phương pháp phân đoạn ảnh y khoa

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……………………………………………………………...27
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
TÀI LIỆU THAM KHẢO……………………………………………………………...28

1


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]
2

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 trên
hình dạng, phân đoạn ảnh hướng dẫn giải phẫu lân cận.
1.4. Giới hạn đề tài:
Trong khuôn khổ đề tài nghiên cứu, có rất nhiều phương pháp về phân đoạn CT,
nhưng chúng tôi chỉ chọn ra bốn phương pháp để nghiên cứu:
- Phương pháp phân đoạn ảnh dựa vào ngưỡng (Lung Segmentation Class using
Thresholding-based methods).
- Phương pháp phân đoạn ảnh dựa vào miền (Lung Segmentation Class using
Region-based methods).
- Phương pháp phân đoạn dựa trên hình dạng (Lung Segmentation Class using
Shaped-based methods).
- Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận (Lung Segmentation
Class using Neighboring anatomy-guided methods).
1.5. Cấu trúc đề tài:
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.

3


CHƯƠNG II: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
2.1. Cơ sở lý thuyết:
Xứ lý ảnh là là quá trình phân tích, chỉnh sửa trên ảnh đầu vào để được một ảnh đầu ra
đáp ứng yêu cầu mong muốn.

Hình 2.1: Quá trình xử lý ảnh.[2]
Ảnh có thể xem là tập hợp các điểm ảnh và mỗi điểm ảnh được xem như là đặc
trưng cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tượng trong
không gian và nó có thể xem như một hàm n biến P(c​1​, c​2​,..., c​n​). Do đó, ảnh trong xử lý
ảnh có thể xem như ảnh n chiều.[2]
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 người
vẫn 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
4


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.
Các nghiên cứu liên quan:
2.2
- 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 CT
impact 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 for
quantifcation 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 algorithm
softwares 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.

5


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 nhị
phân 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]
6


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 phương
pháp 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
7


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 cách
xem 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:
8


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. P
​ hương 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
9


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
10


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.

11


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).
12


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, xác
suất 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 đoạn
bây giờ trở thành.
E (α, k , θ, z ) = U (α, k , θ, z ) + V (α, z ) ,
(3.3)
13


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:
U (α, k , θ, z ) = ∑ D(αn , k n , θ, z n ) ,

(3.4)

n

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 .
D(αn , k n , θ, z n ) = − log π(αn , k n ) +

1
2

T

log det ∑(αn , k n ) + 21 [z n − μ(αn , k n )] ,

(3.5)

−1

∑(αn , k n ) [z n − μ(αn , k n )] , (3.6)
Vì vậy, các thông số của mô hình hiện nay:
θ = {π(α, k ), μ(α, k ), ∑(α, k ), α = 0, 1, k = 1..K}
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:
V (α, z ) = γ

∑ [αn ≠ αm ]exp − β||z n − z m ||2

(3.7)

(m,n)∈C

● 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​U của 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 kn​ 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:
14


Người sử dụng khởi tạo trimap T bằng việc cung cấp T​B duy nhất. Mặt trước nền là
tập hợp T F = θ; T U = T B ;
Khởi tạo αn​ = 0 với n ∈ TB​ và α​n =
​ 1 với n ∈ TU​.
Nền và tiền cảnh GMMs khởi tạo từ bộ αn =
​ 0 và α​n​ = 1 tương ứng.
Lặp lại giảm thiểu:
- Gán các thành phân GMM điểm ảnh: cho mỗi n trong TU
k n ≔argmin
Dn (αn , k n , θ, z n ) ,
(3.9)
kn
- Tìm hiểu các thông số GMM từ dữ liệu z:
θ≔argmin
U (α, k , θ, z ) ,
θ
- Phân đoạn dự đoán sử dụng mincut để giải quyết:
min
min
{αn : n∈T U } k E(α, k , θ, z ) ,

(3.10)

(3.11)

- ​Lặp lại từ bước 1, cho đến sự quy tụ.
- ​Áp dụng sự kết búi viền.
Người dùng chỉnh sửa:
Sửa: sửa lỗi một số điểm ảnh hoặc là để α​n = 0 (vẽ lên nền) hoặc α​n = 1 (phía trước vẽ
lên); cập nhật trimap T cho phù hợp. Thực hiện bước 3 ở trên chỉ một lần.
Tinh chỉnh hoạt động: [tùy chọn] thực hiện lặp đi lặp lại toàn bộ thuật toán giảm
thiểu.
● Tương tác với người sử dụng và trimap không đầy đủ:
Trimaps không đầy đủ là thuật toán lặp đi lặp lại giảm thiểu cho phép tăng tính linh
hoạt của tương tác người dùng. Đặc biệt, nơi dán nhãn không đầy đủ cho phép ở vị trí của
trimap đầy đủ T, người sử dụng cần chỉ định khu vực nền T​B​, còn lại T​F = 0. Không khó
để dán tất cả các nhãn ở tiền cảnh. Lặp lại giảm thiểu bằng cách cho phép dán các nhãn
không hoàn chỉnh tới một số điểm ảnh (tại tiền cảnh) sau đó có thể được co lại, chỉ có nền
được nhãn T​B là không được rút lại. Trong quá trình thực hiện T​B ban đầu được xác định
bởi người sử dụng như một dải các điểm ảnh xung quanh bên ngoài của hình chữ nhật
được đánh dấu.
e. Giải thuật Random Walks:
Thuật toán random walker được thực hiện bằng bằng cách đi bộ ngẫu nhiên tại các
điểm ảnh và ghi nhớ những điểm mầm mà chúng đến lần đầu, một phương pháp tính toán
như vậy sẽ là không thực tế. Thiết lập những kết nối giữa bước ngẫu nhiên và lý thuyết
mạch, cung cấp cho chúng ta một phương pháp đơn giản thuận tiện cho phân tích tính
toán xác suất mong muốn. Phân này mô tả ba khía cạnh của thuật toán: Tạo các trọng số
đồ thị, thiết lập hệ phương trình để giải quyết vấn đề và thực hiện các chi tiết thực tế.
Một đồ thị bao gồm một cặp G = (V, E) với đỉnh (node) v ∈V và cạnh e∈E ⊆V ×
V. Một cạnh, e, nối hai đỉnh, v​i và v​j​, được ký hiệu là e​ij​. Một đồ thị có trọng số gán một
giá trị cho mỗi cạnh được gọi là trọng số. Trọng số của cạnh e​ij được ký hiệu là w (e​ij​)
hoặc w​ij​. Bậc của một đỉnh là d​i = w (e​ij​) cho tất cả các cạnh e​ij có liên quan đến v​i ​(điều
kiện wij​> 0).

15


Trọng số cạnh:
Để đại diện cho cấu trúc hình ảnh (đã cho tại những điểm ảnh) bởi sự sai lệch bước
ngẫu nhiên (tức là trọng số cạnh), người ta định nghĩa một hàm ánh xạ thay đổi trong
cường độ hình ảnh với trọng số cạnh. Đây là một đặc tính chung của thuật toán dựa trên
đồ thị để phân tích ảnh. Ngoài ra, nó đã được đề xuất để sử dụng một chức năng làm cực
đại entropy của các trọng số kết quả. Hàm trọng số Gaussian:
w​ij​ = exp (-β(g​i​ - g​j​)​2​),
(3.12)
Trong đó: gi chỉ cường độ ảnh tại điểm i. Giá trị β là tham số tự do. Chúng tôi đã tìm
thấy nó hữu ích để bình thường hóa các gradient vuông (g​i - g​j​)​2 ∀eij∈E trước khi áp
dụng (3.12). Tất nhiên, (3.12) có thể được sửa đổi để xử lý màu hoặc giá trị dữ liệu vector
được thay thế bằng (gi​ - g​j​)​2​ với ||gi​ - g​j​|| được đánh giá cho một vector gi​ .
Vấn đề Dirichlet tổ hợp:
Tổ hợp dirichlet có thể được xác định như sau:
D[u] =

1
2

∫ |∇u|2 dΩ,

(3.13)

Ω

Trong đó u là trường và Ω là vùng. Tích phân xuất hiện trong các tình huống vật lý
bao gồm sự truyền nhiệt, điện tĩnh học và bước ngẫu nhiên. Một hàm điều hòa có chức

năng đáp ứng được phương trình Laplace.
∇2u = 0.
(3.14)
Việc tìm một đối tượng của hàm hài hòa giá trị biên của nó được gọi là bài toán
Dirichlet. Hàm điều hòa thoả mãn nhưng điều kiện đường biên yếu. Ma trận tổ hợp
Laplacian được xác định như sau:
Lij = {di nếu i = j , − wij nếu v i và v j là đỉnh, 0 còn lại
(3.15)
Trong đó L​ij​ là chỉ số của đỉnh vi​ và v​j​.
Xác định ma trận liên thuộc của nút cạnh như sau:
Aeij vk = {1 nếu i = k , − 1 nếu j = k , 0 còn lại
(3.16)
Với mọi đỉnh v​k và tất cả các cạnh e​ij lân cận đều được gán một định hướng, Aeij vk
được dùng để chỉ sự tác động của ma trận tới cạnh eij​ và đỉnh vk​.
Xác định ma trận m x m với C là đường chéo của ma trận với trọng số của mỗi cạnh
dọc theo đường chéo. Laplacian tổ hợp đẳng hướng là thành phần của toán tử tổ hợp phân
kỳ với toán tử tổ hợp gradient, L = A​T​A ma trận cấu thành được giải thích như việc đại
diện cho một tích vô hướng có trọng số trên không gian vectơ. Laplacian tổ hợp khái quát
hóa các toán tử tổ hợp Laplace – Beltrami L =A​T​CA. Trường hợp độ đo bình thường C=I
và L = A​T​A.
Xây dựng một tổ hợp tích phân của Dirichlet:
D[x] =

T
1
2 (Ax) C(Ax)

=

1 T

2 x Lx

=

1
2

∑ W ij (xi − xj )2 ,

(3.17)

eij ∈E

và một tổ hợp hài hòa là một hàm giảm thiểu x. Từ đó L là bán xác định, chỉ những điểm
giới hạn D [x] sẽ là cực tiểu. Phân vùng các đỉnh thành hai bộ, máy ảo (được đánh dấu
16


điểm mầm) và VU​ (điểm không phải mầm) như vậy mà VM​ ∪ V​U​ = V and V​M​ ∩V​U​ = ∅.
Chú ý : V​M chứa đựng tất cả các điểm mầm, bất kể nhãn của chúng. Chúng ta có thể
giả định mà không mất tính tổng quát rằng nút trong L và x được sắp xếp sao cho các
điểm mầm đầu tiên và các nút không phải điểm mầm là thứ hai. Vì vậy, chúng ta có thể
phân tách phương trình:
D[xU ] = 21 [xTM xTU ][LM B B T LU ][xM xU ] = 21 (xTM LM xM + 2xTU B T xM + xTU LU xU ) , (3.18)
Trong đó: xB và xU tương ứng với tiềm năng của các điểm mầm và các nút không
điểm mầm tương ứng. Phân biệt D [x​U​] đối với x​U và tìm kiếm các lợi suất điểm quan
trọng.
L​U​xU = -B​T​xM,
(3.19)
Là một hệ phương trình tuyến tính với ẩn số | V​U |. Nếu đồ thị được kết nối, hoặc nếu

tất cả các thành phần kết nối chứa một điểm mầm, sau đó phương trình sẽ không đơn lẻ.
Biểu thị xác suất được giả thiết tại nút v​i cho mỗi nhãn S bởi x​i​S​. Xác định tập hợp các
nhãn cho các điểm điểm mầm như một hàm Q(v​j​) = s, ∀v​j ∈ V​M​, trong đó s ∈ Z, 0< s
≤K. Xác định vector | VM​ | × 1 cho mỗi nhãn s tại nút vj​ ∈ V​M​ như:
msj = {1 nếu Q(v j ) = s 0 nếu Q(v j )≠s ,

(3.20)

Vì vậy, đối với nhãn s, giải pháp cho vấn đề Dirichlet tổ hợp có thể được tìm thấy
bằng cách giải quyết. L​U​xs= -B​T​m​s​, chỉ có K-1 hệ thống tuyến tính thưa thớt phải được
giải quyết, trong đó K là tổng số nhãn.
f. Ưu nhược điểm của phương pháp:
Phương pháp này có một số giải thuật chạy khá nhanh đồng thời còn hoạt động tốt với
nhiều biến thể nhỏ. Nhưng nó cũng gặp khó khăn trong việc thu thập các điểm mầmvà
không phân đoạn miền ở các miền có độ bất thường không chênh lệch lớn hoặc là khi
điều kiện bệnh lý theo cấu trúc lân cận.
Phương pháp được sử dụng trong trường hợp có cấu trúc bình thường, các các miền
có tiếng ồn tối thiểu, sự bất thường tối thiểu.
3.2.3. Phương pháp phân đoạn dựa trên hình dạng (Lung Segmentation Class
using Shaped-based methods).
a. Phương pháp phân đoạn dựa trên hình dạng:
Gần đây, việc sử dụng thông tin hình dạng trước về các cơ quan giải phẫu như phổi đã
trở nên phổ biến trong phân chia hình ảnh y học, đặc biệt là các phân đoạn cơ quan với
những bất thường không thể chú thích được bằng cách sử dụng các kĩ thuật dựa trên
ngưỡng chuẩn. Những kĩ thuật dựa trên hình dạng này lấy hoặc là một cách tiếp cận dựa
trên atlas hoặc một cách tiếp cận dựa trên mô hình để tìm ra ranh giới phổi.

17

Hình 3.7: Sơ đồ tổng quan chung về các phương pháp tiếp cận dựa trên hình dạng để
phân đoạn phổi.[1]
Hình 3.7 cho thấy tổng quan chung về các phương pháp phân chia phổi dựa trên hình
dạng. Trong bài tổng quan này, chúng tôi đã kết hợp các phương pháp dựa trên mô hình
và atlas vào một lớp dựa trên hình dạng rộng hơn bởi vì cả hai đều chia sẻ các chi tiết
thuật toán và ngữ nghĩa tương tự. Hơn nữa, những ưu điểm và nhược điểm của việc sử
dụng cả hai phương pháp này cũng tương tự nhau về mặt hiệu suất phân đoạn và hiệu quả
về thời gian.
b. Các phương pháp phân đoạn dựa trên bản đồ (Atlas-based Methods)
Các phương pháp dựa trên bản đồ sử dụng các thông tin về hình dạng trước về cơ
quan đích để nhận biết và phân định. Một atlas bao gồm một hình mẫu CT và các nhãn
tương ứng của vùng ngực. Để thực hiện phân đoạn, hình mẫu được đăng ký với hình ảnh
đích; Một khi sự sắp xếp hoàn thành, các nhãn của atlas được truyền lên hình ảnh đích
(Hình 3.8).

18


Hình 3.8: Phương pháp tiếp cận dựa trên bản đồ để phân đoạn phổi. [1]
Phương pháp tiếp cận dựa trên bản đồ thường bắt đầu với một khuôn mẫu của cơ quan
đích (a). Thuật toán đăng ký hình ảnh sau đó được sử dụng để căn chỉnh khuôn mẫu với
hình ảnh đích sao cho khuôn mẫu có thể được biến đổi hình học thành hình ảnh đích để
xác định các mô phổi (b).
Cần lưu ý rằng việc đăng ký (alignment) là một vấn đề khó khăn và xấu, mặc dù nhiều
phương pháp đăng ký có sẵn với độ chính xác submillimeter. Các phương pháp dựa trên
bản đồ đã được tìm thấy có ích trong phân chia phổi với các dị tật nhẹ đến trung bình;
Tuy nhiên, một bản đồ giải phẫu đại diện mạnh thường rất khó tạo ra bởi vì sự biến đổi
giữa các biến thể lớn cũng như những khác biệt liên quan đến tình trạng bệnh lý.
Ví dụ, các trường hợp chúng vẹo cột sống có thể khó phân tích nếu atlas được tạo ra
bằng cách sử dụng một quần thể các gai bình thường (Hình 3.9).

Hình 3.9: Ví dụ về giới hạn các phương pháp dựa trên hình dạng [1].
19


Bởi vì phương pháp tiếp cận phân khúc dựa trên hình dạng giả định một cấu trúc giải
phẫu nhất định cho phổi, phổi bệnh lý với những thay đổi hình dạng nhất định có thể
được phân đoạn sai. Trong trường hợp nghiêm trọng về chứng vẹo cột sống, mặc dù các
phương pháp dựa trên vùng và ngưỡng được thực hiện tốt (b), một sự thất bại được quan
sát bằng phương pháp dựa trên hình dạng (a), với ranh giới của phổi phải (đường viền
màu xanh lục) kéo dài qua cột sống (Mũi tên bên trái) và có ranh giới phổi trái (đường
viền màu xanh lục) kéo dài phần giữa bên trái của bụng (mũi tên bên phải).
c. Các phương pháp phân đoạn dựa trên mô hình (Model-based Methods)
Các phương pháp dựa trên mô hình sử dụng thông tin hình dạng trước, tương tự như
cách tiếp cận dựa trên đại hình; Tuy nhiên, để phù hợp hơn với các biến dạng hình dạng,
các phương pháp dựa trên mô hình phù hợp với hình dạng thống kê hoặc mô hình hình
ảnh của phổi với hình ảnh bằng cách sử dụng một thủ tục tối ưu hóa.
Mục tiêu của các mô hình này là để đối phó với sự thay đổi của các cơ quan đích đang
được xem xét. Về cơ bản, hình dạng dự kiến ​và cấu trúc mức xám địa phương của một
đối tượng đích trong hình ảnh được sử dụng để lấy được quá trình phân đoạn trong các
phương pháp như vậy. Việc phân tích được hoàn tất khi mô hình tìm thấy sự phù hợp tốt
nhất cho dữ liệu CT được phân đoạn.
Cách tiếp cận dựa trên mô hình một cách tự nhiên thuộc về chiến lược từ trên xuống
dưới, trong đó việc nhận dạng được phân theo sau đó. Không giống các phương pháp tiếp
cận cấp thấp khác như phương pháp tiếp cận theo ngưỡng và khu vực, các phương pháp
dựa trên mô hình xem xét cả sự biến động toàn cầu và địa phương của hình dạng và kết
cấu.
Do đó các phương pháp này được coi là có hiệu quả trong việc xử lý các vấn đề phân
chia phổi không bình thường. Đặc biệt, vì tính chất xác suất của việc đo lường sự biến
thiên trong bước đào tạo, trong đó kiến thức chuyên môn được nắm bắt trong hệ thống,

các phương pháp dựa trên mô hình hoạt động tốt trong việc xử lý các dị tật nhẹ đến trung
bình và thay đổi về cơ thể. Mặt khác, tương tự như các phương pháp dựa trên bản đồ, một
mô hình trước đại diện cho các nhân khẩu học đa dạng thường rất khó tạo ra. Cuối cùng,
như là một thiếu sót nổi tiếng của các phương pháp tiếp cận theo mô hình, thất bại phân
chia có thể là không thể tránh khỏi nếu mô hình không được bắt đầu gần đủ đến ranh giới
thực tế của phổi.
d. Snakes, Active Contours và Level Sets:
Các phương pháp phân chia hình ảnh dựa trên ranh giới như Snakes, Active Contours
và Level Sets được xem xét trong các phương pháp phân đoạn dựa trên hình dạng trong
bài tổng quan này .
Các thuật toán này được sử dụng rộng rãi để định vị ranh giới đối tượng khi các
đường biên được xác định trong một miền hình ảnh có thể di chuyển dưới ảnh hưởng của
các lực bên trong đến từ bên trong đường cong và các lực bên ngoài được tính từ dữ liệu
hình ảnh. Các lực bên trong và bên ngoài được xác định để các đường biên sẽ phù hợp
với ranh giới đối tượng hoặc các đặc tính mong muốn khác trong một hình ảnh. Đối với
20


phân đoạn phổi của các hình ảnh CT trong tài liệu, chỉ có một vài nhóm các nhà điều tra
đã sử dụng Snakes và Level Sets.
Mặc dù các phương pháp này là mong muốn và hiệu quả khi các điểm khởi tạo được
đặt gần ranh giới chính xác, phương pháp này thường thất bại khi khởi tạo thuật toán
không gần với ranh giới thực tế. Hơn nữa, khi có tình trạng bệnh lý xảy ra bên trong ruột
phổi, các phương pháp này sẽ dễ dàng hội tụ thành ranh giới phổi không chính xác hoặc
sự tiến triển của đường biên có thể dừng lại ở các vùng bệnh lý mà không hội tụ vào ranh
giới phổi.
Khả năng lặp lại của các phương pháp phân chia dựa trên hình dạng là ít nhất trong
năm lớp chính của phân đoạn phổi bởi vì hầu hết các phương pháp phân chia dựa trên
hình dạng yêu cầu một khung đăng ký hoặc bản địa hoá mô hình vào hình ảnh đích và vị
trí ban đầu của Mô hình hoặc thông số đăng ký có thể ảnh hưởng đáng kể đến kết quả

phân tích.
Hiệu quả của các phương pháp phân chia dựa trên hình dạng dựa trên hiệu quả của
các thuật toán đăng ký hoặc địa phương, thường mất nhiều thời gian hơn so với những gì
được mong muốn thường thấy ở các phòng khám.
e. Ưu nhược điểm của phương pháp:
Phương pháp này được sử dụng ở các điều kiện bệnh lý bất thường phản đối sự phân
chia của giải phẫu bình thường. Phương pháp có ưu điểm khi thực hiện phân đoạn đối với
mẫu biểu đại diện tốt (bản đồ hoặc mô hình), độ chính xác phân khúc cao. Nhưng lại có
nhược điểm khi đào tạo đại diện các tính năng khó tạo, tính toán cao, hiệu suất cao phụ
thuộc vào tập hợp tính năng và dữ liệu đào tạo (set and training data).
3.2.4. Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận(Lung
Segmentation Class using Neighboring anatomy-guided methods).
a. Phương pháp phân đoạn ảnh hướng dẫn giải phẫu lân cận:
Các phương pháp hướng dẫn giải phẫu lân cận sử dụng bối cảnh không gian của các
vật thể giải phẫu lân cận của phổi (ví dụ, lồng xương sườn, tim, cột sống) để xác định
vùng phổi có độ chính xác tối ưu hoặc gần đúng.
Ý tưởng cơ bản đằng sau việc sử dụng các cơ quan lân cận để phân đoạn phổi là hạn
chế không gian tìm kiếm của việc tìm kiếm ranh giới tối ưu và loại bỏ một số các kết quả
dương tính giả mạo tự động từ các phân đoạn dưới tối ưu.
Ví dụ, nơi mà tim và sườn sườn được, sau đó nó là dễ dàng hơn cho một thuật toán
phân khúc không phải để rò rỉ vào các vùng lãnh thổ (Hình 3.10).

21


Hình 3.10: Các biểu đồ sơ đồ cung cấp tổng quan về phương pháp phân đoạn được hướng
dẫn giải phẫu học lân cận.[1] Với cách tiếp cận này, các cơ quan cá nhân có thể được xác
định trên cơ sở các vị trí dự kiến của chúng.
Các phương pháp hướng dẫn giải phẫu lân cận này được thiết kế để xử lý trường hợp,
vì có hiện tượng bất thường cực hoặc một hiện vật hình ảnh, khu vực phổi không thể

được mô tả rõ ràng. Thông tin về các cấu trúc giải phẫu lân cận dự kiến sẽ có tiềm năng
lớn trong phân chia hình ảnh phổi bởi vì các tương tác đối tượng lân cận trong vùng phổi
mạnh hơn và có thể dự đoán được.
Sơ đồ trình bày thể hiện trong Hình 3.11 là một tổng quan về khái niệm cốt lõi trong
phân đoạn phổi có hướng dẫn giải phẫu học. Lưu ý rằng, tương tự như phương pháp tiếp
cận dựa trên mô hình, một mô hình trước đó là cần thiết cho phổi và các cấu trúc lân cận
của chúng.

Hình 3.11: Sơ đồ của phương pháp phân đoạn hướng dẫn giải phẫu học lân cận[1].
22


Các phương pháp có hướng dẫn giải phẫu lân cận có thể rất hữu ích trong việc
phân chia vùng phổi, trong đó thông tin về kết cấu và sự suy giảm phân biệt không có
hoặc không có ích cho các mục đích chú thích. Ví dụ, một lượng lớn chất dịch màng phổi
hoặc sự giãn tĩnh mạch rộng có thể làm phân khúc và đo lường không chính xác; Tuy
nhiên, cách tiếp cận phân khúc theo hướng giải phẫu lân cận có thể mang lại các kết quả
phân chia tối ưu hoặc gần tối ưu bằng cách xem lồng xương sườn, tim, gan, và các mô
mềm khác nằm gần với mô màng phổi (Hình 3.12).

Hình 3.12: Các ví dụ về các trường hợp (một lượng lớn dịch màng phổi và sự không
lọc không gian), trong đó các phương pháp phân chia có hướng dẫn giải phẫu lân cận đã
tạo ra các phác đồ phổi thành công (đường màu đỏ) trên trục (a-c) và hình ảnh CT (d-f)
[1].
23


Do sự thành công của phương pháp tiếp cận phân khúc có hướng dẫn giải phẫu học
lân cận trong việc phân chia những trường hợp có thách thức liên quan đến các bất
thường về phổi, hiện đang tiến hành nhiều công việc trong lĩnh vực này và các phương

pháp tiếp cận phân khúc theo hướng giải phẫu do lân cận đang phát triển đang ngày càng
phát triển.
Mặc dù các phương pháp hướng dẫn giải phẫu lân cận này là chính xác nhưng hiệu
quả của chúng rất phụ thuộc vào giả thiết không có bất thường ở cấu trúc lân cận của phổi
(ví dụ, lồng xương sườn, tim, cột sống) có thể khó đảm bảo nếu có nhiều khu vực của
bệnh ở các cơ quan lân cận các vùng phổi bệnh lý. Hơn nữa, hiệu quả của các phương
pháp này rất nhiều phụ thuộc vào số lượng các phát hiện bệnh lý có trong phổi (khu vực
bệnh lý lớn hơn, thuật toán chậm hơn).
b. Ưu nhược điểm của phương pháp:
Phương pháp được sử dụng để xác định và phân loại tràn dịch màng phổi hoặc tá
tràng. Nó hoạt động tốt trong các trường hợp mà các ma trận suy giảm thất bại nhưng lại
có chi phí tính toán cao, tình trạng bệnh lý trầm trọng thiếu chính xác (ví dụ như làm mờ
toàn bộ hemithorax).
3.3. Phương pháp đánh giá kết quả:
3.3.1. Phương pháp định tính:
Để so sánh định tính, chúng ta cần thăm dò, mô tả và giải thích vùng được phân
đoạn dựa vào các bác sĩ, chuyên gia có kinh nghiệm, nhận thức, phát hiện nhằm đưa ra
những kết luận hợp lý cho ảnh y khoa đã phân tích.
3.3.2.​ ​Phương pháp định lượng:
Để so sánh định lượng, sự giống nhau giữa kết quả phân đoạn và cài đặt sẵn cảnh
thật được đo bằng cách sử dụng chuẩn hóa chồng.
a0 = | R∩G
(3.21)
R∪G |
Trong đó R là tập hợp các điểm ảnh được gán như cận cảnh từ các kết quả phân đoạn ảnh
và G là tập hợp các điểm ảnh thật. Ở đây nó được sử dụng như là do độ chính xác của các
phân đoạn ảnh. Đối vơi thí nghiệm này, chọn hình ảnh tự nhiên với vùng kết cấu cao
hoặc với có sự phân phối màu sắc tương tự giữa cận cảnh và nền cảnh.

24

CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ:
4.1. Tập dữ liệu test:
Tập dữ liệu test được lấy từ: />Ảnh CT phổi đầu vào:

Hình 4.1: Ảnh CT phổi.[7]
4.2. Thí nghiệm:
Thí nghiệm hiện thực giải thuật region growing để phân đoạn ảnh CT phổi.
Ảnh đầu vào là hình 4.1.
Kết quả ảnh đạt được sau khi phân đoạn :

Hình 4.2: Ảnh đã phân đoạn từ ảnh 4.1.
25