Luận văn thạc sĩ khoa học máy tính phương pháp phân tích các bất thường trên ảnh chụp mri não người

Luận văn thạc sĩ khoa học máy tính tập trung phân tích bất thường trên ảnh MRI não người, ứng dụng công nghệ hiện đại trong chẩn đoán y khoa.

• Tác giả: Lê Ngọc Dương Thanh
• Người hướng dẫn: TS. Lương Thế Nhân
• Trường học: Đại học Bách Khoa, Đại học Quốc gia TP. HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phương pháp phân tích các bất thường trên ảnh chụp MRI não người
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• 1. CHƯƠNG I: GIỚI THIỆU
• 1.1. Mục tiêu, giới hạn và đối tượng nghiên cứu
• 1.1.1. Mục tiêu
• 1.1.2. Giới hạn
• 1.1.3. Đối tượng nghiên cứu
• 2. CHƯƠNG II: CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Ảnh chụp cộng hưởng từ (MRI)
• 2.2. Rừng ngẫu nhiên (Random Forests)
• 2.3. Các công trình nghiên cứu liên quan
• 2.3.1. Phương pháp K-means
• 2.3.2. Phương pháp Fuzzy C-means
• 2.3.3. Phương pháp Support Vector Machine
• 2.3.4. Phương pháp lai
• 2.3.5. Phương pháp Random Forests
• 3. CHƯƠNG III: PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN
• 3.1. Các vấn đề gặp phải
• 3.2. Phương pháp đề xuất
• 3.3. Phần giao diện
• 4. CHƯƠNG IV: PHÂN TÍCH VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Thí nghiệm triển khai
• 4.2. Đánh giá
• 5. CHƯƠNG V: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Phương pháp phân tích bất thường trên ảnh MRI não

Phương pháp phân tích bất thường trên ảnh MRI não là một hướng nghiên cứu quan trọng trong luận văn thạc sĩ khoa học máy tính. Nghiên cứu này tập trung vào việc phát triển các phương pháp phân tích tự động để xác định và phân đoạn các bất thường như khối u trên hình ảnh y tế. Kỹ thuật MRI được sử dụng rộng rãi trong chẩn đoán hình ảnh do khả năng tạo ra hình ảnh chi tiết và đa dạng. Tuy nhiên, việc phân tích thủ công dữ liệu MRI là một thách thức lớn do khối lượng dữ liệu khổng lồ. Do đó, các phương pháp phân tích tự động và bán tự động đã được đề xuất để hỗ trợ quá trình này.

1.1. Cơ sở lý thuyết về ảnh MRI

Ảnh MRI não là kết quả của kỹ thuật chụp cộng hưởng từ, sử dụng từ trường và sóng radio để tạo hình ảnh chi tiết của não. Các kênh MRI khác nhau như T1, T2, và T2-FLAIR cung cấp thông tin đa dạng về cấu trúc và bệnh lý não. Ví dụ, kênh T1 giúp phân biệt mô lành và mô bệnh, trong khi kênh T2-FLAIR hỗ trợ phát hiện vùng phù nề. Kỹ thuật MRI không chỉ giúp chẩn đoán hình ảnh mà còn hỗ trợ theo dõi sự phát triển của khối u và lên kế hoạch điều trị.

1.2. Phương pháp phân tích tự động

Các phương pháp phân tích tự động như rừng ngẫu nhiên (Random Forests) đã được áp dụng để phân đoạn khối u trên ảnh MRI não. Rừng ngẫu nhiên là một phương pháp học máy hiệu quả, sử dụng nhiều cây quyết định để giảm thiểu sai số và tăng độ chính xác. Tuy nhiên, các phương pháp hiện tại thường bỏ qua thông tin về vị trí tương đối của các thành phần khối u, dẫn đến kết quả phân đoạn chưa tối ưu. Nghiên cứu này đề xuất các đặc trưng mới liên quan đến tọa độ và ma trận đồng xuất hiện để cải thiện độ chính xác.

II. Ứng dụng và đánh giá phương pháp

Nghiên cứu đã hiện thực hóa phương pháp phân tích đề xuất và tiến hành các thí nghiệm để đánh giá hiệu quả. Kết quả cho thấy phương pháp mới đạt độ chính xác cao hơn đáng kể so với các phương pháp truyền thống. Ngoài ra, một công cụ trực quan đã được phát triển để hỗ trợ quá trình phân đoạn và hiển thị kết quả. Công cụ này không chỉ giúp chẩn đoán hình ảnh mà còn hỗ trợ các bác sĩ trong việc theo dõi và điều trị bệnh lý não.

2.1. Thí nghiệm và kết quả

Các thí nghiệm được thực hiện trên bộ dữ liệu ảnh MRI não với các khối u được chẩn đoán trước. Phương pháp phân tích đề xuất đã được so sánh với các phương pháp hiện có như K-means và SVM. Kết quả cho thấy phương pháp mới đạt độ chính xác cao hơn, đặc biệt trong việc phân đoạn các thành phần khối u. Điều này chứng tỏ hiệu quả của việc tích hợp thông tin tọa độ và ma trận đồng xuất hiện vào quá trình phân tích.

2.2. Công cụ trực quan

Một công cụ trực quan đã được phát triển để hỗ trợ quá trình phân đoạn khối u trên ảnh MRI não. Công cụ này cho phép người dùng tải lên ảnh MRI, thực hiện phân đoạn tự động và hiển thị kết quả một cách trực quan. Công cụ không chỉ giúp chẩn đoán hình ảnh mà còn hỗ trợ các bác sĩ trong việc theo dõi sự phát triển của khối u và lên kế hoạch điều trị. Đây là một ứng dụng thực tế quan trọng của nghiên cứu khoa học trong lĩnh vực y tế.

III. Giá trị và ứng dụng thực tiễn

Nghiên cứu này không chỉ đóng góp vào lĩnh vực khoa học máy tính mà còn có giá trị thực tiễn cao trong y học. Phương pháp phân tích đề xuất giúp cải thiện độ chính xác trong chẩn đoán hình ảnh, đặc biệt là trong việc phát hiện và phân đoạn khối u não. Công cụ trực quan được phát triển từ nghiên cứu này có thể được ứng dụng rộng rãi trong các bệnh viện và trung tâm y tế, hỗ trợ các bác sĩ trong việc chẩn đoán và điều trị bệnh lý não.

3.1. Đóng góp khoa học

Nghiên cứu đã đề xuất các đặc trưng mới trong phương pháp phân tích khối u trên ảnh MRI não, giúp cải thiện độ chính xác của quá trình phân đoạn. Đây là một đóng góp quan trọng trong lĩnh vực nghiên cứu khoa học, đặc biệt là trong việc ứng dụng khoa học máy tính vào y học. Các kết quả nghiên cứu cũng mở ra hướng phát triển mới cho các phương pháp phân tích hình ảnh y tế trong tương lai.

3.2. Ứng dụng thực tiễn

Công cụ trực quan được phát triển từ nghiên cứu này có thể được ứng dụng rộng rãi trong các bệnh viện và trung tâm y tế. Nó không chỉ hỗ trợ chẩn đoán hình ảnh mà còn giúp các bác sĩ theo dõi sự phát triển của khối u và lên kế hoạch điều trị. Điều này góp phần nâng cao hiệu quả điều trị và giảm thiểu thời gian chẩn đoán, mang lại lợi ích thiết thực cho bệnh nhân và ngành y tế.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê của Tổ chức Y tế Thế giới, các khối u hệ thần kinh trung ương tuy chỉ chiếm khoảng 2% tổng số các ca ung thư trên toàn cầu nhưng lại nằm trong nhóm bệnh lý có tỷ lệ tử vong cao hàng đầu. Đáng chú ý, có khoảng 33,3% trong tổng số các ca u não được phân loại là u ác tính ở cấp độ III và cấp độ IV, đe dọa trực tiếp đến tính mạng bệnh nhân nếu không được can thiệp kịp thời. Kỹ thuật chụp cộng hưởng từ (MRI) đa kênh là tiêu chuẩn vàng trong chẩn đoán lâm sàng nhờ khả năng hiển thị tương phản vượt trội giữa các cấu trúc mô mềm. Tuy nhiên, việc phân đoạn thủ công từng lát cắt thể tích 3D tiêu tốn từ 30 đến 60 phút mỗi ca chụp, đồng thời phụ thuộc lớn vào kinh nghiệm chủ quan của bác sĩ chẩn đoán hình ảnh.

Luận văn tập trung giải quyết bài toán tự động hóa hoàn toàn quy trình phân đoạn và bóc tách các thành phần bất thường trên ảnh MRI não người. Mục tiêu then chốt của nghiên cứu là xây dựng mô hình phân lớp thông minh có khả năng nhận diện chính xác toàn bộ khối u cũng như bóc tách 4 cấu trúc vi mô phức tạp: nhân hoại tử, phần u mở rộng, phần u không mở rộng và vùng phù nề. Đề tài được triển khai thực nghiệm toàn diện trong giai đoạn từ tháng 1 năm 2016 đến tháng 12 năm 2016 tại Trường Đại học Bách Khoa - Đại học Quốc gia TP.HCM, sử dụng bộ dữ liệu chuẩn quốc tế gồm 160 ca chụp MRI thể tích não bộ. Kết quả nghiên cứu mang lại giá trị khoa học và ứng dụng vượt bậc khi nâng hệ số tương đồng không gian DICE lên mức 85,1% cho toàn bộ khối u và 73,0% cho vùng khối u mở rộng, hỗ trợ đắc lực cho công tác lập kế hoạch phẫu thuật thần kinh và xạ trị chuẩn xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết học máy có giám sát với thuật toán Rừng ngẫu nhiên (Random Forests), kết hợp mô hình tối ưu hóa năng lượng trường ngẫu nhiên Markov (Markov Random Fields) và kỹ thuật Cắt đồ thị (Graph-Cut). Thuật toán Rừng ngẫu nhiên sử dụng tập hợp 64 cây quyết định được huấn luyện độc lập và song song, giúp cân bằng phương sai và giảm thiểu hiện tượng quá khớp (overfitting) trên tập dữ liệu đa chiều.

Các khái niệm cốt lõi được áp dụng trong luận văn bao gồm: chuỗi xung cộng hưởng từ đa kênh (T1, T1-gad, T2, T2-FLAIR), đơn vị thể tích ảnh (voxel 3D), phân đoạn ngữ nghĩa ảnh y tế, và hệ số tương đồng DICE. Nhằm khắc phục nhược điểm thiếu thông tin tương quan không gian của các mô hình truyền thống, đề tài tích hợp lý thuyết kết cấu thông qua ma trận đồng xuất hiện mức xám (Gray-Level Co-occurrence Matrix - GLCM). Ma trận này được thiết lập trong không gian 3D trên cửa sổ lân cận kích thước 21x21x21 voxel với 13 hướng không gian độc lập, lượng hóa ảnh về 64 mức xám phi tuyến tính theo hàm logarit tự nhiên. Từ đó, 4 chỉ số kết cấu then chốt gồm độ tương phản (Contrast), năng lượng (Energy), độ đồng chất (Homogeneity) và độ tương quan (Correlation) được trích xuất nhằm mô tả chính xác ranh giới mô bệnh lý.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ cơ sở dữ liệu chuẩn hóa của cuộc thi phân đoạn khối u não MICCAI BRATS. Cỡ mẫu nghiên cứu gồm 160 tập ảnh chụp 3D MRI đa kênh của bệnh nhân u não, đã được các chuyên gia y tế đầu ngành chú giải và gán nhãn thủ công (ground truth). Phương pháp chọn mẫu áp dụng cơ chế phân chia ngẫu nhiên độc lập 50-50, bao gồm 80 mẫu thể tích dùng cho quá trình huấn luyện mô hình và 80 mẫu hoàn toàn tách biệt dùng cho quá trình kiểm thử đánh giá.

Phương pháp phân tích được thực hiện theo quy trình 2 giai đoạn bằng ngôn ngữ Python với thư viện scikit-learn. Giai đoạn 1 sử dụng 18 đặc trưng cơ bản (cường độ sáng 4 kênh, bộ lọc Gaussian, Sobel, Laplacian, thống kê cục bộ 5x5x5 và 3 tọa độ không gian tương đối so với điểm sáng cực đại) kết hợp ngưỡng xác suất 0,6 để tách toàn bộ khối u. Giai đoạn 2 sử dụng 70 đặc trưng (bổ sung 52 đặc trưng từ ma trận đồng xuất hiện) để phân loại 4 thành phần u chi tiết. Toàn bộ thuật toán được thực thi trên hạ tầng máy chủ điện toán đám mây Amazon AWS cấu hình 4 nhân CPU, 32GB RAM và 30GB bộ nhớ trong thời gian 12 tháng. Việc lựa chọn Random Forests kết hợp Graph-Cut mở rộng giúp bảo đảm tính liên tục của đường biên mô học và tối ưu hóa độ chính xác toàn cục.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên 80 tập dữ liệu ảnh 3D MRI độc lập đã đem lại 4 phát hiện khoa học quan trọng:

• Phát hiện 1 (Phân đoạn toàn bộ khối u): Mô hình đề xuất kết hợp tọa độ tương đối và ma trận đồng xuất hiện đạt hệ số DICE 85,1%, cải thiện 3,1% so với phương pháp tham chiếu nền tảng của Chawla năm 2015 (đạt 82,0%). Riêng phương pháp tích hợp tọa độ đơn lẻ đạt 84,0% và phương pháp chỉ dùng ma trận đồng xuất hiện đạt 84,7%.
• Phát hiện 2 (Bóc tách nhân khối u hoại tử): Độ chính xác phân đoạn vùng nhân hoại tử đạt chỉ số DICE 70,0%, tăng trưởng 3,0% so với mức 67,0% của mô hình cơ sở. Các đặc trưng kết cấu GLCM đóng vai trò quyết định trong việc nhận diện vùng hoại tử trung tâm.
• Phát hiện 3 (Nhận diện phần khối u mở rộng): Kết quả phân vùng cấu trúc u mở rộng đạt chỉ số DICE 73,0%, vượt trội 5,0% so với phương pháp gốc (đạt 68,0%) và tăng 3,0% so với mô hình chỉ sử dụng đặc trưng tọa độ (đạt 70,0%).
• Phát hiện 4 (Hiệu quả thời gian tính toán): Thời gian thực thi mô hình chỉ dùng tọa độ là 0,8 giờ, trong khi mô hình kết hợp đầy đủ đòi hỏi 3,8 giờ trên cùng cấu hình máy chủ. Việc chỉ kích hoạt 52 đặc trưng GLCM ở bước 2 đã tiết kiệm hơn 75% tổng thời gian tính toán so với việc áp dụng trên toàn bộ thể tích sọ não.

Thảo luận kết quả

Sự gia tăng vượt trội về độ chính xác phân đoạn bắt nguồn từ việc mô hình hóa thành công cấu trúc giải phẫu học của khối u não. Trong tự nhiên, khối u não thường có xu hướng phân tầng hình thái từ trong ra ngoài: nhân hoại tử ở trung tâm, tiếp đến là phần khối u mở rộng, phần u không mở rộng và ngoài cùng là vùng phù nề. Việc bổ sung 3 tọa độ không gian tương đối so với điểm có cường độ sáng cực đại đã cung cấp thông tin định vị khoảng cách hình học, giúp thuật toán phân biệt chính xác lõi u và vỏ u. Đồng thời, 52 đặc trưng ma trận đồng xuất hiện GLCM 3D giúp nắm bắt chi tiết sự biến thiên kết cấu cục bộ giữa các voxel lân cận, loại bỏ hiện tượng phân lớp nhầm lẫn giữa vùng phù nề và dịch não tủy.

Dữ liệu thực nghiệm của nghiên cứu được hệ thống hóa rõ ràng thông qua bảng đối chiếu đa tiêu chí và biểu đồ cột so sánh tương quan giữa 4 cấu hình thuật toán. Đồ thị cho thấy rõ xu hướng tăng trưởng tuyến tính của hệ số DICE trên cả 3 cấu trúc vùng (toàn bộ khối u, nhân u và u mở rộng) khi lần lượt tích hợp các lớp đặc trưng mới. So với các giải pháp truyền thống như Support Vector Machine (thường nhạy cảm với dữ liệu mất cân bằng) hay Fuzzy C-Means (dễ bị nhiễu biên), việc kết hợp Random Forests với bước hậu xử lý lọc hình thái 3D (phần tử cầu kích thước 13x13x13 voxel, loại bỏ khối liên thông dưới 3000 điểm) và thuật toán Graph-Cut đã triệt tiêu hoàn toàn các đốm nhiễu ngẫu nhiên, tạo ra đường biên u mềm mại và có độ tin cậy y khoa cao.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 nhóm giải pháp kỹ thuật và ứng dụng thực tiễn mang tính khả thi cao:

• Tối ưu hóa thuật toán trích xuất đặc trưng bằng tính toán song song: Bộ phận R&D tại các viện nghiên cứu công nghệ y tế cần triển khai tái cấu trúc mã nguồn tính toán ma trận đồng xuất hiện GLCM 13 hướng trên nền tảng xử lý đồ họa GPU thông qua CUDA. Mục tiêu cụ thể là rút ngắn thời gian xử lý toàn bộ ca chụp từ 3,8 giờ xuống dưới 0,5 giờ trong lộ trình 6 tháng tới.
• Tích hợp kiến trúc học sâu đa tầng: Đội ngũ kỹ sư khoa học dữ liệu nên nghiên cứu kết hợp mô hình phân tầng Random Forests hiện tại với mạng nơ-ron tích chập 3D U-Net trong giai đoạn 12 tháng tiếp theo. Đích ngắm là nâng cao chỉ số DICE của vùng nhân hoại tử từ mức 70,0% hiện tại lên vượt ngưỡng 78,0%.
• Hoàn thiện và chuẩn hóa phần mềm giao diện tương tác lâm sàng: Nhóm phát triển phần mềm y tế cần tích hợp sâu module phân đoạn tự động vào hệ thống ITK-SNAP thông qua giao thức truyền thông mạng máy chủ - máy trạm. Thời gian phản hồi xử lý ảnh cần được tối ưu dưới 15 giây mỗi ca bệnh nhằm đáp ứng trực tiếp nhu cầu hội chẩn của bác sĩ trong vòng 9 tháng.
• Triển khai thử nghiệm lâm sàng đa trung tâm: Các bệnh viện chuyên khoa ngoại thần kinh và ung bướu cần phối hợp thực hiện thử nghiệm diện rộng trên cỡ mẫu tối thiểu 500 ca bệnh mới trong vòng 18 tháng. Hoạt động này nhằm chuẩn hóa ngưỡng xác suất phân lớp 0,6 trên nhiều dòng máy quét MRI khác nhau như 1.5 Tesla và 3.0 Tesla.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thực tiễn và học thuật chuyên sâu cho 4 nhóm đối tượng chính:

• Bác sĩ Chẩn đoán hình ảnh và Phẫu thuật thần kinh: Cung cấp cơ chế phân tích tự động 4 vùng mô bệnh lý trên các chuỗi xung MRI đa kênh, giúp bác sĩ tiết kiệm khoảng 70% thời gian đo đạc thủ công và nâng cao độ an toàn khi xác định ranh giới bóc tách khối u.
• Học viên cao học và Nghiên cứu sinh ngành Khoa học máy tính, Trí tuệ nhân tạo: Cung cấp tài liệu tham khảo chi tiết về kỹ thuật trích xuất véc-tơ đặc trưng 70 chiều, phương pháp kết hợp thuật toán phân loại Rừng ngẫu nhiên với tối ưu hóa năng lượng trường ngẫu nhiên Markov (MRF/Graph-Cut) trên dữ liệu ảnh 3D.
• Kỹ sư phát triển phần mềm y tế và Công nghệ y tế (HealthTech): Tham khảo kiến trúc tích hợp hệ thống giữa thư viện mã nguồn mở ITK/ITK-SNAP với máy chủ điện toán đám mây Amazon AWS, phục vụ thiết kế các hệ thống lưu trữ và truyền hình ảnh y tế (PACS) thế hệ mới.
• Nhà quản lý bệnh viện và Chuyên gia chuyển đổi số y tế: Cung cấp luận cứ kỹ thuật và kinh tế để đánh giá hiệu quả đầu tư trang thiết bị máy chủ xử lý phân tích hình ảnh (tiêu chuẩn 4 nhân CPU, 32GB RAM trở lên), thúc đẩy tiến trình số hóa bệnh viện thông minh.

Câu hỏi thường gặp

• Tại sao nghiên cứu lại chọn thuật toán Rừng ngẫu nhiên thay vì mô hình SVM hay K-means?
  Thuật toán Rừng ngẫu nhiên với 64 cây quyết định sở hữu khả năng xử lý xuất sắc tập dữ liệu đa chiều gồm 70 đặc trưng và chống nhiễu vượt trội. Trong khi K-means có độ chính xác thấp và SVM tốn nhiều tài nguyên khi phân loại đa lớp, Rừng ngẫu nhiên cho phép tính toán xác suất phân lớp tin cậy và hỗ trợ xử lý song song hiệu quả.

• Đặc trưng ma trận đồng xuất hiện (GLCM) đóng góp cụ thể như thế nào vào kết quả phân đoạn?
  GLCM lượng hóa kết cấu không gian 3D qua 13 hướng xung quanh mỗi voxel trong vùng lân cận 21x21x21 điểm ảnh. Nhờ 52 đặc trưng kết cấu bổ sung này, hệ số DICE của vùng u mở rộng đã tăng mạnh 5,0% (từ 68,0% lên 73,0%), giúp phân định ranh giới phức tạp giữa mô u sống và mô lành.

• Làm thế nào để mô hình kiểm soát được thời gian tính toán khi xử lý dữ liệu thể tích 3D lớn?
  Nghiên cứu áp dụng quy trình phân đoạn 2 giai đoạn thông minh. Giai đoạn 1 chỉ sử dụng 18 đặc trưng cơ bản với thời gian xử lý 0,8 giờ để định vị khối u. Giai đoạn 2 mới tính toán 52 đặc trưng GLCM trên vùng voxel thuộc khối u, giúp tiết kiệm hơn 75% khối lượng tính toán so với cách làm thông thường.

• Vai trò của phương pháp hậu xử lý Markov Random Fields và Graph-Cut là gì?
  Các thuật toán học máy điểm ảnh độc lập thường tạo ra các voxel nhiễu rời rạc. Kỹ thuật Markov Random Fields kết hợp thuật toán Graph-Cut tối ưu hóa hàm năng lượng không gian, tự động loại bỏ các khối vụn dưới 3000 voxel và làm trơn đường bao ranh giới u một cách tự nhiên.

• Công cụ trực quan hóa tích hợp ITK-SNAP hoạt động theo cơ chế nào?
  Công cụ được xây dựng dưới dạng module mở rộng kết nối trực tiếp với giao diện ITK-SNAP qua địa chỉ IP máy chủ. Người dùng chỉ cần tải dữ liệu MRI 3D, nhấn lệnh phân đoạn để hệ thống gửi dữ liệu lên máy chủ xử lý và nhận về kết quả hiển thị 4 màu sắc trực quan theo từng phân vùng u.

Kết luận

• Luận văn đã xây dựng thành công quy trình tự động hóa hoàn toàn 2 giai đoạn phân đoạn khối u não trên ảnh 3D MRI bằng thuật toán Rừng ngẫu nhiên 64 cây quyết định.
• Đề xuất đột phá hai nhóm đặc trưng mới gồm tọa độ không gian tương đối và 52 chỉ số kết cấu ma trận đồng xuất hiện GLCM 3D trên 13 hướng không gian.
• Nâng cao vượt bậc độ chính xác phân vùng với hệ số tương đồng DICE đạt 85,1% cho toàn bộ khối u (tăng 3,1%) và 73,0% cho vùng khối u mở rộng (tăng 5,0%).
• Hiện thực hóa hoàn chỉnh công cụ phần mềm trực quan trên nền tảng ITK-SNAP kết nối điện toán đám mây, phục vụ đắc lực cho công tác chẩn đoán hình ảnh.
• Thiết lập nền tảng khoa học vững chắc để phát triển các hệ thống trợ lý AI y tế thế hệ mới kết hợp mô hình học sâu và tính toán song song GPU trong lộ trình 12 đến 18 tháng tới. Quý độc giả, các nhà nghiên cứu và kỹ sư y tế quan tâm có thể khai thác trực tiếp khung phương pháp luận của luận văn để mở rộng nghiên cứu sang các dạng bệnh lý tổn thương thần kinh phức tạp khác.

Trích đoạn nội dung tài liệu

DAI HOC QUOC GIA TP. HCM TRUONG DAI HOC BACH KHOA LÊ NGỌC DƯƠNG THANH PHƯƠNG PHÁP PHÂN TÍCH CÁC BÁT THƯỜNG TRÊN ẢNH CHỤP MRI NÃO NGƯỜI Ngành: Khoa Học Máy Tính Mã số: 60.01 LUẬN VĂN THẠC SĨ TP. HÒ CHÍ MINH, tháng 12 năm 2016 DAI HOC QUOC GIA TP. HCM TRUONG DAI HOC BACH KHOA LÊ NGỌC DƯƠNG THANH PHƯƠNG PHÁP PHÂN TÍCH CÁC BÁT THƯỜNG TRÊN ẢNH CHỤP MRI NÃO NGƯỜI Ngành: Khoa Học Máy Tính Mã số: 60.01 LUẬN VĂN THẠC SĨ TP.

HÒ CHÍ MINH, tháng 12 năm 2016 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HOC BÁCH KHOA - ĐHQG - HCM Cán bộ hướng dẫn khoa học : TS. Lương Thế Nhân - TS. Lê Thành Sách Cán bộ chấm nhận xét 1 : PGS. Trần Minh Triết Cán bộ chấm nhận xét 2 : TS.

Nguyễn Văn Sinh Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM ngày 28 tháng 12 năm 2016 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1. Nguyễn Đức Dũng 3. Trần Minh Triết 4.

Nguyễn Đức Cường Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI ĐÒNG TRƯỞNG KHOA KH&KTMT PGS. Phạm Trần Vũ ĐẠI HỌC QUỐC GIA TP.HCM CONG HÒA XA HỌI CHỦ NGHĨA VIỆT NAM TRUONG ĐẠI HỌC BACH KHOA Độc lập - Tự do - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: LÊ NGỌC DƯƠNG THANH MSHV : 13070261 Ngày, tháng, năm sinh: 26/10/1984 Nơi sinh: Quảng Ngãi Chuyên ngành: Khoa học máy tính Mã số : 60. TÊN ĐÈ TÀI: Phương pháp phân tích các bất thường trên ảnh chụp MRI não người.

NHIỆM VỤ VÀ NỘI DUNG: - _ Nghiên cứu những phương pháp phân tích các bắt thường trên ảnh chụp MRI nao người. - _ Đề xuất những cải tiến dé cho ra phương pháp có hiệu quả tốt hơn. - _ Hiện thực và thí nghiệm để đánh giá hiệu quả của phương pháp đề xuất. NGAY GIAO NHIEM VU: 11/01/2016 IV.

NGÀY HOÀN THÀNH NHIỆM VỤ: 04/12/2016 v. CAN BO HUONG DAN : TS. Lương Thế Nhân — TS. Lê Thành Sách Tp.

CAN BO HUONG DAN TRUONG KHOA KH & KTMT LUẬN VĂN CAO HỌC LỜI CẢM ƠN cae Tôi xin gởi lời cảm ơn chân thành và sâu sắc đến các thầy TS. Lương Thế Nhân và TS. Lê Thành Sách đã tận tình hướng dẫn, giúp tôi định hướng từ cách đặt bài toán, phương pháp nghiên cứu khoa học cho đến những công việc cụ thê để hoàn thành luận văn này. Xin chân thành cảm ơn tất cả quý Thầy Cô trong khoa Khoa Học Máy Tính đã tận tình giảng dạy và truyền đạt kiến thức cho tôi trong suốt quá trình học tập.

Tôi cũng xin cảm ơn gia đình, bạn bè đã động viên và tạo mọi điều kiện tốt nhất để tôi có thê hoàn thành luận văn này. LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC TÓM TẮT LUẬN VAN Hiện nay, bệnh khối u ở não người mặc dù không phải là căn bệnh quá phô biến, tuy nhiên nó là một trong những căn bệnh ung thư nguy hiểm nhất, có tỉ lệ tử vong cao. Một kỹ thuật tiêu chuẩn cho việc chấn đoán khối u não là ảnh chụp cộng hưởng từ (MRI). Do sé lượng lớn của dữ liệu, việc chân đoán và phân đoạn khối u một cách thủ công là việc khó có thê thực hiện trong khoảng thời gian thích hợp cho phép.

Hiện nay, rất nhiều phương pháp phân tích tự động hoặc bán tự động đã được nghiên cứu để hỗ trợ cho việc chân đoán. Một phương pháp tự động hiệu quả cho việc phân đoạn khối u là rừng ngẫu nhiên. Tuy nhiên, phương pháp hiện tại sử dụng các đặc trưng không bao gồm thông tin về vị trí tương đối của các thành phần khối u với nhau. Điều đó khiến cho kết quả phân đoạn các thành phần trong khối u chưa được tốt.

Đề tài này đề xuất các đặc trưng mới liên quan đến thông tin tọa độ của các điểm, bao gồm tọa độ tương đối so với điểm có mức sáng lớn nhất và các đặc trưng liên quan đến ma trận đồng xuất hiện. Phương pháp đề xuất đã được hiện thực và chạy thí nghiệm để đánh giá độ chính xác. Kết quả thí nghiệm cho thấy phương pháp đề xuất đạt được độ chính xác cao hơn dang ké so với phương pháp cũ. Ngoài ra, đề tài cũng đã xây dựng một công cụ trực quan, cho phép phân đoạn các ảnh đầu vào cũng như hiển thị kết quả phân đoạn của từng thành phần trong khối u.

LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC ABSTRACT Nowadays, brain tumors are not very common, however they are among the most fatal cancers. The standard technique for brain tumor diagnosis is magnetic resonance imaging (MRI). Due to the large amount of data, that is currently being generated in the clinics, it is not possible to manually annotate and segment the data in a reasonable time. Image analysis deals with automatic or semi-automatic methods to help interpret the acquired images.

An automatic efficient method for tumor segmentation is random forests. However, the current method uses features which do not include the information of relative coordinates of tumor components. Therefore, the segmentation result of tumor components is not high. This research proposes new features which relate to coordinates of voxels, include relative coordinates of voxels to the max intensity voxel and co-occurrence matrix features.

The proposed method is implemented and run some experiments to evaluate the result. The experiments show that the proposed method has the higher accuracy than the old method. Moreover, the research also builds a tool to visualize the tumor segmentation process and display the segmentation result. LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC LỜI CAM ĐOAN Tôi cam đoan rằng, ngoại trừ các kết quả tham khảo từ các công trình khác như đã ghi rõ trong luận văn, các công việc trình bày trong luận văn này là do chính tôi thực hiện và chưa có phần nội dung nào của luận văn này được nộp để lấy một bằng cấp ở trường này hoặc trường khác.

Ngày 04 tháng 12 năm 2016 Lê Ngọc Dương Thanh LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC MỤC LỤC 0:0/9)1658/19)1619)0/90757. Mục tiêu, giới hạn và đối tượng nghiên CUU. Đối tượng nghiên cứu CHƯƠNG II. CÁC CÔNG TRÌNH LIÊN QUAN.---<-cscs<cssecessevsseerssere 4 II.

Ảnh chup cOng hurong tit (MRI). Rừng ngẫu nhiên (Random Forests). Các cong trinh nghién ctu én Quan. ee eeeeceeeseeseeeeeecseeeeeeseeeeeeeneeseeeeeecneeeeeees 8 J No j2 )0G,.

Phương pháp FZZÿ C-HH€(HAS. Phương pháp Support Vector MAChÏT\©. Phương pháp) ÍẠÌ. sá- xxx th HT HH TH nh Hàn ngư 15 112.

Phương pháp RandOI FÍOFF€SfS. + tk k*tE*EsEEeExErsteseeerrerrereererre 18 CHƯƠNG III. PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN. Các vấn đề gặp phải.01 xe 25 IIĐNe oi ".

Phân giao diện. PHAN TÍCH VÀ ĐÁNH GIÁ KÉT QUẢ. Thí nghiệm triển khiai.- 2: 22¿©+<+SEE2EEE2EEECEEEE2EEE271127212711711211. Đánh gia coccccccssesesssssssesssssssesssssssesssssssescessssessssssesssssusssssssisesssssnsessssessessseeseessneseesses 34 (@:00/9)I€ea@ +0 .ÔÔ,ÔỎ 38 NT: 5.

Hướng phát triỀn. 38 DANH MỤC CÁC TÀI LIỆU THAM KHẢO.---s°-ss<2vssseecvssssee 39 LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC DANH MỤC HÌNH Hình 1: Các kênh khác nhau của ảnh MRI não nñBườỜII.--- ¿+ + ++s++*++x+e£+xsesxeeeeers 1 Hình 2: Kết quả phân đoạn khối u Hình 3: Máy chụp cộng hưởng từ Hình 4: Mối quan hệ thiên vị và phương sai.----2-©22+2++2EESEEEt2EEEEEECEEEEEEErrrrrrrree 6 Hình 5: Quá trình kiểm tra ở từng cây quyết định.----2- 2z +2+++2Ex++ExEtzExeerrkrrrkerrree 7 Hình 6: Các phương pháp phân đoạn khối u trên MRI não người .----2-z <2 8 Hình 7: Phân đoạn bằng phương pháp gom cụm K-meanss. 10 Himh 9: Hoat GOng Sian nO. 10 Hinh 10: Phan doan bang phuong phap SVM .ccssccesscesssesssessssesssesssseessesssseesseessseesseesssees 13 Hình 11: Phân lớp bằng SVM.

13 Hình 12: Kết quả phân đoạn bởi SVM.----222222+22EEEE2EE2EEE122122711121122711211. xe 14 Hình 13: Phân đoạn bằng phương pháp lai.--2- 2+ ©2©+£+EEE+2EE£2EEEtEEEzEEEErrrkerrrrree 15 Hình 14: Mô hình phân lớp sử dụng RF kết hợp GMM.----©22222+2zz+zzxz+rreeee 18 Hình 15: Phân đoạn bằng hai bước RE.----22©+2+EE++2EE£2EEEtEEEEEEEE2E12272E211. Hình 16: Chỉnh sửa độ đồng nhất mức sáng. Hình 17: Bài toán Graph-cut.

Hình 18: Bài toán Graph-cut với giải pháp tối ưu.------22+2+2+++2Exz+Erzrzrxerrreree 23 Hình 19: Phương pháp m0 rong (.-- --- c1 9191 kEv kg vn nh nh nh ri 24 Hình 20: Các thành phần của khối u.--2-22©2+2+£+EEE+EEE£2EEEtEEEEEEEEEEE22E2E2EEerrrrer 25 Hình 21: Các hướng trong ma trận đồng xuất hiện. 2-2 ©+2+EEE+2E+z+EEEtEvxzrrrrree 26 Hình 22: Sơ đồ các bước phân đoạn .----2-=++2+2E+2+EEE+EEE2EEEEEE122711121122721211. 28 Hình 23: Các thành phần ITIK.--2-2++£+2++2+EEE+EEE£SEEE+EEEE2EEE12E122711121122721221. Hình 25: Giao diện phân đoạn khối u.

Hình 27: Giao diện hiển thị kết quả.----2-22+2+2++£+EEE+EEE22EEEEEEA22E2E122122721221. 33 Hình 28: Ảnh chụp MRI với dữ liệu phân đoạn biết trước.-----2--z+cz+2xz+czecee 34 Hình 29: Độ đo IDICTE. - -- + + xxx SE ST 35 Hình 30: Đồ thị so sánh các phương pháp .----2--2¿©222+2E+2+EEEtEEEEEEEEEEEEEEECErkrrrrrree 36 LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC DANH MỤC BẢNG Bảng I: Ví dụ kết quả gom cụm FCM. 2E Lee 11 Bảng 2: Kết quả so sánh các phương php .ecscescseesssessssecssesssseesseessseessesssseesseessseesseesseees 35 Bảng 3: Thời gian thực thi của các phương pháp.

--- + 55+ +vx+Esvrseeeersereeeee 37 LÊ NGỌC DƯƠNG THANH LUẬN VĂN CAO HỌC CHUONG I. Giới thiệu Trong xã hội hiện nay, bệnh khối u ở não người mặc dù không phải là căn bệnh quá phổ biến, tuy nhiên nó là một trong những bệnh ung thư nguy hiểm nhất, có tỉ lệ tử vong cao [20]. Khối u là hiện tượng tăng tế bào không kiểm soát được. Một phần ba trong số các khối u não là khối u ác tính [21].

Khối u não có thể được phân loại theo nguồn gốc hoặc độ di căn. Nó có thé nảy sinh từ não hoặc di căn từ các bộ phận khác của cơ thể. Tổ chức WHO đã phân loại khối u não thành bốn cấp từ I tới IV tương ứng với sự tăng dần của mức độ di căn. Khối u cấp I và cấp II có thể được coi như là các khối u bán ác tính, trong khi khối u cấp III và cấp IV là các khối u ác tính mà gần như chắc chắn dẫn đến cái chết của người bệnh [22].

Kỹ thuật tiêu chuẩn cho việc chân đoán khối u não là ảnh chụp cộng hưởng từ (MRI. MRI là một kỹ thuật được ứng dụng rộng rãi trong y học, cho phép tạo ra các ảnh có độ tương phản rõ ràng giữa các mô [23]. MRI có thể tạo ra các kênh với độ tương phản khác nhau bằng cách thay đôi các tham số của mật độ proton và xung nhịp. Vì tính chất tự nhiên và biểu hiện đa dạng của các khối u não, một kênh MRI là không đủ đề phân đoạn khối u bao gồm các thành phần con của nó.

Do đó, các phương pháp hiện nay thường sử dụng nhiều kênh khác nhau cùng lúc để chân đoán khối u [24]. Nguôn [18] Hình 2: Kết quả phân đoạn khối u Do số lượng lớn của dữ liệu, việc chân đoán và phân đoạn khối u thủ công là việc khó có thể thực hiện trong khoảng thời gian thích hợp cho phép. Hiện nay, rất nhiều phương pháp phân tích bán tự động hoặc tự động đã được nghiên cứu để hỗ trợ cho việc chân đoán [5].