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

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.

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].