Xử Lý Ảnh Trong Y Học: Các Phương Pháp và Ứng Dụng

Đồ án nghiên cứu đồ án 1 đề tài xử lý ảnh các phương pháp xử lý ảnh trong y học 2, áp dụng công nghệ tiên tiến, tối ưu giải pháp kỹ thuật cho bài toán y tế.

• Tác giả: Bùi Xuân Sơn
• Người hướng dẫn: TS. Nguyễn Chí Ngọc
• Trường học: Đại Học Quốc Gia TP Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xử Lý Ảnh Trong Y Học
• Loại tài liệu: Báo Cáo Đồ Án
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ XỬ LÝ ẢNH, ẢNH Y HỌC VÀ CHẨN ĐOÁN Y HỌC
• 1.1. Tổng quan về xử lý ảnh
• 1.2. Giới thiệu về xử lý ảnh
• 1.3. Quá trình xử lý ảnh
• 1.4. Một số khái niệm cơ bản
• 1.5. Các định dạng cơ bản trong xử lý ảnh
• 1.6. Ảnh y học
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP PHÂN ĐOẠN ẢNH Y HỌC
• 2.1. Tổng quan về phân đoạn ảnh
• 2.2. Chọn ngưỡng cố định
• 2.3. Chọn ngưỡng dựa trên lược đồ (Histogram)
• 2.4. Phân đoạn dựa trên cơ sở vùng
• 2.5. Cộng thức cơ bản
• 2.6. Chia và chọn vùng
• 2.7. Phân đoạn theo miền đồng nhất
• 2.8. Phương pháp tách cây tứ phân
• 2.9. Phương pháp phân vùng hợp
• 2.10. Phương pháp tách hợp (Split- Meger)
• 2.11. Phân đoạn ảnh dựa vào đồ thị
• 2.12. Phân đoạn dựa vào đồ thị
• 2.13. Tính chất của so sánh cặp miền
• 2.14. Thuật toán và các tính chất
• 3. CHƯƠNG 3: CÀI ĐẶT CHƯƠNG TRÌNH THỬ NGHIỆM
• 3.1. Giới thiệu bài toán
• 3.2. Giao diện chính của chương trình
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: BỆNH HỌC
• PHỤ LỤC B: MỘT SỐ HÌNH ẢNH MINH HỌA GIẢI PHẪU CT NÃO

Tóm tắt

I. Tổng Quan Về Phương Pháp Xử Lý Ảnh Trong Y Học

Xử lý ảnh trong y học là một lĩnh vực đang phát triển mạnh mẽ, với nhiều ứng dụng quan trọng trong chẩn đoán và điều trị bệnh. Các phương pháp xử lý ảnh giúp cải thiện chất lượng hình ảnh y học, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định chính xác hơn. Việc áp dụng công nghệ xử lý ảnh không chỉ giúp nâng cao độ chính xác mà còn tiết kiệm thời gian trong quá trình chẩn đoán.

1.1. Khái Niệm Cơ Bản Về Xử Lý Ảnh Y Học

Xử lý ảnh y học bao gồm các kỹ thuật như nâng cao chất lượng ảnh, phân đoạn ảnh và phân tích hình ảnh. Những kỹ thuật này giúp cải thiện độ rõ nét và độ chính xác của hình ảnh y học, từ đó hỗ trợ cho việc chẩn đoán bệnh.

1.2. Vai Trò Của Hình Ảnh Trong Chẩn Đoán Y Học

Hình ảnh y học đóng vai trò quan trọng trong việc chẩn đoán bệnh. Các phương pháp như chụp X-quang, siêu âm, và MRI cung cấp thông tin chi tiết về tình trạng sức khỏe của bệnh nhân, giúp bác sĩ đưa ra quyết định điều trị kịp thời.

II. Những Thách Thức Trong Xử Lý Ảnh Y Học

Mặc dù có nhiều tiến bộ trong công nghệ xử lý ảnh, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Chất lượng hình ảnh không đồng đều, sự nhiễu và độ phân giải thấp là những vấn đề phổ biến. Những yếu tố này có thể ảnh hưởng đến độ chính xác trong chẩn đoán và điều trị.

2.1. Vấn Đề Chất Lượng Hình Ảnh

Chất lượng hình ảnh là yếu tố quyết định trong việc chẩn đoán. Hình ảnh mờ, không rõ nét có thể dẫn đến sai sót trong việc phát hiện bệnh. Do đó, việc nâng cao chất lượng hình ảnh là rất cần thiết.

2.2. Sự Nhiễu Trong Hình Ảnh Y Học

Nhiễu là một vấn đề phổ biến trong xử lý ảnh y học. Nó có thể xuất hiện do nhiều nguyên nhân khác nhau, từ thiết bị chụp ảnh đến quá trình truyền tải dữ liệu. Việc giảm thiểu nhiễu là một thách thức lớn trong lĩnh vực này.

III. Các Phương Pháp Chính Trong Xử Lý Ảnh Y Học

Có nhiều phương pháp xử lý ảnh được áp dụng trong y học, từ các kỹ thuật cơ bản đến các thuật toán phức tạp. Những phương pháp này không chỉ giúp cải thiện chất lượng hình ảnh mà còn hỗ trợ trong việc phân tích và nhận dạng các đối tượng trong ảnh.

3.1. Phương Pháp Nâng Cao Chất Lượng Ảnh

Các phương pháp nâng cao chất lượng ảnh bao gồm lọc nhiễu, điều chỉnh độ tương phản và tăng cường độ sáng. Những kỹ thuật này giúp cải thiện độ rõ nét của hình ảnh, từ đó hỗ trợ cho việc chẩn đoán.

3.2. Phân Đoạn Ảnh Y Học

Phân đoạn ảnh là bước quan trọng trong xử lý ảnh y học. Nó giúp tách biệt các đối tượng trong ảnh, từ đó hỗ trợ cho việc phân tích và nhận dạng. Các phương pháp phân đoạn như tách cây tứ phân và phân vùng hợp được sử dụng phổ biến.

IV. Ứng Dụng Thực Tiễn Của Xử Lý Ảnh Trong Y Học

Xử lý ảnh y học đã được áp dụng rộng rãi trong nhiều lĩnh vực, từ chẩn đoán bệnh đến nghiên cứu khoa học. Các ứng dụng này không chỉ giúp nâng cao hiệu quả chẩn đoán mà còn cải thiện chất lượng điều trị cho bệnh nhân.

4.1. Chẩn Đoán Bệnh Qua Hình Ảnh

Chẩn đoán bệnh qua hình ảnh là một trong những ứng dụng quan trọng nhất của xử lý ảnh y học. Các phương pháp như chụp CT, MRI và siêu âm giúp bác sĩ phát hiện và theo dõi tình trạng bệnh của bệnh nhân.

4.2. Nghiên Cứu Khoa Học Y Tế

Xử lý ảnh cũng đóng vai trò quan trọng trong nghiên cứu khoa học y tế. Các nhà nghiên cứu sử dụng các kỹ thuật xử lý ảnh để phân tích dữ liệu và phát triển các phương pháp điều trị mới.

V. Kết Luận Về Tương Lai Của Xử Lý Ảnh Trong Y Học

Tương lai của xử lý ảnh trong y học hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ. Các phương pháp mới sẽ tiếp tục được nghiên cứu và phát triển, giúp nâng cao chất lượng hình ảnh và độ chính xác trong chẩn đoán.

5.1. Xu Hướng Phát Triển Công Nghệ

Công nghệ xử lý ảnh sẽ tiếp tục phát triển với sự ra đời của các thuật toán mới và thiết bị hiện đại. Điều này sẽ giúp cải thiện chất lượng hình ảnh và hỗ trợ cho việc chẩn đoán.

5.2. Tích Hợp Công Nghệ Thông Tin

Việc tích hợp công nghệ thông tin vào xử lý ảnh y học sẽ tạo ra nhiều cơ hội mới. Các phần mềm quản lý và phân tích dữ liệu sẽ giúp nâng cao hiệu quả trong chẩn đoán và điều trị.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong kỷ nguyên số hóa y tế, công nghệ xử lý ảnh số đóng vai trò then chốt trong việc hỗ trợ các bác sĩ và chuyên gia y tế nâng cao độ chính xác của quá trình chẩn đoán cận lâm sàng. Sự phát triển mạnh mẽ của phần cứng máy tính, dung lượng thiết bị lưu trữ cùng các kỹ thuật đồ họa chuyên dụng đã tạo điều kiện thúc đẩy nghiên cứu các bài toán xử lý ảnh y khoa. Hình ảnh y tế ghi nhận thông tin trực quan, phong phú về giải phẫu và bệnh học của cơ thể người mà không bị chi phối bởi yếu tố chủ quan của đối tượng giao tiếp.

Tuy nhiên, dữ liệu ảnh y tế thu nhận từ các thiết bị chuyên dụng như máy chụp X-quang, chụp cắt lớp vi tính (CT Scanner), chụp cộng hưởng từ hạt nhân (MRI) hay máy chụp mạch não thường có chất lượng không đồng đều, độ tương phản thấp, độ phân giải hạn chế hoặc bị nhiễu. Điều này gây nhiều khó khăn cho việc phân tích tổn thương. Trong quy trình xử lý ảnh y khoa, phân đoạn ảnh (image segmentation) là công đoạn khó khăn và mang tính quyết định nhất; nếu kết quả phân đoạn không chính xác sẽ dẫn đến sai lệch ở các bước nhận dạng và chẩn đoán bệnh lý tiếp theo.

Đồ án được thực hiện nhằm giải quyết các nhiệm vụ và mục tiêu nghiên cứu cụ thể sau:

1. Nghiên cứu tổng quan về kỹ thuật xử lý ảnh, đặc tính ảnh y học, nguyên lý chẩn đoán hình ảnh và các tiêu chuẩn truyền thông, lưu trữ dữ liệu y tế quốc tế (PACS, DICOM).
2. Hệ thống hóa, phân tích nguyên lý toán học và thuật toán của các phương pháp phân đoạn ảnh y học: phân đoạn dựa trên ngưỡng biên độ (ngưỡng cố định, thuật toán đẳng liệu, đối xứng nền, tam giác, biến đổi chóp mũ), phân đoạn dựa trên cơ sở vùng (tăng vùng, chia và hợp vùng trên cây tứ phân), phân đoạn theo miền đồng nhất và phân đoạn dựa vào đồ thị.
3. Thiết lập hệ thống tiêu chuẩn đánh giá định lượng cho bài toán phân lớp vùng bệnh (sử dụng phân lớp k-láng giềng gần nhất - kNN).
4. Xây dựng chương trình phần mềm thử nghiệm có giao diện tương tác trực quan để thực thi phương pháp phân đoạn ảnh trên dữ liệu thực tế.

Đối tượng nghiên cứu của đề tài là các kỹ thuật xử lý và phân đoạn ảnh số áp dụng trên ảnh y tế (đặc biệt là ảnh chụp cắt lớp vi tính sọ não và ảnh X-quang). Phạm vi nghiên cứu được triển khai trong khuôn khổ Đồ án 1 tại Khoa Công nghệ Thông tin, Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh vào năm 2023, dưới sự hướng dẫn của TS. Nguyễn Chí Ngọc.

Cơ sở lý thuyết và phương pháp

Đề tài xây dựng trên nền tảng lý thuyết xử lý ảnh số, lý thuyết chẩn đoán hình ảnh y khoa và các tiêu chuẩn công nghệ thông tin y tế:

• Lý thuyết biểu diễn ảnh số: Ảnh được mô hình hóa dưới dạng hàm $n$ biến $P(c_1, c_2, \dots, c_n)$, trong đó mỗi điểm ảnh (Pixel) biểu thị mức cường độ sáng (Gray level) tại tọa độ không gian tương ứng. Không gian mức xám phổ biến là 8-bit (256 mức xám). Cấu trúc lân cận được xác định qua tập 4-láng giềng $N_4(x, y) = {(x+1, y), (x-1, y), (x, y+1), (x, y-1)}$ và tập 8-láng giềng $N_8(x, y) = N_4(x, y) \cup {(x+1, y+1), (x-1, y-1), (x+1, y-1), (x-1, y+1)}$.
• Chuẩn truyền thông và lưu trữ ảnh y tế PACS và DICOM:
  • Hệ thống PACS (Picture Archiving and Communication System) tổ chức lưu trữ, quản lý luồng công việc và phân phối ảnh qua phương thức Store-Forward (DICOM Storage Service) hoặc Query/Retrieval kết hợp hệ thống thông tin chẩn đoán hình ảnh RIS, tích hợp kiến trúc hiển thị trên nền Web qua giao thức HTTP.
  • Chuẩn DICOM (Digital Imaging and Communications in Medicine) do ACR và NEMA phát triển, hoạt động trên nền giao thức mạng TCP/IP và hệ thống tệp tin tiêu chuẩn (ISO 9660, FAT16). Cấu trúc cơ bản của tệp tin DICOM là Data Set, tập hợp các Data Element được định danh bởi một Tag 32-bit gồm Group Number (16-bit) và Element Number (16-bit). Các trường dữ liệu gồm VR (Value Representation), VM (Value Multiplicity), Value Length và Value Field, được điều khiển bởi quy tắc Transfer Syntax (mặc định là Explicit VR Little Endian Transfer Syntax) cùng các lớp đối tượng dịch vụ SOP (Service Object Pair).
• Nguyên lý chẩn đoán hình ảnh cắt lớp vi tính (CT): Nguyên lý đo độ suy giảm chùm tia X quét qua cơ thể, tái tạo thành các phần tử thể tích (voxel) và biểu diễn thành điểm ảnh 2D thông qua thang đo đậm độ Hounsfield (HU).
• Phương pháp nghiên cứu:
  • Phương pháp phân tích - tổng hợp lý thuyết: Khảo cứu cấu trúc tệp dữ liệu y tế, bệnh học chấn thương sọ não và các giải thuật phân đoạn kinh điển.
  • Phương pháp mô hình hóa toán học: Xây dựng các điều kiện biên, vị từ đồng nhất $P(R)$ và biến đổi hình thái học Top-hat.
  • Phương pháp thực nghiệm phần mềm: Xây dựng ứng dụng thử nghiệm, thiết kế giao diện thao tác dữ liệu và tính toán các độ đo thống kê đánh giá thuật toán.

Nội dung chính theo từng chương

Chương 1: Giới thiệu về xử lý ảnh, ảnh y học và chẩn đoán y học

Chương 1 khái quát toàn diện quy trình 5 bước kinh điển của xử lý ảnh: Thu nhận ảnh $\rightarrow$ Tiền xử lý (khử nhiễu, tăng độ tương phản) $\rightarrow$ Phân đoạn ảnh $\rightarrow$ Biểu diễn và mô tả ảnh (theo biên hoặc theo vùng) $\rightarrow$ Nhận dạng và nội suy. Tiếp đó, chương phân tích các định dạng tệp ảnh tiêu chuẩn (IMG, PCX sử dụng mã hóa độ dài loạt RLE, TIFF, GIF) và đi sâu vào kiến trúc PACS cùng chuẩn tệp DICOM.

Về mặt chẩn đoán hình ảnh, chương cung cấp kiến thức nền tảng về kỹ thuật chụp cắt lớp vi tính (CT do G.N. Hounsfield phát minh), các kiểu quét lát cắt (cắt liên tục - continuity, cắt chồng - overlap, cắt hở - gap) và kỹ thuật định vị (topogram/scout view). Thang đo Hounsfield (HU) của các cấu trúc nội sọ được tổng hợp chuẩn xác:

Cấu trúc nội sọ	Trị số giới hạn (HU)
Đóng vôi, xương	80 đến 250
Xuất huyết, tụ máu	55 đến 75
Chất xám	35 đến 45
Chất trắng	20 đến 30
Phù nề	10 đến 20
Dịch não tủy	0 đến 10
Nước	0
Mỡ	< 0 đến -100
Khí	-1000 đến -100

Chương cũng phân loại chi tiết bệnh học chấn thương sọ não: tổn thương nguyên phát ngoài trục (tụ máu ngoài màng cứng do rách động mạch màng não giữa có dạng hai mặt lồi không vượt qua khớp sọ; tụ máu dưới màng cứng do đứt tĩnh mạch cầu nối vượt qua khớp sọ; xuất huyết khoang dưới nhện), tổn thương trong trục (dập não, xuất huyết não thất, tổn thương trục lan tỏa), tổn thương hộp sọ (nứt sọ, lún sọ) và tổn thương thứ phát (thoát vị não, thiếu máu não). Ngoài ra, tài liệu đề cập đến phân loại 4 độ đặc của tuyến vú trên phim X-quang và thiết lập bộ độ đo đánh giá phân lớp kNN gồm: Độ nhạy (Sensitivity), Độ đặc trưng (Specificity), Tỉ lệ vùng bệnh phân lớp đúng và Tỉ lệ vùng bình thường phân lớp đúng.

Chương 2: Một số phương pháp phân đoạn ảnh y học

Chương 2 thiết lập 5 điều kiện toán học bắt buộc của bài toán phân đoạn vùng ảnh $R$ thành $n$ vùng con $R_1, R_2, \dots, R_n$:

1. $\bigcup_{i=1}^{n} R_i = R$ (Phân đoạn phủ kín toàn bộ ảnh).
2. $R_i$ là vùng liên thông ($i = 1, 2, \dots, n$).
3. $R_i \cap R_j = \emptyset$ với mọi $i \neq j$ (Các vùng đôi một rời nhau).
4. $P(R_i) = \text{TRUE}$ với $i = 1, 2, \dots, n$ (Tính thuần nhất bên trong từng vùng).
5. $P(R_i \cup R_j) = \text{FALSE}$ với $i \neq j$ (Tính không đồng nhất giữa hai vùng lân cận).

Chương phân tích chi tiết bốn nhóm kỹ thuật phân đoạn:

• Phân đoạn dựa vào ngưỡng biên độ:
  • Ngưỡng cố định: Áp dụng giá trị tĩnh $T=128$ cho ảnh có độ tương phản cao.
  • Thuật toán đẳng liệu (Ridler & Calvart): Lặp tính ngưỡng $\theta_k = \frac{m_{f, k-1} + m_{b, k-1}}{2}$ dựa trên giá trị trung bình mẫu đối tượng $m_{f}$ và nền $m_{b}$ cho đến khi hội tụ.
  • Thuật toán đối xứng nền: Xác định đỉnh cực đại $Max_p$ trên lược đồ xám đã làm trơn (cửa sổ $w=3$ hoặc $w=5$), tìm mức xám $a$ thỏa mãn hàm phân phối xác suất tích lũy $P(a) = p%$, từ đó tính $T = Max_p - (a - Max_p)$.
  • Thuật toán tam giác (Zack): Nối đường thẳng $\Delta$ từ điểm cực đại $(H_{max}, b_{max})$ đến điểm độ sáng nhỏ nhất $(H_{min}, b_{min})$, chọn ngưỡng $T$ tại vị trí mức xám có khoảng cách hình học $d$ từ lược đồ đến $\Delta$ đạt cực đại.
  • Chọn ngưỡng Bimodal Histogram: Sử dụng phép biến đổi chóp mũ (Top-hat) của Meyer để phát hiện cực tiểu địa phương giữa hai đỉnh histogram: $\text{TopHat}(A, B) = A - (A \circ B) = A - \max_B(\min_A(A))$ (đối với đối tượng sáng).
• Phân đoạn dựa trên cơ sở vùng:
  • Thuật toán tăng vùng (Region Growing): Khởi tạo từ các điểm hạt giống (seeds - ví dụ các điểm đạt mức xám cực đại 255 trên ảnh X-quang mối hàn), kiểm tra điều kiện chênh lệch mức xám tuyệt đối $< 65$ và thuộc 8-láng giềng liên thông để gộp vùng.
  • Thuật toán chia và hợp vùng (Split and Merge): Sử dụng cấu trúc cây tứ phân (Quadtree). Kiểm tra vị từ $P(R_i) = \text{TRUE}$ khi có ít nhất 80% điểm ảnh thỏa mãn $|z_j - m_i| < 2\sigma_i$ ($z_j$ là mức xám pixel, $m_i$ là mức xám trung bình vùng, $\sigma_i$ là độ lệch chuẩn). Nếu $P = \text{FALSE}$, chia thành 4 miền con; hợp các miền kề nhau nếu vị từ hợp bằng $\text{TRUE}$.
• Phân đoạn theo miền đồng nhất: Xây dựng vị từ $P(R, X, t)$ dựa trên vectơ đặc trưng mức xám $f(k, l) < T$ hoặc vectơ màu không gian RGB $[f_R(k,l), f_G(k,l), f_B(k,l)]^T$.
• Phân đoạn ảnh dựa vào đồ thị: Ánh xạ ảnh thành đồ thị với các nút là điểm ảnh, đánh giá tính chất so sánh cặp miền để phân tách các phân vùng tối ưu.

Chương 3: Cài đặt chương trình thử nghiệm

Chương 3 trình bày việc hiện thực hóa các phương pháp nghiên cứu thành phần mềm ứng dụng:

• Giới thiệu bài toán thực nghiệm phân đoạn trên ảnh y học cụ thể.
• Xây dựng giao diện chương trình thử nghiệm (gồm Giao diện 1 và Giao diện 2), cho phép người dùng tải dữ liệu ảnh, thực thi các bước tiền xử lý lọc lược đồ, áp dụng thuật toán phân đoạn và trực quan hóa kết quả các vùng tổn thương được tách biệt.

Thiết kế và triển khai

Hệ thống phần mềm thử nghiệm được thiết kế theo quy trình xử lý dữ liệu tuần tự:

[Ảnh y học đầu vào (CT/X-quang)]

Quy trình đánh giá độ chính xác của mô hình phân lớp kNN được chuẩn hóa bằng 4 đại lượng:

• $TP$ (True Positive): Số vùng bệnh được phân lớp đúng.
• $FP$ (False Positive): Số vùng bình thường bị nhận diện sai là có bệnh.
• $TN$ (True Negative): Số vùng bình thường được phân lớp đúng.
• $FN$ (False Negative): Số vùng bệnh bị nhận diện sai là không có bệnh.

Các công thức đánh giá định lượng: $$\text{Độ nhạy (Sensitivity)} = \frac{TP}{TP + FN}$$ $$\text{Độ đặc trưng (Specificity)} = \frac{TN}{TN + FP}$$ $$\text{Tỉ lệ vùng bệnh phân lớp đúng} = \frac{TP}{TP + FP}$$ $$\text{Tỉ lệ vùng bình thường phân lớp đúng} = \frac{TN}{TN + FN}$$

Kết quả và đóng góp

Báo cáo đồ án đạt được các kết quả kỹ thuật và đóng góp học thuật cụ thể:

• Hệ thống hóa toàn diện chuẩn dữ liệu y tế: Làm rõ cấu trúc phân tầng của hệ thống PACS và chi tiết kỹ thuật của chuẩn DICOM (Data Set, Data Element, cú pháp truyền Transfer Syntax Little/Big Endian, các lớp dịch vụ SOP Normalized và Composite).
• Hệ thống hóa bệnh học CT sọ não: Xây dựng bảng tra cứu đối chiếu 9 mức đậm độ Hounsfield của các mô và dịch nội sọ, liên hệ trực tiếp với hình ảnh chẩn đoán của các dạng chấn thương (tụ máu ngoài màng cứng, tụ máu dưới màng cứng cấp/bán cấp/mãn tính, tổn thương xương hộp sọ).
• Thiết lập cơ sở toán học cho phân đoạn ảnh y tế: Cung cấp chi tiết các giải thuật phân ngưỡng tự động (thuật toán đẳng liệu của Ridler-Calvart, thuật toán tam giác của Zack, đối xứng nền, biến đổi chóp mũ Top-hat của Meyer) và thuật toán phân vùng trên cây tứ phân với điều kiện thống kê phương sai mức xám.
• Triển khai ứng dụng thử nghiệm: Xây dựng thành công phần mềm có giao diện người dùng để minh họa quá trình phân đoạn, tạo nền tảng hỗ trợ giảm tải cho bác sĩ chẩn đoán hình ảnh khi phải đọc trung bình tối thiểu 20 lát cắt trên mỗi ca chấn thương.

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Nghiên cứu dừng lại ở mức độ Đồ án 1 nên phần thực nghiệm chủ yếu tập trung vào việc hiện thực hóa thuật toán và giao diện thử nghiệm; chưa cung cấp bảng số liệu thực nghiệm đo lường đầy đủ trên tập mẫu lâm sàng lớn.
  • Giai đoạn định vị vùng tổn thương tự động mới chỉ dừng lại ở nhận xét định tính do thiếu các độ đo định lượng chuyên biệt cho từng loại ảnh.
• Hướng nghiên cứu tiếp:
  • Tích hợp và thử nghiệm các thuật toán trên nguồn dữ liệu ảnh CT/MRI thực tế định dạng DICOM chuẩn từ bệnh viện.
  • Phát triển hoàn thiện module nhận dạng và nội suy tự động, tiến tới bài toán tái tạo cấu trúc không gian 3D từ chuỗi ảnh cắt lát 2D.
  • Tối ưu hóa thuật toán phân đoạn dựa trên đồ thị để nâng cao tốc độ xử lý trong môi trường chẩn đoán trực tuyến qua Web PACS.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho sinh viên các ngành Công nghệ Thông tin, Kỹ thuật Y sinh, Khoa học Máy tính và Kỹ thuật Điện tử - Viễn thông khi nghiên cứu các môn học Thị giác máy tính, Xử lý ảnh số hoặc thực hiện khóa luận tốt nghiệp về xử lý ảnh y tế.

Các nội dung có giá trị tra cứu cao gồm:

• Đặc tả cấu trúc tệp DICOM và kiến trúc lưu trữ/truyền thông PACS.
• Bảng phân bố trị số đậm độ Hounsfield (HU) của cấu trúc sọ não và bệnh học chấn thương sọ não trên ảnh CT.
• Chi tiết các thuật toán phân ngưỡng histogram nâng cao (tam giác Zack, đối xứng nền, Top-hat) và cơ chế phân rã cây tứ phân Quadtree.

Câu hỏi thường gặp

1. Chuẩn DICOM tổ chức thông tin dữ liệu bệnh nhân và hình ảnh y tế như thế nào?
Chuẩn DICOM tổ chức dữ liệu theo cấu trúc Data Set, gồm tập hợp các Data Element. Mỗi Data Element được đặc tả bởi một Tag 32-bit (chứa 16-bit Group Number và 16-bit Element Number), trường VR xác định kiểu dữ liệu, VM xác định số lượng giá trị, Value Length xác định độ dài byte và Value Field chứa nội dung dữ liệu thực tế.

2. Trị số đậm độ Hounsfield (HU) của máu tụ và nhu mô não trên phim chụp CT được quy định như thế nào?
Theo quy ước chuẩn máy CT: nước có đậm độ 0 HU, xương là +1000 HU, khí và mỡ là -1000 HU. Khối máu tụ/xuất huyết có đậm độ từ 55 đến 75 HU (tăng đậm độ, màu trắng sáng), chất xám từ 35 đến 45 HU, chất trắng từ 20 đến 30 HU, phù nề từ 10 đến 20 HU và dịch não tủy từ 0 đến 10 HU.

3. Nguyên lý tìm ngưỡng phân đoạn của thuật toán tam giác (Zack) là gì?
Thuật toán tam giác thiết lập đường thẳng $\Delta$ nối điểm có giá trị cực đại trên biểu đồ histogram $(H_{max}, b_{max})$ với điểm có độ sáng nhỏ nhất $(H_{min}, b_{min})$. Sau đó, thuật toán tính khoảng cách hình học vuông góc $d$ từ các điểm trên histogram đến đường thẳng $\Delta$ và chọn ngưỡng $T$ tại vị trí mức xám có khoảng cách $d$ lớn nhất.

4. Kỹ thuật chia và hợp vùng (Split and Merge) trên cây tứ phân thực hiện theo tiêu chuẩn nào?
Kỹ thuật này biểu diễn toàn bộ ảnh dưới dạng gốc cây tứ phân (Quadtree). Vùng ảnh được kiểm tra bằng một vị từ logic $P(R)$. Ví dụ: $P(R_i) = \text{TRUE}$ nếu có ít nhất 80% pixel thỏa mãn $|z_j - m_i| < 2\sigma_i$ ($m_i$ là mức xám trung bình, $\sigma_i$ là độ lệch chuẩn). Nếu điều kiện không thỏa mãn ($P = \text{FALSE}$), vùng bị chia thành 4 miền con bằng nhau. Sau đó, các miền lân cận có $P(R_i \cup R_j) = \text{TRUE}$ sẽ được hợp lại. Quá trình dừng khi không thể chia hoặc hợp thêm.

5. Bốn tiêu chuẩn định lượng đánh giá độ chính xác của bộ phân lớp vùng bệnh kNN gồm những gì?
Bộ tiêu chuẩn gồm: Độ nhạy $\text{Sensitivity} = \frac{TP}{TP + FN}$ (xác suất phân lớp đúng vùng bệnh thật sự), Độ đặc trưng $\text{Specificity} = \frac{TN}{TN + FP}$ (xác suất phân lớp đúng vùng bình thường), Tỉ lệ vùng bệnh phân lớp đúng $\frac{TP}{TP + FP}$ và Tỉ lệ vùng bình thường phân lớp đúng $\frac{TN}{TN + FN}$.

Kết luận

Báo cáo Đồ án 1 của sinh viên Bùi Xuân Sơn đã hệ thống hóa toàn diện cơ sở lý thuyết về xử lý ảnh số, các chuẩn lưu trữ - truyền thông y tế PACS/DICOM và đặc tính chẩn đoán bệnh học chấn thương sọ não trên phim chụp cắt lớp CT. Tác giả đã trình bày chi tiết bản chất toán học và thuật toán của các phương pháp phân đoạn ảnh y học từ phân ngưỡng biên độ, phân đoạn cơ sở vùng trên cây tứ phân đến phân đoạn dựa vào đồ thị, đồng thời thiết lập bộ tiêu chuẩn đánh giá phân lớp kNN. Đề tài đã xây dựng thành công chương trình thử nghiệm có giao diện tương tác, tạo tiền đề vững chắc cho việc phát triển các công cụ hỗ trợ chẩn đoán hình ảnh y khoa tự động và bán tự động trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU VỀ XỬ LÝ ẢNH, ẢNH Y HỌC VÀ CHẨN ĐOÁN Y HỌC Xử lý ảnh ngày nay đã trở thành một ngành khoa học lớn và có mặt trong nhiều lĩnh vực của cuộc sổng. Điều này hoàn toàn có thể lý giải được từ một định nghĩa đơn giản về ngành khoa học này: Xử lỷ ảnh là ngành khoa học nghiên cứu các quá trình xử lý thông tin dạng hình ảnh, mà hình ảnh là một trong những dạng thông tin phong phú nhất đối vời chủng ta. Trong quá trình xử lý ảnh bước quan trọng nhất và cũng là khó khăn nhất là bước phân đoạn ảnh. Phân đoạn nhằm mục đích phân tách các đối tượng cấu thành nên ảnh thô để cỏ thể sử dụng cho các ứng dụng về sau.1 Tổng quan về xử lý ảnh 1.1 Giới thiệu về xử lý ảnh Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ.

Nó là một ngành khoa học mới mẻ so với nhiều ngành khoa học khác nhưng tốc độ phát triển, của nó rất nhanh, kích thích các trang tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó. Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng chính: nâng cao chất lượng ảnh, phân đoạn ảnh và phân tích ảnh. Ứng dụng đầu tiên được biết đến là nâng cao chất lượng ảnh báo được truyền qua cáp từ Luân Đôn đến New York từ những năm 1920. Vấn đề nâng cao chất lượng ảnh có liên quan tới phân bố mức sáng và độ phân giải của ảnh.

Việc nâng gao chất lượng ảnh được phát triển vào khoảng những năm 1955. Điều này có thể giải thích được vì sau thế chiến thứ hai, máy tính phát triển nhanh tạo điều kiện cho quá trình xử lý ảnh số thuận, lợi. Năm 1964, máy tính đã có khả năng xử lý và nâng cao chất lượng ảnh từ mặt trăng và vệ tinh Ranger 7 của Mỹ bao gồm: làm nổi đường biên, lưu ảnh. Từ năm 1964 đến nay, các phương tiện xử lý, nâng cao chất lượng, phân đoạn, ảnh, nhận dạng ảnh phát triển không ngừng.

Để dễ tưởng tượng, xét các bước cần thiết trong xử lý ảnh. Đầu tiên, ảnh tự nhiên từ thế giới ngoài được thu nhận qua các thiết bị thu (như Camera, máy chụp ảnh). Trước đây, ảnh thu qua Camera là các ảnh tương tự (loại Camera ống kiểu CCIR). Gần đây, với sự phát triển, của công nghệ, ảnh màu hoặc đen trắng được lấy ra từ Camera, sau 7 đó nó được chuyển trực tiếp thành ảnh số tạo thuận lợi cho xử lý tiếp theo.

Mặt khác, ảnh cũng có thể tiếp nhận từ vệ tinh, có thể quét từ ảnh chụp bằng máy quét ảnh.2 Quá trình xử lý ảnh Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận.1: Quá trình xử lý ảnh Ảnh trong xử lý ảnh có thể xem như ảnh n chiều. Bởi vì, ảnh có thể xem là tập hợp các điểm ảnh. Trong đó, mỗi điểm ảnh được xem như là đặc trưng cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong không gian và do đó nó có thể xem như một hàm n biến P (c1, c2, …, cn).

Quá trình xử lý ảnh có thể được mô tả bằng Sơ đồ sau: Hình 1.2: quá trình xử lý ảnh 8 Thu nhận ảnh: Đây là công đoạn đầu tiên mang tính quyết định đối với quá trình xử lý ảnh. Ảnh đầu vào sẽ được thu nhận qua các thiết bị như camera, sensor, máy quét. và sau đó các tín hiệu này sẽ được số hóa.