XỬ lý ẢNH SIÊU âm GAN KHÔNG gây hại BẰNG PHÉP BIẾN đổi WAVELET PACKET kết hợp SUPPORT VECTOR MACHINE

M CăL C
Trang tựa
Quy t đ nh giao đ tài
Trích y u lu n văn

i

LỦ l ch cá nhân.

ii

Lời cam đoan

iii

C m ta

vi

Tóm tắt

v

Mở đầu

vi

M cl c

viii

Danh m c các b ng

xi

Danh m c các hình v
CH

.xii

NGă1:ăTỔNGăQUANăV ăPH

NGăPHÁPăSİểUăỂMăTRONGăYăH C 1

1.1 Kỹ thu t siêu âm gan không gây h i

1

1.1.1 Nguyên tắc

1

1.1.2 Nguyên lý

1

1.1.3 Xử lỦ tín hi u siêu âm gan

4

1.2 Các k t qu nghiên c u đư công bố

6

1.3 K t lu n ch ơng

9

CH

NGă2: NGHIÊN C U KỸ THU T XỬ LÝ TÍN HI U DÙNG BI N

ĐỔIă WAVELET PACKET

10

2.1 Ba ki u mode trong siêu âm

15

viii


2.1.1 A mode

10

2.1.2 M mode

10

2.1.3 B mode

11

2.2 Các họ Wavelet dùng trong xử lỦ nh

12

2.2.1 L ch sử c a Wavelet

12

2.2.2 Gi i thi u v họ Wavelet

13

2.2.2.1 Harr Wavelets

13

2.2.2.2 Daubechies Wavelets

13

2.2.2.3 Nh trực giao (Bior Wavelets)

14

2.2.2.4 Coiflets Wavelets

14

2.2.2.5 Symlets Wavelets

15

2.2.2.6 Morlet Wavelets

15

2.2.2.7 Mexican Hat Wavelets

16

2.2.2.8 Meyer Wavelets

16

2.3 Không gian cửa sổ c a bi n đổi Fourier và Wavelet Packet

17

2.3.1 Mi n chữ nh t tần số- thời gian

17

2.3.2 Nguyên lỦ bất đ nh Heisenberg

17

2.3.3 Phép bi n đổi Fourier đ

18

c cửa sổ hóa

2.3.4 Gi i pháp ô tần số thời gian bi n đổi

20

2.3.5 Cơ sở trực giao c a tần số thời gian

22

2.3.6 Cơ sở Wavelet Packet

22

2.4 K t lu n ch ơng

24

ix


CH

NGă 3:ă

NGă D NGă BI Nă ĐỔİă WAVELETS TRONGă SİểUă ỂMă

GAN

25

3.1. Gi i thi u v phép bi n đổi Haar

25

3.1.1 Phép bi n đổi Haar cổ đi n rời r c

25

3.1.2 Phép bi n đổi Wavelet Haar rời r c

29

3.1.3 nh cơ sở Wavelet Haar

31

3.2. Gi i thi u v Gabor Wavelet

36

3.2.1 Phép bi n đổi Gabor Wavelet

37

3.2.1.1 Phép bi n đổi 1-D Gabor Wavelet

37

3.2.1.2 Phép bi n đổi 2-D Gabor Wavelet

40

3.2.2 Nh n d ng k t cấu

42

3.2.2.1 Khuôn d ng đáp ng Gabor

42

3.2.2.2 Chọn lựa thông số

43

3.3 Gi i thu t SVM trong nh y sinh

46

3.3.1 L u đồ

46

3.3.2 Gi i thu t

49

3.3.3

u đi m c a SVM trong nh y sinh

3.3.4 Khuy t đi m c a SVM trong nh y sinh

51

3.3.3 Phân lo i

52

3.3.4 Bi u th c toán học

52

3.3 K t lu n ch ơng
CH

51

53

NGă4ă:ăXỂYăDỰNGăMỌăHỊNHăMỌăPH NGăXỬăLụă NHăSİểUăỂMă

GAN KHÔNGăGỂYăH IăBẰNGăWAVELET PACKETăK TăH PăVỚIă
SUPPORT VECTOR MACHINE

54

x


4.1 Đối t

ng và ph ơng pháp đánh giá

54

4.2 Phân rư nh dùng Wavelet Packet

54

4.3 Phép bi n đổi Gabor Wavelet hai chi u

68

4.3.1 Xác đ nh đ xơ gan từ Gabor Wavelet

68

4.3.2 Xác đ nh u gan hoặc gan có v t th l

77

4.4 Dùng SVM đ chẩn đoán đ nh tính gan bình th ờng hay gan xơ

80

4.6 K t lu n ch ơng

84

K T LU N VÀ H

NG PHÁT TRI N C A Đ TÀI

86

TÀI LI U THAM KH O

88

PH L C

90

xi


DANHăM CăCÁCăB NGăBI U
S ăhi u

Tênăb ngăbi u

Trang

3.1

Danh sách các thông số quan trọng

49

3.2

Danh sách các thông số chọn lựa

53

4.1

Mối quan h giữa đ xơ và các giai đo n xơ gan

70

4.2

Ph chú b ng tra màu và đ xơ

70

xii


DANHăM CăCÁCăHỊNHăV
S ăhi u

Tên hìnhăv

Trang

1.1

V n tốc c a sóng đàn hồi

2

1.2

Sóng đàn hồi trong gan ng ời

2

1.3

V trí đầu dò và đi m đo

3

1.4

Sóng bi n d ng lan truy n

3

1.5

B n đồ màu mư hóa tốc đ sóng bi n d ng

4

1.6

Hàm M t Đ Xác Suất

4

1.7

Hàm phân bố tích lũy

5

1.8

Hàm M t Đ Phổ Công Suất theo Cm2 .

5

1.9

Sơ đồ khối c a h thống CAD cho chẩn đoán xơ gan

8

2.1

nh siêu âm A ậ mode

10

2.2

nh siêu âm M - mode

11

2.3

nh siêu âm B ậ mode

11

2.4

Hàm Haar Wavelet

13

2.5

Họ Daubechies Wavelet

13

2.6

Họ Wavelet nh tr c giao Bior

14

2.7

Họ Coiflets Wavelet

15

2.8

Họ Sym Wavelet

15

2.9

Hàm Morlet Wavelets

16

2.10

Hàm Wavelet Mexican Hat

16

2.11

Hàm Wavelet Meyer

16

2.12

H p Heisenberg bi u di n m t phần tử r

18

2.13

H p thời gian-tần số tr i phổ năng l

19

2.14

H p thời gian-tần số c a 2 Wavelet Wu , s và Wu , s

21

2.15

Các h p thời gian-tần số c a m t cơ sở Wavelets đ nh nghĩa m t
ốp lát c a mặt phẳng thời gian-tần số

23

ng
0

xiii

0


M t cơ sở Wavelet Packet chia tr c tần số trong các kho ng ri ng
c a các kích th c khác nhau. M t ốp lát có đ c bằng cách d ch
thời gian các Wavelet Packet bao ph mỗi kho ng tần số
Phép bi n đổi S c a nh có ch a các xung ki m tra: a) WalshHadamard, b) Haar, c) DST (Phép bi n đổi Sin rời r c), d) DCT
(Phép bi n đổi Cosine rời r c)

23

3.2

Phép nhân hai hàm Haar rời r c

33

3.3

Các hàm tích 2D Haar xử lý nh b trích rút.

35

3.4

37

3.5

Tích các hàm Wavelet 2D đ c xử lỦ nh b trích rút. M c đ
phân rư: (trái) đầu tiên, (trung tâm) th hai, (ph i) th ba
Thí d v m t b lọc 2D Gabor

3.6

Các thí d phép bi n hình Gabor Wavelets m t chi u

39

3.7

Đáp ng Gabor 1D v i m=20 và n=10

40

3.8

Đáp ng Gabor 1D v i m=80 và n=40

40

3.9

Thí d phép bi n hình hai chi u Gabor Wavelets trong mi n đặc
bi t.

41

3.10

Thí d phép bi n hình Gabor Wavelets 2D trong ph m vi tần số

42

3.11

M u k t cấu gốc

44

3.12

M u k t cấu xoay theo tr c X góc 450

44

3.13

M u k t cấu xoay theo tr c tr c Y 450

44

3.14

M u k t cấu xoay theo tr c Z 450

44

3.15

Đáp ng Gabor cho phép quay theo tr c X,Y,Z

45

3.16

Phép bi n hình Wavelet v i Nf=3 và N0=3

45

3.17

Phép bi n hình Wavelet v i Nf=6 và N0=6

46

3.18

Phép bi n hình Wavelet v i Nf=9 và N0=9

46

3.19

Phép bi n hình Wavelet v i Nf=12 và N0=12

46

3.20

L u đồ dung SVM đ phân loai gan bình th ờng hay gan xơ

47

3.21

Cách chuy n nh 2D chi u thành 1-D

48

3.22

Thí d chuy n ma tr n nh 2-D thành vector huấn luy n 1D

49

3.23

L u đồ phân lo i nh siêu âm gan dùng SVM

50

3.24

Phân lo i SVM tuy n tính thành hai mi n

51

2.16

3.1

xiv

29

38


4.1

Sơ đồ nguyên lỦ phân rư nh 2 chi u

55

4.2

57

4.3

L u đồ nguyên lỦ dùng phép bi n đổi Wavelet Packet (Haar
Wavelets & Bior) đ phân rư hình
Phép rư hình xấp x , ngang và chéo

4.4

Gi i thu t mô phỏng phần phân rư ưnh

58

4.5

Phân rư nh b lọc Haar cấp 2 gan bình th ờng

59

4.6

Phân rư nh b lọc cấu trúc cây Haar cấp gan bình th ờng

59

4.7

Phân rư nh b lọc Haar cấp 2 gan xơ

60

4.8

Phân rư nh b lọc cấu trúc cây Haar cấp 2 gan xơ

60

4.9

Phân rư nh b lọc Bior 1.1 cấp 2 gan bình th ờng

61

4.10

Cấu trúc cây c a b lọc Bior 1.1 cấp 2 gan bình th ờng

61

4.11

Cấu trúc cây c a b lọc Bior 1.1 cấp 2 gan xơ

62

4.12

Cấu trúc cây c a b lọc Bior 1.1 cấp 2 gan xơ

62

4.13

Tám l

c đồ xám chi ti t chéo Haar cấp 2 gan bình th ờng

64

4.14

Bốn l

c đồ xám c a chi ti t chéo gan bình th ờng

65

4.15

Tám l

c đồ xám c a chi ti t chéo gan bình th ờng

66

4.16

Hai l

4.17

Các nét đặc tr ng đ
ở cấp 2

c trích xuất từ ti u nh c a sự rư hình WPT

68

4.18

Các nét đặc tr ng đ
ở cấp 3

c trích xuất từ ti u nh c a sự rư hình WPT

68

4.19

L u đồ phân tích cấu trúc đa tỷ l dùng Stearing Gabor Wavelets

69

4.20

Phép rư hình Gabor v i 40 Wavelets

71

4.21

Tỷ l phóng hình và h số truy n sóng c a nh siêu âm gan có đ

72

c đồ xám chi ti t chéo cấp 2 gan xơ

58

67

xơ là 7 Kpa
4.22
4.23
4.24
4.25

Tỷ l phóng hình và h số truy n sóng c a nh siêu âm gan có đ
xơ là 11.8Kpa
Bốn hình v h số truy n sóng c a nh siêu âm gan xơ qua phép
lọc Stearing Gabor Wavelets
Năm hình v h số truy n sóng c a nh siêu âm gan bình th ờng
qua phép lọc Stearing Gabor Wavelets
L u đồ lọc Gabor b o toàn l

xv

72
74
76
77


78

4.27

Dùng kỹ thu t tăng c ờng tách l làm nổi gờ biên c a nh siêu âm
gan bình th ờng
Dùng phép lọc qua phổ h số Gabor c a nh siêu âm gan xơ

4.28

L u đồ truy vấn nh siêu âm gan dùng SVM

80

4.29

L u đồ mô phỏng truy vấn nh siêu âm gan dùng SVM

81

4.26

xvi

79


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

Ch

T NG QUAN V PH

ng

ng 1

NG PHÁP SIểU ỂM TRONG
YH C

1.1 K thu t siêu ơm gan không gơy h i
Ng̀y nay, Elastography (ph ơng pháp đo độ đ̀n hồi), một k̃ thụt siêu âm d̀ng đ̉
tìm các ch̃ ćng bất th ng c a mô cơ quan đư l̀m đ ợc điều này. Độ ćng c a mô
đ ợc đo bằng định l ợng ṿt lý gọi l̀ Young’s modulus v̀ trình b̀y bằng đơn vị áp
lực gọi l̀ Pascals hay th ng d̀ng hơn l̀ KiloPascals (KPa).
C̀ng v́i Elastography, Shear Wave Elastography, ph ơng pháp ḿi dựa v̀o k̃
thụt MultiWave đư lộ diện, d̀ng đ̉ hình nh h́a śng siêu âm B-mode v̀ lo i śng
âm ḿi, śng âm biến d ng (Shear Wave).
Shear Wave Elastography có th̉ chụp đ ợc chuỷn động truyền sóng âm biến d ng
(Shear Wave) trong mô m̀ cho đến nay ch a ć k̃ thụt nào khác có th̉ phát hiện
đ ợc. Shear Wave Elastography chụp v̀ định l ợng tốc độ lan truyền Shear Wave
v̀ đo đ ợc độ đ̀n hồi mô theo đơn vị KiloPascals.
Đo độ đ̀n hồi là một b ́c quan trọng trong chẩn đoán vì ć liên quan đến bệnh học
và Shear Wave Elastography là k̃ thụt siêu âm thế hệ kế tiếp h́a hẹn nhiều lợi ích
trong chẩn đoán hình nh v̀ ý nghĩa lâm s̀ng.
Tr ́c hết ta ṭp trung vào k̃ thụt siêu âm không gây h i.
1.1.1 Nguyên t c
Độ ćng và suất đ̀n hồi: cũng nh suất Young đ ợc diễn đ t d ́i đơn vị Pascal
(Pa). Độ ćng là thông số chính mà nó phụ thuộc vào tr ng thái bệnh lý c a mô
mềm. Từ nhiều thế kỷ, các bác sĩ sử dụng ph ơng pháp khám bệnh gan bằng cách
dùng tay s v̀ đè trên thành bụng.
Đ̉ đo độ ćng trong các mô mềm, thì độ ćng tỷ lệ v́i ṿn tốc c a các śng đ̀n
hồi đ ợc gọi l̀ śng đ̀n hồi biến d ng (Shear Wave).
Shear Waves đ ợc sử dụng rộng rãi trong các mô sinh học: mô sinh học c̀ng xơ
ćng, thì sóng Shear Wave càng nhanh.

1.1.2 Nguyên lý g m 3 b

c

Tổng quan phương pháp siêu âm y học

1

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

So sánh các tín hiệu siêu âm liên tiếp đ̉ ánh x đến ́ng lực cục bộ. Tính chất c a
ḿc đ̀n hồi ( Elastogram) không ph i là một hình nh gi i phẩu học. mà nó là sự
th̉ hiện c a sự truyền sóng biến d ng qua mô gan nh l̀ hàm số theo th i gian.

Hình 1.1 - Vận tốc c a sóng đàn hồi (m/s).
Thí dụ về gan ng

i

Hình 1.2 - Sóng đàn hồi trong gan người.
V = 1.1 m/s

V = 1.7 m/s

V = 3,6 m/s

E ~ 3 KPa

E ~ 9 KPa

E ~ 40 KPa

Tổng quan phương pháp siêu âm y học

2

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

Hình 1.3 - Vị trí đầu dò và điểm đo.

Hình 1.4 - Sóng biến d ng lan truyền.
Trong hình 4a v̀ 4b một śng biến d ng lan truyền đều trong môi tr ng đồng
nhất. Khi gặp một ṿt lẩn ćng nh trong hình 4c v̀ 4d śng biến d ng truyền
nhanh hơn. Cần tốc độ tiếp nḥn ít nhất 5.000Hz ḿi thấy đ ợc śng biến d ng
lan truyền.
Nguyên lý c a k̃ thụt đo độ đ̀n hồi dựa trên sự đè ép mô ngọai biên trên cấu

trúc cần kh o sát. Áp lực ǹy t o ra sự căng (hay d i ch̃) trong mô v́i tính t́an
tiếp sau c a mặt bên sự căng (strain profile) theo trục śc ép. Strain profile đ ợc
chuỷn th̀nh một đơn vị cấu trúc hình đ̀n hồi (ví dụ phân bố đ̀n hồi mô) gọi l̀
elastogram. Bằng cách tính độ căng c a mô do đè ép ć th̉ đánh giá độ ćng c a
mô v̀ phân biệt đ ợc tổn th ơng l̀nh hay ác.
Khám qua ngư bụng v́i đầu dò linear sao cho ć độ xuyên thấu tối đa v̀ ć c̀ng
nhiều mô gan xung quanh c̀ng tốt. Áp lực cung cấp do chuỷn động hô hấp hay
m ch đ̣p v̀ do ấn nhẹ đầu dò. Độ đ̀n hồi đ ợc tính toán real-time v̀ th̉ hiện
bằng m̀u chồng lên hình siêu âm B-mode. Thang m̀u gồm các m̀u nh sau: đỏ

Tổng quan phương pháp siêu âm y học

3

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

(mô mềm), xanh d ơng (không đ̀n hồi, mô ćng) v̀ xanh lá cây (trung gian, mô
bình th ng). Máy cũng th̉ hiện thang áp lực đ ợc cài giữa ḿc 3 v̀ 4 (đ áp
lực). M̀n hình gồm 2 hình v́i hình B-mode bên ph i v̀ hình elastography bên
trái. V̀ng kh o sát đo độ đ̀n hồi (ROI) đ ợc chọn bằng tay v̀ ph i ć tổn th ơng
đích cũng nh mô xung quanh. V̀ng ROI cần đ mô xung quanh vì giá trị đo độ
đ̀n hồi đ ợc th̉ hiện t ơng quan v́i độ căng trung bình bên trong v̀ng kh o sát.
1.1.3 X lý tín hi u siêu âm gan

Một ́ng dụng lâm sàng tiên tiến có th̉ phân tích dữ liệu tín hiệu echo độ ly gi i
cao hơn 100 lần so v́i những hình nh thang xám bình th ng hoặc l u l ợng
màu bằng cách sử dụng phần ćng đặc biệt m rộng.
Siêu âm hòa âm mô (tissue harmonic ultrasonography) dựa trên hiện t ợng biến
d ng không tuyến tính (nonlinear distortion) c a tín hiệu siêu âm khi truyền qua
cơ th̉.

Hình 1.5 - B n đồ màu mã hóa tốc độ sóng biến d ng.
Śng biến d ng đ ợc đo theo đơn vị m/giây v̀ truyền theo nhiều tốc độ t̀y thuộc
độ ćng c a mô. Hình trên l̀ b n đồ tốc độ m̀u mư h́a chuỷn đổi tốc độ śng
biến d ng th̀nh Young’s Modulus cho độ ćng mô đo bằng Kilopascal.

Hình 1.6 - Hàm Mật Độ Xác Suất.

Tổng quan phương pháp siêu âm y học

4

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

ng

Hình 1.7 - Hàm phân bố tích lũy.

Hình 1.8 - ảàm Mật Độ Phổ Công Suất theo.

Ta có Cm2 l̀ tỷ lệ giữa ph ơng sai đo đ ợc (measured variance)  2 v̀ ph ơng sai
lý t

ng  R2 ( ideal variance), Cm2 

2
 R2

(1.1)

Trong đ́:
4
Cm2  R2  (  1) m2 . Ph ơng sai lý t


ng l̀ ph ơng sai cho d ng mẫu đồng nhất

(homogeneous pattern)

Tổng quan phương pháp siêu âm y học

5

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

1.2 Các k t qu nghiên c u đư công bố
Một hệ thống chẩn đoán máy tính h̃ trợ đ̉ mô t gan bình th ng v̀ xơ gan bằng
bộ mô t kết cấu đa phân gi i đ ợc đề xuất. Nghiên ću đ́ đ ợc thực hiện t i 120
khu vực phân đo n quan tâm chiết xuất từ 31 hình nh siêu âm gan B-mode lâm sàng.
bộ mô t kết cấu đa phân gi i độ lệch trung bình và tiêu chuẩn đ ợc trích rút bằng
cách sử dụng biến đổi Wavelets 2D- r i r c và phép biến đổi 2D- Gabor Wavelets
đ ợc xem xét đ̉ phân tích và tìm kiếm đầy đ v́i 13 tiêu chí về sự phân ĺp đ ợc sử
dụng đ̉ lựa chọn nét đặc tr ng [1]. Chỉ năm bộ mô t kết cấu đa phân gi i trung bình
thu đ ợc từ phép biến đ̃i Gabor Wavelets 2D độ tỷ lệ hình chọn lọc v̀ định h ́ng
cung cấp tính chính xác phân lo i cao nhất là 98,33% v̀ độ nh y 100% bằng cách sử
dụng một bộ phân lo i hổ trợ vector (support vector machine) [2] .
Một vài nghiên ću trong tài liệu (Jeong và cộng sự năm 2007). Theo tác gi Sun đư
ch biên năm 2005 - Wu và cộng sự, 2011) [3] ć máy tính đề nghị h̃ trợ chẩn đoán
(CAD) hệ thống phân lo i giữa gan bình th ng và các ĺp khác nhau c a xơ gan, m̀
là trong nhiều nghiên ću khác (Mojsilovic và cộng sự, 1996 [4]; Huang ch biên,
2010; Lu và cộng sự, 2008 [5]; Virmani ch biên, 2011 [6-7]; Wan và Zhou, 2010
[8]) là một hệ thống CAD đ̉ đ t đ ợc phân lo i nhị phân giữa gan bình th ng và
xơ gan đ ợc đề xuất. Mojsilovic ch biên. (1996) [4] đ t đ ợc độ chính xác phân lo i
92% cho dự đoán xơ gan, bằng cách sử dụng các nét đặc tr ng năng l ợng đ ợc trích
xuất từ lựa chọn các băng con ć chọn lọc bằng cách dùng phép biến đổi Wavelets
2Nx1-D cùng v́i bộ phân lo i kho ng cách Euclide.[9]
Ông Huang và cộng sự. (2009) [10] đ t 82,5% độ chính xác phân lo i đ̉ chẩn đoán
xơ gan bằng cách sử dụng nét đặc tr ng ma tṛn đồng cấp độ màu xám (GLCM) và
một bộ phân lo i m ng meural xác suất (PNN). Báo cáo nghiên ću c a họ đ ợc c i
thiện hiệu suất phân lo i c a tiền xử lý hình nh v́i ph ơng pháp gi m nhiễu Wavelet
Packet. Lu và cộng sự (2008) đư thiết kế một hệ thống CAD cho chẩn đoán xơ gan
bằng cách bắt các biến th̉ kết cấu c a mẫu hồi âm trong gan bình th ng v̀ xơ gan
liên quan đến kết cấu echo c a lá lách đi kèm. Họ báo cáo chính xác phân lo i 94,7%

bằng cách sử dụng các nét đặc tr ng trong miền không gian-tần số v́i việc chọm lọc
nét đặc tr ng bằng cách sử dụng phân tích thành phần chính và phân lo i bằng cách
sử dụng cây phân lo i.
Ông Wan và Zhou (2010) [8] đư cố gắng đ̉ phân lo i gan bình th ng v̀ xơ gan
bằng cách sử dụng trung bình v̀ các nét đặc tr ng kết cấu năng l ợng ́c tính từ hai
chiều Wavelets r i r c (2D-DWT) và hai chiều Wavelet Packet r i r c (2D-WPT)
hình nh băng con thu đ ợc bằng cách sử dụng bộ lọc Wavelets DB4 trên dữ liệu c a
họ. Họ báo cáo độ chính xác phân lo i cao nhất 85,79% bằng cách sử dụng nét đặc
tr ng 2D-WPT cùng v́i bộ phân ĺp máy h̃ trợ vector. Ông Zhou và cộng sự, (2006)

Tổng quan phương pháp siêu âm y học

6

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

[2] sử dụng các nét đặc tr ng chiết xuất từ hình nh siêu âm M-mode và B-mode cho
chẩn đoán xơ gan.
Họ đư sử dụng các nét đặc tr ng kết cấu bao gồm c số liệu thống kê th́ tự đầu tiên,
thống kê chiều dài cấp độ màu xám ch y, thống kê sự khác biệt ḿc độ xám (GLDS)
trích xuất từ hình nh B-mode cũng nh các nét đặc tr ng đ ợc trích xuất từ đ ng
cong chuỷn động thu đ ợc từ M-mode hình nh siêu âm gan. Nghiên ću c a họ
cho thấy rằng 100% độ chính xác phân lo i có th̉ đ t đ ợc bằng cách sử dụng 20 nét

đặc tr ng đ ợc lựa chọn bằng cách sử dụng tìm kiếm truyền thẳng liên tục và quy tắc
quyết định tuyến đ̉ lựa chọn nét đặc tr ng. Tuy nhiên, các thí nghiệm c a họ đư đ ợc
thực hiện trên dữ liệu h n chế thiết ḷp, thí dụ tổng số 43 Rois (13 xơ gan v̀ 30 bình
th ng) v̀ ph ơng pháp này đòi hỏi c hình nh M-mode và B-mode c a bệnh nhân.
Kh o sát tổng quát về phân lo i kết cấu trong miền chuỷn đổi bằng cách sử dụng
ph ơng pháp tiếp c̣n đa phân gi i nh 2D-DWT, 2D-WPT và 2D-GWT cho thấy nét
đặc tr ng độ lệch chuẩn v̀ trung bình th ng đ ợc sử dụng không chỉ cho đặc tính
kết cấu c a kết cấu tự nhiên t́c l̀, cơ s dữ liệu hình nh Brodatz (Avci, 2008; Chang
và Kuo, 1993; Mojsilovic và cộng sự, 2000) mà còn cho hình nh y tế (Tsiaparas et
al 2011 [10], Wan và Zhou, 2010; Yoshida và cộng sự, 2003).
Trong công việc hiện t i, bộ mô t kết cấu lệch (TDs) chuẩn v̀ trung bình đ ợc đánh
giá từ các hình nh nét đặc tr ng băng con khác nhau thu đ ợc bằng các phép biến
đổi 2D-DWT, 2D-WPT và 2D-GWT đ ợc xem xét cho xếp lo i gan bình th ng và
xơ gan. Thiết kế phân lo i mà sử dụng qui chuẩn nh máy h̃ trợ vector (SVM)
th ng ít ć khuynh h ́ng phù hợp v̀ ć đ ợc hiệu suất tổng quát tốt đến một ḿc
độ nhất định ǹo đ́, ngay c khi không gi m nét đặc tr ng không gian chiều (Burges,
1998). Trong công việc hiện nay SVM phân lo i đ ợc chọn đ̉ phân lo i gan bình
th ng v̀ xơ gan.
Sơ đồ khối c a hệ thống CAD đ ợc đề xuất cho dự đoán c a bệnh xơ gan đ ợc th̉
hiện trong hình 1.9 hệ thống CAD đ ợc đề xuất.
Thực hiện c a hệ thống CAD đề xuất hiện trên cơ s dữ liệu c a 120 không chồng
chéo ROIs đ ợc t o ra từ 31 hình nh siêu âm ć đ ợc trên lâm sàng. Hệ thống CAD
bao gồm trích xuất nét đặc tr ng, lựa chọn nét đặc tr ng v̀ giai đo n phân lo i. Trong
giai đo n trích xuất nét đặc tr ng, ć nghĩa l̀ độ lệch TDs chuẩn v̀ trung bình đ ợc
chiết xuất từ hình nh nét đặc tr ng băng con thu đ ợc bằng 2D-GWT, 2D-DWT và
2D-WPT. Đ̉ lựa chọn nét đặc tr ng, th tục tìm kiếm đầy đ đ ợc sử dụng đ̉ đ ợc
gi m vector nét đặc tr ng và độ dài 5, từ các vector ban đầu c a chiều dài 20, 32 và
42 trong tr ng hợp 2D-DWT, 2D-WPT và 2D-GWT t ơng ́ng.

Tổng quan phương pháp siêu âm y học

7

HVTH: Trịnh Hoàng Duy



Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

Về phân lo i, phân lo i SVM nhị phân ba nhánh khác nhau đ ợc huấn luyện và thử
nghiệm v́i tr ng hợp c a gi m vector bao gồm năm độ lệch chuẩn (TDs) phân biệt
nhất đ ợc lựa chọn b i th tục nét đặc tr ng lựa chọn.
Những phân lo i nhị phân SVM đ ợc thực hiện bằng cách sử dụng th viện LibSVM
(Chang và Lin, 2011). [13]

1.3 K t lu n ch ng
Ngoài những phần lý thuyết đư trình b̀i về k̃ thụt siêu âm gan trong y khoa, các k̃
thụt nghiên ću xử lý tín hiệu dùng phép biến đổi Wavelets và ́ng dụng c a nó
trong siêu âm gan sẽ trình bài các ch ơng sau. Phần kết qu mà lụn văn sẽ thực
hiện là xây dựng mô hình hóa mô phỏng xử lý nh siêu âm gan không gây h i cụ th̉
nh sau:
Kết qu đầy h́a hẹn cho thấy rằng tần số có chọn lọc v̀ đặc tính định h ́ng c a các
bộ lọc Gabor là cực kỳ hữu ích cho việc cung cấp mô t kết cấu đa tỷ lệ và chẩn đoán
xơ gan bằng cách sử dụng nét đặc tr ng ma tṛn đồng cấp độ màu xám. Sẽ hỉn thị
rõ nét g biên nhằm xác định có u gan.
Bộ lọc Gabor là bộ lọc h thông sẽ cho th̉ hiện đ ng hệ số ǵc. Đ ng hệ số góc

tỷ lệ nghịch v́i hệ số truyền sóng c a ḿc độ xơ gan, hệ số truyền sóng này càng
ĺn thì độ xơ gan c̀ng cao.
Sử dụng các nét đặc tr ng trong miền không gian-tần số v́i việc chọn lọc nét đặc
tr ng bằng cách sử dụng phân tích thành phần chính và phân lo i bằng cách sử dụng
cây phân lo i trong phần phân rã nh v́i hai họ Bior 3.2 và Haar. Sử dụng các nét
đặc tr ng năng l ợng đ ợc trích xuất từ lựa chọn các băng con thu ć chọn lọc bằng
cách dùng phép biến đổi Wavelets 2N x1-D cùng v́i bộ phân lo i kho ng cách
Euclide.
Kh o sát tổng quát về phân lo i kết cấu trong miền chuỷn đổi bằng cách sử dụng
ph ơng pháp tiếp c̣n đa phân gi i nh 2D Haar Wavelets, 2D Bior 1.1cho thấy nét
đặc tr ng độ lệch chuẩn v̀ trung bình th ng đ ợc sử dụng không chỉ cho đặc tính
kết cấu c a kết cấu tự nhiên mà còn cho nh y tế.

Tổng quan phương pháp siêu âm y học

9

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

Ch

ng

ng 2

NGHIểN C U K THU T X LÝ TệN HI U DÙNG
BI N Đ I WAVELET PACKET

2.1 Ba ki u mode trong siêu âm
2.1.1 A mode
A-Mode, hoặc Amplitude Modulation, là màn hình hỉn thị c a gai biên độ cao
khác nhau A-Mode gồm trục x v̀ y, trong đ́ x đ i diện cho chiều sâu v̀ y đ i diện
cho biên độ. Những hình nh trên cho thấy một thí dụ về hỉn thị A-Mode.

Hình 2.1- nh siêu âm A-mode.
2.1.2 M-Mode
M-Mode, hoặc chế độ chuỷn động (còn gọi là chuỷn động theo th i gian hoặc
TM-Mode), là màn hình hỉn thị c a hình nh một chiều đ ợc sử dụng đ̉ phân
tích bộ pḥn cơ th̉ di chuỷn phổ biến trong hình nh tim và thai nhi. Điều này có
th̉ đ ợc thực hiện bằng cách ghi l i biên độ và tốc độ chuỷn động trong th i gian
thực bằng cách liên tục đo kho ng cách c a các đối t ợng từ các bộ chuỷn đổi
hoặc c m biến đơn t i một th i đỉm nhất định. Chùm âm thanh đơn đ ợc truyền

Xử lý tín hiệu dùng WP

10

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

ng

đi v̀ những echo đ ợc ph n x hỉn thị nh những chấm c ng độ khác nhau, do
đ́ t o ra dòng hỉn thị trên màn hình. D ́i đây l̀ hình nh một chiều c a chế độ
TM.

Hình 2.2 - nh siêu âm M-mode.
2.1.3 B Mode
B-Mode hoặc độ sáng điều chế là màn hình hỉn thị b n đồ 2D về dữ liệu B-Mode.
Hình th́c phổ biến nhất c a nh siêu âm không giống nh A-Mode, B-Mode đ ợc
dựa trên độ sáng v́i sự vắng mặt c a gai dọc. Do đ́, độ sáng phụ thuộc vào biên
độ hoặc c ng độ c a sóng echo. Không có trục y trên B-Mode, thay vào đ́ có
một trục z, đ i diện cho c ng độ tín hiệu dội l i hoặc biên độ và trục x, đ i diện
cho chiều sâu. B-Mode sẽ hỉn thị một hình nh c a dấu chấm ĺn và nhỏ trên hình,
đ i diện cho sóng echo m nh mẽ và yếu t ơng ́ng.
D ́i đây l̀ một thí dụ về hình nh B-Mode c a một khối tăng śng dội trong một
cơ quan cụ th̉.

.
Hình 2.3 - nh siêu âm B-mode.
Siêu âm B-mode đư đ ợc sử dụng rộng rãi trong việc phát hiện và chẩn đoán các
bệnh gan có liên quan b i vì hình nh siêu âm có th̉ ph n ánh rõ ràng những bất

Xử lý tín hiệu dùng WP

11

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

th ng trong các mô gan. Thực tế là hình nh siêu âm đ ợc kỉm tra bằng mắt bác
sĩ l̀m cho ń khá ch quan. Do các bác sĩ ć kinh nghiệm khác nhau nên việc chẩn
đoán bệnh c a cùng một bệnh nhân có th̉ khác nhau.Vì ṿy làm thế ǹo đ̉ việc
chẩn đoán đáng tin c̣y hơn, nhất quán v̀ khách quan đư tr thành tiêu chí nghiên
ću.
Do sự phát trỉn c a công nghệ máy tính và nḥn d ng kết cấu, việc chẩn đoán
dùng máy tính trợ giúp sẽ cung cấp những hỉu biết trỉn vọng vào phát hiện bệnh
gan và khám gan. Hai nhiệm vụ quan trọng liên quan đến chẩn đoán máy tính h̃
trợ là trích xuất nét đặc tr ng v̀ phân lo i. Trong những năm qua, các nhà khoa
học đư c i thiện các thụt toán cho việc trích xuất nét đặc tr ng. Về cơ b n, chúng
có th̉ đ ợc phân thành ba lo i: các thụt toán dựa trên miền không gian, các thụt
toán dựa trên miền tần số và một số thụt toán khác dựa trên mô hình.
2.2 Các h Wavelets dùng trong x lỦ nh
2.2.1 L ch s c a Wavelets
Từ một quan đỉm lịch sử, phân tích Wavelets là một ph ơng pháp ḿi, mặc dù
nền t ng toán học c a nó ngày tr l i công việc c a Joseph Fourier trong thế kỷ
XIX. Fourier đư đặt nền móng v́i lý thuyết c a ông về phân tích tần số, đ ợc
ch́ng minh là vô cùng quan trọng và có nh h ng.
Sự chú ý c a các nhà nghiên ću dần dần chuỷn từ phân tích dựa trên tần số sang
phân tích dựa trên tỷ lệ khi nó bắt đầu tr nên rõ ràng rằng một cách tiếp c̣n đo
biến động trung bình các quy mô khác nhau có th̉ ch́ng minh ít nh y c m v́i
nhiễu.
Việc đề c̣p đến đầu tiên đ ợc ghi l i những gì chúng ta gọi là "Wavelets" có lẽ là
năm 1909, trong một lụn án c a Alfred Haar. Các khái niệm về Wavelets d ng
lý thuyết hiện t i c a nó lần đầu tiên đ ợc đề xuất b i Jean Morlet và nhóm nghiên

ću c a Trung tâm Ṿt lý lý thuyết Marseille làm việc d ́i sự dẫn dắt c a Alex
Grossmann t i Pháp.
Các khái niệm về phân tích Wavelets đư đ ợc phát trỉn ch yếu là do Y. Meyer
v̀ các đồng nghiệp, những ng i đ m b o phổ biến ph ơng pháp này. Các thụt
toán chính c a Stephane Mallat v̀o năm 1988. K̉ từ đ́, nghiên ću trên Wavelets
đư tr thành quốc tế. Nghiên ću nh ṿy l̀ đặc biệt ho t động t i Hoa Kỳ, nơi ń
đ ợc dẫn đầu b i công việc c a các nhà khoa học nh Ingrid Daubechies, Ronald
Coifman và Victor Wickerhauser.
Miền Wavelet đang đ ợc tăng rất nhanh chóng. Rất nhiều tài liệu toán học và thử
nghiệm thực tế đ ợc công bố hàng tháng.

Xử lý tín hiệu dùng WP

12

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

ng

2.2.2 Gi i thi u v các h Wavelets
Một số họ c a Wavelets đư đ ợc ch́ng minh l̀ đặc biệt hữu ích có trong hộp công
cụ này. Gíi thiệu một số họ Wavelets là đ̉ khám phá tất c các họ Wavelets cho
c a riêng m̃i ng i sử dụng, hãy kỉm tra các công cụ hỉn thị Wavelets.
2.2.2.1 Haar Wavelets
Bất kỳ cuộc th o lụn về Wavelets đều bắt đầu v́i Haar Wavelets, ng i đầu

tiên v̀ đơn gi n nhất. Haar Wavelets là không liên tục v̀ t ơng tự nh một
hàm b ́c. Ń đ i diện cho cùng tên Wavelets nh Daubechies db1.

Hình 2.4 - Hàm Haar Wavelets.
2.2.2.2 Daubechies Wavelets
Ingrid Daubechies, một trong những ngôi sao sáng nhất trong thế gíi c a
nghiên ću Wavelets, phát minh ra những gì đ ợc gọi là các Wavelets trực
giao h̃ trợ cô động, do đ́ l̀m cho phân tích Wavelets r i r c đi v̀o thực tế
mang tính kh thi.
Tên c a các họ Wavelets Daubechies đ ợc viết là dbN, trong đ́ Nis là ḅc và
db là "họ" c a Wavelets. Các db1 Wavelets, nh đư đề c̣p trên, cũng giống
nh Haar Wavelets. D ́i đây l̀ các h̀m Wavelets c a chín thành viên tiếp
theo c a họ nh sau:

Hình 2.5 – Họ Daubechies Wavelets.

Xử lý tín hiệu dùng WP

13

HVTH: Trịnh Hoàng Duy


Xử lỳ nh siêu âm không gây h i d ng WP & SVM

THD: PGS. TS, Lê Tiến Th

ng

B n có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng

cách gõ waveinfo ('db') từ dòng lệnh MATLAB.
2.2.2.3 Nh tr c giao (Bior Wavelets)
Họ Wavelets này th̉ hiện các thuộc tính c a pha tuyến tính, đ́ l̀ cần thiết cho
xây dựng l i tín hiệu và hình nh. Bằng cách sử dụng hai họ Wavelets, một cho
phân rã (bên trái) và một cho tái thiết ( bên ph i) thay vì một Wavelets đơn
giống nhau, tính chất quan tâm đ ợc trích xuất.
Ta có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng
cách gõ waveinfo ('bior') từ dòng lệnh MATLAB.

Hình 2.6 - Họ Wavelets nhị trực giao Bior.
2.2.2.4 Coiflets Wavelets
Đ ợc xây dựng b i I. Daubechies theo yêu cầu c a R. Coifman. Hàm Wavelets
có 2N kho nh khắc bằng 0 và các hàm tỷ lệ có 2N-1 kho nh khắc bằng 0. Hai
hàm có h̃ trợ chiều dài 6N-1. Ta có th̉ ć đ ợc một cuộc kh o sát c a các
thuộc tính chính c a họ này bằng cách gõ Waveinfo ('mu') từ dòng lệnh
MATLAB..

Xử lý tín hiệu dùng WP

14

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

ng

Hình 2.7 - Họ Coiflets Wavelets.

2.2.2.5 Symlets Wavelets
Các symlets là các Wavelets gần nh đối x́ng đ ợc đề xuất b i Daubechies
nhằm sửa đổi cho họ db. Các tính chất c a hai họ Wavelets này l̀ t ơng tự.
D ́i đây l̀ các h̀m Wavelets.

Hình 2.8 - Họ Sym. Wavelets
Ta có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng
cách gõ waveinfo ('sym') từ dòng lệnh MATLAB.

2.2.2.6 Morlet Wavelets
Wavelets này không có hàm tỷ lệ, nh ng nó là t

ng minh.

Ta có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng
cách gõ waveinfo ('morl') từ dòng lệnh MATLAB.

Xử lý tín hiệu dùng WP

15

HVTH: Trịnh Hoàng Duy


THD: PGS. TS, Lê Tiến Th

Xử lỳ nh siêu âm không gây h i d ng WP & SVM

ng

Hình 2.9 - Hàm Morlet. Wavelets
2.2.2.7 Mexican Hat Wavelets
Wavelets này không có hàm m rộng tỷ lệ, có nguồn gốc từ một hàm mà nó tỷ
lệ thụn v́i hàm phát sinh th́ hai c a hàm ṃt độ xác suất Gauss.

Hình 2.10 - Hàm Mexican Hat.Wavelets
Ta có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng
cách gõ waveinfo ('mexh') từ dòng lệnh MATLAB.
2.2.2.8 Meyer Wavelets
Wavelets Meyer và hàm m rộng tỷ lệ đ ợc định nghĩa trong miền tần số này.

Hình 2.11 - Hàm Meyer. Wavelets
Ta có th̉ ć đ ợc một cuộc kh o sát c a các thuộc tính chính c a họ này bằng
cách gõ waveinfo ('Meyer) từ dòng lệnh MATLAB.[14]

Xử lý tín hiệu dùng WP

16

HVTH: Trịnh Hoàng Duy