Để chứng minh hiệu quả của phương pháp đề xuất, chúng ta thử nghiệm nó trên cả dữ liệu hình ảnh lâm sàng tổng hợp và trên thực tế. Hai mô hình PCA: một cho tâm thất trái trong 2 buồng siêu âm tim, và một cho tâm thất trái trong hình ảnh X-quang được sử dụng trong các thí nghiệm của chúng ta. Các mô hình đã được sử dụng trong hình dạng mẫu một cách thủ công được lựa chọn từ hàng ngàn hình ảnh y tế. 4 ~ 7 nguyên tắc thành phần (máy tính) được sử dụng trong mô phỏng của chúng ta. Nếu không có tối ưu hóa mã, thực hiện hiện nay của chúng ta có thể đạt được phân chia mạnh mẽ trong vòng 1 ~ 4 giây sử dụng Matlab trên một máy tính bình thường với CPU 3.2GHz Intel Pentium IV và RAM 1G.
Hình 3.3: Biểu diễn khái niệm của mô hình PCA đề xuất dựa trên phương pháp phân đoạn trên dữ liệu tổng hợp
3.1.4.1. Cơ bản về ý tưởng
Trước hết chúng ta sử dụng một hình ảnh tổng hợp để kiểm tra các thuật toán đề xuất. Hình 3.3 cho thấy các thủ tục chính, mô hình PCA của 2 buồng tâm thất trái trong hình ảnh siêu âm được sử dụng. Bảy máy tính được sử dụng để tạo ra hình ảnh mục tiêu thử nghiệm như trong hình 3.3 bên phải. Sau đó, chỉ năm máy tính được sử dụng để ước lượng nhằm tiết kiệm thời gian hội tụ. Một hình dạng trung bình được sử dụng để khởi tạo. Sau 46 vòng lặp, thuật toán hội tụ tại ước tính cuối cùng. Như chúng ta thấy, nó rất giống với hình ảnh mục tiêu thử nghiệm.
3.1.4.2. Dữ liệu lâm sàng thực tế
Chúng ta đã áp dụng phương pháp phân đoạn đề xuất trên các dữ liệu lâm sàng thực tế bao gồm dữ liệu hình ảnh X-quang nhiễu và dữ liệu hình ảnh siêu âm. Một bước tiền xử lý hình ảnh đã được thực hiện để tìm khoảng trung tâm của đối tượng mong muốn. Vector trạng thái của bộ lọc phần tử cũng đã được mở rộng để bao gồm thông tin vị trí của đối tượng, bằng cách này, chúng ta có thể đạt được phân đoạn mạnh mẽ hơn. Hình 3.4 minh họa một số kết quả phân đoạn trên dữ liệu hình ảnh y tế nhiễu. Hình 3.4a đến 3.4c là hình ảnh X-quang tâm thất trái. Hình 4d cho thấy các kết quả của phương pháp tiếp cận của chúng ta trên hình ảnh siêu âm. Như chúng ta có thể thấy, so sánh với kết quả trong hình 1 mà sử dụng phương pháp phân đoạn tiếp cận là con rắn và cắt đồ thị, thuật toán của chúng ta đạt được hiệu suất cao hơn nhiều. Do khai thác các thông tin hình dạng trước vốn có trong mô hình PCA được đào tạo, phương pháp đề xuất tránh được vấn đề rò rỉ mà hầu hết các thuật toán dựa trên cắt đồ thị gặp phải trên dữ liệu hình ảnh y tế nhiễu. Ngay cả với nhiễu nền, lộn xộn, bóng tối, độ tương phản và phân phối
không đồng đều trong hình ảnh X-quang tâm thất trái hay hình ảnh siêu âm, phương pháp đề xuất vẫn có thể đạt được kết quả phân đoạn rất mạnh mẽ.
Hình 3.4: Các kết quả phân đoạn cho các dữ liệu lâm sàng thực tế.(a), (b), và (c) là hình chụp X-quang tâm thất trái; (d) là hình ảnh siêu âm.