Nonsubsampled Contourlet
3.3.1 Tiền xử lý
Bước tiền xử lý ảnh trước khi áp dụng biến đổi Nonsubsampled Contourlet cũng giống như bước tiền xử lý cho phương pháp gom nhóm K- mean. Ảnh Raw được chuyển sang định dạng Jpg cho việc dễ đọc bằng các công cụ xử lý ảnh. Xử lý trực tiếp trên không gian màu RGB sẽ làm tăng độ phức tạp của thuật toán , do vậy chúng ta chuyển ảnh từ Jpg sang ảnh xám mà các thông tin về mạch máu não vẫn đảm bảo trong các ảnh y khoa.
Hình 3.13 Tiền xử lý
3.3.2Thực hiện biến đổi Nonsubsampled Contourlet
Khi áp dụng biến đổi NSCT lên ảnh grayscale não người ta cần xác định: Số mức J mà phép biến đổi dùng để phân tích ảnh . Ở đây ta chọn
nlevels = [0, 1, 3] ; % Decomposition level
Ở đây ta chọn J = length(nlevels) +1 = 4 nghĩa là quá trình Phân tích ảnh được thực hiện qua bốn bước.
Bước 1: Ảnh đầu vào đi qua bộ lọc của Nonsubsampled Pyramid tạo ra ảnh
miền tần số thấp và các bộ lọc có hướng Nonsubsampled DFB cho ra các ảnh bandpass với 3
2 các hướng khác nhau.
Bước 2 : Ảnh miền tần số thấp tiếp tục được phân tích thành ảnh xấp xỉ và ảnh
bandpass 2
2 các hướng khác nhau thông qua các bộ lọc Nonsubsampled LP và DFB.
Bước 3 : Lặp lại quá trình trên cho ảnh xấp xỉ ở bước trước cho ta một ảnh xấp
xỉ khác và 0
2 = 1 ảnh chi tiết
Bước 4 : đến lúc này thì phép biến đổi NSCT dừng . Ảnh xấp xỉ được lưu trữ
cúng với 3 2 + 2
2 các ảnh bandpass theo các hướng khác nhau.Nhưng tất cả đều cùng tỷ lệ với ảnh input ban đầu (tính chất shift-invariant)
Ta xem các bước biến đổi NSCT qua ví dụ sau đây : Với ảnh đầu vào là ảnh CT scan não người
Hình 3.14 Ảnh đầu vào
Lựa chọn các mức cho quá trinh phân tích NSCT là nlevels = [0, 1, 3] ; Sẽ cho ta các hệ số ở các mức khác nhau. Hệ số ở mức 1 tương ứng với ảnh
xấp xỉ (miền tần số thấp)
Các hệ số ở mức 2 cho ra 1 ảnh chi tiết
Hình 3.15 Hệ số mức 2 của Contourlet
Chúng ta để ý ở bước này ảnh chi tiết thể hiện khá tốt các mạch máu não nhờ khả năng lưu trữ thông tin biên trơn của các mạch máu. Các yếu tố nhiễu hay giả mạch máu do thông tin biên ở ảnh gốc không rõ nên bị loại bỏ hoàn toàn.
Ở các mức tiếp theo sẽ lần lượt là 22 , 23 ảnh chi tiết theo các hướng khác nhau.
Hình 3.17 Hệ số mức 4 của Contourlet
3.3.3Lựa chọn và trích xuất đặc trưng mạch máu dựa trên mối quan hệ 2D và 3D mạch máu và 3D mạch máu
Phân tích :
Trong một bức ảnh CT não người , ngoài thông tin mạch máu còn có rất nhiều nhiễu. Các đối tượng nhiễu này nhiều khi cũng có cấu trúc giông với mạch máu. Do vậy nếu ta chỉ xét các mối quan hệ giữa các đối tượng trên một ảnh (2D) là chưa đủ. Ở đây ta xây dựng thêm các mối quan hệ giữa các đối tượng mạch máu trên một tập các ảnh. Do nhiễu chỉ có thể xuất hiện trên một hai ảnh rồi mất đi. Nên với mối quan hệ 3D này sẽ giúp ta loại bỏ tối đa các nhiễu có trong ảnh.
Qua kết quả phân tích của NSCT ở bước trước , ta nhận thấy các hệ số ở mức 2 chứa đầy đủ nhất các thông tin về mạch máu. Còn các mức khác cũng có thông tin hướng của mạch máu nhưng chưa rõ. Do đó dùng hệ số ở mức 2 cho
việc trích xuất đặc trưng còn các hệ số trong các mức khác ta sẽ dùng cho việc nén và khôi phục ảnh
`
Hình 3.18 Hệ số mức 2 được chọn để trích xuất đặc trưng
Trước khi tiến hành trích xuất mạch máu , chúng ta xem qua hình trên để nhận biết mạch máu trong ảnh highpass này như thế nào.
Đối với các chấm trắng nhỏ nhưng có mức xám nổi bật chính là các mạch máu con, còn ngược lại các chấm nhỏ khác với mức xám mờ được xem là nhiễu.
Ngoài các đốm sáng nhỏ. Các mạch máu lớn ta cũng dễ dàng nhận biết là chúng là những vòng tròn rỗng với thông tin biên rất nhỏ nét. Do vậy ta sẽ dựa trên các thông tin này trích xuất chúng ra khỏi ảnh.
Trích xuất :
Các đối tượng có diện tích nhỏ được chọn lọc ra khỏi các đối tượng lớn. Sau đó phép toán tính giá trị trung bình pixel của chúng được tính toán để trích xuất những đối tượng nào có mức xám cao.
Hình 3.19 Trích xuất đối tượng nhỏ mức xám cao
Đối với các động mạch (mạch máu lớn) ta tiến hành tính toán độ tròn của chúng dựa trên công thức R 4 S2
P
và tính độ sáng của biên để trích xuất chúng ra khỏi ảnh. Trong trường hợp này xương sẽ bị loại bỏ vì không phải là các đối tượng tròn.
Hình 3.20 Trích xuất đối tượng lớn mức xám vùng biên cao
Tuy nhiên để đảm bảo chặt chẽ đối tượng trích xuất là mạch máu, chúng ta còn xây dựng lên mối quan hệ 3D. Nghĩa là nếu một đối tượng là mạch máu thì ảnh tiếp theo của não phải có sự tồn tại đối tượng đó. Một đối tượng mả chỉ xuất hiện ở 1 hoặc 2 ảnh rồi biến mất được xem như nhiễu cần loại bỏ.
Dữ liệu đầu vào của ta là một dãnh các ảnh CT sau khi lọc ven có thứ tự từ 1 đến N. Thứ tự này là không thể thay đổi. Trên mỗi ảnh này ta đánh số các mạch máu sau khi trích lọc từ 1 đến n. Các mạch máu này gọi là mạch máu 2D. Mỗi mạch máu 2D lưu trữ thông tin dưới dạng ma trận là tọa độ pixel biên của chúng trong ảnh.
Hình 3.21 Mô hình Cấu Trúc Dữ Liệu 2D
Mạch máu 3D là một dãy thứ tự các mạch máu 2D mô tả mối quan hệ của một nhánh mạch máu. Nếu dãy thứ tự này chỉ có 1 hay 2 phần tử thì xem như là nhiễu , còn ngược lại thì ta có được một nhánh mạch máu.
Hình 3.22 Mô hình Cấu Trúc Dữ Liệu 3D
3.3.4 Xuất ảnh kết quả
Kết quả trích xuất các đối tượng mạch máu não gồm mạch máu nhỏ và các động mạch được kết hợp lại với nhau để cho ra ảnh trích xuất
Chương 4 – KẾT LUẬN
4.1 Kết quả thực nghiệm trích xuất đặc trưng 4.1.1 Môi trường thực nghiệm 4.1.1 Môi trường thực nghiệm
Chương trình thực nghiệm được chúng tôi áp dụng cho cở sở dữ liệu gồm hơn 200 ảnh y khoa được cung cấp bởi bệnh viện Chonnam Hàn Quốc (theo chương trình hợp tác khoa học của trường). Các ảnh thực nghiệm đều là ảnh kích cỡ 512x512 dưới dạng Raw. Ảnh Raw là ảnh chưa qua thao tác xử lý nào hết nên chất lượng ảnh là rất tốt.
Chương trình được chúng tôi viết bằng Matlab 2008 chạy trên môi trường Window XP Service Pack 3. CPU T 2050 @ 1.60GHz , RAM 1GB.
4.1.2 Phương pháp Phân Ngưỡng
Sử dụng phân ngưỡng mức xám cho kết quả phân đoạn ảnh tương đối tốt nhưng do có sự dàn trải mức xám từ miền trong ra miền ngoài của mạch máu. Nên sử dụng phân ngưỡng sẽ cho kết quả biên không chính xác.
Phân ngưỡng buộc chúng ta phải sử dụng một ngưỡng với giá trị cố định. Điều này là không chuẩn xác đối với các loại ảnh khác nhau. Cải tiến hơn so với phương pháp phân ngưỡng ta có phương pháp gom nhóm K-mean.
Phương pháp gom nhóm K-mean chính là mở rộng của Phân ngưỡng mức xám. Nhưng việc thực hiện phân đoạn trên một tập dữ liệu gồm nhiều ảnh với cách chọn mức xám riêng trên từng ảnh cho vùng xương và mạch máu bằng phương pháp K-mean sẽ cho kết quả tốt hơn phương pháp phân ngưỡng xám.
4.1.3 Phương pháp Contourlet
Contourlet là một phép biến đổi dùng để biểu diễn ảnh rất tốt như phép biến đổi wavelet. Wavelet có thể dùng để làm tốt ảnh hay nén ảnh thì contourlet cũng có thể làm được. Nhưng trong một số bài toán hay trường hợp cụ thể thì contourlet lại cho kết quả tốt hơn nhiều so với wavelet. Đó là nhờ vào khả năng nắm bắt được thông tin đường biên trơn của các vật thể so với biến đổi wavelet.
Contourlet dùng để trích xuất các đối tượng rất tốt nhờ vào các đường biên trơn của các đối tượng. Các mạch máu trong ảnh y khoa chính là những đối tượng như vậy. Contourlet trích xuất đối tượng mạch máu tốt hơn hẳn so với các phương pháp khác áp dụng cho bài toán này (như phân ngưỡng , kmeans). Các yếu tố gây nhiễu được loại bỏ hoàn toàn trong ảnh y khoa.
4.1.4 So sánh và đánh giá kết quả
So sánh kết quả giữa trích xuất đối tượng mạch máu trong ảnh y khoa bằng contourlet và kmeans ta thấy Contourlet trích xuất chính xác hơn và ít xác định sai các yếu tố gây nhiễu.
Hình 4.1 So sánh kết qủa giữa Ảnh gốc - Ảnh trích xuất bằng Contourlet và bằng K-mean.
Hình 4.2 Số liệu trên 20 ảnh so sánh độ lệnh giữa hai phương pháp K-means và Contourlet.
Ảnh đầu Vào Ảnh Trích Xuất Độ chính xác
85%
76%
85%
81%
86%
Hình 4.3 So sánh độ chính xác dựa trên tiêu chuẩn mạch máu theo đánh giá và số mạch máu được trích xuất
Đánh giá : Phương pháp Contourlet luôn trích chính xác các mạch máu và không chứa các nhiễu hay giả mạch máu. Trong khi bằng phương pháp K-mean luôn trích số lượng mạch máu cao hơn phương pháp Contourlet vì nó không có cơ chế loại thành phần nhiễu nhờ biên mạch máu như Concourlet.
4.2. Hướng phát triển
Bài toán mặc dù đã được đáp ứng một cách trọn vẹn nhưng vần còn nhiều vấn đề chi tiết mà các phương pháp đề cập chưa giải quyết được :
- Mặc dù xác định tốt các mạch máu trong ảnh scan não người. Nhưng do tính chất phức tạp của các mạch máu não người nên cần phải có thêm cơ chế nội suy mạch máu để tìm ra các mạch máu nằm lẫn trong xương.
- Có nhiều trường hợp thuật toán chưa nhận ra được mạch máu như : mạch máu có hình bầu dẹp , hay các mạch máu dính với nhau , nối với nhau hay cuộn vào nhau. Cần phải có bước tiền xử lý để tách biệt chúng với nhau trước khi xây dựng mối quan hệ giữa các mạch máu.
- Các biến đổi contourlet thực hiên rất tốt công việc phân tích ảnh theo các hướng tuy nhin tốc đô của phép biến đổi chưa được cải tiến để nhanh như phép biến đổi wavelet. Đây cũng là một yếu điểm của biến đổi Contourlet.