xử lý ảnh siêu âm gan không gây hại bằng phép biến đổi wavelet packet kết hợp support vector machine

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ
TRỊNH HOÀNG DUY

XỬ LÝ ẢNH SIÊU ÂM GAN KHÔNG GÂY HẠI
BẰNG PHÉP BIẾN ĐỔI WAVELET PACKET
KẾT HỢP SUPPORT VECTOR MACHINE

NGÀNH: KỸ THUẬT ĐIỆN TỬ- 60520203

S K C0 0 4 5 9 7

Tp. Hồ Chí Minh, tháng 04/2015


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT
THÀNH PHỐ HỒ CHÍ MINH

  

LUẬN VĂN THẠC SĨ
TRỊNH HOÀNG DUY

XỬ LÝ ẢNH SIÊU ÂM GAN KHÔNG GÂY HẠI BẰNG PHÉP
BIẾN ĐỔI WAVELET PACKET KẾT HỢP
SUPPORT VECTOR MACHINE

NGÀNH: KỸ THUẬT ĐIỆN TỬ- 60520203
Hướng dẫn khoa học: PGS. TS. LÊ TIẾN THƯỜNG

Thành phố Hồ Chí Minh, tháng 4 năm 2015


TRÍCH YẾU LUẬN VĂN

Họ và tên học viên: Trịnh Hoàng Duy

Năm sinh: 1962

Cơ quan công tác: Trường Cao Đẳng Kinh Tế - Kỹ Thuật Tp Hồ Chí Minh
Khoá: 2012
Ngành: Kỹ Thuật Điện Tử

Mã số: 1202520203002

Cán bộ hướng dẫn: PGS.TS. Lê Tiến Thường
1. Tên đề tài luận văn: Xử lý ảnh siêu âm gan không gây hại bằng phép biến
đổi Wavelet Packet kết hợp support vector machine .
(non-invasive liver ultrasound image processing using Wavelet Packet
combined Support Vectot Machine).
2. Nhiệm vụ của đề tài:
- Tìm hiểu cơ chế làm việc của siêu âm không tổn hại.
- Tìm hiểu về truyền sóng trong mô mềm (gan bình thường), mô bất thường:
chai gan. xơ gan, mô biến dạng và u gan.
- Nghiên cứu kỹ thuật xử lý tín hiệu dùng biến đổi Wavelet.
- Ứng dụng biến đổi Wavelet trong siêu âm gan không xâm hại.
- Xây dựng mô hình mô phỏng xử lý ảnh siêu âm gan không xâm hại.

3. Phương pháp nghiên cứu và kết quả đạt được: Nghiên cứu dựa trên các tài liệu
nghiên cứu được công bố trên các tạp chí và hội thảo trong và ngoài nước có liên
quan đến lãnh vực chẩn đoán xơ gan không xâm hại đặc biệt là áp dụng các phép biến
đổi Wavelet và thử nghiệm trên hình ảnh siêu âm không gây hại của khoảng 400
người khám nhằm phân loại định tính được gan bình thường và gan xơ qua kiểm tra
chéo kết quả của ba phép biến đổi Wavelet Packet lẫn nhau nhằm tăng tiềm năng của
độ chính xác chẩn đoán các bệnh lý về gan.

i


LÝ LỊCH KHOA HỌC
I. LÝ LỊCH SƠ LƯỢC:
Họ & tên: TRỊNH HOÀNG DUY
Giới tính: Nam
Ngày, tháng, năm sinh: 12/12/1962
Nơi sinh: Gia Định
Quê quán: tp Hồ Chí Minh
Dân tộc: Kinh
Chỗ ở riêng hoặc địa chỉ liên lạc: 217/2 Cô Giang, Phường 2, Phú Nhuận, tp HCM
Điện thoại cơ quan: 08-37555245
Điện thoại riêng: 0918192627
Fax:
E-mail:
II. QUÁ TRÌNH ĐÀO TẠO:
1. Trung học chuyên nghiệp:
Hệ đào tạo:
Nơi học (trường, thành phố):
Ngành học:

Thời gian đào tạo

2. Đại học:
Hệ đào tạo: Tại chức
Thời gian đào tạo từ 1997 đến 2002
Nơi học (trường, thành phố): Trường Đại Học Bách Khoa tp HCM
Ngành học: Kỹ Thuật Điện Tử - Viễn Thông
Tên đồ án, luận án hoặc môn thi tốt nghiệp: Nén ảnh động và phân phối tín hiệu trong
truyền hình số
Ngày & nơi bảo vệ đồ án, luận án hoặc thi tốt nghiệp: 04/2002 tại Đại Học Bách
Khoa thành phố Hồ Chí Minh
Người hướng dẫn: PGS. TS. Lê Tiến Thường
III. QUÁ TRÌNH CÔNG TÁC CHUYÊN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI
HỌC:
Thời gian

Nơi công tác

Công việc đảm nhiệm

Công Ty ACT – Khu Chế Xuất Tân
Thuận
Công ty TNHH xuất nhập khẩu thiết
2007 – 8/2014
bị MCC
Trường Cao Đẳng Công Nghiệp 4 –
2003 - 2007
tp HCM
Trường Cao Đẳng Kinh Tế - Kỹ
2010 – 8/2014

Thuật Phú Lâm
Trường Cao Đẳng Kinh Tế - Kỹ
9/2014 – nay
Thuật tp HCM
2002 - 2007

ii

Nhân viên kỹ thuật
Phó trưởng phòng kỹ thuật
Giảng viên thỉnh giảng
Giảng viên thỉnh giảng
Giảng viên hợp đồng


LỜI CAM ĐOAN
Tôi cam đoan đây là công trình nghiên cứu của tôi.
Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai
công bố trong bất kỳ công trình nào khác
Tp. Hồ Chí Minh, ngày 25 tháng 04 năm 2015…
Học viên

Trịnh Hoàng Duy

iii


CẢM TẠ
Xin gửi lời biết ơn chân thành nhất đến PGS.TS. Lê Tiến Thường là người Thầy đã
trực tiếp hướng dẫn tôi hoàn thành luận văn này. Thầy đã tận tình luôn theo dõi và

định hướng tôi trong quá trình hoàn thành đề tài.
Xin cảm ơn quí Thầy Cô khoa Điện – Điện Tử, Trường Đại Học Sư Phạm Kỹ Thuật,
những người đã tận tình chỉ bảo, cung cấp cho chúng tôi những kiến thức kỹ thuật
nền tảng và chuyên sâu, là cơ sở quan trọng để tôi hoàn thành luận văn này và vững
bước chuyên môn trong con đường sự nghiệp.
TP.HCM, Ngày 8 tháng 03 năm 2015

Học Viên : Trịnh Hoàng Duy

iv


TÓM TẮT
Mục đích của nghiên cứu này là để áp dụng một tập hợp gồm 3 kỹ thuật phối hợp
dùng Wavelet Packets trong phân rã ảnh và nổi bờ biên để phân tích kết cấu nhằm
phân biệt gan bình thường và gan xơ trong hình ảnh siêu âm M-mode. Trong phương
pháp này, các hình ảnh được phân tách ra thành ảnh con bởi Wavelets Packets. Các
nét đặc trưng được trích xuất đa tỷ lệ và tăng cường bờ biên thể hiện sự đồng nhất
gan và kết hợp Support Vector Machine (VSM). Một tập hợp các tính năng đa tỷ lệ
và phép quay đã được lựa chọn đã mang lại hiệu quả cao nhất trong việc phân loại
gan. Trong một phân tích của 400 ảnh gồm 200 gan bình thường và 200 gan xơ sẽ
theo phương pháp kết hợp này có hiệu quả có thể phân biệt gan xơ hay gan bình
thường từ ảnh siêu âm gan không gây hại, và do đó có tiềm năng để tăng độ chính
xác của chẩn đoán các tổn thương gan khu trú trong hình ảnh siêu âm.

ABSTRACT
The purpose of this study is to apply a set of three co-operative techniques using Wavelet
Packets of image decomposition and enhanced boundaries for structural analysis to
distinguish normal livers and cirrhosis ones in M- mode ultrasound images. In this
method, the image is decomposed into sub-images by Wavelet Packets. The features are

multi-scalely extracted and rotated and enhanced boundaries showed homogeneous liver
and combined Support Vector Machine (VSM).). A set of dilations and rotated features
have been selected that gave the highest efficiency in classifying liver. In an analysis of
400 images of 200 normal liver and 200 cirrhosis ones will combine these above
mentioned methods can effectively distinguish cirrhosis or normal one from non invasive
hepatic ultrasound image, and therefore it is potential to improve the accuracy of
diagnosis of focal liver lesions in ultrasound images

v


MỞ ĐẦU
Kỹ thuật tạo hình đo độ đàn hồi trong thập niên qua là một bổ sung nổi bật cho siêu
âm. Siêu âm độ đàn hồi là kỹ thuật siêu âm giúp đánh giá thuộc tính cơ học của mô
trong cơ thể sống và tạo hình bằng máy siêu âm quy ước với phần mềm cải biên. Siêu
âm độ đàn hồi là kỹ thuật tạo hình lý tưởng để khảo sát phân bố độ đàn hồi sinh học
của mô sống vì giá rẻ và ít gây hại.
Đo độ đàn hồi rất có lợi vì không xâm nhập gan xơ hóa trong bệnh lý gan lan tỏa. Kỹ
thuật tạo hình đo độ đàn hồi là đóng góp đầy hứa hẹn của siêu âm thực hành. Đây là
một bước tiến hết sức lớn trong việc chẩn đoán không gây hại và không gây đau:
không sinh khiết và không dùng tia X.
Hướng nghiên cứu khi áp dụng ở nước ta là sử dụng giải pháp mềm cho các vùng sâu
và vùng xa, nơi không có khả năng tài chính cao để trang bị các máy siêu âm chuyên
dụng tiên tiến cao. Thay vào đó ta sử dụng các đầu dò siêu âm tiên tiến độ nhạy cao,
còn phần máy chuyên dụng sẽ được thay thế bằng máy tính với các card DAQ (Data
Aquisition). Dựa vào các cơ sở dữ liệu thu được cùng các hình ảnh siêu âm, ta sử
dụng giải pháp phần mềm như xử lý ảnh, nhận dạng tối ưu và các thuật toán vi tính
cao cấp để xử lý dữ liệu. Kết quả là sẽ làm tăng cường ảnh giúp việc chẩn đoán dể
dàng hơn. Dùng các bảng tra thông số độ xơ, chai gan từ các chuyên gia và bác sĩ
kinh nghiệm, sẽ thay bác sĩ xét nghiệm cho kết luận chẩn đoán trên máy tính. Đặc

biệt một hệ thống cơ sở dữ liệu này sẽ có thể lưu trữ, chuyển tải, xử lý trên hệ thống
số nhằm giúp tốt cho việc thống kê, nghiên cứu hay hội chẩn bệnh lý gan.
Kỹ thuật tạo hình cần trợ giúp của máy tính có nhiều giải thuật trong xử lý hình ảnh.
Các giải thuật về nhận dạng khối u, so sánh ngưỡng của xơ gan, truy vấn ảnh thư viện
về cấp độ xơ gan, phân đoạn gan nhằm tạo đường biên giữa các khu vực tổn thương
và không tổn thương một cách chính xác. Ta thường sử dụng phân bố Gauss, lọc hình
thái, gradient đa tỷ lệ về hình thái, mô hình đường viền tích cực, phân lớp khuôn
mẫu. Riêng về dùng các thuật toán liên quan đến phép biến đổi họ Wavelets: Haar,
Meyer, Daubechies, Symlet, Coiflets, Biorthogonal, Gaussian, Mexican hat,

vi


Complex Gaussian, Shannon, Frequency B-Spline, Reverse biorthogonal, Complex
Morlet, Gabor, và Morlet. Chẳng hạn như thuật toán Gabor Wavelet cho lọc hạ thông
nhằm lấy đường biên đặc trưng dùng cho nhận dạng và kích thước khối u, thuật toán
Harr Wavelet cho cho lọc thượng thông nhằm lấy chi tiết khối tổn thương. Phép biến
đổi Wavelet Packet dùng cho cả hai lọc hạ thông để lấy đường biên (ước tính xấp xỉ)
và thượng thông (cho chi tiết) khối tế bào gan bất thường.
Đối tượng nghiên cứu là tìm hiểu các phép biến đổi Wavelet Packet chứ không chỉ
một họ Wavelet. Mỗi phép biến đổi này có ưu điểm về hàm truyền bộ lọc của nó.
Qua thử nghiệm một số họ Wavelet như Bior 1.1, Gabor Wavelet, và Haar Wavelet
là phù hợp cho việc phân tích tín hiệu siêu âm gan không gây hại 2 chiều (ảnh siêu
âm 2 chiều).
Phạm vi nghiên cứu là đề xuất một số họ Wavelet phù hợp cho siêu âm gan không
gây hại, chẳng hạn dùng Haar Wavelets cho phân rã ảnh, Gabor Wavelet cho biết tính
đống nhất của gan. Một số họ Wavelet khác chỉ phù hợp cho phân tích ảnh MRI, CT
hay X quang đặc biệt là cho lập thể khối u, thể tích khối u. Nhưng không là phạm vi
nghiên cứu của đề tài này vì nó là siêu âm gây hại.
Mục tiêu nghiên cứu của đề tài là xây dựng một số mô hình mô phỏng dùng hàm

truyền Haar Wavelets, Bior Wavelets và Gabor Wavelets vì phù hợp với siêu âm gan
không gây hại để phân rã ãnh, xác định góc truyền sóng, cấu trúc bất thường cũa gan
để có kết luận chẩn đoán gan định tính chính xác hơn. Từ đó có hướng phát triển cho
tương lai là dùng phương pháp SVM phân loại đa lớp để định cấp độ xơ gan 3 mức
phù hợp cho chẩn đoán bệnh lý gan ban đầu để phục vụ cho những vùng sâu, vùng
xa có tỷ lệ mắc bệnh gan cao, nhưng chưa có đủ tài chính để mua cả bộ thiết bị.
Phương pháp nghiên cứu dựa trên các tài liệu nghiên cứu được công bố trên các tạp
chí và hội thảo trong và ngoài nước có liên quan đến lãnh vực chẩn đoán xơ gan
không gây hại đặc biệt là áp dụng các phép biến đổi Wavelet Packet và thử nghiệm
trên hình ảnh siêu âm không gây hại của khoảng 400 người khám. Xây dựng mô hình
mô phỏng và chọn được ba họ Wavelet có tính khả thi cho xử lý ảnh siêu âm gan
không gây hại kết hợp SVM.

vii


MỤC LỤC

Trang tựa
Quyết định giao đề tài
Trích yếu luận văn

i

Lý lịch cá nhân.

ii

Lời cam đoan

iii

Cảm ta

vi

Tóm tắt

v

Mở đầu

vi

Mục lục

viii

Danh mục các bảng

xi

Danh mục các hình vẽ

.xii

CHƯƠNG 1: TỔNG QUAN VỀ PHƯƠNG PHÁP SİÊU ÂM TRONG Y HỌC 1
1.1 Kỹ thuật siêu âm gan không gây hại

1

1.1.1 Nguyên tắc

1

1.1.2 Nguyên lý

1

1.1.3 Xử lý tín hiệu siêu âm gan

4

1.2 Các kết quả nghiên cứu đã công bố

6

1.3 Kết luận chương

9

CHƯƠNG 2: NGHIÊN CỨU KỸ THUẬT XỬ LÝ TÍN HIỆU DÙNG BIẾN
ĐỔI WAVELET PACKET

10

2.1 Ba kiểu 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 lý ảnh

12

2.2.1 Lịch sử của Wavelet

12

2.2.2 Giới thiệu về họ Wavelet

13

2.2.2.1 Harr Wavelets

13

2.2.2.2 Daubechies Wavelets

13

2.2.2.3 Nhị 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 của biến đổi Fourier và Wavelet Packet

17

2.3.1 Miền chữ nhật tần số- thời gian

17

2.3.2 Nguyên lý bất định Heisenberg

17

2.3.3 Phép biến đổi Fourier được cửa sổ hóa

18

2.3.4 Giải pháp ô tần số thời gian biến đổi

20

2.3.5 Cơ sở trực giao của tần số thời gian

22

2.3.6 Cơ sở Wavelet Packet

22

2.4 Kết luận chương

24

ix


CHƯƠNG 3: ỨNG DỤNG BIẾN ĐỔİ WAVELETS TRONG SİÊU ÂM
GAN

25

3.1. Giới thiệu về phép biến đổi Haar

25

3.1.1 Phép biến đổi Haar cổ điển rời rạc

25

3.1.2 Phép biến đổi Wavelet Haar rời rạc

29

3.1.3 Ảnh cơ sở Wavelet Haar

31

3.2. Giới thiệu về Gabor Wavelet

36

3.2.1 Phép biến đổi Gabor Wavelet

37

3.2.1.1 Phép biến đổi 1-D Gabor Wavelet

37

3.2.1.2 Phép biến đổi 2-D Gabor Wavelet

40

3.2.2 Nhận dạng kết cấu

42

3.2.2.1 Khuôn dạng đáp ứng Gabor

42

3.2.2.2 Chọn lựa thông số

43

3.3 Giải thuật SVM trong ảnh y sinh

46

3.3.1 Lưu đồ

46

3.3.2 Giải thuật

49

3.3.3 Ưu điểm của SVM trong ảnh y sinh

51

3.3.4 Khuyết điểm của SVM trong ảnh y sinh

51

3.3.3 Phân loại

52

3.3.4 Biểu thức toán học

52

3.3 Kết luận chương

53

CHƯƠNG 4 : XÂY DỰNG MÔ HÌNH MÔ PHỎNG XỬ LÝ ẢNH SİÊU ÂM
GAN KHÔNG GÂY HẠI BẰNG WAVELET PACKET KẾT HỢP VỚI
SUPPORT VECTOR MACHINE

54

x


4.1 Đối tượng và phương pháp đánh giá

54

4.2 Phân rã ảnh dùng Wavelet Packet

54

4.3 Phép biến đổi Gabor Wavelet hai chiều

68

4.3.1 Xác định độ xơ gan từ Gabor Wavelet

68

4.3.2 Xác định u gan hoặc gan có vật thể lạ

77

4.4 Dùng SVM để chẩn đoán định tính gan bình thường hay gan xơ

80

4.6 Kết luận chương

84

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI

86

TÀI LIỆU THAM KHẢO

88

PHỤ LỤC

90

xi


DANH MỤC CÁC BẢNG BIỂU
Số hiệu

Tên bảng biểu

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 hệ giữa độ xơ và các giai đoạn xơ gan

70

4.2

Phụ chú bảng tra màu và độ xơ

70

xii


DANH MỤC CÁC HÌNH VẼ
Số hiệu

Tên hình vẽ

Trang

1.1

Vận tốc của sóng đàn hồi

2

1.2

Sóng đàn hồi trong gan người

2

1.3

Vị trí đầu dò và điểm đo

3

1.4

Sóng biến dạng lan truyền

3

1.5

Bản đồ màu mã hóa tốc độ sóng biến dạng

4

1.6

Hàm Mật Độ Xác Suất

4

1.7

Hàm phân bố tích lũy

5

1.8

Hàm Mật Độ Phổ Công Suất theo Cm2 .

5

1.9

Sơ đồ khối của hệ thống CAD cho chẩn đoán xơ gan

8

2.1

Ảnh siêu âm A – mode

10

2.2

Ảnh siêu âm M - mode

11

2.3

Ảnh siêu âm B – mode

11

2.4

Hàm Haar Wavelet

13

2.5

Họ Daubechies Wavelet

13

2.6

Họ Wavelet nhị trưc 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

Hộp Heisenberg biểu diễn một phần tử r

18

2.13

Hộp thời gian-tần số trải phổ năng lượng

19

2.14

Hộp thời gian-tần số của 2 Wavelet Wu , s và Wu , s

21

2.15

Các hộp thời gian-tần số của một cơ sở Wavelets định nghĩa một
ốp lát của mặt phẳng thời gian-tần số

23

0

xiii

0

Một cơ sở Wavelet Packet chia trục tần số trong các khoảng riệng
của các kích thước khác nhau. Một ốp lát có được bằng cách dịch
thời gian các Wavelet Packet bao phủ mỗi khoảng tần số
Phép biến đổi S của ảnh có chứa các xung kiểm tra: a) WalshHadamard, b) Haar, c) DST (Phép biến đổi Sin rời rạc), d) DCT
(Phép biến đổi Cosine rời rạc)

23

3.2

Phép nhân hai hàm Haar rời rạc

33

3.3

Các hàm tích 2D Haar xử lý như bộ trích rút.

35

3.4

37

3.5

Tích các hàm Wavelet 2D được xử lý như bộ trích rút. Mức độ
phân rã: (trái) đầu tiên, (trung tâm) thứ hai, (phải) thứ ba
Thí dụ về một bộ lọc 2D Gabor

3.6

Các thí dụ phép biến hình Gabor Wavelets một chiều

39

3.7

Đáp ứng Gabor 1D với m=20 và n=10

40

3.8

Đáp ứng Gabor 1D với m=80 và n=40

40

3.9

Thí dụ phép biến hình hai chiều Gabor Wavelets trong miền đặc
biệt.

41

3.10

Thí dụ phép biến hình Gabor Wavelets 2D trong phạm vi tần số

42

3.11

Mẫu kết cấu gốc

44

3.12

Mẫu kết cấu xoay theo trục X góc 450

44

3.13

Mẫu kết cấu xoay theo trục trục Y 450

44

3.14

Mẫu kết cấu xoay theo trục Z 450

44

3.15

Đáp ứng Gabor cho phép quay theo trục X,Y,Z

45

3.16

Phép biến hình Wavelet với Nf=3 và N0=3

45

3.17

Phép biến hình Wavelet với Nf=6 và N0=6

46

3.18

Phép biến hình Wavelet với Nf=9 và N0=9

46

3.19

Phép biến hình Wavelet với Nf=12 và N0=12

46

3.20

Lưu đồ dung SVM để phân loai gan bình thường hay gan xơ

47

3.21

Cách chuyển ảnh 2D chiều thành 1-D

48

3.22

Thí dụ chuyển ma trận ảnh 2-D thành vector huấn luyện 1D

49

3.23

Lưu đồ phân loại ảnh siêu âm gan dùng SVM

50

3.24

Phân loại SVM tuyến tính thành hai miền

51

2.16

3.1

xiv

29

38


4.1

Sơ đồ nguyên lý phân rã ảnh 2 chiều

55

4.2

57

4.3

Lưu đồ nguyên lý dùng phép biến đổi Wavelet Packet (Haar
Wavelets & Bior) để phân rã hình
Phép rã hình xấp xỉ, ngang và chéo

4.4

Giải thuật mô phỏng phần phân rã ãnh

58

4.5

Phân rã ảnh bộ lọc Haar cấp 2 gan bình thường

59

4.6

Phân rã ảnh bộ lọc cấu trúc cây Haar cấp gan bình thường

59

4.7

Phân rã ảnh bộ lọc Haar cấp 2 gan xơ

60

4.8

Phân rã ảnh bộ lọc cấu trúc cây Haar cấp 2 gan xơ

60

4.9

Phân rã ảnh bộ lọc Bior 1.1 cấp 2 gan bình thường

61

4.10

Cấu trúc cây của bộ lọc Bior 1.1 cấp 2 gan bình thường

61

4.11

Cấu trúc cây của bộ lọc Bior 1.1 cấp 2 gan xơ

62

4.12

Cấu trúc cây của bộ lọc Bior 1.1 cấp 2 gan xơ

62

4.13

Tám lược đồ xám chi tiết chéo Haar cấp 2 gan bình thường

64

4.14

Bốn lược đồ xám của chi tiết chéo gan bình thường

65

4.15

Tám lược đồ xám của chi tiết chéo gan bình thường

66

4.16

Hai lược đồ xám chi tiết chéo cấp 2 gan xơ

67

4.17

Các nét đặc trưng được trích xuất từ tiểu ảnh của sự rã hình WPT
ở cấp 2

68

4.18

Các nét đặc trưng được trích xuất từ tiểu ảnh của sự rã hình WPT
ở cấp 3

68

4.19

Lưu đồ phân tích cấu trúc đa tỷ lệ dùng Stearing Gabor Wavelets

69

4.20

Phép rã hình Gabor với 40 Wavelets

71

4.21

Tỷ lệ phóng hình và hệ số truyền sóng của ảnh siêu âm gan có độ

72

58

xơ là 7 Kpa
4.22
4.23
4.24
4.25

Tỷ lệ phóng hình và hệ số truyền sóng của ảnh siêu âm gan có độ
xơ là 11.8Kpa
Bốn hình về hệ số truyền sóng của ảnh siêu âm gan xơ qua phép
lọc Stearing Gabor Wavelets
Năm hình về hệ số truyền sóng của ảnh siêu âm gan bình thường
qua phép lọc Stearing Gabor Wavelets
Lưu đồ lọc Gabor bảo toàn lề

xv

72
74
76
77


78

4.27

Dùng kỹ thuật tăng cường tách lề làm nổi gờ biên cỉa ảnh siêu âm
gan bình thường
Dùng phép lọc qua phổ hệ số Gabor của ảnh siêu âm gan xơ

4.28

Lưu đồ truy vấn ảnh siêu âm gan dùng SVM

80

4.29

Lưu đồ mô phỏng truy vấn ảnh siêu âm gan dùng SVM

81

4.26

xvi

79


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

Chương 1

TỔNG QUAN VỀ PHƯƠNG PHÁP SIÊU ÂM TRONG
Y HỌC

1.1 Kỹ thuật siêu âm gan không gây hại
Ngày nay, Elastography (phương pháp đo độ đàn hồi), một kỹ thuật siêu âm dùng để
tìm các chỗ cứng bất thường của mô cơ quan đã làm được điều này. Độ cứng của mô
được đo bằng định lượng vật lý gọi là Young’s modulus và trình bày bằng đơn vị áp
lực gọi là Pascals hay thường dùng hơn là KiloPascals (KPa).
Cùng với Elastography, Shear Wave Elastography, phương pháp mới dựa vào kỹ
thuật MultiWave đã lộ diện, dùng để hình ảnh hóa sóng siêu âm B-mode và loại sóng
âm mới, sóng âm biến dạng (Shear Wave).
Shear Wave Elastography có thể chụp được chuyển động truyền sóng âm biến dạng
(Shear Wave) trong mô mà cho đến nay chưa có kỹ thuật nào khác có thể phát hiện
được. Shear Wave Elastography chụp và định lượng tốc độ lan truyền Shear Wave
và đo được độ đàn hồi mô theo đơn vị KiloPascals.
Đo độ đàn hồi là một bước quan trọng trong chẩn đoán vì có liên quan đến bệnh học
và Shear Wave Elastography là kỹ thuật siêu âm thế hệ kế tiếp hứa hẹn nhiều lợi ích
trong chẩn đoán hình ảnh và ý nghĩa lâm sàng.
Trước hết ta tập trung vào kỹ thuật siêu âm không gây hại.
1.1.1 Nguyên tắc
Độ cứng và suất đàn hồi: cũng như suất Young được diễn đạt dưới đơn vị Pascal

(Pa). Độ cứng là thông số chính mà nó phụ thuộc vào trạng thái bệnh lý của mô
mềm. Từ nhiều thế kỷ, các bác sĩ sử dụng phương pháp khám bệnh gan bằng cách
dùng tay sờ và đè trên thành bụng.
Để đo độ cứng trong các mô mềm, thì độ cứng tỷ lệ với vận tốc của các sóng đàn
hồi được gọi là sóng đàn hồi biến dạng (Shear Wave).
Shear Waves được sử dụng rộng rãi trong các mô sinh học: mô sinh học càng xơ
cứng, thì sóng Shear Wave càng nhanh.
1.1.2 Nguyên lý gồm 3 bước

Tổng quan phương pháp siêu âm y học

1

HVTH: Trịnh Hoàng Duy


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

So sánh các tín hiệu siêu âm liên tiếp để ánh xạ đến ứng lực cục bộ. Tính chất của
mức đàn hồi ( Elastogram) không phải là một hình ảnh giải phẩu học. mà nó là sự
thể hiện của sự truyền sóng biến dạng qua mô gan như là hàm số theo thời gian.

Hình 1.1 - Vận tốc của sóng đàn hồi (m/s).
Thí dụ về gan người

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 ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

Hình 1.3 - Vị trí đầu dò và điểm đo.

Hình 1.4 - Sóng biến dạng lan truyền.
Trong hình 4a và 4b một sóng biến dạng lan truyền đều trong môi trường đồng
nhất. Khi gặp một vật lẩn cứng như trong hình 4c và 4d sóng biến dạng truyền
nhanh hơn. Cần tốc độ tiếp nhận ít nhất 5.000Hz mới thấy được sóng biến dạng
lan truyền.
Nguyên lý của kỹ thuật đo độ đàn hồi dựa trên sự đè ép mô ngọai biên trên cấu
trúc cần khảo sát. Áp lực này tạo ra sự căng (hay dời chỗ) trong mô với tính tóan

tiếp sau của mặt bên sự căng (strain profile) theo trục sức ép. Strain profile được
chuyển thành một đơn vị cấu trúc hình đàn hồi (ví dụ phân bố đàn hồi mô) gọi là
elastogram. Bằng cách tính độ căng của mô do đè ép có thể đánh giá độ cứng của
mô và phân biệt được tổn thương lành hay ác.
Khám qua ngã bụng với đầu dò linear sao cho có độ xuyên thấu tối đa và có càng
nhiều mô gan xung quanh càng tốt. Áp lực cung cấp do chuyển động hô hấp hay
mạch đập và do ấn nhẹ đầu dò. Độ đàn hồi được tính toán real-time và thể hiện
bằng màu chồng lên hình siêu âm B-mode. Thang màu gồm các màu như sau: đỏ

Tổng quan phương pháp siêu âm y học

3

HVTH: Trịnh Hoàng Duy


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

(mô mềm), xanh dương (không đàn hồi, mô cứng) và xanh lá cây (trung gian, mô
bình thường). Máy cũng thể hiện thang áp lực được cài giữa mức 3 và 4 (đủ áp
lực). Màn hình gồm 2 hình với hình B-mode bên phải và hình elastography bên
trái. Vùng khảo sát đo độ đàn hồi (ROI) được chọn bằng tay và phải có tổn thương
đích cũng như mô xung quanh. Vùng ROI cần đủ mô xung quanh vì giá trị đo độ
đàn hồi được thể hiện tương quan với độ căng trung bình bên trong vùng khảo sát.
1.1.3 Xử lý tín hiệu siêu âm gan
Một ứng dụng lâm sàng tiên tiến có thể phân tích dữ liệu tín hiệu echo ở độ ly giải
cao hơn 100 lần so với những hình ảnh thang xám bình thường hoặc lưu lượng
màu bằng cách sử dụng phần cứng đặc biệt mở rộng.

Siêu âm hòa âm mô (tissue harmonic ultrasonography) dựa trên hiện tượng biến
dạng không tuyến tính (nonlinear distortion) của tín hiệu siêu âm khi truyền qua
cơ thể.

Hình 1.5 - Bản đồ màu mã hóa tốc độ sóng biến dạng.
Sóng biến dạng được đo theo đơn vị m/giây và truyền theo nhiều tốc độ tùy thuộc
độ cứng của mô. Hình trên là bản đồ tốc độ màu mã hóa chuyển đổi tốc độ sóng
biến dạng thành Young’s Modulus cho độ cứng 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


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

Hình 1.7 - Hàm phân bố tích lũy.

Hình 1.8 - Hàm Mật Độ Phổ Công Suất theo.
Ta có Cm2 là tỷ lệ giữa phương sai đo được (measured variance)  2 và phương sai
lý tưởng  R2 ( ideal variance), Cm2 

2
 R2

(1.1)

Trong đó:
4
Cm2  R2  (  1) m2 . Phương sai lý tưởng là phương sai cho dạng mẫu đồng nhất


(homogeneous pattern)

Tổng quan phương pháp siêu âm y học

5

HVTH: Trịnh Hoàng Duy


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

1.2 Các kết quả nghiên cứu đã công bố
Một hệ thống chẩn đoán máy tính hỗ trợ để mô tả gan bình thường và xơ gan bằng
bộ mô tả kết cấu đa phân giải được đề xuất. Nghiên cứu đó được thực hiện tại 120
khu vực phân đoạn quan tâm chiết xuất từ 31 hình ảnh siêu âm gan B-mode lâm sàng.
bộ mô tả kết cấu đa phân giải độ lệch trung bình và tiêu chuẩn được trích rút bằng
cách sử dụng biến đổi Wavelets 2D- rời rạc và phép biến đổi 2D- Gabor Wavelets
được xem xét để phân tích và tìm kiếm đầy đủ với 13 tiêu chí về sự phân lớp được sử
dụng để lựa chọn nét đặc trưng [1]. Chỉ năm bộ mô tả kết cấu đa phân giải trung bình
thu được từ phép biến đỗi Gabor Wavelets 2D ở độ tỷ lệ hình chọn lọc và định hướng

cung cấp tính chính xác phân loại cao nhất là 98,33% và độ nhạy 100% bằng cách sử
dụng một bộ phân loại hổ trợ vector (support vector machine) [2] .
Một vài nghiên cứu trong tài liệu (Jeong và cộng sự năm 2007). Theo tác giả Sun đã
chủ biên năm 2005 - Wu và cộng sự, 2011) [3] có máy tính đề nghị hỗ trợ chẩn đoán
(CAD) hệ thống phân loại giữa gan bình thường và các lớp khác nhau của xơ gan, mà
là trong nhiều nghiên cứu khác (Mojsilovic và cộng sự, 1996 [4]; Huang chủ biên,
2010; Lu và cộng sự, 2008 [5]; Virmani chủ biên, 2011 [6-7]; Wan và Zhou, 2010
[8]) là một hệ thống CAD để đạt được phân loại nhị phân giữa gan bình thường và
xơ gan được đề xuất. Mojsilovic chủ biên. (1996) [4] đạt được độ chính xác phân loại
92% cho dự đoán xơ gan, bằng cách sử dụng các nét đặc trưng năng lượng được trích
xuất từ lựa chọn các băng con có chọn lọc bằng cách dùng phép biến đổi Wavelets
2Nx1-D cùng với bộ phân loại khoảng cách Euclide.[9]
Ông Huang và cộng sự. (2009) [10] đạt 82,5% độ chính xác phân loại để chẩn đoán
xơ gan bằng cách sử dụng nét đặc trưng ma trận đồng cấp độ màu xám (GLCM) và
một bộ phân loại mạng meural xác suất (PNN). Báo cáo nghiên cứu của họ được cải
thiện hiệu suất phân loại của tiền xử lý hình ảnh với phương pháp giảm nhiễu Wavelet
Packet. Lu và cộng sự (2008) đã thiết kế một hệ thống CAD cho chẩn đoán xơ gan
bằng cách bắt các biến thể kết cấu của mẫu hồi âm trong gan bình thường và xơ gan
liên quan đến kết cấu echo của lá lách đi kèm. Họ báo cáo chính xác phân loại 94,7%
bằng cách sử dụng các nét đặc trưng trong miền không gian-tần số với việc chọm lọc
nét đặc trưng bằng cách sử dụng phân tích thành phần chính và phân loại bằng cách
sử dụng cây phân loại.
Ông Wan và Zhou (2010) [8] đã cố gắng để phân loại gan bình thường và xơ gan
bằng cách sử dụng trung bình và các nét đặc trưng kết cấu năng lượng ước tính từ hai
chiều Wavelets rời rạc (2D-DWT) và hai chiều Wavelet Packet rời rạc (2D-WPT)
hình ảnh băng con thu được bằng cách sử dụng bộ lọc Wavelets DB4 trên dữ liệu của
họ. Họ báo cáo độ chính xác phân loại cao nhất 85,79% bằng cách sử dụng nét đặc
trưng 2D-WPT cùng với bộ phân lớp máy hỗ trợ vector. Ông Zhou và cộng sự, (2006)

Tổng quan phương pháp siêu âm y học

6

HVTH: Trịnh Hoàng Duy


Xử lỳ ảnh siêu âm không gây hại dủng WP & SVM

THD: PGS. TS, Lê Tiến Thường

[2] sử dụng các nét đặc trưng chiết xuất từ hình ảnh siêu âm M-mode và B-mode cho
chẩn đoán xơ gan.
Họ đã sử dụng các nét đặc trưng kết cấu bao gồm cả số liệu thống kê thứ tự đầu tiên,
thống kê chiều dài cấp độ màu xám chạy, thống kê sự khác biệt mức độ xám (GLDS)
trích xuất từ hình ảnh B-mode cũng như các nét đặc trưng được trích xuất từ đường
cong chuyển động thu được từ M-mode hình ảnh siêu âm gan. Nghiên cứu của họ
cho thấy rằng 100% độ chính xác phân loại có thể đạt được bằng cách sử dụng 20 nét
đặc trưng được lựa chọn bằng cách sử dụng tìm kiếm truyền thẳng liên tục và quy tắc
quyết định tuyến để lựa chọn nét đặc trưng. Tuy nhiên, các thí nghiệm của họ đã được
thực hiện trên dữ liệu hạn chế thiết lập, thí dụ tổng số 43 Rois (13 xơ gan và 30 bình
thường) và phương pháp này đòi hỏi cả hình ảnh M-mode và B-mode của bệnh nhân.
Khảo sát tổng quát về phân loại kết cấu trong miền chuyển đổi bằng cách sử dụng
phương pháp tiếp cận đa phân giải như 2D-DWT, 2D-WPT và 2D-GWT cho thấy nét
đặc trưng độ lệch chuẩn và trung bình thường được sử dụng không chỉ cho đặc tính
kết cấu của kết cấu tự nhiên tức là, cơ sở dữ liệu hình ảnh Brodatz (Avci, 2008; Chang
và Kuo, 1993; Mojsilovic và cộng sự, 2000) mà còn cho hình ảnh y tế (Tsiaparas et
al 2011 [10], Wan và Zhou, 2010; Yoshida và cộng sự, 2003).
Trong công việc hiện tại, bộ mô tả kết cấu lệch (TDs) chuẩn và trung bình được đánh
giá từ các hình ảnh nét đặc trưng băng con khác nhau thu được bằng các phép biến
đổi 2D-DWT, 2D-WPT và 2D-GWT được xem xét cho xếp loại gan bình thường và

xơ gan. Thiết kế phân loại mà sử dụng qui chuẩn như máy hỗ trợ vector (SVM)
thường ít có khuynh hướng phù hợp và có được hiệu suất tổng quát tốt đến một mức
độ nhất định nào đó, ngay cả khi không giảm nét đặc trưng không gian chiều (Burges,
1998). Trong công việc hiện nay SVM phân loại được chọn để phân loại gan bình
thường và xơ gan.
Sơ đồ khối của hệ thống CAD được đề xuất cho dự đoán của bệnh xơ gan được thể
hiện trong hình 1.9 hệ thống CAD được đề xuất.
Thực hiện của hệ thống CAD đề xuất hiện trên cơ sở dữ liệu của 120 không chồng
chéo ROIs được tạo ra từ 31 hình ảnh siêu âm có được trên lâm sàng. Hệ thống CAD
bao gồm trích xuất nét đặc trưng, lựa chọn nét đặc trưng và giai đoạn phân loại. Trong
giai đoạn trích xuất nét đặc trưng, có nghĩa là độ lệch TDs chuẩn và trung bình được
chiết xuất từ hình ảnh nét đặc trưng băng con thu được bằng 2D-GWT, 2D-DWT và
2D-WPT. Để lựa chọn nét đặc trưng, thủ tục tìm kiếm đầy đủ được sử dụng để được
giảm vector nét đặc trưng và độ dài 5, từ các vector ban đầu của chiều dài 20, 32 và
42 trong trường hợp 2D-DWT, 2D-WPT và 2D-GWT tương ứng.

Tổng quan phương pháp siêu âm y học

7

HVTH: Trịnh Hoàng Duy