Bài tập lớ n môn xử lý ảnh y tế đề tài tìm hiểu các kỹ thuật xử lý ảnh y tế áp dụng trên ảnh x quang ngự c, mri bụng và đùi

Tôi sẽ trình bày các thuật toán xử lýảnh đượ c sử dụng để cải thiện chất lượ ng ảnh X-quang, tăng cường độ sáng, tương phản, loại bỏ nhiễu và giảm thiểu sự mất mát thông tin, cũng như cá

TẾ ÁP DỤNG TRÊN ẢNH X-QUANG NGỰ C, MRI

MỤC LỤC

LỜI NÓI ĐẦU  3

CHƯƠNG I: TỔNG QUAN  4

1.1 Giớ i thiệu chung về xử  lý ảnh y tế  4

1.2 Các cơ sở dữ liệu  7

1.3.Các định dạng ảnh  8

CHƯƠNG II CÁC KỸ THUẬT XỬ  LÝ ẢNH Y TẾ THỰ C HIỆN TRÊN GOOGLE COLAB 11 1 Hiển thị ảnh  11

2 Truy xuất giá trị ảnh  12

3 Đườ ng viền ảnh  12

4 Đổi màu ảnh  15

5 Ảnh âm bản  17

6 Thay đổi độ sáng  19

7 Thay đổi độ tương phản  21

8 Gamma correction  23

9 Tính, hiển thị, cân bằng histogram  24

10 Nhiễu Trung bình Averaging  27

11 Nhiễu Gaussian  28

12 Median Blurring  30

13 Bilateral Filtering  31

14 Image Gradients  33

15 Phát hiện cạnh canny 34

16 Ngưỡ ng ảnh (đặt giá trị, thích ứ ng, otsu)  36

17 Phân đoạn ảnh, thuật toán đầu nguồn 42

18 Phép toán hình thái  45

19 SIFT 48

20 Feature matching  49

21 Homography  52

K ẾT LUẬN  55

TÀI LIỆU THAM KHẢO 57

LỜI NÓI ĐẦU

Trong thờ i gian gần đây, việc áp dụng các k ỹ thuật xử lý ảnh y tế trênảnh chụ pX-quang và MRI của các cơ quan trên cơ thể đã trở  thành một lĩnh vực nghiên

cứu quan tr ọng trong lĩnhvực y học Công nghệ thông tin đã mang lại những tiến

 bộ đáng kể trong việc phân tích và chẩn đoán hình ảnh y tế, tạo ra những khả năng

mới để hiểu và đánh giá các bệnh lý

Truyền thống, việc chẩn đoán bệnh lý dựa trênảnh X-quang và MRI yêu cầu sự can đảm và kinh nghiệm lâu năm của các chuyên gia y tế Tuy nhiên, việc đánh giá đồng nhất và chính xác giữa các bác sĩ và giảm thiểu sai sót là một thách thức

lớn Đây là lý do tại sao các k ỹ thuật xử lý ảnh y tế đã trở  thành một phần quan

tr ọng trong quá trình chẩn đoán hình ảnh và nghiên cứu y học

Đề tài này nhằm mục đích tìm hiểu và xem xét các k ỹ thuật xử lý ảnh y tế đượ c

áp dụng trên ảnh chụ p X-quang và MRI của ba bộ phận quan tr ọng của cơ thể ngườ i: ngực, bụng và đùi Tôi sẽ trình bày các thuật toán xử lýảnh đượ c sử dụng

để cải thiện chất lượ ng ảnh X-quang, tăng cường độ sáng, tương phản, loại bỏ nhiễu và giảm thiểu sự mất mát thông tin, cũng như các thuật toán phân đoạn vàcác phép toán hình thái… 

Bằng việc tìm hiểu và áp dụng các k ỹ thuật xử lýảnh y tế trênảnh chụ p X-quang

và MRI của ngực, bụng và đùi, tôi hy vọng r ằng sẽ cho ra một số k ết quả quan

tr ọng

Tôi tin r ằng việc tìm hiểu và áp dụng các k ỹ thuật xử lýảnh y tế trênảnh chụ p quang, MRI của ngực, bụng và đùi đóng vai trò quan trọng trong việc nâng cao

X-khả năng chẩn đoán và điều tr ị bệnh lý

Chân thành cảm ơn sự quan tâm và đồng hành của Thầy và các bạn trong quátrình hoàn thiện đề tài này Tôi hy vọng r ằng báo cáo này sẽ đóng góp vào sự hiểu

 biết và thúc đẩy sự phát triển của lĩnh vực xử lý ảnh y tế trong thực tế y học.Trân tr ọng

CHƯƠNG I: TỔNG QUAN

1.1 Giớ i thiệu chung về xử  lý ảnh y tế 1.1.1. Xử lýảnh y tế 

Xử lý ảnh y tế là một lĩnh vực trong công nghệ thông tin và y học, nhằm

áp dụng các phương pháp và kỹ thuật xử lýảnh vào các hìnhảnh y tế như

ảnh chụ p X-quang, CT (Computed Tomography), MRI (MagneticResonance Imaging) và siêu âm để  phân tích, đánh giá và chẩn đoán các

 bệnh lý trong cơ thể Mục tiêu của xử lý ảnh y tế là cải thiện chất lượ ngảnh, tăng cườ ng thông tin hìnhảnh và hỗ tr ợ  quyết định chẩn đoán của cácchuyên gia y tế

Tiếp theo đó là các bước xử lý ảnh: phân đoạn ảnh, đánh dấu và phát hiện  bất thường ảnh, Cuối cùng, các kết quả xử lý ảnh được hiển thị và trình  bày để hỗ trợ trong việc chẩn đoán bệnh. 

1.1.3 Lợi ích và ứng dụng của xử lý ảnh y tế 1.1.3.1 Lợi ích 

Xử lý ảnh y tế mang lại nhiều lợi ích quan trọng trong lĩnh vực y học: 

-  Tăng khả năng phát hiện sớm bất thường: Xử lý ảnh y tế giúp tăng cường khả năng phát hiện sớm các dấu hiệu bất thường và bệnh lý trong hình ảnh y tế Các thuật toán phân tích và mô hình học máy có

-  Hỗ trợ quyết định chẩn đoán: Xử lý ảnh y tế cung cấp thông tin quan trọng để hỗ trợ quyết định chẩn đoán Bác sĩ có thể sử dụng các công

cụ và phần mềm xử lý ảnh để phân tích và đánh giá hình ảnh y tế, từ

đó giúp họ đưa ra quyết định chẩn đoán chính xác và nhanh chóng. 

-  Giảm thiểu sai sót chẩn đoán: Xử lý ảnh y tế giúp giảm thiểu sai sót chẩn đoán do yếu tố con người gây ra Các thuật toán và mô hình máy học có khả năng xử lý lượng lớn dữ liệu hình ảnh và nhận dạng các biểu hiện bất thường, giúp tăng độ chính xác và đồng nhất trong quy trình chẩn đoán. 

-  Cải thiện chất lượng chăm sóc y tế: Xử lý ảnh y tế cung cấp hình ảnh chất lượng cao và rõ ràng, giúp bác sĩ và nhân viên y tế có cái nhìn toàn diện về tình trạng sức khỏe của bệnh nhân Điều này giúp cải thiện chất lượng chăm sóc y tế và quản lý bệnh tốt hơn. 

-  Hỗ trợ nghiên cứu và phân tích: Xử lý ảnh y tế cung cấp cơ sở dữ liệu hình ảnh phong phú cho nghiên cứu y học Các nhà nghiên cứu

có thể sử dụng các công cụ và phương pháp xử lý ảnh để phân tích,

so sánh và tìm kiếm thông tin từ các tập dữ liệu. 

-  Tăng hiệu suất và tiết kiệm thời gian: Xử lý ảnh y tế giúp tăng hiệu suất trong quy trình chẩn đoán và điều trị Các công cụ và phần mềm

xử lý ảnh cho phép tự động hoá nhiều công đoạn phân tích và đánh giá, giúp tiết kiệm thời gian cho bác sĩ và nhân viên y tế Điều này cho phép họ tập trung hơn vào việc tương tác và điều trị bệnh nhân. 

-   Nâng cao truy cập và chia sẻ thông tin: Xử lý ảnh y tế cung cấp khả năng truy cập và chia sẻ dữ liệu hình ảnh y tế một cách dễ dàng và

an toàn Bác sĩ và nhân viên y tế có thể truy cập hình ảnh từ xa, tăng cường hợp tác và trao đổi thông tin giữa các chuyên gia Điều này cũng hỗ trợ việc tư vấn từ xa và thăm khám từ xa, đặc biệt trong các vùng hẻo lánh hay tình huống khẩn cấp. 

-  Hỗ trợ quy trình hướng dẫn và đào tạo: Xử lý ảnh y tế có thể được

sử dụng để tạo ra các tài liệu hướng dẫn và đào tạo cho bác sĩ và nhân viên y tế Hình ảnh y tế được tạo thành các bài giảng, video hoặc tài liệu tương tác giúp cung cấp hướng dẫn chi tiết và thực hành cho việc phân tích và đánh giá hình ảnh y tế. 

-  Tiềm năng phát triển và tương tác với công nghệ khác: Xử lý ảnh y

tế liên tục phát triển và tương tác mạnh mẽ với các công nghệ mới

Các kỹ thuật mới này có thể nâng cao khả năng phân tích, đánh giá

và chẩn đoán hình ảnh y tế, mở ra tiềm năng cho những tiến bộ đáng

-  Định vị và hướng dẫn can thiệp: Xử lý ảnh y tế có thể được sử dụng để hỗ trợ quá trình can thiệp và phẫu thuật Bằng cách tích hợp hình ảnh y tế với các công cụ định vị thích hợp, bác sĩ có thể xác định vị trí chính xác và định hình các cơ quan và cấu trúc bên trong cơ thể, giúp họ thực hiện các thủ tục can thiệp, như chọc dò, tiêm chất tẩy uế, hay phẫu thuật, một cách

u, hay theo dõi tiến độ của một bệnh lý nhất định. 

-  Phân tích hình ảnh phân tử: Xử lý ảnh y tế có thể được sử dụng để phân tích hình ảnh phân tử từ các kỹ thuật như hình ảnh PET-CT

-  Phân tích hình ảnh retinal: Xử lý ảnh y tế được sử dụng để phân tích hìnhảnh retinal trong điều trị và theo dõi các bệnh lý liên quan đến mắt, như  bệnh đục thuỷ tinh thể, bệnh thủy tinh thể, và bệnh đục thủy tinh thể Các thuật toán xử lý ảnh có thể phát hiện và đánh dấu các biểu hiện bất thường trên hình ảnh retinal, giúp bác sĩ chẩn đoán và đánh giá sự tiến triển của  bệnh. 

-  Phân tích hình ảnh histopathology: Xử lý ảnh y tế được sử dụng để phân tích hình ảnh histopathology, trong đó các mẫu mô được xem dưới kính hiển vi để xác định các tế bào và cấu trúc mô bị tổn thương Các thuật toán

-  Trích xuất đặc trưng và phân loại: Xử lý ảnh y tế có thể được sử dụng để trích xuất đặc trưng từ hình ảnh và phân loại các bệnh lý Các thuật toán và

mô hình học máy có thể học từ dữ liệu hình ảnh y tế để phát hiện các đặc trưng đặc biệt và phân loại các trường hợp bệnh Điều này có thể hỗ trợ việc tự động hoá quy trình chẩn đoán và giúp tăng cường độ chính xác và đồng nhất trong việc phân loại bệnh. 

1.2 Các cơ sở dữ liệu 

1.2.1 Cơ sở dữ liệu Vingroup Big Data Institute 

Cuộc thi “Phát hiện bất thường trên ảnh X-quang lồng ngực” do Viện  Nghiên cứu Dữ liệu lớn VinBigdata, Tập đoàn Vingroup tổ chức.

Bài toán ở đây làxây dựng các thuật toán trí tuệ nhân tạo để phát hiện vàkhoanh vùng 14 loại tổn thương khác nhau trên hình ảnh X-quang phổi.Thuật toánđượ c phép huấn luyện dựa trên bộ dữ liệu gồm 15.000ảnh X-quang phổi đượ c thu thậ p và gán nhãn tại Việt Nam, sau đó được đánh giá

 bằng cách so sánh vớ i k ết quả đọc của bác sĩ trên bộ dữ liệu kiểm thử gồm3.000ảnh khác Đây là bộ dữ liệu X-quang phổi đượ c gán nhãn bởi bác sĩ

có quy mô lớ n nhất trên thế giới đượ c chia sẻ cho cộng đồng đến thời điểm

hiện tại. Hìnhảnh đượ c thu thậ p từ bệnh viện Trung ương Quân đội 108

và Bệnh viện Đại học Y Hà Nội, 100% dữ liệu đượ c nặc danh hoá

1.2.2 Cơ sở  dữ liệu “The Visible Human Project”- Dự án con ngườ i hữuhình

Dự án NLM Visible Human Project đã tạo ra các hình đại diện ba chiềuhoàn chỉnh, chi tiết về mặt giải phẫu, có sẵn công khai của cơ thể nam giớ i

và cơ thể nữ giớ i Cụ thể, VHP cung cấ p một thư viện phạm vi công cộng

tử thi nam và một tử thi nữ Bộ dữ liệu Visible Human Male bao gồm MRI,

CT và hìnhảnh giải phẫu

1.2.3 Cơ sở  dữ liệu ChestXray-14

ChestX-ray14 là một bộ dữ liệu hình ảnh y tế bao gồm 112.120 hìnhảnhX-quang nhìn từ  phía trướ c của 30.805 bệnh nhân duy nhất (đượ c thu thậ p

từ năm 1992 đến 2015) với mườ i bốn nhãn bệnh phổ biến đượ c khai thác

 bằng văn bản, đượ c khai thác từ các báo cáo X quang dạng văn bản thôngqua NLP k ỹ xảo Nó mở  r ộng trên ChestX-ray8 bằng cách bổ sung thêmsáu bệnh về ngực: Phù nề, Khí phế thũng, Xơ hóa, Dày màng phổi và Thoát

vị.1.3 Các định dạng ảnh

1.3.1 Định dạngảnh dicom

Định dạng ảnh DICOM (Digital Imaging and Communications inMedicine) là một tiêu chuẩn đượ c sử dụng r ộng rãi trong lĩnh vực y tế để lưu trữ, truyền tải và xử lý hình ảnh y tế DICOM định nghĩa cách dữ liệuhình ảnh y tế đượ c cấu trúc, mã hóa và truyền tải giữa các hệ thống y tế khác nhau

DICOM không chỉ đơn thuần là một định dạng file ảnh, mà còn là mộtchuẩn quan tr ọng để đảm bảo tính tương thích và khả năng tương tác giữacác thiết bị hình ảnh y tế và hệ thống y tế Đượ c phát triển bở i Hiệ p hội

Ảnh y tế  (Medical Imaging and Technology Alliance) và Hiệ p hội Y tế (American College of Radiology) vào những năm 1980, DICOM đã trở  thành tiêu chuẩn quốc tế đượ c sử dụng r ộng rãi trong các ứng dụng y tế trên toàn thế giớ i

Một số đặc điểm chính của DICOM bao gồm:

-  Cấu trúc dữ liệu: DICOM định nghĩa cấu trúc dữ liệu hình ảnh y tế bao

gồm thông tin về bệnh nhân, loại hìnhảnh, thông tin k ỹ thuật, và các thuộctính khác Điều này giúp đảm bảo tính toàn vẹn và tương thích của dữ liệutrong quá trình chia sẻ và truyền tải

-  Mã hóa dữ liệu: DICOM sử dụng phương pháp mã hóa dữ liệu hìnhảnh y

tế để đảm bảo tính bảo mật và chất lượ ng của dữ liệu Nó hỗ tr ợ  việc nén

-  Khả năng mở  r ộng: DICOM cho phép mở  r ộng và tùy chỉnh theo nhu cầu

của cácứng dụng y tế cụ thể Nó hỗ tr ợ  việc thêm vào và mở  r ộng các thuộctính và giao thức để phù hợ  p vớ i các yêu cầu đặc biệt của từng lĩnh vực y

tế

-  Khả năng tương thích và tương tác: DICOM đảm bảo tính tương thích và

khả năng tương tác giữa các hệ thống hìnhảnh y tế và hệ thống y tế khác.Điều này đảm bảo r ằng dữ liệu hìnhảnh y tế có thể đượ c chia sẻ, truyền tải

và xử lý một cách hiệu quả và đáng tin cậy giữa các hệ thống khác nhau.DICOM hỗ tr ợ  giao thức truyền tải dữ liệu mạnh mẽ như DICOM network protocol (DICOM-NP), DICOM web services (DICOM-WS) và DICOMcloud services (DICOM-CS), cho phép truyền tải dữ liệu hìnhảnh y tế qua

mạng và giao tiế p vớ i các hệ thống khác nhau

Định dạngảnh DICOM cung cấ p nhiều lợ i ích quan tr ọng trong lĩnh vực y

tế Đầu tiên, nó tạo điều kiện cho việc chia sẻ dữ liệu hình ảnh y tế giữacác cơ sở  y tế và các chuyên gia y tế Thứ hai, DICOM cho phép tích hợ  p

dữ liệu hình ảnh y tế vào hệ thống thông tin y tế (HIS) và hồ sơ điện tử 

 bệnh nhân (EHR) Thứ ba, DICOM cung cấ p khả năng lưu trữ dữ liệu hình

ảnh y tế theo thờ i gian dài và bảo đảm tính toàn vẹn của dữ liệu Cuối cùng,DICOM tạo điều kiện cho phát triển và sử dụng các ứng dụng phân tíchhình ảnh và trí tuệ nhân tạo trong lĩnh vực y tế Nhờ  đó, các thuật toán vàcông nghệ mớ i có thể đượ c áp dụng để hỗ tr ợ  quyết định chẩn đoán, đánhgiá tiến triển bệnh và cải thiện chất lượng chăm sóc sức khỏe

Tóm lại, định dạng ảnh DICOM đóng vai trò quan trọng trong việc quản

lý, chia sẻ và xử lý dữ liệu hình ảnh y tế Nó tạo điều kiện cho tính tương thích, tương tác và tiêu chuẩn hóa trong lĩnh vực y tế, đồng thờ i hỗ tr ợ  cácứng dụng và công nghệ mớ i tronglĩnh vực y tế Vớ i DICOM, các hình

ảnh y tế có thể đượ c truyền tải và chia sẻ một cách dễ dàng giữa các bệnh

viện, phòng khám và cơ sở  y tế khác nhau, giúp nâng cao tốc độ và hiệu

quả trong quá trình chẩn đoán và điều tr ị

1.3.2 Định dạngảnh png

Định dạngảnh PNG (Portable Network Graphics) là một định dạng file hìnhảnh

 phổ biến và r ất được ưa chuộng trên Internet PNG đượ c thiết k ế để thay thế cho

định dạngảnh GIF và cung cấ p các lợi ích vượ t tr ội về chất lượ ng và hiệu suất.PNG sử dụng thuật toán nén không mất mát để giữ nguyên chất lượ ng hìnhảnh

hữu ích cho các hình ảnh có sự  chênh lệch màu sắc đậm, đặc biệt là trong các

 biểu đồ, đồ họa vàảnh có văn bản So với định dạngảnh JPEG, PNG thườ ng cho

k ết quả nén tốt hơn đối vớ i các hình ảnh không có sự mất mát và không gây ra

hiện tượ ng mờ  hay nhiễu

Một trong những đặc điểm nổi bật của PNG là khả năng hỗ tr ợ  kênh trong suốt(transparency) Điều này cho phép ngườ i dùng tạo ra các hình ảnh vớ i phần nềntrong suốt, hiển thị chính xác các đối tượ ng trên nền của cácứng dụng hoặc trangweb PNG hỗ tr ợ  cả kênh trong suốt đơn giản (binary transparency) và kênh trong

suốt xuyên qua (alpha transparency), mang lại linh hoạt và sự sáng tạo trong việc

sử dụng hìnhảnh

PNG cũng hỗ tr ợ  màu sắc 24 bit và màu sắc 48 bit, cho phép tái tạo chính xác cácgam màu đa dạng và tương phản cao Đồng thờ i, PNG hỗ tr ợ  việc lưu trữ dữ liệumetadata như thông tin tác giả, ngày tạo và độ phân giải hìnhảnh

Với tính năng nổi bật và ưu điểm vượ t tr ội, PNG đã trở  thành một định dạngảnh

 phổ biến đượ c sử dụng trong nhiềuứng dụng như thiết k ế đồ họa, trang web, tròchơi điện tử, và cácứng dụng đa phương tiện khác PNG đượ c công nhận là một

định dạng ảnh linh hoạt, mạnh mẽ và không mất mát chất lượng, đáng tin cậytrong việc lưu trữ và chia sẻ hìnhảnh trên nền tảng k ỹ thuật số

CHƯƠNG II CÁC KỸ THUẬT XỬ  LÝ ẢNH Y TẾ THỰ C HIỆN TRÊN

GOOGLE COLAB

1 Hiển thị ảnh

Bướ c 1 Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượ t là cv và plt

import cv2 as cvimport sysimport matplotlib.pyplot as plt

2 Truy xuất giá trị ảnh

việc đưa ra chẩn đoán ytế, như phát hiện dấu hiệu của bệnh lý như khối u, môhình r ối loạn, hoặc phát hiện các vùng nghi ngờ  về nhiễm trùng

Đo đạc và tính toán thông số hình học của cấu trúc y tế: Đườ ng viềnảnh cung

cấ p thông tin về hình dạng và kích thướ c của các cấu trúc y tế, từ đó có thể tínhtoán các thông số hình học như diện tích, chu vi, tỉ lệ dài/r ộng, hoặc độ lõm/lõm

của các vùng quan tâm Các thông số này có thể đượ c sử dụng để đánh giá kích thướ c, hình dạng, và tính đồng đều của các cấu trúc y tế, giúp trong việc đưa rađánh giá lâm sàng, theo dõi tiến triển của bệnh, hoặc theo dõi hiệu quả của liệu

Tách đối tượ ng y tế khỏi nền: Đườ ng viềnảnh cung cấ p thông tin về đườ ng biên

của các đối tượ ng y tế, từ đó có thể đượ c sử dụng để tách đối tượ ng y tế khỏi nền

hoặc các cấu trúc xung quanh Điều này có thể hữu ích trong việc loại bỏ nhiễu,tách một cấu trúc y tế ra khỏi nền xung quanh để phân tích riêng, hoặc trong quátrình tái tạo hìnhảnh 3D

Bướ c 1  Nhập thư viện Python OpenCV

và thư viện matplotlib.pyplot

gán tên cho chúng lần lượ t là cv

và plt

import cv2 as cvimport sysimport matplotlib.pyplot

Bướ c 2 Hiển thị ảnh muốn tạo viền img2 = cv.imread('/content/MRI

chiếu qua đườ ng viền

cv.copyMakeBorder(img2,50,50,50,50,cv.BORDER_REFLECT)Bướ c 5 Tương tự như bên trên nhưng

loại bỏ đi1 (số) phần tử sát viền

cv.copyMakeBorder(img2,50,50,50,50,cv.BORDER_REFLECT_101)

Bướ c 6 Sự lặ p lại: cuốiảnh -ảnh gốc –  

đầuảnh

cv.copyMakeBorder(img2,50,50,50,50,cv.BORDER_WRAP)

Bướ c 7 Tạo đườ ng viền màu xanh constant=

cv.copyMakeBorder(img2,50,50,50,50,cv.BORDER_CONSTANT,value=BLUE)

Bướ c 8 Hiển thị ảnh:

- ảnh gốc tại vị  trí 231, tên làORIGINAL

-ảnh replicate tại vị trí 232, tên

là RELICATE

- ảnh reflect tại vị  trí 233, tênREFLECT

-

Hiển thị tất cả cácảnh

 plt.subplot(231),plt.imshow(img2[:,:,::-1]),plt.title('ORIGINAL')

 plt.subplot(232),plt.imshow(replicate[:,:,::-1]),plt.title('REPLICATE') plt.subplot(233),plt.imshow(reflect[:,:,::-1]),plt.title('REFLECT')

 plt.subplot(234),plt.imshow(reflect101[:,:,::-

1]),plt.title('REFLECT_101') plt.subplot(235),plt.imshow(wrap[:,:,::-1]),plt.title('WRAP')

 plt.subplot(236),plt.imshow(constant[:,:,::-1]),plt.title('CONSTANT') plt.show()

K ết quả:

Đánh dấu vùng quan tâm: Việc đổi màuảnh có thể đượ c sử dụng để đánh dấu cácvùng quan tâm trong ảnh y tế, chẳng hạn như vùng cần theo dõi hoặc vùng cầnxem xét để đưa ra quyết định lâm sàng Điều này có thể giúp dễ dàng nhận diệncác vùng quan tâm và hỗ tr ợ  trong quá trình đánh giá và đưa ra phác đồ điều tr ị.Tăng cường độ tương phản: Việc đổi màuảnh có thể đượ c sử dụng để tăng cườ ng

độ tương phản củaảnh y tế, giúp làm nổi bật các cấu trúc y tế hoặc các dấu hiệu

 bệnh lý Điều này có thể cung cấ p thông tin hữu ích cho việc đưa ra chẩn đoán

hoặc đánh giá bệnh lý

Đồng bộ hóa hìnhảnh: Việc đổi màuảnh cũng có thể đượ c sử dụng để đồng bộ hóa hìnhảnh giữa các cấu trúc khác nhau hoặc giữa các hình ảnh khác nhau củacùng một bệnh nhân Điều này có thể giúp trong việc so sánh và theo dõi sự thay

đổi của các cấu trúc y tế theo thờ i gian hoặc giữa các hình ảnh khác nhau

Bướ c Nội dung Code

Bướ c 1  Nhập thư viện Python OpenCV 

và thư viện matplotlib.pyplot.

gán tên cho chúng lần lượt là cv

plt.imshow(s1) plt.imshow(s1[:,:,:: -1 ])

Bướ c 4 Chuyển đổi ảnh từ thang màu

BGR sang thang màu GRAYrồi hiển thị ảnh 

gray_img = cv.cvtColor(s1, cv.COLOR_BGR2GRAY)

plt.imshow(gray_img)

Bướ c 5 Chuyển đổi ảnh từ thang màu

BGR sang thang màu HSV rồi hiển thị ảnh 

hsv = cv.cvtColor(s1, cv.COLOR_BGR2HSV)

plt.imshow(hsv)

K ết quả:

hiệu bệnh lý trênảnh y tế, chẳng hạn như khối u, vết thương, mảng bất thườ ng,

hoặc các cấu trúc y tế có dạng, kích thước, hay độ tương phản khác thường Điềunày có thể hỗ tr ợ  cho việc đưa ra chẩn đoán, phát hiện sớ m bệnh lý, và theo dõi

sự tiến triển của bệnh

Tăng cường đối tượ ng quan tâm: Biến đổiảnh âm bản cũng có thể đượ c sử dụng

để tăng cường đối tượ ng quan tâm trong ảnh y tế Bằng cách làm nổi bật các cấutrúc y tế hoặc vùng quan tâm trongảnh, biến đổiảnh âm bản có thể giúp đồng bộ hóa hoặc cải thiện độ tương phản giữa các vùng khác nhau trong ảnh, từ đó cung

cấ p thông tin hữu ích cho việc đánh giá và đưa ra phác đồ điều tr ị

Giáo dục và hướ ng dẫn: Biến đổi ảnh âm bản cũng có thể đượ c sử dụng trong

mục đích giáo dục và hướ ng dẫn trong lĩnh vực y tế Vớ iảnh âm bản, các cấu trúc

y tế sẽ được làm rõ hơn, giúp học viên hoặc bệnh nhân dễ dàng nhận diện và hiểu

về cấu trúc của các bộ phận trong cơ thể, từ đó nâng cao hiểu biết và nhận thức

về sức khỏe

Bướ c Nội dung Code

Bướ c 1  Nhập thư viện Python OpenCV

và thư viện matplotlib.pyplot

gán tên cho chúng lần lượ t là cv

và plt

import cv2 as cvimport sysimport numpy as npimport matplotlib.pyplot as plt

cv.imread('/content/ngucx.png') plt.imshow(h1)

6 Thay đổi độ sáng

Thay đổi độ sáng (brightness) trong xử lýảnh y tế là một k ỹ thuật xử lýảnh đượ c

sử dụng để điều chỉnh độ sáng của ảnh y tế, tăng hoặc giảm cường độ sáng củaảnh Đây là một phương pháp linh hoạt và phổ biến trong xử lý ảnh y tế, có thể đượ c sử dụng để nhiều mục đích, baogồm:

Cải thiện độ tương phản: Thay đổi độ sáng củaảnh y tế có thể giúp cải thiện độ tương phản giữa các khu vực sáng và tối trongảnh Điều này có thể làm nổi bậtcác chi tiết nhỏ, cấu trúc y tế hay vùng quan tâm trong ảnh, giúp ngườ i chuyêngia y tế dễ dàng nhận diện và đánh giá chính xác các dấu hiệu bệnh lý hoặc cấutrúc y tế

Loại bỏ nhiễu: Thay đổi độ sáng củaảnh cũng có thể đượ c sử dụng để giảm thiểu

hoặc loại bỏ nhiễu trongảnh

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượ t là cv và plt

import cv2 as cvimport sysimport numpy as npimport matplotlib.pyplot as pltBướ c 2 Hiển thị ảnh h1 = cv.imread('/content/MRI dui

nu.png') plt.imshow(h1) plt.imshow(h1[:,:,::-1])

for i in range(w):

for j in range(h):

h1[i][j] = h1[i][j] + 50 plt.imshow(h1)

K ết quả:

7 Thay đổi độ tương phản

Thay đổi độ tương phản củaảnh trong xử lýảnh y tế có thể đượ c sử dụng để đạtđượ c các mục đích sau: 

 Nâng cao khả năng nhận diện và đánh giá bệnh lý: Thay đổi độ tương phản của

ảnh y tế có thể giúp làm rõ các chi tiết trongảnh, từ đó giúp tăng khả năng nhận

diện và đánh giá bệnh lý Các cấu trúc y tế hoặc vùng quan tâm trongảnh sẽ đượ clàm nổi bật hơn, giúp tăng độ tương phản giữa các vùng khác nhau, từ đó cung

cấ p thông tin hữu ích cho việc đánh giá và phát hiện sớ m bệnh lý

Tăng cườ ng hình ảnh để hiển thị hoặc in ấn: Thay đổi độ tương phản của ảnhcũng có thể đượ c sử dụng để tăng cườ ng hìnhảnh, giúp hình ảnh tr ở  nên rõ nét

và dễ đọc hơn Điều này đặc biệt hữu ích trong trườ ng hợ  p hiển thị ảnh trên mànhình hoặc inấn vào tài liệu y tế, đồng thờ i giúp giảm bớt khó khăn trong việc đọc

và đánh giá các cấu trúc y tế trênảnh

Đồng bộ hóa và chuẩn hóa hìnhảnh: Thay đổi độ tương phản củaảnh cũng có thể đượ c sử dụng để đồng bộ hóa và chuẩn hóa hìnhảnh trong quá trình xử lýảnh y

tế Điều này giúp đồng nhất độ tương phản giữa cácảnh khác nhau, từ đó tạo điều

kiện thuận lợ i cho việc so sánh, phân tích và đánh giá các cấu trúc y tế trên các

ảnh khác nhau

Đào tạo và giáo dục: Thay đổi độ tương phản củaảnh cũng có thể đượ c sử dụngtrong mục đích giáo dục, đào tạo, hoặc trình bày trong lĩnh vực y tế Việc điều

chỉnh độ tương phản củaảnh giúp làm nổi bật các cấu trúc y tế, từ đó dễ dàng giải

thích và trình bày về cấu trúc của các bộ phận trong cơ thể cho học viên, bệnhnhân hoặc những người tham gia đào tạo.

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán tên chochúng lần lượ t là cv và plt

import cv2 as cvimport sysimport numpy as npimport matplotlib.pyplot as pltBướ c 2 Hiển thị ảnh h1 = cv.imread('/content/MRI dui

nu.png') plt.imshow(h1) plt.imshow(h1[:,:,::-1])

for i in range(w):

for j in range(h):

h1[i][j] = h1[i][j]*3 - 10 plt.imshow(h1)

K ết quả:

8 Gamma correction

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượ t là cv và plt

import cv2 as cvimport sysimport numpy as npimport matplotlib.pyplot as pltBướ c 2 Hiển thị ảnh r3 = cv.imread('/content/ngucx.png')

 plt.imshow(r3) plt.imshow(r3[:,:,::-1])

Bướ c 4  plt.imshow(r31)

K ết quả:

9 Tính, hiển thị, cân bằng histogram

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượt là cv và plt

import  cv2 as  cv

import  numpy as  np

import  matplotlib.pyplot as  plt

Bướ c 2 Hiển thị ảnh  img = cv.imread( '/content/MRI dui

nu.png' ) plt.imshow(img) plt.imshow(img[:,:,:: -1 ])

Bướ c 3 Chuyển đổi ảnh sang thang

màu GRAY

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

Cân bằng Histogram  eq_img = cv2.equalizeHist(gray_img)

Vẽ ảnh gốc và ảnh sau khi cân bằng 

plt.subplot( 1 2 1

plt.imshow(gray_img, cmap= 'gray' ) plt.title( 'Original Image' ) plt.xticks([]), plt.yticks([])

plt.subplot( 1 2 2

plt.imshow(eq_img, cmap= 'gray' ) plt.title( 'Equalized Image' ) plt.xticks([]), plt.yticks([]) plt.show

Tạo biểu đồ histogram saukhi cân bằng 

hist_eq = cv2.calcHist([eq_img], [ ], None , [ 256 ], [ 0 256 ])

Vẽ  plt.hist(eq_img.ravel(), 256 , [ 0

256 ]) plt.show()

K ết quả:

10.Nhiễu Trung bình Averaging

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượ t là cv và plt

import cv2 as cvimport numpy as npimport matplotlib.pyplot as plt

Bướ c 2 Hiển thị ảnh img = cv.imread('/content/MRI dui

nu.png') plt.imshow(img) plt.imshow(img[:,:,::-1])Bướ c 3 Tính trung bình ảnh gốc

vớ i hạt nhân có kích thướ c5x5

 blur = cv.blur(img,(5,5))

Bướ c 4 Hiển thị ảnh plt.subplot(121),plt.imshow(img),plt.titl

e('Original') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur),plt.title('Blurred')

 plt.xticks([]), plt.yticks([]) plt.show()

K ết quả:

11.Nhiễu Gaussian

Bướ c 1  Nhập thư viện Python

OpenCV và thư việnmatplotlib.pyplot gán têncho chúng lần lượ t là cv

và plt

import cv2 as cvimport numpy as npimport matplotlib.pyplot as plt