Tiến Sĩ Nghiên cứu, phát triển giải pháp hỗ trợ phát hiện các dấu hiệu tổn thương hình khối trên ảnh chụp X-

MỤC LỤC
DANH MỤC CÁC HÌNH VẼ
DANH MỤC CÁC BẢNG
CÁC TỪ VIẾT TẮT
MỞ ĐẦU 1
CHƯƠNG 1. GIẢI PHẪU VÀ BỆNH LÝ UNG THU VÚ, CHỤP ẢNH X-QUANG
VÚ VÀ GIẢI PHÁP HỖ TRỢ PHÁT HIỆN CÁC DẤU HIỆU TỔN THƯƠNG
HÌNH KHỐI TRÊN ẢNH C HỤP X-QUANG VÚ 5
1.1. Giải phẫu và sinh lý vú .5
1.2. Bệnh lý ung thư vú 8
1.2.1. Phân loại ung thu vú 9
1.2.2. Các giai đoạn ung thư vú .12
1.2.3. Các phương pháp chẩn đoán ung thư vú .14
1.2.4. Các phương pháp điều trị bệnh ung thư vú .16
1.3. Chụp ảnh X-quang vú .17
1.3.1. Chụp ảnh X-quang vú sàng lọc .17
1.3.2. Chụp ảnh X-quang vú chẩn đoán 18
1.3.3. Trình tự thăm khám chụp ảnh X-quang vú .19
1.3.4. Các dấu hiện tổn thương u ng thư vú trên ảnh chụp X-quang vú .22
1.3.5. Chụp ảnh X-quang vú kỹ thuật số .24
1.4. Giải pháp hỗ trợ phát hiện các dấu hiện tổn thương hình khối
trên ảnh chụp X-quang vú .25
1.5. Cơ sở dữ liệu ảnh .27
1.6. Kết luận 29
CHƯƠNG 2. TIỀN XỬ LÝ, TĂNG CƯỜNG CHẤT LƯỢNG
ẢNH CHỤP X-QUANG VÚ 30
2.1. Đặt vấn đề 30
2.2. Tách vùng ảnh vú 31
2.3. Tách phần cơ ngực ra khỏi vùng ảnh vú .35
2.4. Tăng cường chất lượng ảnh 39
2.4.1. Tăng cường chất lượng ảnh kết hợp lọc trung bình với cân bằng mức xám đồ 42
2.4.2. Tăng cường chất lượng ảnh bằng biến đổi hình thái .45
2.5. Kết luận 48
CHƯƠNG 3. PHÁT HIỆN CÁC VÙNG NGHI NGỜ CHỨA TỔN THƯƠNG
HÌNH KHỐI THEO PHƯƠNG PHÁP TÌM KIẾM ĐƯỜNG BIÊN 49
3.1. Tổng quan tình hình nghiên cứu trên thế giới hiện nay 49iv
3.1.1. Đánh giá hiệu quả phát hiện vùng nghi ngờ 49
3.1.2. Một số phương pháp phát hiện vùng nghi ngờ chứa tổn thương hình khối
được đề xuất gần đây trên thế giới. .51
3.2. Phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X -quang vú 57
3.2.1. Phương pháp đối sánh mẫu .57
3.2.2. Phương pháp tìm kiếm đường biên .59
3.3. Đánh giá hiệu quả phát hiện vùng nghi ngờ chứa tổn thương hình khối 62
3.3.1. Hiệu quả phát hiện vùng nghi ngờ của phương pháp đối sánh mẫu 62
3.3.2. Hiệu quả phát hiện vùng nghi ngờ của phương pháp tìm kiếm đường biên .64
3.4. Kết luận 67
CHƯƠNG 4. GIẢM LƯỢNG DƯƠNG TÍNH GIẢ SỬ DỤNG MÁY VECTƠ HỖ
TRỢ SVM VÀ CÁC ĐẶC TRƯNG ĐA MỨC 68
4.1. Tổng quan tình hình nghiên cứu hiện nay 68
4.1.1. Các tiêu chí đánh giá hiệu quả phân loại .68
4.1.2. Tổng quan tình hình nghiên cứu gần đây trên thế giới 71
4.2. Trích chọn đặc trưng của vùng nghi ngờ 81
4.2.1. Các đặc trưng thống kê bậc nhất FOS .81
4.2.2. Các đặc trưng dựa trên ma trận đồng xuất hiện mức xám GLCM 81
4.2.3. Các đặc trưng sai khác xác suất ngược khối BDIP .84
4.2.4. Các đặc trưng biến thiên hệ số tương quan cục bộ khối BVLC 84
4.3. Mạng nơron NN và máy vectơ hỗ trợ SVM 85
4.3.1. Mạng nơron NN .86
4.3.2. Máy vectơ hỗ trợ SVM 90
4.4. Phân loại vùng nghi ngờ tổn thương hình khối 93
4.4.1. Tính toán các đặc trưng .93
4.4.2. Huấn luyện mạng NN và máy vectơ hỗ trợ SVM .98
4.4.3. Kết quả phân loại đạt được 99
4.5. Kết luận 107
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .108
TÀI LIỆU THAM KHẢO 109
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 117
PHỤ LỤC 118v
DANH SÁCH CÁC HÌNH VẼ
Hình 1.1. (a) Ảnh mặt cắt bên của vú. A: ống dẫn sữa, B: thùy, C: tuyến tiết sữa,
D: núm vú, E: mô mỡ, F: cơ ngực chính, G: thành ngực, AA: tế bào biểu mô, BB:
màng chính, CC: ống dẫn sữa. (b) A: cơ ngực chính, B: hạch nách mức I, C: hạch nách
mức II, D: hạch nách mức III, E: hạch trên đòn, F: hạch vú trong (nguồn [49]). . 6
Hình 1.2. Phần cuối ống tiểu thùy TDLU (nguồn [77]). 7
Hình 1.3 Tỷ lệ ung thư vú xâm lấn xuất hiện tại các vùng vú khác nhau (nguồn [88]). 10
Hình 1.4. Ung thư biểu mô ống. (a) các giai đoạn phát triển từ thành ung thư biểu mô
ống xâm lấn (i) tế bào bình thường, (ii) tế bào tăng sản lành tính, (iii) tế bào tăng sản
không điển hình, (iv) ung thư biểu mô ống không xâm lấn, (v) ung thư biểu mô ống xâm
lấn ít, (vi) ung thư biểu mô ống xâm lấn. (b) A: ống sữa, B: tiểu thùy, C: xoang tiết sữa,
D: núm vú, E: mô mỡ, F: cơ ngực chính, G: thành ngực, A1: tế bào bình thường, B1: tế
bào ung thư phá vỡ màng ống, C1: màng ống (nguồn [49]) . 10
Hình 1.5. Ung thư biểu mô tiểu thùy. (a) không xâm lấn và (b) xâm lấn. A: ống sữa, B:
Acinar, C: xoang tiết sữa, D: núm vú, E: mô mỡ, F: cơ ngực chính, G: thành ngực,
A1: tế bào tiểu thùy bình thường, B1: tế bào tiểu thùy ung thư, C1: màng tiểu thùy,
B2: tế bào ung thư phá vỡ màng tiểu thùy (nguồn [49]). 11
Hình 1.6. Tế bào ung thư xâm lấn vào các mạch máu và mạch bạch huyết. AA: mạch
máu,BB: mạch bạch huyết, A: tế bào bình thường, B: tế bào ung thư, C: màng, D: mạch
bạch huyết, E: mạch máu, F: mô vú (nguồn [49]) . 12
Hình 1.7. Các hướng chụp ảnh X-quang vú. (a):hướng chụp phổ biến nhất, trên xuống
CC và chéo xiên MLO. (b): chụp vuông góc từ biên vào giữa 90LAT-LM. (c): chụp
vuông góc từ giữa ra biên 90LAT-ML (nguồn [55]) 19
Hình 1.8. (trái): chụp ảnh X-quang vú phát hiện khối u và vi vôi hóa. (giữa): dụng cụ
đặc biệt cho kỹ thuật vùng áp lực. (phải): dụng cụ đặc biệt cho kỹ thuật phóng đại 20
Hình 1.9. (a) Sơ đồ cấu trúc của máy chụp ảnh X-quang vú, (b) Đặt bệnh nhân. Sử dụng
máy chụp X-quang vú MAMMOMAT Novation S của Siemens theo các hướng (c) CC
và (d) MLO 20
Hình 1.10. Từ trái sang phải, ảnh chụp X-quang vú hướng MLO được phân loại là
mô mỡ, mô tuyến và mô tuyến dầy đặc . 21
Hình 1.11. Các hình dạng, đường biên, mật độ khác nhau của tổn thương hình khối
(nguồn [21]) . 22
Hình 1.12. Tổn thương hình khối lành tính (trái) và ác tính (phải). . 23
Hình 1.13. Tổn thương vi vôi hóa lành tính (trái) và ác tính (phải). 23
Hình 1.14. Cấu trúc giải pháp hỗ trợ phát hiện các dấu hiệu tổn thương
hình khối trên ảnh chụp X-quang vú. 27
Hình 1.15. Các thông số đi kèm mỗi ảnh trong cơ sở dữ liệu mini-MIAS [47] . 28
Hình 2.1. Các thành phần chính trên ảnh chụp X-quang vú số hóa từ cơ sở dữ liệuvi
mini-MIAS [47]. 30
Hình 2.2. Mức xám đồ của ảnh mdb 132. 32
Hình 2.3. Ảnh chụp X-quang vú ban đầu (trái) và ảnh vùng vú (phải). (a) Ảnh mdb115.
(b) Ảnh mdb274. (c) Ảnh mdb283 33
Hình 2.4. So sánh hiệu quả tách vùng ảnh vú của phương pháp được sử dụng với phương
pháp của Masek [67] và Telebour [9]. Hàng trên cùng: ảnh mdb209, ảnh mô tuyến. Hàng
giữa: ảnh mdb163, ảnh mô tuyến dầy đặc. Hàng cuối: ảnh mdb205, ảnh mô mỡ. . 34
Hình 2.5. Kết quả tách phần cơ ngực khỏi phần mô vú dùng đa mức ngưỡng tối thiểu entropy
chéo của Masek [67]. Trên: ảnh mdb209, ảnh mô tuyến. Dưới: ảnh mdb163, ảnh mô tuyến
dầy đặc. 37
Hình 2.6. Nguyên lý thực hiện phương pháp tách phần cơ ngực khỏi vùng ảnh vú được sử
dụng. 37
Hình 2.7. Minh họa 4 ảnh phân ngưỡng tương ứng thu được . 38
Hình 2.8. Kết quả tách phần cơ ngực của phương pháp được sử dụng 38
Hình 2.9. Kết quả tách phần cơ ngực của phương pháp được sử dụng. Trên: ảnh mdb274,
nhãn ảnh chờm vào vùng ảnh vú. Dưới: ảnh mdb283, lỗi số hóa chờm vào vùng ảnh vú . 39
Hình 2.10. So sánh phương pháp tách phần cơ ngực khỏi vùng ảnh vú được sử dụng với
phương pháp của Masek [67] trên các ảnh chụp X-quang vú khác nhau từ cơ sở dữ liệu
mini-MIAS [47]. Hàng trên cùng: ảnh mdb209, ảnh mô tuyến. Hàng giữa: ảnh mdb163,
ảnh mô tuyến dầy đặc. Hàng cuối: ảnh mdb205, ảnh mô mỡ . 40
Hình 2.11. Bốn nhóm kỹ thuật tăng cường chất lượng ảnh chụp X-quang vú. 41
Hình 2.12. Mặt nạ lọc làm trơn kích thước 3x3 42
Hình 2.13. Ảnh có độ tương phản thấp và cao cùng mức xám đồ tương ứng của chúng
(nguồn [86]). 43
Hình 2.14. Hiệu quả tăng cường chất lượng ảnh khi kết hợp lọc trung bình và cân bằng mức
xám đồ. Trên: ảnh mdb209, ảnh mô tuyến. Giữa: ảnh mdb163, ảnh mô tuyến dầy đặc.
Cuối: ảnh mdb205, ảnh mô mỡ . 44
Hình 2.15. Một số dạng phần tử cấu trúc (trái). Chuyển sang dạng chữ nhật (phải) 45
Hình 2.16. Nguyên lý tăng cường chất lượng ảnh bằng biến đổi hình thái 46
Hình 2.17. Tăng cường chất lượng ảnh sử dụng biến đổi hình thái. Trên: ảnh mdb209, ảnh
mô tuyến. Giữa: ảnh mdb163, ảnh mô tuyến dầy đặc. Cuối: ảnh mdb205, ảnh mô mỡ. . 47
Hình 3.1. Ví dụ mô tả sự chồng lấn giữa vùng tổn thương thật (đường tròn trắng) và
vùng nghi ngờ được phát hiện ra (đường tròn đen). Hình tròn trắng là vùng tổn thương
chuẩn (ground-truth) cung cấp bởi cơ sở dữ liệu sử dụng cònđường cong trắng là vùng
chuẩn do bác sỹ xác định. (nguồn [64]) . 51
Hình 3.2. Vùng lân cận lớn và nhỏ để tính mức ngưỡng thích nghi (nguồn [37]). 52
Hình 3.3. Lân cận 5x5 để xác định góc hướng của vectơ gradien. 55
Hình 3.4. Quá trình phân vùng của Zhang [106]. Từ trái sang phải: ảnh đường biên;
các vùng nghi ngờ có thể và vùng trung tâm (viền đỏ); vùng nghi ngờ khối u;vii
đường bao của khối u được tách ra (viền xanh). 56
Hình 3.5. Lưu đồ thuật toán phát hiện vùng nghi ngờ tổn thương khối
dùng thuật toán đối sánh mẫu 58
Hình 3.6. Hai mẫu có độ tương phản khác nhau . 59
Hình 3.7.Từ trái sang phải: mức ngưỡng T=0.7, 0.65 và 0.6.
Số vùng nghi ngờ phát hiện ra lần lượt là N=2, N=6, N=15 . 59
Hình 3.8. Trái: vùng nghi ngờ ban đầu. Giữa: vùng đang được phát triển.
Phải: vùng cuối cùng thu được 59
Hình 3.9. Một vùng tổn thương hình khối và mức xám đồ của nó (nguồn [86]). 61
Hình 3.10. Lưu đồ thuật toán phương pháp phát hiện vùng nghi ngờ dựa vào tìm kiếm
đường biên được đề xuất. 61
Hình 3.11. Một số ví dụ minh họa kết quả của thuật toán đề xuất. 62
Hình 3.12. Kết quả thực hiện với ảnh thuộc thư mục SPIC. 63
Hình 3.13. Kết quả thực hiện với ảnh thuộc thư mục SPIC. 63
Hình 3.14. Kết quả thực hiện với ảnh thuộc thư mục CIRC . 63
Hình 3.15. Các vùng nghi ngờ phát hiện được (đường bao màu đỏ).
Vùng tổn thương thực (đường bao màu xanh) . 65
Hình 3.16. Các vùng nghi ngờ phát hiện được (đường bao màu đỏ).
Vùng tổn thương thực (đường bao màu xanh) (tiếp) 66
Hình 4.1. Cách tính các cặp giá trị (TPF, FPF) khác nhau để xây dựng đường cong ROC 70
Hình 4.2. Ví dụ minh họa đường cong ROC. . 70
Hình 4.3. Cách xây dựng ma trận GLCM. . 82
Hình 4.4. Ảnh gốc (a) và ảnh BDIP (b) 84
Hình 4.5. Vùng R(x,y) ban đầu (hình vuông nét liền) và vùng R(x,y) bị dịch (hình vuông
nét đứt) . 85
Hình 4.6. Ảnh BVLC của các ảnh gốc ở hình 4.4(a) 85
Hình 4.7. Mạng nơron tự nhiên. . 86
Hình 4.8. Mô hình tính toán của nơron nhân tạo 86
Hình 4.9. Mạng MLP tổng quát 88
Hình 4.10. Mạng MLP 2 lớp . 89
Hình 4.11. Các siêu mặt phân loại dữ liệu 90
Hình 4.12. Siêu mặt phẳng có biên lớn nhất của SVM . 91
Hình 4.13. Ánh xạ từ miền R n sang miền R d . . 92
Hình 4.14. Vùng nghi ngờ được phát hiện ra (màu đỏ). Mô tả vùng nghi ngờ bằng hình
chữ nhật nhỏ nhất bao trùm nó (màu đen) . 93
Hình 4.15. Cách tính bộ đặc trưng GLCM13. 94
Hình 4.16. Cách tính bộ đặc trưng GLCM12. 95
Hình 4.17. Chia hình chữ nhật bao quanh vùng nghi ngờ thành các khối nhỏ để tính đặcviii
trưng BDIP (trái) và BVLC (phải). . 95
Hình 4.18. Các đường cong ROC thu được khi dùng mạng NN để phân loại các vùng
nghi ngờ . 100
Hình 4.19. Đường cong ROC tương ứng với các đặc trưng BDIP (i=6) 102
Hình 4.20. Hiệu quả của đặc trưng BDIP so với bộ đặc trưng FOS và GLCM13. 103
Hình 4.21. Phân bố của cặp đặc trưng (BVLCkxk mean, BVLCkxk var). 103
Hình 4.22. Giá trị A Z thu được khi sử dụng 2 nhóm đặc trưng BVLC Mean và
BVLC Var. 104
Hình 4.23. Đường cong ROC thu được khi so sánh nhóm đặc trưng BVLC Var cùng
BVLC2x2 mean với các bộ đặc trưng FOS, GLCM13 và BDIP đa mức. 106