Tải bản đầy đủ
Độ dày lát cắt và khoảng cách lát cắt

Độ dày lát cắt và khoảng cách lát cắt

Tải bản đầy đủ

44



Hình định vị
Hình định vị là hình dùng để xác định các vị trí lát cắt. Ở hình định vị

có các đường được đánh số và đặt chồng lên vùng cơ thể khảo sát. Các số
được đánh dấu cúa các đường này sẽ tương ứng với các số của các hình hay
lát cắt trình bày trên phim CT.
Ta có thể dùng hình định vị để quan sát nhanh các lát cắt nào cần xem
trên phim CT. Hoặc ngược lại, xác định bất thường trên lát cắt CT nằm ở vị
trí nào trên hình định vị.
Ví dụ: Ta chỉ muốn quan sát tổn thương ở vùng đỉnh. Ta thấy trên hình
định vị, ở vùng đỉnh, có các đường số đánh số 10,11,12; như vậy, ta chỉ cần
xem các hình 10,11,12 trên phim CT.

Hình 3.2 Hình định vị (topogram)

III.3. Các bước cài đặt thử nghiệm chương trình


Bước 1: Tiền xử lý

Ở bước đầu tiên của quá trình cài đặt thử nghiệm, học viên đã tiến hành
chuẩn hóa ảnh đầu vào. Khi một bức ảnh CT được scan ở dưới định dạng
.DCM (chuẩn DICOM). Đây là định dạng file ban đầu chưa qua một thao tác

45

xử lý nào hết. File ảnh có khoảng màu rộng hơn so với các định dạng thông
thường khác vì nó gần với thực tế nhìn bằng mắt thường nhất. Trong đó tất cả
các thông tin chi tiết đều rõ ràng và đầy đủ. Nhưng để có thể tiến hành các
thao tác xử lý ảnh trên Matlab hay các công cụ khác. Các file này đều không
được hỗ trợ đọc hoặc ghi do vậy luôn có một bước chuyển từ .dcm file sang
.Jpeg hay Tiff file để tiện cho việc xử lý.
Quan sát các ảnh chụp CT ta đều dễ nhận thấy range màu hầu như nằm
trong mức xám nhiều. Nên quá trình chuyển đổi tiếp từ các ảnh RGB sang ảnh
xám vẫn đảm bảo cho ta các thông tin đầy đủ cho các thao tác phân chia vùng
ảnh.


Bước 2: Phân chia ảnh theo cấu trúc dựa trên trị số đậm độ

Như đã trình bày ở chương III, hình định vị là hình dùng để xác định
các vị trí lát cắt. Ở hình định vị có các đường được đánh số và đặt chồng lên
vùng cơ thể khảo sát. Các số được đánh dấu cúa các đường này sẽ tương ứng
với các số của các hình hay lát cắt trình bày trên phim CT.
Ta có thể dùng hình định vị để quan sát nhanh các lát cắt nào cần xem
trên phim CT. Hoặc ngược lại, xác định bất thường trên lát cắt CT nằm ở vị
trí nào trên hình định vị.
Trong số dữ liệu ảnh được cung cấp, nhận thấy rằng mỗi bệnh nhân có
khoảng 20 đến 50 ảnh tương ứng với số lát cắt. Tương ứng với mỗi lát cắt, ta
xác định trị số độ đậm tương ứng với các mức xám đặc trưng của các cấu trúc:
Xương, mô não, mạch máu,.. Qua đó ta xác định được cấu trúc cần phân vùng.
Mục đích của phân chia vùng ảnh là chia ảnh thành nhiều vùng dựa trên
một đặc tính nào đó. Ở đây ta chọn tiêu chí mức xám làm điều kiện phân chia
vùng ảnh.

46

Hình 3.3 Hình ảnh xương và mạch máu trong ảnh CT
Quan sát trên dữ liệu ảnh ta chia thành 3 vùng theo mức xám là :
Vùng đen : vùng ngoài với mức xám thấp nhất .
Vùng thịt : mức xám trung bình
Vùng xương và mạch máu : mức xám cao nhất.
Bước 3: Phân chia vùng ảnh bằng thuật toán phân cụm






Thuật toán DBSCAN là thuật toán phân cụm có nhiều điểm mạnh:
- Khám phá các cụm có hình dáng bất kỳ
- Chỉ cần một thông số đầu vào (số phần trăm nhiễu)
- Hiệu quả trong cơ sở dữ liệu lớn
- Có khả năng xử lý nhiễu.
Bởi vậy, lựa chọn thuật toán này cho bài toán phân chia vùng ảnh là
hợp lý. Vấn đề đặt ra ở đây là các thuật toán phân cụm làm việc trên tập dữ
liệu là các điểm rời rạc, trong khi đó dữ liệu đầu vào cần xử lý của ta là một
file ảnh. Vậy ta cần có bước chuyển đổi dữ liệu phù hợp với bài toán đặt ra.
Khi đọc một file ảnh trong matlab ta dùng lệnh : X= imread(‘ file
path’);

47

Khi đó X sẽ nhận được giá trị là một mảng 3 chiều ( với ảnh RGB).
Mỗi một điểm ảnh bao gồm 3 thông số R, G,B. Hoặc X sẽ nhận giá trị là
mảng 2 chiều (với ảnh xám), mỗi tọa độ biểu diễn một mức xám. Sau đó, với
mỗi nhóm đã chia ở bước 2, ta dựa trên vị trí (tọa độ) của nó trên ảnh mà thực
hiện phân chia mỗi điểm ảnh này vào nhóm mới.
III.4. Các chức năng của chương trình

Thanh Menu có 3 chức năng chính:



Browse: chọn đường dẫn của file ảnh, hiển thị ảnh.
Bond: Thực hiện việc phân chia vùng ảnh cấu trúc xương và hiển
thị ảnh sau khi phân vùng, đồng thời đưa kết quả vào Result số



phân vùng.
Brain Tissue: Thực hiện việc phân chia vùng ảnh cấu trúc mô
não và hiển thị ảnh sau khi phân vùng, đưa kết quả vào Result
số phân vùng.

Hình 3.4 Giao diện chương trình

48

III.5. Kết quả thử nghiệm

Thuật toán được cài đặt bằng ngôn ngữ lập trình Matlab trên môi
trường Matlab 7.12.0.Chương trình đã được cài đặt và chạy thử nghiệm trên
nhiều ảnh khác nhau. Một số ảnh thử nghiệm đã cho kết quả tốt.

Hình 3.5 Phân chia vùng ảnh theo cấu trúc xương

49

Hình 3.6 Kết quả thử nghiệm phân tách mô não

50

KẾT LUẬN


Một số kết quả đạt được
Trong quá trình làm luận văn học viên đã đạt được một số kết quả sau:
- Tìm hiểu được một cách tổng quan các vấn đề phân chia vùng ảnh. Có

một cách nhìn có hệ thống về các phương pháp phân chia vùng ảnh và các
thuật toán trong mỗi phương pháp.
- Học viên đã tìm hiểu và cài đặt được một phương pháp phân chia
vùng ảnh dựa vào thuật toán phân cụm. Phương pháp này phân vùng hiệu
quả với ảnh chụp CT não người.
Bên cạnh những kết quả đạt được học viên nhận thấy luận văn vẫn còn
một số điểm hạn chế như:
-

Chưa đề xuất được một phương pháp phân chia vùng ảnh hoàn toàn



mới.
Chương trình mô phỏng còn ứng dụng trong một phạm vi hẹp.
Hướng phát triển của đề tài
Dựa trên những kết quả bước đầu đã đạt được trong luận văn, học

viên hi vọng sẽ hoàn thiện được chương trình cài đặt thử nghiệm. Xây
dựng được thuật toán phân chia vùng ảnh tốt hơn phương pháp hiện tại để
qua đó tiến tới cài đặt hoàn thiện một hệ thống trợ giúp quyết định chẩn
đoán tổn thương. Chương trình sẽ có thể phân tích một tệp các ảnh đầu vào
và đưa ra các ảnh có thể có tổn thương giúp cho các bác sĩ nhanh chóng
đưa ra được những chẩn đoán chính xác.

51

TÀI LIỆU THAM KHẢO
[1] Lương Mạnh Bá, Đỗ Thanh Thủy, Nhập môn xử lý ảnh số, NXB Khoa
học và Kỹ thuật, Hà Nội, 2002.
[2] Phạm Việt Bình, Đỗ Năng Toàn, Xử lý ảnh, NXB Khoa học và Kỹ thuật,
Hà Nội, 2008.
[3] Nguyễn Duy Huề - Phạm Minh Thông , Chẩn đoán hình ảnh, NXB Giáo
dục Việt Nam, 2009.
[4] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 3rd ed,
Prentice Hall, New Jersey, 2008.
[5] M. Ester, H. Peter Kriegel, J. Sander, X. Xu,“A Density-Based Algorithm
for Discovering Clustersin Large Spatial Databases with Noise”,Proceedings
of 2nd Internation Conference on Knowledge Discovery and Data
Mining,1996.
[6] J. Shi and J. Malik, “Normalized cuts and image segmentation”, IEEE
Transactions on Pattern Analysis and Machine Itelligence,2000.
[7] Sunita Jahirabadkar, Parag Kulkarni,“Algorithm to determine - distance
parameter in density based clustering”, Expert System with Applications,
2013.
[8] Hai Vu, Tomio Echigo, Ryusuke Sagawa, Keiko Yagi, Masatsugu Shiba,
Kazuhide Higuchi, Tetsuo Arakawa, Yasushi Yagi. "Detection of contractions
in adaptive transit time of the small bowel from wireless capsule endoscopy
videos", Computers in Biology and Medicine 39, 2009, p16-p26
[9] V.V. Vu, N. Labroche, and B. Bouchon-Meunier,“Active learning for
semi supervised k-means clustering”, Proceedings of the 22nd International
Conference on Tools with Artificial Intelligence, IEEE ICTAI, pages 12–15,
2010.

52

[10] V.V.Vu, N. Labroche, and B. Bouchon-Meunier, “ Improving
constrained clustering with active query selection”, Pattern Recognition,
2011.
[11] V.V.Vu, N. Labroche, and B. Bouchon-Meunier, “An efficient active
constraint selection algorithm for clustering”, Proceedings of the 22nd
International Conference on Pattern Recognition ICPR, 2010.
[12] V.V.Vu, N. Labroche, and B. Bouchon-Meunier, “ Boosting clustering
by active contraint selection”, Proceedings of the 19nd European Conference
on Artifical Intelligence, 2010.