Luận án Nghiên cứu, phát triển giải pháp hỗ trợ phát hiện các dấu hiệu tổn thương hình khối trên ảnh chụp X - Quang vú

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
Nguyễn Việt Dũng
NGHIÊN CỨU, PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ
PHÁT HIỆN CÁC DẤU HIỆU TỔN THƯƠNG HÌNH KHỐI
TRÊN ẢNH CHỤP X-QUANG VÚ
LUẬN ÁN TIẾN SỸ KỸ THUẬT ĐIỆN TỬ
Hà Nội - 2015
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI
Nguyễn Việt Dũng
NGHIÊN CỨU, PHÁT TRIỂN GIẢI PHÁP HỖ TRỢ
PHÁT HIỆN CÁC DẤU HIỆU TỔN THƯƠNG HÌNH KHỐI
TRÊN ẢNH CHỤP X-QUANG VÚ
Chuyên ngành: Kỹ thuật Điện tử
Mã số: 62520203
LUẬN ÁN TIẾN SỸ KỸ THUẬT ĐIỆN TỬ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. GS. TS. NGUYỄN ĐỨC THUẬN
2. PGS. TS. NGUYỄN TIẾN DŨNG
Hà Nội - 2015
iLời cam đoan
Tác giả xin cam đoan đây là công trình nghiên cứu riêng của tác giả, không sao chép
của bất kỳ người nào. Các số liệu kết quả nêu trong luận án là hoàn toàn trung thực và
chưa từng được công bố bởi bất kỳ ai.
Tác giả
NCS. Nguyễn Việt Dũng
ii
Lời cảm ơn
Tôi xin chân thành cảm ơn GS.TS Nguyễn Đức Thuận và PGS.TS. Nguyễn Tiến
Dũng, những người đã nhiệt tình hướng dẫn và giúp đỡ tôi rất nhiều trong quá trình nghiên
cứu và hoàn thành Luận án.
Tôi cũng xin chân thành cảm ơn Viện Đào tạo Sau Đại học, Viện Điện tử -Viễn
thông, Trường Đại học Bách Khoa Hà Nội đã tạo điều kiện thuận lợi để tôi hoàn thành
nhiệm vụ nghiên cứu của mình.
Tôi cũng bày tỏ lòng biết ơn đến Gia đình tôi, vợ và con tôi, các anh chị em, đồng
nghiệp và bạn bè những người đã ủng hộ và động viên giúp đỡ tôi trong thời gian làm
Luận án.
iii
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 TRÊNẢNH CHỤP 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 ......................................49
iv
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 TRÌNHĐÃ CÔNG BỐ ......................................................117
PHỤ LỤC ..........................................................................................................................118
vDANH 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 liệu
vi
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  ... –1293.
[60]. J. T. Sample (2003) Computer Assisted Screening of Digital Mammogram Images.
PhD Dissertation, Louisiana State University, 2003.
[61]. K. Yuvaraj, U. S. Ragupathy (2013) Computer Aided Segmentation and
Classification of Mass in Mammographic Images using ANFIS, European Journal
for Biomedical Information, vol. 9(2), 2013, pp. 37-41.
[62]. Kumar S. M., Balakrishnan G. (2013) Multi Resolution Analysis for Mass
Classification in Digital Mammogram using Stochastic Neighbor Embedding,
113
2013 International Conference on Communications and Signal Processing
(ICCSP), pp. 101-105.
[63]. L. O. Martins, L. O. Junior, A. C. Silva, A. C. Paiva, M. Gattass (2009) Detection
of Masses in Digital Mammograms using K-mean and Support Vector Machine,
Electronic Letters on Comput. Vision and Image Anal., vol. 8(2), 2009, pp. 39-50.
[64]. M. Bator, L. J. Chmielewski (2009) Finding regions of interest for cancerous
masses enhanced by elimination of linear structures and considerations on
detection correctness measures in mammography. Pattern Anal. Applic., vol.12,
2009, pp.377-390.
[65]. M. H. Swartz (2004) Textbook of Physical Diagnosis: History and Examination.
WB Saunders Co.
[66]. M. M. Eltoukhy, I. Faye, B. B. Samir (2010) Automatic Detection of Breast
Masses in Digital Mammograms Using pattern Matching. 2010 IEEE EMBS
Conference on Biomedical Engineering and Sciences (IECBES), pp. 73-76.
[67]. M. Masek (2004) Hierarchical Segmentation of Mammograms Based on Pixel
Intensity, PhD Dissertation, The University of Western Australia, 2004.
[68]. M. Z. do Nascimento, A. S. Martins , L. A. Neves, R. P. Ramos et all (2013)
Classification of masses in mammographic image using wavelet domain features
and polynomial classifier. Expert Systems with Applications, vol. 40, 2013, pp.
6213-6221.
[69]. Man To Wong, Xiangjian He, Hung Nguyen, Wei-Chang Yeh (2012) Mass
Classification in Digitized Mammograms Using Texture Features and Artificial
Neural Network, Springer Lecture Note in Computer Science, vol. 7667, 2012, pp.
151-158.
[70]. Moayedi F., Azimifar Z., Boostani R., Katebi S. (2010) Computer - based
mammography mass classification using SVM family. Computer in Biology and
Medicine, vol. 40, 2010, pp. 373-383.
[71]. N. Cristianini, J. Shawe-Taylor (2010) An Introduction to Support Vector
Machines. Cambridge University Press.
[72]. N. Karssemeijer (1998) Automated classification of parenchymal patterns in
mammograms, Phys. Med. Biol., vol. 43(2), 1998, pp. 365–378.
[73]. N. Karssemeijer, J. D. Otten, A. L. Verbeek, J. H. Groenewoud, H. J. de Koning,
J. H. Hendriks and R. Holland (2003) Computer-aided detection versus
independent double reading of masses in mammograms. Radiology, vol. 227,
2003, pp. 192–200.
[74]. Namita Aggarwal, R. K. Agrawal (2012) First and Second Order Statistics
Features for Classification of Magnetic Resonance Brain Images. Journal of
Signal and Information Processing, vol. 3, 2012, pp. 146-153.
[75]. National Cancer Institute (2007) Recommendations on screening, prevention and
treatment of breast cancer. US National Institutes of Health.
[76]. Nguyen Thai Ha, Nguyen Duc Thuan, Pham Manh Hung, Doan Dinh Nhan (2009)
Gray Level Cooccurance Matrix Application of Abnormalities on Mammograms.
114
Journal of Science and Technology Technical University, vol. 73B, 2009.
[77]. P. P. Osin, R. Anbazhagan, J. Bartkova, B. Nathan, B.A. Gusterson (1998) Breast
development gives insights into breast disease. Histopathology, vol. 33(3), 1998,
pp. 275–283.
[78]. Pelin Görgel, Ahmet Sertbasa, Osman N. Ucan (2013) Mammographical mass
detection and classification using Local Seed Region Growing–Spherical Wavelet
Transform (LSRG–SWT) hybrid scheme. Computers in Biology and Medicine, vol.
43(6), 2013, pp. 765–774.
[79]. R. A. Jong, M. J. Jaffe (2005) Digital mammography, Can Assioc Radiol J, 2005,
pp. 319–323.
[80]. R. Bellotti, F. De Carlo, S. Tangaro, G. Gargano, G. Maggipinto et all (2006) A
completely automated CAD system for mass detection in a large mammographic
database, Med. Phys. vol. 33(8), 2006, pp. 3066-75.
[81]. R. C. Gonzales, R. Woods (2008) Digital Image Processing, Prentice Hall.
[82]. R. E. Lenhard, R. T. Osteen, T. Gansler (2002) Clinical oncology. American
Cancer Society, Atlanta, 2001. American Joint Committee on Cancer, editor.
AJCC cancer staging manual. Springer-Verlag, New York, 6th edition.
[83]. R. J. Ferrari, R. M. Rangayyan, J. E. L. Desautels, R. A. Borges, A. F. Frère
(2004) Automatic Identification of the Pectoral Muscle in Mammograms. IEEE
Trans. Med. Imag, vol. 23(2), 2004, pp. 232-245.
[84]. R. Kohavi (1995) A study of cross-validation and bootstrap for accuracy
estimation and model selection, 14th International Joint Conference on Artificial
intelligence (IJCAI'95), 1995, pp. 1137-43.
[85]. R. P. Ramos, M. Z de Nascimento, D.C. Pereira (2012) Texture extraction: An
evaluation of ridgelet, wavelet and co-occurrence based methods. Expert Systems
with Applications, vol. 39, 2012, pp. 11036-11047.
[86]. Rangaraj M. Rangayyan (2005) Biomedical Image Analysis. CRC Press.
[87]. S. A. Feig, M. J. Yaffe (1996) Current status of digital mammography. Semin
Ultrasound CT MR, vol. 17(5), 1996, pp. 424–443.
[88]. S. Campleman, R. Curtis, C. Morris, S. L Kwong (2004) Breast Cancer in
California, 2003, volume Chapter 9: Laterality, Detailed Site, and Histology of
Female Breast Cancer,California, 1988–1999. California Department of Health
Services, Cancer Surveillance Section Sacramento, California, 2004.
[89]. S. K. Lee, P.S. Liao, S.M. Guo, N.S. Yu, L.C. Chen, C.I. Chang (2012) Mass
detection in Mammograms. International Journal on Computer, Consumer and
Control, vol. 1(1), 2012, pp. 8-16.
[90]. Sampat M. P., Bovik A. C. (2003) Detection of Spiculated Lesions in
Mammograms. 25th Annual International Conference of the IEEE Engineering in
Medicine and Biology Society (EMBC'03), 2003, pp. 810-813.
[91]. Scharcanski J., Jung C. R. (2006) Denoising and enhancing digital mammographic
images for visual screening. Comput. Med. Imaging Graphics, vol. 30, 2006, pp
243-254.
115
[92]. Shen-Chuan Tai, Zih-Siou Chen, Wei-Ting Tsai (2014) An Automatic Mass
Detection System in Mammograms based on Complex Texture Features. IEEE
Journal of Biomedical and Health Informatics, vol. 18(2), 2014, pp. 618-627.
[93]. Sze Man Kwok, Chandrasekhar R. A., Attikiouzel Y., Rickard M. T. (2004)
Automatic pectoral muscle segmentation on mediolateral oblique view
mammograms. IEEE Transactions on Medical Imaging, vol. 23(9), 2004, pp.
1129-1140.
[94]. T. D. Nguyen, S. H. Kim and N. C. Kim (2006) Surface extraction using SVM-
based texture classification for 3D fetal ultrasound image. 1st International
Conference on Communications and Electronics (ICCE2006), 2006, pp. 285-290.
[95]. T. M. Kolb, J. Lichy, J. H. Newhouse (2002) Comparison of the performance of
screening mammography, physical examination, and breast us and evaluation of
factors that influence them: an analysis of 27,825 patient evaluations. Radiology,
vol. 225, 2002, pp. 165-175.
[96]. T. S. Subashini, V. Ramalingam, S. Palanivel (2010) Automated assessment of
breast tissue density in digital mammogram, Computer Vision and Image
Understanding, vol. 114(1), 2010, pp. 33–43.
[97]. T. Stojic, I. Reljin, B. Reljin (2005) Local Contrast Enhancement in Digital
Mammography by Using Mathematical Morphology. 2005 IEEE International
Symposium on Signals, Circuits and Systems (ISSCS), pp. 609-612.
[98]. Terada T., Fukumizu Y. , Yamauchi H., Chou H., Kurumi Y. (2010) Detecting
Mass and Its Region in Mammograms Using Mean Shift Segmentation and Iris
Filter. 2010 International Symposium on Communications and Information
Technologies (ISCIT), pp. 1176-1179.
[99]. U. Bick, K. Doi (2000) Tutorial on Computer Aided-Diagnosis - Computer Aided
Diagnosis Tutorial. CARS 2000.
[100]. Vladimir Vapnik (1995) The Nature of Statistical Learning Theory. Springer-
Verlag.
[101]. W. A. Murph, J. M. Destouet, B. S. Monsees (1990) Professional quality
assurance for mammography screening programs. Radiology, vol. 175, 1990,
pp. 319-320.
[102]. W. B. Sampaio, E. M. Diniz, A. C. Silva, A. C. de Paiva, M. G. (2011) Detection
of masses in mammogram images using CNN, geostatistic functions and SVM.
Computer in Biology and Medicine, vol. 41, 2011, pp. 653-664.
[103]. Wei Zhao, W. G. Ji, A. Debrie, J. A Rowlands (2003) Imaging performance of
amorphous selenium based flat-panel detectors for digital mammography:
Characterization of a small area prototype detector. Medical Physics, vol. 30(2),
2003, pp. 254–263.
[104]. Xi-Zhao Li, Williams S., Lee G., Min Deng (2012) Computer - Aided
Mammography Classification Of Malignant Mass Regions And Normal Regions
Based On Novel Texton Features, 12th International Conference on Control,
Automation, Robotics & Vision, 2012, pp. 1431-1436.
116
[105]. Y. L. Huang, K. L. Wang, D. R. Chen (2006) Diagnosis of breast tumors with
ultrasonic texture analysis using support vector machines, Neural Computing &
Applications, vol. 15(2), 2006, pp. 164-169.
[106]. Y. Zhang, N. Tomuro, J. Furst, D. S. Raicu (2010) Image Enhancement and Edge-
based Mass Segmentation in Mammogram, Proc. SPIE 7623, Medical Imaging
2010: Image Processing, 2010.
[107]. Y. Zheng (2010) Breast Cancer Detection with Gabor Features from Digital
Mammograms. Algorithms, vol. 3(1), 2010, pp. 44-62.
[108]. Zeyun Yu, Bajaj C. (2004) A fast and adaptive method for image constrast
enhancement. 2004 International Conference on Image Processing (ICIP '04), pp.
1001-1004.
[109]. Zhili Chen, Reyer Zwiggelaa. Segmentation of the Breast Region with Pectoral
Muscle Removal in Mammograms. Medical Image Understanding and Analysis,
2010, pp. 71-76.
117
DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN
[1]. Nguyen Viet Dung, Nguyen Duc Thuan, Nguyen Tien Dzung, Pham Van Thanh. An
Automated Method to Segment and Classify Masses in Mammograms. International
Journal of Electrical and Computer Engineering vol 4(8), 2009, ISSN: 2010-3956.
[2]. Viet Dzung Nguyen, Duc Thuan Nguyen, Tien Dzung Nguyen, Thom Thao Nguyen
Thi, Duc Hoa Tran. A Program For Locating Possible Breast Masses On
Mammograms. Proceedings of the Third International Conference on Biomedical
Engineering in Vietnam, Vietnam Jan 2010
[3]. Nguyen Viet Dung, Pham Van Thanh, Nguyen Tien Dung, Nguyen Duc Thuan.
Automatically contour-based detection of suspicious massive lesions in
mammograms. Journal of Science and Technology No 79B, 2010, ISSN: 0868-3980.
[4]. Viet Dzung Nguyen, Duc Thuan Nguyen, Tien Dzung Nguyen, Huu Long Nguyen,
Duc Huyen Bui. Application of Neural Network in Classifying Massive Lesions in
Mammogram. Proceedings of the 4th International Conference on Biomedical
Engineering in Vietnam, Vietnam, Jan 2012
[5]. Viet Dzung Nguyen, Duc Thuan Nguyen, Huu Long Nguyen, Duc Huyen Bui, Tien
Dzung Nguyen. Automatic identification of massive lesions in digitalized
mammograms. Proceedings of the Fourth International Conference on
Communications and Electronics (ICCE2012), Vietnam, Aug 2012
[6]. Q. D. Truong, M. P. Nguyen, V. T. Hoang, H. T. Nguyen, D. T. Nguyen, T. D.
Nguyen, V. D. Nguyen. Feature Extraction and Support Vector Machine Based
Classification for False Positive Reduction in Mammographic Images. Springer
Lecture Notes in Electrical Engineering, vol. 269, 2013, ISSN: 1876-1100.
[7]. M. P. Nguyen, Q. D. Truong, D. T. Nguyen, T. D. Nguyen, V. D. Nguyen An
Alternative Approach to Reduce Massive False Positives in Mammograms Using
Block Variance of Local Coefficients Features and Support Vector Machine.
Elsevier Procedia of Computer Science, vol. 20, 2013, ISSN: 1877-0509.
[8]. V. D. Nguyen, D. T. Nguyen, T. D. Nguyen, Q. D. Truong, M. D. Le. Combination
of Block Difference Inverse Probability Features and Support Vector Machine to
Reduce False Positives in Computer-Aided Detection for Massive Lesions in
Mammographic Images. Proceedings of the 6th International Conference on
Biomedical Engineering and Informatics (BMEI2013), China, Dec 2013.
118
PHỤ LỤC
GIẢI PHÁP HỖ TRỢ PHÁT HIỆN VÙNG NGHI NGỜ
TỔN THƯƠNG HÌNH KHỐI TRÊN ẢNH CHỤP X-QUANG VÚ
Giải pháp hỗ trợ phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X-quang
vú được viết bằng ngôn ngữ lập trình C# thuộc gói phần mềm hỗ trợ lập trình Microsoft®
Visual Studio kết hợp với nền tảng Microsoft®.Net Framework.
Ngoài tính năng chính là phát hiện các vùng nghi ngờ tổn thương hình khối trên ảnh
chụp X-quang vú, giải pháp này còn có một số tính năng xử lý và quản lý khác. Các tính năng
này được phân vào các menu như sau:
- Menu File: mở ảnh, lưu ảnh với nhiều định dạng khác nhau như jpeg, bmp, png, tiff,
dicom.
- Menu Edit: hủy bỏ lệnh vừa thực hiện, khôi phục lệnh vừa hủy bỏ.
- Menu View: xem mức xám đồ của ảnh
- Menu Enhancement: gồm các tính năng tăng cường chất lượng của ảnh như cân
bằng mức xám đồ, lọc trung vị, biến đổi hình thái.
- Menu Edge Detection: tìm đường biên sử dụng toán tử Sobel, theo phương pháp
Canny, sai khác đường biên
- Menu Tool: loại bỏ nhãn ảnh, loại bỏ cơ ngực, co ảnh; biến đổi âm bản, phân vùng
ảnh bằng lấy ngưỡng Otsu, biến đổi hình thái (phát triển, ăn mòn)
- Menu Computer Aided Detection: đây chính là tính năng chính của công cụ, gồm
nhiều bước như loại bỏ nhãn ảnh, loại bỏ cơ ngực, tăng cường chất lượng ảnh, tìm
kiếm vùng nghi ngờ tổn thương hình khối, phân loại tổn thương hình khối.
- Menu User Account: thoát khỏi phiên làm việc hoặc khởi tạo người dùng mới.
- Menu Help: thông tin về công cụ.
Một số hình ảnh thể hiện các giao diện khi sử dụng của giao diện được nghiên cứu,
phát triển được đưa ra dưới đây.
119
Hình 1. Giao diện khi bắt đầu khởi động
Hình 2. Giao diện khi đăng nhập. Trên: đăng nhập sai. Dưới: đăng nhập đúng
Giao diện ban đầu khi khởi động giải pháp (hình 1). Người sử dụng phải nhập tên tài
khoản và mật khẩu (hình 2). Nếu nhập sai thì có cảnh báo và quay trở về màn hình nhập
tên tài khoản và mật khẩu. Nếu nhập đúng sẽ có thông báo và người dùng bắt đầu phiên
làm việc của mình.
120
Hình 3. Ảnh gốc được hiển thị phía trên bên trái và ảnh sau xử lý được hiển thị phía
trên bên phải. Các thông tin của ảnh ban đầu cũng được hiển thị (mức xám đồ cùng một
vài số liệu thống kê mức xám của ảnh)
121
Hình 4. Thực hiện tính năng tăng cường chất lượng ảnh (trên). Ảnh thu được cùng
phân bố mức xám đồ của nó (dưới)
122
Hình 5. Thực hiện phát hiện đường biên trên ảnh (trên). Ảnh thu được cùng phân bố
mức xám đồ của nó (dưới)
123
Hình 6. Thực hiện tách nhãn ảnh (trên). Ảnh thu được (dưới)
124
Hình 7. Thực hiện tách vùng cơ ngực (trên). Ảnh thu được (dưới).
125
Hình 8. Thực hiện phát hiện vùng nghi ngờ tổn thương hình khối (trên). Các vùng
nghi ngờ được phát hiện ra (dưới trái) và sau khi phân loại bằng máy vectơ hỗ trợ SVM và
đặc trưng BVLC đa mức (dưới phải)