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

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.

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.