Trong thời gian bốn năm được học tập và rèn luyện tại trường, được học hỏi rất nhiều từ các giáo viên và giảng viên trong khoa, được sự đồng thuận của thầy cô và nhà trường em được thực
CƠ SỞ LÝ THUYẾT
Khái niệm
2.1.1 Phân vùng ảnh - image segmentation
Phân vùng ảnh là một bước quan trọng trong nhận diện hình ảnh, giúp phân tích ảnh đầu vào và xác định các điểm ảnh có đặc tính tương đồng như mức độ xám, độ tương phản và độ sáng, từ đó tạo thành các vùng ảnh rõ ràng.
Vùng ảnh: là các điểm ảnh gần kề nhau và có chúng các thuộc tính như độ sáng, màu xắc, độ tương phản,…
Hình 2 1 Ảnh ví dụ về phân đoạn ảnh mỗi hình ảnh theo sau là một vài phân đoạn ở các cấp độ khác nhau.[14]
Các phương pháp phân vùng:
Độ phản xạ, màu sắc và độ tương phản của ảnh là những yếu tố quan trọng, đóng vai trò lớn trong quá trình phân vùng ảnh theo ngưỡng.
Trong ảnh X-quang, mức độ xám phản ánh khả năng hấp thụ tia X của các mô trong cơ thể, giúp làm nổi bật sự khác biệt giữa xương và mô mềm, cũng như phân biệt tế bào khỏe mạnh với tế bào bị bệnh.
Khi có sự biến thiên càng lớn giữa phần đối tượng và phần nền, việc áp dụng phân vùng theo ngưỡng biên độ thu được kết quả càng cao
Một ví dụ tiêu biểu về phân vùng ảnh dựa vào ngưỡng là thiết bị cảm biến hồng ngoại, giúp làm nổi bật các sinh vật có nhiệt độ cơ thể cao Kỹ thuật này đạt hiệu quả cao trong các bức ảnh có sự chênh lệch màu lớn giữa nền và đối tượng, như văn bản hay ảnh X-quang Để đạt được kết quả tốt, việc lựa chọn ngưỡng phù hợp là rất quan trọng và các bước chọn ngưỡng cần được thực hiện một cách cẩn thận.
Áp dụng lược đồ xám cho toàn bộ bức ảnh sẽ tạo ra biểu đồ với hình dạng rắn lượn, có một hoặc nhiều đỉnh và các khe Dựa vào các khe này, bạn có thể chọn ngưỡng phù hợp nhất cho phân tích.
• Điều chỉnh ngưỡng t dựa vào lược đồ xám
• Đánh giá những điểm thoả tiêu chuẩn chọn là ngưỡng dựa vào lượt đồ xám + Phân vùng ảnh theo miền đồng nhất:[15]
Dựa trên các tính chất của miền, kỹ thuật phân vùng được thực hiện thông qua việc xây dựng tiêu chuẩn phân vùng Tiêu chuẩn này được hình thành từ việc lựa chọn các đặc điểm và tính chất của vùng thông tin Trong bài toán phân vùng ảnh, các tiêu chuẩn hạt chủ yếu dựa vào sự đồng đều về các thuộc tính như màu sắc, mức xám và kết cấu.
Logic vị từ được sử dụng làm tiêu chuẩn để đánh giá phân đoạn Giả sử ảnh X cần được phân thành n vùng khác nhau, ký hiệu là Z1, Z2, , Zn, với logic vị từ có dạng P(Z) Quá trình phân vùng này cần phải đáp ứng các tiêu chí nhất định.
Định dạng vị từ P và các đặc tính được biểu diễn bởi các vector ảnh hưởng trực tiếp đến kết quả phân đoạn ảnh Vị từ P(Z, X, t) trong đó X là vector đặc tính và t là ngưỡng Trong trường hợp này, vector chỉ chứa một đặc điểm, đó là giá trị mức xám của ảnh I(k, t), với ngưỡng được xác định là giá trị T.
Với ảnh màu, véc tơ đặc tính X có giá trị của ba màu R, G, B và IG (k,l), IR (k,l),
IB (k, l) là các thành phần tương ứng
Các phương pháp được dùng trong phân vùng ảnh theo miền đồng nhất:
• Phương pháp phân tách – cây tứ phân
Phương pháp tách – hợp là một kỹ thuật quan trọng để đạt được kết quả tối ưu, trong đó việc đánh giá tiêu chuẩn độ thuần nhất là yếu tố thiết yếu Để thực hiện điều này, giá trị trung bình và độ lệch chuẩn 𝜎i thường được áp dụng để đánh giá và lựa chọn tiêu chuẩn độ thuần nhất một cách hiệu quả.
Nếu |mi -mj| < k 𝜎i vùng Zi và vùng Zj có thể hợp nhất với nhau
Giá trị mức xám có thể được sử dụng để đánh giá tiêu chuẩn miền đồng nhất Nếu hiệu giữa hai giá trị mức xám lớn nhất và nhỏ nhất trong miền đang xem xét tiệm cận với 𝜃, thì tiêu chuẩn có thể được xác định.
Hoặc tiêu chuẩn là độ lệch bình phương trung bình nhỏ hơn 𝜃
Phân vùng hình ảnh dựa trên đường biên là một phương pháp quan trọng trong xử lý ảnh, giúp tách biệt các khu vực có đặc điểm tính chất khác nhau như mức độ xám và độ tương phản Đường biên được coi là đặc trưng điển hình, đóng vai trò quan trọng trong việc xác định các vùng khác nhau trong bức ảnh.
• Các điểm ảnh được làm bật lên khi tại đó các điểm ảnh xung quanh có sự biến thiên về độ sáng, giá trị màu pixel
• Các vùng như vùng nền, vùng đối tượng, những vùng có sự biến thiên về màu sắc pixel, độ sáng, … được làm nổi bật
Có nhiều định nghĩa về đường biên, điển hình có ba loại đường biên chính.[16]
• Đường biên thực: Đó là sự biến thiên giá trị màu tại nhiều điểm nhưng không trơn
• Đường biên lý tưởng: Vị trí đường biên chính là vị trí các điểm ảnh có sự biến thiên màu sắc với những điểm ảnh xung quanh
Đường biên bậc thang là hiện tượng mà các điểm ảnh có sự biến đổi về màu sắc, trải dài qua nhiều điểm ảnh khác nhau Vị trí của đường biên được xác định là tập hợp các điểm ảnh chính nằm ở giữa.
Phát hiện biên là quá trình xác định đường viền của các đối tượng trong ảnh, bao gồm hai phương pháp chính: phát hiện biên trực tiếp và gián tiếp Cả hai phương pháp này đều dựa vào sự biến thiên giữa các điểm ảnh để xác định biên.
• Phát hiện biên trực tiếp: dựa vào sự biến thiên của giá trị độ sáng tại điểm ảnh để làm nổi bật đường biên
• Phát hiện biên gián tiếp: chính là đường phân chia giữa vùng đối tượng và vùng nền từ việc phân ảnh thành các vùng
+ Phân vùng dựa theo kết cấu bề mặt.[14]
Các phần tử sợi cơ bản, thường được gọi là kết cấu, có sự lặp lại rõ ràng, như vòng tuổi thọ của gỗ, cát, và đường nét của vải Sự lặp lại này có thể xuất phát từ tự nhiên hoặc được tạo ra một cách nhân tạo Hai phương pháp chính trong phân vùng ảnh dựa vào kết cấu bề mặt là
2.1.2 Ảnh võng mạc mắt Để hiểu được võng mạc là gì, chúng ta cần phải nắm được các thành phàn cấu tạo nên mắt và cách thức hoạt động bên trong của mắt [2]
Tình hình nghiên cứu
Ngày nay, hình ảnh y khoa đóng vai trò quan trọng trong việc hỗ trợ các y bác sĩ xác định và chẩn đoán bệnh cho bệnh nhân Tuy nhiên, chất lượng hình ảnh thường bị ảnh hưởng bởi nhiều yếu tố khách quan Quá trình phân vùng ảnh giúp tách biệt các khu vực trong bức ảnh, từ đó nâng cao độ chính xác trong chẩn đoán Nghiên cứu gần đây đã tập trung vào cải thiện các phương pháp phân tích hình ảnh y khoa để nâng cao chất lượng và hiệu quả chẩn đoán.
Sơ lược về thuật toán Otssu
Thuật toán phân ngưỡng Otsu, được giới thiệu bởi Nobuyuki Otsu vào năm 1979, là một phương pháp phân ngưỡng dựa trên biểu đồ histogram Phương pháp này bắt đầu bằng việc xem xét biểu đồ histogram chuẩn hóa theo hàm mật độ xác suất (PDF - Probability Density Function).
• 𝑛 𝑖 – số lượng pixel có mức độ xám i trên ảnh
• L – số lượng ngưỡng độ xám trên ảnh
Dựa vào độ lệch chuẩn 𝜎 𝐵 2 (8) để lựa chọn được k Ngưỡng k phân chia bức ảnh thành hai tập hợp C0 và C1:
• C0 tương ứng với các pixel có giá trị xám từ 0 đến k-1
• C1 tương ứng với các pixel có giá trị xám từ k đến L
Một bức ảnh xám vuông kích thước 6x6 pixel có độ xám từ 0 đến 5 được sử dụng để xác định ngưỡng tối ưu Mục tiêu là tìm ngưỡng sao cho phương sai giữa các lớp tại ngưỡng đó là thấp nhất.
Hình 2 10 Ảnh mình hoạ phương pháp Otsu[23] Hình 2 11 Biểu đồ Histogram[23]
Ví dụ ngưỡng ban đầu được chọn bằng 3 và thực hiện tính toán tình phương sai trên hai tập ảnh (backGround < 3 và foreGround >= 3)
- Cuối cùng tính toán phương sai 𝜎 𝐵 2 :
Tiếp tục tính toán các ngưỡng từ 0 đến L nhằm tìm ra phương sai nhỏ nhất, trong ví dụ này, phương sai nhỏ nhất được xác định khi ngưỡng là 3.
Hình 2 14 Kết quả thuật toán Otsu [23]
Thuật toán K-means clustering là một phương pháp phân nhóm, trong đó các pixel được phân chia vào các cụm dựa trên các đặc điểm tương đồng, chẳng hạn như mức độ xám.
Các bước thực hiện thuật toán K-means:
• Chọn K điểm bất kì trên ảnh làm tâm cho K cụm
• Thực hiện tính toán độ tương đồng của tất cả pixel với K tâm
• Các pixel nào có độ tương đồng nhất với cụm Ki nào sẽ được nhóm vào cụm
• Sau khi các tính toán lại các tâm Ki
Tiếp tục quá trình tính toán độ tương đồng của từng pixel với K tâm mới và lặp lại các bước cho đến khi không có sự thay đổi nào ở các tâm K.
Dưới đây là một ví dụ về thuật toán K-means
Ta có 4 loại hoa quả A,B,C,D, mỗi loại hoa có hai loại đặc trưng là F1 và F2 Mục đích là xem xét 4 loại hoa quả thuộc vào đặc trưng nào
Object Feature 1 (F1): color Feature 2 (F1): vitamin fruit A 1 1 fruit B 2 1 fruit C 4 3 fruit D 5 4
Bảng 3 1 Thuộc tính các đối tượng thuốc
Bước 1: Chọn tâm bất kì cho 2 đực trưng lần lượt là A và B
Hình 2 15 Ví dụ thuật toán K-means [22]
Bước 2: Khoản cách của các đối tượng A, B, C, D được tính toán đến tâm c1 và c2
Bốn đối tượng A, B, C, D tương ứng với bốn cột trong ma trận X
• Hàng đầu tiên tương ứng với khoảng cách từ tâm c1 đến các đối tượng A, B,
• Hàng thứ hai tương ứng với khoảng cách từ tâm c2 đến các đối tượng A, B,
Ví dụ, khoảng cách từ tâm c1(1,1) và c2(2,1) đến fruit D=(5, 4) lần lượt là 5 và 4,24:
Bước 3: Gán các loạt hoa quả vào các nhóm có khoảng cách gần hơn
• Từ A đến C1 là A1 = 0 nhỏ hơn khoảng cách từ A đến C2 là A2 = 2.83 nên đối tượng A được nhóm vào grounp – 1
• Từ B đến C1 là B1 = 1 lớn hơn khoảng cách từ B đến C2 là B2 = 0 nên đối tượng B được nhóm vào grounp – 2
• Từ C đến C1 là C1 = 3.61 lớn hơn khoảng cách từ C đến C2 là C2 = 2.83 nên đối tượng C được nhóm vào grounp – 2
• Từ D đến C1 là D1 = 5 lớn hơn khoảng cách từ D đến C2 là D2 = 4.24 nên đối tượng D được nhóm vào grounp – 2
Sau vòng lặp đầu tiên ta có thể thấy rằng với nhóm màu sắc có một đối tượng là
A và các đối tượng còn lại thuộc vào nhóm vitamin
Bước 4: Thực hiện tính toán lại tâm cho hai nhóm, nhóm một không cần tính toán toạ độ vì trong nhóm chỉ có một đối tượng, nhóm hai C2 :
Hình 2 16 Ví dụ thuật toán K-measn[22]
Bước 5: Từ tâm mới ta tiếp tục tính toán khoảng cách từ các đối tượng đến tâm
F2 Bước 6: Thực hiện gán các đối tượng vào các nhóm phù hợp
Bước 7: Tiếp tục tính toán lại tâm từ các đối tượng trong nhóm
Hình 2 17 Ví dụ thuật toán K-measn[22]
Bước 8: Thực hiện tính toán tương tự Bước 5
F2 Bước 9: Thực hiện gán các đối tượng vào các nhóm phù hợp
Dù thực hiện lặp lại nhiều lần, nếu không có sự dịch chuyển nhóm của các đối tượng tương ứng với Y2 = Y1, thì quá trình sẽ thoát khỏi vòng lặp và trả về kết quả.
Bảng 3 2 Các đối tượng sau khi chạy K-mean và gán vào cái group
Thuật toán K-means được ưa chuộng nhờ vào tính đơn giản và hiệu quả của nó, tuy nhiên, vẫn tồn tại một số hạn chế cần lưu ý.
• Chọn số tâm K đầu tiên
• Chi phí để thực hiện vòng lặp lớn
2.2.3 Phương pháp phân cụm dữ liệu mờ FCM[5] [6] [7] Đối nghịch với phân vùng K-means FCM là phân vùng dữ liệu mờ, K-mean và FCM có cùng cách thức phân cụm Phương pháp FCM được áp dụng trong rất nhiều bài toán giải quyết rất nhiều vấn đề về nhận dạng ảnh như nhận dạng mắt, nhận dạng văn tay, xử lý nhiễu, ảnh y khoa,… FC, được thực hiện qua các bước như:
• Bước 2 Tính toán và cập nhật lại trọng tâm
• Bước 3 Nếu max ≤ 𝜀 tới bước 4
• Bước 4 Thực hiện tính toán trọng tâm tương tự như bước 2
• Bước 5 Đưa ra các cụm kết quả
2.2.4 Phương pháp EM(Expectation-Maximization)[1]
Nhà khoa học Arthur Dempster, Nan Laird, và Donald Rubin đã phát triển thuật toán EM vào năm 1977 để thực hiện phân vùng dữ liệu không đầy đủ, mặc dù ý tưởng này đã có từ trước Nhiều nghiên cứu cho thấy phương pháp EM rất hữu ích trong việc phân vùng ảnh khi dữ liệu bị thiếu hoặc có nhiều biến gây khó khăn Phương pháp này ước lượng các giá trị ẩn và giả định các giá trị khiếm khuyết, cố gắng đưa ra kết quả tốt nhất thông qua các vòng lặp cho đến khi đạt được giá trị tối ưu.
2.2.5 Phương pháp loại trừ nhiễu ảnh bằng biến đổi Wavelet thế hệ II.[19]
Phép biến đổi Wavelet thế hệ II, với cấu trúc cây kép phức, mang lại khả năng loại trừ nhiễu ảnh vượt trội Nó cho phép khôi phục hiệu quả cả đường thẳng và đường cong kì dị, đồng thời cải thiện tính chọn hướng trong xử lý ảnh Hệ thống này cũng giảm thiểu sự thay đổi năng lượng ở các hệ số bậc cao, dẫn đến tỷ số lỗi RMSE và tỷ lệ nhiễu đỉnh tín hiệu PSNR tốt hơn.
Phép biến đổi Wavelet thế hệ II kết hợp cây khai triển nhị phân định hướng mang lại khả năng bất biến đối với chuyển dịch, sử dụng biến đổi wavelet phức cây kép để triển khai các dãy bộ lọc khôi phục hoàn hảo Thuật toán khai triển nhanh, thích ứng tuyến tính dựa trên cấu trúc lifting giúp khử nhiễu ảnh và tăng tốc đáng kể trong quá trình triển khai, đồng thời giữ lại các đặc điểm nổi bật của biến đổi wavelet phức cây kép Thuật toán này không chỉ giảm thời gian khai triển trung bình mà còn giảm công suất trung bình cần thiết, tạo ra sự phân biệt rõ rệt so với các thuật toán khai triển wavelet phức cây kép khác Với cấu trúc cây kép dịch chuyển, hiệu quả mã hóa và độ lợi mã hóa được cải thiện đáng kể Thuật toán bắt đầu bằng việc tìm thừa số của các bộ lọc kết hợp với kiểu wavelet đã chọn dựa trên thuật toán Euclidean và xây dựng cấu trúc lifting.
2.2.6 Giảm nhiễu dựa trên Wavelet trong hình ảnh CT bằng phân tích tương quan (Wavelet Based Noise Reduction in CT-Images Using Correlation Analysis).[20]
Dữ liệu chiếu trong chụp cắt lớp điện toán (CT) thường bị nhiễu, do đó, chúng tôi đề xuất một phương pháp bảo tồn cấu trúc dựa trên sóng con nhằm giảm thiểu nhiễu trong hình ảnh CT Phương pháp này tách thông tin và tiếng ồn không tương quan theo thời gian, cho phép tái tạo hình ảnh từ các hình chiếu khác nhau Qua việc phân tích mối tương quan giữa các biểu diễn sóng con, chúng tôi có thể loại bỏ các hệ số có tương quan nhỏ và giữ lại các hệ số có tương quan cao, đại diện cho cấu trúc hình ảnh Hình ảnh khử nhiễu cuối cùng được xây dựng từ các hệ số sóng con trung bình và có trọng số Phương pháp này không chỉ mạnh mẽ và có độ phức tạp thấp, mà còn thích nghi tốt với nhiễu Đánh giá từ dữ liệu lâm sàng cho thấy tỷ lệ giảm nhiễu lên đến 40% có thể đạt được mà không làm giảm độ phân giải hình ảnh đáng kể.
Một số ưu và khuyết điểm tồn tại của đề bài
• Phương pháp DWT có nội dung đơn giản và kết quả thu được khá tốt
Phương pháp chọn ngưỡng lặp đi lặp lại (Iterative threshold selection) cho phép phân nhóm các đối tượng thông qua nhiều lần lặp Trong lần lặp đầu tiên, các đối tượng được phân vào các nhóm ngẫu nhiên, sau đó sẽ được điều chỉnh để đưa vào các nhóm phù hợp hơn.
• Hai phương pháp kết hợp với nhau thường đạt được tối ưu cục bộ
Các mạch máu trong võng mạc có kích thước rất đa dạng, từ dưới một pixel cho đến hơn năm pixels Sự khác biệt này gây khó khăn trong việc làm nổi bật các pixel nhỏ hơn một pixel, ảnh hưởng đến hiệu quả của các phương pháp phân vùng.
Độ tương phản màu sắc giữa các mạch máu và vùng nền thấp gây khó khăn trong việc phân vùng mạch máu, dẫn đến kết quả không chính xác.
Dễ xảy ra nhầm lẫn giữa các phản ứng sai gần bệnh lý như xuất tiết mềm, xuất tiết cứng, và đốm bông với các vùng không phải mạch máu như đĩa thị giác và vùng fovea.
Bức ảnh có thể bị ảnh hưởng bởi những đối tượng nhiễu và cá biệt, do đó tất cả các đối tượng cần được phân loại vào các nhóm thích hợp Khi những đối tượng này không được gán vào nhóm chính xác, độ chính xác của bức ảnh sẽ bị giảm sút.
• Để phân tích tốt cần tiếp cận sâu hơn về các thuật toán
• Tốn khá nhiều tài nguyên thời gian
• Tuỳ thuộc vào mức độ phân huỷ.
PHƯƠNG PHÁP ĐỀ XUẤT
Tập dữ liệu mẫu
Tập dữ liệu mà chương trình sử dụng gồm 21 hình ảnh võng mạc có kích thước 521*512, chưa qua xử lý Những hình ảnh này đại diện cho nhiều loại và trạng thái võng mạc khác nhau, bao gồm cả bình thường và có bệnh lý Cấu trúc của các hình ảnh trong tập dữ liệu thể hiện sự đa dạng với sự khác biệt về kích thước mạch máu, độ sáng, độ đậm nhạt của màu sắc, và độ tương phản giữa mạch máu và các vùng lân cận.
Hình 3 2 Một vài hình ảnh võng mạc mắt từ tập dữ liệu
Sơ đồ phương pháp đề xuất
Hình 3 1 Sơ đồ phương pháp đề xuất
Hình 3 3 Vột vài hình ảnh kết quả phân vùng ảnh.
Discrete Wavelet Transform
Thực hiện phương pháp DWT trên toàn bộ bức ảnh nhằm khử nhiễu, làm mịn ảnh giúp tăng chất lượng ảnh phục vụ cho việc phân vùng tốt hơn
Nguyên tắc cơ bản của bộ lọc sóng con là sử dụng ma trận đa pha, tạo thành một dải ma trận tam giác xen kẽ ở trên và dưới, kết hợp với ma trận đường chéo.
Hình 3 4 Phương pháp discrete wavelet transform[12]
DWT là phương pháp mô tả đa biến cho hình ảnh, cho phép giải mã tuần tự từ độ phân giải thấp đến cao Phương pháp này chia tín hiệu thành các phần tần số cao và thấp, trong đó phần tần số cao chứa thông tin về các thành phần cạnh, trong khi phần tần số thấp tiếp tục được phân chia Các thành phần tần số cao thường được sử dụng để tạo hình mờ, vì mắt người ít nhạy cảm với những thay đổi ở các cạnh.
• Bước 1: thực hiện DWT theo hướng dọc, tiếp theo là DWT theo hướng ngang:
Tại mỗi tầng, phép lọc được thực hiên bới công thức 9, 10:
Sau bước phân tách đầu tiên, ta có 4 băng con: LL1, LH1, HL1 và HH1 Mỗi mức phân tách tiếp theo sử dụng băng con LL của cấp trước làm đầu vào để thực hiện phân tách cấp độ thứ hai Phép biến đổi wavelet rời rạc (DWT) được áp dụng cho LL1 với biểu thức lọc tương tự như ở bước trước.
Bước 3 trong quá trình áp dụng DWT cho băng LL2 dẫn đến việc phân tách băng này thành bốn băng con: LL3, LH3, HL3 và HH3, tạo ra tổng cộng 10 băng con cho mỗi thành phần Trong đó, LH1, HL1 và HH1 chứa các dải tần số cao nhất, trong khi LL3 chứa dải tần số thấp nhất Phân tách DWT ba cấp được minh họa trong Hình 3.2.
• Bước 4: Áp dụng phép biến đổi Wavelet rời rạc nghịch (IDWT, inverse discrete wavelet transform) được cho bởi:
Trong đó, yhigh(k) và ylow(k) là tín hiệu đầu ra từ bộ lọc thông cao và bộ lọc thông thấp đã được đề cập trước đó.
Hình 3 5 Phân rã băng con DWT
Tiếp tục phân rã thêm hai cấp độ và tính toán ngưỡng trung bình cho từng băng con, sau đó áp dụng phương pháp inverse discrete wavelet (IDWT) để đảo ngược các bước trước đó, giúp loại bỏ nhiễu và làm cho bức ảnh mịn màng hơn.
Hình 3 6 Kết quả sau khi khử nhiễu.
Iterative threshold selection
Thực hiện phương pháp phân vùng ảnh dựa vào ngưỡng Iterative threshold selection (Isodata)
• Thực hiện tính ngưỡng trung bình của ảnh ( T[1] )
• Dựa vào ngưỡng trung bình T[1], phân thành hai loại là ngưỡng trên MAT và ngưỡng dưới MBT
• Tính toán ngưỡng MAT và MBT dựa vào ngưỡng T[1]
• Lặp lại việc tính ngưỡng trung bình T[n] cho đến khi |T[n] ≈ T[n − 1]|
• Kết quả thu được ngưỡng L đã được tối ưu, thực hiện segmentation trên ngưỡng L thu được kết quả:
Hình 3 7 Kết quả sau khi áp dụng ngưỡng L
Kết quả thu được chứa nhiều pixel dư thừa, do đó cần thực hiện bước lọc bỏ các pixel này Các cụm màu trắng có kích thước dưới 20px sẽ được chuyển đổi thành màu đen.
Hình 3 8 Kết quả sau khi loại bỏ những vật thể dư thừa
So sánh kết quả thu được với ground truth và các phương pháp khác: a B c d Hình 3 9 So sánh kết quả với ground truth và các phương pháp khác
Dựa trên kết quả hình 3.9, hình 3.9a thể hiện ground truth với độ chính xác cao về thông số mạch máu Hình 3.9b cho thấy kết quả đạt được từ phương pháp đề xuất, trong khi hình 3.9c và 3.9d trình bày kết quả của các phương pháp so sánh như Otsu và K-means.
• Số lượng pixel mạch máu GTretina: 34884 pixels
• Số lượng pixel nền GTbackground: 227260 pixels
• Tổng số lượng pixel GTtotal: 262144 pixels
Hình 3.9b: Kết quả phương pháp đề xuất
• Số lượng pixel mạch máu SegmentedImgretina: 19702 pixels
• Số lượng pixel nền SegmentedImg background: 242442 pixels
• Tổng số lượng pixel SegmentedImg total: 262144 pixels
Hình 3.9c: Kết quả phương pháp Otsu
• Số lượng pixel mạch máu SegmentedImgretina: 138157 pixels
• Số lượng pixel nền SegmentedImg background: 123987 pixels
• Tổng số lượng pixel SegmentedImg total: 262144 pixels
Hình 3.9d: Kết quả phương pháp K-means
• Số lượng pixel mạch máu SegmentedImgretina: 106460 pixels
• Số lượng pixel nền SegmentedImg background: 155684 pixels
• Tổng số lượng pixel SegmentedImg total: 262144 pixels
Phương pháp so sánh
phương pháp so sánh dựa trên ba đối tượng P, N, T:
• P: Tỉ lệ pixel mạch máu được phân loại chính xác
• N: Tỉ lệ pixel vùng nền được phân loại chính xác
• T: Tỉ lệ pixel được phân loại chính xác
Ví dụ: giả sử trong một bức ảnh chúng ta có 100 pixel, 10 pixel là võng mạc và
90 pixel là nền Kết quả phân đoạn là:
• 12 pixel là võng mạc (chỉ có 8 là võng mạc thực sự và 4 là võng mạc giả)
• 88 pixel là nền (chỉ có 86 là nền thật và 2 là nền sai.)
Sau khi thực hiện thuật toán, sử dụng phương pháp so sánh với kết quả đạt được dựa trên ba đối tượng P, N, T:
• Phương pháp đề xuất: o Tỉ lệ pixel mạch máu được phân loại chính xác P:
34884 = 52.47% o Tỉ lệ pixel nền được phân loại chính xác N:
227260= 99.38% o Tỉ lệ pixel được phân loại chính xác T:
• Phương pháp Ostu: o Tỉ lệ pixel mạch máu được phân loại chính xác P:
34884 = 76.03% o Tỉ lệ pixel nền được phân loại chính xác N:
227260= 50.88% o Tỉ lệ pixel được phân loại chính xác T:
• Phương pháp K-means: o Tỉ lệ pixel mạch máu được phân loại chính xác P:
34884 = 35.09% o Tỉ lệ pixel nền được phân loại chính xác N:
227260= 58.54% o Tỉ lệ pixel được phân loại chính xác T:
Phương pháp đề xuất đạt tỉ lệ pixel mạch máu được phân loại chính xác (P) là 93,14%, vượt trội so với tỉ lệ của hai phương pháp Otsu (54,22%) và K-means (55,42%) Điều này cho thấy hình ảnh sau khi phân vùng bằng phương pháp đề xuất mang lại kết quả tốt hơn rõ rệt so với Otsu và K-means.
