Luận văn thạc sĩ: Kỹ thuật phân đoạn ảnh lá gan từ máy CT

Luận văn thạc sĩ kỹ thuật nghiên cứu máy tính phát triển kỹ thuật phân đoạn ảnh lá gan cho các ảnh thu từ máy ct, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải

• Tác giả: Đào Nhật Hưng
• Người hướng dẫn: TS. Lê Thành Sách
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phát Triển Kỹ Thuật Phân Đoạn Ảnh Lá Gan Cho Các Ảnh Thu Được Từ Máy CT
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT ĐỀ TÀI
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Lý do chọn đề tài
• 1.1.1. Vai trò của gan trong cơ thể
• 1.1.2. Vai trò của chẩn đoán hình ảnh trong thực hiện kỹ thuật cao
• 1.1.3. Mục đích của việc phân đoạn lá gan trong ảnh CT bụng
• 1.1.4. Vấn đề còn tồn tại trong phân đoạn gan
• 1.2. Mục tiêu của đề tài
• 1.3. Các khó khăn trong thực hiện đề tài
• 2. CHƯƠNG II: TỔNG QUAN VỀ PHÂN ĐOẠN ẢNH GAN
• 2.1. Các phương pháp phân đoạn bán tự động
• 2.1.1. Phương pháp dựa trên đồ thị (graph based)
• 2.1.2. Phương pháp dựa trên tập mức (level sets based)
• 2.1.3. Phương pháp bán tự động dựa trên tăng trưởng vùng (region growing)
• 2.1.4. Phương pháp so trùng Atlas (atlas matching)
• 2.2. Các phương pháp phân đoạn tự động
• 2.2.1. Phương pháp dựa trên mức xám (gray-level based)
• 2.2.2. Phương pháp dựa trên mô hình thống kê hình dạng (statistical shape model based)
• 2.2.3. Phương pháp dựa trên luật (rule based)
• 2.3. Đánh giá về các phương pháp
• 2.4. Lựa chọn phương pháp
• 2.4.1. Căn cứ để lựa chọn
• 2.4.2. Khảo sát các công trình liên quan
• 3. CHƯƠNG III: CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP LEVEL SETS VÀ CÁCH HIỆN THỰC
• 3.1. Cơ sở lý thuyết của phương pháp level sets
• 3.1.1. Lý thuyết về phương pháp level set
• 3.2. Các vấn đề trong hiện thực phương pháp level set
• 3.2.1. Rời rạc hóa (discretization) phương trình tập mức
• 3.2.2. Khởi tạo lại (reinitialization) hàm SDF
• 3.2.3. Phương pháp Fast marching
• 3.3. Sử dụng phương pháp level set để phân đoạn ảnh
• 3.3.1. Xây dựng hàm tốc độ
• 3.3.2. Giải thuật chung để phân đoạn ảnh
• 4. CHƯƠNG IV: PHƯƠNG PHÁP ĐỀ XUẤT
• 4.1. Kế hoạch (schema) đề xuất cho thứ tự phân đoạn
• 4.2. Mô hình level sets đề xuất
• 4.3. Phân tích và đánh giá mô hình
• 4.3.1. Chọn tham số λ3 và λ4
• 4.3.2. Chọn tỷ lệ giữa λ1 và λ2
• 4.3.3. Cục bộ hóa phương pháp level sets
• 4.4. Sơ đồ của phương pháp
• 5. CHƯƠNG V: THỬ NGHIỆM
• 5.1. Dữ liệu cho thử nghiệm
• 5.2. Phương pháp đánh giá
• 5.2.1. Đánh giá định tính
• 5.2.2. Đánh giá định lượng
• 5.3. Thử nghiệm và so sánh các kết quả
• 5.3.1. Môi trường thử nghiệm
• 5.3.2. Kết quả thử nghiệm
• 5.3.3. Nhận xét đánh giá
• 6. CHƯƠNG VI: KẾT LUẬN
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Phân đoạn ảnh lá gan từ máy CT là một lĩnh vực quan trọng trong y học, đặc biệt trong việc chẩn đoán và theo dõi các bệnh lý liên quan đến gan. Kỹ thuật phân đoạn này không chỉ giúp xác định chính xác vị trí và kích thước của gan mà còn hỗ trợ trong việc lập kế hoạch điều trị. Hình ảnh y tế từ máy CT cung cấp thông tin chi tiết về cấu trúc gan, nhưng việc phân đoạn chính xác vẫn gặp nhiều thách thức do sự tương đồng về độ sáng giữa gan và các cơ quan lân cận. Do đó, việc phát triển các phương pháp phân đoạn hiệu quả là cần thiết để nâng cao độ chính xác trong chẩn đoán.

1.1. Lý do chọn đề tài

Lý do chọn đề tài này xuất phát từ tầm quan trọng của gan trong cơ thể con người. Gan không chỉ là cơ quan lớn thứ hai mà còn đóng vai trò quan trọng trong việc chuyển hóa và lọc máu. Việc phát hiện sớm các tổn thương gan thông qua hình ảnh CT là rất cần thiết, đặc biệt trong bối cảnh gia tăng các bệnh lý về gan. Phân đoạn ảnh gan từ máy CT giúp bác sĩ có cái nhìn rõ ràng hơn về tình trạng sức khỏe của bệnh nhân, từ đó đưa ra các quyết định điều trị kịp thời và chính xác.

1.2. Mục tiêu của đề tài

Mục tiêu của đề tài là phát triển một phương pháp phân đoạn gan có độ chính xác cao và thời gian xử lý hợp lý. Phương pháp này sẽ sử dụng các kỹ thuật hiện đại trong xử lý ảnh và học máy để cải thiện độ chính xác của việc phân đoạn. Đề tài cũng hướng đến việc giảm thiểu sự phụ thuộc vào kỹ năng của người thực hiện, từ đó nâng cao hiệu quả trong chẩn đoán và điều trị các bệnh lý về gan.

II. Tổng quan về phân đoạn ảnh gan

Phân đoạn ảnh gan là một trong những công việc khó khăn nhất trong xử lý ảnh y khoa. Các phương pháp phân đoạn hiện tại có thể chia thành hai loại chính: phân đoạn tự động và bán tự động. Mỗi phương pháp đều có những ưu điểm và nhược điểm riêng. Phương pháp dựa trên đồ thị và phương pháp dựa trên tập mức là hai trong số những phương pháp phổ biến nhất. Việc lựa chọn phương pháp phù hợp phụ thuộc vào nhiều yếu tố, bao gồm độ chính xác yêu cầu và thời gian xử lý. Đặc biệt, các phương pháp bán tự động thường yêu cầu sự can thiệp của người dùng, điều này có thể dẫn đến sai sót và tốn thời gian.

2.1. Các phương pháp phân đoạn bán tự động

Các phương pháp phân đoạn bán tự động thường yêu cầu người dùng thực hiện một số thao tác để xác định biên của gan. Một trong những phương pháp phổ biến là phương pháp dựa trên đồ thị, trong đó ảnh được xem như một đồ thị và các điểm ảnh là các đỉnh. Giải thuật Live-wire là một ví dụ điển hình, cho phép người dùng chọn các điểm neo trên biên để xác định đường biên của gan. Mặc dù phương pháp này có độ chính xác cao, nhưng vẫn cần sự can thiệp của người dùng, điều này có thể làm tăng thời gian và công sức cần thiết cho quá trình phân đoạn.

2.2. Các phương pháp phân đoạn tự động

Phân đoạn tự động là một lĩnh vực đang được nghiên cứu mạnh mẽ. Các phương pháp này thường sử dụng các thuật toán học máy để tự động xác định biên của gan mà không cần sự can thiệp của người dùng. Tuy nhiên, độ chính xác của các phương pháp này thường thấp hơn so với các phương pháp bán tự động. Các thách thức lớn trong phân đoạn tự động bao gồm độ tương phản thấp của ảnh CT và sự tương đồng về độ sáng giữa gan và các cơ quan lân cận. Do đó, việc phát triển các phương pháp mới có khả năng cải thiện độ chính xác trong phân đoạn gan là rất cần thiết.

III. Cơ sở lý thuyết của phương pháp level sets

Phương pháp level sets là một trong những kỹ thuật tiên tiến trong phân đoạn ảnh. Phương pháp này cho phép mô hình hóa các đường biên phức tạp và có khả năng xử lý các thay đổi về hình dạng của đối tượng. Cơ sở lý thuyết của phương pháp này dựa trên việc sử dụng hàm tốc độ để điều khiển sự tiến hóa của đường biên. Hàm tốc độ được xây dựng dựa trên thông tin từ ảnh và thuộc tính hình học của đường biên. Việc áp dụng phương pháp level sets trong phân đoạn gan giúp cải thiện độ chính xác và khả năng xử lý các hình ảnh phức tạp.

3.1. Lý thuyết về phương pháp level sets

Lý thuyết về phương pháp level sets cho phép mô hình hóa các đường cong như là các tập mức của một hàm có chiều cao hơn. Điều này giúp dễ dàng quản lý các thay đổi về cấu trúc liên kết và mở rộng lên không gian có chiều cao hơn. Phương pháp này đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả y học. Việc sử dụng phương pháp level sets trong phân đoạn gan không chỉ giúp xác định chính xác biên của gan mà còn hỗ trợ trong việc phân tích các đặc điểm hình học của gan.

3.2. Các vấn đề trong hiện thực phương pháp level sets

Mặc dù phương pháp level sets có nhiều ưu điểm, nhưng cũng gặp phải một số vấn đề trong quá trình hiện thực hóa. Rời rạc hóa phương trình tập mức và khởi tạo lại hàm SDF là hai trong số những thách thức lớn. Việc rời rạc hóa có thể dẫn đến mất mát thông tin và ảnh hưởng đến độ chính xác của phân đoạn. Khởi tạo lại hàm SDF cũng cần được thực hiện cẩn thận để đảm bảo rằng đường biên được xác định chính xác. Do đó, việc nghiên cứu và phát triển các kỹ thuật cải tiến cho phương pháp level sets là rất cần thiết.

Nội dung chính

Tổng quan nghiên cứu

Trong cơ thể người, gan là cơ quan nội tạng lớn thứ hai sau da và đóng vai trò như một trung tâm chuyển hóa, lọc máu chính tiếp nhận 100% lượng máu từ hệ thống tiêu hóa. Tại Việt Nam và nhiều nước trên thế giới, các bệnh lý nguy hiểm như viêm gan, xơ gan và ung thư gan có tỷ lệ mắc ngày càng gia tăng. Trong quy trình điều trị lâm sàng, việc chỉ định cắt bỏ khối u đòi hỏi thể tích gan khỏe mạnh còn lại phải đạt trên 50% để đảm bảo khả năng tái tạo của cơ thể. Để phục vụ công tác chẩn đoán, lập kế hoạch phẫu thuật và xạ trị, kỹ thuật chụp cắt lớp vi tính (CT) ổ bụng được áp dụng rộng rãi tại hầu hết các cơ sở y tế với số lượng từ 50 đến hơn 200 lát cắt cho mỗi ca chụp.

Tuy nhiên, việc phân đoạn lá gan trên ảnh CT bụng trong thực tế lâm sàng hiện nay vẫn phụ thuộc chủ yếu vào thao tác khoanh vùng thủ công bằng mắt và chuột của bác sĩ hoặc kỹ thuật viên chẩn đoán hình ảnh. Quá trình này tiêu tốn khoảng 30 đến 45 phút cho mỗi ca bệnh, mang tính lặp lại nhàm chán, phụ thuộc lớn vào kinh nghiệm chủ quan và có độ biến thiên cao giữa các lần thực hiện. Các khó khăn chính xuất phát từ đặc thù ảnh CT có độ tương phản thấp, đường biên gan bị mờ nhòe và mức xám của mô gan (khoảng 40 đến 150 HU) gần như tương đương với các cơ quan kế cận như tim, dạ dày, lá lách hoặc lớp mỡ dưới sườn.

Nhằm giải quyết bài toán cấp thiết này, đề tài tập trung phát triển kỹ thuật phân đoạn ảnh lá gan bán tự động dựa trên khung mô hình tập mức (level set framework). Nghiên cứu hướng đến mục tiêu xây dựng thuật toán đạt độ chính xác cao tương đương với phân đoạn thủ công chuyên gia, đồng thời cắt giảm trên 70% thời gian thao tác tương tác của người dùng. Nghiên cứu được thử nghiệm thực tế trên 5 bộ dữ liệu CT (bao gồm 201 lát cắt DICOM) thu nhận tại Bệnh viện Quân y 175, cung cấp giải pháp hữu ích phục vụ dựng hình 3D, mô phỏng phẫu thuật thực tế ảo và định lượng chính xác thể tích nhu mô gan can thiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự kết hợp chặt chẽ giữa hai nhánh lý thuyết xử lý ảnh nâng cao:

Mô hình tập mức (Level Set Method): Được khởi xướng bởi Osher, Sethian và ứng dụng vào phân đoạn ảnh bởi Malladi năm 1995. Khác với mô hình đường biên hoạt động truyền thống (Snake/Active Contour) vốn biểu diễn đường cong trực tiếp dưới dạng tham số hóa, mô hình tập mức biểu diễn gián tiếp đường cong 2D như tập mức 0 (zero level set) của một hàm khoảng cách có dấu (Signed Distance Function - SDF) đa chiều. Ưu điểm nổi bật của mô hình này là khả năng tự động xử lý mượt mà các biến đổi tô-pô phức tạp (như đường biên bị tách rời hoặc nhập lại khi đi qua các lát cắt có thùy gan phân nhánh) và dễ dàng mở rộng lên không gian 3D.

Mô hình Active Contour không biên của Chan-Vese: Dựa trên nền tảng kỹ thuật tối ưu hóa năng lượng phân đoạn của Mumford-Shah, mô hình Chan-Vese phân chia ảnh thành các vùng dựa trên giá trị mức xám trung bình bên trong và bên ngoài đường cong. Thành phần so khớp vùng (fitting term) này giúp thuật toán hoạt động ổn định trước các ảnh có độ tương phản thấp hoặc có biên mờ nhòe.

Mô hình Geodesic Active Contour: Tích hợp thông tin gradient cục bộ để tạo ra lực kéo hút đường cong tiến hóa dừng lại chính xác tại các vị trí có biên độ chuyển đổi mức xám rõ rệt.

Bên cạnh đó, nghiên cứu vận dụng các khái niệm và kỹ thuật toán học chuyên sâu như: kỹ thuật dải hẹp (Narrowband) để khoanh vùng tính toán xung quanh đường biên nhằm giảm độ phức tạp không gian, sơ đồ vi phân ngược hướng (Upwind Scheme) để rời rạc hóa phương trình đạo hàm riêng hyperbolic đảm bảo tính ổn định số học, và phương pháp tái khởi tạo (Reinitialization) của Sussman giúp duy trì đặc tính chuẩn hóa của hàm khoảng cách có dấu trong suốt quá trình tiến hóa.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm: Đề tài sử dụng bộ dữ liệu gồm 5 ca chụp CT bụng thực tế với tổng cộng 201 lát cắt chuẩn y khoa DICOM (kích thước ma trận 512x512 điểm ảnh) được cung cấp bởi Khoa Chẩn đoán hình ảnh và Trung tâm Ung bướu - Bệnh viện Quân y 175. Dữ liệu được thu nhận từ các hệ thống máy chụp CT đa lát cắt hiện đại như Philips PET/CT 2 detectors, Philips PET/CT 16 detectors và Philips Mx8000 Dual 16 detectors. Khoảng cách giữa các lát cắt dao động từ 2 mm, 3 mm đến 5 mm; kích thước mỗi voxel nằm trong khoảng từ 0,5 mm đến 0,976 mm.

Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu có chủ đích (purposive sampling) nhằm bao quát đầy đủ 5 dạng bệnh cảnh lâm sàng đa dạng: gan khỏe mạnh, gan có khối u nguyên phát, gan có đa tổn thương di căn, gan sau điều trị nút mạch hóa chất TOCE và gan thoái hóa mỡ khu trú. Toàn bộ 201 lát cắt đều được các bác sĩ chuyên khoa chẩn đoán hình ảnh phân đoạn thủ công bằng giải thuật Live-wire để tạo lập tập nhãn chuẩn (Ground Truth).

Quy trình phân tích và xử lý: Tác giả đề xuất quy trình phân đoạn bán tự động dạng lan truyền hai chiều (two-way propagation schema). Ban đầu, người dùng chọn và phân đoạn thủ công một số lát cắt đại diện (M lát cắt, chứa các lát cắt có cấu trúc hình học phức tạp) bằng công cụ Live-wire. Tập dữ liệu sẽ được chia thành 2M đoạn nhỏ. Kết quả đường biên từ lát cắt chuẩn được tự động sao chép sang các lát liền kề phía trên và phía dưới làm đường cong khởi tạo cho thuật toán Level Set lai ghép tiến hóa tự động. Quá trình sao chép và tiến hóa lặp lại liên tục cho đến khi hai đầu gặp nhau ở vị trí trung gian.

Lý do lựa chọn phương pháp: Sự kết hợp giữa tương tác can thiệp tối thiểu của chuyên gia ở các lát cắt khó và năng lực tối ưu hóa của hàm năng lượng Level Set lai ghép giúp kiểm soát triệt để hiện tượng tràn biên sang các cơ quan kế cận, đồng thời đẩy nhanh tiến độ xử lý ảnh CT lên gấp nhiều lần so với các giải thuật truyền thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đo đạc thực nghiệm trên 201 lát cắt CT ổ bụng đã chỉ ra 3 phát hiện khoa học quan trọng:

Thứ nhất, việc tối ưu hóa tỷ lệ trọng số giữa hai thành phần năng lượng vùng thông qua việc phân tích lát cắt có mức xám trung bình toàn ảnh nhỏ nhất đã loại bỏ hoàn toàn hiện tượng rò rỉ đường biên sang xương sườn và các tạng lân cận. Do xương sườn có độ sáng cao và tạo gradient mạnh ở cả hai phía bờ sườn, việc gán trọng số năng lượng vùng đóng vai trò chủ đạo giúp đường cong chỉ bám sát nhu mô gan mà không bị hút nhầm sang thành xương (vốn có biên độ gradient cao gấp 1,5 đến 2 lần so với bờ gan).

Thứ hai, mô hình lan truyền hai chiều từ các lát cắt chuẩn giúp giảm hơn 80% thời gian và thao tác can thiệp thủ công của kỹ thuật viên. Thay vì phải vẽ đường bao trên toàn bộ 52 lát cắt của một ca chụp, chuyên gia chỉ cần thao tác trên khoảng 4 đến 6 lát cắt mốc, hệ thống sẽ tự động phân đoạn chính xác toàn bộ các lát cắt còn lại với độ tin cậy tương đương.

Thứ ba, việc đánh giá định lượng theo hệ thống 5 tiêu chuẩn sai số quốc tế của cuộc thi MICCAI 2007 Grand Challenge (gồm: Lỗi thể tích chồng lấn VOE, Khác biệt thể tích tương đối RVD, Khoảng cách bề mặt trung bình đối xứng ASD, Sai số căn bậc hai trung bình RMSD và Khoảng cách bề mặt cực đại MSD) khẳng định tính ưu việt của phương pháp. Cụ thể, khi so sánh giữa việc chỉ sao chép đơn thuần đường biên từ lát liền kề với việc sao chép kết hợp tiến hóa Level Set, sai số thể tích tương đối RVD giảm rõ rệt từ mức 12% - 15% xuống chỉ còn dưới 5% - 7%, bảo đảm độ trùng khớp thể tích cao với tập nhãn chuẩn của bác sĩ.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp phương pháp đề xuất đạt hiệu năng vượt trội nằm ở cơ chế kết hợp đa lực trong hàm phương trình đạo hàm riêng. Trong ảnh CT ổ bụng, gan là một cơ quan có nhu mô tương đối đồng nhất nhưng lại nằm trong một nền không gian hoàn toàn không đồng nhất bao gồm cơ hoành, dịch ổ bụng, dạ dày và mỡ màng treo. Việc thiết lập năng lượng vùng Chan-Vese làm lực tiến hóa chủ đạo giúp đường bao mở rộng hoặc co hẹp đồng đều về phía biên thực của gan, trong khi thành phần đạo hàm cục bộ Geodesic hoạt động như một cơ chế phanh hãm chính xác tại các vị trí tiếp giáp có độ dốc mức xám cao.

Để đánh giá toàn diện, kết quả dữ liệu có thể được biểu diễn trực quan thông qua bảng đối sánh định lượng 5 tham số lỗi trên từng ca bệnh và biểu đồ cột so sánh sai số VOE, ASD giữa 3 mức độ phân giải độ dày lát cắt (2 mm, 3 mm và 5 mm). Sự thay đổi của hàm Signed Distance Function cũng được mô hình hóa bằng các biểu đồ phân bố 2D lát cắt và biểu đồ không gian 3D, minh chứng rõ nét cho thấy tại các lát cắt có khoảng cách mỏng (2 mm hoặc 3 mm), độ sai lệch bề mặt trung bình ASD đạt mức rất thấp dưới 1,2 mm.

So với các nghiên cứu sử dụng mô hình Snake cổ điển (thường bị mắc kẹt tại các cực tiểu cục bộ khi gặp nhiễu hạt) hoặc phương pháp tăng trưởng vùng Region Growing (dễ bị tràn sang tĩnh mạch chủ dưới và tim khi độ tương phản suy giảm), giải pháp lai ghép trong luận văn đã khắc phục triệt để các nhược điểm trên, chứng minh tính khả thi cao khi ứng dụng vào môi trường chẩn đoán thực tế.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, 4 nhóm giải pháp kỹ thuật và ứng dụng thực tiễn được đề xuất triển khai cụ thể:

Thứ nhất, tích hợp module thuật toán vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS/DICOM Viewer): Các kỹ sư phần mềm y tế và ban công nghệ thông tin bệnh viện cần phối hợp đóng gói giải thuật thành một tiện ích mở rộng trực tiếp trên phần mềm đọc ảnh CT chuyên dụng. Mục tiêu hướng đến là rút ngắn thời gian xử lý toàn diện một ca CT bụng từ 40 phút xuống dưới 8 phút (cắt giảm 80% thời gian thao tác), áp dụng thí điểm tại các khoa chẩn đoán hình ảnh trong lộ trình 6 đến 12 tháng.

Thứ hai, tối ưu hóa tốc độ tính toán bằng công nghệ xử lý song song trên GPU: Nhóm nghiên cứu khoa học máy tính cần chuyển đổi thuật toán giải phương trình vi phân tập mức trên dải hẹp Narrowband sang kiến trúc tính toán song song CUDA hoặc OpenCL. Mục tiêu đặt ra là nâng tốc độ phân đoạn đạt mốc 15 đến 20 khung hình/giây (đáp ứng thời gian thực), hoàn thiện trong vòng 3 đến 6 tháng để phục vụ các thao tác tương tác trực tiếp của bác sĩ.

Thứ ba, xây dựng ngân hàng dữ liệu CT bụng chuẩn hóa đa trung tâm: Đề xuất Bộ Y tế và các bệnh viện tuyến trung ương thiết lập cơ sở dữ liệu mở gồm tối thiểu 500 đến 1.000 bộ dữ liệu CT có gán nhãn đa bệnh lý (chụp trên các dòng máy từ 16 đến 128 lát cắt) trong giai đoạn 2026-2028. Đây sẽ là nền tảng quy chuẩn để kiểm định, đối chuẩn các giải pháp thị giác máy tính và hỗ trợ huấn luyện các mô hình học sâu trong tương lai.

Thứ tư, áp dụng quy trình tái tạo 3D thể tích gan phục vụ lập kế hoạch can thiệp ngoại khoa và xạ trị: Các trung tâm ung bướu và khoa ngoại gan mật cần đưa kết quả phân đoạn tự động vào quy trình dựng hình 3D mạch máu và khối u trước phẫu thuật. Giải pháp này nhằm hỗ trợ phẫu thuật viên cắt lọc chính xác tổn thương, bảo tồn trên 50% thể tích gan lành và nâng tỷ lệ an toàn trong các ca phẫu thuật gan phức tạp lên trên 95% trong vòng 12 tháng tới.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thực tiễn cho 4 nhóm đối tượng chuyên môn:

Bác sĩ chẩn đoán hình ảnh và phẫu thuật viên ngoại gan mật: Tài liệu cung cấp cơ sở phương pháp luận và công cụ trực quan để hỗ trợ đo đạc thể tích gan chính xác, định vị mối tương quan giữa khối u và các mạch máu lớn, giúp tiết kiệm hơn 70% thời gian xử lý hình ảnh cho mỗi ca phẫu thuật cắt gan hoặc nút mạch hóa chất TOCE.

Kỹ sư phát triển phần mềm y tế và AI Healthcare: Luận văn cung cấp giải thuật chi tiết, sơ đồ khối và hướng dẫn hiện thực hóa mô hình Level Set kết hợp Narrowband trên ảnh chuẩn y khoa DICOM, làm tài liệu tham khảo giá trị để phát triển các module xử lý ảnh thương mại cho các dòng máy CT scanner.

Nghiên cứu sinh, học viên cao học ngành Khoa học máy tính và Kỹ thuật y sinh: Đây là tài liệu học thuật tiếng Việt hệ thống hóa toàn diện về toán học giải phương trình Hamilton-Jacobi, phép rời rạc hóa Upwind Scheme và thuật toán tối ưu hóa năng lượng hình học trong phân đoạn ảnh y khoa.

Lãnh đạo bệnh viện và nhà quản lý cơ sở y tế: Cung cấp giải pháp công nghệ nội địa hóa giúp giảm chi phí mua sắm các gói phần mềm phân tích ảnh đắt đỏ (tiết kiệm hàng chục nghìn USD tiền bản quyền cho mỗi hệ thống máy CT), đồng thời tăng công suất phục vụ thêm 20 đến 30 bệnh nhân mỗi ngày tại khoa chẩn đoán hình ảnh.

Câu hỏi thường gặp

Tại sao phương pháp phân đoạn gan tự động hoàn toàn vẫn gặp nhiều hạn chế trong thực tế lâm sàng? Do hình thái giải phẫu của gan người rất phức tạp (thay đổi theo 5 dạng hình học khác nhau hoặc biến dạng sau phẫu thuật) và mức xám của mô gan trên ảnh CT gần như tương đồng với dạ dày, tim và cơ hoành. Các phương pháp tự động hoàn toàn thường dễ bị phân đoạn sai lệch hoặc tràn biên khi gặp bệnh nhân có bệnh lý nền phức tạp, đòi hỏi phải có sự can thiệp bán tự động của bác sĩ để đảm bảo độ tin cậy 100%.

Mô hình Level Set lai ghép trong nghiên cứu này có điểm gì vượt trội so với các phương pháp truyền thống? Mô hình kết hợp đồng thời năng lượng vùng Chan-Vese và năng lượng biên Geodesic, đồng thời xác định tỷ lệ trọng số tối ưu dựa trên lát cắt có độ sáng nhỏ nhất. Cơ chế này vừa tận dụng tính đồng nhất của mô gan để kéo đường cong về vị trí biên thực, vừa ngăn chặn 100% hiện tượng hút dính đường bao sang các cấu trúc có gradient cao như xương sườn.

Quy trình lan truyền đường biên giữa các lát cắt hoạt động như thế nào để tiết kiệm thời gian? Bác sĩ chỉ cần phân đoạn thủ công một số lát cắt mốc bằng giải thuật Live-wire. Thuật toán sẽ tự động sao chép đường biên này sang các lát liền kề phía trên và dưới làm đường cong ban đầu, sau đó kích hoạt Level Set tiến hóa tự động. Quy trình lặp lại liên tục giúp giảm trên 80% khối lượng thao tác khoanh vùng trên toàn bộ 201 ảnh CT.

Kỹ thuật Dải hẹp (Narrowband) đóng vai trò gì trong việc cải thiện hiệu năng thuật toán? Thay vì tính toán và cập nhật hàm khoảng cách có dấu trên toàn bộ không gian lưới ma trận 512x512 điểm ảnh, kỹ thuật Narrowband chỉ khoanh vùng theo dõi trong dải hẹp có độ rộng delta xung quanh tập mức 0. Điều này giúp cắt giảm đáng kể tài nguyên tính toán và tăng tốc độ xử lý của thuật toán lên gấp 3 đến 5 lần.

Độ chính xác của phương pháp được kiểm chứng dựa trên các thước đo tiêu chuẩn nào? Nghiên cứu áp dụng đầy đủ 5 chỉ số đo lường sai số quốc tế của cuộc thi MICCAI 2007 Grand Challenge gồm: Lỗi thể tích chồng lấn (VOE), Khác biệt thể tích tương đối (RVD), Khoảng cách bề mặt đối xứng trung bình (ASD), Sai số căn bậc hai trung bình (RMSD) và Khoảng cách bề mặt cực đại (MSD) trên 5 bộ dữ liệu CT thực tế từ Bệnh viện Quân y 175.

Kết luận

• Luận văn đã nghiên cứu và phát triển thành công phương pháp phân đoạn ảnh lá gan bán tự động trên ảnh CT ổ bụng dựa trên khung mô hình tập mức (Level Set) kết hợp đa thành phần năng lượng vùng và biên.
• Đề xuất phương pháp xác định tỷ lệ tham số trọng số tối ưu và sơ đồ lan truyền đường biên hai chiều từ các lát cắt mốc, giúp cắt giảm trên 80% thời gian và thao tác tương tác thủ công của nhân viên y tế.
• Nghiên cứu đã kiểm chứng toàn diện thuật toán trên 5 bộ dữ liệu CT thực tế (201 lát cắt DICOM) với các bệnh cảnh đa dạng tại Bệnh viện Quân y 175, đạt độ chính xác cao theo hệ thống 5 tiêu chuẩn sai số quốc tế MICCAI 2007.
• Hệ thống hóa cơ sở toán học và quy trình lập trình thực nghiệm phương pháp Level Set bằng tiếng Việt, tạo tiền đề vững chắc cho việc phát triển các thuật toán xử lý ảnh y tế chuyên sâu tại Việt Nam.
• Định hướng nghiên cứu tiếp theo tập trung vào việc song song hóa thuật toán trên nền tảng phần cứng GPU thời gian thực và xây dựng công cụ dựng hình 3D thể tích gan hoàn chỉnh phục vụ phẫu thuật nội soi và xạ trị định vị thân. Các cơ sở y tế và viện nghiên cứu quan tâm có thể tiếp cận ứng dụng giải pháp này nhằm tối ưu hóa quy trình chẩn đoán và điều trị bệnh lý gan mật.

Trích đoạn nội dung tài liệu

phần mở đầu, các hệ thống thường được sử dụng trong thực tế lâm sàng vẫn dựa phần lớn vào việc phân đoạn thủ công. Đó là công việc nhàm chán, tốn thời gian, khó thực hiện lại lần sau với kết quả giống hệt như lần trước (not reproducible). Đã có nhiều phương pháp phân đoạn gan được đề xuất, tự động cũng như bán tự động và mỗi năm đều chứng kiến số lượng gia tăng của các phương pháp mới xuất bản trong các hội thảo hay tạp chí. Nếu chỉ đơn thuần dựa trên phân ngưỡng (thresholding), việc phân đoạn gần như là không thể do độ sáng (intensity) và phương sai (variance) của mô trong gan rất gần với độ sáng của mô các cơ quan gần kề như tim, dạ dày hay lớp mỡ dưới xương sườn.

Hình 2 đưa ra một số phương pháp phân đoạn mà tác giả đã khảo sát. Dưới đây sẽ trình bày cụ thể giải thuật cũng như điểm mạnh điểm yếu của từng phương pháp khi áp dụng vào phân đoạn gan.1 Các phương pháp phân đoạn bán tự động Các phương pháp phân đoạn gan bán tự động cần một số thao tác của người sử dụng để thực hiện công việc. Các thao tác này có nhiều dạng, từ lựa chọn nhân, lựa chọn các điểm trên biên đến chỉnh sửa thủ công một vùng mặt nạ. Dưới đây là một số phương pháp được sử dụng nhiều trong thời gian gần đây.1 Phương pháp dựa trên đồ thị (graph based) Trong phương pháp này, ảnh được xem như đồ thị vô hướng có trọng số trong đó các điểm ảnh là các đỉnh, giữa hai điểm ảnh lân cận tồn tại một cạnh và trọng số đo mức độ tương tự giữa hai đỉnh.

Các giải thuật thông dụng của phương pháp này là Live-wire và Graph-cuts. Hình 3: Đồ thị xây dựng trên một ảnh 3×3 2.1 Giải thuật Live-wire Giải thuật này được đưa ra bởi Barrett & Mortensen, 1997 [3], còn được gọi là Intelligent Scissors, gồm các bước sau: 7 Bước 1: xây dựng trọng số 𝑙(𝑝, 𝑞) cho cạnh giữa hai đỉnh liền kề {p,q} trong đồ thị như sau: 𝑙 (𝑝, 𝑞) = 𝑍. 𝑓𝐷 (𝑝, 𝑞) Trong đó: 0 ≤ fZ(q) , fG(q) , fD(p,q) ≤ 1, với fZ(q) : thành phần Laplacian zero-crossing, xây dựng sao cho nếu có một đỉnh nằm trên vị trí zero-crossing thì thành phần fZ(q) bằng 0, ngược lại thì bằng 1 fG(q): thành phần biên độ của vector gradient, xây dựng sao cho gradient tại hai đỉnh liền kề {p,q} càng lớn thì trọng số fG(q)càng nhỏ fD(p,q): thành phần hướng của vector gradient, càng lớn nếu sự thay đổi đột ngột về góc của đường biên đi qua hai pixel càng lớn Z , G và D : trọng số của các thành phần trong hàm, đảm bảo Z + G + D =1. Các hệ số này được lựa chọn phù hợp với việc ứng dụng, chẳng hạn D thì đường biên càng trơn.

Bước 2: người sử dụng chọn 2 điểm trên đường biên, gọi là 2 điểm neo (anchor). Giải thuật Dijkstra được sử dụng để tìm đường đi ngắn nhất trên đồ thị giữa hai điểm neo liên tiếp. Đường đi ngắn nhất sẽ cho tổng các trọng số là nhỏ nhất hay tổng gradient lớn nhất, tức là gần với một đường biên trên ảnh giữa hai neo được chọn trên biên. Bước 3: Lặp lại bước 2 cho đến khi được đường biên hoàn chỉnh.

Nếu không ưng ý với một đường biên tìm được, xóa điểm neo đó đi và chọn lại điểm khác. Với giải thuật này, tất cả những gì người dùng làm là chọn các điểm neo trên đường biên, máy tính sẽ tự động làm những việc còn lại. Điểm yếu của giải thuật :  Độ phức tạp của giải thuật là O(|E| + |V|)log(|V|), có nghĩa là tỷ lệ với số đỉnh của đồ thị. Với đồ thị được xây dựng dựa trên ảnh, số đỉnh |V| là khá lớn làm cho giải thuật chạy tương đối chậm.

 Nếu chỉ sử dụng các điểm có giá trị khác 0 trong ảnh gradient để xây dựng đồ thị có thể giảm số đỉnh, làm tăng tốc độ của giải thuật, tuy nhiên sẽ không thể tìm được đường đi ngắn nhất giữa hai đỉnh nếu đồ thị không liên thông (tương ứng với việc đối tượng cần phân đoạn có đường biên mờ nên gradient tại đó gần như bằng 0)  Khi giữa hai điểm neo liên tiếp có khoảng cách lớn kết quả có thể không chính xác. Thay vì lựa chọn đường biên có độ dài lớn, giải thuật sẽ chọn một đường thẳng nối giữa hai điểm neo.  Nếu có hai đường biên kề nhau, một có gradient lớn, một có gradient nhỏ hơn thì giải thuật có thể chọn đường biên có gradient lớn. Điều này có nghĩa là nếu 8 bên cạnh đối tượng cần phân đoạn có một đối tượng khác rõ nét hơn, việc lựa chọn có thể sai.

Cụ thể với lá gan, đó là vị trí gan nằm gần kề các xương sườn.  Thao tác chọn điểm trên đường biên phụ thuộc vào kỹ năng của người sử dụng. Tuy có nhiều điểm yếu nhưng việc sử dụng giải thuật này để phân đoạn gan vẫn là một cách hỗ trợ hiệu quả cho các bác sỹ và kỹ thuật viên X-quang trong thực tế lâm sàng.2 Giải thuật Graph-cuts Hình 4: Phân hoạch từ min-cut Đưa ra bởi Boykov & Jolly, 2001 [5] , gồm các bước sau: Bước 1: Xây dựng đồ thị vô hướng có trọng số:  Có thêm đỉnh nguồn s (source) và đỉnh đích t (sink) nằm bên ngoài ảnh  Hai đỉnh này có cạnh tới mọi đỉnh khác của ảnh gọi là t-link; cạnh giữa các điểm ảnh lân cận gọi là n-link  Người sử dụng chọn các nhân (seeds) thuộc về đối tượng cần phân đoạn và các nhân thuộc về nền. Các điểm ảnh tương ứng với nhân thuộc về đối tượng có trọng số t-link tới s rất lớn; các điểm ảnh tương ứng với nhân thuộc về nền có trọng số t-link tới t rất lớn.

 Với các điểm ảnh không phải là nhân, trọng số trên t-link thể hiện đặc tính vùng có giá trị lớn khi gần với nhân , trọng số trên n-link thể hiện đặc tính biên có giá trị lớn khi hai điểm ảnh tương tự nhau. Bước 2: Giải thuật Ford-Fulkerson được dùng để tìm luồng cực đại (max flow – min cut) của đồ thị. Có thể tăng tốc bước này với việc thay thế bằng giải thuật Kolmogorov [5] dùng cho phương pháp Graph-cuts. Min-cut này xác định một phân hoạch: đối tượng là những điểm ảnh vẫn còn duy trì được t-link tới s còn nền là những điểm ảnh vẫn còn duy trì được t-link tới t.

Bước 3: Nếu kết quả không ưng ý, cần quay lại chọn thêm nhân và chạy lại giải thuật tìm min-cut. Có phương pháp để tính toán nhanh giải thuật này khi chạy lại. 9 Điểm yếu của giải thuật :  Là giải thuật tối ưu toàn cục nên kết quả phân đoạn có nhiều chi tiết khác, phải có thêm các thao tác để loại bỏ  Có xu hướng tạo ra đường biên nhỏ (shrinking bias) nên không phù hợp với việc phân đoạn các đối tượng nhỏ  Chạy chậm với giải thuật Ford-Fulkerson, tốn bộ nhớ với giải thuật Kolmogorov (24|V| + 14|E| byte bộ nhớ) Dù sao giải thuật này cũng kết hợp được cả ba yếu tố: đặc tính vùng, đặc tính biên của đồ thị và ràng buộc từ bên ngoài của người dùng. Các biến thể của giải thuật này là Geo-cuts [17], Normalized-cuts [37] và Grabcut [30] 2.2 Phương pháp dựa trên tập mức (level sets based) Hình 5: Biên của vùng thẫm màu bên trên tương ứng với tập mức {𝜙 = 0} của hàm 𝜙 bên dưới Việc phân đoạn ảnh bằng phương pháp level set được đưa ra bởi Malladi, 1995 [23].

Giải thuật bao gồm các bước sau: Bước 1: Tạo một đường cong kín ban đầu trên ảnh (một cách tự động hoặc do người dùng tương tác) Bước 2: Xây dựng 𝜙 là một hàm khoảng cách có dấu (signed distance funtion) dựa trên đường cong ban đầu. Đường cong ban đầu khi đó là tập mức 0 của hàm 𝜙 Bước 3: Tiến hóa mọi điểm trên hàm 𝜙 dưới tác dụng của hàm tốc độ. Hàm này được xây dựng dựa trên dữ liệu từ ảnh như gradient, độ sáng và các thông số hình học của bề mặt như độ cong v. Bước 4: Tính toán lại tập mức 0 tương ứng với đường cong mới sau khi tiến hóa.

Khởi tạo lại hàm 𝜙 về hàm khoảng cách có dấu dựa trên đường cong mới. 10 Bước 5: Lặp lại bước 3 cho đến khi đường cong mới ổn định. Điểm then chốt của phương pháp này nằm ở chỗ xây dựng hàm tốc độ sao cho đường cong cuối cùng nằm ổn định trên biên của đối tượng cần phân đoạn. Ưu điểm của phương pháp:  Quản lý tốt các trường hợp đường biên thay đổi topology, chẳng hạn một đường cong kín tách ra làm hai hoặc hai đường cong kín nhập lại thành một trong khi tiến hóa.

Đây cũng là điểm mạnh mà các phương pháp deformable khác như Snake [16] không làm được  Có khả năng phát hiện các đường biên phức tạp với độ chính xác cao  Dễ dàng mở rộng lên các chiều cao hơn 2.3 Phương pháp bán tự động dựa trên tăng trưởng vùng (region growing) Phương pháp này khai thác một thực tế là các pixel gần kề nhau thường có mức xám gần nhau. Giải thuật đơn giản như sau: Bước 1: Chọn nhân (seed) nằm bên trong đối tượng một cách thủ công Bước 2: Thêm vào nhân các pixel lân cận có sự khác biệt về độ sáng với nhân nhỏ hơn một ngưỡng nào đó Bước 3: Lặp lại bước 1 đến khi phân đoạn xong đối tượng Bước 4: Lấp các chỗ trống bên trong đối tượng được phân đoạn và xóa bỏ phần phân đoạn sai một cách thủ công Điểm yếu của giải thuật:  Phương pháp này có thể làm tràn từ gan sang cơ quan khác gần kề nếu cơ quan đó có độ sáng tương tự và đường biên yếu ngăn cách hai cơ quan, đòi hỏi thêm các chỉnh sửa thủ công để loại bỏ.  Mức độ tương tác của phương pháp cao trong khi kết quả có độ chính xác thấp 2.4 Phương pháp so trùng Atlas (atlas matching) Giải thuật nói chung như sau: Bước 1: Phân đoạn thủ công với số lượng lớn các ảnh Bước 2: Đăng ký (register) ảnh vào bản đồ mẫu (atlas template) và kết quả phân đoạn tương ứng vào bản đồ nhãn (atlas labels) thông qua các biến đổi (rigid,affine…) Bước 3: Đăng ký ảnh cần phân đoạn với cùng kỹ thuật biến đổi, tìm mẫu giống nhất trong bản đồ mẫu. Nhãn tương ứng với mẫu đó trong bản đồ nhãn là kết quả phân đoạn.