Nghiên Cứu Kỹ Thuật Xử Lý Ảnh Và Dựng Mô Hình 3D Gan Từ Dữ Liệu CT Trong Luận Văn Thạc Sĩ

Luận văn thạc sĩ kỹ thuật nghiên cứu nghiên cứu một số kỹ thuật xử lý ảnh dựng mô hình 3d của gan từ ảnh dữ liệu ảnh ct, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải

• Tác giả: Đoàn Thị Xương
• Người hướng dẫn: TS. Lê Thị Kim Nga
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Kỹ Thuật Xử Lý Ảnh Và Dựng Mô Hình 3D Gan Từ Dữ Liệu CT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Bình Định

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Mục đích nghiên cứu
• 0.3. Đối tượng và phạm vi nghiên cứu
• 0.4. Phương pháp nghiên cứu
• 0.5. Cấu trúc luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH TRONG DỰNG MÔ HÌNH 3D GAN. DỮ LIỆU ẢNH SỐ Y KHOA
• 1.1. Khái niệm ảnh y khoa và dữ liệu ảnh CT Gan
• 1.2. Một số chuẩn hình ảnh y khoa
• 1.3. MỘT SỐ PHƯƠNG PHÁP XỬ LÝ ẢNH TRONG DỰNG MÔ HÌNH 3D GAN
• 1.3.1. Phát hiện Gan trên dữ liệu ảnh CT, MRI
• 1.3.2. Định vị vùng Gan dựa trên kỹ thuật hồi quy
• 1.3.3. Một số vấn đề xử lý ảnh trong quy trình dựng mô hình 3D Gan
• 1.4. BÀI TOÁN DỰNG MÔ HÌNH 3D
• 1.4.1. Cấu tạo mô hình 3D
• 1.5. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: MỘT SỐ KỸ THUẬT TRONG DỰNG MÔ HÌNH 3D GAN TỪ ẢNH CT
• 2.1. TĂNG CƯỜNG CHẤT LƯỢNG ẢNH CT GAN
• 2.1.1. Kỹ thuật tăng cường chất lượng ảnh CT Gan cơ bản
• 2.1.2. Kỹ thuật dựa trên Gradient
• 2.1.3. Kỹ thuật dựa trên biến đổi Wavelet
• 2.1.4. Kỹ thuật dựa trên hiệu chỉnh Gamma
• 2.2. PHÂN ĐOẠN GAN
• 2.2.1. Kỹ thuật phân đoạn Gan đơn giản
• 2.2.2. Phân đoạn Gan dựa trên mạng U - Net
• 2.2.3. Phân đoạn Gan dựa vào mô hình chất liệu
• 2.3. KỸ THUẬT DỰNG MÔ HÌNH 3D GAN
• 2.3.1. Thuật toán Marching Cubes
• 2.3.2. Dựng lát cắt từ ảnh chụp cắt lớp
• 2.4. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM
• 3.1. PHÁT BIỂU BÀI TOÁN
• 3.2. PHÂN TÍCH BÀI TOÁN
• 3.2.1. Dữ liệu mô tả và xử lý
• 3.2.2. Chi tiết thực hiện
• 3.3. MỘT SỐ KẾT QUẢ THỰC NGHIỆM
• 3.4. HƯỚNG PHÁT TRIỂN
• 3.5. KẾT LUẬN CHƯƠNG 3
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ CỦA TÁC GIẢ
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Luận Văn Thạc Sĩ Kỹ Thuật Xử Lý Ảnh Và Dựng Mô Hình 3D Gan Từ Dữ Liệu CT

Luận văn thạc sĩ này tập trung vào việc nghiên cứu và ứng dụng các kỹ thuật xử lý ảnh để dựng mô hình 3D của gan từ dữ liệu CT. Đây là một nghiên cứu quan trọng trong lĩnh vực hình ảnh y tế, đặc biệt là trong chẩn đoán và điều trị các bệnh lý về gan. Luận văn sử dụng các phương pháp phân tích hình ảnh và mô hình hóa 3D để tạo ra mô hình gan chính xác, hỗ trợ các bác sĩ trong việc đánh giá và lập kế hoạch điều trị.

1.1. Kỹ Thuật Xử Lý Ảnh

Các kỹ thuật xử lý ảnh được áp dụng bao gồm tăng cường chất lượng ảnh, phân đoạn gan, và dựng mô hình 3D. Phương pháp tăng cường chất lượng ảnh sử dụng các kỹ thuật như biến đổi Wavelet và hiệu chỉnh Gamma để cải thiện độ nét và độ tương phản của ảnh CT. Phân đoạn gan được thực hiện thông qua các thuật toán như U-Net và mô hình chất liệu, giúp xác định chính xác vùng gan trong ảnh CT. Cuối cùng, kỹ thuật dựng mô hình 3D sử dụng thuật toán Marching Cubes để tạo ra mô hình gan từ các lát cắt ảnh.

1.2. Dữ Liệu CT Và Ứng Dụng Y Tế

Dữ liệu CT được sử dụng trong nghiên cứu là các ảnh chụp cắt lớp của gan, được lưu trữ dưới định dạng DICOM. Đây là chuẩn dữ liệu phổ biến trong hình ảnh y học, cho phép lưu trữ và truyền tải thông tin hình ảnh một cách hiệu quả. Việc sử dụng công nghệ CT trong chẩn đoán bệnh gan giúp phát hiện sớm các tổn thương và hỗ trợ trong việc lập kế hoạch phẫu thuật hoặc xạ trị. Nghiên cứu này cũng nhấn mạnh tầm quan trọng của hệ thống thông tin y tế trong việc quản lý và phân tích dữ liệu hình ảnh.

II. Phân Tích Hình Ảnh Và Mô Hình Hóa 3D

Phần này tập trung vào việc phân tích hình ảnh và mô hình hóa 3D để tạo ra mô hình gan chính xác từ dữ liệu CT. Các kỹ thuật phân tích hình ảnh bao gồm phát hiện vùng gan, định vị gan dựa trên kỹ thuật hồi quy, và xử lý các vấn đề liên quan đến chất lượng ảnh. Mô hình hóa 3D được thực hiện thông qua việc tạo các lát cắt từ ảnh chụp cắt lớp và sử dụng thuật toán Marching Cubes để dựng mô hình.

2.1. Phát Hiện Và Định Vị Gan

Quá trình phát hiện gan trên dữ liệu ảnh CT được thực hiện thông qua các kỹ thuật bán tự động và tích hợp bản đồ vote map. Định vị gan dựa trên kỹ thuật hồi quy giúp xác định chính xác vị trí và kích thước của gan trong ảnh CT. Các kỹ thuật này đóng vai trò quan trọng trong việc chuẩn bị dữ liệu cho quá trình dựng mô hình 3D.

2.2. Dựng Mô Hình 3D

Dựng mô hình 3D được thực hiện thông qua thuật toán Marching Cubes, một phương pháp phổ biến trong khoa học máy tính để tạo mô hình 3D từ các lát cắt ảnh. Quá trình này bao gồm việc xác định các đỉnh và mặt của mô hình, sau đó kết hợp chúng để tạo ra mô hình gan hoàn chỉnh. Kết quả thử nghiệm cho thấy mô hình 3D được tạo ra có độ chính xác cao, hỗ trợ hiệu quả trong chẩn đoán và điều trị.

III. Ứng Dụng Và Giá Trị Thực Tiễn

Nghiên cứu này có giá trị thực tiễn cao trong lĩnh vực y tế, đặc biệt là trong chẩn đoán và điều trị các bệnh lý về gan. Việc sử dụng kỹ thuật xử lý ảnh và mô hình hóa 3D giúp cải thiện độ chính xác trong chẩn đoán, hỗ trợ các bác sĩ trong việc lập kế hoạch điều trị và phẫu thuật. Nghiên cứu cũng mở ra hướng phát triển mới trong việc ứng dụng công nghệ CT và hệ thống thông tin y tế để quản lý và phân tích dữ liệu hình ảnh.

3.1. Ứng Dụng Trong Chẩn Đoán

Mô hình 3D của gan được tạo ra từ dữ liệu CT giúp các bác sĩ đánh giá chính xác vị trí và kích thước của các tổn thương, từ đó lập kế hoạch điều trị hiệu quả. Nghiên cứu này cũng hỗ trợ trong việc phát hiện sớm các bệnh lý về gan, giúp cải thiện tiên lượng cho bệnh nhân.

3.2. Hướng Phát Triển Tương Lai

Nghiên cứu đề xuất hướng phát triển trong việc tích hợp kỹ thuật hình ảnh với hệ thống thông tin y tế để quản lý và phân tích dữ liệu hình ảnh một cách hiệu quả hơn. Việc ứng dụng trí tuệ nhân tạo và học máy trong phân tích hình ảnh cũng là một hướng nghiên cứu tiềm năng trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh y học hiện đại, hình ảnh y khoa đóng vai trò then chốt trong chẩn đoán và điều trị bệnh, đặc biệt là các bệnh lý về gan như xơ gan, ung thư gan. Theo ước tính, trên toàn cầu có khoảng 32,6 triệu người đang sống chung với bệnh ung thư, trong đó ung thư gan đứng thứ ba về tỷ lệ mắc và thứ hai tại Việt Nam. Việc phát hiện sớm các tổn thương gan, đặc biệt là các khối u nhỏ dưới 2 cm, giúp nâng cao tiên lượng điều trị. Công nghệ chụp cắt lớp vi tính (CT) cung cấp dữ liệu ảnh chi tiết, hỗ trợ đắc lực cho việc chẩn đoán và theo dõi bệnh gan. Tuy nhiên, ảnh CT thường có chất lượng tương phản kém, nhiễu và độ phân giải hạn chế, gây khó khăn trong việc phân tích và dựng mô hình 3D gan chính xác.

Mục tiêu nghiên cứu là tìm hiểu và phát triển một số kỹ thuật xử lý ảnh nhằm nâng cao chất lượng ảnh CT gan, phân đoạn chính xác vùng gan và dựng mô hình 3D gan từ dữ liệu ảnh CT chuẩn DICOM. Nghiên cứu tập trung vào dữ liệu ảnh gan chụp tại các bệnh viện, với phạm vi thời gian nghiên cứu trong khoảng vài năm gần đây. Việc xây dựng mô hình 3D gan không chỉ giúp đánh giá chính xác vị trí tổn thương trong không gian ba chiều mà còn hỗ trợ hiệu quả cho phẫu thuật và xạ trị. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao chất lượng chẩn đoán hình ảnh y khoa, góp phần cải thiện hiệu quả điều trị bệnh gan.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Xử lý ảnh y khoa: Bao gồm các bước thu nhận, tiền xử lý, phân đoạn, biểu diễn và nhận dạng ảnh. Ảnh y khoa như CT gan thường bị nhiễu và có độ tương phản thấp, do đó cần áp dụng các kỹ thuật tăng cường chất lượng ảnh như lọc trung bình, lọc trung vị, biến đổi Wavelet và hiệu chỉnh Gamma.

• Phân đoạn ảnh: Là bước tách vùng gan khỏi các mô xung quanh trong ảnh CT. Các phương pháp phân đoạn bao gồm phân đoạn dựa trên ngưỡng, phân đoạn dựa trên mạng nơ-ron U-Net, và phân đoạn dựa trên mô hình chất liệu. Phân đoạn chính xác là tiền đề quan trọng để dựng mô hình 3D.

• Dựng mô hình 3D: Sử dụng thuật toán Marching Cubes để tái tạo mô hình 3D gan từ các lát cắt 2D đã phân đoạn. Mô hình 3D được biểu diễn bằng tập đỉnh (VertexList), tập mặt (FaceList) và tập UV (chất liệu bề mặt). Mô hình 3D giúp quan sát chi tiết cấu trúc gan trong không gian ba chiều.

Các khái niệm chính bao gồm: ảnh y khoa, chuẩn dữ liệu DICOM, kỹ thuật tăng cường ảnh, phân đoạn ảnh, thuật toán Marching Cubes, mô hình 3D gan.

Phương pháp nghiên cứu

Nghiên cứu kết hợp lý thuyết và thực nghiệm trên dữ liệu ảnh CT gan thực tế. Cỡ mẫu gồm các bộ ảnh CT gan với số lát cắt từ 30 đến 225, được thu thập từ các thiết bị chụp cắt lớp hiện đại tại bệnh viện. Phương pháp chọn mẫu là chọn ngẫu nhiên các bộ ảnh có chất lượng và độ phân giải phù hợp.

Quy trình nghiên cứu gồm các bước:

1. Thu thập dữ liệu: Ảnh CT gan chuẩn DICOM, số lượng lát cắt đa dạng để đánh giá hiệu quả kỹ thuật trên nhiều trường hợp.

2. Tiền xử lý ảnh: Áp dụng các kỹ thuật lọc nhiễu như lọc trung bình, lọc trung vị, biến đổi Wavelet và hiệu chỉnh Gamma để nâng cao chất lượng ảnh.

3. Phân đoạn gan: Sử dụng các thuật toán phân đoạn ngưỡng, phân đoạn dựa trên mạng U-Net và mô hình chất liệu để tách vùng gan chính xác.

4. Dựng mô hình 3D: Áp dụng thuật toán Marching Cubes để tái tạo mô hình 3D gan từ các lát cắt đã phân đoạn.

5. Đánh giá kết quả: So sánh chất lượng mô hình 3D, thời gian xử lý và độ chính xác phân đoạn trên các bộ dữ liệu khác nhau.

Thời gian nghiên cứu kéo dài khoảng 1 năm, bao gồm giai đoạn thu thập dữ liệu, cài đặt thuật toán, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Tăng cường chất lượng ảnh CT gan: Áp dụng biến đổi Wavelet và hiệu chỉnh Gamma giúp giảm nhiễu và nâng cao độ tương phản ảnh CT gan. Kết quả thực nghiệm cho thấy chất lượng ảnh được cải thiện khoảng 20-30% so với ảnh gốc, giúp các chi tiết mô gan rõ nét hơn.

2. Phân đoạn gan chính xác: Thuật toán phân đoạn dựa trên mạng U-Net đạt độ chính xác trung bình trên 85%, vượt trội so với các phương pháp phân đoạn ngưỡng đơn giản (khoảng 70%). Thời gian phân đoạn trung bình cho một bộ ảnh 90 lát cắt là khoảng 15 giây.

3. Dựng mô hình 3D gan hiệu quả: Thuật toán Marching Cubes tái tạo mô hình 3D gan từ 30 đến 225 lát cắt với độ mịn và chi tiết cao. Mô hình 3D từ 90 lát cắt cho phép quan sát rõ cấu trúc gan và các tổn thương, hỗ trợ tốt cho phẫu thuật. Thời gian dựng mô hình trung bình là 10-20 giây tùy số lát cắt.

4. So sánh số lượng lát cắt và chất lượng mô hình: Mô hình 3D từ 225 lát cắt có độ chi tiết cao hơn khoảng 15% so với mô hình từ 90 lát cắt, tuy nhiên thời gian xử lý tăng gấp đôi. Do đó, lựa chọn số lát cắt phù hợp là cần thiết để cân bằng giữa chất lượng và hiệu suất.

Thảo luận kết quả

Việc áp dụng các kỹ thuật tăng cường ảnh như biến đổi Wavelet và hiệu chỉnh Gamma giúp khắc phục hạn chế về nhiễu và độ tương phản thấp của ảnh CT gan, từ đó nâng cao hiệu quả phân đoạn. Kết quả phân đoạn bằng mạng U-Net cho thấy ưu thế vượt trội nhờ khả năng học sâu và trích xuất đặc trưng phức tạp, phù hợp với đặc điểm biến đổi hình dạng gan và độ tương phản thay đổi trong ảnh CT.

Thuật toán Marching Cubes được lựa chọn do khả năng tái tạo bề mặt mịn và chính xác từ dữ liệu lát cắt 2D, phù hợp với yêu cầu dựng mô hình 3D gan trong y học. Kết quả thử nghiệm cho thấy mô hình 3D có thể hỗ trợ trực quan hóa tổn thương gan, giúp bác sĩ định vị chính xác và lên kế hoạch điều trị hiệu quả.

So với các nghiên cứu trước đây, nghiên cứu này đã kết hợp đồng bộ các kỹ thuật xử lý ảnh, phân đoạn và dựng mô hình, đồng thời thử nghiệm trên dữ liệu thực tế với số lượng lát cắt đa dạng, mang lại kết quả khả quan và ứng dụng thực tiễn cao. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác phân đoạn và thời gian xử lý giữa các phương pháp, cũng như bảng thống kê chất lượng mô hình 3D theo số lát cắt.

Đề xuất và khuyến nghị

1. Áp dụng kỹ thuật tăng cường ảnh Wavelet và hiệu chỉnh Gamma để nâng cao chất lượng ảnh CT gan trước khi phân đoạn, nhằm cải thiện độ chính xác và giảm sai số. Thời gian thực hiện trong vòng 1-2 giây mỗi ảnh, do phòng khám hoặc bệnh viện triển khai.

2. Sử dụng mạng nơ-ron U-Net cho phân đoạn gan tự động để đạt độ chính xác cao trên 85%, giảm thiểu sự can thiệp thủ công và tăng hiệu quả chẩn đoán. Khuyến nghị đào tạo mô hình trên dữ liệu đa dạng và cập nhật định kỳ.

3. Triển khai thuật toán Marching Cubes trong phần mềm dựng mô hình 3D gan để hỗ trợ bác sĩ trong phẫu thuật và xạ trị, giúp quan sát tổn thương trong không gian ba chiều. Thời gian dựng mô hình nên tối ưu dưới 30 giây cho bộ ảnh 100 lát cắt.

4. Tối ưu số lượng lát cắt sử dụng trong dựng mô hình 3D nhằm cân bằng giữa chất lượng mô hình và thời gian xử lý. Khuyến nghị sử dụng khoảng 90-120 lát cắt cho các ứng dụng lâm sàng phổ biến.

5. Phát triển giao diện người dùng thân thiện và tích hợp hệ thống xử lý ảnh tự động để các bác sĩ và kỹ thuật viên dễ dàng thao tác, giảm thiểu sai sót và tăng tính ứng dụng trong thực tế.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa chẩn đoán hình ảnh và phẫu thuật gan mật: Nghiên cứu cung cấp công cụ hỗ trợ trực quan hóa tổn thương gan, giúp nâng cao hiệu quả chẩn đoán và lập kế hoạch phẫu thuật.

2. Nhà phát triển phần mềm y tế và công nghệ xử lý ảnh: Tham khảo các thuật toán xử lý ảnh, phân đoạn và dựng mô hình 3D gan để phát triển các ứng dụng chuyên sâu trong lĩnh vực y tế.

3. Sinh viên và nghiên cứu sinh ngành Khoa học máy tính, Công nghệ thông tin: Tài liệu chi tiết về các kỹ thuật xử lý ảnh y khoa, mạng nơ-ron sâu và đồ họa máy tính phục vụ nghiên cứu và học tập.

4. Bệnh viện và trung tâm y tế: Áp dụng các giải pháp tự động hóa trong xử lý ảnh CT gan, nâng cao chất lượng dịch vụ chẩn đoán và điều trị bệnh gan.

Câu hỏi thường gặp

1. Tại sao cần tăng cường chất lượng ảnh CT gan trước khi phân đoạn?
   Ảnh CT gan thường bị nhiễu và có độ tương phản thấp, làm giảm độ chính xác phân đoạn. Tăng cường ảnh giúp làm rõ chi tiết, giảm nhiễu, từ đó nâng cao hiệu quả phân đoạn và dựng mô hình 3D.

2. Phân đoạn gan bằng mạng U-Net có ưu điểm gì so với phương pháp truyền thống?
   Mạng U-Net có khả năng học sâu, trích xuất đặc trưng phức tạp, xử lý tốt các biến đổi hình dạng và độ tương phản trong ảnh y khoa, đạt độ chính xác cao hơn 15-20% so với các phương pháp ngưỡng đơn giản.

3. Thuật toán Marching Cubes hoạt động như thế nào trong dựng mô hình 3D gan?
   Marching Cubes tái tạo bề mặt 3D từ các lát cắt 2D bằng cách xây dựng các đa giác tam giác nối các điểm đỉnh có giá trị ngưỡng, tạo mô hình lưới mịn, giúp quan sát cấu trúc gan trong không gian ba chiều.

4. Số lượng lát cắt ảnh CT ảnh hưởng thế nào đến chất lượng mô hình 3D?
   Số lát cắt càng nhiều thì mô hình 3D càng chi tiết và chính xác, tuy nhiên thời gian xử lý cũng tăng lên. Nghiên cứu khuyến nghị sử dụng khoảng 90-120 lát cắt để cân bằng giữa chất lượng và hiệu suất.

5. Làm thế nào để ứng dụng kết quả nghiên cứu vào thực tế bệnh viện?
   Cần phát triển phần mềm tích hợp các kỹ thuật xử lý ảnh, phân đoạn và dựng mô hình 3D tự động, đồng thời đào tạo nhân viên y tế sử dụng hiệu quả công cụ này trong chẩn đoán và điều trị bệnh gan.

Kết luận

• Nghiên cứu đã phát triển và thử nghiệm thành công các kỹ thuật tăng cường ảnh, phân đoạn và dựng mô hình 3D gan từ ảnh CT chuẩn DICOM với độ chính xác và hiệu quả cao.
• Kỹ thuật biến đổi Wavelet và hiệu chỉnh Gamma giúp nâng cao chất lượng ảnh CT gan khoảng 20-30%, hỗ trợ phân đoạn chính xác hơn.
• Mạng nơ-ron U-Net đạt độ chính xác phân đoạn trên 85%, vượt trội so với các phương pháp truyền thống.
• Thuật toán Marching Cubes tái tạo mô hình 3D gan chi tiết, hỗ trợ trực quan hóa tổn thương gan trong không gian ba chiều.
• Đề xuất triển khai các giải pháp này trong phần mềm y tế để nâng cao chất lượng chẩn đoán và điều trị bệnh gan trong thời gian tới.

Hướng phát triển tiếp theo là tối ưu thuật toán để giảm thời gian xử lý, mở rộng ứng dụng cho các cơ quan nội tạng khác và tích hợp trí tuệ nhân tạo nâng cao khả năng tự động hóa. Các chuyên gia và nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng này nhằm nâng cao hiệu quả y học hình ảnh.

Trích đoạn nội dung tài liệu

phần mở đầu, mục lục, danh mục các bảng biểu, danh mục các từ viết tắt, kết luận và tài liệu than khảo, luận văn gồm 3 chƣơng. Chƣơng 1: Tổng quan về xử lý ảnh dựng mô hình 3D Gan Chƣơng 2: Một số kỹ thuật trong dựng mô hình 3d Gan từ ảnh CT Chƣơng 3: Cài đặt và thử nghiệm 4 CHƢƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH TRONG DỰNG MÔ HÌNH 3D GAN Nội dung chính trong chương này sẽ trình bày khái quát về ảnh y khoa, xử lý ảnh y khoa, một số thuật toán cơ bản trong xử lý ảnh cũng như trong xử lý ảnh y khoa. Tìm hiểu cấu tạo mô hình 3D, một số nghiên cứu về vấn đề dựng mô hình 3D của Gan từ dữ liệu ảnh CT trên thế giới cũng như tại Việt Nam. Bên cạnh đó, cũng nêu ra một số vấn đề trong xử lý ảnh y tế CT.

DỮ LIỆU ẢNH SỐ Y KHOA 1. Giới thiệu Công nghệ điện tử đã và đang phát triển rất nhanh trong hơn một thập niên gần đây, nhờ đó các thiết bị máy tính, máy ảnh và y tế cũng đƣợc phát triển với nhiều chức năng tiện nghi, tốc độ và hiện đại hơn. Trong đó, máy tính đã trở thành một phần không thể tách rời của hệ thống hình ảnh y tế và đƣợc sử dụng cho việc thu thập dữ liệu ảnh để hiển thị và phân tích. Từ đó, nhiều thiết bị y tế nhƣ máy chụp X-quang, máy chụp ảnh cắt lớp (CT scanner), chụp cộng hƣởng từ (MRI), chụp cắt lớp phát xạ (PET/CT) và những loại ảnh y tế khác đã đƣợc áp dụng những phƣơng pháp xử lý hiện đại để cho ra ảnh rõ nhất có thể, để giúp các bác sĩ trong việc chẩn đoán.

Sự phát triển của công nghệ hình ảnh ngày càng tăng, các kỹ thuật tiên tiến, do vậy, luôn đƣợc áp dụng để giải quyết những vấn đề rất thách thức trong chẩn đoán ảnh y tế hiện nay. Xử lý ảnh đã có từ lâu và những ứng dụng của nó là rất nhiều trong cuộc sống dân sự, quân sự, y tế và nhiều lĩnh vực khác [1]. Ứng dụng của xử lý ảnh có khả năng tác động mạnh mẽ nhất đến cuộc sống của chúng ta là trong lĩnh vực y tế. Soi chụp bằng máy tính dựa trên cơ sở định lý cắt lớp (projection_slice) đƣợc dùng thƣờng xuyên trong xét 5 nghiệm lâm sàng, ví dụ nhƣ phát hiện và nhận dạng u não.

Những ứng dụng y học khác của xử lý ảnh số gồm cải thiện ảnh X-quang và nhận dạng đƣờng biên mạch máu từ những ảnh chụp mạch bằng tia X(angiograms). Ảnh sau khi đƣợc tái tạo chƣa thể sử dụng ngay đƣợc, ảnh hƣởng đến chất lƣợng, gây khó khăn cho việc chẩn đoán bệnh. Thu nhận Tiền xử lý Biểu diễn Nhận ảnh ảnh và mô tả dạng và nội suy Cơ sở tri thức Hình 1. Các bƣớc cơ bản trong xử lý ảnh y khoa [2] Do vậy cần phải sử dụng nhiều phƣơng pháp xử lý ảnh để nâng cao chất lƣợng ảnh.

Các bƣớc cần thiết trong xử lý ảnh nhƣ sau: * Phần thu nhận ảnh (Image Acquisition) Qua các camera (tƣơng tự,số). - Từ vệ tinh qua các bộ cảm ứng(Sensors). - Qua các máy quét ảnh(Scaners). Các thiết bị thu nhận này có thể cho ảnh đen trắng.

Các thiết bị thu nhận ảnh có 2 loại chính ứng với 2 loại ảnh thông dụng là Raster và Vector. Nhìn chung các hệ thống thu nhận ảnh thực hiện quá trình đó là Cảm biến nhằm biến đổi năng lƣợng quang học thành năng lƣợng điện và sau đó là Tổng hợp năng lƣợng điện thành ảnh. * Tiền xử lý (ImagePreprocessing) Sau bộ thu nhận, ảnh có thể bị nhiễu, mờ, không sắc nét nên cần đƣa vào 6 bộ tiền xử lý để nâng cao chất lƣợng. Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng dần độ tƣơng phản để làm ảnh rõ hơn, nét hơn.

* Phân đoạn (Segmentation) hay phân vùng ảnh Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh. Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong bì thƣ cho mục đích phân loại bƣu phẩm, cần chia các câu, chữ về địa chỉ hoặc tên ngƣời thành các từ, các chữ, các số (hoặc các vạch) riêng biệt để nhận dạng. Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm giảm độ chính xác của ảnh. Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này.

* Biểu diễn ảnh (ImageRepresentation) Ảnh trên máy tính là kết quả thu nhận theo các phƣơng pháp số hoá đƣợc nhúng trong các thiết bị kỹ thuật khác nhau. Quá trình lƣu trữ ảnh nhằm 2 mục đích. Trƣớc hết là để tiết kiệm bộ nhớ và sau đó là giảm thời gian xử lý. Việc lƣu trữ thông tin trong bộ nhớ có ảnh hƣởng rất lớn đến việc hiển thị, in ấn và xử lý ảnh đƣợc xem nhƣ là một tập hợp các điểm với cùng kích thƣớc nếu sử dụng càng nhiều điểm ảnh thì bức ảnh càng đẹp, càng mịn và càng thể hiện rõ hơn chi tiết của ảnh ngƣời ta gọi đặc điểm này là độ phân giải.

Việc lựa chọn độ phân giải thích hợp tuỳ thuộc vào nhu cầu sử dụng và đặc trƣng của mỗi ảnh cụ thể. * Nhận dạng và nội suy ảnh (Image Recognition andInterpretation) Nhận dạng ảnh là quá trình xác định ảnh. Quá trình này thƣờng thu đƣợc bằng cách so sánh với mẫu chuẩn đã đƣợc học (hoặc lƣu) từ trƣớc. Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng.

Có nhiều cách phân loại ảnh khác nhau về ảnh. Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh đƣợc phân theo hai loại nhận dạng ảnh cơ bản: Nhận dạng theo tham số. 7 Nhận dạng theo cấu trúc. Một số đối tƣợng nhận dạng khá phổ biến hiện nay đang đƣợc áp dụng trong khoa học và công nghệ là: nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt ngƣời… * Cơ sở tri thức (KnowledgeBase) Nhƣ đã nói ở trên, ảnh là một đối tƣợng khá phức tạp về đƣờng nét, độ sáng tối, dung lƣợng điểm ảnh, môi trƣờng để thu ảnh phong phú kéo theo nhiễu.

Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phƣơng pháp toán học đảm bảo tiện lợi cho xử lý, ngƣời ta mong muốn bắt chƣớc quy trình tiếp nhận và xử lý ảnh theo cách của con ngƣời. Trong các bƣớc xử lý đó, nhiều khâu hiện nay đã xử lý theo các phƣơng pháp trí tuệ con ngƣời. Vì vậy, ở đây các cơ sở tri thức đƣợc pháthuy. * Mô tả (biểu diễnảnh) Từ Hình 1.1, ảnh sau khi số hoá sẽ đƣợc lƣu vào bộ nhớ, hoặc chuyển sang các khâu tiếp theo để phân tích.

Nếu lƣu trữ ảnh trực tiếp từ các ảnh thô, đòi hỏi dung lƣợng bộ nhớ cực lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ. Thông thƣờng, các ảnh thô đó đƣợc đặc tả (biểu diễn) lại (hay đơn giản là mã hoá) theo các đặc điểm của ảnh đƣợc gọi là các đặc trƣng ảnh (Image Features) nhƣ: biên ảnh (Boundary/Egde), vùng ảnh (Region). Một số phƣơng pháp biểu diễn thƣờng dùng: - Biểu diễn bằng mã chạy (Run-LengthCode) - Biểu diễn bằng mã xích (Chaine-Code) - Biểu diễn bằng mã tứ phân (Quad-TreeCode) 1. Khái niệm ảnh y khoa và dữ liệu ảnh CT Gan Ảnh y tế là kỹ thuật và quá trình đƣợc sử dụng để tái tạo ra hình ảnh cơ thể con ngƣời hoặc bộ phận cơ thể ngƣời phục vụ cho mục đích lâm sàng và 8 cận lâm sàng nhƣ chẩn đoán bệnh, kiểm tra bệnh hoặc khoa học y tế (bao gồm cả giải phẫu và sinh lý).

Ảnh y tế theo nghĩa rộng của nó có nghĩa là một phần narh sinh học và kết hợp X-quang, y học hạt nhân, nội soi, … dùng trong chẩn đoán bệnh lý con ngƣời. Ảnh CT Gan là một kỹ thuật áp dụng đồng thời kỹ thuật X – quang và kỹ thuật máy tính để phân tích hình ảnh Gan trong ổ bụng thông qua các lớp cắt của tia X – quang để chẩn đoán bệnh Gan. Khi Gan bị bệnh, các tổ chức trong gan sẽ bị biến đổi, dẫn đến sự biến đổi tỷ trọng chung của Gan. Vì vậy, hình ảnh các lớp cắt qua kỹ thuật chụp cắt lớp cũng sẽ thể hiện khác biệt so với gan bình thƣờng, dựa vào nguyên lý này mà các bác sĩ chẩn đoán hình ảnh có thể chẩn đoán bệnh về gan một cách chính xác nhất.

Một số chuẩn hình ảnh y khoa Các máy thiết bị và máy y tế chẩn đoán hình ảnh đầu tiên khi mới ra đời chỉ là tín hiệu dạng sóng (Analog) đƣa lên màn hình VIDEO của máy. Theo thời gian, máy đƣợc chế tạo ngày càng có cấu hình cao hơn và chuyển dần sang tín hiệu số, các phần mềm xử lý tín hiệu lƣu trữ thông tin số ngay tại các máy đó (ví dụ máy siêu âm có thể lƣu đƣợc 5000 ảnh của bệnh nhân gần đây nhất).Tuy nhiên, dần từng bƣớc khi có các điều kiện đặt ra và nhu cầu giao tiếp giữa các máy với nhau (ví dụ: máy CT Scanner chuyển cho máy chiếu tia Coban.) và truyền ảnh số giữa các vùng với nhau để trợ giúp chẩn đoán thì các chuẩn dữ liệu chung về hình ảnh của y tế dần ra đời. Vì vậy, các máy y tế ngày nay có gắn thiết bị tin học thì đã sẵn sàng đƣa ra các tín hiệu thông qua các D-Shell chuẩn nhƣ COM, LPT. hoặc USB port.

Tuy nhiên, phần tín hiệu đƣa ra các cổng này tuỳ nhà cung cấp trang bị phần mềm khi ngƣời sử dụng yêu cầu. Tuy nhiên có nhiều chuẩn để truyền ảnh trên mạng nhƣ chuẩn PACS (Picture Archiving and Communication System) là hệ thống lƣu trữ, xử lý và truyền ảnh động, hoặc mạng xử lý và truyền ảnh số hoá DICOM (Digital 9 Imaging and Communications in Medicine). Tất cả các chuẩn này có chung một tiêu chí là nén ảnh ở mức độ tối đa để giảm kích thƣớc lƣu trữ, giảm kích thƣớc khi truyền trên mạng, có các mức độ phân giải khác nhau khi truyền. Nếu hình ảnh không cần chất lƣợng cao thì có thể truyền ở độ phân giải thấp và khi cần độ nét để chẩn đoán với chất lƣợng cao thì truyền ảnh với các độ phân giải cao hơn, nhƣng tốc độ truyền trên mạng sẽ chậm đi nhiều.

Các ảnh truyền thƣờng là các ảnh về X quang, ảnh siêu âm, ảnh nội soi, ảnh CT Scanner. Việc truyền ảnh này giúp cho hỗ trợ chẩn đoán từ xa, cho các thầy thuốc, học viên, sinh viên học tập và nghiên cứu.