CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP Cơ sở dữ liệu

Cơ sở dữ liệu

Đối với ảnh bình thường khơng có bệnh, đề tài thực hiện trên nguồn cơ sở dữ liệu của Open Source Brain (OSB). Open Source Brain là một nguồn tài nguyên chia sẻ và mơ hình tính tốn cộng tác phát triển của ngành thần kinh. Cơ sở dữ liệu mà đề tài gồm 176 ảnh não người MRI, được sắp xếp theo thứ tự lắt cắt ngang từ dưới lên của một người bình thường. Chúng đều thuộc loại ảnh MRI TW1.

Ngoài cơ sở dữ liệu OSB, để kiểm chứng trích xuất các vùng hộp sọ, WM, GM và CSF, chúng tơi cịn sưu tập các ảnh từ nguồn Figshare chứa các khối u để trích xuất các khối u. Dữ liệu này được Cheng, Jun và các đồng nghiệp của trường Đại học Kĩ thuật Y, Quảng Châu, Trung Quốc sử dụng trong các bài báo: “Enhanced Performance of Brain Tumor Classification via Tumor Region Augmentation and Partition” PloS one 10.10 (2015) và “Retrieval of Brain Tumors by Adaptive Spatial Pooling and Fisher Vector Representation” PloS one 11.6 (2016).

Hình 2. Cơ sở dữ liệu ảnh Figshare với khối u Phương pháp nghiên cứu

Phương pháp EM MPM: Thuật tốn trình

bày sử dụng một cách tiếp cận thống kê để phân đoạn ảnh kết cấu. Phân chia thống kê thường phân vùng một ảnh bằng cách tối ưu hóa một số tiêu chí. Ước lượng tối ưu hóa tiêu chí này được gọi là “maximizer of the posterior marginals” (MPM). Nó đã được chỉ ra rằng các tiêu chí ước lượng MPM là thích hợp hơn cho phân vùng ảnh hơn tiêu chuẩn MAP. Mục tiêu của thuật toán EM/MPM là cực tiểu giá trị của số điểm ảnh phân lớp sai. Điều này tương đương với việc tối đa hoá xác suất biên của nhãn lớp. Thuật tốn có thể được tóm tắt như sau: Thứ nhất, ước lượng ban đầu

(0)

 và X(1,0) tương ứng của  và X được chọn. Sau đó, cho từng bước p=1,…, P của thuật toán bao gồm theo hai bước: 1) Thực hiện các vòng lặp TP của thuật toán MPM sử dụng (p1) là giá trị của



2) Sử dụng các công thức cập nhật EM cho

 để thu được ( )p , sử dụng các giá trị

, ( , )

k s p

v p T là ước lượng của

| ( | , ( 1))

s

X Y

p k y  p

Sau khi đã đạt được ( )p là ước lượng cuối cùng của , các vòng lặp Tp1 của thuật toán MPM được thực hiện sử dụng ( )p . Các phân vùng cuối cùng làX P( 1,TP1).

Phương pháp PSO: PSO dựa trên kinh nghiệm của bầy đàn được Eberhart and Kennedy giới thiệu vào năm 1995, nó mơ phỏng lại hành vi xã hội của bầy chim hay đàn cá khi đi tìm kiếm nguồn thức ăn. Tương tự như giải thuật di truyền nhưng PSO khơng có giai đoạn lai ghép giữa các cá thể trong quần thể. Trong mỗi thế hệ,

mỗi cá thể thay đổi vị trí của nó theo thời gian và tìm giải pháp tối ưu cục bộ Pbest trong khơng gian tìm kiếm D chiều. Sau đó, Pbest được so sánh với giải pháp tối ưu toàn cục Gbest của cả bầy đần để cập nhật lại giá trị cho Gbest. Dựa vào Gbest để tìm ra giải pháp tối ưu nhất.

Trong đó: k j

x : vị trí hiện tại của cá thể thứ j tại chiều k; k 1

j

x  : vị trí của cá thể j tại chiều k+1;: hệ số quán tính thường nhận giá trị từ 0.1 đến 0.9; c1, c2: hệ số gia tốc thường nhận giá trị từ 1 đến 2; r1,r2: là số ngẫu nhiên giữa 0 và 1; k

j

v : vận tốc của các thể j tại chiều k; Pbestj: vị trí cục bộ tốt nhất của cá thể j; Gbest : vị trí tốt nhất tồn cục của toàn bộ bầy đàn.

Các bước tiến hành: Thuật tốn do chúng

tơi đề xuất đề phân vùng ảnh não bằng cách kết hợp hai phương pháp PSO và EMMPM với nhau. Dựa vào ưu điểm kết hợp của cả hai phương pháp trên, PSO sẽ gán nhãn các vùng trong bước khởi tạo của thuật toán EMMPM. Nhờ đó, phương pháp EMMPM sẽ hội tụ nhanh hơn và chính xác hơn.

EMMPM-PSO giai đoạn 1: Nhìn vào cơ sở ảnh não TW1, ta thấy phần hộp sọ và điểm bất thường có mức xám cao và dễ nhận thấy nên ở giai đoạn 1, đề tài sẽ thuật hiện thuật toán EMMPM kết hợp PSO để phân tách vùng hộp sọ và điểm bất thường. Đầu vào dữ liệu sẽ là một ảnh não MRI TW1, sau khi được khởi tạo gán nhãn các vùng bằng phương pháp PSO, thuật toán sẽ chạy với số phân vùng là 3. Sau đó vùng số 3 sẽ được lấy ra và qua một số phép xử lý Morphplogy (dilation và erosion) cơ bản ta

1 1 1 2 2 1 1 2 2 1 1 ( ) ( ) k k k k j j j j i j i i i j j j v v c r Pbest x c r Gbest x x x v           

sẽ lấy được hộp sọ. Trong trường hợp ảnh có khối u thì khối u sẽ nằm trong vùng số

3 và có kích thước trung bình và tỷ lệ mức xám lớn hơn 0.4.

Hình 3. Ảnh kết quả sau khi phân vùng giai đoạn 1 với ba lớp.

Hình 4. Ảnh kết quả trích xuất hộp sọ qua một số bước xử lý Morphology.

Hình 5. Ảnh kết quả phân vùng giai đoạn 1 với trường hợp có vùng bất thường.

EMMPM-PSO giai đoạn 2: Sau khi thực hiên EMMPM-PSO giai đoạn 1, ta đã loại bỏ vùng hộp sọ và bất thường chỉ còn vùng não. Lúc này ở giai đoạn 2 sẽ thực hiện EMMPM-PSO với ảnh vùng não ở trên. Số phân vùng đầu vào thuật toán giai đoạn 2

là 5. Các quá trình khởi tạo giá trị tham số và thực hiện thuật toán tương tự như giai đoạn 1 nhưng khác biết duy nhất là ma trận dữ liệu được lấy từ bước tiền phân vùng bằng thuật toán PSO của ảnh chỉ chứa vùng não.

Hình 7. Ảnh kết quả trích xuất vùng WM, GM và CSF KẾT QUẢ VÀ THẢO LUẬN

Kết quả giai đoạn trích xuất hộp sọ

Kết quả trích xuất hộp sọ ở giai đoạn 1 của đề tài sẽ được thực hiện trên cả CSDL ảnh não bình thường và có bệnh. Vùng sọ được

phân tách rất là chính xác với hầu hết các lát cắt ngang của ảnh não khác nhau. Tuy nhiên một số vùng giáp biên với vùng não có thể bị thiếu nhưng chấp nhận được.

Hình 8. Vùng hộp sọ được trích xuất từ ảnh não Kết quả giai đoạn trích xuất vùng GM,

WM và CSF

Giai đoạn 2 của thuật toán đề xuất đề tài, khi loại bỏ các vùng không quan tâm lúc này chỉ còn vùng não để phân chia thành ba vùng mơ não chính là GM, WM và CSF. Kết quả vùng GM tương đối chính

xác nhưng với CSF và WM vẫn cịn một số vùng nhiễu có diện tích nhỏ nằm gần giáp biên với vùng sọ. Đối với ảnh não có bệnh, CSF và WM cũng có kết quả tương tự nhưng thêm vào đó một số vùng bị sai nằm gần với điểm bất thường.

Kết quả giai đoạn trích xuất vùng bất thường

Vùng bất thường có kích thước nhỏ và vừa

nằm tiêng biệt được trích xuất chính xác, nhưng với các vùng bất thường nằm rải rác gần nhau thì cho kết quả khơng được tốt.

Hình 10. Ảnh kết quả vùng bất thường được trích xuất từ ảnh não có bệnh So sánh với thuật toán EM GMM

Với phương pháp của chúng tôi, các phân vùng GM, WM và CSF cho kết quả tốt: không bị nhiễu và gom bởi một số vùng nhỏ thuộc hộp sọ. Vùng sọ của phương pháp EM GMM bị nhiễu bởi nhiều chấm nhỏ bên trong.

Nhìn phần WM của phương pháp EM GMM, nó phân vùng khơng tốt khi chỉ có một vùng có diện tích nhỏ là WM.

Vùng CSF của phương pháp EM GMM bị gom chung với một số vùng nhiễu thuộc biên hộp sọ bên ngoài.

Bảng 1. Kết quả so sánh thuật toán với phương pháp EM GMM

Phương pháp đề xuất Phương pháp EM GMM

Hộp sọ

GM

CSF