phương pháp phân đoạn ảnh y khoa

Phương pháp phân đoạn dựa vào ngưỡng: Phương pháp phân đoạn dựa vào ngưỡng là phương pháp cơ bản và được hiểu rõ nhất trong các kỹ thuật phân đoạn và được sử dụng thường xuyên trong hầu

Mục Lục

CHƯƠNG I: GIỚI THIỆU ………​…​2

1.1 Giới thiệu đề tài ………​ ​2

1.2 Mục tiêu đề tài ………2

1.3 Nội dung đề tài ………​…​3

1.4 Giới hạn đề tài ……… 3

1.5 Cấu trúc báo cáo ……… 3

CHƯƠNG ​II C​Ơ SƠ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN ……… 4

2.1 Cơ sở lý thuyết ………​ ​ ​4

2.2 Các nghiên cứu liên quan ………​…​5

CHƯƠNG​ ​III C​ÁC PHƯƠNG PHÁP NGHIÊN CỨU ………​.​6

3.1 Yêu cầu bài toán ………​ .​6

3.2 Các phương pháp nghiên cứu ……… 6

3.2.1 Phương pháp phân đoạn ảnh dựa vào ngưỡng ………​ … 6

3.2.2 Phương pháp phân đoạn ảnh dựa vào miền ……… 9

3.2.3 Phương pháp phân đoạn dựa trên hình dạng ………​ .​1​7 3.2.4 Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận ………​ 21

CHƯƠNG​ ​IV.​ ​THỰC NGHIỆM VÀ KẾT QUẢ ………​ 25

4.1 Tập dữ liệu test ………​ ​25

4.2 Thí nghiệm ………​.​25

4.3 Đánh giá kết quả ………​26

CHƯƠNG V.​ KẾT LUẬN……… 2 7 5.1 Kết quả đạt được ………​…​27

5.2 Ưu nhược điểm của thực tập tốt nghiệp ………​.​27

5.3 Hướng mở rộng trong tương lai ………​.​27

CHƯƠNG 1: GIỚI THIỆU

1.1 Giới thiệu đề tài:

Phương pháp phân đoạn các bệnh về phổi trên ảnh CT rất quan trọng đối với việc

chuẩn đoán bệnh, bởi vì nó cung cấp những thông tin quan trọng cho việc giải phẫu,

thông tin về những đoạn bất thường để có thể lên phương án chữa trị phù hợp Phương

pháp này làm giảm thời gian phân tích, độ chính xác cao, giúp giảm kinh phí điều trị Phương pháp phân đoạn ảnh phát hiện khi bệnh ở mức độ vừa phải hoặc có bất thường về

hình dạng hoặc có hình dạng đặc biệt tồn tại trong phổi Nhưng, các bất thường như tràn

dịch màng phổi, các khối u thường xuyên gây phân đoạn phổi không chính xác, nên hạn

chế sử dụng 1.2 Mục tiêu đề tài: Mục đích của việc phân đoạn hình ảnh y khoa là để lấy thông tin định lượng (ví dụ

như dữ liệu thể tích, dữ liệu hình thái học, thông tin liên quan đến mô hình kết cấu) liên

quan đến một bộ phận cơ thể hoặc một thương tổn bên trong bộ phận đó Nói chung, vấn

đề phân đoạn ảnh có thể được coi như là bao gồm hai nhiệm vụ chính: nhận dạng đối

tượng và phác hoạ đối tượng Vì phân tích hình ảnh trong cơ thể bệnh phổi đã trở thành một nhu cầu cần thiết cho

các ứng dụng lâm sàng và nghiên cứu, điều quan trọng là các bác sĩ X quang nên làm

quen với những cơ hội và thách thức liên quan đến phân đoạn phổi tự động trên hình ảnh

CT Với những tiến bộ kỹ thuật gần đây về X quang và máy tính, trong tương lai không

xa, các nhà nghiên cứu X quang có thể đánh giá số lượng mức độ nghiêm trọng của bệnh

theo tỷ lệ tổng thể phổi, có thể ảnh hưởng đến mức độ mà các nhà X quang học mô tả,

mức độ nghiêm trọng và sự tiến hoá hình thái bệnh với các xét nghiệm CT Sự phân chia các phễu phổi là một thách thức đặc biệt vì sự khác biệt ở phổi với

thành một bộ ngực đàn hồi có thể tạo ra sự biến đổi lớn về khối lượng và thể tích khi cố

gắng tự động phân chia phổi Hơn nữa, sự xuất hiện của bệnh về phổi có thể gây trở ngại cho phần mềm cố gắng xác định vị trí của phổi

Hình 1.1: Ví dụ nhận dạng đối tượng (a) và phát họa đối tượng (b) trên ảnh CT phổi.[1]

1.3 Nội dung đề tài:

Ảnh CT có vai trò quan trong trong việc chuẩn đoán các dị tật bất thường trong cơ thể bệnh nhân, đặc biệt là các bệnh về phổi Phần lớn ảnh CT phổi có chất lượng kém nên việc phát hiện ra các khối u kích thước nhỏ và hình dạng bất thường bằng mắt thường là rất khó Nội dung chính của đề tài là nghiên cứu các phương pháp phân đoạn ảnh trong ảnh CT phổi như: phương pháp phân đoạn ảnh dựa vào miền, dựa vào ngưỡng, dựa trênhình dạng, phân đoạn ảnh hướng dẫn giải phẫu lân cận

Báo cáo được chia thành năm phần:

- Phần 1: Giới thiệu chung về đề tài, lý do thực hiện đề tài Tóm tắt nội dung chính của đề tài, nêu mục tiêu của đề tài và giới hạn đề tài

- Phần 2: Trình bày những cơ sở lý thuyết về xử lý ảnh, các nghiên cứu khác liên quan đến phân đoạn ảnh CT

- Phần 3: Trình bày yêu cầu bài toán và nội dung cụ thể các phương pháp nghiên cứu được chọn

- Phần 4: Trình bày thực nghiệm giải thuật phân đoạn ảnh y khoa và đánh giá kết quả

- Phần 5: Kết luận

CHƯƠNG II: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN

Điểm ảnh là một phần tử của ảnh số tại tọa độ (x, y) với độ xám hoặc màu nhất định Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mặt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật Mỗi phần tử trong ma trận được gọi là một phần tử ảnh.[2]

Tiền xử lý là quá trình sau khi thu nhận ảnh, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền xử lý để nâng cao chất lượng Chức năng chính của bộ tiền xử lý

là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn

Độ phân giải của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt ngườivẫn thấy được sự liên tục của ảnh Việc lựa chọn khoảng cách thích hợp tạo nên một mật

độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều

Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm

đó Các thang giá trị của mức xám thông thường: 16, 32, 64, 128, 256

Biên là đường bao quanh một vùng ảnh do sự chênh lệch giữa hai mức xám Trong khi đó, ngưỡng chỉ một giá trị mà người ta dựa vào để xác định các miền riêng biệt trong ảnh

Phân đoạn ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Chính xác hơn, phân vùng ảnh là quá trình gán nhãn cho mỗi điểm ảnh trong ảnh sao cho các điểm ảnh có các thuộc tính tương tự nhau thì có cùng một nhãn Đây là phần phức tạp và khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi làm mất

độ chính xác của ảnh Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này

Chụp CT (CT-Scanner) là kỹ thuật dùng nhiều tia X- quang quét lên một khu vưc

của cơ thể theo lát cắt ngang phối hợp với xử lý bằng máy vi tính để có được hình ảnh 2 chiều hoặc 3 chiều của bộ phận cần chụp

2.2 Các nghiên cứu liên quan:

- Segmentation and Image Analysis of Abnormal Lungs at CT: Current Approaches, Challenges, and Future Trends (Awais Mansoor, PhD; Ulas Bagci, PhD; Brent Foster,BSc; Ziyue Xu, PhD; Georgios Z Papadakis, MD; Les R Folio, DO, MPH; Jayaram K Udupa, PhD; Daniel J Mollura, MD)

- Hu S, Hoffman EA, Reinhardt JM Automatic lung segmentation for accurate quantitation of volumetric X-ray CT images IEEE Trans Med Imaging 2001

- Wang J, Li F, Li Q Automated segmentation of lungs with severe interstitial lung disease in CT Med Phys 2009

- Serre T, Wolf L, Bileschi S, Riesenhuber M, Poggio T Robust object recognition with cortex-like mechanisms IEEE Trans Pattern Anal Mach Intell 2007

- Marr D, Ullman S, Poggio T Bandpass channels, zerocrossings, and early visual information processing J Opt Soc Am 1979

- Chen X, Udupa JK, Bagci U, Zhuge Y, Yao J Medical image segmentation by combining graph cuts and oriented active appearance models IEEE Trans Image Process

2012

- Bagci U, Kramer-Marek G, Mollura DJ Automated computer quantifcation of breast cancer in small-animal models using PET-guided MR image co-segmentation EJNMMI Res 2013

- Sluimer I, Schilham A, Prokop M, van Ginneken B Computer analysis of computed tomography scans of the lung: a survey IEEE Trans Med Imaging 2006

- Armato SG 3rd, Sensakovic WF Automated lung segmentation for thoracic CTimpact on computer-aided diagnosis Acad Radiol 2004

- Bağcı U, Bray M, Caban J, Yao J, Mollura DJ Computerassisted detection of infectious lung diseases: a review Comput Med Imaging Graph 2012

- Bagci U, Foster B, Miller-Jaster K, et al A computational pipeline forquantifcation of pulmonary infections in small animal models using serial PET-CT imaging EJNMMI Res 2013

- Christe A, Brönnimann A, Vock P Volumetric analysis of lung nodules in computed tomography (CT): comparison of two different segmentation algorithmsoftwares and two different reconstruction flters on automated volume calculation Acta Radiol 2014

- Cui H, Wang X, Feng D Automated localization and segmentation of lung tumor from PET-CT thorax volumes based on image feature analysis Conf Proc IEEE Eng Med Biol Soc 2012

CHƯƠNG 3: CÁC PHƯƠNG PHÁP NGHIÊN CỨU

3.1 Yêu cầu ban đầu:

Đầu vào là ảnh CT phổi

Các bước trung gian: Đầu tiên là giai đoạn tiền xử lý, ảnh đầu vào thường là ảnh thô chưa được xử lý, giai đoạn này giúp giảm nhiễu, tăng chất lượng ảnh, có thể bỏ một vài thông tin không cần thiết Tiếp theo là phương pháp xử lý, có thể sử dụng một hay nhiều giải thuật cho bước xử lý này Cuối cùng, phân đoạn phân vùng và truy xuất ảnh CT phổi Đầu ra là ảnh CT phổi đã được phân đoạn

3.2 Giải thuật đề xuất:

3.2.1 Phương pháp phân đoạn ảnh dựa vào ngưỡng (Lung Segmentation Class using Thresholding-based methods)

a Phương pháp phân đoạn dựa vào ngưỡng:

Phương pháp phân đoạn dựa vào ngưỡng là phương pháp cơ bản và được hiểu rõ nhất trong các kỹ thuật phân đoạn và được sử dụng thường xuyên trong hầu hết các hệ thống lưu trữ hình ảnh, truyền thông và các ứng dụng xem của bên thứ ba vì tính đơn giản Các phương pháp phân đoạn dựa trên ngưỡng phân đoạn ảnh bằng cách tạo các phân đoạn nhịphân dựa trên các giá trị suy giảm hình ảnh, được xác định bằng sự suy giảm tương đối của các cấu trúc trên hình ảnh CT Một thủ tục ngưỡng cố gắng xác định các giá trị suy giảm, được gọi là ngưỡng, tạo phân vùng bằng cách nhóm tất cả các phần tử hình ảnh với các giá trị suy giảm đáp ứng khoảng cách ngưỡng

Quá trình phân đoạn dựa vào ngưỡng được hiển thị trong một flowchart (Hình 3.1)

Sơ đồ:

Hình 3.1: Flowchart phương pháp phân đoạn ảnh dựa vào ngưỡng [1]

Phương pháp phân đoạn dựa vào ngưỡng là đơn giản và hiệu quả để có được phân đoạn từ hình ảnh với một sự khác biệt tương phản tốt xấu che dấu giữa các vùng Thật vậy, những phương pháp này thường thực hiện tốt hơn trong hình ảnh CT, so với hình ảnh thu được với các hình ảnh khác bởi vì thực tế là các giá trị suy giảm, được đo bằng đơn vị Hounsfeld, có các phạm vi bảo vệ tốt cho các thành phần mô khác nhau trên hình ảnh CT Tuy nhiên, các kỹ thuật dựa trên ngưỡng không thường đi vào tính các đặc tính không gian của mục tiêu đối tượng (phổi) Hơn nữa, những kỹ thuật này nói chung là nhạy cảm với hiện tượng tiếng ồn và hình ảnh, so với các phương pháp phân chia phổi khác Sự xuất hiện của các mẫu hình ảnh bất thường ảnh hưởng đến lớp của các phươngpháp phân chia ngưỡng dựa trên cơ sở nhiều hơn bởi vì không có thông tin không gian và biến đổi được xem xét trong quá trình phân đoạn quá trình Tổng quan về phương pháp phân khúc theo ngưỡng dựa trên ngưỡng được thể hiện trong hình 3.2

Hình 3.2: Sơ đồ cung cấp tổng quan về cách tiếp cận theo ngưỡng dựa trên phân đoạn phổi.[1]

Các đồ thị (a, b) cho biết các giá trị ngưỡng trên và dưới (được hiển thị với các đường thẳng màu đỏ ở a, b) trong các đơn vị Hounsfeld được điều chỉnh để chú thích phổi Trên hình ảnh CT (c, d) Khoảng cách tối ưu của sự suy giảm trong một kết quả trong mô màng phổi bị loại trừ (vùng đen trong c) từ các vùng phổi phân đoạn (màu đỏ), so với

khoảng cách suy giảm tốt hơn ở b, kết quả phân đoạn phổi tốt hơn trong d

Trong đó các giới hạn trên và dưới của ngưỡng khoảng cho phép lựa chọn vùng phổi chú thích việc lựa chọn đúng các tham số ngưỡng có thể đủ để phân chia phổi với tối thiểu hoặc không có bệnh lý vì giá trị suy giảm ổn định của không khí và vùng phổi Mặt khác, nó có thể được đến bao gồm các vùng bệnh lý trong vùng phổi với các phương pháp dựa trên ngưỡng dựa trên khoảng cách ngưỡng thường được thiết lập để loại trừ các

mô lân cận từ các phễu phổi, nhưng các vùng bệnh lý có thể có cùng giá trị suy giảm so với các mô mềm Hình 3.3 cho thấy hai ví dụ, trong đó có những tràn dịch màng phổi và

sự hợp nhất tồn tại trong phổi, và sự phân khúc dựa trên ngưỡng không thể mô tả đúng ranh giới phổi vì những dấu hiệu hình ảnh bất thường này

Hình 3.3: Xác định ranh giới không chính xác.[1]

Đường viền màu xanh là kết quả phân chia cho các ranh giới phổi ước tính Hình ảnh

CT cho thấy hai ví dụ về các kết quả tối ưu của việc phân tích dựa trên ngưỡng dựa trên các triệu chứng của màng phổi và sự hợp nhất (b)

Thông thường, có thể cần đến các hoạt động hình thái khác nhau hoặc quá trình loại

bỏ sai bằng tay có thể là cần thiết để sửa lại phân đoạn kết quả Về mặt hiệu quả, các phương pháp dựa trên ngưỡng là các phương pháp phân chia hình ảnh nhanh nhất, thường chỉ mất vài giây và mang lại phân đoạn tái tạo hoàn toàn

b Một số phương pháp phân đoạn ảnh theo ngưỡng:

Việc chọn ngưỡng trong kỹ thuật này là bước vô cùng quan trọng,thông thường người

ta tiến hành theo các bước chung như sau:

+ Xem xét lược đồ xám của ảnh để xác định đỉnh và khe, nếu ảnh có nhiều đỉnh và khe thì các khe có thể sử dụng để chọn ngưỡng

+ Chọn ngưỡng T sao cho một phần xác định trước η của toàn bộ số mẫu thấp hơn T Điều chỉnh ngưỡng dựa trên xét lược đồ của điểm lận cận Chọn ngưỡng bằng cáchxem xét lược đồ xám của những điểm tiêu chuẩn đã chọn

Một thuật toán đơn giản trong kỹ thuật này là: khi các đối tượng sáng trên nền tối, có một tham số T gọi là ngưỡng độ sáng sẽ được chọn 1 ảnh f[x,y] theo cách:

If f[x,y] ≥ T f[x,y] = object = 1, Else f[x,y] = background = 0 (3.1) Ngược lại, với các đối tượng tối trên nền sáng chúng ta có thuật toán sau:

If f[x,y] < T f[x,y] = object = 1, Else f[x,y] = background = 0 (3.2) Vấn đề chính là chúng ta nên chọn ngưỡng thế nào để việc phân vùng đạt kết quả cao nhất?

Có rất nhiều thuật toán chọn ngưỡng : ngưỡng cố định, dựa trên lược đồ, sử dụng Entropy, sử dụng tập mờ, chọn ngưỡng thông qua sự không ổn định của lớp và tính thuần nhất của vùng

c Thuật toán chọn ngưỡng cố định:

Đây là một phương pháp chọn ngưỡng độc lập với dữ liệu ảnh Nếu chúng ta biết trước là chương trình ứng dụng sẽ làm việc với các ảnh có độ tương phản khá cao, trong

đó các đối tượng quan tâm rất tối còn nền gần như là đồng nhất và rất sáng thì việc chọn ngưỡng T=128 (xét trên thang độ sáng từ 0 tới 255) là một giá trị chọn khá chính xác Chính xác ở đây hiểu theo nghĩa là số các điểm ảnh bị phân lớp sai là cực tiểu

d Ưu nhược điểm của phương pháp:

Phương pháp phân đoạn ảnh dựa vào ngưỡng thì đơn giàn, giải thuật chạy nhanh và trực quan đồng thời ít tốn kém trong chi phí tính toán Nhưng lại không giải quyết được vấn đề các biến thể suy giảm và không phân lại được các loại bệnh lý

Phương pháp được dùng để xác định và phân chia cấu trúc các vùng được xác định rõ ràng là những tổn thương như các khối u, hốc (khoang), bướu nhỏ

3.2.2 Phương pháp phân đoạn ảnh dựa vào miền (Lung Segmentation Class using Region-based methods)

a ​Phương pháp phân đoạn ảnh dựa vào miền:

Vấn đề chính của các phương pháp phân đoạn theo miền phụ thuộc vào các điểm ảnh lân cận trong một khu vực có các giá trị tương tự Phương pháp nổi tiếng nhất trong phân đoạn theo miền có lẽ là phương pháp tạo vùng (region growing), các phương pháp này có điểm chung là so sánh một điểm ảnh với các điểm ảnh lân cận của nó, và nếu một tiêu chí khu vực được định trước (tức là tính đồng nhất) được đáp ứng, sau đó điểm ảnh được cho

là thuộc về đến cùng một lớp với một hoặc nhiều lân cận của nó Mặc dù một tiêu chuẩn khu vực được định trước là rất quan trọng trong phương pháp phát triển vùng (region growing), nhưng các phương pháp phát triển vùng chính xác hơn và hiệu quả so với phương pháp phân chia dựa vào ngưỡng, bởi vì chúng bao gồm tiêu chí "region" cũng như thông tin không gian Đối với các ứng dụng trong phân đoạn phổi trên hình ảnh CT,các phương pháp phân chia vùng (đặc biệt là region growing) đã được tìm thấy để có ích cho hiệu quả và mạnh mẽ của họ trong xử lý các biến thể suy giảm (gây ra bởi điều kiện bệnh lý nhẹ và hiện vật hình ảnh) bằng cách tăng cường thông tin không gian khu vực và

một thuật ngữ khu vực Sơ đồ tổng quát phương pháp tiếp cận được sử dụng cho phân đoạn theo vùng là thể hiện trong hình 3.4

Hình 3.4: Các sơ đồ khái niệm chung về phân khúc theo khu vực.[1]

Cách tiếp cận phân khúc dựa trên vùng bắt đầu với điểm mầm và sau đó phát triển thêm các điểm ảnh lân cận theo tiêu chuẩn vùng (a) Bắt đầu từ điểm xuất phát ban đầu (vòng tròn màu đen) và hướng phát triển (mũi tên) (b) Quá trình phát triển sau một vài lần lặp lại cho thấy diện tích đã loang (vùng đen) (c) Phân đoạn cuối cùng (vùng đen)

b Flowchart của phương pháp phân đoạn ảnh theo miền:

Đối với phân đoạn theo vùng, quá trình phân đoạn ảnh được tiến hành như hình 3.5

Sơ đồ:

Hình 3.5: Flowchart phương pháp phân đoạn ảnh dựa vào miền.[2]

Trong trường hợp điểm mầm được coi là đại diện của vùng phổi được xác định đầu

tiên Điểm mầm là tọa độ của một điểm đại diện của vùng được phân đoạn, và chúng có

thể được chọn bằng tay hoặc tự động Một khi các điểm mầm được chọn, xác định một

tiêu chuẩn để tìm các điểm lân cận trước khi trích xuất vùng mong muốn Các phương

pháp khác nhau có các tiêu chí khác nhau để xác định ranh giới phổi Ví dụ, một tiêu

chuẩn để phát triển vùng phổi là phát hiện ra cạnh phổi Các phương pháp phân đoạn dựa trên vùng được sử dụng như một công cụ hiệu quả

để chiết xuất các vùng đồng nhất như phổi không có bệnh lý nhẹ So với các phương

pháp dựa trên ngưỡng, các phương pháp dựa vào vùng tạo ra các kết quả phân chia phổi

chính xác hơn mà không gây ra các kết quả sai ở các vùng ngoài cơ thể với các giá trị suy

giảm tương tự Tuy nhiên, tùy thuộc vào độ lớn của tiếng ồn và độ chính xác của các tiêu

chuẩn khu phố, các phương pháp dựa vào vùng có thể bị ảnh hưởng âm tính giả trong khu

vực phổi và do đó có thể yêu cầu xử lý thêm, như thể hiện trong một số trường hợp trong

đó các phương pháp dựa vào vùng không thực hiện được tốt (Hình 3.6) Hơn nữa, lựa chọn điểm mầm có thể thực hiện bằng các thao tác thủ công hoặc các thuật toán thông

minh khác được chạy trước quá trình phân đoạn, để tạo một vùng thích hợp bắt đầu quá

trình phân tách Một số hoạt động xử lý sau có thể được tóm tắt như sau: để kiểm soát các

thông số của phân đoạn dựa trên khu vực và loại bỏ tiếng ồn vốn có, hình ảnh có thể được

làm mịn trước khi quá trình phân khúc Ngoài ra, loại bỏ artifact có thể được thực hiện

bằng tay trước khi bắt đầu thuật toán phác hoạ Ngoài ra, để loại bỏ hiện vật hoặc bệnh lý

học vùng gần phổi thì có thể khả thi hơn cắt các vùng phổi từ hình ảnh CT và xử lý các

thuật toán phân định trên khu vực mới bị xử lý trong đó có các hiện vật không tồn tại

Cuối cùng, nhưng không kém phần quan trọng, là loại bỏ các trường hợp như nốt hoặc

các tình trạng bệnh lý gần ranh giới phổi, suy giảm gần biên khu vực phổi cũng như tăng

cường ranh giới phổi Phát hiện cạnh có thể được hữu ích cho phân đoạn chính xác mà không cần lỗi

Hình 3.6: Các lỗi tiềm ẩn của các phương pháp phân đoạn theo vùng.[1]

Sáu ví dụ về sự thất bại của các phương pháp phân đoạn dựa trên vùng cho thấy ranh giới phổi (đường viền màu đỏ) và các vùng mà thuật toán sai (mũi tên) Đặc biệt, các cấu trúc được loại trừ khỏi phân đoạn phổi là các cấu trúc mạch máu (a, d), sự đồng bộ (b, c, f) và tràn dịch màng phổi (e)

Xét về hiệu quả, các phương pháp phân khúc dựa vào khu vực có thể được coi là hiệu quả vì thời gian (vài giây đến vài phút) và chi phí tính toán được báo cáo trong tài liệu này nằm trong phạm vi tiện ích lâm sàng Khả năng lặp lại của các phương pháp phân khúc theo khu vực phụ thuộc vào vị trí của các điểm giống (nếu phân chia dựa trên hạt);

Do đó, các phương pháp dựa trên khu vực khác nhau có độ bền khác nhau cho khả năng lặp lại Ví dụ, phương pháp kết nối mờ của hình ảnh sự phân khúc đã được chứng minh

là mạnh mẽ hơn trong so sánh với cắt đồ thị, đi bộ ngẫu nhiên, và phương pháp phân chia khu vực phát triển

c Các giải thuật phân đoạn dựa vào miền:

Ngoài phương pháp region growing, một số các phương pháp phân khúc theo miền khác được giới thiệu như watershed transform, graph cuts , random walks, and fuzzy connectedness

Trong phân đoạn watershed transform, ý tưởng chính của phương pháp này đến từ địa lý; các ý tưởng là của một phong cảnh hoặc địa hình đó là thác nước, với lưu vực sông đang được phân chia các khu vực thu hút mưa rơi xuống Mặc dù watershed transform là tính khả thi về mặt tính toán và do đó có thể được coi là vấn đề hiệu quả và do đó là ít có khả năng được lựa chọn hơn trong các vấn đề phân khúc phổi

Ngược lại với watershed tranform, các phương pháp graph cuts , random walks của phân đoạn dựa trên vùng là các phương pháp phân chia theo biểu đồ, và hai phương pháp này được xem là phân khúc tối ưu toàn cầu bởi vì độ chính xác cao hơn Mặc dù trong phương pháp graph cuts, các thông tin về cạnh và suy giảm (hoặc kết cấu) được sử dụng

để xây dựng một chức năng năng lượng được giảm thiểu cho mục đích phân khúc, xácsuất của mỗi điểm ảnh được tính theo khái niệm bộ khung tập đi ngẫu nhiên, trong đó mỗi phông đi bộ ngẫu nhiên của mỗi điểm ảnh đến hình nền hoặc các dấu hiệu tiền cảnh cung cấp bởi người dùng Mặc dù các thuật toán phân chia graph cuts và random walks có thể được coi là hiệu quả và chính xác đối với phân đoạn phổi trên các hình ảnh CT, những thuật toán này vẫn chưa được chứng minh là thành công khi lượng bệnh lý phổi ở mức trung bình và cao có ở phổi

d Giải thuật Graph Cuts:

● Mô hình dữ liệu màu:

Hình ảnh hiện tại cần lấy gồm có z​ n điểm trong không gian màu RGB Như vậy là không thực tế để cấu trúc nhưng biểu đồ không gian màu phù hợp, chúng tuân theo một quy trình kỹ thuật đã được sử dụng cho phân đoạn yếu và sử dụng GMMs Mỗi GMM, một cho nền và một cho tiền cảnh, được lấy đi một hiệp biến hoàn chỉnh Gaussian trộn với K thành phần (thường là k=5) Để giao tiếp dễ kiểm soát với GMM, trong khung tối

ưu hóa, một vectơ bổ sung k ={ k​ 1​, .,k​ n​, ,k​ N​} được giới thiệu, với k​n​∈{ 1, .K } được gán tới mỗi điểm ảnh, một thành phần duy nhất đơn trị GMM, một thành phần hoặc

từ nền hoặc mô hình tiền cảnh, tùy theo α​ n= 0 hoặc 11 Năng lượng Gibbs cho phân đoạnbây giờ trở thành

,(α, , , ) U(α, , , ) (α, )

Tùy thuộc vào các thành phần GMM của biến k Thuật ngữ dữ liệu U bây giờ

được xác định, có tính đến các mô hình GMM màu như:

(α, , , ) (α , , , )

Trong đó, D(α​n ​, k​ n ​,θ, z​ n ​) = -log p(z​ n | α​n ​, k​ n ​,θ)-logπ(α​ n ​, k​ n ​) và p(.) là một phần phối

xác suất Gaussian, π(.) là pha trộn các hệ số gia trọng , (α , , , ) og π(α , ) log det (α , ) D n k n θ z n = − l n k n + 21 ∑ n k n + [z21 n− μ(α , )]n k n T (3.5) , [z (α , )] (α , ) ∑ n k n −1 n− μ n k n (3.6) Vì vậy, các thông số của mô hình hiện nay: π(α, ), (α, ), (α, ), α , , k K} θ = { k μ k ∑ k = 0 1 = 1 Ví dụ: Các trọng số π, có nghĩa là μ và phương sai Σ của 2K Gaussian các thành phần

cho nền và phân phối tiền cảnh Các thuật ngữ thông suốt V về cơ bản là không thay đổi

từ ảnh đơn sắc trường hợp, ngoại trừ các thuật ngữ tương phản được tính bằng Euclidean khoảng cách trong không gian màu: (α, ) γ [α ≠ α ]exp ||z z || V z = ∑ (m,n)∈C n m − β n− m 2 (3.7) ● Phân đoạn theo sự lặp lại cực tiểu năng lượng: Sơ đồ cực tiểu hóa năng lượng mới trong GrabCut làm việc lặp đi lặp lại, thay cho

giải thuật one-shot trước đây Điều này có lợi thế là cho phép tự động sàng lọc vùng mờ

α, như mới được dán nhãn điểm ảnh từ vùng T​ Ucủa các trimap ban đầu được sử dụng để

tinh chỉnh các thông số GMM màu θ +Bước 1: Thực hiện bằng cách liệt kê các giá trị đơn giản của k n​ cho mỗi điểm ảnh +Bước 2: Được thực hiện như một tập hợp các thủ tục ước lượng tham số Gaussian,

như sau: đưa ra một thành phần GMM đã cho k trong mô hình tiền cảnh, tập hợp con của

các điểm ảnh được định nghĩa F (k) = {z​ n​: k​ n = k và α​n​=1} Trị trung bình và phương sai

được ước tính trong mạng lưới chuẩn nghĩa là mẫu và phương sai của các giá trị điểm ảnh

trong F (k) và trọng số là: π (α, k) = | F (k) | / Σk | F (k) |, (3.8) Trong đó | S | biểu thị kích thước của một tập S +Bước 3: Là tối ưu hóa toàn cầu, sử dụng cắt tối thiểu Cấu trúc của thuật toán đảm

bảo thuộc tính hội tụ đúng, bởi vì mỗi bước 1-3 giảm thiểu việc lặp đi lặp lại có thể được

hiển thị một tổng năng lượng E hạn chế tối đa với ba tập hợp các biến lần lượt là k, θ, và

α Do đó, E giảm dần một cách tuần tự và điều này được minh họa trong thực nghiệm Vì

vậy, các thuật toán bảo đảm để hội tụ về ít nhất ở một vị trí nhất định là E Là đơn giản để phát hiện khi E ngừng làm giảm đáng kể, và chấm dứt lặp tự động

Khởi tạo: