Xác định biên u gan trong ảnh cộng hưởng từ ổ bụng ba chiều sử dụng thuật toán học nhanh thông tin cục bộ

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019
DOI: 10.15625/vap.2019.00070

XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG
BA CHIỀU SỬ DỤNG THUẬT TỐN HỌC NHANH THƠNG TIN CỤC BỘ
Lê Trọng Ngọc 1, 2, Hồ Đắc Quán1, 2, Phạm Thế Bảo3, Huỳnh Trung Hiếu1
Đại học Công nghiệp TP. HCM
Đại học Khoa học Tự nhiên, Đại học quốc gia TP. HCM
3
Đại học Sài Gịn
1

2

, , ,
TĨM TẮT: Xác định biên u gan có thể giúp các bác sĩ theo dõi sự thay đổi kích thước u. Thơng tin này được sử dụng để đánh giá
hiệu quả điều trị ung thư sử dụng thuốc. Trong bài báo này chúng tôi đề xuất sử dụng thuật tốn học nhanh thơng tin cục bộ để xác
định vùng u gan từ ảnh cộng hưởng từ (MR) ổ bụng ba chiều. Trước hết khu vực giới hạn vùng chứa u (ROI) được xác định và thuật
toán Fast Marching được dùng để xây dựng tập huấn luyện. Tập huấn luyện này được sử dụng để học thông qua mạng neural với
thuật tốn học nhanh và từ đó xác định vùng u gan xấp xỉ. Biên của vùng u gan xấp xỉ này sẽ được tinh chỉnh sử dụng thuật toán
Geodesic Active Contour (GAC). Tiếp cận này được thực nghiệm trên tập ảnh MR ổ bụng ba chiều bao gồm 14 u gan. Hiệu quả của
phương pháp được đánh giá bằng cách so sánh với tiêu chuẩn vàng (biên u gan được xác định bởi chuyên gia). Tỷ lệ vùng u gan bị
xác định sai RAVD (Relative Absolute Volume Difference) là 13,35±7,19 %. Hệ số Dice đo tỷ lệ vùng u gan được xác định chính xác
là 85,11±3,60 %. Khoảng cách trung bình giữa bề mặt biên u gan và tiêu chuẩn vàng ASSD (Average Symmetric Surface Distance)
là 0,70±0,20 mm. Khoảng cách xa nhất giữa bề mặt u gan và tiêu chuẩn vàng sử dụng khoảng cách Hausdorff là 4,99±1,84 mm.
Từ khóa: MR image, liver volumetry, Fast Marching, ELM.

I. GIỚI THIỆU
Xác định biên u gan đóng vai trị quan trọng trong việc hỗ trợ bác sĩ phẫu thuật hoặc theo dõi thay đổi kích
thước u gan trong qua trình điều trị ung thư gan sử dụng thuốc. Các bác sĩ xác định biên u gan được thực hiện thủ công
trên từng lát cắt (slice) của ảnh cắt lớp vi tính (CT) hoặc ảnh cộng hưởng từ (MR) ổ bụng ba chiều. Việc xác định biên

đòi hỏi nhiều thời gian và độ chính xác của biên gan phụ thuộc vào kinh nghiệm, kiến thức của người thực hiện. Việc
phát triển một phương pháp xác định biên u gan với sự hỗ trợ của máy tính thực sự cần thiết để nâng cao hiệu quả điều
trị cũng như tiết kiệm thời gian cho các bác sĩ.

(a)

Lát cắt 29

(b)

Lát cắt 33

(c)

Lát cắt 35

Hình 1. Ba trong 56 lắt cắt của ảnh MR ổ bụng ba chiều một bệnh nhân ung thư gan

Với bề dày của việc sử dụng ảnh CT trong chẩn đoán và điều trị ung thư gan, nhiều phương pháp xác định biên
u gan trong ảnh CT đã được công bố. Trên cùng tập dữ liệu của MICCAI 2008, các cơng bố có kết quả tốt nhất sử dụng
kỹ thuật máy học như SVM trong công bố của Zhou và cộng sự [1], AdaBoost trong công bố của Shimizu và cộng sự
[2]. AdaBoost cũng được Daniel Pescia sử dụng để xác định biên u gan ác tính [3]. Kumar và cộng sự đề xuất một cải
tiến của fuzzy c-mean (FCM) ứng dụng vào trích xuất u gan [4]. Thơng tin FCM được Li và cộng sự sử dụng ước
lượng xác suất điểm ảnh thuộc u gan, từ đó xây dựng hàm tốc độ cho các thuật toán tập đồng mức [5]. Suy diễn dựa
trên xác suất cũng được Qi và cộng sự sử dụng kết hợp với các thuật toán loang (region growing) [6]. Gần đây kỹ thuật
học sâu được sử dụng ngày càng phổ biến trong các bài toán phân đoạn ảnh y khoa, bao gồm xác định biên u gan [7].
Các công bố trên cung cấp các phương pháp có ý nghĩa và giải quyết được sự phân bổ mức xám phức tạp trong
u gan, biên mờ và nhập nhằng của u. Tuy nhiên vẫn còn dựa trên giả định vùng gan ngoài u đồng nhất, mức xám giữa
các lát cắt liền kề tương đồng và không có sự thay đổi phân bổ mức xám nhiều giữa các ảnh CT ổ bụng. Những giả
định này thường không phù hợp trong ảnh MR ổ bụng. Các phương pháp sử dụng máy học cho kết quả tốt hơn nhưng

đòi hỏi tập huấn luyện lớn. Vì thế so với CT, việc xác định biên u gan trong ảnh MR ổ bụng khó hơn và cịn ít cơng bố
[8, 9]. Đây là bài tốn mở cịn thách thức các nhà khoa học trong nhiều năm.
Bài báo này sử dụng thuật toán huấn luyện không lặp cho mạng neural truyền thẳng một lớp ẩn để học nhanh thông
tin cục bộ của u gan cần xác định biên. Trước hết một vùng trong và ngoài u được chọn để xây dựng tập huấn luyện. Trên
cơ sở tập huấn luyện này, ta sẽ gán nhãn trong hay ngồi u gan cho phần cịn lại sử dụng mạng neural truyền thẳng một
lớp ẩn. Từ đó xác định vùng u gan xấp xỉ, biên của vùng này sẽ được tinh chỉnh bằng thuật toán GAC.


Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu

547

II. XÁC ĐỊNH BIÊN U GAN TRONG ẢNH MR Ổ BỤNG BA CHIỀU
A. Xác định vùng ROI và tập huấn luyện
Người dùng chọn một điểm trong u gan làm tâm (ký hiệu là điểm O) và một điểm ngoài u gan để xác định bán
kính R là khoảng cách Euclide từ điểm này đến tâm O. Các điểm được chọn sao cho hình cầu tâm O bán kính R chứa
hoàn toàn u gan. Để giảm bớt độ phức tạp của các vùng ngồi u gan, thay vì sử dụng toàn bộ ảnh MR ổ bụng ba chiều
vào việc xác định biên ta chỉ quan tâm đến vùng ROI là hình cầu tâm O bán kính R+2.
Tập huấn luyện sẽ gồm các điểm ngoài u gan được gán nhãn là 2 và các điểm trong u gan được gán nhãn là 1.
Các điểm ngoài u gan thuộc tập huấn luyện được xác định là các điểm khơng nằm ngồi vùng ROI và khơng nằm trong
hình cầu tâm O bán kính R. Các điểm trong u gan thuộc tập huấn luyện được xác định bằng cách loang ra từ tâm O
theo phương trình Eikonal
F

T

1,

(1)

ở đây T(x,y,z) là thời gian loang ra từ tâm O đến điểm có tọa độ (x,y,z), tại điểm O thì T(O) = 0 và F là hàm nghịch
biến với độ lớn gradient của ảnh. Như vậy quá trình loang sẽ chậm hơn ở những điểm có độ lớn gradient lớn và nhanh
hơn ở những điểm có độ lớn gradient nhỏ. Để hiện thực hiệu quả quá trình loang này, bài báo sử dụng thuật toán Fast
Marching của Sethian [10].
Với sự phức tạp của mức xám của u gan trong ảnh MR ổ bụng, quá trình loang nhanh chóng dừng lại cho ta xác
định các điểm bên trong u gan thuộc tập huấn luyện.
B. Xác định vùng u gan xấp xỉ
Học từ tập huấn luyện trên, các điểm ảnh còn lại trong ROI được gán nhãn sử dụng mạng neural truyền thẳng
một lớn ẩn với d đầu vào x j1 , x j 2 ,..., x jd và c đầu ra o j1 , o j 2 ,..., o jc có kiến trúc như hình vẽ 2.

Hình 2. Kiến trúc mạng neural truyền thẳng một lớp ẩn

Mạng có N nút ẩn và ứng với mỗi nút ẩn thứ i ta có: độ lệch bi, các trọng số đầu vào
trọng số đầu ra

w1i , w2i ,..., wdi , các

ai1 , ai 2 ,..., aic . Giá trị đầu ra của mạng được tính như cơng thức (2).
N

o jk

d

aik

x jk wki

i 1

bi , k

1..c.

k 1

(2)

Xét tập dữ liệu huấn luyện gồm M mẫu ( x j1 , x j 2 ,..., x jd , t j1 , t j 2 ,..., t jc ) | j 1..M ta có hệ phương trình (3)

HA
trong đó T

t jk

M c

,H

h ji

M N

,A

aik

N c

T,

(3)

.

Để xác định các tập trọng số, bài báo sử dụng thuật tốn huấn luyện khơng lặp được đề xuất bởi Huang và cộng
sự [9, 11]. Trong thuật toán này các trọng số đầu vào và độ lệch được chọn ngẫu nhiên, hàm kích hoạt khả vi. Lúc này
ma trận H được xác định. Hệ phương trình (3) trở thành hệ phương trình tuyến tính, lúc này xác định ma trận A từ ma
trận giả đảo của ma trận H và ma trận T như công thức (4)
A

H†T,

(4)

†

với H là ma trận giả đảo của H theo điều kiện Moore-Penrose [12] .
Trong bài báo này sử dụng mạng có 125 đầu vào là giá trị mức xám của 125 điểm ảnh vùng lân cận 5x5x5 đại
diện cho điểm ảnh ở tâm. Các giá trị này được chuẩn hóa về miền [-1,1] sử dụng z-score và hàm hyperbolic tangent.


548

XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHIỀU SỬ DỤNG THUẬT TOÁN HỌC …

Mạng có 2 đầu ra với giá trị (0,1) nếu điểm ảnh nằm trong u (điểm ảnh sẽ được gán nhãn là 1) và giá trị (1,0) nếu điểm
ảnh nằm ngoài u (điểm ảnh sẽ được gán nhãn là 2).
Như vậy từ tập tập huấn luyện, các trọng số của mạng sẽ được xác định thông qua công thức (4), từ đó gán nhãn
các điểm ảnh cịn lại trong vùng ROI sử dụng công thức (2). Các điểm vừa gán nhãn là 1 sẽ kết hợp với vùng trong u

gan được xác định bởi thuật toán Fast Marching sẽ tạo thành vùng ứng viên của u gan. Tiếp đến trích xuất vùng liên
thông chứa tâm O trong vùng ứng viên ta được vùng u gan xấp xỉ.
C. Xác định biên u gan
Biên của vùng u gan xấp xỉ được sử dụng như mặt biên khởi tạo cho thuật toán GAC [13]. Trong thuật toán
GAC, biên u gan sẽ được tinh chỉnh từ biên ban đầu này thơng qua phương trình vi phân đạo hàm riêng (5).
d
dt

trong đó

A( p)

P( p ) |

|

Z ( p) |

( p, t ) là hàm đồng mức biểu diễn mặt u gan thời điểm t,

|

(5)

( p, 0) là hàm đồng mức biễu diễn bề mặt u ban

đầu, A là số hạng bình lưu, P là số hạng mô tả sự lan truyền, Z là số hạng điều chỉnh khơng gian cho độ cong trung
bình ; α, β và γ là các hằng số.
III. THỰC NGHIỆM VÀ THẢO LUẬN
A. Dữ liệu thực nghiệm

Dữ liệu sử dụng trong thực nghiệm là các ảnh MR ổ bụng 3 chiều chụp từ các máy cộng hưởng từ 1.5T của
hãng Siemens. Ảnh thu nhận bằng cách sử dụng phương pháp LAVA hoặc THRIVE, sử dụng góc nghiêng 100.
Tập dữ liệu gồm 8 ảnh được thu thập tại trung tâm y khoa Medic. Mỗi ảnh 3 chiều gồm từ 44 đến 56 lát cắt, mỗi
lát cắt có kích thước 230 x 320 điểm ảnh, kích thước mỗi điểm ảnh từ 1,18 đến 1,4 mm. Các ảnh có từ 1 đến 4 u cần
trích xuất và tổng số u trích xuất là 14.
Các biên u gan được các bác sĩ và chuyên gia chẩn đốn hình ảnh vẽ bằng tay một cách rất cẩn thận trên mỗi lát
cắt ảnh để xây dựng tiêu chuẩn vàng (Gold Standard) dùng cho việc đánh giá hiệu quả của phương pháp trích xuất.
B. Các độ đo
Để đánh giá hiệu quả của phương pháp trích xuất chúng ta so sánh kết quả trích xuất với tiêu chuẩn vàng. Bài
báo này dùng các độ đo RAVD, DSC, ASSD và khoảng cách Hausdorff HD.
Gọi A là tập hợp các điểm ảnh trong vùng giới hạn bởi biên u gan được xác định bằng thuật toán và B là tập hợp
các điểm ảnh của tiêu chuẩn vàng. Sự phù hợp giữa hai tập hợp A và B được minh họa như hình 2.

Hình 2. So sánh kết quả thuật tốn và tiêu chuẩn vàng

So với tiêu chuẩn vàng phần u gan xác định đúng là a11 , phần u gan xác định nhầm là a12 , phần u gan xác định
thiếu là a21 . Tỷ lệ thể tích xác định sai và tỷ lệ thể tích xác định đúng tương ứng được tính như cơng thức (6) và (7).
RAVD(%)

DSC

a12
100%.
a11 a21

2a11
.
2a11 a12 a21

(6)

(7)


Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu

549

Hiệu quả của thuật tốn cịn được xác định thơng qua khoảng cách trung bình và khoảng cách xa nhất giữa hai bề
mặt (xác định bởi thuật toán và tiêu chuẩn vàng). Hai khoảng cách này tương ứng được tính như cơng thức (8) và (9).
ASSD(mm)

a A

min bA
NA

b B

min aB

(8)

NB

HD(mm) max{max a A{minbA }, maxb B {min aB }}

(9)

ở đây

minbA

minb B {d (a, b)}

(10)

min aB

min a A{d (a, b)}

(11)

C. Kết quả và thảo luận
Chúng tôi thực nghiệm tên một u gan trong ảnh MR để xác định kiến trúc mạng neural, các thơng số của thuật
tốn Fast Marching và thuật toán GAC. Kết quả kiến trúc mạng sẽ gồm 150 nút ẩn và sử dụng hàm kích hoạt sigmoid.
Số lần lặp trong thuật toán Fast Marching là 10. Các thơng số của thuật tốn GAC là α=0,5; β=1,1 và γ=1,3. Những giá
trị này chúng tôi cố định trong quá trình xác định biên các u gan cịn lại. Riêng tập trọng số của mạng neural sẽ được
cập nhật lại thông qua huấn luyện dữ liệu của từng u.
Trong bài báo này chúng tôi thực hiện xác định biên của 14 u gan trong 8 ảnh MR ổ bụng ba chiều và so sánh
kết quả với tiêu chuẩn vàng. Các độ đo có kết quả như bảng 1.
Bảng 1. Kết quả thực nghiệm

Độ đo

Kết quả

1

RAVD (%)

13,35 ± 7,19

2

DSC (%)

85,11 ± 3,60

3

ASSD (mm)

0,70 ± 0,20

4

HD (mm)

4,99 ± 1,84

Giá trị ASSD trung bình (0,70 mm) và độ lệch chuẩn (0,2 mm) tương đối nhỏ cho thấy kết quả trích xuất xấp xỉ
ổn định với tiêu chuẩn vàng. Khoảng cách lớn nhất giữa bề mặt u xác định bởi thuật toán với tiêu chuẩn vàng cũng
không quá lớn, HD = 4,99 ± 1,84 mm.

Hình 2. Kết quả trích xuất trên mộ lát cắt ảnh

Trên tập dữ liệu ảnh CT, kết quả ASSD và HD trong công bố của Li và cộng sự là 1,06 mm và 8,6 mm [14].
Trong công bố của Zhou [15] và Qi [16] khơng có thơng tin về HD, còn ASSD tương ứng là 1,57 mm và 4,12 mm.
Về độ đo thể hiện phần trăm thể tích u gan xác định sai RAVD, công bố của Zhou [15] và Qi [16] trên tập ảnh
CT cho kết quả tương ứng là 17,92 mm và 34,74 mm. Cịn cơng bố của Li [14] không cho kết quả của độ đo này. Kết

quả của chúng tơi về phần trăm trích thể tích u gan xác định sai trên ảnh MR là RAVD =13,35 ± 7,19 %.
Măc dù khó có thể so sánh khi thực nghiệm trên tập dữ liệu khác nhau, loại ảnh khác nhau. Tuy nhiên trên tập
ảnh MR với nhiều phức tạp hơn về phân bố dữ liệu, các độ đo cho kết quả tốt hơn cũng có ý nghĩa đối với với đánh giá
hiệu quả phương pháp của chúng tôi.
Với độ đo DSC, phương pháp của chúng tôi cho kết quả xấp xỉ của Li (DSC = 86,9 %) [14] và Zhou (DSC =
87,2 %) [15] nhưng lớn hơn kết quả của Qi (DSC = 80,0 %) [16]. Trong trường hợp chỉ tính cho các u có đường kính


550

XÁC ĐỊNH BIÊN U GAN TRONG ẢNH CỘNG HƯỞNG TỪ Ổ BỤNG BA CHIỀU SỬ DỤNG THUẬT TOÁN HỌC …

>5 cm thì kết quả của chúng tơi đạt DSC = 89,7±0,5 %. Công bố của Kumar cho kết quả DSC = 91,7%, tuy nhiên
khơng có số liệu các độ đo còn lại [17].
Sau khi vùng u gan ban đầu được xác định sử dụng thuật toán Fast Marching. Kỹ thuật máy học được áp dụng
tiếp để mở rộng vùng u gan ban đầu này. Điều này khắc phục được vấn đề mức xám không đồng nhất trong u và biên u
mờ khi áp dụng các phương pháp trên cơ sở thuật toán loang của Qi [16] hoặc các thuật toán tập đồng mức của Li [14].
Việc sử dụng dữ liệu huấn luyện ngay trong ảnh MR ổ bụng ba chiều dùng để xác định biên u gan giúp khắc
phục được hạn chế do sự biến đổi lớn về mức xám giữa các ảnh MR khác nhau, đồng thời cũng khắc phục được hạn
chế do biến đổi lớn về mức xám giữa các lát cắt liền kề trong ảnh MR.
Việc sử dụng mạng neural truyền thẳng một lớp ẩn với thuật tốn huấn luyện khơng lặp, tốc độ huấn luyện
nhanh hơn nhiều khi sử dụng SVM hay AdaBoost. Như vậy không phải thực hiện huấn luyện trước mà tích hợp pha
huấn luyện ngay trong tiến trình xác định biên u gan. Thời gian trung bình cho u có kích thước nhỏ hơn 5 cm khoảng
112 s và u có kích thước lớn hơn 5 cm khoảng 182 s (CPU:intel G630, 1,7 HGz ).
Sơ đồ trích xuất của chúng tơi cần xác định một cách thủ cơng một điểm ngồi u và một điểm trong u để xác
định ROI. Trong nghiên cứu tiếp theo chúng tơi sẽ tích hợp thêm tri thức giải phẫu để định vị tự động u và ROI.
IV. KẾT LUẬN
Xác định biên u gan đóng vai trị quan trọng trong việc chẩn đoán, phẫu thuật và theo dõi điều trị ung thư gan.
Trong bài báo này chúng tôi đề xuất sử dụng mạng neural truyền thẳng một lớp ẩn với thuật tốn huấn luyện ELM vào
sơ đồ trích xuất u gan từ ảnh MR ổ bụng 3 chiều. Kết quả khắc phục được các hạn chế của việc ứng dụng thuật toán

loang hay tập đồng mức khi mức xám phân bố phức tạp và biên u gan mờ. Đồng thời cũng khắc phục được vấn đề huấn
luyện tốn nhiều thời gian khi dùng SVM hay AdaBoost, từ đó có thể tích hợp pha huấn luyện vào tiến trình xác định
biên, hạn chế được biến đổi lớn về mức xám giữa các ảnh MR hay giữa các lát cắt liền kề trong cùng ảnh MR. Kết quả
được so sánh với tiêu chuẩn vàng, phần biên u gan xác định bởi thuật toán xấp xỉ biên tiêu chuẩn vàng và phần u gan
xác định sai nhỏ. Thời gian gần 2 phút cho một u kích thước nhỏ và 3 phút cho u có kích thước lớn hơn 5 cm (CPU:
intel G630, 1,7 HGz).
V. LỜI CẢM ƠN
Để hoàn thành bài báo này chúng tôi vô cùng cám ơn hỗ trợ của bác sỹ Phan Thanh Hải và bác sỹ Nguyễn
Thanh Đăng, Trung tâm Y khoa MEDIC đã hỗ trợ dữ liệu và chuẩn bị dữ liệu cho nghiên cứu.
TÀI LIỆU THAM KHẢO
[1]

[2]
[3]
[4]
[5]
[6]
[7]

[8]
[9]

[10]
[11]

J. Zhou, W. Xiong, Q. Tian, J. Liu, W. Kengleow, T. Han, S. K. Venkatesh, and S. C. Wang, "Semiautomatic
Segmentation of 3D Liver Tumors from CT Scans Using Voxel Classification and Propagational Learning," in
MICCAI Workshop 2008.
S. A. E. AL, "Ensemble segmentation using AdaBoost with application to liver lesion extraction from a CT
volume," in MICCAI Workshop 2008.

P. Daniel, Segmentation of liver tumors on CT images, PhD thesis: Ecole Centrale de Paris, 2014.
K. S. S. E. AL, "Automatic segmentation of liver and tumor for CAD of liver, "Journar of Advances in
Information Technology, vol. 2, pp. 63-70, 2011.
L. B. N. and e. al, "A new unified level set method for semi-automatic liver tumor segmentation on contrastenhanced CT images," expert system with application, vol. 39, pp. 9961-9668, 2012.
Q. Y. and e. al, "semi-automatic segmentation of tumors from CT scans using Bayesian rule-based 3D region
growing," in 3D segmentation in the clinic : a grand challenge II workshop, 2008.
G. Litjens, T. Kooi, B. E. Bejnordi, A. A. A. Setio, F. Ciompi, M. Ghafoorian, J. A. Van Der Laak, B. Van
Ginneken, and C. I. Sánchez, "A survey on deep learning in medical image analysis," Medical Image Analysis,
vol. 42, pp. 60-88, 2017.
A. Raj and K. Juluru, "Visualization and segmentation of liver tumors using dynamic contrast MRI," in 2009
Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2009, pp. 6985-6989.
R. Fang, R. Zabih, A. Raj, and T. Chen, "Segmentation of liver tumor using efficient global optimal tree metrics
graph cuts," in International MICCAI Workshop on Computational and Clinical Challenges in Abdominal
Imaging, 2011, pp. 51-59.
J. A. Sethian, Level set methods and fast marching methods: evolving interfaces in computational geometry, fluid
mechanics, computer vision, and materials science vol. 3: Cambridge university press, 1999.
G. B. Huang, Q. Y. Zhu, and C. K. Siew, "Extreme learning machine: theory and applications," Neurocomputing,
vol. 70, pp. 489-501, 2006.


Lê Trọng Ngọc, Ho Dac Quan, Phạm Thế Bảo, Huỳnh Trung Hiếu

551

[12] P. Fieguth, Statistical image processing and multidimensional modeling: Springer Science & Business Media,
2010.
[13] V. Caselles, R. Kimmel, and G. Sapiro, "Geodesic active contours," International journal of computer vision, vol.
22, pp. 61-79, 1997.
[14] B. N. Li, C. K. Chui, S. Chang, and S. H. Ong, "A new unified level set method for semi-automatic liver tumor
segmentation on contrast-enhanced CT images," Expert Systems with Applications, vol. 39, pp. 9661-9668, 2012.

[15] J. Zhou, W. Xiong, Q. Tian, Y. Qi, J. Liu, W. K. Leow, T. Han, S. K. Venkatesh, and S. C. Wang, "Semiautomatic segmentation of 3D liver tumors from CT scans using voxel classification and propagational learning,"
in MICCAI workshop, 2008, p. 43.
[16] Y. Qi, W. Xiong, W. K. Leow, Q. Tian, J. Zhou, J. Liu, T. Han, S. K. Venkatesh, and S. C. Wang, "Semiautomatic segmentation of liver tumors from CT scans using Bayesian rule-based 3D region growing," in
MICCAI workshop, 2008, p. 201.
[17] S. Kumar, R. Moni, and J. Rajeesh, "Automatic segmentation of liver and tumor for CAD of liver," Journal of
advances in information technology, vol. 2, pp. 63-70, 2011.
LIVER TUMOR SEGMENTATION FROM 3D ABDOMINAL MR IMAGES USING FAST LEARNING
ALGORITHM
Le Trong Ngoc, Ho Dac Quan, Pham The Bao, Huynh Trung Hieu
ABSTRACT: Liver tumor extraction can help medical experts determine changes in tumor size. This information is used to evaluate
the response of cancer treatment. In this paper, we propose the use of extreme learning machine (ELM) to extracte liver tumor from
3D abdominal MR images. First, the region of interest (ROI) is determined and the fast marching algorithm is used to determine a
training set. This training set is used to train the Neural Network based on ELM method. The trained network is applied to generate
the rough tumor region. Then, the rough tumor region is refined by a geodesic active contour. The proposed approach has been
evaluated on eight 3D abdominal MR images with 14 liver tumors. The effectiveness of the method was evaluated by comparing to
the gold standard (manually traced by a radiologist). The Relative Absolute Volume Difference (RAVD) is 13.35±7.19 %. The Dice
Similarity Coefficient (DSC) is 85.11±3.60 %. The Average Symmetric Surface Distance (ASSD) is 0.70±0.20 mm. The Hausdorff
Distance(HD) is 4.99±1.84 mm.