Phân loại ba vùng GM, WM, CSF từ ảnh não người và xác định điểm bất thường bằng phương pháp EM cải tiến

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

25
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề tài trình bày phương pháp phân vùng ảnh MRI não người. Quá trình phân vùng ảnh não gồm hai giai đoạn chính bằng phương pháp sử dụng thuật toán Expectation Maximization kết hợp với PSO: (1) Giai đoạn 1: Phân tách thành vùng hộp sọ và vùng não; (2) Giai đoạn 2: Phân chia thành ba vùng: Gray Matter (GM), White Matter (WM) và CSF (Cerebrospinal fluid).

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phân loại ba vùng GM, WM, CSF từ ảnh não người và xác định điểm bất thường bằng phương pháp EM cải tiến

Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 PHÂN LOẠI BA VÙNG GM, WM, CSF TỪ ẢNH NÃO NGƯỜI VÀ XÁC ĐỊNH ĐIỂM BẤT THƯỜNG BẰNG PHƯƠNG PHÁP EM CẢI TIẾN Lê Trần Trung1*, Trần Anh Tuấn2 1 Trường Đại học Công nghiệp TP. Hồ Chí Minh 2 Trường Đại học Khoa học Tự nhiên – ĐHQG TP. Hồ Chí Minh *Tác giả liên lạc: letrantrung711@gmail.com (Ngày nhận bài: 10/4/2019; Ngày duyệt đăng: 22/5/2019) TÓM TẮT Đề tài trình bày phương pháp phân vùng ảnh MRI não người. Quá trình phân vùng ảnh não gồm hai giai đoạn chính bằng phương pháp sử dụng thuật toán Expectation Maximization kết hợp với PSO: (1) Giai đoạn 1: Phân tách thành vùng hộp sọ và vùng não; (2) Giai đoạn 2: Phân chia thành ba vùng: Gray Matter (GM), White Matter (WM) và CSF (Cerebrospinal fluid). Sau đó, sẽ xác định các điểm bất thường (thường là khối u, xuất huyết, phù nề, v.v.) nếu có với phương pháp này, nhờ phân chia ảnh não thành các phân vùng trong đó có khối u sẽ giúp bác sĩ trong việc chuẩn đoán mức độ các bệnh liên quan đến não. Từ khóa: MRI não người, phương pháp Expectation Maximization, phương pháp PSO, Gray Matter(GM), White Matter (WM), CSF(Cerebrospinal fluid), khối u não. SEGMENTATION MRI BRAIN IMAGE INTO THREE REGIONS GM, WM AND CSF AND ABNORMAL AREA DETECTION BY AN IMPROVED EM APPROACH Le Tran Trung1*, Tran Anh Tuan2 1 Ho Chi Minh City University of Industry 2 University of Sciences – VNU Ho Chi Minh City *Corresponding Author: letrantrung711@gmail.com ABSTRACT The paper presents a segmentation method of human brain MRI. The process of brain images segmentation consists of two main steps, by using the Expectation Maximization and PSO algorithm: (1) Step 1: Segment into 2 regions: Skull and brain region; (2) Step 2: Segment into 3 regions: Gray Matter (GM), White Matter (WM) and Cerebrospinal fluid (CSF). After that, abnormalities (usually tumor, cerebral haemorrhage, etc.) in segmented WM region will be determined. By dividing brain images into segments (include tumor segments) with this method, will help doctors diagnose degree of brain- related illness. Keywords: MRI brain images, Expectation Maximization, PSO methods, Gray Matter(GM), White Matter (WM), CSF(Cerebrospinal fluid), brain tumor. TỔNG QUAN al 2016). Hình ảnh não này chủ yếu chứa Sự phát triển nhanh chóng của công nghệ thông tin nhiễu, không đồng nhất và đôi hình ảnh ngày nay cho phép các cơ quan khi sai lệch. Phân vùng ảnh là một trong trong cơ thể sống được khám phá không có những nhiệm vụ quan trọng nhất trong giới hạn. Một trong những bộ phận cơ thể phân tích hình ảnh y tế và thường là bước khó tiếp cận và phức tạp nhất là bộ não con đầu tiên và là bước quan trọng nhất trong người được thừa hưởng lợi ích chính từ các nhiều ứng dụng lâm sàng. Trong phân tích kỹ thuật chụp ảnh y khoa mới ( A.Pitiot et ảnh não MRI, phân vùng ảnh thường được 29
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 sử dụng để đo lường và hình dung cấu trúc này sẽ giúp tiết kiệm đáng kể thời gian, giải phẫu của não, phân tích những thay công sức đối với các bác sĩ trong việc xác đổi não, cho khoanh vùng bệnh lý và lập định và chẩn đoán tổn thương não bộ với kế hoạch phẫu thuật và can thiệp hình ảnh sự trợ giúp của máy tính. hướng dẫn. Trong vài thập kỷ qua, các kỹ thuật phân vùng khác nhau với độ chính CƠ SỞ DỮ LIỆU VÀ PHƯƠNG PHÁP xác và mức độ phức tạp khác nhau đã được Cơ sở dữ liệu phát triển và báo cáo trong bài báo, nghiên Đối với ảnh bình thường không có bệnh, cứu: phương pháp phân vùng dựa trên đề tài thực hiện trên nguồn cơ sở dữ liệu ngưỡng, phân lớp k-nearest-neighbor của Open Source Brain (OSB). Open (kNN), gom cụm Fuzzy C-means, v.v... (I. Source Brain là một nguồn tài nguyên chia Despotović et al 2015). sẻ và mô hình tính toán cộng tác phát triển Đề tài sẽ trình bày phương pháp EM cải của ngành thần kinh. Cơ sở dữ liệu mà đề tiến (Expectation Maximization) phân tài gồm 176 ảnh não người MRI, được sắp vùng ảnh não được thực hiện trên hình ảnh xếp theo thứ tự lắt cắt ngang từ dưới lên chụp não người thu được bằng máy quét của một người bình thường. Chúng đều MRI (Magnetic resonance imaging). thuộc loại ảnh MRI TW1. Trọng tâm nghiên cứu của đề tài này là tìm Ngoài cơ sở dữ liệu OSB, để kiểm chứng hiều, và áp dụng thành công phương pháp trích xuất các vùng hộp sọ, WM, GM và này để phân tách ba vùng mô khác nhau CSF, chúng tôi còn sưu tập các ảnh từ của ảnh não MRI là chất trắng (WM - nguồn Figshare chứa các khối u để trích White Matter), chất xám (GM - Grey xuất các khối u. Dữ liệu này được Cheng, matter) và dịch não tủy (CSF - Jun và các đồng nghiệp của trường Đại học Cerebrospinal fluid) thành các vùng riêng Kĩ thuật Y, Quảng Châu, Trung Quốc sử biệt. Sau khi phân tách ảnh não MRI thành dụng trong các bài báo: “Enhanced công, nhiệm vụ tiếp theo là sẽ phát hiện và Performance of Brain Tumor xác định các điểm bất thường thể hiện trên Classification via Tumor Region ảnh dựa vào dấu hiệu, triệu chứng y khoa Augmentation and Partition” PloS one về não. Qua đó, sẽ hỗ trợ bác sĩ xác định 10.10 (2015) và “Retrieval of Brain những tổn thương từ ảnh não (khối u, xuất Tumors by Adaptive Spatial Pooling and huyết, … ) một cách tự động bằng chương Fisher Vector Representation” PloS one trình máy tính đạt độ chính xác cao. Điều 11.6 (2016). Hình 1. Cơ sở dữ liệu ảnh MRI TW1 OSB với đầy đủ các lát cắt 30
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 Hình 2. Cơ sở dữ liệu ảnh Figshare với khối u Phương pháp nghiên cứu mỗi cá thể thay đổi vị trí của nó theo thời Phương pháp EM MPM: Thuật toán trình gian và tìm giải pháp tối ưu cục bộ Pbest bày sử dụng một cách tiếp cận thống kê để trong không gian tìm kiếm D chiều. Sau phân đoạn ảnh kết cấu. Phân chia thống kê đó, Pbest được so sánh với giải pháp tối ưu thường phân vùng một ảnh bằng cách tối toàn cục Gbest của cả bầy đần để cập nhật ưu hóa một số tiêu chí. Ước lượng tối ưu lại giá trị cho Gbest. Dựa vào Gbest để tìm hóa tiêu chí này được gọi là “maximizer of ra giải pháp tối ưu nhất. the posterior marginals” (MPM). Nó đã v kj 1  v kj  c1r1 ( Pbest j  x kj )  c2 r2 (Gbesti  x kj ) được chỉ ra rằng các tiêu chí ước lượng i 1 i 1 MPM là thích hợp hơn cho phân vùng ảnh x j  x j  v j i hơn tiêu chuẩn MAP. Mục tiêu của thuật Trong đó: x kj : vị trí hiện tại của cá thể thứ toán EM/MPM là cực tiểu giá trị của số j tại chiều k; x kj 1 : vị trí của cá thể j tại điểm ảnh phân lớp sai. Điều này tương đương với việc tối đa hoá xác suất biên của chiều k+1;  : hệ số quán tính thường nhận nhãn lớp. Thuật toán có thể được tóm tắt giá trị từ 0.1 đến 0.9; c1, c2: hệ số gia tốc như sau: Thứ nhất, ước lượng ban đầu thường nhận giá trị từ 1 kđến 2; r1,r2: là số  ngẫu nhiên giữa 0 và 1; v j : vận tốc của các  (0) và X(1,0) tương ứng của  và X thể j tại chiều k; Pbestj: vị trí cục bộ tốt được chọn. Sau đó, cho từng bước p=1,…, nhất của cá thể j; Gbest : vị trí tốt nhất toàn P của thuật toán bao gồm theo hai bước: cục của toàn bộ bầy đàn. 1) Thực hiện các vòng lặp TP của thuật Các bước tiến hành: Thuật toán do chúng toán MPM sử dụng  ( p  1) là giá trị của tôi đề xuất đề phân vùng ảnh não bằng  cách kết hợp hai phương pháp PSO và 2) Sử dụng các công thức cập nhật EM cho EMMPM với nhau. Dựa vào ưu điểm kết  để thu được  ( p) , sử dụng các giá trị hợp của cả hai phương pháp trên, PSO sẽ gán nhãn các vùng trong bước khởi tạo của vk ,s ( p, Tp ) là ước lượng của thuật toán EMMPM. Nhờ đó, phương pX |Y (k | y, ( p  1)) s pháp EMMPM sẽ hội tụ nhanh hơn và Sau khi đã đạt được  ( p) là ước lượng cuối chính xác hơn. cùng của  , các vòng lặp Tp 1 của thuật EMMPM-PSO giai đoạn 1: Nhìn vào cơ sở ảnh não TW1, ta thấy phần hộp sọ và điểm toán MPM được thực hiện sử dụng  ( p) . bất thường có mức xám cao và dễ nhận Các phân vùng cuối cùng là X ( P  1, TP1 ) . thấy nên ở giai đoạn 1, đề tài sẽ thuật hiện Phương pháp PSO: PSO dựa trên kinh thuật toán EMMPM kết hợp PSO để phân nghiệm của bầy đàn được Eberhart and tách vùng hộp sọ và điểm bất thường. Đầu Kennedy giới thiệu vào năm 1995, nó mô vào dữ liệu sẽ là một ảnh não MRI TW1, phỏng lại hành vi xã hội của bầy chim hay sau khi được khởi tạo gán nhãn các vùng đàn cá khi đi tìm kiếm nguồn thức ăn. bằng phương pháp PSO, thuật toán sẽ chạy Tương tự như giải thuật di truyền nhưng với số phân vùng là 3. Sau đó vùng số 3 sẽ PSO không có giai đoạn lai ghép giữa các được lấy ra và qua một số phép xử lý cá thể trong quần thể. Trong mỗi thế hệ, Morphplogy (dilation và erosion) cơ bản ta 31
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 sẽ lấy được hộp sọ. Trong trường hợp ảnh 3 và có kích thước trung bình và tỷ lệ mức có khối u thì khối u sẽ nằm trong vùng số xám lớn hơn 0.4. Hình 3. Ảnh kết quả sau khi phân vùng giai đoạn 1 với ba lớp. Hình 4. Ảnh kết quả trích xuất hộp sọ qua một số bước xử lý Morphology. Hình 5. Ảnh kết quả phân vùng giai đoạn 1 với trường hợp có vùng bất thường. EMMPM-PSO giai đoạn 2: Sau khi thực là 5. Các quá trình khởi tạo giá trị tham số hiên EMMPM-PSO giai đoạn 1, ta đã loại và thực hiện thuật toán tương tự như giai bỏ vùng hộp sọ và bất thường chỉ còn vùng đoạn 1 nhưng khác biết duy nhất là ma trận não. Lúc này ở giai đoạn 2 sẽ thực hiện dữ liệu được lấy từ bước tiền phân vùng EMMPM-PSO với ảnh vùng não ở trên. Số bằng thuật toán PSO của ảnh chỉ chứa phân vùng đầu vào thuật toán giai đoạn 2 vùng não. Hình 6. Ảnh kết quả sau khi phân vùng giai đoạn 2 với năm lớp 32
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 Hình 7. Ảnh kết quả trích xuất vùng WM, GM và CSF KẾT QUẢ VÀ THẢO LUẬN phân tách rất là chính xác với hầu hết các Kết quả giai đoạn trích xuất hộp sọ lát cắt ngang của ảnh não khác nhau. Tuy Kết quả trích xuất hộp sọ ở giai đoạn 1 của nhiên một số vùng giáp biên với vùng não đề tài sẽ được thực hiện trên cả CSDL ảnh có thể bị thiếu nhưng chấp nhận được. não bình thường và có bệnh. Vùng sọ được Hình 8. Vùng hộp sọ được trích xuất từ ảnh não Kết quả giai đoạn trích xuất vùng GM, xác nhưng với CSF và WM vẫn còn một WM và CSF số vùng nhiễu có diện tích nhỏ nằm gần Giai đoạn 2 của thuật toán đề xuất đề tài, giáp biên với vùng sọ. Đối với ảnh não có khi loại bỏ các vùng không quan tâm lúc bệnh, CSF và WM cũng có kết quả tương này chỉ còn vùng não để phân chia thành tự nhưng thêm vào đó một số vùng bị sai ba vùng mô não chính là GM, WM và nằm gần với điểm bất thường. CSF. Kết quả vùng GM tương đối chính Hình 9. Ba vùng GM, WM và CSF được trích xuất từ ảnh não 33
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 Kết quả giai đoạn trích xuất vùng bất nằm tiêng biệt được trích xuất chính xác, thường nhưng với các vùng bất thường nằm rải rác Vùng bất thường có kích thước nhỏ và vừa gần nhau thì cho kết quả không được tốt. Hình 10. Ảnh kết quả vùng bất thường được trích xuất từ ảnh não có bệnh So sánh với thuật toán EM GMM Nhìn phần WM của phương pháp EM Với phương pháp của chúng tôi, các phân GMM, nó phân vùng không tốt khi chỉ có vùng GM, WM và CSF cho kết quả tốt: một vùng có diện tích nhỏ là WM. không bị nhiễu và gom bởi một số vùng Vùng CSF của phương pháp EM GMM bị nhỏ thuộc hộp sọ. Vùng sọ của phương gom chung với một số vùng nhiễu thuộc pháp EM GMM bị nhiễu bởi nhiều chấm biên hộp sọ bên ngoài. nhỏ bên trong. Bảng 1. Kết quả so sánh thuật toán với phương pháp EM GMM Phương pháp đề xuất Phương pháp EM GMM Hộp sọ GM CSF WM 34
Chuyên san Phát triển Khoa học và Công nghệ số 5 (2), 2019 KẾT LUẬN VÀ KIẾN NGHỊ sỹ trong việc chẩn đoán và xem xét tình Chúng tôi đã đưa ra phương pháp phân trạng của bệnh nhân. Tuy nhiên, phương vùng ảnh não cải tiến dựa trên phương pháp thực hiện phân vùng PSO kết hợp pháp EM. Đánh giá thực nghiệm các kết EM MPM còn chậm do thực hiện gán nhãn quả trong tập dữ liệu ảnh não OSB và ảnh cho từng label bằng PSO trong khởi tạo giá não có bệnh từ Innernet cho kết quả rất là trị cho bước kỳ vọng ban đầu của thuật chính xác. Thuật toán đưa ra các phân toán EM MPM thay vì khởi tạo gán nhãn vùng mô não chính trong ảnh não MRI bao ngẫu nhiên. gồm: Hướng phát là sẽ áp dụng vị trí tương đối Vùng 1: Hộp sọ. giữa các vùng ở các ảnh lát cắt não khác Vùng 2: WM. nhau để đánh giá chính xác hơn. Thêm vào Vùng 3: GM. đó, nghiên cứu áp dụng kết hợp phương Vùng 4: CSF. pháp PSO với các phương pháp phân loại Vùng 5: Vùng bất thường (nếu có). khác ngoài EM MPM để đạt hiệu quả tốt Với kết quả phân vùng sẽ giúp hỗ trợ bác hơn. TÀI LIỆU THAM KHẢO AMIT MEHNDIRATTA And FREDERIK L GIESEL. 2011, Brain Tumour Imaging, Diagnostic Techniques and Surgical, Dr. Ana Lucia Abujamra (Ed.). A.PITIOT. 2016. Expert knowledge-guided segmentation system for brain MRI, NeuroImage, Vol. 23, pp. 85-96. D. SELVARAJ. 2013, MRI BRAIN IMAGE SEGMENTATION, Indian Journal of Computer Science and Engineering (IJCSE), Vol. IV, No. 5, pp. 364-381. I. DESPOTOVIC. 2015. MRI Segmentation of the Human Brain: Challenges, Methods, and Applications, Computational and Mathematical Methods in Medicine, pp. 1- 23. R.RAVINDRAIAH AND K.TEJASWINI. 2013. A Survey of Image Segmentation Algorithms Based on Expectation-Maximization, IOSR Journal of VLSI and Signal Processing (IOSR-JVSP), Vol. 2, No. 6, pp. 1-7. 35