Khóa luận Hỗ trợ chẩn đoán tự động tổn thương xuất huyết/tụ máu dựa vào ảnh CT não

cho tất cả mọi điểm biên trong vùng đang xét. Nếu có ít nhất 1 trong 4 điều kiện (a) – (d) bị vi phạm, ta giữ nguyên giá trị điểm ảnh đó. Ngược lại, ta đánh dấu điểm ảnh đó và sau này nó sẽ bị xóa. Lưu ý rằng ta chỉ xóa điểm ảnh khi tất cả các điểm biên đã được duyệt qua, nhờ vậy dữ liệu không bị thay đổi trong quá trình xử lý. Sau khi thực hiện xong bước 1, ta xóa tất cả các điểm đã đánh dấu và thực hiện tiếp bước 2 giống như đã thực hiện cho bước 1. Như vậy, quá trình thực hiện là một vòng lặp liên tục gồm các giai đoạn sau: i. Áp dụng bước 1 để đánh dấu điểm cần xóa. ii. Xóa các điểm đã đánh dấu. iii. Áp dụng bước 2 để đánh dấu điểm. iv. Xóa các điểm đã được đánh dấu. Thuật toán dừng khi không còn điểm nào được xóa nữa. Điều kiện (a) bị vi phạm khi điểm biên p1 có 1 hoặc 7 điểm lân cận có giá trị 1. Trường hợp 1 điểm lân cận đồng nghĩa với việc p1 là điểm cuối, và 28 do đó không thể xóa được. Tương tự, trong trường hợp p1 có 7 điểm lân cận, nếu ta xóa nó sẽ gây ra lỗ hổng trong vùng đang xét. Điều kiện (b) không thỏa khi điểm đang xét nằm trên vùng biên có độ dày bằng 1, và do đó nếu xóa nó sẽ làm mất tính liên tục của đối tượng. 2.4 Biểu diễn đường biên Cách lưu trữ ảnh thô thường thấy nhất là lưu trữ theo dạng ma trận. Đây là lưu trữ chứa đựng được nhiều thông tin nhất (dù thông tin đó ở dạng tiềm ẩn hoặc tường minh). Tuy vậy, trong trường hợp cần biểu diễn đường biên của một đối tượng, phương pháp trên sẽ có những bất tiện như tốn nhiều bộ nhớ và không thuận lợi cho xử lý. Trong phần dưới đây, ta sẽ tìm hiểu 2 phương pháp lưu trữ đường biên khá hiệu quả và có sử dụng trong chương trình. 2.4.1 Biểu diễn bằng chain -code Cách biểu diễn này dựa trên lân cận 4 và lân cận 8 của một điểm. Tùy theo vị trí tương đối của một điểm so với điểm hiện tại mà hướng của nó sẽ được mã hóa bằng 1 con số tương ứng như trong hình 2-5. Để xây dựng chain code của một đường biên, trước hết ta cần chọn 1 điểm khởi đầu, ví dụ như điểm ở góc trái trên của ảnh. Sau đó, ta duyệt lần lượt qua tất cả các điểm theo chiều ngược chiều kim đồng hồ, gán mã cho nó theo một trong 2 kiểu trong hình 2-5. Lấy ví dụ như trong hình 2-6, chain code tương ứng của nó là 5-6-5- 5-6-7-0-0-0-1-7-1-2-1-3-3-4-4-3. 29 Hình 2-6: Mã tương ứng với hướng của (a) chain code 4 hướng và (b) chain code 8 hướng Hình 2-7: Ví dụ về chain code của đường biên, ở đây ta dùng chain code lân cận 8 Chain code tỏ ra rất hữu dụng khi dùng để xác định hướng của đường biên tại một điểm, hoặc dùng để tính chu vi của vùng (xem 2.5.1). Tuy vậy, nếu xét trong vấn đề mà chúng ta đang bàn, cách biểu diễn này không phù hợp. Lí do là vì với cách biểu diễn này, thật khó có thể rút ra được các thông tin cần thiết cho quá trình xử lý, chẳng hạn như khoảng cách từ một điểm đến đường biên. 30 2.4.2 Biểu diễn bằng dòng quét (scanline) Nguyên tắc tắc rất đơn giản: xem mỗi đối tượng là một tập hợp các dòng, và thay vì lưu tất cả các điểm trong mỗi dòng, ta chỉ cần lưu chỉ số của dòng đó, cùng với điểm bắt đầu và kết thúc tương ứng trong dòng. Ví dụ: Xét ảnh trong hình 2-7, biểu diễn đường biên của nó theo dòng quét của nó là: 1 5,6 2 4,7 3 3,8 4 3,9 5 4,7 7,9 6 4,6 8,8 7 5,5 Hình 2-8: Vùng và biểu diễn dòng quét của nó 31 Nhận thấy rằng cách biểu diễn này đã khắc phục những bất lợi của phương pháp chain code, và đem đến cho ta những thuận lợi trong các phép xử lý sau (vốn được sử dụng thường xuyên trong bài): i. Tính diện tích vùng. ii. Xác định một điểm là nằm trong hay ngoài vùng. iii. Dễ dàng duyệt qua toàn bộ các điểm trong vùng. 2.5 Các đặc trưng mô tả vùng (đường kính, chu vi, diện tích…) Trong phần này ta tìm hiểu về một số đặc trưng thường được dùng để mô tả vùng. Các đặc trưng này rất hữu dụng cho việc phân lớp vùng và cung cấp nhiều thông tin quan trọng để so sánh và phân lớp vùng trong ảnh nhị phân. Hình 2-8 mô tả một vùng ảnh nhị phân điển hình. Hình 2-9: Một số đặc trưng dùng để mô tả vùng 2.5.1 Diện tích và chu vi Diện tích và chu vi là 2 trong số những đặc trưng được sử dụng nhiều nhất cho những bài toán phân lớp trong ảnh nhị phân. Diện tích của một vùng tương ứng với tổng số điểm ảnh thuộc vùng đó. Tương tự, chu vi của vùng nhị phân bằng tổng số điểm ảnh nằm trên đường biên của vùng. Đối với biên ảnh xác định bằng lân cận 4, ta có thể xuất phát từ một điểm tùy ý 32 trên biên, đếm tất cả các điểm dọc theo đường biên cho đến khi trở về điểm ban đầu. Tuy vậy, vấn đề sẽ phát sinh nếu đường biên được tạo xác định bằng lân cận 8. Khi đó, khoảng cách giữa 2 điểm kề nhau không phải lúc nào cũng bằng 1 nữa, mà sẽ là 2 . Khi đó, ta có thể sử dụng cách mô tả đường biên bằng chain code. Gọi Ne và No lần lượt là tổng số số chẵn và lẻ có trong chuỗi (theo phần 2.4.1, số chẵn ứng với trường hợp 2 điểm liên tiếp cùng cột hoặc cùng dòng, còn số lẻ ứng với trường hợp 2 điểm nằm theo đường chéo), ta ước lượng chu vi theo công thức sau: Chu vi = Ne + No 2 2.5.2 Khoảng cách xuyên tâm (radial distance) Khoảng cách xuyên tâm là khoảng cách Euclide giữa tâm khối lượng của vùng và tâm của hợp tất cả các vùng trong ảnh. Cách đơn giản nhất để ước lượng tâm vùng là dùng giá trị trung bình của tọa độ các điểm của vùng đó. Đối với ảnh nhị phân, ta có thể tính tâm khối lượng bằng cách dùng moment. Moment (i,j) của vùng R được định nghĩa như sau: ∑∑= x y ji ij yxRyx ),(μ trong đó x và y là tọa độ của các điểm ảnh trong vùng. Khi đó, tâm khối lượng có thể được tính như sau: 00 10 μ μ=x 00 01 μ μ=y Khoảng cách xuyên tâm có thể được tính bằng cách sử dụng khoảng cách Euclide de giữa tâm khối lượng của hợp tất cả các vùng và của vùng đang xét theo công thức sau: 22 )()(),( lrlre yyxxurd −+−= trong đó r và u tương ứng là vùng đang xét và vùng tổng hợp. 33 Bên cạnh đó, ta có thể sử dụng khoảng cách xuyên tâm chuẩn hóa u e R urd ),( , trong đó Ru là bán kính của vùng tổng hợp. Vì 00μ là diện tích của vùng, suy ra Ru có thể được xấp xỉ theo công thức π μ 4 00=uR , với giả định rằng vùng tổng hợp có dạng hình tròn. 2.5.3 Chiều dài trục chính và phụ Chiều dài trục chính và phụ là những đặc trưng rất quan trọng và có thể được ước lượng bằng cách sử dụng các giá trị riêng. Trước hết, một vùng sẽ được biểu diễn như là một tập các điểm {(x1, y1), (x2, y2), (x3, y3), . . . , (xn, yn)} và giả sử rằng các điểm này được biểu diễn bởi một vector ngẫu nhiên S = [x, y]. Gọi C là ma trận hiệp phương sai của vector đó: ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛= 0211 1120 μμ μμ C trong đó: ∑∑ −−= x y yyxx ))((11μ ∑∑ −= x y xx 220 )(μ ∑∑ −= x y yy 202 )(μ với x và y là tâm của vùng đang tính. Vector riêng của ma trận hiệp phương sai cho ta hướng của 2 trục chính và phụ. Chiều dài của các trục bằng với căn bậc hai của các giá trị riêng của ma trận hiệp phương sai. 34 Hình 2-10: Trục chính và trục phụ hình ellipse. 2 vector e1 và e2 là 2 vector riêng của ma trận hiệp phương sai. 2.6 Cây quyết định 2.6.1 Giới thiệu về cây quyết định Cây quyết định là một cây đồ thị trong đó mỗi nút bên trong đại diện cho một điểm quyết định và mỗi nút lá tương ứng với một nhãn (lớp) sẽ được gán cho mỗi bộ dữ liệu nhập. Mỗi nút của cây là một phép thử (so sánh) của một thuộc tính nào đó, và nhánh trổ xuống từ nút đó đại diện cho những giá trị có thể có của thuộc tính này. Để xây dựng được cây quyết định, ta cần có một tập dữ liệu được phân lớp trước (dữ liệu học). Việc xây dựng các cây quyết định chính là quá trình phát hiện ra các luật phân chia tập dữ liệu đã cho thành các lớp đã được định nghĩa trước. Việc sinh cây quyết định bao gồm hai giai đoạn: i. Xây dựng cây: • Tại thời điểm khởi đầu, tất cả các ca ( case ) dữ liệu học đều nằm tại gốc. • Các ca dữ liệu được phân chia đệ qui trên cơ sở các thuộc tính được chọn. 35 ii. Rút gọn cây: • Phát hiện và bỏ đi các nhánh chứa các điểm dị thường và nhiễu trong dữ liệu. Hầu hết các thuật toán dựa vào qui nạp hiện có đều sử dụng phương pháp của Hunt dùng để xây dựng một cây quyết định từ một tập T các ca học với các lớp được kí hiệu là {C1,C2,……Cn}. - Trường hợp 1: T chứa một hoặc nhiều ca, tất cả đều thuộc về một lớp đơn C1: Cây quyết định T là một lá định dạng lớp C1. - Trường hợp 2: T không chứa ca nào: Cây quyết định cho T là một lá, nhưng lớp được gắn với lá này phải được xác định từ các thuộc tính không thuộc T. - Trường hợp 3: T chứa các ca thuộc về một hỗn hợp các lớp: Một phép thử được lựa chọn dựa vào một thuộc tính đơn có một hoặc nhiều kết quả ( giá trị ) loại trừ lẫn nhau {O1,O2,….On}. T được phân chia thành các tập con T1, T2, ….Tn trong đó T1 chứa tất cả các ca trong T có kết quả O1 của phép thử đã chọn. Cây quyết định cho T gồm một đỉnh quyết định định danh cho phép thử, và một nhánh cho mỗi kết quả có thể có. Cơ chế xây dựng cây này được áp dụng đệ qui cho từng tập con của các ca học. Bảng 2-1 là một tập dữ liệu học của một ví dụ về thi đấu tennis với năm thuộc tính và hai lớp ( thuộc tính Ngày được sử dụng làm định danh cho các ca ). Hình 2-10 chỉ ra cách làm việc của thuật toán Hunt, một phép thử dựa trên thuộc tính đơn được chọn để khai triển đỉnh hiện hành. 36 Ngày Quang cảnh Nhiệt độ Độ ẩm ( %) Gió to Kết quả N1 Nắng 24 70 Không Thi đấu N2 Nắng 27 90 Có Không thi đấu N3 Nắng 30 85 Không Không thi đấu N4 Nắng 22 95 Không Không thi đấu N5 Nắng 20 70 Không Thi đấu N6 Nhiều mây 22 90 Có Thi đấu N7 Nhiều mây 28 75 Không Thi đấu N8 Nhiều mây 18 65 Có Thi đấu N9 Nhiều mây 28 75 Không Thi đấu N10 Mưa 21 80 Có Không thi đấu N11 Mưa 18 70 Có Không thi đấu N12 Mưa 24 80 Không Thi đấu N13 Mưa 20 80 Không Thi đấu N14 Mưa 21 96 Không Thi đấu Bảng 2-1: Dữ liệu minh họa cho cây quyết định Hình 2-11: Minh họa phương pháp của Hunt 37 2.6.2 Thuật toán ID3 Thuật toán ID3 ( Quinlan86 ) là một trong những thuật toán xây dựng cây quyết định sử dụng information gain để lựa chọn thuộc tính phân lớp đối tượng. Nó xây dựng cây theo cách từ trên xuống, bắt đầu từ một tập các đối tượng và đặc tả của các thuộc tính. Tại mỗi đỉnh của cây, một thuộc tính có information gain lớn nhất sẽ được chọn để phân chia tập đối tượng. Quá trình này được thực hiện một cách đệ qui cho đến khi một tập đối tượng tại một cây con đã cho trở nên thuần nhất, tức là nó chỉ chứa các đối tượng thuộc về cùng một lớp. Lớp này sẽ trở thành một lá của cây. Việc lựa chọn một thuộc tính nào cho phép thử là rất quan trọng. Nếu chọn không thích hợp, chúng ta có thể có một cây rất phức tạp. Ví dụ, nếu ta chọn thuộc tính Nhiệt độ làm gốc cây thì cây quyết định sẽ có hình dạng như trong hình 2-11. Nhưng nếu chọn thuộc tính Quang cảnh làm gốc thì ta lại có một cây quyết định tất đơn giản như đã chọn trong hình 2-10. Vậy nên chọn thuộc tính nào là tốt nhất? Thông thường việc chọn thuộc tính đều dựa vào một độ đo gọi là Entropy Gains hay còn gọi là Information Gains của các thuộc tính. Entropy của một thuộc tính được tính toán từ các thuộc tính phân lớp. Đối với thuộc tính rời rạc, cần phải có các thông tin phân lớp của từng giá trị thuộc tính. Lớp Giá trị thuộc tính Thi đấu Không thi đấu Nắng 2 3 Nhiều mây 4 0 Mưa 3 2 Bảng 2-2: Thông tin phân bố thuộc tính quang cảnh 38 Lớp Giá trị thuộc tính Phép thử nhị phân Thi đấu Không thi đấu 65 1 0 > 8 5 70 3 1 > 6 4 75 5 1 > 4 4 78 5 1 > 4 4 80 7 2 > 2 3 85 7 3 > 2 2 90 8 4 > 1 1 95 8 5 > 1 0 96 9 5 > 0 0 Bảng 2-3: Thông tin phân bố lớp của thuộc tính Độ ẩm Bảng 2-2 cho thấy thông tin phân lớp của thuộc tính Quang cảnh. Đối với một thuộc tính liện tục. chúng ta phải xét phép thử nhị phân đối với tất cả các giá trị khác nhau của thuộc tính. Bảng 2-3 chỉ ra thông tin phân lớp của thuộc tính Độ ẩm. 39 Một khi đã thu nhận được các thông tin phân lớp của tất cả các thuộc tính, chúng ta sẽ tính Entropy. Một thuộc tính với Entropy lớn nhất sẽ được chọn làm một phép thử để khai triển cây. 2.6.2.1 Hàm Entropy Hàm Entropy xác định tính không thuần khiết của một tập các ca dữ liệu bất kỳ. Chúng ta gọi S là tập các ca dương tính ( ví dụ Thi đấu ) và âm tính ( ví dụ Không thi đấu ). P(+) là tỉ lệ các ca dương tính S, P(-) là tỉ lệ âm tính S. Entropy(S) = -P(+)log 2 P(+) – P(-)log 2 P(-) Ví dụ 1. Trong Bảng 2-1 của ví dụ thi đấu tennis, tập S có 9 ca dương và 5 ca âm ( ký hiệu là [9+,5-]). Entropy(S) = Entropy([9+,5-]) = - 14 9 log 2 14 9 - 14 5 log 2 14 5 = 0.940 Hình 2-12: Một cây quyết định chọn nhiệt độ làm gốc Nhận xét. Entropy bằng 0 nếu tất cả các ca trong S đều thuộc về cùng một lớp. Chẳng hạn như, nếu tất cả các ca đều dương thì P(+) = 1 và P(-) = 0, do vậy: Entropy(S) = -1log 2(1) – 0log 2 (0) = 0 40 Entropy bằng 1 nếu tập S chứa số ca dương và âm bằng nhau. Nếu số các ca này khác nhau thi Entropy nằm giữa 0 và 1. Trường hợp tổng quát, nếu S bao gồm c lớp thì Entropy của S được tính bằng công thức sau: Entropy(S) = ∑ -P = n i 1 ilog 2 Pi trong đó Pi là tỉ lệ thuộc tính I trong tập S. 2.6.2.2 Độ đo (Informatic Gain) Đo mức độ hiệu quả của một thuộc tính trong bài toán phân lớp dữ liệu. Đó chính là sự rút gọn mà ta mong đợi khi phân chia các ca dữ liệu theo thuộc tính này. Nó được tính theo công thức sau đây: Gains(S,A) = Entropy(S) - ∑ )( AValue r S S Entropy(S) trong đó Value(A) là tập tất cả các giá trị có thể có đối với thuộc tính A và Sr là tập con của S mà A có giá trị là v. Ví dụ 2. Value(Gió to) = { true,false},S=[9+,5-] Strue là đỉnh con với giá trị là “true”, bằng [2+,3-] Sfalse là đỉnh con với giá trị là “false”, bằng [7+,2-] Gaint(S,Gió to) = Entropy(S) - ∑ )( AValue r S S Entropy(S) = Entropy(S) - 14 5 * Entropy(Strue) - 14 9 * 41 Entropy(Sfalse) = 0.940 - 14 5 *0.97 - 14 9 *0.764 = 0.1024 Tương tự như vậy, ta có thể tính được độ đo cho các thuộc tính còn lại của ví dụ trong Bảng 1. Đối với thuộc tính Độ ẩm. ta lấy độ ẩm 75% để chia các ca thành hai phần, một phần ứng với các ca có độ ẩm ≤ 75% được gọi là độ ẩm Bình thường ( [5+,1-] ), phần còn lại được gọi là có độ ẩm Cao ( [4+,4-] ). Còn đối với thuộc tính Nhiệt độ, ta sẽ chia thành ba mức, các ngày có nhiệt độ nhỏ hơn 210 được gọi là Lạnh(4 ngày), các ngày có nhiệt độ lớn hơn hay bằng 210 đến nhỏ hơn hoặc bằng 270 được gọi là Ấm (6 ngày), và còn lại là những ngày có nhiệt độ lớn hơn hoặc bằng 270 được gọi là Nóng (4 ngày). Gain(S,Quang cảnh) = 0.246 Gain(S,Gió to) = 0.1024 Gain(S,Nhiệt độ) = 0.029 Gain(S,Độ ẩm) = 0.045 Từ đây ta thấy rằng độ đo của S đối với thuộc tính Quang cảnh là lớn nhất trong số 4 thuộc tính. Như vậy, có thể quyết định chọn Quang cảnh làm thuộc tính đầu tiên khai triển cây, Hình 2-12 là khai triển của cây quyết định theo thuộc tính Quang cảnh. Tương tự như vậy, ta có thể tiến hành triển khai các nút ở mức tiếp theo: Snắng = {N1, N2, N3, N4, N5} Entropy(Snắng) = - 5 2 log 2 5 2 - 5 3 log 2 5 3 = 0.970 Gain(Snắng , Độ ẩm) = 0.970 - 5 3 *0.0 - 5 2 *0.0 = 0.970 42 Gain(Snắng , Nhiệt độ) = 0.970 - 5 2 *0.0 - 5 2 *1.0 - 5 1 *0.0 = 0.570 Gain(Snắng , Gió to) = 0.970 - 5 2 *1.0 - 5 3 *0.918= 0.019 Từ các giá trị của Entropy Gain, ta thấy Độ ẩm là thuộc tính tốt nhất cho đỉnh nằm dưới nhánh Nắng của thuộc tính Quang cảnh. Tiếp tục quá trình trên cho tất cả các đỉnh và sẽ dừng khi không còn đỉnh nào có thể khai triển được nữa. Cây kết quả sẽ có dạng như phần c) của hình 2-12. 2.7 Thông tin tương hỗ Cho trước một biến ngẫu nhiên X = {x1, …, xn}. Ta định nghĩa công thức tính entropy Shannon như sau: ∑ = −= n i ii ppXH 1 log)( với pi = Pr[X = xi] và n là lực lượng của X. Độ đo entropy này thể hiện độ thông tin trung bình hay là độ không chắc chắn của biến ngẫu nhiên. Bây giờ ta xét thêm một biến ngẫu nhiên Y = {y1, …, yn}. Ta định nghĩa entropy có điều kiện với p∑∑ = = −= m j n i jiij ppYXH 1 1 |log)|( i|j = Pr[X = xi|Y=yj ] là xác suất có điều kiện và entropy hợp với p∑∑ = = −= n i m j ijij ppYXH 1 1 log),( ij = Pr[X = xi, Y=yj]. Thông tin tương hỗ giữa X và Y được xác định theo công thức: ∑∑ = = = n i m j ji ij ij qp p pYXI 1 1 log),( Dễ thấy I(X,Y) = H(X) – H(X|Y) = H(Y) – H(Y|X) nên còn được gọi là thông tin chia sẻ giữa X và Y. 43 Một kết quả cơ bản của lý thuyết thông tin là bất đẳng thức về xử lý thông tin có thể được diễn tả dưới dạng sau: nếu X -> Y -> Z là chuỗi Markov, nói cách khác p(x,y,z) = p(x)p(y|x)p(z|y) thì: ),(),( ZXIYXI ≥ Kết quả này nói lên rằng không tồn tại cách xử lý Y nào, dù là ngẫu nhiên hay chủ ý, có thể làm tăng thông tin Y chứa về X. Ở phần 3.4, ta sẽ bàn về cách sử dụng thông tin tương hỗ này vào bài toán phân vùng ảnh. 2.8 Học dựa vào sự trình diễn Theo [4], một vấn đề quan trọng khi xây dựng những hệ thống dựa vào tri thức là giai đoạn thu thập tri thức. Đây là một thách thức lớn và là một đề tài thu hút nhiều quan tâm trong lĩnh vực máy học cũng như trí tuệ nhân tạo. Thông thường, người kĩ sư tri thức cần có một chuyên gia trình bày những hiểu biết chuyên môn của mình và dựa vào đó để xây dựng cơ sở tri thức. Đây là quá trình khá buồn tẻ và thường có nhiều sai sót. Cách trình bày của chuyên gia có thể không hoàn toàn chính xác, không hoàn chỉnh và có thể không được hiểu đúng bởi người kĩ sư tri thức. Trong nhiều trường hợp, các chuyên gia có khuynh hướng thực hiện hành động hơn là giải thích về chuyên môn của mình. Những vấn đề trên thúc đẩy chúng ta tìm kiếm một giải pháp khác cho bài toán xây dựng cơ sở tri thức: thay vì thu thập các tri thức dưới dạng trao đổi với chuyên gia, ta sẽ yêu cầu họ trình diễn các tri thức của mình thông qua các hành động mà hệ thống có thể quan sát và ghi nhận lại được. Cách tiếp cận này gọi là phương pháp học dựa vào trình diễn (learning by demonstration). Nhiều dạng máy học có thể xem như là một hình thức tương tác giữa giáo viên và học sinh: người giáo viên đưa ra các ví dụ và máy tính (hoặc học sinh) tổng quát hóa những ví dụ đó để tạo thành tri thức cho riêng mình. Sau đó, giáo viên sẽ kiểm tra khả năng của học sinh bằng cách đưa ra những 44 bài kiểm tra và xem xét kết quả thực hiện của học sinh. Trong suốt quá trình học, thường thì không có bất kì một phản hồi nào từ phía người học sinh về mức độ kiến thức mà họ đã tiếp thu được, do đó cách học này có thể làm lãng phí nhiều tài nguyên, thời gian và công sức. Cách học dựa vào trình diễn là một bước phát triển cao hơn của mô hình tương tác trên: người học sinh yêu cầu giáo viên giải một ví dụ nào đó và bằng cách quan sát cách giải quyết của giáo viên, học sinh sẽ tổng quát thành kiến thức cho mình. Lợi thế của của cách học này là học sinh có thể định hướng trực tiếp được những phần chưa hiểu để giáo viên tập trung vào đó. Nhờ vậy, vai trò của người học sinh trong quá trình học là chủ động chứ không phải bị động. 45 Chương 3 : Xây dựng hệ thống Phần đầu tiên của hệ thống là module dò tìm vùng tổn thương bằng phương pháp lọc ngưỡng. Nhiệm vụ của bộ lọc này là tìm ra những vùng có độ đo Hounsfield nằm trong ngưỡng của tổn thương đang được dò tìm. Do ảnh hưởng của hiệu ứng thể tích từng phần nên sẽ có khá nhiều vùng bị nhận lầm. Chính vì vậy, nhiệm vụ của module tiếp theo chính là để loại ra những vùng bị phát hiện nhầm đó. Ở đây ta sử dụng thuật toán k-người láng giềng gần nhất để tạo bộ phân lớp. Bộ phân lớp này được xây dựng dựa vào phương pháp học bằng sự trình diễn: kết quả của bộ lọc thứ nhất sẽ được hiển thị, và các chuyên gia (bác sĩ chẩn đoán hình ảnh), bằng tri thức và kinh nghiệm của mình, sẽ quyết định xem vùng nào sẽ bị loại bỏ và vùng nào sẽ được giữ lại. Đặc trưng của những vùng này, cùng với thông tin về hành động tương ứng tách động lên nó (giữ hay xóa) sẽ được lưu lại tạo thành dữ liệu học. Sau khi loại bỏ các vùng bị nhận dạng nhầm, ta sẽ tiến hành đo các thông tin định tính về vùng đó, sau đó sử dụng hệ luật để định vị vùng tổn thương đó trong não. Do vấn đề thời gian nghiên cứu, hệ luật này chỉ mới được xây dựng ở mức độ đơn giản, dựa vào các quan sát trên hình ảnh và tiêu bản não. Để xây dựng được hệ luật phức tạp hơn, một lần nữa phương pháp học bằng sự trình diễn sẽ được dùng đến. 3.1 Phân đoạn đơn giản Dữ liệu sau khi tiền xử lý sẽ được cho qua bộ phân đoạn để xác định vùng chấn thương thứ nhất. Module này sử dụng phương pháp lọc ngưỡng để phát hiện ra các vùng xuất huyết/tụ máu. Phương pháp này được chọn vì nó có những ưu điểm sau: a. Như đã trình bày trong bảng 1-1, mỗi một cấu trúc trong não sẽ có độ hấp thụ đối với tia X khác nhau, tức là có đậm độ khác nhau. Như vậy, ngưỡng đậm độ của tổn thương xuất huyết/tụ máu là đã xác định được, 46 mà ta biết rằng xác định ngưỡng chính là bước quan trọng và khó khăn nhất trong cách tiếp cận này. b. Cài đặt đơn giản, tốc độ cao, không cần dữ liệu học. c. Qua thử nghiệm, với ngưỡng cho tổn thương xuất huyết/tụ máu như trong bảng 1-1 thì tất cả những vùng bị tổn thương đều được phát hiện, không bỏ sót vùng nào. Tuy vậy, bộ phân đoạn đơn giản này cũng có một khuyết điểm quan trọng: phân đoạn nhầm một số vùng khác. Nguyên nhân chính gây ra sai sót này là do hiện tượng gọi là hiệu ứng thể tích từng phần. Một ví dụ về hiện tượng này là trường hợp những vùng nhu mô não (vốn có đậm độ chỉ khoảng 30-45) nhưng nếu nằm kế bên vùng xương (có đậm độ cao hơn rất nhiều, từ 250 trở lên) thì đậm độ của vùng nhu mô đó sẽ tăng lên. Đó chính là lí do mà những vùng như mô não nằm cạnh xương sọ sẽ bị nhận lầm là vùng tổn thương xuất huyết/tụ máu. Loại bỏ những vùng này chính là nhiệm vụ của module tiếp theo: phân lớp bằng K người láng giềng gần nhất với dữ liệu học thu được bằng phương pháp học dựa vào sự trình diễn. 3.2 Học dựa vào sự trình diễn Như đã nói, mọi phương pháp máy học đều bao gồm 2 giai đoạn: giai đoạn học và giai đoạn hoạt động. Trong hệ thống của chúng ta, giai đoạn học sẽ được thực hiện trên một hộp thoại riêng, và những tri thức thu được từ người sử dụng sẽ được lưu lại để sử dụng cho quá trình chẩn đoán thật sự ở màn hình chính. 3.2.1 Hệ thống học Để thu nhận tri thức từ chuyên gia cho hệ thống học dựa vào sự trình diễn, ta cần xây dựng một giao diện tương tác trực tiếp với người sử dụng. Dữ liệu nhập cho hệ thống này là kết quả từ module phân đoạn đơn giản ở trên, gồm dữ liệu về các lát cắt CT cùng những vùng tụ máu/xuất huyết đã được phát hiện (bao gồm cả những vùng bị phát hiện nhầm). Chuyên gia sẽ 47 sử dụng những kiến thức chuyên môn của mình để quyết định hành động sẽ được thực hiện lên mỗi vùng (gồm một trong 2 hành động là xóa hoặc giữ lại). Bên cạnh đó, chương trình sẽ tính toán các đặc trưng cần thiết của mỗi vùng. Tại mỗi vùng, kết hợp hành động với đặc trưng ta sẽ có một mẫu học. Những mẫu này sẽ được lưu lại và trở thành dữ liệu học cho một phương pháp phân lớp nào đó, ví dụ như mạng nơ ron, cây quyết định hoặc k-người láng giềng gần nhất… Hình 3-1: Ảnh CT qua bộ lọc thứ nhất, trong đó màu đỏ biểu diễn cho vùng bệnh và màu xanh ứng với những vùng bị nhận nhầm 3.2.2 Đặc trưng vùng Bên cạnh những đặc trưng đã nêu ra trong phần 2.5, sẽ có thêm một số đặc trưng khác được sử dụng: 48 3.2.2.1 Đậm độ lớn nhất, nhỏ nhất, trung bình của vùng Ứng với mỗi vùng, ta sẽ tính các thông số về đậm độ lớn nhất, nhỏ nhất và trung bình của nó. Do mỗi vùng được lưu theo dạng dòng quét nên việc duyệt qua tất cả các điểm ảnh và tính ra các giá trị này khá đơn giản. 3.2.2.2 Diện tích của vùng Đặc trưng này đã được trình bày trong phần trong phần 2.5. Đặc trưng này cho ta biết độ lớn nhỏ của vùng. 3.2.2.3 Khoảng cách gần nhất Nhớ rằng do hiệu ứng thể tích từng phần nên những vùng nhu mô não ở quá gần vùng xương sọ sẽ bị ảnh hưởng tăng đậm độ, do đó sẽ là hợp lý nếu ta tìm khoảng cách từ một vùng đến vùng sọ gần nhất của nó. Vấn đề cần quan tâm nhất là điểm nào trong vùng sẽ được chọn làm mốc để tính khoảng cách tới vùng xương. Ở đây ta chọn điểm trung tâm của vùng, với điểm trung tâm được xác định như là “điểm giữa của dòng quét giữa của vùng”. Ví dụ: vùng đó có 9 dòng quét và dòng quét thứ 5 có 7 điểm thì điểm thứ 4 của dòng quét 5 chính là điểm được chọn. 3.2.2.4 Đậm độ trung bình của vùng nội sọ (vùng nhu mô não) Cũng xuất phát từ ảnh hưởng của hiệu ứng thể tích toàn phần nên đậm độ ở những lát cắt trên cùng sẽ tăng cao (do gần với vùng sọ đỉnh), và dĩ nhiên những vùng tụ máu/xuất huyết ở đây cũng sẽ có đậm độ cao hơn. Từ đó, ta nhận thấy rằng đậm độ trung bình của vùng nhu mô não sẽ đóng vai trò quan trọng, và phản ánh tương đối vị trí của lát cắt đó trong não ( lát cắt càng cao thì đậm độ trung bình càng lớn, tuy nhiên nó cũng sẽ bị ảnh hưởng bởi nhiều yếu tố khác, chẳng hạn như những tổn thương có biểu hiện là giảm đậm độ…) cũng như là đậm độ của vùng tụ máu/xuất huyết được phát hiện. 49 Qua quá trình thử nghiệm, vector đặc trưng của mỗi vùng gồm 3 đại lượng sau: diện tích vùng, trung bình đậm độ, và khoảng cách nhỏ nhất. 3.2.3 Phân lớp bằng thuật toán k-người láng giềng gần nhất Sau khi thu thập đầy đủ dữ liệu học, bây giờ ta có thể sử dụng nó cho hệ thống của mình. Cụ thể hơn, ta sẽ sử dụng dữ liệu học này để phân lớp những vùng tổn thương đã được phát hiện ở bộ phân đoạn đơn giản. Mỗi vùng sẽ được phân vào một trong hai lớp: lớp xóa (tương ứng với việc xóa bỏ vùng đó, do nó không phải là bệnh) và lớp giữ (đây đúng là vùng bị tổn thương). Phương pháp được chọn ở đây là sử dụng thuật toán k-người láng giềng gần nhất. Cách hoạt động của thuật toán k-người láng giềng gần nhất như sau: Với mỗi vùng được đưa vào, ta sẽ tính toán khoảng cách giữa vector đặc trưng của vùng đó với tất cả các vector trong bộ dữ liệu học đã cho, và chọn ra k vector có khoảng cách nhỏ nhất. Lần lượt đếm số lần xuất hiện của các mẫu giữ và mẫu xóa trong k vector này và hành động xuất hiện nhiều hơn sẽ được chọn là hành động sẽ tác động lên mẫu cần phân lớp. 3.2.3.1 Chọn lựa k Chọn k bằng bao nhiêu là một vấn đề quan trọng của thuật toán k-người láng giềng gần nhất. Ở trường hợp tới hạn với k = 1, ta có thuật toán người láng giềng gần nhất. Nói chung, việc chọn k là một vấn đề phụ thuộc từng bài toán cụ thể, và giá trị k tốt nhất chỉ có thể xác định dựa vào phương pháp thử sai. Qua quan sát, người ta đã đưa ra một số giá trị k tỏ ra khá tốt với nhiều bài toán khác nhau, một trong số đó là cách chọn k = n . Riêng trong bài này, với số lượng mẫu học khoảng 600, sau quá trình thử nghiệm em chọn k bằng 7. 50 3.2.3.2 Tính khoảng cách giữa hai vector Cùng với cách chọn giá trị cho k thì việc xác định công thức tính khoảng cách giữa 2 vector đặc trưng (nói cách khác, là độ tương tự giữa 2 mẫu) cũng đóng vai trò quan trọng. Cách tính quen thuộc nhất là dùng khoảng cách Euclide: nếu gọi u và v là 2 vector cần tính khoảng cách, mỗi vector có n thành phần thì khoảng cách Euclide được tính theo công thức sau: (4.3) )()(2 vuvuDist T −−= Nhận xét rằng trong công thức trên, tất cả các đặc trưng đều có một vai trò như nhau. Tuy vậy, trong thực tế (cũng như trong vấn đề mà ta đang xét), thường sẽ có những đặc trưng giữ vai trò quan trọng hơn các đặc trưng còn lại. Chẳng hạn, một vùng càng nằm gần sọ não thì càng có nhiều khả năng đã bị phát hiện lầm ở bước phân đoạn trước, như vậy hệ số cho đại lượng này trong công thức tính khoảng cần phải lớn hơn. Mặt khác, nếu vùng đó nằm gần não, nhưng có diện tích lớn khá lớn thì nhiều khả năng đó là tổn thương tụ máu dưới/ngoài màng cứng nên cần được giữ lại, như vậy hệ số về tương ứng với diện tích cũng phải cao. Để tính khoảng cách giữa 2 vector mà trong đó các đặc trưng có vai trò khác nhau, ta dùng công thức sau: )()(2 vuWvuDist T −−= (4.4) trong đó W là ma trận đường chéo, và phần tử wii của nó sẽ tương ứng với hệ số mà đặc trưng thứ i được nhận. 3.3 Dùng hệ luật để định vị vùng tổn thương 3.3.1 Hệ luật đơn giản Muốn đưa ra được lời mô tả hình ảnh, ta xác định vị trí của vùng tổn thương trong não (ví dụ: nằm ở vùng thùy chẩm hay thùy thái dương…). Ở mức đơn giản, bằng các quan sát thực tế, ta có thể đưa ra một số luật cơ bản. 51 Hiện các luật này được xây dựng chủ yếu dựa vào thông tin về vị trí tương đối của một vùng so với sọ não. ƒ Nằm lệch về bên trái hay bên phải, phía trên hay phía dưới của sọ. ƒ Nhờ vào thông tin về vị trí các lát cắt: lát cắt đầu tiên, cuối cùng… ƒ Trường hợp vị trí của vùng tổn thương không rõ ràng, ta sẽ chỉ kết luận nó thuộc về bán cầu não trái hoặc bán cầu não phải. Với những lát cắt đầu tiên (hình 3-2), những vùng chúng ta cần định vị gồm có bán cầu tiểu não, thùy thái dương phải và thùy thái dương trái. Do đã có được đường biên của xương sọ nên ta dễ dàng xác định được vị trí tương đối của một vùng là nằm về phía trái, phía phải, hay bên dưới (lấy mốc là sọ não). Ví dụ về các luật trong trường hợp này là: Ví dụ: NẾU vùng nằm về phía dưới THÌ nó thuộc tiểu não NẾU vùng nằm về phần trên và lệch về phía phải THÌ nó thuộc về thùy thái dương (P). Với các lát cắt tiếp theo, ta xác định các vùng theo hình 3-3, với các vị trí có thể là thùy trán, thùy thái dương phải và trái, thùy chẩm và vùng não thất. Với cách phân vùng như trong hình 3-3, ta có một luật ví dụ như sau: Ví dụ: NẾU vùng thuộc về phân vùng trên cùng THÌ nó thuộc về thùy trán. Lên cao nữa, ở những lát cắt cuối cùng như hình 3-4, ta định vị một vùng duy nhất là thùy đỉnh. Nếu một vùng tổn thương nằm trên nhiều vùng khác nhau của não thì vị trí được xác định sẽ là hợp của các vị trí đó lại với nhau, chẳng hạn “thái dương-trán” hay “thái dương-chẩm”. 52 Hình 3-2: Minh họa lát cắt đầu tiên vùng trên lều Hình 3-3: Minh họa cách phân vùng các lát cắt giữa 53 Hình 3-4: Hình minh họa lát cắt trên cùng (thùy đỉnh) 3.3.2 Hệ luật phức tạp Có thể thấy rằng những luật này đều có độ chính xác tương đối. Nếu như muốn mô tả vị trí của tổn thương cụ thể hơn, thì rõ ràng hệ luật sẽ phức tạp hơn và không thể xây dựng bằng phương pháp quan sát như trên được. Dĩ nhiên, cách thức truyền thống trong trường hợp này là yêu cầu bác sĩ chuyên môn trợ giúp. Tuy nhiên, một vấn đề khác lại xuất hiện là bản thân các tri thức của bác sĩ đều mờ, và họ rất khó trình bày được cách họ suy luận để đi đến kết luận như thế. Nếu nói đến vấn đề giải quyết thông tin mờ, ta sẽ nghĩ ngay đến công cụ logic mờ. Tuy vậy, ở đây em muốn thử nghiệm một cách giải quyết khác: sử dụng lại một lần nữa phương pháp học dựa vào sự trình diễn. Quá trình thực hiện như sau: 1. Phân vùng ảnh ra thành nhiều vùng con. 2. Yêu cầu chuyên gia đánh dấu mỗi vùng, số lượng nhãn phụ thuộc vào mức độ chi tiết các bộ phận mà ta muốn định vị. 3. Lưu thông tin các vùng để tạo thành dữ liệu học. 4. Tạo ra cơ sở luật bằng cách dùng phương pháp cây quyết định (thuật toán ID3 đã trình bày ở 2.7.2). 54 5. Khi định vị, ta chỉ cần phân vùng ảnh theo cách đã làm khi học, xác định phân vùng chứa tổn thương, tính toán các đặc trưng và sử dụng hệ luật đã xây dựng để định vị. Ta nhận thấy cần phải tìm một phương pháp phân vùng ảnh sao cho thỏa 2 điều kiện sau: - Không quá lớn để nhiều bộ phận khác nhau của não bị rơi vào chung một vùng. - Không quá nhỏ vì như vậy sẽ tạo thành quá nhiều phân, mỗi vùng sẽ không mang đầy đủ đặc trưng của nó, làm tăng thời gian xử lý. Cách thực hiện là sử dụng thông tin tương hỗ (đã trình bày ở phần 2.8). Ý tưởng chính như sau: xem ảnh ban đầu như một vùng duy nhất, ta tiến hành chia ảnh theo 2 chiều ngang hoặc dọc dựa theo độ tăng cực đại của thông tin tương hỗ. Các tập biến ngẫu nhiên X và Y được xác định như sau: X: N np ii = là histogram i của ảnh (bin i). Y: N qi 1= Suy ra: - pj|i là xác suất chuyển từ bin i của histogram sang pixel j. - I(X,Y) = H(X) vì cho trước 1 điểm ảnh, sẽ không có bất cứ sự không chắc chắn nào về histogram bin tương ứng của nó. Kết quả thu được [7] sẽ tùy vào điều kiện dừng của thuật toán. Sau đây là một số kết quả: 55 các tiêu chuẩn dừng khác nhau Hình 3-5: Ảnh phân vùng não với Với kết quả như trên, ta nhận thấy rằng đây là một cách phân vùng rất có triển vọng. 56 Chương 4 : Chương trình cài đặt – kết quả thử nghiệm 4.1 Chương trình cài đặt 4.1.1 Công cụ sử dụng - Chương trình được viết bằng ngôn ngữ Microsoft Visual C++ 6.0 trên môi trường Windows XP. - Dữ liệu thử nghiệm bao gồm 60 ca khảo sát CT não được cung cấp bởi bệnh viện Nguyễn Trãi, thành phố Hồ Chí Minh. 4.1.2 Cấu trúc dữ liệu học Dữ liệu học từ module học bằng sự trình diễn được lưu lại trong tập tin LearningData.Dat đặt trong thư mục LDATA (nằm cùng cấp với tập tin thực thi của chương trình). Cấu trúc tập tin dữ liệu học gồm có: - 4 byte đầu tiên: chứa số lượng mẫu học có trong tập tin nNumSample.. - Phần còn lại chứa nNumSample mẫu học. 4.1.3 Chương trình Giao diện chính: Hình 4-1: Giao diện chính 57 Nếu hệ thống chưa có dữ liệu học (hoặc muốn bổ sung thêm dữ liệu học) ta làm như sau: i. Từ giao diện chính, bấm vào nút “Học dò tìm” để mở hộp thoại học: Hình 4-2: Màn hình học dựa vào sự trình diễn ii. Lần lượt load dữ liệu về bệnh nhân, thực hiện các bước sau: • Dò tìm đơn giản: dò tìm bằng phương pháp lọc ngưỡng đơn giản. • Sau đó, sử dụng công cụ đánh dấu vùng kèm theo để chọn những vùng bệnh thật (vùng sẽ được giữ lại). • Lưu dữ liệu xuống đĩa. 58 Sau khi đã có dữ liệu học, hệ thống chính đã có thể hoạt động. Muốn chẩn đoán, ta quay về màn hình giao diện chính, mở dữ liệu về bệnh nhân lên và thực hiện chức năng “Dò tìm”: Hình 4-3: Chọn bệnh nhân Hình 4-4: Dữ liệu về bệnh nhân đã được hiển thị. Vùng màu sáng là vùng xuất huyết 59 Hình 4-5: Sau khi dò tìm vùng tổn thương Rất tiếc do thời gian có hạn nên em đã không kịp cài đặt và thử nghiệm phần tạo hệ luật cho module định vị vùng tổn thương trong não. 4.2 Đánh giá kết quả 4.2.1 Độ hiệu quả của giai đoạn phân lớp Phần này trình bày về độ chính xác của bộ phân lớp dùng thuật toán k-người láng giềng gần nhất. Nhắc lại rằng sau bước lọc ngưỡng, ta sẽ có một tập các vùng, bao gồm những vùng tổn thương thật sự và những vùng bị nhận lầm. Bộ phân lớp dùng kNN được xây dựng nhằm mục đích phân loại các vùng này. Sử dụng các độ đo đã giới thiệu trong phần 1.4, ta sẽ đánh giá độ hiệu quả của bộ phân lớp, với dữ liệu vào là tập các vùng được xác định sau bước lọc ngưỡng. Quá trình thử nghiệm được thực hiện trên 2 tập dữ liệu: tập thứ nhất (gọi là tập (1)) gồm 17 khảo sát CT có tổn thương xuất 60 huyết/tụ máu, tập thứ hai (tập (2)) gồm tập (1) bổ sung thêm 10 khảo sát CT bình thường. Kết quả như sau: Tập dữ liệu Độ nhạy Độ đặc trưng Tỉ lệ phân lớp vùng bệnh đúng Tỉ lệ phân lớp vùng bình thường đúng (1) 94% 94.3% 70.5% 98% (2) 94% 93% 71.3% 97.5% Bảng 4-1: Độ chính xác của bộ phân lớp Ta sẽ nói thêm về các giá trị trên. Tỉ lệ phân lớp vùng bệnh đúng là 70%, tức là chỉ 70% vùng được đánh dấu bệnh thực sự là vùng tổn thương. Đây là một kết quả khá thấp. Ngược lại, “tỉ lệ phân lớp vùng bình thường đúng” rất cao (98%) nói lên rằng 98% các vùng được đánh nhãn bình thường là đúng; nói cách khác, chỉ có 2% số vùng bệnh bị đánh dấu không bệnh là sai. Như vậy, bộ phân lớp này đã đạt được mục tiêu đề ra ban đầu: không bỏ sót vùng bệnh, dù tỉ lệ vùng bệnh nhận lầm có thể cao. (Tham khảo phần 4.2.3 về các hướng cải tiến độ hiệu quả của bộ phân lớp). 4.2.2 Đánh giá công việc Những công việc đã thực hiện được: - Tìm hiểu được các kiến thức chuyên môn cơ bản về lĩnh vực chẩn đoán chấn thương sọ não cấp dựa vào ảnh CT não. - Các vấn đề về lý thuyết cần thiết. - Đề xuất mô hình hệ thống. - Cài đặt thử nghiệm một phần của mô hình • Phát hiện vùng tổn thương, module học dựa vào sự trình diễn để phát hiện vùng tổn thương • Xây dựng hệ luật đơn giản để định vị vùng tổn thương. Những công việc còn tồn tại: 61 - Do thời gian có hạn nên chưa hoàn thành hết mô hình, chưa xây dựng được hệ luật tốt hơn để định vị vùng tổn thương. - Chưa thử nghiệm nhiều phương pháp khác nhau tại mỗi bước xử lý để chọn ra cách thích hợp nhất. - Chỉ mới đề cập đến một góc nhỏ của việc chẩn đoán chấn thương sọ não bằng ảnh CT, cộng thêm việc yêu cầu dữ liệu đầu vào khá chặt, nên tính thực tế vẫn còn thấp. 4.2.3 Hướng phát triển trong tương lai - Hoàn chỉnh phần cài đặt các phần còn lại. - Nghiên cứu thử nghiệm nhiều phương pháp và thuật toán khác, vì các thuật toán được chọn nói chung đều do chủ quan của người viết, không qua quá trình thử nghiệm so sánh độ hiệu quả cụ thể. - Để nâng cao tính chính xác của hệ thống, ta có thể áp dụng thêm các kiến thức khác về chuyên môn, đặc biệt chú ý đến tính đối xứng của não. (Tham khảo tài liệu [16] về vấn đề phát hiện các đối xứng bình thường và bất thường trong ảnh CT). - Phát triển hệ thống lên một bước cao hơn: hỗ trợ nhiều dạng tổn thương hơn, với dữ liệu đầu vào đa dạng hơn. 62 Tài liệu tham khảo [1] Bạch Hưng Khang, Hoàng Kiếm, Trí tuệ nhân tạo các phương pháp và ứng dụg, NXB Khoa Học Kĩ Thuật, 1989. [2] Campbell, N. W., Thomas, B. T., and Troscianko, T., “Automatic segmentation and classification of outdoor images using neural networks,” International Journal of Neural Systems, vol. 8, no. 1, pp. 137–144, 1997 [3] Chang, Y. and Li, X., “Adaptive image region-growing,” IEEE Transactions on Image Processing, vol. 3, pp. 868–872, November 1994. [4] Erol Sarigul, Interactive Machine Learning for Refinement and Analysis of Segmented CT/MRI Images, A doctoral dissertation submitted to the faculty of the Virginia Polytechnic Institute and State University in partial fulfillment of the requirements for the degree of Doctor of Philosophy in Electrical Engineering, 2004 [5] J.-F. Mangin et al., Coordinate-based versus structural approaches to brain image analysis, Elsevier, Artificial Intelligence in Medicine 30, 2004, pp. 177-197. [6] J. Rigau, M. Feixas, M. Sbert, A. Bardera, and I. Boada, Medical Image Segmentation Based on Mutual Information Maximization, Institut d’Information I Aplicacions, Universitat de Girona, Spain. [7] Johannes W. Rohen, Chihiro Yokochi, Elke Lutjen – Drecoll, “Atlas giải phẫu người”, Nhà xuất bản Y học, Việt Nam, 2002. [8] Jyh-Shing Roger Jang, Chuen-Tsai Sun, Elli Mizutani, Neuro-Fuzzy and Soft Computing, A computational Approach to Learning and Machine Intelligence, Prentice Hall, Upper Saddle River, Ney York, 1997. [9] Ioannis Pitas, Digital Image Processing Algorithms, Prentice Hall, New York, 1992. [10] Lê Hoài Bắc, Nguyễn Thanh Nghị, “Bionet - Hệ chẩn đoán bệnh”, Luận văn thạc sĩ, Đại học Quốc gia TP. HCM, Đại học Khoa học Tự nhiên, Khoa Công nghệ thông tin, 2003. 63 [11] Nathalie Richard, Michel Dojat, Catherine Garbay, Automated Segmentation of human brain MR images using a multi-agent approach, Elsevier, Artificial Intelligence in Medicine 30, 2004, pp. 153-175. [12] Phạm Ngọc Hoa, Lê Văn Phước, “Đọc phim CT chấn thương sọ não”, bộ môn hình ảnh y khoa Đại học Y Dược thành phố Hồ Chí Minh, 2003. [13] Rafael C. Gonzalez, Richard E. Woods, Digital Image Processing 2nd Edition, Addison-Wesley, New York, 1993. [14] Rafael C. Gonzalez, Richard E. Woods, Digital Image Processing 3rd Edition, Addison-Wesley, New York, 2001. [15] Richard O. Duda, Peter E.Hart, David G. Stort, Pattern Classification 2nd Edition, Wiley, New York, 2000. [16] S. Prima, J. P. Thirion, G. Subsol, N. Roberts Statistical analysis of normal and abnormal dissymmetry in volumetric medical images, Elsevier, Medical Image Analysis 4, 2000, pp. 111-121. [17] Terry S. Yoo, Michael J. Ackerman, Open Source Software for Medical Image Processing and Visualization, Communications, Volume 48, Number 2, February 2005, pp. 55-59. [18] Tài liệu chính thức về định dạng DICOM: Digital Imaging and Communications in Medicine (DICOM), National Electrical Manufacturers Association, Virginia, 2004. 64 Phụ lục A. Bệnh học Phần này trình bày về các dạng tổn thương não được đề cập đến trong bài làm, kèm theo đó là một số hình ảnh minh họa điển hình. A.1 Tụ máu dưới màng cứng (Subdural Hematoma/SDH) - Tụ máu dưới màng cứng (TMDMC) là tụ máu ở khoang dưới màng cứng, khoang giữa lớp trong màng cứng và màng nhện. - Biểu hiện hình ảnh tụ máu dưới màng cứng cấp (dưới 3-4 ngày): • Tụ dịch ngoài trục, đậm độ cao, hình liềm, bờ trong không đều. Vượt qua được các khớp sọ. Không vượt qua được các nếp gấp của màng cứng (liềm, lều não) (hình A-1). Có thể vươn vào rãnh liên bán cầu, dọc theo liềm não. • Thường kết hợp tổn thương não bên dưới (dập não, tụ máu khu trú) • Cần điều chỉnh cửa sổ để quan sát TMDMC lượng ít. • Hình ảnh: 65 Hình A-1: Tụ máu dưới màng cứng A.2 Tụ máu ngoài màng cứng (Epidural Hematoma/EDH) - Tụ máu ngoài màng cứng (TMNMC) là tụ máu ở khoang giữa bản sọ và lớp ngoài màng cứng. - Biểu hiện hình ảnh tụ máu ngoài màng cứng cấp (dưới 3-4 ngày): • Khối choán chỗ ngoài trục, khu trú, hình lồi hai mặt, bờ trong nhẵn. Không chạy qua các khớp sọ (hình A-2). Chạy qua được các nếp màng cứng (đường giữa – lều tiểu não) (hình 3-8). Ở vùng cao của vòm sọ, trên hình cắt ngang, TMNMC thường có bờ không rõ. • Thường kết hợp với các dấu hiệu thoát vị dưới liềm, xuyên lều hướng xuống, tăng áp lực sọ não. • Khối máu tụ có đậm độ cao, đồng nhất (2/3 trường hợp), đậm độ hỗn hợp (1/3 trường hợp, do máu đang chảy và các vùng máu không đông). 66 Hình A-2: Tụ máu ngoài màng cứng. Phân biệt tụ máu ngoài màng cứng và tụ máu dưới màng cứng: 67 Tụ máu ngoài màng cứng Tụ máu dưới màng cứng Hình dạng Hình lồi hai mặt Hình liềm Khớp sọ Không vượt qua Vượt qua Nếp gấp màng cứng (liềm, lều não) Vượt qua Không vượt qua Bảng A-1: Phân biệt tụ máu dưới màng cứng và ngoài màng cứng A.3 Xuất huyết khoang dưới nhện (subarachnoid hemorrhage) - Thường kết hợp với các loại tổn thương khác. - Bệnh nguyên: Do tổn thương mạch máu màng mềm, hoặc các mạch máu trong não. - Vị trí: Khu trú quanh vùng dập não, rãnh liên bán cầu, hoặc lan tỏa theo khoang dưới nhện. - Hình ảnh: tăng đậm độ ở các rãnh và bể não. Hình A-3: Xuất huyết khoang dưới nhện 68 A.4 Xuất huyết trong não thất (intraventricular hemorrhage) - Xuất huyết nặng (vỡ khối máu tụ ở nhu mô não lân cận vào não thất), tổn thương đám rối mạch mạc, vỡ phình mạch não. - Hình ảnh: • Tăng đậm độ trong não thất (hình A-4) • Hình mức dịch-máu (hay gặp sừng chẩm) • Tụ máu khu trú ở đám rối mạch mạc. Hình A-4: xuất huyết trong não thất A.5 Tụ máu trong não (intracerebral hematoma) - Tụ máu trong tổ chức não do tổn thương các mạch máu sâu trong não. - Vị trí: thái dương, trán và chẩm – đính (2% trường hợp ở nhân nền và bao trong). - Hình ảnh: ổ tụ máu tăng đậm độ trong nhu mô não (hình A-5) 69 Hình A-5: Tụ máu trong não 70 B. Dữ liệu DICOM B.1 Giới thiệu Chuẩn DICOM (Digital Imaging and Communications in Medicine) là một tập các qui tắc cho phép ảnh y khoa và các thông tin liên quan khác có thể truyền đi giữa các thiết bị, máy tính hoặc bệnh viện. Chuẩn này thiết lập một ngôn ngữ chung để ảnh y khoa và các thông tin khác được tạo ra bởi thiết bị của một nhà sản xuất này có thể được sử dụng dễ dàng bởi một nhà sản xuất khác. B.2 Cấu trúc chung của tập tin DICOM Một tập tin DICOM thường gồm những phần sau (ở đây chỉ nêu những phần cần thiết): • Preamble: gồm 128 bytes trắng đầu tiên (chưa được sử dụng). • Prefix: 4 byte tiếp theo, chứa 4 kí tự ‘D’, ‘I’, ‘C’, ‘M’. • UID: một chuỗi số và dấu chấm, dùng làm chuỗi định danh (duy nhất) cho mỗi tổ chức có đăng kí với ISO. Chuỗi này cho ta biết cú pháp truyền và thứ tự byte được sử dụng. Ví dụ: UID “1.2.840.10008.1.2” có ý nghĩa: - 1: chỉ tổ chức ISO - 2: chỉ tổ chức thành viên con của ISO - 840: mã quốc gia thành viên - 10008: được ANSI đăng kí với NEMA cho các DICOM UID. • Transfer Syntax: dùng để xác định thứ tự byte được sử dụng là Little Endian hay Big Endian. - Little Endian: ở dạng này, byte thấp sẽ nằm ở địa chỉ thấp và byte cao sẽ nằm ở địa chỉ cao. Ví dụ nếu ta nhận được chuỗi byte là 11111111 00000000 thì giá trị tương ứng phải là (00000000 11111111)2 = 255. 71 - Big Endian: thứ tự byte sẽ ngược lại với Little Endian. Khi đó chuỗi byte 11111111 00000000 sẽ ứng với giá trị (11111111 00000000)2 =65280. • Tag: mỗi phần thông tin của DICOM được gán cho một thẻ (tag). Mỗi tag gồm có 2 phần: nhóm và thành phần. Xét ví dụ về tag (0010,0010): - Nhóm (group): cho biết nhóm thông tin đang được lưu trữ phía sau. Ví dụ 0010 sẽ cho biết đây là thông tin về bệnh nhân. - Thành phần (element): là một số định danh duy nhất cho dữ liệu. Ví dụ: 0010 cho biết dữ liệu được chứa là tên bệnh nhân. Như vậy, nếu muốn tìm thông tin về tên bệnh nhân, ta sẽ tìm tag (0010,0010) tập tin DICOM. • Chiều dài dữ liệu: gồm 4 bytes cho biết chiều dài của phần dữ liệu được lưu tiếp theo (trong tag). Ví dụ, nếu bệnh nhân có tên là “Roentgen” thì phần chiều dài dữ liệu sẽ là 8. • Trường giá trị (value field): gồm một số chẵn các byte chứa giá trị của thành phần (element) trong tag. • Số giá trị (VM - Value Multiplicity): số lượng giá trị được lưu trong trường giá trị. Chẳng hạn, nếu VM bằng 3 tức là có 3 giá trị được lưu trong trường giá trị. B.3 Một số thông tin cần thiết khi xử ảnh DICOM B.3.1 Các nhóm quan trọng • Nhóm 2 (0002): chứa siêu thông tin về tập tin. • Nhóm 8 (0008): thông tin chung về chuỗi ảnh. • Nhóm 10 (0010): thông tin về bệnh nhân. • Nhóm 20 (0020): thông tin chung về khảo sát này. 72 • Nhóm 28 (0028): thông tin về ảnh. • Nhóm 7F (007F): dữ liệu về các điểm ảnh. B.3.2 Các thẻ (tag) quan trọng Sau đây là các thẻ quan trọng, cần thiết cho quá trình xử lý ảnh CT: Nhóm Thành phần Ý nghĩa 0010 Tên bệnh nhân 0020 Mã bệnh nhân 0030 Ngày sinh 0040 Giới tính 0010 (thông tin về bệnh nhân) 1010 Tuổi Bảng B-1: một số thẻ quan trọng Nhóm Thành phần Ý nghĩa 0010 Số dòng (chiều cao ảnh) 0011 Số cột (chiều ngang ảnh) 0012 Số mặt phẳng 0030 Khoảng cách giữa 2 điểm ảnh (tính bằng mm) 0100 Số bit được cấp cho mỗi điểm ảnh 0101 Số bit thật sự được sử dụng cho mỗi điểm ảnh 1050 Trung tâm cửa sổ 1051 Độ rộng cửa sổ 1052 Rescale Intercept 0028 (thông tin về ảnh) 1053 Rescale Slope Bảng B-2: Một số thẻ quan trọng 73 Nhóm Thành phần Ý nghĩa 0015 Vùng cơ thể được khảo sát 0018 0050 Độ dày lát cắt Bảng B-3: Một số thẻ quan trọng Nhóm Thành phần Ý nghĩa 0032 Vị trí lát cắt 0020 (thông tin chung về các lát cắt) 0037 Hướng của lát cắt Bảng B-4: Một số thẻ quan trọng B.3.3 Hiển thị ảnh Sử dụng các tag trên, ta dễ dàng tìm được các thông tin về ảnh CT được chụp như kích thước ảnh, số bit dành cho mỗi điểm ảnh. Đối với ảnh CT, kích thước ảnh là 512*512, mỗi điểm ảnh được lưu bằng 16 bit (nhưng chỉ có 12 bit được dùng, 4 bit còn lại luôn bằng 0). Để biến dữ liệu CT đó thành ảnh có thể xuất ra màn hình, ta cần thực hiện các bước sau: 1. Tìm tag (7FE0,0010). Tag này chứa toàn bộ thông tin về giá trị các điểm ảnh. 2. Với mỗi điểm ảnh, ta chuyển nó về giá trị Hounsfield bằng công thức sau: H(x,y) = S(x,y)*RS + RI Trong đó S(x,y) là giá trị được lưu, RS và RI là rescale slope và rescale intercept đã nói ở trên. 3. Chuyển giá trị Hounsfield sang độ xám: công việc này phụ thuộc vào 2 thông số: 74 i. Phạm vi độ xám mà ta muốn chuyển. Thông thường, để xuất ra màn hình máy tính, phạm vi được chọn là từ 0 đến 255. ii. Thông số cửa sổ: gồm 2 thông số là độ rộng cửa sổ (Window Width) và tâm cửa sổ (Window Center). Gọi độ rộng cửa sổ là WW, tâm là WC, và đặt: L = WC-WW/2 R = WC+WW/2 Khi đó, mọi điểm có giá trị Hounsfield nhỏ hơn L sẽ nhận giá trị là 0, lớn hơn R sẽ có độ xám là 255. Những giá trị Hounsfield nằm giữa 2 phạm vi này sẽ được biến đổi tỉ lệ về khoảng [0,255]. a sổ và tâm cửa sổ Hình B-1: ý nghĩa độ rộng cử 75 C. Giải phẫu CT đơn giản vùng trên lều Hình C-1: Minh họa giải phẫu CT não 1 Nhãn cầu 2 Hố yên 3 Lưng yên 4 Sừng thái dương 5 Cầu não 6 Bán cầu tiểu não 7 Động mạch thân nền 8 Thùy thái dương 9 Não thất IV 10 Thùy giun 76 Hình C-2: Minh họa giải phẫu CT não 1 Thuỳ trán 2 Đoạn ngang động mạch não giữa 3 Bể nền (bể trên yên) 4 Thuỳ thái dương 5 Bể quanh củ não sinh tư 6 Bể trên thuỳ giun 7 Rãnh Sylvius 8 Cuống đại não 9 Củ não sinh tư 10 Thuỳ chẩm 77 Hình C-3: Giải phẫu CT não đơn giản 7 Liềm đại não 8 Nhân bèo 9 Não thất III 10 Đồi thị 11 Tuyến tùng 12 Sừng chẩm não thất bên 1 Thuỳ trán 2 Sừng trán não thất bên 3 Thuỳ đảo 4 Thuỳ thái dương 5 Bể trên thuỳ giun 6 Thuỳ chẩm 78 Hình C-4: Giải phẫu CT não đơn giản 1 Thuỳ trán 2 Sừng trán não thất bên 3 Đầu nhân đuôi 4 Nhân bèo 5 Đồi thị 6 Sừng chẩm não thất bên 7 Chi trước bao trong 8 Gối bao trong 9 Bao ngoài 10 Chi sau bao trong 11 Thuỳ chẩm 12 Xoang tĩnh mạch dọc trên 79 Hình C-5: Giải phẫu CT não đơn giản 1 Liềm đại não trước 2 Thuỳ trán 3 Thuỳ đính 4 Thuỳ chẩm 5 Thể chai 6 Thân não thất bên 7 Liềm đại não sau 80 Hình C-6: Giải phẫu CT não đơn giản 1 Thuỳ trán 2 Thuỳ đính 3 Thuỳ chẩm 4 Trung tâm bán bầu dục 5 Liềm đại não 81 n giản Hình C-7: Giải phẫu CT não đơ 1 Liềm đại não 2 Rãnh trung tâm 3 Liềm đại não 4 Hồi trán trên 5 Hồi não trước trung tâm 6 Hồi não sau trung tâm 82