Luận văn thạc sĩ về giảm mờ ảnh y khoa sử dụng wavelet thế hệ mới

Luận văn thạc sĩ y tế nghiên cứu máy tính giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Võ Thị Hồng Tuyết
• Người hướng dẫn: TS. Nguyễn Thanh Bình
• Trường học: Đại học Bách Khoa, Đại học Quốc gia TP. HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC HÌNH
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Nội dung thực hiện của đề tài
• 1.4. Giới hạn đề tài
• 1.5. Phương pháp nghiên cứu
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Các loại mờ phổ biến
• 2.2. Các loại nhiễu phổ biến
• 2.2.1. Nhiễu muối tiêu (salt & pepper)
• 2.3. Đặc trưng của ảnh y khoa
• 2.4. Các công trình nghiên cứu liên quan ngoài nước
• 2.4.1. Wavelet transform cho khử nhiễu
• 2.4.2. Contourlet transform cho khử nhiễu
• 2.4.3. Nonsubsampled contourlet transform cho khử nhiễu
• 2.4.4. Curvelet transform cho khử nhiễu
• 2.4.5. Contourlet transform kết hợp với cycle spinning cho khử nhiễu
• 2.4.6. Curvelet transform kết hợp với cycle spinning cho khử nhiễu
• 2.4.7. Complex Wavelet Transform cho khử mờ và nhiễu của ảnh y khoa
• 2.4.8. Augmented Lagrangian cho khử mờ và khử nhiễu
• 2.5. Các công trình nghiên cứu liên quan trong nước
• 3. CHƯƠNG 3: GIẢI THUẬT ĐỀ XUẤT XỬ LÝ ẢNH Y KHOA MỜ NHIỄU
• 3.1. Kỹ thuật Curvelet Transform
• 3.1.1. Qui trình xây dựng Curvelet Transform
• 3.1.2. Qui trình biến đổi Curvelet Transform ngược
• 3.2. Mô hình cơ sở để khử mờ nhiễu cho ảnh
• 3.2.1. Mô hình cơ sở khử mờ cho ảnh
• 3.2.2. Mô hình cơ sở khử nhiễu cho ảnh
• 3.3. Giải thuật đề xuất
• 3.4. Phương pháp đánh giá
• 3.4.1. Đánh giá định tính
• 3.4.2. Đánh giá định lượng
• 3.4.3. So sánh kết quả với các giải thuật khác
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ
• 4.1. Các thông số đầu vào và tập dữ liệu thử nghiệm
• 4.2. Kết quả thực nghiệm
• 4.3. So sánh với giải thuật khác
• 4.3.1. So sánh kết quả khử nhiễu
• 4.3.1.1. Nhiễu salt & pepper
• 4.3.2. So sánh kết quả khử cặp mờ và nhiễu
• 4.3.2.1. Kết quả thực nghiệm với cặp mờ Gaussian và nhiễu Gaussian
• 4.3.2.2. Kết quả thực nghiệm với cặp mờ Gaussian và nhiễu salt & pepper
• 4.3.2.3. Kết quả thực nghiệm với cặp mờ Gaussian và nhiễu speckle
• 4.3.2.4. Kết quả thực nghiệm với cặp mờ motion và nhiễu Gaussian
• 4.3.2.5. Kết quả thực nghiệm với cặp mờ motion và nhiễu salt & pepper
• 4.3.2.6. Kết quả thực nghiệm với cặp mờ motion và nhiễu speckle
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết quả đạt được
• 5.2. Ưu và nhược điểm của giải thuật đề xuất
• 5.2.1. Ưu điểm của giải thuật đề xuất
• 5.2.2. Nhược điểm của giải thuật đề xuất
• 5.3. Đóng góp của luận văn
• 5.3.1. Đóng góp khoa học
• 5.3.2. Đóng góp thực tiễn
• 5.4. Hướng mở rộng
• TÀI LIỆU THAM KHẢO
• Kết quả khử nhiễu Gaussian
• Kết quả khử nhiễu speckle
• Kết quả khử nhiễu salt & pepper
• Kết quả khử mờ nhiễu cặp mờ Gaussian và nhiễu Gaussian
• Kết quả khử mờ nhiễu cặp mờ Gaussian và nhiễu speckle
• Kết quả khử mờ nhiễu cặp mờ Gaussian và nhiễu salt & pepper
• Kết quả khử mờ nhiễu cặp mờ motion và nhiễu Gaussian
• Kết quả khử mờ nhiễu cặp mờ motion và nhiễu speckle
• Kết quả khử mờ nhiễu cặp mờ motion và nhiễu salt & pepper
• KẾT QUẢ KHOA HỌC ĐẠT ĐƯỢC TRONG QUÁ TRÌNH THỰC HIỆN LUẬN VĂN

Tóm tắt

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.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống chẩn đoán y khoa hiện đại, kỹ thuật chẩn đoán hình ảnh như chụp cắt lớp vi tính (CT), cộng hưởng từ (MRI) và X-quang đóng vai trò quyết định trong khoảng 70% đến 80% các ca kết luận lâm sàng. Tuy nhiên, theo ước tính thực tế tại các cơ sở y tế, có hơn 60% dữ liệu ảnh thu nhận thô bị suy giảm chất lượng nghiêm trọng do hiện tượng mờ quang học, chuyển động của bệnh nhân và nhiễu cảm biến. Sự suy giảm này làm mờ nhạt các đường biên giải phẫu quan trọng, gia tăng nguy cơ chẩn đoán sai lệch hoặc bỏ sót tổn thương bệnh lý nguy hiểm.

Thách thức cốt lõi đặt ra là hầu hết các nghiên cứu trước đây chỉ giải quyết đơn lẻ bài toán khử nhiễu hoặc khử mờ trên ảnh phong cảnh thông thường. Khi hai tác nhân này đồng thời xuất hiện trên ảnh y khoa, việc xử lý trở nên phức tạp gấp bội vì quá trình lọc mờ thường khuếch đại tạp nhiễu, trong khi các bộ lọc khử nhiễu thông thường lại làm mất đi chi tiết biên cạnh vi mô.

Đề tài luận văn thạc sĩ chuyên ngành Khoa học Máy tính mang tên "Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới" do học viên Võ Thị Hồng Tuyết thực hiện dưới sự hướng dẫn của Tiến sĩ Nguyễn Thanh Bình tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh đã tập trung giải quyết triệt để bài toán này. Mục tiêu nghiên cứu là xây dựng giải thuật kết hợp đa tầng nhằm phục hồi chất lượng ảnh y khoa bị suy giảm bởi các cặp mờ và nhiễu phức tạp.

Nghiên cứu được triển khai thực nghiệm trong giai đoạn từ tháng 1 năm 2014 đến tháng 1 năm 2015 trên tập dữ liệu gồm 100 mẫu ảnh y khoa thực tế thu thập từ các bệnh viện lớn tại Thành phố Hồ Chí Minh. Các mẫu ảnh được chuẩn hóa về định dạng ảnh mức xám với hai kích thước tiêu chuẩn 256x256 pixel và 512x512 pixel. Kết quả nghiên cứu mang lại ý nghĩa học thuật và thực tiễn sâu sắc khi nâng cao chỉ số tín hiệu cực đại trên nhiễu (PSNR) lên mức 25.8 dB và giảm thiểu sai số bình phương trung bình (MSE) từ 15% đến 30% so với các kỹ thuật lọc truyền thống, cung cấp công cụ đắc lực hỗ trợ bác sĩ đưa ra phác đồ điều trị chính xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng toán học của lý thuyết xử lý tín hiệu số và biến đổi đa phân giải. Biến đổi Wavelet rời rạc (DWT) từ lâu đã là công cụ kinh điển trong xử lý ảnh số nhưng bộc lộ 3 khuyết điểm lớn: độ nhạy dịch chuyển cao, tính định hướng kém và thiếu hụt thông tin pha. Để khắc phục các hạn chế này, lý thuyết biến đổi wavelet thế hệ mới – cụ thể là biến đổi Curvelet (Curvelet Transform) – được lựa chọn làm trụ cột. Curvelet có khả năng biểu diễn tối ưu các cạnh cong và ranh giới cấu trúc hình học trong không gian 2 chiều theo nguyên lý tỷ lệ độ rộng xấp xỉ bình phương chiều dài. Trong mô hình đề xuất, ảnh đầu vào được phân rã thành 5 băng con tần số gồm 1 băng thông thấp chứa thông tin nền và 4 băng thông cao định hướng chứa các chi tiết biên cùng thành phần tạp nhiễu.

Bên cạnh phép biến đổi Curvelet, nghiên cứu tích hợp lý thuyết ngưỡng Bayesian thích nghi (Bayesian Thresholding) để thực hiện co rút hệ số wavelet, loại bỏ chính xác nhiễu xung mà không gây hiện tượng quá mịn. Đối với bài toán nghịch đảo khử mờ, mô hình biến phân Tổng biến sai toàn phần (Total Variation) kết hợp thuật toán nhân tử Lagrange tăng cường (Augmented Lagrangian Method - ALM) với phương pháp hướng luân phiên được ứng dụng. Hàm truyền biến dạng quang học được mô hình hóa toán học qua hàm phân bố điểm (Point Spread Function - PSF), giúp quá trình tái cấu trúc ảnh hội tụ ổn định và khôi phục sắc nét các cạnh vi mô.

Phương pháp nghiên cứu

Nghiên cứu sử dụng kết hợp phương pháp nghiên cứu định tính, định lượng và phân tích đối sánh thực nghiệm trên môi trường tính toán Matlab. Dữ liệu thử nghiệm gồm 100 ảnh y khoa đại diện cho các phương thức chụp X-quang, CT và MRI. Cỡ mẫu này được thu thập theo phương pháp chọn mẫu có chủ đích tại các bệnh viện ở Thành phố Hồ Chí Minh, ưu tiên các lát cắt bệnh lý vùng ngực, sọ não và xương khớp có độ tương phản phức tạp.

Lý do lựa chọn phương pháp giải thuật 2 giai đoạn tách biệt xuất phát từ bản chất toán học của mô hình quan sát: ảnh mờ luôn chứa thành phần nhiễu cộng hoặc nhân. Nếu khử mờ trực tiếp khi chưa triệt tiêu nhiễu, toán tử nghịch đảo của hàm PSF sẽ khuếch đại biên độ nhiễu lên gấp hàng chục lần. Quy trình phân tích gồm: Giai đoạn 1 triệt tiêu nhiễu nền bằng biến đổi Curvelet kết hợp ngưỡng lọc Bayesian; Giai đoạn 2 khôi phục độ sắc nét và đảo ngược suy biến mờ bằng thuật toán ALM công thức hóa theo mô hình TV/L2. Toàn bộ chu kỳ nghiên cứu, lập trình mô phỏng và đo đạc thông số được thực hiện nghiêm ngặt trong khung thời gian 11 tháng liên tục.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm diện rộng trên 100 ảnh y tế với 6 tổ hợp biến dạng phức tạp đã mang lại các phát hiện cốt lõi sau:

Thứ nhất, ở giai đoạn lọc nhiễu đơn lẻ, việc kết hợp biến đổi Curvelet với ngưỡng Bayesian vượt trội hoàn toàn so với biến đổi Wavelet rời rạc (DWT) và Curvelet nguyên bản. Thử nghiệm trên ảnh kích thước 256x256 pixel bị tác động bởi nhiễu Gaussian ở phương sai 0.03 cho thấy: ảnh nhiễu ban đầu có PSNR chỉ đạt 16.5 dB; khi lọc bằng DWT đạt 24.2 dB; lọc bằng Curvelet đạt 25.1 dB; trong khi phương pháp đề xuất đạt 25.8 dB, tương đương mức cải thiện chất lượng tín hiệu hơn 6.6% so với DWT và giảm mạnh sai số MSE.

Thứ hai, trong kịch bản suy thoái kép mờ Gaussian kết hợp nhiễu Gaussian, thuật toán đề xuất chứng minh tính ưu việt rõ rệt. Khi đánh giá định lượng trên ma trận ảnh 256x256 và 512x512, giải thuật đạt giá trị PSNR trung bình cao hơn phương pháp ALM tiêu chuẩn từ 1.5 dB đến 2.8 dB, đồng thời bảo toàn độ sắc nét của các vi cấu trúc mô mềm.

Thứ ba, đối với các dạng nhiễu đốm (speckle) đặc thù trong ảnh siêu âm và nhiễu muối tiêu (salt & pepper) trong quá trình truyền dữ liệu số, việc tích hợp lọc ngưỡng Bayesian ở miền tần số cao đã triệt tiêu hơn 90% các điểm ảnh đột biến. Chỉ số MSE ghi nhận mức suy giảm liên tục từ 35.4 xuống dưới 12.1 qua từng vòng lặp tối ưu hóa.

Thứ tư, khi xử lý cặp mờ chuyển động (motion blur do rung lắc thiết bị hoặc hô hấp của người bệnh) kết hợp với các loại nhiễu ngẫu nhiên, mô hình ALM TV/L2 đã tái tạo hoàn hảo các ranh giới giải phẫu bị bóng mờ kéo dài, vượt qua hiện tượng bậc thang (staircasing artifacts) thường gặp ở các bộ lọc truyền thống.

Thảo luận kết quả

Nguyên nhân dẫn đến hiệu năng vượt bậc của giải thuật bắt nguồn từ sự phân công chính xác giữa các miền toán học. Phép biến đổi Curvelet cung cấp khả năng phân rã đa hướng tại nhiều tỷ lệ không gian, tách các thành phần nhiễu có tần số phân tán vào các băng con riêng biệt. Ngưỡng lọc Bayesian tính toán mức độ lệch chuẩn cục bộ, giúp cắt gọt tạp âm một cách chọn lọc mà không làm suy hao năng lượng của các đường biên thực tế. Tiếp đó, thuật toán ALM giải quyết bài toán tối ưu lồi với tốc độ hội tụ nhanh thông qua phép biến đổi Fourier 3 chiều, giúp đảo ngược tác động của hàm biến dạng PSF một cách mượt mà.

Khi so sánh với các công bố quốc tế, giải thuật đề xuất khắc phục được hạn chế làm nhòe biên của phương pháp Wavelet phức do tác giả Ashish Khare công bố năm 2005, đồng thời đạt độ ổn định cao hơn mô hình Total Variation của Stanley Chan năm 2011 khi xử lý đồng thời cả mờ và nhiễu. Trong các báo cáo phân tích, toàn bộ dữ liệu đối sánh được hệ thống hóa trực quan qua 18 bảng số liệu chi tiết và 27 biểu đồ tương quan tuyến tính giữa PSNR và MSE. Biểu đồ đường thể hiện rõ xu hướng: khi độ lệch chuẩn của nhiễu tăng từ 0.01 lên 0.1, đường cong PSNR của phương pháp đề xuất luôn duy trì vị trí cao nhất với khoảng cách chênh lệch ổn định so với các thuật toán đối chứng.

Đề xuất và khuyến nghị

Từ kết quả nghiên cứu thực nghiệm vững chắc, luận văn đề xuất 4 nhóm giải pháp mang tính ứng dụng cao:

1. Chuẩn hóa quy trình tiền xử lý ảnh y tế tại các cơ sở y khoa: Bộ Y tế và các bệnh viện tuyến trung ương nên tích hợp module thuật toán Curvelet - Bayesian - ALM vào hệ thống lưu trữ và truyền hình ảnh (PACS) trong thời gian 6 đến 12 tháng tới, nhằm tự động nâng cao chất lượng từ 15% đến 20% các ca chụp có hiện tượng suy giảm tín hiệu trước khi chuyển đến bác sĩ đọc kết quả.

2. Xây dựng cơ sở dữ liệu hàm biến dạng quang học (PSF) thích nghi: Phòng công nghệ thông tin bệnh viện phối hợp cùng kỹ sư y sinh thiết lập bảng tham số PSF chuẩn hóa cho từng model máy chụp CT/MRI ở các độ phân giải 512x512 và 1024x1024 pixel. Thời gian thực hiện khuyến nghị trong vòng 9 tháng để tối ưu hóa độ chính xác khử mờ tự động.

3. Nâng cấp hạ tầng tính toán song song dựa trên GPU: Đơn vị phát triển phần mềm y tế cần chuyển đổi mã nguồn thuật toán từ môi trường Matlab sang ngôn ngữ C++ kết hợp thư viện CUDA/OpenCL trong lộ trình 12 tháng, mục tiêu rút ngắn thời gian xử lý xuống dưới 0.5 giây cho mỗi lát cắt ảnh kích thước lớn.

4. Mở rộng nghiên cứu kết hợp trí tuệ nhân tạo và học sâu: Các viện nghiên cứu và trường đại học cần tiếp tục phát triển hướng tích hợp mô hình biến đổi Curvelet vào lớp trích xuất đặc trưng của mạng nơ-ron tích chập (CNN) trong giai đoạn 18 đến 24 tháng tới, hướng đến việc tự động ước lượng hàm PSF phức tạp trong môi trường 3 chiều.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu chuyên khảo giá trị cho 4 nhóm đối tượng chính sau:

1. Bác sĩ chẩn đoán hình ảnh và chuyên gia y tế: Luận văn cung cấp hiểu biết sâu sắc về bản chất các loại nhiễu và mờ quang học, giúp bác sĩ nắm bắt cơ chế phục hồi hình ảnh, từ đó gia tăng độ tin cậy khi phân tích các lát cắt CT/MRI phức tạp và hạn chế tối đa nguy cơ chỉ định chụp lại không cần thiết.

2. Kỹ sư y sinh và chuyên viên kỹ thuật thiết bị y tế: Nghiên cứu cung cấp tài liệu kỹ thuật chuẩn xác về thông số hàm truyền OTF và hàm biến dạng PSF, hỗ trợ trực tiếp cho quá trình hiệu chuẩn cảm biến máy chụp X-quang và thiết kế các bộ tiền lọc tín hiệu trong thiết bị y tế thế hệ mới.

3. Giảng viên và nhà nghiên cứu chuyên ngành Khoa học Máy tính, Xử lý ảnh: Tài liệu là nguồn tham khảo học thuật chuẩn mực về toán học đa phân giải, kỹ thuật co rút ngưỡng Bayesian và thuật toán tối ưu hóa ALM, mở ra hướng nghiên cứu mở rộng cho bài toán khôi phục video y khoa hoặc ảnh vệ tinh viễn thám.

4. Học viên cao học và sinh viên ngành Công nghệ thông tin: Bản luận văn cung cấp phương pháp luận nghiên cứu khoa học chặt chẽ, từ khâu mô hình hóa toán học, hiện thực thuật toán trên Matlab đến quy trình đo lường định lượng các chỉ số PSNR, MSE trên 100 mẫu thử nghiệm thực tế.

Câu hỏi thường gặp

1. Tại sao nghiên cứu phải chia quy trình xử lý thành hai giai đoạn riêng biệt thay vì khử mờ và khử nhiễu cùng lúc? Khi ảnh chứa cả mờ và nhiễu, các thuật toán khử mờ dựa trên hàm phân bố điểm PSF có xu hướng hiểu nhầm nhiễu là các chi tiết biên tần số cao và khuếch đại chúng lên gấp nhiều lần. Việc sử dụng Curvelet kết hợp Bayesian để bóc tách và triệt tiêu hơn 90% tạp nhiễu ở giai đoạn 1 sẽ tạo tiền đề sạch để thuật toán ALM khôi phục độ nét hoàn hảo ở giai đoạn 2.

2. Phép biến đổi Curvelet có ưu thế vượt trội nào so với Wavelet truyền thống trong xử lý ảnh y tế? Biến đổi Wavelet 2 chiều thông thường chỉ phân rã tín hiệu theo 3 hướng cố định (ngang, dọc, chéo), dễ làm đứt gãy các đường biên cong sinh học. Biến đổi Curvelet khắc phục triệt để nhược điểm này nhờ cấu trúc đa hướng và tính năng co giãn theo hình nêm, giúp biểu diễn hoàn hảo các đường viền cong của mạch máu, mô cơ và xương khớp.

3. Thuật toán đề xuất xử lý hiệu quả nhất trên những loại cặp mờ và nhiễu nào? Giải thuật đã được kiểm chứng thành công trên 6 cặp biến dạng phổ biến: mờ Gaussian hoặc mờ chuyển động kết hợp với một trong ba loại nhiễu là Gaussian, nhiễu đốm speckle hoặc nhiễu xung muối tiêu. Trong mọi kịch bản thử nghiệm trên ma trận 256x256 và 512x512 pixel, thuật toán đều cho kết quả vượt trội so với các phương pháp đơn lẻ.

4. Chỉ số PSNR và MSE đóng vai trò thế nào trong đánh giá chất lượng ảnh sau xử lý? PSNR đo lường tỷ lệ giữa cường độ tín hiệu ảnh tối đa và năng lượng nhiễu biến dạng tính bằng đơn vị decibel (dB), trong đó chỉ số càng cao thì chất lượng ảnh càng tốt. Ngược lại, MSE đo lường sai số bình phương trung bình giữa ảnh phục hồi và ảnh gốc, trong đó chỉ số càng thấp chứng minh thuật toán bảo toàn biên cạnh càng chính xác.

5. Quy mô tập dữ liệu thực nghiệm trong luận văn có bảo đảm tính đại diện khoa học không? Nghiên cứu sử dụng 100 mẫu ảnh y tế thực tế từ các bệnh viện tại Thành phố Hồ Chí Minh, bao gồm đầy đủ các thể loại ảnh CT, MRI và X-quang. Dữ liệu được chuẩn hóa đa kích thước và kiểm định qua hàng trăm lượt chạy thử nghiệm với các mức phương sai nhiễu từ 0.01 đến 0.05, bảo đảm độ tin cậy và tính lặp lại của kết quả khoa học.

Kết luận

• Luận văn đã giải quyết xuất sắc bài toán suy giảm chất lượng ảnh y tế bằng phương pháp kết hợp biến đổi Curvelet, ngưỡng Bayesian và tối ưu hóa Augmented Lagrangian.
• Đóng góp khoa học cốt lõi là việc thiết lập thành công quy trình xử lý 2 giai đoạn tách biệt, khắc phục hiện tượng khuếch đại nhiễu khi nghịch đảo hàm biến dạng PSF.
• Kết quả thực nghiệm trên 100 ảnh y khoa chuẩn hóa tại Thành phố Hồ Chí Minh chứng minh chỉ số PSNR đạt mức 25.8 dB, vượt trội từ 1.5 đến 2.8 dB so với các phương pháp tiên tiến cùng thời kỳ.
• Lộ trình phát triển tiếp theo trong 12 đến 24 tháng tới tập trung vào việc tối ưu hóa tốc độ xử lý bằng phần cứng GPU và tích hợp mô hình vào mạng học sâu tự động.
• Các đơn vị y tế, kỹ sư y sinh và nhà nghiên cứu công nghệ thông tin hãy tham khảo và ứng dụng ngay giải thuật này để nâng cao độ chính xác chẩn đoán hình ảnh lâm sàng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu khái quát vấn đề được đề cập trong luận văn; trình bày mục tiêu, nội dung thực hiện, giới hạn của đề tài và phương pháp nghiên cứu. - Chương 2: Trình bày đặc trưng của ảnh y khoa, các loại mờ nhiễu phổ biến, các nghiên cứu liên quan trong và ngoài nước. - Chương 3: Trình bày chi tiết về phương pháp đề xuất trong luận văn. - Chương 4: Trình bày kết quả thực nghiệm, đánh giá hiệu quả của giải thuật đề xuất qua các thông số PSNR và MSE.

- Chương 5: Dựa trên các kết quả đạt được để kết luận, trình bày ưu và nhược điểm của giải thuật đề xuất, hướng mở rộng cho đề tài. 4 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Các loại mờ phổ biến Có nhiều nguyên nhân gây mờ cho ảnh: - Do chuyển động trong quá trình chụp (đối tượng chụp hay được chụp), bởi máy ảnh. - Do ánh sáng quang học, thời gian chụp quá nhanh dẫn đến số lượng điểm ảnh thu được ít.

Hiện nay các loại mờ tự nhiên chủ yếu tập trung ở hai loại mờ chính là: mờ Gaussian và mờ motion. Các loại ảnh mờ được cung cấp bằng công thức: w(x, y) = s(x, y) + n(x, y) (2.1) Trong đó:  (x, y): tọa độ của điểm ảnh.  n(x, y): giá trị mờ.  w(x, y): ảnh bị mờ.

Mờ Gaussian Hình 2.1 là một ví dụ được thực hiện bằng công cụ Matlab với việc chèn giá trị mờ Gaussian vào hình ảnh ban đầu. (a) (b) (a) Ảnh thường (b) Ảnh sau khi bị mờ Gaussian.1 – Ví dụ minh họa mờ Gaussian. Mờ motion 5 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết Hình 2.2 là một ví dụ được thực hiện bằng công cụ Matlab với việc chèn giá trị mờ motion vào hình ảnh ban đầu. (a) (b) (a) Ảnh thường (b) Ảnh sau khi bị mờ motion.2 – Ví dụ minh họa mờ motion.

Các loại nhiễu phổ biến Hình ảnh bị nhiễu tức là ảnh đã bị thêm vào một tác nhân là tín hiệu (giá trị nhiễu) vào ảnh gốc. Các loại nhiễu tự nhiên phổ biến hiện nay là nhiễu Gaussian, nhiễu muối tiêu (salt & pepper) và nhiễu đốm (speckle). Nhiễu Gaussian Nhiễu Gaussian là loại nhiễu mà các giá trị nhiễu được phân bố các tín hiệu đều trên các điểm ảnh. Mô hình nhiễu Gaussian là mô hình nhiễu dạng thêm vào (additive) tức là dạng cộng, được cung cấp bởi công thức: w(x, y) = s(x, y) + n(x, y) (2.2) Trong đó:  (x, y): giá trị tọa độ của điểm ảnh.

 n(x, y): giá trị nhiễu.  w(x, y): ảnh bị nhiễu. Hàm phân bố F  g  được cung cấp bởi công thức: 6 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết 1 F g  e  ( g m ) /2 2 2 (2.3) 2 2 Trong đó :  g là mức xám.  m là giá trị trung bình của hàm.

  là độ lệch chuẩn của nhiễu. Đồ thị thể hiện hàm phân bố nhiễu Gaussian F  g  được thể hiện như sau: Hình 2.3 – Đồ thị hàm phân bố nhiễu Gaussian [22].4 là ví dụ điển hình của hình ảnh y khoa bị nhiễu Gaussian với mức nhiễu là 0. 7 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết (a) (b) (a) Ảnh thường. (b) Ảnh sau khi bị nhiễu Gaussian.4 – Ví dụ minh họa nhiễu Gaussian.

Nhiễu muối tiêu (salt & pepper) Nhiễu salt & pepper cũng là dạng nhiễu thêm vào, nên công thức mô hình nhiễu cũng tương tự công thức mô hình nhiễu Gaussian. Dạng nhiễu muối tiêu này là dạng nhiễu xung, thường xuất hiện trong ảnh do quá trình truyền dữ liệu gây ra. Giá trị nhiễu của loại nhiễu này gồm hai giá trị a và b tương ứng với nhiễu tiêu và nhiễu muối. Đồ thị thể hiện cho hàm mật độ xác suất cho loại nhiễu này: Hình 2.5 – Đồ thị hàm mật độ xác suất cho nhiễu salt & pepper [22].6 là một ví dụ điển hình cho hình ảnh bị nhiễu muối tiêu với giá trị nhiễu là 0.

8 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết (a) (b) (a) Ảnh thường. (b) Ảnh sau khi bị nhiễu salt & pepper.6 – Ví dụ minh họa nhiễu salt & pepper. Nhiễu đốm (speckle) Nhiễu đốm speckle là dạng nhiễu nhân (multiplicative), và xuất hiện trong hầu hết các hệ thống hình ảnh. Mô hình nhiễu speckle được cung cấp bởi công thức: w(x, y) = s(x, y)  n(x, y) (2.4) Trong đó:  (x, y): giá trị tọa độ của điểm ảnh.

 n(x, y): giá trị nhiễu.  w(x, y): ảnh bị nhiễu. Hàm phân bố F  g  được cung cấp bởi công thức: g  1 F g  e g /a (2.   2 : phương sai.

 a: tham số của quá trình phân bố F  g . Đồ thị hàm phân bố F  g  của nhiễu speckle: 9 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết Hình 2.7 – Đồ thị phân bố nhiễu speckle [22].8 thể hiện ví dụ về dạng nhiễu đốm speckle với giá trị nhiễu là 0. (a) (b) (a) Ảnh thường. (b) Ảnh sau khi bị nhiễu speckle.8 – Ví dụ minh họa nhiễu speckle.

Đặc trưng của ảnh y khoa Ảnh y khoa là hình ảnh thu được từ các thiết bị chụp y tế (ảnh X-Quang, ảnh CT, ảnh MRI, …). Ảnh y khoa chứa nhiều thông tin hơn so với ảnh thường (ảnh phong cảnh, ảnh người, vật, …) vì ảnh y khoa là sự tổng hợp của nhiều hình ảnh lại tạo thành một ảnh duy nhất. Ảnh y khoa với các kích thước ảnh được cung cấp từ các 10 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết bệnh viện tại thành phố Hồ Chí Minh đa phần là các ảnh vuông, kích cỡ đa dạng từ 256x256, 512x512, 1024x1024, … và là ảnh xám. Việc khử mờ hay nhiễu cho ảnh là dựa trên cơ chế sử dụng các ngưỡng lọc.

Ngưỡng lọc dựa trên giá trị của các điểm ảnh để hiển thị kết quả: - Nếu giá trị tại điểm ảnh đó lớn hơn hay bằng giá trị ngưỡng lọc thì sẽ được nhận giá trị hiển thị. - Ngược lại nếu điểm ảnh nhỏ hơn giá trị ngưỡng lọc thì sẽ không được nhận giá trị hiển thị. Dựa trên đặc trưng đó của ảnh y khoa, nếu chúng ta tiến hành khử nhiễu hay mờ mà sử dụng các ngưỡng lọc cao sẽ làm cho ảnh kết quả bị mất đi thông tin. Đặc biệt đối với lĩnh vực y tế, nếu hình ảnh bị mất đi thông tin thì vô cùng nguy hiểm vì sẽ làm ảnh hưởng đến kết quả chẩn đoán và điều trị của các chuyên gia y tế.

Chính vì đặc trưng chứa nhiều thông tin của ảnh y khoa, nên việc khử mờ nhiễu với lại ảnh này sẽ gặp nhiều khó khăn. Đó chính là: - Giá trị ngưỡng lọc phải phù hợp để tránh việc làm mất đi thông tin của ảnh. - Giá trị ngưỡng lọc cho kết quả tốt với ảnh thường thì chưa hẳn đã đạt được kết quả tốt với ảnh y khoa. Nhưng nếu giá trị ngưỡng lọc cho kết quả tốt với ảnh y khoa thì khả năng cao sẽ thu được kết quả tốt với ảnh thường (vì ảnh thường vốn ít thông tin hơn ảnh y khoa).

Các công trình nghiên cứu liên quan ngoài nước 2. Wavelet transform cho khử nhiễu  Công trình Wavelet Based Image Denoising Technique, Sachin D Ruikar, Dharmpal D Doye, 2011 [23]: Nội dung của giải thuật đề xuất là bao gồm các bước chính: - Đưa ảnh nhiễu vào. - Thực hiện biến đổi wavelet. - Tính toán ngưỡng threshold và shrink WTC.

- Biến đổi wavelet ngược. - Lọc kết quả ảnh sau khi biến đổi wavelet ngược. - Ảnh kết quả. 11 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết Các loại ngưỡng Bayesian đã được nhóm tác giả đề xuất thử nghiệm và cung cấp các kết quả như: VisuShrink, Universal, Sure shrink, Normal Shrink, Bays shrink.

Nhưng với phương pháp ngưỡng mới được đề xuất được tính theo công thức: newth= 2m×log(M) (2.6) Với M là giá trị pixel của một ảnh. Ngưỡng mới này được tính với các cấp độ khác nhau và các mức độ scales khác nhau. Kết quả thu được từ ngưỡng mới này tốt hơn so với các ngưỡng đã có. Mặc dù kết quả thu được dựa trên việc xây dựng ngưỡng mới, nhưng do nhóm tác giả sử dụng thuật toán biến đổi bằng wavelet nên kết quả vẫn chưa được cải thiện nhiều cho phần chất lượng ảnh.

Contourlet transform cho khử nhiễu  Công trình Image Denoising With The Contourlet Transform, Boaz Matalon, Michael Elad, Michael Zibulevsky [26]: Dựa trên phép biến đổi contourlet, nhóm tác giả đề xuất một phương pháp để khử nhiễu cho ảnh trong miền wavelet là Basis-Pursuit Denoising (BPDN) với một giá trị ngưỡng mới được xây dựng dựa trên mô hình nhiễu Gaussian. Ý tưởng chính của bài báo là việc kết hợp các phương pháp BPDN. Các phương pháp này được nhóm tác giả tiến hành so sánh kết quả khử nhiễu trên các ảnh: Peppers, Lena, Barbara. Mặc dù cung cấp một hướng đi mới là việc sử dụng phương pháp kết nối với các phép biến đổi nhằm củng cố kết quả thu được nhưng vẫn chưa ổn định với tất cả các loại ảnh và chưa thử nghiệm nhiều ở nhiều loại nhiễu khác.

Nonsubsampled contourlet transform cho khử nhiễu  Công trình The Nonsubsampled Contourlet Transform Theory, Design, and Applications, Arthur L. da Cunha, Jianping Zhou, Member, IEEE, and Minh N. Do, Member, IEEE, 2005 [6]: Công trình này nghiên cứu về Nonsubsampled Contourlet Transform (NSCT) và các ứng dụng. Xây dựng đề xuất này dựa trên lý thuyết về Nonsubsampled Laplacian Pyramid (NSP) và Nonsubsampled Directional Filter Bank (NSDFB).

Kết quả sẽ cho ta được multiscale linh hoạt, đa hướng và có những thay đổi bất biến. Cốt lõi của vấn đề chính là hai kênh Nonsubsampled Filter Bank (NSFB), khai thác các điều kiện thiết kế ít nghiêm ngặt của NSFB để thiết kế một bộ lọc chọn lọc tần số tốt hơn khi so sánh với Contourlet Transform. Đây là 2 đại diện NSFB: 12 Giảm mờ ảnh y khoa dựa trên wavelet thế hệ mới Võ Thị Hồng Tuyết Hình 2.9 – Pyramid NSFB [6] Hình 2.10 – Fan NSFB [6] Ứng dụng đề xuất này cho ứng dụng làm giảm mờ nhiễu của ảnh, nghiên cứu đã cho thấy được kết quả thu được của NSCT khả quan hơn so với Nonsubsample Wavelet Transform và Converlets.  Công trình Nonsubsampled contourlet transform: filter design and applications in denoising, Arthur L.

Zhou and Minh N.