Tổng quan nghiên cứu

Tra cứu ảnh dựa theo nội dung (Content-Based Image Retrieval - CBIR) là một lĩnh vực nghiên cứu mới nổi trong công nghệ thông tin, bắt nguồn từ năm 1992. Theo ước tính, các hệ thống CBIR đã được ứng dụng rộng rãi trong nhiều lĩnh vực như y học, quân sự, quản lý tài sản trí tuệ, thiết kế kiến trúc, thời trang, nội thất và quảng cáo. Trong y khoa, việc tra cứu ảnh y khoa dựa trên nội dung giúp hỗ trợ chẩn đoán bệnh nhanh chóng và chính xác hơn, đặc biệt với các ảnh chụp X-Quang, CT và MRI.

Luận văn tập trung nghiên cứu xây dựng hệ thống tra cứu ảnh y khoa dựa vào mô tả nội dung cấu trúc ảnh, sử dụng 6 đặc trưng Tamura gồm độ thô, độ tương phản, hướng, độ giống nhất, độ đồng đều và độ nhám, kết hợp với biểu đồ kết cấu mức xám toàn cục và cục bộ. Mục tiêu cụ thể là phát triển thuật toán trích xuất đặc trưng, xây dựng vector đặc trưng ảnh, và áp dụng độ đo Euclid để tra cứu ảnh tương tự trong cơ sở dữ liệu. Phạm vi nghiên cứu tập trung vào ảnh y khoa 2 chiều đơn sắc, gồm ảnh X-Quang, CT và MRI, thực hiện trong giai đoạn 2015-2017 tại Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Ý nghĩa nghiên cứu thể hiện qua việc hỗ trợ bác sĩ và bệnh nhân tiết kiệm thời gian chẩn đoán, nâng cao độ chính xác, đồng thời tạo nền tảng cho việc xây dựng cơ sở dữ liệu ảnh y khoa có cấu trúc nội dung rõ ràng, phục vụ cho các nghiên cứu và ứng dụng tiếp theo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Lý thuyết xử lý ảnh số: Ảnh được biểu diễn dưới dạng ma trận điểm ảnh (pixel), mỗi pixel có giá trị mức xám từ 0 đến 255. Các loại ảnh y khoa phổ biến gồm ảnh X-Quang, CT và MRI, mỗi loại có đặc trưng vật lý và hình ảnh riêng biệt.

  • Mô hình đặc trưng Tamura: Bao gồm 6 đặc trưng kết cấu ảnh là độ thô, độ tương phản, hướng, độ giống nhất, độ đồng đều và độ nhám. Các đặc trưng này phản ánh các thuộc tính cảm nhận thị giác của con người, giúp mô tả cấu trúc nội dung ảnh một cách hiệu quả.

  • Biểu đồ mức xám toàn cục và cục bộ: Biểu đồ mức xám toàn cục (Global Gray Histogram) mô tả phân bố mức xám trên toàn bộ ảnh, trong khi biểu đồ mức xám cục bộ (Local Gray Histogram) phân tích phân bố mức xám trong các vùng nhỏ của ảnh, giúp giữ lại thông tin không gian quan trọng.

  • Độ đo Euclid: Sử dụng để tính khoảng cách giữa các vector đặc trưng ảnh, từ đó xác định mức độ tương đồng giữa ảnh truy vấn và ảnh trong cơ sở dữ liệu.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Ảnh y khoa 2 chiều đơn sắc gồm ảnh chụp X-Quang, CT và MRI được thu thập từ các nguồn mô phỏng và cơ sở dữ liệu ảnh y khoa tiêu chuẩn.

  • Phương pháp chọn mẫu: Lựa chọn ngẫu nhiên các ảnh đại diện cho các loại bệnh và thương tật khác nhau để đảm bảo tính đa dạng và đại diện cho cơ sở dữ liệu.

  • Phương pháp phân tích: Áp dụng kỹ thuật xử lý ảnh để trích xuất 6 đặc trưng Tamura và tính toán biểu đồ mức xám toàn cục, cục bộ. Vector đặc trưng được xây dựng từ các thông số này.

  • Timeline nghiên cứu: Quá trình nghiên cứu kéo dài từ tháng 2/2015 đến tháng 10/2017, bao gồm các giai đoạn thu thập dữ liệu, phát triển thuật toán, xây dựng hệ thống mô phỏng và đánh giá kết quả.

  • Mô phỏng và đánh giá: Sử dụng phần mềm MATLAB R2016a với giao diện đồ họa GUIDE để mô phỏng hệ thống tra cứu ảnh. Kết quả được đánh giá dựa trên độ chính xác tra cứu và thời gian xử lý.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả trích xuất đặc trưng Tamura: Thuật toán trích xuất 6 đặc trưng Tamura cho kết quả chính xác trong việc mô tả kết cấu ảnh y khoa. Ví dụ, trong các ảnh tương đồng, khoảng cách Euclid giữa vector đặc trưng chỉ khoảng 0.15, trong khi ảnh khác nhau có khoảng cách trên 0.5, cho thấy khả năng phân biệt tốt.

  2. Biểu đồ mức xám toàn cục và cục bộ bổ trợ hiệu quả: Kết hợp biểu đồ mức xám toàn cục và cục bộ giúp tăng độ chính xác tra cứu lên khoảng 20% so với chỉ sử dụng biểu đồ toàn cục. Biểu đồ cục bộ giữ lại thông tin vị trí và cấu trúc chi tiết của ảnh.

  3. Tốc độ tra cứu ảnh: Thời gian tra cứu trung bình cho một ảnh truy vấn trong cơ sở dữ liệu khoảng 500 ảnh là dưới 2 giây trên hệ thống mô phỏng MATLAB, phù hợp với yêu cầu ứng dụng thực tế.

  4. Độ chính xác tra cứu: Hệ thống đạt độ chính xác trung bình trên 85% trong việc tìm kiếm các ảnh y khoa tương tự, hỗ trợ hiệu quả cho việc chẩn đoán và nghiên cứu y học.

Thảo luận kết quả

Nguyên nhân của hiệu quả trên là do việc kết hợp các đặc trưng Tamura với biểu đồ mức xám toàn cục và cục bộ đã khai thác được cả thông tin kết cấu và phân bố mức xám trong ảnh, phù hợp với đặc điểm ảnh y khoa vốn có nhiều chi tiết cấu trúc phức tạp. So sánh với các nghiên cứu trước đây chỉ sử dụng một hoặc hai đặc trưng đơn lẻ, phương pháp này cải thiện đáng kể độ chính xác và khả năng phân biệt ảnh.

Kết quả cũng phù hợp với các nghiên cứu quốc tế về CBIR trong y khoa, như việc sử dụng bộ mô tả Fourier tổng quát hay kết hợp đặc trưng cấp thấp với đặc trưng DICOM, tuy nhiên phương pháp Tamura kết hợp biểu đồ mức xám có ưu điểm đơn giản, dễ triển khai và hiệu quả cao.

Dữ liệu có thể được trình bày qua các bảng so sánh khoảng cách Euclid giữa các ảnh tương đồng và khác nhau, biểu đồ cột thể hiện độ chính xác tra cứu theo từng phương pháp, và biểu đồ đường mô tả thời gian tra cứu theo kích thước cơ sở dữ liệu.

Đề xuất và khuyến nghị

  1. Tối ưu hóa thuật toán trích xuất đặc trưng: Cần cải tiến thuật toán để giảm thời gian xử lý, đặc biệt với ảnh có độ phân giải cao, nhằm nâng cao tốc độ tra cứu trong các cơ sở dữ liệu lớn. Chủ thể thực hiện: nhóm nghiên cứu phát triển phần mềm, thời gian: 6 tháng.

  2. Mở rộng phạm vi nghiên cứu ảnh 3 chiều và ảnh động: Nghiên cứu áp dụng phương pháp cho ảnh CT 3D và MRI động để tăng tính ứng dụng trong y học hiện đại. Chủ thể thực hiện: các viện nghiên cứu y sinh, thời gian: 1 năm.

  3. Xây dựng cơ sở dữ liệu ảnh y khoa chuẩn: Hợp tác với các bệnh viện để thu thập và chuẩn hóa dữ liệu ảnh y khoa, phục vụ cho việc đánh giá khách quan và phát triển hệ thống. Chủ thể thực hiện: các bệnh viện và trung tâm nghiên cứu, thời gian: 1-2 năm.

  4. Phát triển giao diện người dùng thân thiện: Thiết kế giao diện trực quan, dễ sử dụng cho bác sĩ và nhân viên y tế, tích hợp các công cụ hỗ trợ phân tích và đánh giá kết quả tra cứu. Chủ thể thực hiện: nhóm phát triển phần mềm, thời gian: 6 tháng.

Đối tượng nên tham khảo luận văn

  1. Bác sĩ và chuyên gia y tế: Hỗ trợ trong việc tra cứu và so sánh ảnh y khoa, giúp nâng cao hiệu quả chẩn đoán và điều trị.

  2. Nhà nghiên cứu công nghệ thông tin và xử lý ảnh: Tham khảo phương pháp trích xuất đặc trưng Tamura kết hợp biểu đồ mức xám, áp dụng trong các nghiên cứu về CBIR và thị giác máy tính.

  3. Sinh viên và học viên cao học ngành kỹ thuật điện tử, y sinh: Là tài liệu tham khảo quý giá về ứng dụng xử lý ảnh trong y khoa, phương pháp nghiên cứu và phát triển hệ thống tra cứu ảnh.

  4. Các nhà phát triển phần mềm y tế: Cung cấp cơ sở lý thuyết và thuật toán để phát triển các ứng dụng tra cứu ảnh y khoa, tích hợp vào hệ thống hỗ trợ chẩn đoán.

Câu hỏi thường gặp

  1. Phương pháp Tamura có ưu điểm gì so với các đặc trưng khác?
    Phương pháp Tamura mô tả kết cấu ảnh dựa trên các đặc trưng cảm nhận thị giác như độ thô, độ nhám, giúp phản ánh chính xác cấu trúc nội dung ảnh y khoa. Ví dụ, độ tương phản và hướng giúp phân biệt các vùng mô khác nhau trong ảnh CT.

  2. Tại sao cần kết hợp biểu đồ mức xám toàn cục và cục bộ?
    Biểu đồ toàn cục cung cấp thông tin tổng thể về phân bố mức xám, trong khi biểu đồ cục bộ giữ lại thông tin vị trí và cấu trúc chi tiết, giúp tăng độ chính xác tra cứu. Trong thực tế, ảnh có thể có cùng biểu đồ toàn cục nhưng khác biệt về cấu trúc cục bộ.

  3. Độ đo Euclid có phù hợp cho việc so sánh ảnh y khoa không?
    Độ đo Euclid đơn giản và hiệu quả trong việc tính khoảng cách giữa các vector đặc trưng, phù hợp với các bài toán tra cứu ảnh y khoa 2 chiều đơn sắc. Tuy nhiên, với dữ liệu phức tạp hơn, có thể cần các độ đo khác.

  4. Hệ thống có thể áp dụng cho ảnh y khoa 3D không?
    Hiện tại hệ thống tập trung vào ảnh 2D đơn sắc. Việc mở rộng sang ảnh 3D như CT hay MRI động đòi hỏi nghiên cứu thêm về trích xuất đặc trưng không gian 3 chiều và xử lý dữ liệu lớn hơn.

  5. Làm thế nào để đánh giá độ chính xác của hệ thống tra cứu?
    Độ chính xác được đánh giá qua tỷ lệ ảnh trả về đúng hoặc tương tự với ảnh truy vấn trong cơ sở dữ liệu. Ví dụ, hệ thống đạt trên 85% độ chính xác trong các thử nghiệm mô phỏng với cơ sở dữ liệu khoảng 500 ảnh.

Kết luận

  • Luận văn đã xây dựng thành công hệ thống tra cứu ảnh y khoa dựa vào mô tả nội dung cấu trúc ảnh, sử dụng 6 đặc trưng Tamura kết hợp biểu đồ mức xám toàn cục và cục bộ.
  • Thuật toán trích xuất đặc trưng và phương pháp đối sánh Euclid cho kết quả tra cứu chính xác và hiệu quả về mặt thời gian.
  • Hệ thống hỗ trợ tốt cho việc chẩn đoán y khoa, tiết kiệm thời gian và nâng cao độ chính xác.
  • Nghiên cứu mở ra hướng phát triển cho các ứng dụng tra cứu ảnh y khoa 3D và ảnh động trong tương lai.
  • Khuyến nghị tiếp tục tối ưu thuật toán, mở rộng dữ liệu và phát triển giao diện người dùng để ứng dụng rộng rãi hơn.

Để tiếp tục phát triển, các nhà nghiên cứu và chuyên gia y tế được khuyến khích áp dụng và thử nghiệm hệ thống trong môi trường thực tế, đồng thời đóng góp ý kiến để hoàn thiện và nâng cao hiệu quả ứng dụng.