Luận văn thạc sĩ về phân đoạn tế bào trong ảnh y sinh sử dụng kỹ thuật điện tử

Luận văn thạc sĩ kỹ thuật phân tích kỹ thuật điện tử phân đoạn các vùng tế bào trong ảnh y sinh, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Duy Tân
• Người hướng dẫn: Tiến Sĩ Trương Công Dung Nghi
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Phân Đoạn Các Vùng Tế Bào Trong Ảnh Y Sinh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP.Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Tình hình nghiên cứu phân đoạn ảnh y sinh
• 1.3. Phương pháp phân đoạn thực hiện
• 1.4. Bộ dữ liệu ảnh
• 2. CHƯƠNG 2: TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH
• 2.1. Lấy ngưỡng
• 2.1.1. Lấy ngưỡng toàn cục
• 2.1.2. Lấy ngưỡng cục bộ
• 2.2. Phân đoạn dựa vào đường biên
• 2.2.1. Phương pháp Gradient
• 2.2.2. Phương pháp Canny
• 2.2.3. Phương pháp Laplacian
• 2.3. Chia và hợp vùng
• 2.4. Phương pháp phân loại
• 2.5. Các phương pháp phân đoạn khác
• 2.6. Thống kê các phương pháp phân đoạn ảnh được sử dụng
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT VÀ GIẢI THUẬT
• 3.1. Không gian màu
• 3.1.1. Không gian màu RGB
• 3.1.2. Không gian màu HSV
• 3.2. Giải thuật phân cụm K-means
• 3.3. Mô hình trộn Gauss
• 3.4. Thuật toán cực đại hóa kỳ vọng
• 3.5. Thuật toán Graph Cuts
• 4. CHƯƠNG 4: THỰC HIỆN PHÂN ĐOẠN ẢNH Y TẾ
• 4.1. Giải thuật phân đoạn ảnh dựa trên nguyên lý lan truyền tế bào tự động
• 4.2. Kết quả phân đoạn có tương tác
• 4.3. Cải tiến giải thuật với ước lượng mặt nạ tự động
• 4.4. Kết quả ước lượng mặt nạ tự động
• 5. CHƯƠNG 5: KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả phân đoạn bộ dữ liệu Serous
• 5.2. Kết quả phân đoạn bộ dữ liệu Bronchial
• 5.3. Đánh giá kết quả
• 5.4. Đánh giá thời gian xử lý
• 5.5. Thử nghiệm với ảnh MRI
• 5.6. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu đề tài

Phân đoạn tế bào trong ảnh y sinh là một lĩnh vực nghiên cứu quan trọng trong y học hiện đại. Phân đoạn ảnh đóng vai trò thiết yếu trong việc xác định và phân tích các vùng tế bào, giúp bác sĩ đưa ra chẩn đoán chính xác. Luận văn này tập trung vào việc cải tiến giải thuật lan truyền tế bào tự động, nhằm giảm thiểu sự can thiệp của người giám sát trong quá trình phân đoạn. Việc này không chỉ tiết kiệm thời gian mà còn nâng cao độ chính xác trong phân tích hình ảnh y sinh.

1.1. Tình hình nghiên cứu phân đoạn ảnh y sinh

Nghiên cứu về phân đoạn ảnh y sinh đã phát triển mạnh mẽ từ những năm 1950. Các phương pháp truyền thống thường yêu cầu sự can thiệp của người giám sát, dẫn đến nhiều hạn chế trong việc xử lý ảnh. Các nghiên cứu gần đây đã chỉ ra rằng việc áp dụng các giải thuật tự động như K-means và mô hình trộn Gauss (GMM) có thể cải thiện đáng kể hiệu quả phân đoạn. Điều này mở ra hướng đi mới cho việc phát triển các hệ thống phân đoạn tự động, giảm thiểu thời gian và công sức của chuyên viên y tế.

II. Tổng quan các phương pháp phân đoạn ảnh y sinh

Có nhiều phương pháp phân đoạn ảnh y sinh, bao gồm lấy ngưỡng, dò biên, và phân đoạn dựa trên biến đổi hình thái. Mỗi phương pháp có những ưu điểm và nhược điểm riêng. Ví dụ, phương pháp lấy ngưỡng thường đơn giản và nhanh chóng, nhưng có thể không hiệu quả trong các trường hợp ảnh phức tạp. Ngược lại, các phương pháp dựa trên biến đổi hình thái có thể cung cấp kết quả chính xác hơn nhưng yêu cầu nhiều thời gian và tài nguyên tính toán. Việc kết hợp các phương pháp này có thể mang lại hiệu quả cao hơn trong phân đoạn tế bào.

2.1. Các phương pháp phân đoạn phổ biến

Phương pháp lấy ngưỡng là một trong những kỹ thuật phổ biến nhất trong phân đoạn ảnh y sinh. Phương pháp này dựa trên giả định rằng các tế bào có sự đồng nhất về mức xám và khác biệt so với nền. Tuy nhiên, trong thực tế, sự phức tạp của hình ảnh có thể làm giảm hiệu quả của phương pháp này. Các phương pháp dò biên như Canny và Gradient cũng được sử dụng rộng rãi, cho phép phát hiện các đường biên của tế bào một cách chính xác hơn. Việc áp dụng các phương pháp này trong một hệ thống tích hợp có thể cải thiện đáng kể kết quả phân đoạn.

III. Cơ sở lý thuyết và thuật toán

Luận văn này áp dụng các lý thuyết về không gian màu, giải thuật K-means, và mô hình trộn Gauss để phát triển một phương pháp phân đoạn tự động. Giải thuật K-means được sử dụng để phân cụm các điểm ảnh, trong khi mô hình GMM giúp ước lượng phân bố của các điểm ảnh trong ảnh. Sự kết hợp này cho phép xác định các điểm ảnh có khả năng thuộc về đối tượng cần phân đoạn, từ đó tạo ra các điểm seeds cho giải thuật lan truyền tế bào. Phương pháp này không chỉ nâng cao độ chính xác mà còn giảm thiểu sự can thiệp của người giám sát.

3.1. Giải thuật K means và mô hình GMM

Giải thuật K-means là một phương pháp phân cụm mạnh mẽ, cho phép phân loại các điểm ảnh thành các nhóm dựa trên sự tương đồng về màu sắc. Mô hình GMM được sử dụng để ước lượng phân bố của các điểm ảnh, giúp xác định các vùng có khả năng thuộc về tế bào. Việc kết hợp hai phương pháp này tạo ra một quy trình phân đoạn hiệu quả, cho phép tự động hóa việc xác định các điểm seeds mà không cần sự can thiệp của người giám sát. Điều này có ý nghĩa quan trọng trong việc nâng cao hiệu suất và độ chính xác trong phân đoạn tế bào.

IV. Thực hiện đề tài

Luận văn thực hiện việc áp dụng giải thuật lan truyền tế bào tự động trên hai bộ dữ liệu ảnh tế bào là Serous cytology và Bronchial cytology. Các kết quả phân đoạn được đánh giá dựa trên độ nhạy, độ đặc trưng và độ chính xác. Kết quả cho thấy phương pháp đề xuất có khả năng phân đoạn tốt, với độ nhạy đạt 0.74 cho bộ dữ liệu Serous. Việc thử nghiệm trên ảnh MRI cũng cho thấy khả năng phân tách các vùng cần quan tâm, mặc dù kết quả phụ thuộc vào cách chọn điểm seeds ban đầu.

4.1. Kết quả phân đoạn

Kết quả phân đoạn từ bộ dữ liệu Serous cho thấy độ nhạy và độ chính xác cao, chứng minh tính khả thi của phương pháp đề xuất. Đối với bộ dữ liệu Bronchial, kết quả cũng cho thấy khả năng phân đoạn tốt, mặc dù cần cải thiện thêm để đạt được độ chính xác cao hơn. Việc thử nghiệm trên ảnh MRI cho thấy phương pháp có thể áp dụng rộng rãi, tuy nhiên, cần chú ý đến việc chọn điểm seeds ban đầu để đảm bảo kết quả phân đoạn chính xác.

V. Kết quả và hướng phát triển

Luận văn đã đạt được những kết quả khả quan trong việc phân đoạn tế bào tự động. Các phương pháp được đề xuất không chỉ giúp giảm thiểu sự can thiệp của người giám sát mà còn nâng cao độ chính xác trong phân đoạn. Hướng phát triển tiếp theo có thể bao gồm việc cải tiến thêm các thuật toán phân đoạn, áp dụng cho các loại ảnh y sinh khác nhau và mở rộng khả năng tự động hóa trong phân đoạn tế bào. Điều này sẽ góp phần nâng cao hiệu quả trong chẩn đoán và điều trị bệnh.

5.1. Hướng phát triển

Hướng phát triển trong tương lai có thể tập trung vào việc cải tiến các thuật toán phân đoạn, áp dụng cho các loại ảnh y sinh khác nhau như ảnh MRI, CT, và siêu âm. Việc tích hợp các công nghệ học máy và trí tuệ nhân tạo vào quy trình phân đoạn cũng có thể mở ra nhiều cơ hội mới, giúp nâng cao độ chính xác và hiệu quả trong phân tích hình ảnh y sinh. Điều này không chỉ hỗ trợ cho các chuyên viên y tế mà còn góp phần cải thiện chất lượng chăm sóc sức khỏe.

Nội dung chính

Tổng quan nghiên cứu

Phân đoạn ảnh y sinh là một bước then chốt trong xử lý ảnh y tế, đóng vai trò quan trọng trong việc nhận dạng, theo dõi và phân tích các đối tượng trong ảnh, đặc biệt là các tế bào. Theo báo cáo của ngành, việc phân đoạn ảnh y sinh tự động giúp giảm thiểu thời gian và công sức của chuyên viên y tế, đồng thời nâng cao độ chính xác trong chẩn đoán. Tuy nhiên, các phương pháp phân đoạn truyền thống thường yêu cầu sự tương tác thủ công cao, đặc biệt trong việc chọn các điểm ảnh khởi tạo (seeds), gây khó khăn khi xử lý các ảnh có nhiều đối tượng phức tạp như ảnh tế bào.

Mục tiêu của luận văn là phát triển một phương pháp phân đoạn tự động các vùng tế bào trong ảnh y sinh dựa trên nguyên lý lan truyền tế bào tự động, kết hợp thuật toán K-means và mô hình trộn Gauss (GMM) để tự động ước lượng các điểm seeds, từ đó giảm thiểu sự can thiệp của người giám sát. Nghiên cứu được thực hiện trên bộ dữ liệu ảnh tế bào Serous cytology gồm 10 ảnh màu RGB và Bronchial cytology gồm 7 ảnh, cùng một số ảnh MRI chụp tim và não, với các kết quả phân đoạn tin cậy (ground-truth) để đánh giá hiệu quả.

Phạm vi nghiên cứu tập trung vào ảnh y sinh thu thập qua kính hiển vi và ảnh MRI, trong khoảng thời gian từ năm 2016 đến 2017 tại Trường Đại học Bách Khoa, ĐHQG TP.HCM. Ý nghĩa của nghiên cứu thể hiện qua việc cải thiện độ nhạy, độ đặc trưng và độ chính xác phân đoạn, góp phần nâng cao hiệu quả chẩn đoán và giảm thiểu thời gian xử lý ảnh y sinh trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba lý thuyết và mô hình chính:

1. Không gian màu RGB và HSV: Mô hình RGB biểu diễn màu sắc dựa trên ba kênh đỏ, xanh lục và xanh lam, mỗi kênh có giá trị từ 0 đến 255, cho phép biểu diễn hơn 16 triệu màu. Không gian HSV chuyển đổi từ RGB, mô tả màu sắc theo ba thành phần Hue (sắc thái), Saturation (độ bão hòa) và Value (độ sáng), giúp phân tích màu sắc hiệu quả hơn trong xử lý ảnh y sinh.

2. Giải thuật phân cụm K-means: Thuật toán phân cụm không giám sát, phân chia dữ liệu thành k cụm dựa trên khoảng cách Euclidean đến trọng tâm cụm. K-means được sử dụng để phân cụm các điểm ảnh trong ảnh y sinh nhằm xác định các vùng có đặc tính tương đồng.

3. Mô hình trộn Gauss (GMM) và thuật toán cực đại hóa kỳ vọng (EM): GMM mô hình hóa phân bố xác suất của dữ liệu như một tổng hợp các phân phối Gauss có trọng số. Thuật toán EM được dùng để ước lượng các tham số của GMM, giúp xác định xác suất điểm ảnh thuộc về vùng đối tượng (nhân tế bào) hoặc nền.

Ngoài ra, giải thuật lan truyền tế bào tự động (Cellular Automata - CA) được áp dụng để thực hiện phân đoạn dựa trên các điểm seeds được xác định tự động từ kết quả phân cụm và mô hình GMM. Giải thuật này lan truyền nhãn từ các điểm seeds đến các điểm ảnh lân cận dựa trên các quy tắc xác định trước, cho phép phân đoạn toàn bộ ảnh.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm hai bộ ảnh tế bào: Serous cytology (10 ảnh màu RGB) và Bronchial cytology (7 ảnh), thu thập qua kính hiển vi với phương pháp nhuộm Papanicolaou, kèm theo các kết quả phân đoạn ground-truth để đánh giá. Ngoài ra, một số ảnh MRI chụp tim và não cũng được sử dụng để thử nghiệm mở rộng.

Phương pháp phân tích gồm các bước:

1. Áp dụng thuật toán K-means để phân cụm các điểm ảnh dựa trên đặc trưng màu sắc trong không gian HSV.
2. Sử dụng mô hình trộn Gauss (GMM) với thuật toán EM để ước lượng phân bố xác suất của các điểm ảnh, xác định các điểm ảnh có khả năng cao thuộc vùng nhân tế bào (đối tượng) và nền.
3. Lấy các điểm ảnh có xác suất cao làm seeds đầu vào cho giải thuật lan truyền tế bào tự động (CA) để phân đoạn toàn bộ ảnh.
4. So sánh kết quả phân đoạn với ground-truth để đánh giá độ nhạy, độ đặc trưng và độ chính xác.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 8/2016 đến tháng 12/2016, sử dụng phần mềm MATLAB để triển khai các giải thuật và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ nhạy và độ chính xác trên bộ dữ liệu Serous cytology: Phương pháp đề xuất đạt độ nhạy trung bình 0.74, cho thấy khả năng phát hiện chính xác các vùng nhân tế bào trong ảnh. Độ đặc trưng và độ chính xác cũng đạt mức cao, phản ánh hiệu quả phân biệt tốt giữa đối tượng và nền.

2. Kết quả trên bộ dữ liệu Bronchial cytology: Độ nhạy và độ chính xác thấp hơn so với bộ Serous, nguyên nhân do đặc điểm phức tạp hơn của ảnh tế bào phế quản, mật độ tế bào cao và hình dạng đa dạng. Tuy nhiên, phương pháp vẫn cho kết quả phân đoạn có ý nghĩa, mở ra hướng cải tiến thêm.

3. Thử nghiệm trên ảnh MRI chụp tim và não: Phương pháp có khả năng phân tách các vùng cần quan tâm, tuy nhiên kết quả phụ thuộc nhiều vào việc chọn điểm seeds ban đầu do đặc điểm phức tạp và đa dạng của ảnh MRI. Điều này cho thấy cần phát triển thêm các kỹ thuật tự động hóa trong bước khởi tạo seeds cho ảnh MRI.

4. Thời gian xử lý: Thời gian phân đoạn trung bình cho mỗi ảnh trong bộ Serous là khoảng vài giây, phù hợp với yêu cầu xử lý thực tế trong môi trường y tế.

Thảo luận kết quả

Kết quả cho thấy sự kết hợp giữa K-means và GMM giúp tự động hóa việc xác định điểm seeds, giảm thiểu sự can thiệp thủ công, đồng thời duy trì độ chính xác phân đoạn cao. So với các phương pháp truyền thống yêu cầu đánh dấu thủ công, phương pháp này tiết kiệm thời gian và công sức đáng kể.

So sánh với các nghiên cứu trước đây, phương pháp lan truyền tế bào tự động kết hợp ước lượng mặt nạ tự động cho thấy ưu thế trong việc xử lý ảnh tế bào có mật độ và hình dạng đa dạng. Tuy nhiên, hạn chế hiện tại là độ chính xác giảm khi áp dụng trên ảnh MRI do tính phức tạp cao và đặc điểm nhiễu của ảnh.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ nhạy, độ đặc trưng và độ chính xác giữa các bộ dữ liệu, cũng như bảng thống kê thời gian xử lý để minh họa hiệu quả và tính khả thi của phương pháp.

Đề xuất và khuyến nghị

1. Phát triển thuật toán tự động hóa hoàn toàn bước chọn điểm seeds: Nâng cao độ chính xác và tính ổn định của phân đoạn, đặc biệt với ảnh MRI phức tạp, nhằm giảm thiểu tối đa sự can thiệp của người dùng. Thời gian thực hiện trong 1-2 năm, do nhóm nghiên cứu chuyên sâu về xử lý ảnh y sinh đảm nhiệm.

2. Tích hợp phương pháp vào hệ thống chẩn đoán hình ảnh y tế: Hỗ trợ chuyên viên y tế trong việc phân tích ảnh tế bào và MRI, tăng tốc độ xử lý và nâng cao độ chính xác chẩn đoán. Thời gian triển khai dự kiến 6-12 tháng, phối hợp với các bệnh viện và trung tâm y tế.

3. Mở rộng thử nghiệm trên các bộ dữ liệu đa dạng hơn: Bao gồm các loại tế bào và kỹ thuật nhuộm khác nhau để đánh giá tính tổng quát của phương pháp, từ đó điều chỉnh thuật toán phù hợp. Thời gian thực hiện 1 năm, phối hợp với các phòng thí nghiệm nghiên cứu tế bào.

4. Nâng cao hiệu quả xử lý và tối ưu thuật toán trên nền tảng phần cứng hiện đại: Sử dụng GPU hoặc các công nghệ tính toán song song để giảm thời gian xử lý, đáp ứng yêu cầu xử lý ảnh lớn trong thực tế. Thời gian thực hiện 6 tháng, do nhóm kỹ thuật phần mềm và phần cứng đảm nhận.

Đối tượng nên tham khảo luận văn

1. Chuyên viên y tế và bác sĩ chẩn đoán hình ảnh: Nắm bắt phương pháp phân đoạn tự động giúp cải thiện hiệu quả công việc, giảm thiểu sai sót trong phân tích ảnh tế bào và MRI.

2. Nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, xử lý ảnh y sinh: Tham khảo các giải thuật kết hợp K-means, GMM và lan truyền tế bào để phát triển các nghiên cứu tiếp theo trong lĩnh vực xử lý ảnh y sinh.

3. Các công ty phát triển phần mềm y tế và thiết bị chẩn đoán hình ảnh: Áp dụng phương pháp vào sản phẩm nhằm nâng cao tính tự động và chính xác trong phân đoạn ảnh y tế.

4. Phòng thí nghiệm nghiên cứu tế bào và mô học: Sử dụng phương pháp để phân tích số lượng và đặc điểm tế bào, hỗ trợ nghiên cứu và chẩn đoán bệnh.

Câu hỏi thường gặp

1. Phương pháp phân đoạn tự động này có thể áp dụng cho loại ảnh y sinh nào?
   Phương pháp được thử nghiệm trên ảnh tế bào Serous và Bronchial, cũng như ảnh MRI tim và não. Nó phù hợp với các ảnh có đặc điểm màu sắc và cấu trúc rõ ràng, đặc biệt là ảnh tế bào nhuộm màu.

2. Độ chính xác phân đoạn của phương pháp như thế nào?
   Trên bộ dữ liệu Serous, độ nhạy đạt khoảng 0.74, cho thấy khả năng phát hiện vùng đối tượng tốt. Độ chính xác có thể thay đổi tùy thuộc vào đặc điểm ảnh và bộ dữ liệu.

3. Phương pháp có yêu cầu tương tác thủ công không?
   Phương pháp cải tiến giúp tự động chọn điểm seeds, giảm thiểu sự tương tác thủ công so với các giải thuật lan truyền tế bào truyền thống.

4. Có thể áp dụng phương pháp này cho ảnh MRI phức tạp không?
   Phương pháp có thể áp dụng nhưng kết quả phụ thuộc vào việc chọn điểm seeds ban đầu. Cần phát triển thêm để nâng cao tính tự động và chính xác trên ảnh MRI.

5. Thời gian xử lý trung bình cho một ảnh là bao lâu?
   Thời gian xử lý trung bình cho mỗi ảnh trong bộ Serous là vài giây, phù hợp với yêu cầu xử lý trong môi trường y tế thực tế.

Kết luận

• Đã phát triển thành công phương pháp phân đoạn tự động ảnh y sinh dựa trên kết hợp K-means, GMM và lan truyền tế bào tự động.
• Phương pháp giảm thiểu sự tương tác thủ công, nâng cao hiệu quả và độ chính xác phân đoạn trên ảnh tế bào.
• Kết quả thử nghiệm trên bộ dữ liệu Serous và Bronchial cho thấy độ nhạy và độ chính xác khả quan, mở rộng thử nghiệm trên ảnh MRI cho thấy tiềm năng ứng dụng.
• Đề xuất các hướng phát triển tiếp theo nhằm nâng cao tính tự động và mở rộng phạm vi ứng dụng.
• Khuyến khích các nhà nghiên cứu và chuyên viên y tế áp dụng và phát triển thêm để nâng cao hiệu quả chẩn đoán hình ảnh y sinh.

Để tiếp tục phát triển và ứng dụng phương pháp, độc giả và các nhà nghiên cứu có thể liên hệ để trao đổi, hợp tác nghiên cứu và triển khai thực tế.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU ĐỀ TÀI y tế nói riêng, chương tiếp theo sẽ điểm qua các phương pháp phân đoạn được áp dụng phổ biến, đồng thời cũng đưa ra một thống kê để cho thấy xu hướng phát triến của các phương pháp phân đoạn ảnh. 14 Chương 2 TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH Phân vùng ảnh là bước then chốt trong xử lý ảnh. Giai đoạn này nhằm phân tích ảnh thành những thành phần có cùng tính chất nào đó dựa theo biên hay các vùng liên thông.

Trong ảnh y tế nói riêng, phân đoạn ảnh là vấn đề khó khăn do có sự đa dạng về các loại ảnh, các phương pháp lấy ảnh, mật độ tế bào, cách nhuộm màu, loại kính hiển vi dùng thu nhận ảnh cũng như độ phức tạp của dữ liệu (chứa một số lượng lớn các tế bào). Vì vậy các phương pháp tiếp cận xử lí bài toán phân đoạn ảnh y tế cũng rât đa dạng. Chương này sẽ trình bày về các phương pháp tiếp cận phổ biến trong lĩnh vực phân đoạn ảnh được áp dụng vào trong ảnh y tế và các ưu và nhược điểm của các phương pháp đó.1 Lấy ngưỡng Lấy ngưỡng là một trong những phương pháp đơn giản và phổ biến nhất cho phân đoạn ảnh nói chung và phân đoạn ảnh y tế nói riêng. Phương pháp này có thể dựa trên các đặc tính đơn giản, cần thiết nhất của ảnh như mức xám, độ tương phản, độ truyền sáng, màu sắc hoặc đáp ứng phổ để phân đoạn ảnh thành các vùng có đặc tính tương đồng.

Lấy ngưỡng sẽ phân hoạch ảnh ra làm 2 phần, một phần chứa các đối tượng 15 CHƯƠNG 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH (object hay foreground) trong bức ảnh và phần kia chứa nền ảnh (background) [33]. Lấy ngưỡng có thể dựa trên thông tin toàn cục của bức ảnh hoặc thông tin cục bộ của từng vùng trong ảnh. Nếu chỉ có một ngưỡng được sử dụng cho toàn bộ hình ảnh thì được gọi là lấy ngưỡng toàn cục.

Mặt khác, khi hình ảnh được phân chia thành nhiều vùng nhỏ và từng ngưỡng được xác định cho từng vùng, đó được gọi là ngưỡng địa phương.1 Lấy ngưỡng toàn cục Đây là phương pháp lấy ngưỡng đơn giản nhất. Nếu giá trị một điểm bé hơn một ngưỡng nào đó thì nó là điểm đen (0); mặt khác nó được coi là một điểm trắng (1).1) 0 if f (x, y) ≤ T trong đó: g(x, y) là giá trị kết quả tại điểm đang xét f (x, y) là giá trị ban đầu của điểm ảnh T là hằng số Giá trị ngưỡng T thường được xác định dựa trên histogram của ảnh. (a) Ảnh đầu vào (b) Histogram (c) Ảnh sau khi phân đoạn Hình 2.1: Phân đoạn ảnh với phương pháp lấy ngưỡng toàn cục [2] 16 CHƯƠNG 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH Một biến thể của phương pháp này là lấy ngưỡng toàn cục đa mức     a if f (x, y) > T2  g(x, y) = b i f T1 < f (x, y) ≤ T2 (2.2)    c if f (x, y) ≤ T1  (a) Một mức (b) Đa mức Hình 2.2: Phương pháp phân đoạn lấy ngưỡng một mức và đa mức [2] Trong phương pháp lấy ngưỡng thì việc chọn ngưỡng T đóng vai trò quyết định.

Thông thường nó được chọn dựa trên lược đồ mức xám của ảnh. T sẽ có giá trị mức xám tại các điểm cực tiểu trên lược đồ xám. Thuật toán lấy ngưỡng Otsu Otsu là tên một nhà nghiên cứu người Nhật đã nghĩ ra ý tưởng cho việc tính ngưỡng T một cách tự động (adaptive) dựa vào giá trị điểm ảnh của ảnh đầu vào nhằm thay thế cho việc sử dụng ngưỡng cố định (fixed hay const) [34]. Phương pháp này cho kết quả là mỗi ảnh khác nhau có một ngưỡng tương ứng khác nhau.2 Lấy ngưỡng cục bộ Lấy ngưỡng toàn cục có ưu điểm là hiệu suất cao do chỉ phải tính mức ngưỡng T đúng 1 lần.

Tuy nhiên trong nhiều trường hợp, ảnh thu nhận không được chiếu sáng đồng đều. Khi đó lấy ngưỡng toàn cục tỏ ra kém hiệu quả. Lấy ngưỡng cục bộ cũng tương tự như lấy ngưỡng toàn cục, tuy nhiên mức ngưỡng T là thay đổi, không những phụ thuộc vào đặc tính mà còn vào vị trí của điểm ảnh đang 17 CHƯƠNG 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH xét.

Chẳng hạn T có thể lấy giá trị trung bình của một vùng ảnh xung quanh điểm đang xét. Do đó lấy ngưỡng cục bộ có tính thích nghi cao hơn lấy ngưỡng toàn cục.2 Phân đoạn dựa vào đường biên Biên là ranh giới giữa một đố tượng và nền hay là đường ranh giới phân biệt giữa hai đối tượng kề nhau. Biên đóng một vị trí hết sức cơ bản trong phân tích ảnh. Một ảnh chỉ với màu đen trắng nhưng có đường biên rõ ràng thì người ta hoàn toàn có thể nhận biết được đối tượng trong ảnh.

Phát hiện biên là một công cụ quan trọng trong xử lý ảnh số. Nó làm giảm một cách đáng kể khối lượng dữ liệu cần tính toán, chỉ giữ lại một số ít những thông tin cần thiết đồng thời vẫn bảo toàn được những cấu trúc quan trọng trong bức ảnh. Trong xử lý ảnh, một điểm có thể là biên nếu có sự thay đổi đột ngột về mức xám tại vị trí điểm ảnh đó. Tập hợp các điểm biên gần nhau tạo thành biên hay đường bao của ảnh.

Một số kiểu đường biên thường gặp là: Biên dạng nhảy bậc, biên dốc, biên dạng xung vuông, biên dạng hình nón. (a) Biên dạng nhảy bậc (b) Biên dốc (c) Biên dạng xung vuông (d) Biên dạng hình nón Hình 2.3: Các dạng đường biên thường gặp [3] Trên thực tế ảnh thường các điểm ảnh thường có sự thay đổi mức xám đột ngột và không đồng nhất, đặc biệt là ảnh nhiễu với các nguyên nhân thiết bị nhập ảnh, cường độ ánh sáng, nhiệt độ, chuyển động, hiệu ứng áp suất. Các đường biên lúc này trở nên gồ 18 CHƯƠNG 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH ghề, mấp mô, đứt đoạn.

Các phương pháp phát hiện biên truyền thống thường dựa trên kết quả của phép tích chập (convolution) giữa bức ảnh cần nghiên cứu f (x, y) và một bộ lọc 2D h(x, y) thường được gọi là mặt nạ (mask). Thông thường mặt nạ là một ma trận 3x3, có tác dụng như một bộ lọc thông cao để làm nổi rõ biên và loại bỏ các chi tiết khác. Tùy cách chọn mặt nạ mà có các phương pháp do biên khác nhau. Việc phân đoạn ảnh dựa vào đường biên được tiến hành qua các bước: 1.

Phát hiện và làm nổi biên 2. Làm mảnh biên 3. Nhị phân hoá đường biên 4. Mô tả biên Có nhiều phương pháp phát hiện biên đang được áp dụng, tuy nhiên ta có thể phân thành hai nhóm cơ bản là phát hiện biên dùng Gradient và phương pháp Laplacian.

Phương pháp phát hiện biên dùng Gradient (sử dụng các toán tử Roberts, Prewitt, Sobel, Canny) dựa vào tính giá trị cực đại và cực tiểu của đạo hàm bậc nhất của ảnh. Phương pháp Laplacian sẽ tìm kiếm những điểm có giá trị 0 khi lấy đạo hàm bậc hai của ảnh.1 Phương pháp Gradient Phương pháp gradient là phương pháp dò biên cục bộ dựa vào cực đại của đạo hàm bậc nhất. Theo định nghĩa, gradient là một vector có các thành phần biểu thị tốc độ biến đổi các giá trị theo hai hướng x, y được tính theo công thức 2.4) ∂y dy 19 CHƯƠNG 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH Trong đó dx, dy là khoảng cách giữa các điểm ảnh theo hướng x và y.

Thực tế người ta hay dùng dx = dy = 1. Với một ảnh liên tục f (x, y), các đạo hàm riêng cho phép xác định vị trí cực đại cục bộ theo hướng của biên. Biên độ và hướng của gradient được xác định dựa trên sự kết hợp của cả hai giá trị đạo hàm riêng này theo công thức 2.6) gy (x, y) Thực ra đạo hàm của ảnh không tồn tại vì f (x, y) không liên tục. Ở đây ta chỉ mô phỏng theo ý nghĩa của đạo hàm.

Ngoài việc tính gradient theo hướng x, y, có thể áp dụng mở rộng theo các hướng khác. Việc này thường được thực hiện bằng cách tích chập ảnh f (x, y) với các mặt nạ khác nhau. Một số mặt nạ thường được áp dụng là Sobel, Prewitt, Robert. Toán tử Robert Toán tử Robert là một trong những phương pháp dò biên đầu được đề xuất bởi Lawrence Roberts năm 1963.

Trong phương pháp này, đạo hàm riêng theo hai hướng gx , gy tại điểm ảnh I(i, j) được tính theo công thức 2.8) Điều này tương đương với việc tích chập ảnh với hai mặt nạ H1 và H2 như chỉ ra trong công thức 2. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH trong đó:     10 −1 0 H1 =   H2 =   (2.11) −1 0 0 −1 Toán tử Robert thường phù hợp để phát hiện biên có hướng chéo. Tuy nhiên do mặt nạ của Robert khá nhỏ nên kết quả là bị ảnh hưởng khá nhiều của nhiễu. Toán tử Sobel Toán tử Sobel sử dụng hai mặt nạ có kích thước 3x3 H1 , H2 (2.12 ) trong đó một mặt nạ chỉ đơn giản là sự quay của mặt nạ kia đi một góc 90 độ.

Khi thực hiện phép tích chập giữa ảnh và các mặt nạ này, ta nhận được gradient theo chiều đứng và ngang gx , gy .12)     0 0     +1 +2 +1 −1 0 +1 Do cấu tạo của mặt nạ, toán tử Prewitt phù hợp để dò các đường biên theo chiều đứng và chiều ngang. Toán tử Prewitt Toán tử Prewitt gần giống với toán tử Sobel, nhưng có sự điều chỉnh về hệ số trong mặt nạ trên các chiều ngang và đứng (2.13)     0 0     +1 +1 +1 −1 0 +1 Việc giảm các hệ số theo chiều ngang và đứng giúp việc dò biên ít chịu ảnh hưởng của nhiễu hơn, đường biên phát hiện được mảnh hơn, nhưng cũng có thể sẽ bỏ sót các đường biên mờ. TỔNG QUAN CÁC PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y SINH Hình 2.4 minh hoạ kết quả dò biên với các toán tử Robert, Sobel và Prewitt.4: Các phương pháp dò biên dựa trên Gradient [4, 5, 6] 2.2 Phương pháp Canny Các phương pháp dựa trên Gradient có nhược điểm chung là biên được phát hiện có cấu trúc không rõ nét do các đường biên mờ, dày (độ rộng hơn 1 pixel) và thường phải kết hợp với các bước xử lý tiếp theo như loại bỏ các điểm không phải cực trị (nonmax- imum suppression), làm mảnh biên (Edge thinning), liên kết biên (edge linking).