Một tiếp cận mới trong việc tổng hợp ảnh y học dựa trên giải thuật tối ưu MPA

Bài viết đề xuất một thuật toán tổng hợp mới cho phép cải thiện chất lượng của hình ảnh được tổng hợp. Thuật toán này dựa trên biến đổi Wavelet và giải thuật tối ưu MPA (Marine Predators Algorithm). Đầu tiên, biến đổi Wavelet được dùng để tách các ảnh đầu vào thành các thành phần trên miền tần số cao và thấp.
Nội dung trích xuất từ tài liệu:
Một tiếp cận mới trong việc tổng hợp ảnh y học dựa trên giải thuật tối ưu MPA Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), TP. HCM, ngày 23-24/12/2021 DOI: 10.15625/vap.2021.0054 MỘT TIẾP CẬN MỚI TRONG VIỆC TỔNG HỢP ẢNH Y HỌC DỰA TRÊN GIẢI THUẬT TỐI ƯU MPA Ngô Xuân Trà1, Đinh Phú Hùng1, Nguyễn Huy Đức1, Nguyễn Long Giang2 Khoa Công nghệ thông tin, Trường Đại học Thủy lợi 1 Viện Công nghệ thông tin, Viện Hàn lâm Khoa học và Công nghệ Việt Nam 2 tranx222k@gmail.com, hungdp@tlu.edu.vn, ducnghuy@tlu.edu.vn, nlgiang@ioit.ac.vn TÓM TẮT: Tổng hợp hình ảnh Y học đang thu hút được sự quan tâm của các nhà nghiên cứu trong thời gian gần đây bởi vì nó hỗ trợ cho các bác sỹ nâng cao khả năng chẩn đoán lâm sàng. Cho đến nay, đã có nhiều phương pháp khác nhau được đề xuất để giải quyết bài toán này. Tuy nhiên, theo quan sát của chúng tôi, hình ảnh được tổng hợp bởi một số phương pháp hiện tại là có chất lượng thấp. Trong bài báo này, chúng tôi đề xuất một thuật toán tổng hợp mới cho phép cải thiện chất lượng của hình ảnh được tổng hợp. Thuật toán này dựa trên biến đổi Wavelet và giải thuật tối ưu MPA (Marine Predators Algorithm). Đầu tiên, biến đổi Wavelet được dùng để tách các ảnh đầu vào thành các thành phần trên miền tần số cao và thấp. Sau đó, các thành phần tần số thấp được tổng hợp bởi quy tắc trung bình, và các thành phần tần số cao được tổng hợp bằng quy tắc dựa trên cực đại hóa hàm năng lượng cục bộ (Maximum Local Energy - MLE). Tiếp đó, từ ảnh được tổng hợp này, chúng tôi tạo ra 3 ảnh tăng cường bởi sử dụng các phương pháp tăng cường ảnh cơ bản: cân bằng Histogram thích nghi, phát hiện biên Canny và lọc trung vị. Giải thuật tối ưu MPA được sử dụng để tìm ra các hệ số tối ưu cho từng ảnh được tăng cường đó. Hình ảnh đầu ra thu được từ sự kết hợp của 3 ảnh được tăng cường với các hệ số tối ưu đã tìm được. Các kết quả thử nghiệm cho thấy thuật toán đề xuất cho chất lượng ảnh tốt hơn nhiều so với một số phương pháp khác gần đây. Từ khóa: MPA, YUV, DWT. I. GIỚI THIỆU Tổng hợp hình ảnh Y học đa phương thức là quá trình kết hợp thông tin bổ sung từ các hình ảnh chụp với các phương thức khác nhau để tạo thành một hình ảnh duy nhất với mục đích cải thiện chất lượng hình ảnh và bảo tồn các đặc trưng của hình ảnh đầu vào. Công việc tổng hợp này giúp tăng khả năng chẩn đoán của các bác sĩ trong quá trình chuẩn đoán lâm sàng. Các phương pháp tổng hợp hình ảnh Y học có ứng dụng trong rất nhiều các lĩnh vực khác nhau như trong thị giác máy tính, Y học lâm sàng, học máy, nhận dạng mẫu. Hiện nay, có rất nhiều các loại hình ảnh Y học được thu nhận bởi các phương thức khác nhau. Ví dụ như: Hình ảnh cộng hưởng từ (Magnetic Resonance Imaging - MRI), chụp cắt lớp vi tính (Computed Tomography - CT), chụp cắt lớp phát xạ positron (Positron Emission Tomography - PET) và phát xạ đơn photon (Single Photon Emission Computed Tomography - SPECT). Mỗi một loại hình ảnh đều chứa những thông tin riêng mà những loại hình ảnh khác không có. Ví dụ, hình ảnh MRI có độ phân giải cao và chứa các thông tin biểu diễn các mô mềm, nhưng chúng cung cấp ít thông tin về các chuyển động. Trong khi hình ảnh PET có độ phân giải thấp và chúng cung cấp thông tin về hoạt động chức năng và trao đổi chất của tế bào. Do đó, việc tổng hợp hình ảnh Y học sẽ cho phép tạo ra một hình ảnh mang thông tin quan trọng từ những hình ảnh Y học đơn lẻ. Một số kiểu kết hợp của các hình ảnh Y học có thể được đề cập như: MRI-PET, CT-PET, CT-SPECT. Cho đến nay, các cách tiếp cận đã được đề xuất để giải quyết cho bài toán tổng hợp hình ảnh có thể được chia làm 2 nhóm chính: Các phương pháp dựa trên miền không gian và các phương pháp dựa trên miền biến đổi [1]. Trong các phương pháp dựa trên miền không gian, các điểm ảnh, khối, hoặc vùng của ảnh sẽ được thao tác trực tiếp mà không cần sử dụng một phép biến đổi hình ảnh. Ví dụ, các cách tiếp cận dựa trên điểm ảnh [2], các cách tiếp cận dựa trên khối và các cách tiếp cận dựa trên vùng ảnh [3], [4]. Các quy tắc tổng hợp thường được sử dụng như: Quy tắc Min-Max, quy tắc trung bình cộng [5], [6], [7], [8]. Ưu điểm của các phương pháp này là chúng có độ phức tạp tính toán thấp. Ngược lại, nhược điểm của nó là thông tin quan trọng như các cạnh có thể bị mất trong ảnh tổng hợp. Do đó, các phương pháp dựa trên miền biến đổi thường được sử dụng để khắc phục những hạn chế này. Các phương pháp tiếp cận dựa trên miền biến đổi thường được sử dụng rộng rãi trong các cách tiếp cận gần đây vì chúng đã cho thấy hiệu quả trong tổng hợp hình ảnh y tế. Có ba giai đoạn chính của quá trình hợp nhất, bao gồm biến đổi hình ảnh, áp dụng các quy tắc để hợp nhất các thành phần trong miền biến đổi và biến đổi nghịch đảo [9]. Trong giai đoạn đầu, một thuật toán phân rã ảnh được áp dụng để chuyển ảnh đầu vào sang miền biến đổi. Trong giai đoạn tiếp theo, một quy tắc hợp nhất cụ thể được sử dụng để hợp nhất các thành phần trong miền biến đổi. Trong giai đoạn cuối cùng, một phương pháp phân rã ảnh ngược được thực hiện để chuyển đổi các thành phần tổng hợp thành ảnh hợp nhất. Nói chung, các phương pháp tiếp cận dựa trên miền biến đổi có thể được phân loại như sau: các phương pháp tiếp cận dựa trên sự phân rã đa tỉ lệ (Multi-Scale Decomposition - MSD) và các phương pháp tiếp cận dựa trên sự biểu diễn thưa (Sparse Representation - SR). Các phương pháp tiếp cận dựa trên phân tích đa tỉ lệ (MSD) bao gồm một số phương pháp như phương pháp biến đổi Pyramid, phương pháp biến đổi Wavelet, phương pháp dựa trên phân tích hình học đa tỉ lệ (Multi-Scale Geometric Analysis - MSGA). Trên thực tế, các phương pháp dựa trên miền biến đổi vẫn còn một số hạn chế. Ví dụ: các phương pháp tiếp ...