I. Giới thiệu đề tài
Luận văn tập trung vào việc giảm mờ ảnh y khoa bằng cách sử dụng wavelet thế hệ mới, cụ thể là curvelet transform. Ảnh y khoa, bao gồm ảnh X-quang, CT, và MRI, thường bị mờ và nhiễu do nhiều nguyên nhân như sai số lượng tử hóa hoặc môi trường. Điều này ảnh hưởng nghiêm trọng đến quá trình chẩn đoán và điều trị. Luận văn đề xuất phương pháp kết hợp curvelet transform với ngưỡng Bayesian và augmented Lagrangian để khử nhiễu và mờ, đảm bảo giữ lại các chi tiết quan trọng trong ảnh.
1.1. Mục tiêu đề tài
Mục tiêu chính của luận văn là nâng cao chất lượng ảnh y khoa bằng cách khử mờ và nhiễu. Phương pháp đề xuất chia thành hai bước: khử nhiễu sử dụng curvelet transform kết hợp ngưỡng Bayesian, và khử mờ sử dụng augmented Lagrangian. Kết quả thực nghiệm trên ảnh 2-D từ các bệnh viện tại TP. HCM cho thấy hiệu quả vượt trội so với các phương pháp hiện có.
1.2. Nội dung thực hiện
Luận văn bao gồm việc nghiên cứu các loại mờ và nhiễu phổ biến trong ảnh y khoa, đánh giá các công trình nghiên cứu liên quan, và đề xuất phương pháp mới. Phương pháp này được so sánh với các giải thuật gần đây để chứng minh tính hiệu quả. Kết quả được đánh giá định tính và định lượng thông qua các chỉ số PSNR và MSE.
II. Cơ sở lý thuyết và nghiên cứu liên quan
Luận văn trình bày các loại mờ và nhiễu phổ biến trong ảnh y khoa, bao gồm mờ motion, nhiễu Gaussian, nhiễu salt & pepper, và nhiễu speckle. Các phương pháp wavelet transform, contourlet transform, và curvelet transform được phân tích chi tiết. Đặc biệt, curvelet transform được chọn làm nền tảng cho phương pháp đề xuất do khả năng xử lý hướng và giữ lại chi tiết tốt hơn so với các phương pháp truyền thống.
2.1. Các loại mờ và nhiễu
Mờ motion xảy ra do chuyển động của đối tượng hoặc máy ảnh. Nhiễu Gaussian là loại nhiễu phổ biến do sai số lượng tử hóa. Nhiễu salt & pepper xuất hiện dưới dạng các điểm trắng và đen ngẫu nhiên. Nhiễu speckle thường xuất hiện trong ảnh siêu âm. Các loại nhiễu này đều làm giảm chất lượng ảnh và gây khó khăn cho việc chẩn đoán.
2.2. Các phương pháp wavelet thế hệ mới
Wavelet thế hệ mới như contourlet transform và curvelet transform được đề xuất để khắc phục các hạn chế của DWT. Curvelet transform đặc biệt hiệu quả trong việc xử lý ảnh có cấu trúc phức tạp, giúp giữ lại các chi tiết quan trọng trong ảnh y khoa.
III. Phương pháp đề xuất
Phương pháp đề xuất trong luận văn chia thành hai bước chính: khử nhiễu và khử mờ. Bước khử nhiễu sử dụng curvelet transform kết hợp ngưỡng Bayesian để loại bỏ nhiễu mà không làm mất chi tiết. Bước khử mờ sử dụng augmented Lagrangian để khôi phục ảnh rõ nét. Phương pháp này được thử nghiệm trên các ảnh y khoa 2-D và cho kết quả tốt hơn so với các phương pháp hiện có.
3.1. Khử nhiễu bằng curvelet transform
Curvelet transform được áp dụng để phân tích ảnh trong miền tần số. Ngưỡng Bayesian được sử dụng để loại bỏ nhiễu mà không làm mất các chi tiết quan trọng. Kết quả cho thấy phương pháp này hiệu quả trong việc khử nhiễu Gaussian, salt & pepper, và speckle.
3.2. Khử mờ bằng augmented Lagrangian
Augmented Lagrangian được sử dụng để khử mờ bằng cách tối ưu hóa hàm mục tiêu. Phương pháp này giúp khôi phục ảnh rõ nét mà không làm mất các chi tiết quan trọng. Kết quả thực nghiệm cho thấy hiệu quả vượt trội so với các phương pháp truyền thống.
IV. Kết quả thực nghiệm
Kết quả thực nghiệm được thực hiện trên các ảnh y khoa 2-D từ các bệnh viện tại TP. HCM. Phương pháp đề xuất được so sánh với các phương pháp hiện có thông qua các chỉ số PSNR và MSE. Kết quả cho thấy phương pháp đề xuất hiệu quả hơn trong việc khử mờ và nhiễu, đặc biệt là trong trường hợp ảnh chứa cả mờ và nhiễu.
4.1. So sánh kết quả khử nhiễu
Phương pháp đề xuất cho kết quả tốt hơn trong việc khử nhiễu Gaussian, salt & pepper, và speckle. Các chỉ số PSNR và MSE đều cải thiện đáng kể so với các phương pháp truyền thống.
4.2. So sánh kết quả khử mờ
Phương pháp đề xuất cũng hiệu quả hơn trong việc khử mờ, đặc biệt là trong trường hợp ảnh chứa cả mờ và nhiễu. Kết quả cho thấy ảnh được khôi phục rõ nét hơn và giữ lại được các chi tiết quan trọng.
V. Kết luận
Luận văn đã đề xuất phương pháp giảm mờ ảnh y khoa bằng wavelet thế hệ mới, cụ thể là curvelet transform. Phương pháp này hiệu quả trong việc khử mờ và nhiễu, đặc biệt là trong trường hợp ảnh chứa cả mờ và nhiễu. Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội so với các phương pháp hiện có, mở ra hướng nghiên cứu mới trong lĩnh vực xử lý ảnh y khoa.
5.1. Đóng góp khoa học
Luận văn đóng góp vào việc phát triển phương pháp mới trong xử lý ảnh y khoa, đặc biệt là trong việc khử mờ và nhiễu. Phương pháp đề xuất có thể áp dụng rộng rãi trong các bệnh viện và cơ sở y tế.
5.2. Hướng mở rộng
Trong tương lai, phương pháp này có thể được mở rộng để xử lý các loại ảnh y khoa khác như ảnh 3-D hoặc ảnh động. Ngoài ra, việc tích hợp phương pháp này vào các hệ thống chẩn đoán tự động cũng là một hướng nghiên cứu tiềm năng.
