Luận văn thạc sĩ nghiên cứu phương pháp phát hiện tự động polyp dựa trên lọc hessian biến đổi hough và đặc trưng biên trong ảnh y học

Luận văn thạc sĩ nghiên cứu nghiên cứu phương pháp phát hiện tự động polyp dựa trên lọc hessian biến đổi hough và đặc trưng, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Phạm Văn Tứ
• Người hướng dẫn: TS. Ngô Trường Giang
• Trường học: Học viện khoa học và công nghệ Việt Nam
• Chuyên ngành: Máy tính
• Đề tài: Phát Hiện Tự Động Polyp Trong Ảnh Y Học Bằng Lọc Hessian Và Biến Đổi Hough
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ ẢNH, ẢNH TRONG Y HỌC, PHÁT HIỆN ĐỐI TƯỢNG TRONG ẢNH
• 1.1. Giới thiệu về ảnh, các khái niệm cơ bản trong xử lý ảnh
• 1.2. Điểm ảnh, Ảnh số
• 1.3. Phóng đại ảnh (Scale ảnh)
• 1.4. Làm mờ ảnh (blur)
• 1.5. Kết luận chương
• 2. CHƯƠNG 2: PHƯƠNG PHÁP PHÁT HIỆN TỰ ĐỘNG POLYP DỰA TRÊN LỌC HESSIAN, BIẾN ĐỔI HOUGH VÀ ĐẶC TRƯNG BIÊN
• 2.1. Phương pháp trích đặc trưng HOG (Histogram of oriented gradients)
• 2.2. Phương pháp lọc Hessian
• 2.3. Phương pháp biến đổi Hough
• 2.4. Phân loại dựa trên phương pháp SVM
• 2.5. Đánh giá mô hình phân lớp
• 2.6. Overfitting và Underfitting
• 2.7. Kết luận chương
• 3. CHƯƠNG 3: ỨNG DỤNG VÀ THỬ NGHIỆM VỚI ẢNH ĐẠI TRÀNG
• 3.1. Giới thiệu bài toán
• 3.2. Mô tả dữ liệu thử nghiệm
• 3.3. Xây dựng chương trình thử nghiệm
• 3.4. Đánh giá các kỹ thuật
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phát hiện tự động polyp trong ảnh y học

Phát hiện tự động polyp trong ảnh y học là một lĩnh vực quan trọng trong công nghệ y tế hiện đại. Việc phát hiện sớm các polyp có thể giúp giảm thiểu nguy cơ ung thư đại trực tràng. Các phương pháp hiện nay chủ yếu dựa vào hình ảnh y học và các thuật toán xử lý ảnh tiên tiến. Trong bối cảnh này, lọc Hessian và biến đổi Hough đã trở thành những công cụ hữu ích trong việc phát hiện và phân tích các đặc trưng của polyp.

1.1. Ảnh y học và vai trò của phát hiện polyp

Ảnh y học đóng vai trò quan trọng trong việc chẩn đoán và điều trị bệnh. Việc phát hiện polyp trong ảnh nội soi có thể giúp bác sĩ đưa ra quyết định chính xác hơn. Các công nghệ như CT, MRI và nội soi đã giúp cải thiện khả năng phát hiện các bất thường trong cơ thể.

1.2. Thách thức trong phát hiện polyp tự động

Mặc dù công nghệ đã phát triển, nhưng việc phát hiện polyp vẫn gặp nhiều thách thức. Các vấn đề như độ chính xác của hình ảnh, sự biến đổi trong cấu trúc polyp và sự can thiệp của yếu tố con người vẫn là những rào cản lớn. Do đó, cần có các phương pháp tự động hóa hiệu quả hơn.

II. Phương pháp lọc Hessian trong phát hiện polyp

Lọc Hessian là một trong những phương pháp quan trọng trong việc phát hiện các đặc trưng biên trong ảnh y học. Phương pháp này giúp xác định các vùng có độ cong cao, nơi có khả năng xuất hiện polyp. Bằng cách sử dụng lọc Hessian, các nhà nghiên cứu có thể cải thiện độ chính xác trong việc phát hiện polyp.

2.1. Nguyên lý hoạt động của lọc Hessian

Lọc Hessian hoạt động dựa trên việc tính toán ma trận Hessian của ảnh, từ đó xác định các điểm có độ cong cao. Điều này giúp phát hiện các biên và đặc trưng của polyp một cách hiệu quả hơn. Kết quả là, các vùng nghi ngờ có polyp sẽ được làm nổi bật.

2.2. Ứng dụng của lọc Hessian trong y học

Lọc Hessian đã được áp dụng rộng rãi trong nhiều nghiên cứu y học. Nó không chỉ giúp phát hiện polyp mà còn hỗ trợ trong việc phân tích các bệnh lý khác. Các nghiên cứu cho thấy rằng việc sử dụng lọc Hessian có thể cải thiện đáng kể độ chính xác trong chẩn đoán.

III. Biến đổi Hough và vai trò trong phát hiện polyp

Biến đổi Hough là một kỹ thuật mạnh mẽ trong việc phát hiện các hình dạng cụ thể trong ảnh. Trong bối cảnh phát hiện polyp, biến đổi Hough giúp xác định các hình dạng tròn hoặc elip, thường gặp trong cấu trúc của polyp. Phương pháp này đã chứng minh được hiệu quả trong nhiều nghiên cứu.

3.1. Nguyên lý biến đổi Hough

Biến đổi Hough chuyển đổi các điểm trong không gian ảnh thành không gian tham số, từ đó giúp xác định các hình dạng cụ thể. Kỹ thuật này cho phép phát hiện các hình dạng phức tạp mà không bị ảnh hưởng bởi nhiễu trong ảnh.

3.2. Kết quả nghiên cứu với biến đổi Hough

Nhiều nghiên cứu đã chỉ ra rằng biến đổi Hough có thể cải thiện đáng kể khả năng phát hiện polyp. Các kết quả cho thấy rằng việc kết hợp biến đổi Hough với các phương pháp khác như lọc Hessian có thể mang lại hiệu quả cao hơn trong việc phát hiện polyp.

IV. Kết quả thực nghiệm và ứng dụng trong y học

Các nghiên cứu thực nghiệm đã chỉ ra rằng việc kết hợp lọc Hessian và biến đổi Hough mang lại kết quả khả quan trong việc phát hiện polyp. Các mô hình được phát triển có thể đạt được độ chính xác cao, giúp hỗ trợ bác sĩ trong việc chẩn đoán và điều trị. Việc áp dụng các phương pháp này trong thực tiễn y tế đang ngày càng trở nên phổ biến.

4.1. Đánh giá hiệu quả của phương pháp

Các nghiên cứu đã thực hiện đánh giá hiệu quả của phương pháp phát hiện polyp dựa trên lọc Hessian và biến đổi Hough. Kết quả cho thấy rằng các phương pháp này có thể phát hiện polyp với độ chính xác cao, giảm thiểu sai sót trong chẩn đoán.

4.2. Ứng dụng trong thực tiễn

Việc áp dụng các phương pháp này trong thực tiễn y tế đã giúp cải thiện quy trình chẩn đoán. Các bác sĩ có thể sử dụng các công cụ này để phát hiện sớm các polyp, từ đó nâng cao hiệu quả điều trị và giảm thiểu nguy cơ ung thư.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu về phát hiện tự động polyp trong ảnh y học đang mở ra nhiều triển vọng mới. Việc kết hợp các phương pháp như lọc Hessian và biến đổi Hough không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu gánh nặng cho các bác sĩ. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều ứng dụng thực tiễn hơn trong lĩnh vực y tế.

5.1. Tương lai của phát hiện polyp tự động

Tương lai của phát hiện polyp tự động sẽ tiếp tục phát triển với sự hỗ trợ của công nghệ AI và machine learning. Các nghiên cứu sẽ tập trung vào việc cải thiện độ chính xác và giảm thiểu thời gian chẩn đoán.

5.2. Hướng nghiên cứu tiếp theo

Các hướng nghiên cứu tiếp theo có thể bao gồm việc phát triển các thuật toán mới, cải thiện chất lượng hình ảnh và tích hợp các công nghệ mới vào quy trình chẩn đoán. Điều này sẽ giúp nâng cao hiệu quả trong việc phát hiện và điều trị các bệnh lý liên quan đến polyp.

Nội dung chính

Tổng quan nghiên cứu

Phát hiện tự động polyp trong ảnh y học, đặc biệt là ảnh nội soi đại tràng, là một vấn đề cấp thiết trong lĩnh vực chẩn đoán hình ảnh y tế. Theo ước tính, polyp đại tràng có tỷ lệ chuyển hóa thành ung thư cao nhất trong các loại polyp, gây nguy hiểm lớn cho sức khỏe cộng đồng. Việc phát hiện chính xác và kịp thời các polyp giúp giảm thiểu nguy cơ bỏ sót, nâng cao hiệu quả điều trị và giảm gánh nặng cho nhân lực y tế. Tuy nhiên, hiện nay việc sàng lọc polyp chủ yếu dựa vào quan sát thủ công của chuyên gia y tế, dễ dẫn đến sai sót do hiện tượng “mù thoáng qua” hoặc “mù không chủ ý”.

Mục tiêu của luận văn là nghiên cứu và phát triển phương pháp phát hiện tự động polyp dựa trên các kỹ thuật xử lý ảnh tiên tiến như lọc Hessian, biến đổi Hough và đặc trưng biên HOG, kết hợp với thuật toán phân loại SVM trong học máy. Phạm vi nghiên cứu tập trung vào ảnh nội soi đại tràng, sử dụng bộ dữ liệu CVC ClinicDB với 612 frame ảnh kích thước 384×288 pixels, có kèm theo mặt nạ ground truth cho vùng polyp. Nghiên cứu nhằm nâng cao độ chính xác phát hiện, giảm thiểu lỗi bỏ sót và hỗ trợ chẩn đoán tự động trong thực tế y tế.

Việc áp dụng các phương pháp này không chỉ giúp cải thiện hiệu quả phát hiện polyp mà còn góp phần thúc đẩy ứng dụng trí tuệ nhân tạo trong y học, nâng cao chất lượng dịch vụ khám chữa bệnh và giảm thiểu chi phí nhân lực. Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong bối cảnh phát triển công nghệ y tế số và chẩn đoán hình ảnh hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

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

1. Đặc trưng HOG (Histogram of Oriented Gradients): Là phương pháp trích xuất đặc trưng hình dạng và cấu trúc đối tượng trong ảnh dựa trên biểu đồ hướng gradient. HOG mô tả hình dạng vật thể qua ma trận độ lớn và hướng gradient, được chia thành các ô (cells) và khối (blocks) để tính toán histogram. Phép chuẩn hóa vectơ đặc trưng giúp tăng tính bất biến với thay đổi ánh sáng và đổ bóng.

2. Lọc Hessian: Kỹ thuật xử lý ảnh dùng ma trận Hessian để phát hiện các vùng có cấu trúc lồi lõm đặc trưng như polyp trong ảnh nội soi. Lọc Hessian kết hợp với bộ lọc Gaussian giúp làm mịn ảnh, loại bỏ nhiễu và tăng cường các vùng ứng cử viên polyp dựa trên giá trị riêng của ma trận Hessian.

3. Biến đổi Hough (Hough Transform): Phương pháp phát hiện hình dạng hình học như đường thẳng, hình tròn, elip trong ảnh. Biến đổi Hough cho hình tròn (CHT) và elip (EHT) được sử dụng để xác định vị trí và kích thước các vùng ứng cử viên polyp trong ảnh nội soi đại tràng.

Ngoài ra, thuật toán SVM (Support Vector Machine) được áp dụng để phân loại các vùng ứng cử viên thành polyp hoặc không polyp dựa trên vectơ đặc trưng HOG. SVM tối ưu siêu phẳng phân tách dữ liệu với lề lớn nhất, giúp mô hình có khả năng tổng quát hóa tốt và chịu nhiễu cao.

Các khái niệm chính bao gồm: điểm ảnh (pixel), mức xám (grayscale), gradient, biên ảnh (edge), histogram, ma trận Hessian, biến đổi Hough, vectơ đặc trưng, siêu phẳng phân loại, overfitting và underfitting.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ ảnh nội soi đại tràng CVC ClinicDB gồm 612 frame ảnh kích thước 384×288 pixels, có kèm mặt nạ ground truth cho vùng polyp. Dữ liệu được chuẩn hóa, tiền xử lý bằng các bộ lọc Gaussian và lọc Hessian để làm mịn và tăng cường vùng biên.

Phương pháp phân tích gồm các bước:

• Tiền xử lý ảnh: chuẩn hóa kích thước, cân bằng histogram, làm mờ Gaussian để giảm nhiễu.
• Trích xuất đặc trưng HOG: tính toán độ lớn và hướng gradient, chia ảnh thành các ô 8×8 pixel, xây dựng histogram 9 bin cho mỗi ô, chuẩn hóa vectơ đặc trưng.
• Phát hiện vùng ứng cử viên polyp bằng lọc Hessian và biến đổi Hough (hình tròn và elip) để xác định các vùng có cấu trúc đặc trưng.
• Huấn luyện mô hình phân loại SVM tuyến tính với tập dữ liệu huấn luyện, sử dụng kỹ thuật k-fold cross-validation để tránh overfitting.
• Đánh giá mô hình qua các chỉ số Precision, Recall, F1-score dựa trên confusion matrix.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ năm 2019 đến 2021 tại Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Các thuật toán được cài đặt trên ngôn ngữ Python, sử dụng thư viện OpenCV hỗ trợ xử lý ảnh và học máy.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả trích xuất đặc trưng HOG: Đặc trưng HOG cho phép mô tả chính xác hình dạng polyp trong ảnh nội soi đại tràng. Kích thước vectơ đặc trưng dao động từ 7.056 đến 12.996 chiều tùy theo kích thước ảnh đầu vào và tham số HOG. Việc chuẩn hóa vectơ đặc trưng giúp tăng độ chính xác phân loại lên khoảng 85-90%.

2. Phát hiện vùng ứng cử viên bằng lọc Hessian và biến đổi Hough: Lọc Hessian giúp xác định các vùng có cấu trúc lồi lõm đặc trưng polyp, giảm nhiễu hiệu quả. Biến đổi Hough cho hình tròn và elip hỗ trợ phát hiện chính xác các vùng ứng cử viên với tỷ lệ phát hiện đúng trên 80%. Việc kết hợp hai phương pháp này giúp giảm số lượng vùng giả, tăng độ tin cậy.

3. Mô hình phân loại SVM: Sử dụng SVM tuyến tính với tham số điều chỉnh lề mềm (soft margin) và kernel tuyến tính, mô hình đạt độ chính xác phân loại polyp đạt khoảng 88%, Recall đạt 85%, Precision đạt 90%, F1-score đạt 87%. Kỹ thuật k-fold cross-validation (k=5) được áp dụng để đánh giá và tránh hiện tượng overfitting.

4. So sánh với các phương pháp khác: Kết quả nghiên cứu cho thấy phương pháp kết hợp lọc Hessian, biến đổi Hough và đặc trưng HOG vượt trội hơn so với các phương pháp chỉ dùng HOG hoặc chỉ dùng biến đổi Hough về độ chính xác và khả năng phát hiện polyp trong ảnh nội soi đại tràng.

Thảo luận kết quả

Nguyên nhân thành công của phương pháp là do sự kết hợp hiệu quả giữa các kỹ thuật xử lý ảnh và học máy. Lọc Hessian giúp làm nổi bật các vùng có cấu trúc đặc trưng polyp, giảm nhiễu và tăng độ tương phản. Biến đổi Hough cho phép phát hiện chính xác các hình dạng tròn và elip đặc trưng của polyp, hỗ trợ xác định vùng ứng cử viên hiệu quả. Đặc trưng HOG cung cấp mô tả chi tiết về hình dạng và cấu trúc biên, giúp mô hình phân loại SVM phân biệt chính xác polyp và các vùng không phải polyp.

So với các nghiên cứu trước đây, phương pháp này có ưu điểm là không phụ thuộc quá nhiều vào dữ liệu lớn như các mô hình học sâu (deep learning), đồng thời vẫn đạt hiệu quả cao trong phát hiện polyp. Kết quả có thể được trình bày qua biểu đồ so sánh Precision, Recall và F1-score giữa các phương pháp, cũng như bảng confusion matrix minh họa hiệu quả phân loại.

Ý nghĩa của kết quả là mở ra hướng phát triển các hệ thống hỗ trợ chẩn đoán tự động trong y học, giảm thiểu sai sót do con người và tăng tốc độ xử lý ảnh nội soi đại tràng.

Đề xuất và khuyến nghị

1. Triển khai hệ thống hỗ trợ chẩn đoán tự động tại bệnh viện: Áp dụng phương pháp phát hiện polyp tự động vào các thiết bị nội soi đại tràng để hỗ trợ bác sĩ trong quá trình chẩn đoán, giảm thiểu bỏ sót polyp. Mục tiêu tăng tỷ lệ phát hiện polyp lên trên 90% trong vòng 12 tháng. Chủ thể thực hiện: phòng công nghệ thông tin và khoa nội soi.

2. Nâng cao chất lượng dữ liệu huấn luyện: Thu thập thêm dữ liệu ảnh nội soi đa dạng từ nhiều bệnh viện khác nhau để mở rộng tập huấn luyện, giảm hiện tượng overfitting và tăng khả năng tổng quát hóa mô hình. Mục tiêu tăng số lượng ảnh lên ít nhất 2.000 frame trong 18 tháng. Chủ thể thực hiện: nhóm nghiên cứu và các bệnh viện hợp tác.

3. Tối ưu thuật toán và tăng tốc xử lý: Nghiên cứu áp dụng các kỹ thuật tối ưu hóa thuật toán, sử dụng phần cứng GPU để tăng tốc độ xử lý ảnh, đảm bảo thời gian phát hiện polyp trong mỗi frame dưới 1 giây. Mục tiêu hoàn thành trong 12 tháng. Chủ thể thực hiện: nhóm phát triển phần mềm.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho bác sĩ, kỹ thuật viên về sử dụng hệ thống phát hiện polyp tự động, đồng thời chuyển giao công nghệ cho các đơn vị y tế. Mục tiêu đào tạo ít nhất 50 nhân sự trong 6 tháng. Chủ thể thực hiện: Viện Công nghệ thông tin và các bệnh viện đối tác.

Đối tượng nên tham khảo luận văn

1. Chuyên gia và nhà nghiên cứu trong lĩnh vực thị giác máy tính và xử lý ảnh y học: Luận văn cung cấp cơ sở lý thuyết và phương pháp thực nghiệm chi tiết về phát hiện đối tượng trong ảnh y học, đặc biệt là polyp đại tràng, giúp mở rộng nghiên cứu và ứng dụng.

2. Bác sĩ và kỹ thuật viên nội soi đại tràng: Hiểu rõ về công nghệ hỗ trợ phát hiện polyp tự động, từ đó nâng cao hiệu quả chẩn đoán và giảm thiểu sai sót trong thực tế lâm sàng.

3. Nhà phát triển phần mềm và kỹ sư công nghệ y tế: Áp dụng các thuật toán xử lý ảnh và học máy trong phát triển các hệ thống chẩn đoán hình ảnh tự động, cải tiến sản phẩm công nghệ y tế.

4. Sinh viên và học viên cao học ngành công nghệ thông tin, máy tính: Tham khảo mô hình nghiên cứu thực tiễn, phương pháp xử lý ảnh và học máy ứng dụng trong y học, phục vụ học tập và nghiên cứu khoa học.

Câu hỏi thường gặp

1. Phương pháp HOG có ưu điểm gì trong phát hiện polyp?
   HOG mô tả hình dạng và cấu trúc biên của polyp thông qua biểu đồ hướng gradient, giúp phân biệt polyp với các vùng nền khác trong ảnh. Ví dụ, HOG chuẩn hóa vectơ đặc trưng giúp giảm ảnh hưởng của ánh sáng và đổ bóng, tăng độ chính xác phân loại.

2. Lọc Hessian giúp gì trong xử lý ảnh nội soi?
   Lọc Hessian phát hiện các vùng có cấu trúc lồi lõm đặc trưng polyp, làm nổi bật vùng ứng cử viên và giảm nhiễu. Kết hợp với Gaussian giúp làm mịn ảnh, tăng độ tin cậy phát hiện.

3. Biến đổi Hough được sử dụng như thế nào?
   Biến đổi Hough cho hình tròn và elip giúp xác định vị trí và kích thước các vùng ứng cử viên polyp dựa trên hình dạng đặc trưng. Phương pháp này nhanh và hiệu quả trong việc phát hiện các hình dạng hình học trong ảnh.

4. Tại sao chọn SVM làm thuật toán phân loại?
   SVM có khả năng phân loại nhị phân hiệu quả, tối ưu siêu phẳng phân tách với lề lớn nhất giúp mô hình tổng quát tốt, chịu nhiễu cao. SVM cũng dễ dàng điều chỉnh tham số để tránh overfitting, phù hợp với dữ liệu ảnh y học.

5. Làm thế nào để tránh hiện tượng overfitting trong nghiên cứu?
   Sử dụng kỹ thuật k-fold cross-validation để đánh giá mô hình trên nhiều tập con dữ liệu khác nhau, đồng thời mở rộng tập dữ liệu huấn luyện và điều chỉnh tham số SVM (tham số C) giúp cân bằng giữa độ chính xác và khả năng tổng quát.

Kết luận

• Nghiên cứu đã phát triển thành công phương pháp phát hiện tự động polyp trong ảnh nội soi đại tràng dựa trên lọc Hessian, biến đổi Hough và đặc trưng biên HOG kết hợp với phân loại SVM.
• Phương pháp đạt độ chính xác phân loại khoảng 88%, Recall 85%, Precision 90%, F1-score 87%, vượt trội so với các phương pháp truyền thống.
• Kết quả thực nghiệm trên bộ dữ liệu CVC ClinicDB với 612 frame ảnh chứng minh tính khả thi và hiệu quả của phương pháp.
• Đề xuất triển khai ứng dụng thực tế tại các bệnh viện, đồng thời mở rộng nghiên cứu nâng cao chất lượng dữ liệu và tối ưu thuật toán.
• Các bước tiếp theo bao gồm phát triển hệ thống phần mềm hoàn chỉnh, đào tạo nhân lực và chuyển giao công nghệ nhằm hỗ trợ chẩn đoán y tế chính xác và nhanh chóng hơn.

Hãy tiếp tục nghiên cứu và ứng dụng các kỹ thuật xử lý ảnh và học máy để nâng cao chất lượng chẩn đoán hình ảnh y học, góp phần cải thiện sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: Giới thiệu về ảnh, ảnh trong y học, phát hiện đối tượng trong ảnh: Trong chương này sẽ trình bày các khái niệm cơ bản trong xử lý ảnh, ảnh trong y học, khái niệm polyp, bài toán phát hiện đối tượng và cách tiếp tận giải bài toán phát hiện đối tượng trong ảnh. CHƯƠNG 2: Phương pháp phát hiện tự động Polyp dựa trên lọc Hessian, biến đổi Hough và đặc trưng biên: Trong chương này sẽ trình bày phương pháp phát hiện Polyp dựa trên đặc trưng biên HOG, lọc Hessian, biến đổi Hough, thuật toán phân loại SVM và kỹ thuật đánh giá mô hình phân loại. CHƯƠNG 3: Ứng dụng và thử nghiệm với ảnh đại tràng: Chương này sẽ mô tả từng bước xây dựng bài toán phát hiện Polyp, đánh giá các thuật toán, kết quả thực nghiệm, đưa ra những kết luận và định hướng nghiên cứu tiếp theo. TÀI LIỆU THAM KHẢO: Liệt kê các tài liệu mà luận văn tham khảo trên nhiều nguồn khác nhau.

GIỚI THIỆU VỀ ẢNH, ẢNH TRONG Y HỌC, PHÁT HIỆN ĐỐI TƯỢNG TRONG ẢNH Trong chương này sẽ trình bày các khái niệm cơ bản trong xử lý ảnh, ảnh trong y học, khái niệm polyp, bài toán phát hiện đối tượng và cách tiếp tận giải bài toán phát hiện đối tượng trong ảnh bao gồm: 1.1 Giới thiệu về ảnh, các khái niệm cơ bản trong xử lý ảnh 1.1 Điểm ảnh, Ảnh số Ảnh tự nhiên là ảnh liên tục về không gian và độ sáng. Để xử lý bằng máy tính, ảnh cần phải được số hoá. Số hoá ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám). Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng.

Mỗi một điểm như vậy gọi là điểm ảnh - Picture element hay gọi tắt là Pixel. Trong khuôn khổ ảnh hai chiều, mỗi pixel ứng với cặp tọa độ (x, y) và mức xám. Ảnh số là tập hợp các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật.2 Mức xám Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm đó. Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 (Mức 256 là mức phổ dụng.

Lý do: từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám: Mức xám dùng 1 byte biểu diễn: 28=256 mức, tức là từ 0 đến 255). Ảnh đen trắng: là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau. Ảnh nhị phân: ảnh chỉ có 2 mức đen trắng phân biệt tức dùng 1 bit mô tả 21 mức khác nhau. Nói cách khác: mỗi điểm ảnh của ảnh nhị phân chỉ có thể là 0 hoặc 1.

Ảnh màu: trong khuôn khổ lý thuyết ba màu (Red, Blue, Green) để tạo nên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đó các giá trị màu: 28*3 = 224 ≈ 16,7 triệu màu.3 Biểu đồ xám (Histogram), Cân bằng sáng (histogram equalization) Histogram của ảnh (intensity histogram) là biểu đồ cột thống kê số lần xuất hiện của các mức sáng trong ảnh. 6 • Nói cách khác, histogram là biểu đồ thống kê tần suất xuất hiện của mức sáng. • Histogram thường được chuẩn hóa bằng cách: lấy mỗi cột chia cho giá trị tổng è sau khi chuẩn hóa, tổng các giá trị cột trong histogram sẽ bằng 1. • Histogram đã chuẩn hóa mang ý nghĩa xác suất xuất hiện của các mức sáng trong ảnh.1 Ví dụ Histogram của ảnh.

Cân bằng histogram (histogram equalization) là sự điều chỉnh histogram về trạng thái cân bằng, làm cho phân bố (distribution) giá trị pixel không bị co cụm tại một khoảng hẹp mà được "kéo dãn" ra. Trong thực tế, camera thường chịu tác động từ điều kiện sáng. Điều đó khiến cho nhiều ảnh bị tối hoặc quá sáng. Cân bằng histogram là một phương pháp tiền/hậu xử lí ảnh rất mạnh mẽ.

Đặc biệt trong nhiều bài toán trong lĩnh vực thị giác máy tính, phương pháp tiền xử lý ảnh này cho chất lượng dữ liệu rất cao, cải thiện chất lượng mô hình rất nhiều. Histogram equalization thường được dùng: • Ở bước tiền xử lý. • Nhằm giảm sự ảnh hưởng do chiếu sáng (chói), thiếu ánh sáng (ảnh tối) • Chuẩn hóa ảnh đầu vào trước khi tiến hành xử lý. • Các giải thuật xử lý ảnh thường nhạy cảm với ánh sáng, cùng nội dung ảnh nhưng với các điều kiện ánh sáng khác nhau có thể làm sai lệch kết quả xử lý (giả sử trong bài toán phát hiện đối tượng, bài toán nhận dạng, bài toán đếm đối tượng, …).

Do đó, cân bằng sáng ở bước tiền xử lý là một trong những cách giúp làm giảm các ảnh hưởng này. 7 Thuật toán cân bằng sáng: Bước 1: Thống kê số lượng pixel cho từng mức sáng, ta được histogram H(i) 𝑍(𝑖) = ∑!"#$ 𝐻(𝑖) Bước 2: Tính "hàm tích lũy" Z cho từng mức sáng theo công thức: (1.1) Trong đó Z(i) chính là tổng số pixel có giá trị ⩽ i. Bước 3: Hàm biến đổi K tại một mức sáng i về [0, 255] được tính như sau: 𝐾(𝑖) = )+,(%)()!*(%) ∗ 255 %(!)()!*(%) (1.4 Phóng đại ảnh (Scale ảnh) Scale ảnh là việc thay đổi kích thước dài, rộng của ảnh không làm thay đổi tính chất song song của các đoạn thẳng trên ảnh gốc so với các trục tọa độ x và y. Theo định nghĩa về phép biến đổi hình học thì một biến đổi phóng đại các chiều (x, y) theo hệ số (a1, a2) sẽ có ma trận dịch chuyển M là ma trận đường chéo.

Tức là ma trận vuông có đường chéo chính là [𝑎! , 𝑎" ] và các phần tử còn lại bằng 𝑎 0 𝑥 𝑎 𝑥 0. Khi đó phép dịch chuyển sẽ là: 𝑥 𝑇(𝑥, 𝑦) = 𝐌 .3) Scale ảnh rất thường xuyên được sử dụng trong các mô hình phân loại ảnh vì mỗi một mô hình đều có một kích thước đầu vào tiêu chuẩn.5 Làm mờ ảnh (blur) Trong xử lý ảnh, phép làm mờ ảnh được dùng rất nhiều và có vai trò quan trọng. Hiệu ứng làm mờ mang lại: • Giảm nhiễu (noise) trong ảnh • Làm trơn ảnh (smooth). Việc làm trơn ảnh sẽ giảm sắc nét của cạnh, thay vào đó, vùng trơn sẽ lan ra Có rất nhiều kĩ thuật làm mờ ảnh mà không làm mờ các cạnh: v Lọc trung bình (Normalized Box Filter) Đây là bộ lọc đơn giản nhất.

Nó được xây dựng dựa trên ý tưởng tính giá trị một điểm ảnh bằng trung bình cộng các điểm ảnh xung quanh nó. Ma trận lọc của lọc trung bình có dạng: 8 1 1 1 … 1 1 1 1 … 1 𝐾=.height Cách lọc này thường được áp dụng cho làm trơn ảnh vẫn muốn giữ lại biên không bị mờ. v Bộ lọc Gausian Bộ lọc Gauss được cho là bộ lọc hữu ích nhất, được thực hiện bằng cách nhân chập ảnh đầu vào với một ma trận lọc Gauss sau đó cộng chúng lại để tạo thành ảnh đầu ra. Ý tưởng chung là giá trị mỗi điểm ảnh sẽ phụ thuộc nhiều vào các điểm ảnh ở gần hơn là các điểm ảnh ở xa.

Trọng số của sự phụ thuộc được lấy theo hàm Gauss. Dưới đây là biểu diễn ma trận lọc Gauss: Giả sử ảnh là một chiều. Điểm ảnh ở trung tâm sẽ có trọng số lớn nhất. Các điểm ảnh ở càng xa trung tâm sẽ có trọng số giảm dần khi khoảng cách từ chúng tới điểm trung tâm tăng lên.

Như vậy điểm càng gần trung tâm sẽ càng đóng góp nhiều hơn vào giá trị điểm trung tâm. Trên thực tế, việc lọc ảnh dựa trên hàm Gauss hai chiều (ngang và dọc). Phân phối chuẩn hai chiều có thể biểu diễn dưới dạng: " "($"%! )" ")*"%# + 𝐺! (𝑥, 𝑦) = 𝐴𝑒 + (1.5) '(!" '(#" Trong đó 𝜇 là trung bình (đỉnh), 𝜎 " là phương sai của các biến số x và y. Tham số 𝜇 quyết định tác dụng của bộ lọc Gauss lên ảnh.

Độ lớn của ma trận lọc (kernel) cần được lựa chọn cho đủ rộng. 9 v Lọc trung vị Phép lọc trung vị cũng được thực hiện với các ma trận lọc. Tuy nhiên nó tính trung vị tất cả các giá trị điểm ảnh trong vùng ma trận lọc và sử dụng trung vị này cho giá trị điểm trung tâm. Một điều khá thú vị là với các cách lọc ở trên, giá trị điểm trung tâm được tính mới (có thể bằng hoặc khác với giá trị một điểm trong vùng ma trận lọc), còn với phép lọc trung vị, giá trị điểm trung tâm luôn được thay bằng một giá trị điểm ảnh trong bức ảnh đầu vào.

Do vậy, phương pháp lọc này có khả năng loại bỏ nhiễu muối tiêu (salt-and-pepper noise ) khá tốt. Có một điểm cũng cần được chú ý là phép lọc trung bình và lọc Gauss là phép lọc tuyến tính, nhưng phép lọc trung vị không phải là một phép lọc tuyến tính. v Bộ lọc Bilateral Bilateral là một bộ lọc hiệu quả cao trong việc loạt bỏ nhiễu mà vẫn giữ lại được các đường viền (cạnh) trong ảnh. Như chúng ta đã biết, bộ lọc Gauss quyết định giá trị một điểm ảnh bằng cách lấy trung bình theo hàm Gauss các giá trị điểm ảnh xung quanh điểm đó.

Hàm trọng số Gauss chỉ phụ thuộc vào khoảng cách trong không gian so với điểm ảnh trung tâm, không quan tâm đến sự tương quan giữa mức xám của điểm trung tâm với các điểm xung quanh đó. Nó cũng không quan tâm rằng điểm ảnh trung tâm có nằm tại một đường biên trong ảnh không, vì thế làm nhòe luôn các đường biên trong ảnh. Bộ lọc Bilateral cũng sử dụng một bộ lọc Gauss với khoảng cách đến điểm trung tâm, đảm bảo chỉ có các điểm ở gần tham gia vào giá trị của điểm ảnh trung tâm. Tuy vậy nó sử dụng thêm một hàm Gauss cho mức xám, đảm bảo chỉ các điểm ảnh có mức xám tương đồng với điểm ảnh trung tâm tham gia vào quá trình làm mịn.

Vì thế bộ lọc Bilateral bảo toàn được các đường biên trong ảnh bởi vì điểm ảnh ở biên có sự thay đổi về mức xám rất rõ ràng. Hơn nữa, thay vì hoạt động trên các kênh màu một cách riêng rẽ như bộ lọc trung bình hay bộ lọc Gauss, bộ lọc Bilateral có thể thi hành việc đo đạc màu sắc có chủ đích trong không gian màu CIE-Lab, làm mượt màu và bảo toàn các biên theo hướng phù hợp hơn với nhận thức con người. Tuy vậy, bộ lọc Bilateral có nhược điểm chậm hơn các bộ lọc khác.6 Gradient (độ dốc) Trong xử lý ảnh, độ dốc (tức gradient) là độ dốc về mức sáng. Hay nói cách khác chính là sự thay đổi các giá trị pixel trong ảnh.