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

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.

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.