biên
Các tham số AL, I cũng như độ tăng mức ngưỡng Ith sẽ được điều chỉnh để độ nhạy phát hiện vùng nghi ngờ là cao nhất có thể.
Bảng 3.3 tổng hợp kết quả thu được với các tham số AL và I cũng như độ tăng Ith
khác nhau. Tiêu chí để xác định vùng ROI là vùng dương tính thật thể hiện ở phương trình 3.4 và 3.5 tương tự như trong nghiên cứu của Belloti [80]. Như vậy, giá trị ALvà I tối ưu là AL=192x192 còn I=1 tương ứng với cách tăng mức ngưỡng Ithnhư đã trình bày ở mục 3.2.2.
Bảng 3.2.Kết quả thực nghiệm phương pháp tìm kiếm đường biên để phát hiện vùng nghi ngờ
I AL Mức độ
tăng Ith
Số vùng
tổn thương TP-ROI FP-ROI Độ nhậy(%) FPpI
1 192x192 1/4 92 83 1953 90.2 6.53 1 192x192 1/2 92 67 1159 72.8 3.87 4 192x192 1/4 92 83 1953 90.2 6.53 1 140x140 1/4 92 80 2143 86.9 7.16 1 250x250 1/4 92 84 1713 91.4 5.78 1 192x192 1/8 và 1/4 92 86 2186 93.48 8.75
Bảng 3.3.Kết quả phát hiện thu được ứng với 2 phương pháp tăng cường chất lượng ảnh khác nhau
Phát hiện vùng nghi ngờ dựa theo đường biên Loại ảnh Số vùngtổn
thương
Lọc trung bình + cân bằng
mức xám đồ Biến đổi hình thái
TP-ROI FP-ROI TP-ROI FP-ROI
ARCH 19 17 233 16 210 ASYM 15 15 131 14 106 SPIC 19 18 200 18 128 MISC 15 14 225 14 137 CIRC 24 23 318 24 206 NORM 2271 1832 Tổng 92 87 3378 86 2616 Độ nhạy 94.56% (87/92) 93.48%(86/92) FPpI 11.3 (3378/299) (2616/299)8.75
Hiệu quả phát hiện vùng nghi ngờ tổn thương hình khối khi tăng cường chất lượng ảnh bằng lọc trung bình kết hợp cùng cân bằng mức xám đồ và bằng biến đổi hình thái tương ứng được trình bày tại công trình số 3 và số 4 trong Danh mục các công trình đã công bố. Được liệt kê chi tiết trong bảng 3.4 là kết quả phát hiện các loại tổn thương hình khối khác nhau có trong cơ sở dữ liệu mini-MIAS [47] được sử dụng.
Hình 3.15 và 3.16 thể hiện các vùng ROI được phát hiện trên các loại ảnh khác nhau có trong cơ sở dữ liệu mini-MIAS [47].
Lọc trung bình +
cân bằng mức xám đồ Biến đổi hình thái
Thư mục ARCH Ảnh mdb130 mô tuyến dầy đặc Thư mục ASYM Ảnh mdb083 mô tuyến Thư mục CIRC Ảnh mdb141 mô mỡ
Hình 3.15.Các vùng nghi ngờ phát hiện được (đường bao màu đỏ). Vùng tổn thương thực (đường bao màu xanh)
Lọc trung bình +
cân bằng mức xám đồ Biến đổi hình thái
Thư mục MISS Ảnh mdb144 mô mỡ Thư mục NORM Ảnh mdb297 mô mỡ Thư mục SPIC Ảnh mdb184 mô mỡ
Hình 3.16.Các vùng nghi ngờ phát hiện được (đường bao màu đỏ). Vùng tổn thương thực (đường bao màu xanh) (tiếp)
Như vậy, nếu ảnh chụp X-quang vú được tăng cường chất lượng bằng lọc trung bình và cân bằng mức xám đồ thì độ nhạy phát hiện vùng nghi ngờ là 94.56% (phát hiện đúng 87 trong số 92 vùng tổn thương thực). Còn nếu ảnh chụp X-quang vú được tăng cường chất lượng bằng biến đổi hình thái đã đ ề xuất thì độ nhạy phát hiện vùng nghi ngờ là 93.48% (phát hiện đúng 86 trong số 92 vùng tổn thương thực). Có thể nói, độ nhạy phát hiện vùng nghi ngờ tổn thương hình khối thay đổi không đáng kể. Tuy nhiên khi xét đến chỉ số FPpI thì thấy có sự khác biệt đáng kể. Trường hợp sử dụng biến đổi hình thái cho FPpI=8.75 là nhỏ hơn rất nhiều so với FPpI=11.3 khi sử dụng lọc trung bình kết hợp với cân bằng mức xám đồ. Điều này là phù hợp với các kết quả thu được ở chương 2. Theo đó, đề xuất tăng cường chất lượng ảnh bằng biến
đổi hình thái cho ảnh có độ tương phản cao hơn so với khi sử dụng lọc trung bình kết hợp cân bằng mức xám đồ.
Bên cạnh đó, mức độ chồng lấn giữa vùng ROI và vùng tổn thương thực tế theo phương trình 3.6 cũng được tính toán. Kết quả thu được fD> 0.5.
So sánh với các nghiên cứu khác ở bảng 3.5 cho thấy phương pháp đề xuất phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X-quang vú cho hiệu quả phát hiện (độ nhạy) là cao hơn so với các nghiên cứu của các tác giả khác gần đây như Belloti [80], Cascio [23], Domiguez [11], Terada [98], Eltoukhy [66], Zhang [106]. Kết quả tuy có hơi thấp một chút so với kết quả của Bator [64] nhưng tỷ lệ FPpI lại nhỏ hơn đáng kể
Bảng 3.4.So sánh phương pháp tìm kiếm vùng nghi ngờ được đề xuất với các nghiên cứu gần đây trên thế giới
Nghiên cứu Năm Độ nhạy (%) FPpI
Belloti [80] 2006 83.1 6.27 Cascio [23] 2006 93 7.8 Domiguez [11] 2008 80 0.32 Bator [64] 2010 ~95 12.77 Terada [98] 2010 93 15 Eltokhy [66] 2010 89.3 - Zhang [106] 2012 67.6 - Phương pháp đề xuất 93.48 8.75 3.4. Kết luận
Chương 3 đề xuất một phương pháp phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X-quang vú. Đó là phương pháp tìm kiếm đường biên.
Phương pháp tìm kiếm đường biên sử dụng mức ngưỡng động để xác định đường biên quanh vùng nghi ngờ. Mức độ thay đổi mức ngưỡng này thay đổi tùy thuộc vào diện tích của vùng và độ chênh lệch giữa bản thân mức ngưỡng với mức ngưỡng so sánh. Kết thúc tìm kiếm khi độ chênh lệch này là đủ nhỏ. So sánh trực tiếp với phương pháp đối sánh mẫu tìm vùng nghi ngờ tổn thương hình khối thì phương pháp này phát hiện tốt với hầu hết các loại tổn thương hình khối. Độ nhạy phát hiện vùng nghi ngờ tổn thương hình khối 93.48% là cao hơn so với các nghiên cứu gần đây (bảng 3.5). Nhược điểm của phương pháp này cũng như của hầu hết các phương pháp phát hiện vùng nghi ngờ tổn thương hình khối khác là lượng dương tính giả còn cao. Tuy nhiên, lượng dương tính giả này sẽ được loại bỏ nhờ quá trình phân loại tiếp theo (sẽ được trình bày ở chương 4). Thông qua quá trình này vùng nghi ngờ được phân loại thành vùng tổn thương hình khối hoặc vùng mô vú bình thường. Nhờ đó, lượng dương tính giả sẽ giảm xuống.
CHƯƠNG 4. GIẢM LƯỢNG DƯƠNG TÍN H GIẢ SỬ DỤNG MÁY VECTƠ HỖ TRỢ SVM VÀ CÁC ĐẶC TRƯNG ĐA MỨC
Tổng cộng có 2702 vùng nghi ngờ tổn thương hình khối (86 vùng TP-ROI và 2616 vùng FP-ROI) được phát hiện ra nhờ phương pháp tìm kiếm vùng nghi ngờ dựa vào đường biên được đề xuất ở chương 3. Các vùng nghi ngờ này sẽ được phân loại thành vùng thực chứa tổn thương hình khối hay vùng chứa mô vú bình thường dựa trên các đặc điểm đặc trưng cho từng vùng. Việc phân loại này thực chất là để giảm lượng dương tính giả lớn thu được từ bước phát hiện vùng nghi ngờ trước mà vẫn giữ được độ nhạy cao.
Trong chương 4 này, một phương pháp phân loại nhằm làm giảm số lượng dương tính giả được đề xuất. Phương pháp được đề xuất này sử dụng máy vectơ hỗ trợ SVM (Support Vector Machine) để phân loại các vùng nghi ngờ tổn thương hình khối dựa trên các đặc trưng sai khác xác suất ngược khối BDIP (Block Difference Inverse Probability) và các đặc trưng biến thiên hệ số tương quan cục bộ khối BVLC (Block Variance of Local Correlation coefficients) đa mức của chúng. Bên cạnh đó, mạng nơron NN (Neural Network) và các đặc trưng khác của vùng nghi ngờ như các đặc trưng dựa trên ma trận đồng xuất hiện mức xám GLCM (Gray Level Cooccurance Matrix) hay các đặc trưng thống kê bậc nhất FOS (First Order Statistics) cũng được sử dụng với mục đích để chứng minh tính đúng đắn của phương pháp phân loại được đề xuất.
Các kết quả đạt được trong chương 4 được trình bày công trình số 1 và từ số 4-8 trong Danh mục các công trình đã công bố.