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

 bị che bởi các mô tuyến dày đặc.
 Sơ đồ khối thực hiện được minh họa ở hình 2.16. Đề xuất này được trình bày tại
công trình số 4 trong Danh mục các công trình đã công bố.
 Hình 2.16. Nguyên lý tăng cường chất lượng ảnh bằng biến đổi hình thái.
 Hình 2.17 minh họa một số kết quả đạt được khi thực hiện tăng cường chất lượng
ảnh từ cơ sở dữ liệu ảnh mini-MIAS [47] sử dụng biến đổi hình thái với phần tử cấu trúc
dạng hình thoi, kích thước 7x7 (hình 2.14).
 So sánh với phương pháp kết hợp lọc trung bình với cân bằng mức xám đồ thì thấy,
đối với những ảnh mô tuyến và ảnh mô mỡ thì mức độ tăng PSNR cao hơn hẳn. Riêng với
 47
ảnh mô tuyến đậm đặc thì mức độ tăng PSNR có thấp hơn nhưng nhìn tổng thể thì mức độ
tăng PSNR là đồng đều (bảng 2.1).
 Ảnh gốc Top-hat Bottom-hat Ảnh thu được
 PSNR=104.01
 PSNR=104.84
 PSNR=101.38
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.
 48
Bảng 2.1. So sánh mức độ tăng cường chất lượng ảnh theo phương pháp biến đổi hình thái được
đề xuất với phương pháp sử dụng lọc trung bình kết hợp với cân bằng mức xám đồ
 Loại ảnh PSNR (dB)
 Lọc trung bình + Biến đổi hình thái
 cân bằng mức xám đồ
 Ảnh mô tuyến 65,87 104,01
 Ảnh mô tuyến dầy đặc 129,14 104,84
 Ảnh mô mỡ 66,63 101,38
 Có thể nhận thấy, với các ảnh chụp X-quang vú mô khác nhau thì phương pháp tăng
cường chất lượng ảnh bằng biến đổi hình thái đề xuất đều cho một mức độ tăng cường chất
lượng gần như tương đương và nhìn chung là tốt hơn so với phương pháp kết hợp lọc trung
bình với cân bằng mức xám đồ.
 Ảnh hưởng của 2 phương pháp tăng cường chất lượng ảnh kể trên tới hiệu quả của
việc tìm kiếm, phát hiện vùng nghi ngờ sẽ được phân tích cụ thể ở chương 3.
2.5. Kết luận
 Chương 2 đã trình bày về các phương pháp tiền xử lý để loại bỏ phần nhãn ảnh, loại
bỏ phần lỗi số hóa; tách phần ảnh vú; loại bỏ phần cơ ngực
 Bên cạnh đó, phương pháp tăng cường chất lượng ảnh chụp X-quang vú sử dụng
biến đổi hình thái cũng đã được đề xuất. Kết quả so sánh ở bảng 2.1 cho thấy với phương
pháp đã đ ề xuất, mức tăng cường chất lượng là gần như nhau đối với các ảnh chụp X-
quang vú có mô vú khác nhau. Tổng thể với các ảnh được sử dụng trong nghiên cứu thì
phương pháp được đề xuất cũng cho kết quả tốt hơn phương pháp kết hợp lọc trung bình
với cân bằng mức xám đồ.
 49
CHƯƠNG 3. PHÁT HIỆN CÁC VÙNG NGHI NGỜ CHỨA
TỔN THƯƠNG HÌNH KHỐI THEO PHƯƠNG PHÁP TÌM
KIẾM ĐƯỜNG BIÊN
 Sau khi đã tách và tăng cư ờng chất lượng cho vùng ảnh vú, bước tiếp theo sẽ là tìm
kiếm, phát hiện các vùng nghi ngờ tổn thương hình khối (các vùng có khả năng cao chứa
các dấu hiệu tổn thương hình khối) trên vùng ảnh vú này.
 Phương pháp phát hiện vùng nghi ngờ chứa tổn thương hình khối trên ảnh chụp X-
quang vú được đề xuất trong chương 3 là phương pháp tìm kiếm đường biên động. Bên
cạnh đó, phương pháp đối sánh mẫu để phát hiện vùng nghi ngờ tổn thương hình khối cũng
được giới thiệu để chứng minh tính đúng đắn của phương pháp được đề xuất. Ảnh hưởng
của quá trình tăng cường chất lượng ảnh chụp X-quang vú tới hiệu quả phát hiện vùng nghi
ngờ chứa tổn thương hình khối cũng được xem xét đến.
 Các kết quả đạt được ở chương 3 này được trình bày tại công trình số 2, 3 và 4 trong
Danh mục các công trình đã công b ố.
3.1. Tổng quan tình hình nghiên cứu trên thế giới hiện nay
 Trước khi tìm hiểu tổng quan về các nghiên cứu phát hiện các vùng nghi ngờ chứa
tổn thương hình khối trên ảnh chụp X-quang vú gần đây trên thế giới, việc xem xét các tiêu
chí để đánh giá hiệu quả phát hiện vùng nghi ngờ là cần thiết.
3.1.1. Đánh giá hiệu quả phát hiện vùng nghi ngờ
 Vùng nghi ngờ chứa tổn thương hình khối được phát hiện ra trên ảnh chụp X-quang
vú cũng là vùng được quan tâm nên thuật ngữ “vùng quan tâm” ROI (Region of Interest)
được sử dụng thay cho thuật ngữ “vùng nghi ngờ”.
 Một vùng nghi ngờ chứa tổn thương hình khối được phát hiện ra trên ảnh chụp X-
quang vú được gọi là vùng dương tính thật TP-ROI (True Positive) nếu nó là tương ứng
với vùng tổn thương hình khối thật. Tổn thương hình khối này đã được xác nhận bởi các
bác sỹ thông qua giải phẫu mô bệnh học). Ngược lại, khi vùng nghi ngờ là không tương
ứng với vùng tổn thương hình khối thật thì nó được gọi là vùng dương tính giả FP-ROI
(False Positive).
 Về cơ bản, bất kỳ một phương pháp phát hiện các vùng nghi ngờ chứa tổn thương
hình khối trên ảnh chụp X-quang vú được đề xuất nào cũng đều cần được đánh giá hiệu
quả trên một tập ảnh chụp X-quang vú. Đánh giá hiệu quả được thực hiện thông qua 2
 50
thông số: độ nhạy và số dương tính giả trên ảnh FPpI (False Positives per Image). Chúng
được tính toán theo các công thức sau
 Số TP-ROI
 Độ nhạy= (3.1)
 Số vùng tổn thương hình khối thật
 Số FP-ROI
 FPpI= (3.2)
 Tổng số ảnh
 Vậy vùng ROI tương ứng như thế nào với vùng tổn thương hình khối thật để được
gọi là vùng TP-ROI? Một cách thức để xác định một vùng ROI là vùng TP-ROI hay vùng
FP-ROI được ra bởi Belloti [80]. Theo đó một vùng ROI được coi là TP-ROI nếu 2 điều
kiện sau được thỏa mãn đồng thời
 XXRLrad cad max rad , x (3.3)
 YYRLrad cad max rad , y (3.4)
với: Xrad, Yrad, Rrad: tọa độ tâm và bán kính của đường bao vùng tổn
 thương hình khối thực do bác sỹ xác nhận.
 Xcad, Ycad: tọa độ tâm của vùng ROI được phát hiện ra
 2Lx, 2Ly: kích thước của hình chữ nhật nhỏ nhất bao trùm toàn
 bộ vùng ROI được phát hiện ra
 Bên cạnh đó, một vùng ROI được coi là TP-ROI nếu hệ số chồng lấn f giữa nó và
vùng tổn thương hình khối thật vượt quá một mức ngưỡng α [64].
 f (3.5)
 Hệ số chồng lấn f có thể tính theo một trong các công thức sau
 s R D 
 f 
 D s D (3.6)
 s R D 
 f 
 R s R (3.7)
 s R D 
 f 
 RD s R D (3.8)
trong đó, R vùng tổn thương hình khối thật do bác sỹ xác nhận, D là vùng ROI phát hiện ra
và s(.) thể hiện diện tích (tính theo điểm ảnh).
 Việc chọn mức ngưỡng α là rất quan trọng. Chọn α nhỏ thì độ nhạy tăng nhưng FPpI
cũng tăng và ngược lại. Về cơ bản α=0.5 là chấp nhận được. Tuy nhiên, hầu hết các nghiên
cứu đều không nêu rõ mức ngưỡng được chọn là bao nhiêu.
 Hình 3.1 minh họa sự chồng lấn giữa vùng nghi ngờ được phát hiện ra với vùng tổn
thương thật do bác sỹ xác nhận.
 51
 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 còn đường cong trắng là vùng chuẩn do bác sỹ xác định. (nguồn [64]).
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.
 Đã có nhiều phương pháp tìm kiếm vùng ROI (vùng nghi ngờ chứa tổn thương hình
khối) đã được đề xuất gần đây trên thế giới. Trong mục này, một số nghiên cứu được đề
xuất gần đây trên thế giới cùng với hiệu quả phát hiện vùng ROI của chúng sẽ được khái
quát lại.
 Belloti [80] đã đưa ra phương pháp lặp tìm kiếm đường biên để phát hiện vùng ROI.
Phương pháp này gồm các bước như sau:
 + Ảnh được chia thành các ảnh con kích thước S. Xác định giá trị mức xám lớn nhất IM
 trong từng ảnh con bắt đầu từ ảnh con trên cùng bên phải.
 + Xác định đường đồng giá trị (bao gồm cả điểm IM) với mức ngưỡng Ith=IM/2. Đường
 này là đường bao của một vùng có diện tích AR.
 + Mức ngưỡng Ith được tăng/giảm đi một lượng bằng ½ lượng tăng trước đó nếu diện
 tích AR tương ứng lớn hơn/nhỏ hơn diện tích giới hạn AL. Quá trình dừng lại khi mức
 thay đổi nhỏ hơn I mức.
 + Tách riêng vùng ROI ra và lặp lại bước 2 và 3 cho các ảnh con tiếp theo.
 Thử nghiệm trên 3369 ảnh X-quang vú (cả loại MLO lẫn CC) từ cơ sở dữ liệu
MAGIC-5 thì kết quả tốt nhất đạt được độ nhạy là 83.1%; FPpI = 6.27 ứng với S=200
pixel; AL=500x500 pixel; I =4 mức xám
 Cascio [23] cũng sử dụng phương pháp như của Belloti [80], chạy trên 3762 ảnh từ
cơ sở dữ liệu MAGIC-5 thì thu được độ nhạy tốt hơn là 93%. Tuy nhiên FPpI lại cao hơn,
bằng 7.8 (S=25x25 pixel; AL=501x501 pixel; I =1 mức). Điều này có thể lý giải là do tỷ lệ
các ảnh mô tuyến, mô tuyến dày đặc và mô mỡ là khác nhau trong 2 nghiên cứu này.
 52
 Trong nghiên cứu của mình, phương pháp lấy ngưỡng thích nghi cục bộ đã được
Kom đề xuất [37]. Trước tiên, hai vùng lân cận với tâm là pixel đang xét được thiết lập.
Từng điểm ảnh SI(m,n) sẽ là thuộc về vùng ROI nếu
 SI m,, n TH m n 
 (3.8)
 SIdiff MvoisiP
trong đó, SIdiff là chênh lệch mức xám trong vùng lân cận lớn, MvoisiP là mức xám trung
bình trong vùng lân cận nhỏ (hình 3.2) . Mức ngưỡng thích nghi TH(m,n) thay đổi theo
 TH m, n MvoisiP  SIdiff
 (3.9)
 SIdiff SImax m,, n SI min m n 
với γ là hệ số điều chỉnh mức ngưỡng và được chọn theo kinh nghiệm.
 Phương pháp này phát hiện được 47 vùng TP-ROI trong tổng số 49 vùng tổn thương
khối u trên 61 ảnh chụp X-quang vú. Có nghĩa là độ nhạy là 95,9%. FPpI là 0.47.
 Hình 3.2. Vùng lân cận lớn và nhỏ để tính mức ngưỡng thích nghi (nguồn [37]).
 Valera [24] thì lại sử dụng mức ngưỡng cố định để lấy ngưỡng ảnh đã được lọc bởi
lọc mồng mắt. Mức ngưỡng cũng như kích thước bộ lọc được xác định bởi thực nghiệm để
đảm bảo độ nhạy phát hiện là cao nhất. Thử nghiệm trên bộ 120 ảnh với 60 tổn thương
khối thì đạt được độ nhạy 98.33% và FPpI=3.47. Kiểm nghiệm lại trên bộ gồm 264 ảnh với
128 tổn thương khối thì độ nhạy là 97.82% còn FPpI=3.78. Như vậy là độ nhạy và FPpI có
sự thay đổi giữa khi thử nghiệm tìm thông số tối ưu và kiểm nghiệm lại.
 Moayedi [34] lại thực hiện lấy ngưỡng cho ảnh đã được biến đổi đường bao con
(contourlet) – biến đổi đa phân giải, đa hướng dùng các dải lọc không tách được. Nếu khối
u xuất hiện trong vùng nghi ngờ, thành phần tần số cao tại vị trí tương ứng sẽ gần 0 và
năng lượng tại đường bao của nó là cao. Tất cả các vị trí có các thành phần tần số cao gần
0 sẽ được coi là vùng nghi ngờ. Độ nhạy và FPpI khi thử nghiệm trên cơ sở dữ liệu MIAS
[47] không được tác giả đề cập đến.
 Phương pháp phát triển vùng được Mencattini được sử dụng [14]. Vị trí tâm phát
triển vùng được chọn gần với tâm vùng khối u (từ thông tin cung cấp trong cơ sở dữ liệu
DDSM [45]). Để tránh ảnh hưởng tới quá trình phát triển vùng, giá trị của tâm được thiết
 53
lập là giá trị trung bình trong vùng lân cận 15x15. Một điểm ảnh lân cận mới được ghép
vào vùng nếu mức xám của nó nằm giữa 2 mức ngưỡng
 Th1 I 0.3 K I (3.10)
 Th2 I 0.3 K I (3.11)
với I là mức xám trung bình trong vùng phân tách được và nó thay đổi tại từng vòng lặp
phát triển vùng. K là hệ số phụ thuộc vào mức xám và khoảng cách tới tâm phát triển vùng.
Giá trị khởi tạo ban đầu của K được cho bởi công thức thực nghiệm sau:
 KF 0.097 1.330
 d (3.12)
 FII 
 N max seed
trong đó, Iseed là giá trị của tâm phát triển vùng, Imax là mức xám lớn nhất trong vùng phát
triển. d là khoảng cách từ điểm ảnh có mức xám lớn nhất tới tâm phát triển vùng. Do vị trí
tâm phát triển vùng được trích xuất từ thông tin vùng ROI chuẩn có trong cơ sở dữ liệu nên
không thể tính được độ nhạy trong trường hợp này.
 Dominguez [11] sử dụng kỹ thuật chia nhỏ mật độ. Ảnh X-quang vú sau khi được
tiền xử lý sẽ được chuyển thành các ảnh nhị phân nhờ việc lấy ngưỡng ở nhiều mức khác
nhau bắt đầu từ mức cao nhất. Quá trình lấy ngưỡng này tiếp diễn cho đến khi cả vùng ảnh
vú được phân vùng hoặc khi mức ngưỡng tiến tới giá trị nhỏ nhất chọn trước. Các vùng
này tiếp đến sẽ được gán điểm, xếp hạng dựa trên so sánh bộ gồm tối đa 18 thuộc tính của
nó với bộ thuộc tính tương ứng của vùng chuẩn cung cấp bởi cơ sở dữ liệu. Các vùng có
hạng cao nhất sẽ được lựa chọn. Thử nghiệm trên 57 ảnh từ cơ sở dữ liệu MIAS [47] thì tại
mức độ nhạy là 80%, FPpI=0.32.
 Thuật toán đối sánh mẫu đa mức được Bator sử dụng trong nghiên cứu của mình
[64]. Mẫu là một ảnh phụ thể hiện mô hình phân bố độ sáng của khối u. Hệ số tương quan
được sử dụng để đánh giá mức độ giống nhau giữa mẫu và vùng tương ứng trên ảnh khi
mẫu được dịch khắp ảnh.
 N 
  tj t i j i 
 c T, I j 1
 NN2 2 (3.13)
 t t i i
 j 1 j  j 1 j 
trong đó, T là mẫu còn I là vùng tương ứng trên ảnh và đều chứa N pixel được đánh số liên
tiếp. tj, ij lần lượt là mức xám của pixel mẫu và pixel ảnh. t , i là mức xám trung bình của
mẫu và của vùng ảnh tương ứng. Mẫu được chọn là mẫu phân bố độ sáng bán cầu với 8
mức bán kính khác nhau
 2 2 2
 tR x, y R x y (3.14)
Thực hiện tương quan trên ảnh ở các tỷ lệ khác nhau 1:1, 1:2, 1:4 và 1:8. Lấy ngưỡng 4
ảnh tương quan thu được ở cùng một mức ngưỡng và kết hợp lại để thu được ảnh vùng
 54
ROI. Thực hiện trên 321 ảnh từ cơ sở dữ liệu mini-MIAS [47], độ nhạy đạt được xấp xỉ
95% với FPpI ≥ 12.77.
 Sử dụng thuật toán đối sánh mẫu kết hợp với kỹ thuật lập trình động là hướng tiếp
cận của Song [32]. Tuy nhiên, ở đây, mẫu Sech thể hiện các tính chất thị giác và thống kê
của khối u được đề xuất thay cho mẫu phân bố độ sáng bán cầu như trong [64]. Mẫu Sech
được định nghĩa bởi
 2
 T x, y 
 exp  x2 y 2 exp  x 2 y 2 (3.15)
 Đường bao thô của khối u thu được nhờ lấy ngưỡng ảnh tương quan theo mức
ngưỡng Otsu [81]. Biểu diễn đường bao này ở tọa độ cực và sử dụng kỹ thuật lập trình
động để tìm đường di chuyển từ cột thứ nhất tới cột cuối cùng (trong tọa độ cực) tối thiểu
hóa hàm chi phí tích lũy
 (r60) and  
 CC r, 1 C r ,0 3 r 60 and  =0 (3.16)
 min CC r l , CC r ,  
 3 l 3
trong đó, r,  là hai biến trong tọa độ cực; l chỉ hướng dịch chuyển từ cột  tới cột +1 còn
C(r, ) là hàm chi phí cục bộ cho bởi
 
 wSrSGI ,,, wGr  wIr  rr  
 C r, (3.17)
 M
với S, G, I tương ứng là đặc trưng dạng, độ lớn đường biên và độ lệch khỏi mức xám mong
 
muốn. r  là ước lượng bán kính đường bao khối u còn wS, wG, wI là các trọng số tương
ứng. Độ nhạy đạt được là 98% (473 vùng dương tính thật trên tổng số 483 vùng tổn thương
của 328 bệnh nhân) với hệ số chồng lấn f 0.4 .
 Terada [98] đề xuất một phương pháp phát hiện vùng nghi ngờ bắt đầu bằng việc
phân vùng ảnh dùng kỹ thuật dịch trung bình sau đó lọc mồng mắt. Thuật toán dịch trung
bình được dùng để phân vùng ảnh trong trường hợp này gồm các bước
 x z
 + Giả thiết j j 1... n là các điểm ảnh ban đầu, j j 1... n là các điểm hội tụ và
 L
 j j 1... n là bộ các số hiệu vùng.
 + Với mỗi j, thực hiện dịch trung bình cho xj và lưu lại điểm hội tụ zj.
 + Nhóm các điểm hội tụ zj thành từng nhóm nếu chúng cách nhau bé hơn 0.5
 + Với từng j, gán Lj p x j C p
 + Loại bỏ các vùng diện tích nhỏ hơn M pixel
 55
 Các khối u phát triển từ tâm ra ngoài nên chúng có độ lớn của vectơ gradien cao. Bộ
lọc mồng mắt là loại bộ lọc thích nghi để thu được thông tin về độ lớn vectơ gradien nên
nó là hữu hiệu khi được dùng để phát hiện mà các khối u mà không cần quan tâm đến kích
thước hay độ tương phản của chúng. Góc hướng của gradien được xác định bởi
 1 f3 f 4 f 5 f 6 f 7 f 11 f 12 f 13 f 14 f 15 
  tan  (3.18)
 f1 f 2 f 3 f 15 f 16 f 7 f 8 f 9 f 10 f 11  
 Các thành phần từ f1 đến f16 tương ứng với giá trị các pixel như trong hình 3.3. Pixel
ở trung tâm là pixel đang xem xét. Góc hướng này được tính cho pixel trong ảnh. Độ lớn
vectơ gradien C được cho bởi
 n
 cosij 
 Cj max   R max n Rmin (3.19)
 i 1 i 
 S
 C j
 C  (3.20)
 j 1 S
với S là số hướng quét; Rmax và Rmin là bán kính max và min của bộ lọc. Các giá trị này
được xác định theo thực nghiệm.
 f7 f6 f5 f4 f3
 f8 f2
 f9 f1
 f10 f16
 f11 f12 f13 f14 f15
 Hình 3.3. Lân cận 5x5 để xác định góc hướng của vectơ gradien.
 Cuối cùng, lấy ngưỡng ảnh độ lớn thu được ở trên để loại bỏ bớt số dương tính giả.
Thử nghiệm trên 398 ảnh chụp X-quang vú (gồm 193 tổn thương hình khối) chọn được S =
32; Rmin = 20 pixel còn Rmax = 40 pixel. Độ nhạy khoảng 93% với FPpI > 15.0.
 Eltoukhy [66] kết hợp thuật toán đối sánh mẫu và biến đổi contourlet để phát hiện
các vùng nghi ngờ tổn thương hình khối trên 116 ảnh chụp X-quang vú từ cơ sở dữ liệu
mini-MIAS [47]. Độ nhạy là 89.3% (phát hiện đúng 50 trong tổng số 56 tổn thương hình
khối).
 Trong nghiên cứu của mình, Zhang [106] đã đề xuất một phương pháp phát hiện
vùng nghi ngờ dựa trên đường biên. Theo phương pháp này, trước tiên, trích chọn trước
vùng ROI chứa tổn thương khối từ cơ sở dữ liệu DDSM [45]. Sau đó, tại mỗi vị trí điểm
ảnh, tính ma trận đồng xuất hiện các mức xám GLCM (Gray-Level Coocurrence Matrix)
với góc =0 và khoảng cách d=1 trong vùng lân cận kích thước 7x7. Ma trận đồng xuất
hiện mức xám GLCM của một ảnh I(I,j) kích thước LxL với phần tử tại hàng i, cột j thể
hiện tần suất xuất hiện pixel có mức xám i và trong khi pixel bên phải và/hoặc bên dưới có
 56
mức xám là j. Đặc trưng năng lượng do Haralick đề xuất [43] là một đại lượng đặc trưng
cho tính không đồng nhất của ảnh. Do đó, năng lượng của từng pixel được tính bởi số lần
xuất hiện cặp đồng giá trị trong ma trận GLCM
 MN
 2
 Năng lượng =  pij (3.21)
 i 1 j 1
 Lấy ngưỡng thích nghi ảnh năng lượng thu được ảnh đường biên (hình 3.4). Vùng
nghi ngờ được chọn lựa là vùng có diện tích chồng lấn lớn nhất lên vùng trung tâm ROI,
vùng chữ nhật viền đỏ có kích thước bằng nửa so với kích thước vùng ROI.
 Kết quả đã phát hiện đúng 355 trong số 525 vùng tổn thương tức là độ nhạy đạt
67.6% với hệ số chồng lấp lên vùng trung tâm là 25%.
 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;
 đường bao của khối u được tách ra (viền xanh).
 Phát hiện vùng nghi ngờ tổn thương khối u bằng cách lấy ngưỡng tối đa entropy dựa
trên ma trận đồng xuất hiện mức xám GLCM là hướng tiếp cận của Lee [89]. Lấy ngưỡng
ảnh với mức ngưỡng T thì mà trận đồng xuất hiện mức xám được chia thành 4 phần là
phần nền-nền BB, phần nền-đối tượng BO, phần đối tượng-nền OB và phần đối tượng-đối
tượng OO. Mức ngưỡng được chọn là mức ngưỡng tối đa entropy cục bộ HLE.
 THTLE= arg max T LE 
 (3.22)
 = arg maxT HTHT BB OO 
với
 TT
 HBB  p BB i, j .log p BB i , j 
 i 0 j 0
 LL 1 1 (3.23)
 HBB   p OO i, j .log p OO i , j 
 i T 1 j T 1
 Độ nhạy phát hiện vùng nghi ngờ ung thư vú cũng như tỷ lệ dương tính giả trên ảnh
khi kiểm nghiệm trên 322 ảnh X-quang vú từ cơ sở dữ liệu mini-MIAS [47] không được
tác giả nêu ra.
 57
3.2. Phát hiện vùng nghi ngờ tổn thương hì nh khối trên ảnh chụp
X-quang vú
 Các phương pháp phát hiện vùng nghi ngờ tổn thương hình khối trên ảnh chụp X-
quang vú được phân tích ở phần 3.3 tập trung từ năm 2006 trở lại đây. Có thể thấy nhiều
nghiên cứu gần đây còn cho hiệu quả kém hơn các nghiên cứu trước đó.
 Trong phần này, phương pháp tìm kiếm đường biên được đề xuất để phát hiện vùng
nghi ngờ tổn thương hình khối trên ảnh chụp X-quang vú được phân tích chi tiết và so sánh
với phương pháp đối sánh mẫu.
3.2.1. Phương pháp đối sánh mẫu
 Ở đây, mẫu đối sánh được sử dụng cũng là mẫu sech tương tự như mẫu sech được sử
dụng trong [32] (phương trình 3.15). Điểm khác biệt duy nhất là ở đây hệ số điều khiển tốc
độ thay đổi mức xám từ tâm của mẫu ra ngoài là 1 chứ không phải là 0.08.
 2
 T x, y 
 exp x2 y 2 exp x 2 y 2 (3.24)
 Lưu đồ thuật toán của phương pháp như ở hình 3.5, gồm các bước chính sau:
 + Lựa chọn mẫu và kích thước mẫu
 + Tính hệ số tương quan giữa mẫu với các vùng tương ứng trên ảnh.
 + Lấy ngưỡng ảnh tương quan thu được các vùng thô ban đầu
 + Phát triển vùng từ những vùng thô này thu được vùng nghi ngờ cuối cùng.
 + Đánh số hiệu từng vùng; xác định tọa độ tâm, bán kính, diện tích từng vùng
 Mẫu được chọn cần có hình dạng, kích thước và tính thống kế gần giống với tổn
thương hình khối nhất. Thực tế cho thấy, khi kích thước mẫu bằng kích thước của tổn
thương hình khối thì tương quan giữa chúng là cao nhất. Sample [60] thống kê trên cơ sở
dữ liệu mini-MIAS [47] nhận thấy: nếu mẫu nhỏ hơn 2 lần kích thương tổn thương thì giá
trị tương quan chúng sẽ giảm đi đáng kể so với khi dùng mẫu có kích thước lớn hơn 2 lần
kích thước tổn thương. Tuy nhiên mẫu càng lớn thì thời gian xử lý càng lâu. Mẫu có kích
thước tăng