor based on texture model, Tạp chí trƣờng Đại học Quy Nhơn, 2020
DANH MỤC TÀI LIỆU THAM KHẢO TIẾNG VIỆT
[1] Lê Thị Kim Nga (2019), Bài giảng môn xử lý ảnh, Đại học Quy Nhơn. [2] Đỗ Năng Toàn (2001), Giáo trình xử lý ảnh, Học viện Công nghệ Bƣu
chính Viễn thông.
[3] Lê Thị Kim Nga, Huỳnh Lê Anh Vũ, Nguyễn Thị Kim Phƣợng (2017),
Một kỹ thuật phát hiện đối tượng không cấu trúc trên ảnh dựa vào tiếp cận hồi quy, Hội nghị quốc gia về CNTT&TT 2017.
TIẾNG ANH
[4] Adria Kaehler, Gary Bradski (2014), Learning OpenCV: Computer Vision in C++ with the OpenCV Library, 2nd Edition, O'Reilly Media, Inc [5] Anamika Bhardwaj, Manish K.Singh (2012), A Novel approach of
medical image enhancement based on Wavelet transform, International Journal of Engineering Research and Applications, 2012 [6] Jemal A, Bray F, Center MM, Ferlay J, Ward E, Forman D (2011), Global
cancer statistic, CA Cancer J Clin 61(2):69–90
[7] K. Somasundaram, P. Kalavathi (2012), Medical Image Contrast Enhancement based on Gamma Correction,Image Processing Lab, Department of Computer Science and Applications Gandhigram Rural Institute, Gandhigram – 624 302, Tamilnadu, India
[8] Lu, F., Wu, F., Hu, P., Peng, Z., & Kong, D. (2017), Automatic 3D liver location and segmentation via convolutional neural network and graph cut. International journal of computer assisted radiology and surgery, 12(2), 171-182.
[9] Olaf Ronneberger, Philip Fischer, Thomas Brox (2015), U-Net: Convolution Networks for Biomedical Image segmentation, Medical
Inage Computing and Computer-Assisted Intervention (MICCA) 2015 [10] He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
[11] Wiliam E.Lorensen, Harvey E. Cline (1987), Marching Cubes: A high Resolution 3D Surface Construction Algorithm, Computer Graphics, Volume 21, Number 4.