M CăL C Trang tựa Quy t đ nh giao đ tài Trích y u lu n văn i LỦ l ch cá nhân ii Lời cam đoan iii C m ta vi Tóm tắt v Mở đầu vi M cl c viii Danh m c b ng xi Danh m c hình v CH xii NGă1:ăTỔNGăQUANăV ăPH NGăPHÁPăSİểUăỂMăTRONGăYăH C 1.1 Kỹ thu t siêu âm gan không gây h i 1.1.1 Nguyên tắc 1.1.2 Nguyên lý 1.1.3 Xử lỦ tín hi u siêu âm gan 1.2 Các k t qu nghiên c u đư công bố 1.3 K t lu n ch ơng CH NGă2: NGHIÊN C U KỸ THU T XỬ LÝ TÍN HI U DÙNG BI N ĐỔIă WAVELET PACKET 10 2.1 Ba ki u mode siêu âm 15 viii 2.1.1 A mode 10 2.1.2 M mode 10 2.1.3 B mode 11 2.2 Các họ Wavelet dùng xử lỦ nh 12 2.2.1 L ch sử c a Wavelet 12 2.2.2 Gi i thi u v họ Wavelet 13 2.2.2.1 Harr Wavelets 13 2.2.2.2 Daubechies Wavelets 13 2.2.2.3 Nh trực giao (Bior Wavelets) 14 2.2.2.4 Coiflets Wavelets 14 2.2.2.5 Symlets Wavelets 15 2.2.2.6 Morlet Wavelets 15 2.2.2.7 Mexican Hat Wavelets 16 2.2.2.8 Meyer Wavelets 16 2.3 Không gian cửa sổ c a bi n đổi Fourier Wavelet Packet 17 2.3.1 Mi n chữ nh t tần số- thời gian 17 2.3.2 Nguyên lỦ bất đ nh Heisenberg 17 2.3.3 Phép bi n đổi Fourier đ 18 c cửa sổ hóa 2.3.4 Gi i pháp ô tần số thời gian bi n đổi 20 2.3.5 Cơ sở trực giao c a tần số thời gian 22 2.3.6 Cơ sở Wavelet Packet 22 2.4 K t lu n ch ơng 24 ix CH NGă 3:ă NGă D NGă BI Nă ĐỔİă WAVELETS TRONGă SİểUă ỂMă GAN 25 3.1 Gi i thi u v phép bi n đổi Haar 25 3.1.1 Phép bi n đổi Haar cổ n rời r c 25 3.1.2 Phép bi n đổi Wavelet Haar rời r c 29 3.1.3 nh sở Wavelet Haar 31 3.2 Gi i thi u v Gabor Wavelet 36 3.2.1 Phép bi n đổi Gabor Wavelet 37 3.2.1.1 Phép bi n đổi 1-D Gabor Wavelet 37 3.2.1.2 Phép bi n đổi 2-D Gabor Wavelet 40 3.2.2 Nh n d ng k t cấu 42 3.2.2.1 Khuôn d ng đáp ng Gabor 42 3.2.2.2 Chọn lựa thông số 43 3.3 Gi i thu t SVM nh y sinh 46 3.3.1 L u đồ 46 3.3.2 Gi i thu t 49 3.3.3 u m c a SVM nh y sinh 3.3.4 Khuy t m c a SVM nh y sinh 51 3.3.3 Phân lo i 52 3.3.4 Bi u th c toán học 52 3.3 K t lu n ch ơng CH 51 53 NGă4ă:ăXỂYăDỰNGăMỌăHỊNHăMỌăPH NGăXỬăLụă NHăSİểUăỂMă GAN KHÔNGăGỂYăH IăBẰNGăWAVELET PACKETăK TăH PăVỚIă SUPPORT VECTOR MACHINE 54 x 4.1 Đối t ng ph ơng pháp đánh giá 54 4.2 Phân rư nh dùng Wavelet Packet 54 4.3 Phép bi n đổi Gabor Wavelet hai chi u 68 4.3.1 Xác đ nh đ xơ gan từ Gabor Wavelet 68 4.3.2 Xác đ nh u gan gan có v t th l 77 4.4 Dùng SVM đ chẩn đoán đ nh tính gan bình th ờng hay gan xơ 80 4.6 K t lu n ch ơng 84 K T LU N VÀ H NG PHÁT TRI N C A Đ TÀI 86 TÀI LI U THAM KH O 88 PH L C 90 xi DANHăM CăCÁCăB NGăBI U S ăhi u Tênăb ngăbi u Trang 3.1 Danh sách thông số quan trọng 49 3.2 Danh sách thông số chọn lựa 53 4.1 Mối quan h đ xơ giai đo n xơ gan 70 4.2 Ph b ng tra màu đ xơ 70 xii DANHăM CăCÁCăHỊNHăV S ăhi u Tên hìnhăv Trang 1.1 V n tốc c a sóng đàn hồi 1.2 Sóng đàn hồi gan ng ời 1.3 V trí đầu dò m đo 1.4 Sóng bi n d ng lan truy n 1.5 B n đồ màu mư hóa tốc đ sóng bi n d ng 1.6 Hàm M t Đ Xác Suất 1.7 Hàm phân bố tích lũy 1.8 Hàm M t Đ Phổ Công Suất theo Cm2 1.9 Sơ đồ khối c a h thống CAD cho chẩn đoán xơ gan 2.1 nh siêu âm A ậ mode 10 2.2 nh siêu âm M - mode 11 2.3 nh siêu âm B ậ mode 11 2.4 Hàm Haar Wavelet 13 2.5 Họ Daubechies Wavelet 13 2.6 Họ Wavelet nh tr c giao Bior 14 2.7 Họ Coiflets Wavelet 15 2.8 Họ Sym Wavelet 15 2.9 Hàm Morlet Wavelets 16 2.10 Hàm Wavelet Mexican Hat 16 2.11 Hàm Wavelet Meyer 16 2.12 H p Heisenberg bi u di n m t phần tử r 18 2.13 H p thời gian-tần số tr i phổ l 19 2.14 H p thời gian-tần số c a Wavelet Wu , s Wu , s 21 2.15 Các h p thời gian-tần số c a m t sở Wavelets đ nh nghĩa m t ốp lát c a mặt phẳng thời gian-tần số 23 ng xiii M t sở Wavelet Packet chia tr c tần số kho ng ri ng c a kích th c khác M t ốp lát có đ c cách d ch thời gian Wavelet Packet bao ph kho ng tần số Phép bi n đổi S c a nh có ch a xung ki m tra: a) WalshHadamard, b) Haar, c) DST (Phép bi n đổi Sin rời r c), d) DCT (Phép bi n đổi Cosine rời r c) 23 3.2 Phép nhân hai hàm Haar rời r c 33 3.3 Các hàm tích 2D Haar xử lý nh b trích rút 35 3.4 37 3.5 Tích hàm Wavelet 2D đ c xử lỦ nh b trích rút M c đ phân rư: (trái) đầu tiên, (trung tâm) th hai, (ph i) th ba Thí d v m t b lọc 2D Gabor 3.6 Các thí d phép bi n hình Gabor Wavelets m t chi u 39 3.7 Đáp ng Gabor 1D v i m=20 n=10 40 3.8 Đáp ng Gabor 1D v i m=80 n=40 40 3.9 Thí d phép bi n hình hai chi u Gabor Wavelets mi n đặc bi t 41 3.10 Thí d phép bi n hình Gabor Wavelets 2D ph m vi tần số 42 3.11 M u k t cấu gốc 44 3.12 M u k t cấu xoay theo tr c X góc 450 44 3.13 M u k t cấu xoay theo tr c tr c Y 450 44 3.14 M u k t cấu xoay theo tr c Z 450 44 3.15 Đáp ng Gabor cho phép quay theo tr c X,Y,Z 45 3.16 Phép bi n hình Wavelet v i Nf=3 N0=3 45 3.17 Phép bi n hình Wavelet v i Nf=6 N0=6 46 3.18 Phép bi n hình Wavelet v i Nf=9 N0=9 46 3.19 Phép bi n hình Wavelet v i Nf=12 N0=12 46 3.20 L u đồ dung SVM đ phân loai gan bình th ờng hay gan xơ 47 3.21 Cách chuy n nh 2D chi u thành 1-D 48 3.22 Thí d chuy n ma tr n nh 2-D thành vector huấn luy n 1D 49 3.23 L u đồ phân lo i nh siêu âm gan dùng SVM 50 3.24 Phân lo i SVM n tính thành hai mi n 51 2.16 3.1 xiv 29 38 4.1 Sơ đồ nguyên lỦ phân rư nh chi u 55 4.2 57 4.3 L u đồ nguyên lỦ dùng phép bi n đổi Wavelet Packet (Haar Wavelets & Bior) đ phân rư hình Phép rư hình xấp x , ngang chéo 4.4 Gi i thu t mô phần phân rư ưnh 58 4.5 Phân rư nh b lọc Haar cấp gan bình th ờng 59 4.6 Phân rư nh b lọc cấu trúc Haar cấp gan bình th ờng 59 4.7 Phân rư nh b lọc Haar cấp gan xơ 60 4.8 Phân rư nh b lọc cấu trúc Haar cấp gan xơ 60 4.9 Phân rư nh b lọc Bior 1.1 cấp gan bình th ờng 61 4.10 Cấu trúc c a b lọc Bior 1.1 cấp gan bình th ờng 61 4.11 Cấu trúc c a b lọc Bior 1.1 cấp gan xơ 62 4.12 Cấu trúc c a b lọc Bior 1.1 cấp gan xơ 62 4.13 Tám l c đồ xám chi ti t chéo Haar cấp gan bình th ờng 64 4.14 Bốn l c đồ xám c a chi ti t chéo gan bình th ờng 65 4.15 Tám l c đồ xám c a chi ti t chéo gan bình th ờng 66 4.16 Hai l 4.17 Các nét đặc tr ng đ cấp c trích xuất từ ti u nh c a rư hình WPT 68 4.18 Các nét đặc tr ng đ cấp c trích xuất từ ti u nh c a rư hình WPT 68 4.19 L u đồ phân tích cấu trúc đa tỷ l dùng Stearing Gabor Wavelets 69 4.20 Phép rư hình Gabor v i 40 Wavelets 71 4.21 Tỷ l phóng hình h số truy n sóng c a nh siêu âm gan có đ 72 c đồ xám chi ti t chéo cấp gan xơ 58 67 xơ Kpa 4.22 4.23 4.24 4.25 Tỷ l phóng hình h số truy n sóng c a nh siêu âm gan có đ xơ 11.8Kpa Bốn hình v h số truy n sóng c a nh siêu âm gan xơ qua phép lọc Stearing Gabor Wavelets Năm hình v h số truy n sóng c a nh siêu âm gan bình th ờng qua phép lọc Stearing Gabor Wavelets L u đồ lọc Gabor b o toàn l xv 72 74 76 77 78 4.27 Dùng kỹ thu t tăng c ờng tách l làm gờ biên c a nh siêu âm gan bình th ờng Dùng phép lọc qua phổ h số Gabor c a nh siêu âm gan xơ 4.28 L u đồ truy vấn nh siêu âm gan dùng SVM 80 4.29 L u đồ mô truy vấn nh siêu âm gan dùng SVM 81 4.26 xvi 79 THD: PGS TS, Lê Tiến Th Xử lỳ nh siêu âm không gây h i d ng WP & SVM Ch T NG QUAN V PH ng ng NG PHÁP SIểU ỂM TRONG YH C 1.1 K thu t siêu ơm gan không gơy h i Ng̀y nay, Elastography (ph ơng pháp đo độ đ̀n hồi), k̃ thụt siêu âm d̀ng đ̉ tìm ch̃ ćng bất th ng c a mô quan đư l̀m đ ợc điều Độ ćng c a mô đ ợc đo định l ợng ṿt lý gọi l̀ Young’s modulus v̀ trình b̀y đơn vị áp lực gọi l̀ Pascals hay th ng d̀ng l̀ KiloPascals (KPa) C̀ng v́i Elastography, Shear Wave Elastography, ph ơng pháp ḿi dựa v̀o k̃ thụt MultiWave đư lộ diện, d̀ng đ̉ hình nh h́a śng siêu âm B-mode v̀ lo i śng âm ḿi, śng âm biến d ng (Shear Wave) Shear Wave Elastography có th̉ chụp đ ợc chuỷn động truyền sóng âm biến d ng (Shear Wave) mô m̀ ch a ć k̃ thụt khác có th̉ phát đ ợc Shear Wave Elastography chụp v̀ định l ợng tốc độ lan truyền Shear Wave v̀ đo đ ợc độ đ̀n hồi mô theo đơn vị KiloPascals Đo độ đ̀n hồi b ́c quan trọng chẩn đoán ć liên quan đến bệnh học Shear Wave Elastography k̃ thụt siêu âm hệ h́a hẹn nhiều lợi ích chẩn đoán hình nh v̀ ý nghĩa lâm s̀ng Tr ́c hết ta ṭp trung vào k̃ thụt siêu âm không gây h i 1.1.1 Nguyên t c Độ ćng suất đ̀n hồi: nh suất Young đ ợc diễn đ t d ́i đơn vị Pascal (Pa) Độ ćng thông số mà phụ thuộc vào tr ng thái bệnh lý c a mô mềm Từ nhiều kỷ, bác sĩ sử dụng ph ơng pháp khám bệnh gan cách dùng tay s v̀ đè thành bụng Đ̉ đo độ ćng mô mềm, độ ćng tỷ lệ v́i ṿn tốc c a śng đ̀n hồi đ ợc gọi l̀ śng đ̀n hồi biến d ng (Shear Wave) Shear Waves đ ợc sử dụng rộng rãi mô sinh học: mô sinh học c̀ng xơ ćng, sóng Shear Wave nhanh 1.1.2 Nguyên lý g m b c Tổng quan phương pháp siêu âm y học HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM K T LU N VÀ H THD: PGS TS, Lê Tiến Th ng NG PHÁT TRI N C A Đ TÀI Tr ́c đây, k̃ thụt xử lý tín hiệu th ng dùng phép biến đổi Fourier công nghiệp y khoa Gần phép biến đổi Wavelets, Wavelet Packet hình thành phát trỉn nhanh c̀ng đ ợc áp dụng công nghiệp, y khoa đặc biệt xử lý tín hiệu chiều ( nh y học) u đỉm c a Wavelets so v́i Fourier theo nguyên lý bất định Heisenberg, hộp Fourier cố định có hình vuông, mà hộp Wavelets dù có diện tích hộp v́i hộp Fourier nh ng l̀ hình chữ nḥt có chiều cao (tần số) chiều rộng (th i gian) biến đổi d ợc tần số thấp, chiều cao ĺn chiều rộng (th i gian) nhỏ th̉ nh xấp xỉ mà phép biến đổi Gabor Wavelets phù hợp đ̉ áp dụng lấy g biên nh c a đối t ợng khác nh tần số cao, chiều cao nhỏ chiều rộng dài Các phép biến đổi Wavelets nh Haar hay Bior l̀ thụn tiện cho phép phân rã hình lấy chi tiết theo ngang, dọc hay chéo Có liệu thống kê l ợc đồ xám đ̉ có th̉ phân tích bất th ng cấu trúc gan Gíi h n lụn văn ǹy l̀ ch a ṭp hợp đ ĺn liệu đ̉ theo h ́ng phân tích liệu xác suất thống kê, đ́ đ độ ĺn mẫu đ̉ cho máy học ph ơng pháp SVM (Support Vector Machine) Gabor Wavelets tốt nḥn dang Một bất lợi c a ph ơng pháp Gabor l̀ không cho ta thông tin chi tiết phân rã nh chi tiết cao Trong Haar Bior Wavelets l i có thông tin tốt xác suất thống kê nh độ lệch chu✟n, trung bình mean, trung vị median, mode v̀ v.v… Những thông số có ích việc chọn hàm Wavelets đ̉ phân rã nh Những hàm Wavelets th ng dùng phân rã nh Haar, daubechies, Symlets, Colfilets, Bior, Morlet, Mayer Mexican Hat Nếu s liệu bệnh nhân đ ĺn, ta áp dụng tất c hàm thử nghiệm mô đ̉ lấy ph ơng pháp chọn hàm Wavelets riêng cho cách tối u Ngoài ra, lụn văn trình bày ḿc định tính: gan bình th ng hay gan xơ xác định SVM ĺp Đây gíi h n c a đề tài s liệu bệnh nhân h n chế Ngoài phép biến đổi Steering Gabor Wavelets phù hợp v́i phép đo ṿn tốc c a siêu âm ṿt th̉ công nghiệp hay quan y học, nghĩa l̀ tốc độ truyền sóng th̉ qua hệ số dốc c a hàm kho ng cách thâm nḥp sóng siêu âm theo th i gian Do đ́ hệ số ng ỡng gan bình th ng gan bị xơ l̀ hòn tòn xác định tùy thuộc vào tần số siêu âm phát c a đầu dò c a hãng s n xuất thiết bị Do đ́, ta cần mua đầu dò c m biến c a hưng y khoa ǹo đ́, ta có thông số ng ỡng Sử dụng phép biến đổi đư đề c̣p lụn văn ǹy d̀ng máy tính thay cho thiết bị hưng đ̉ thực phần xử lý tín hiệu siêu âm đỡ tốn Kết luận & hướng phát triển đề tài 86 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng nhiều, có kh trang bị cho s hay tr m y tế v̀ng sâu, v̀ng xa đ̉ có th̉ chẩn đoán bệnh xơ gan, viêm gan hay u gan ban đầu Do gíi h n c a th i gian, lụn văn ǹy gi i việc xác định bất th ng c a gan l̀ xơ gan v̀ u gan Gíi h n c a đề tài xác định định tính: gan bình th ng v̀ xơ gan Trong t ơng lai, lụn văn ǹy trỉn khai m rộng theo h ́ng định l ợng cấp độ xơ gan Đ̉ đ t đ ợc điều này, ta cần ć đ số l ợng mẫu ĺp sử dụng công cụ phân tích xác suất thống kê nh SPSS Mặt khác dùng phân lo i đa ĺp đ̉ tách thành ḿc xơ gan nh b ng sau: Các hệ số cho SVs lớp Các hệ số cho SVs lớp Các hệ số cho SVs lớp Kết luận & hướng phát triển đề tài 87 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng TÀI LI U THAM KH O [1] Yoshida, H., Casalino, D D., Keserci, B., Coskun, A., Ozturk, O., & Savranlar, A (2003) “Wavelet-packet-based texture analysis for differentiation between benign and malignant liver tumours in ultrasound images” Physics in Medicine and Biology, 48(22), 3735 [2] Wan, Jiuqing, and Sirui Zhou "Features extraction based on wavelet packet transform for B-mode ultrasound liver images." Image and Signal Processing (CISP), 2010 3rd International Congress on Vol IEEE, 2010 [3] C Wu, Y Chen, and K Hsieh, “Texture features for classification of ultrasonic liver images,” IEEE Trans Med Imag., vol 11, pp 141-152, June 2011 [4] Mojsilovic A, Popovic MV, Rackov DM “On the selection of an optimal wavelet basis for texture characterization” IEEE Trans Imag Proc 2000;9(12):2043–2050 [5] Yong-Ping Zheng, Tak-Man Mak, Zheng-Ming Huang, Chung-Wai James Cheung, Yong-Jin Zhou, Jun-Feng He1 “Liver Fibrosis Assessment Using Transient Elastography Guided with Real-Time B-Mode Ultrasound Imaging” C.T Lim and J.C.H Goh (Eds.): WCB 2010, IFMBE Proceedings 31, pp 1036–1039, Hong Kong, China 2010 [6] Virmani J, Kumar V, Kalra N, Khandelwal N: “Prediction of cirrhosis based on singular value decomposition of gray level co-occurrence matrix and a neural network classifier” Proceedings of IEEE International Conference on Developments in E-systems Engineering, DeSE-2011 IEEE, Dubai, UAE 2011, pp 146–151 [7] Virmani J, Kumar V, Kalra N, Khandelwal N: “A rapid approach for prediction of liver cirrhosis based on first order statistics” Proceedings of IEEE International Conference on Multimedia, Signal Processing and Communication Technologies, IMPACT-2011, 212–215, Dubai, UAE 2011 [8] Wan J, Zhou S: “Features extraction based on wavelet packet transform for Bmode ultrasound images” Proceedings 3rd International Congress on Image and Signal Processing, CISP-2010 IEEE, Yantai, China, 2010, pp 949–955 Tài liệu tham kh o 88 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng [9] A Mojsilovic, M Popovic, D Sevic, "Classification of the ultrasound liver images with the 2Nx1-D wavelet transform", Proc 1996 IEEE Int Conf on Image Processing, vol 1, pp 367-370, Lausanne, Switzerland, 16-19 Sept 1996 [10] Huang, Yali, et al “Texture analysis of ultrasonic image based on wavelet packet denoising and feature extraction” Bioinformatics and Biomedical Engineering, 2009 ICBBE 2009 3rd International Conference IEEE, 2009 p 1-6 [11]] N.N Tsiaparas, S Golemati, I Andreadis, J.S.Stoitsis, I Valavanis, K.S Nikita, “Comparisonof Multi resolution Features for Texture Classification of Carotid Atherosclerosis From B Mode ultrasound”, IEEE Transactions on Information Technology in Biomedicine , vol 15, pp 130-137,2011 [12] Jitendra Virmani & Vinod Kumar & Naveen Kalra & Niranjan Khandelwal “SVM-Based Characterization of Liver Ultrasound Images Using Wavelet Packet Texture Descriptors” J Digit Imaging (2013) 26:530–543 DOI 10.1007/s10278-0129537-8 Society for Imaging Informatics in Medicine 2012 [13] Chang CC, Lin CJ: LIBSVM, A library of support vector machines, Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm Accessed 15 March 2012 [14] Misiti, M., Misiti, Y., Oppenheim, G., & Poggi, J M “Wavelet Toolbox User Guide” MATLAB, 1997-2009, The MathWorks [15] StỨphane Mallat.”A Wavelet Tour of Signal Processing”, 3rd ed.Academic Press, pp 15-20, Dec 2008 [16] Stanković, Radomir S., and Bogdan J Falkowski "The Haar wavelet transform: its status and achievements." Computers & Electrical Engineering 29.1 (2003): 25-44 [17] Fuyang Liu “Texture identification using Gabor wavelet based signal processing” Institution of Technology and Innovation University of Southern Denmark December 28, 2011 [18] Hazra, Dipankar "Texture recognition with combined GLCM, wavelet and rotated wavelet features." International Journal of computer and electrical engineering 3.1 (2011): 1793-8163 Tài liệu tham kh o 89 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th PH L C Sau l̀ n mã code dùng mô clear; clf; % T i nh I=rgb2gray(imread('anhsieuamgan1.jpg','jpg')); load colormaps.mat % Hỉn thị nh xám colormap(grayscale); imshow(I); % Loc nh [G,GABOUT]=gaborfilter(I,0.05,0.025,0,0); clear I; R=real(GABOUT); I=imag(GABOUT); M=abs(GABOUT); P=angle(GABOUT); clear GABOUT; % Hỉn thị filter's outputs figure; colormap(redgreen); Phụ lục 90 HVTH: Trịnh Hoàng Duy ng Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th subplot(2,2,1); k=127.5/max(max(abs(R))); image(uint8(k*R+127.5)); subplot(2,2,2); k=127.5/max(max(abs(I))); image(uint8(k*I+127.5)); % Hỉn thị lõi kernels colormap(redgreen); subplot(2,2,3); image(uint8(127.5*real(G)+127.5)); subplot(2,2,4); image(uint8(127.5*imag(G)+127.5)); % Hỉn thị biên độ figure; colormap(grayscale); k=255/max(max(M)); image(uint8(k*M)); % Hỉn thị phase figure; colormap(redgreen); k=127.5/pi; image(uint8(k*P+127.5)); % 40 GABOR mẫu tỷ lệ phóng nh x góc quay & hỉn thị góc close all; Phụ lục 91 HVTH: Trịnh Hoàng Duy ng Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng clear all; clc; % Thông số R = 128; C = 128; Kmax = pi / 2; f = sqrt( ); Delt = * pi; Delt2 = Delt * Delt; % Hỉn thị Gabor Wavelets for v = : for u = : GW = GaborWavelet ( R, C, Kmax, f, u, v, Delt2 ); % T o Gabor Wavelets figure( ); subplot( 5, 8, v * + u ),imshow ( real( GW ) ,[]); % Hỉn thi phần thực c a Gabor Wavelets end figure ( ); subplot( 1, 5, v + ),imshow ( abs( GW ),[]); % Hỉn thi biên đô Gabor Wavelets end rgb = imread('hinhsieuam1.jpg'); [X,map] = rgb2ind(rgb,256); img = im2double(rgb2gray(rgb)); %# [m,n] = size(img); %# L u kích th ́c gốc Kmax = pi/2; f = sqrt( ); Delt = * pi; Phụ lục 92 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th Delt2 = Delt * Delt; %# Chọn tâm có vị trí số lẻ R = 127; C = 127; %# Kích th ́c lọc số lẻ pR = (R-1)/2; pC = (C-1)/2; if rem(m,2) ~= 0; pR = pR + 1; end; if rem(n,2) ~= 0; pC = pC + 1; end; img = padarray(img,[pR pC],'pre'); %# Cḥp vòng GW = {}; %# Xây dựng dãy lọc for v = : for u = : GW = [GW {GaborWavelet(R, C, Kmax, f, u, v, Delt2)}]; end end %# Fast FT padsize = size(img) - [R C]; GW = cellfun( @(x) padarray(x,padsize/2), GW, 'UniformOutput',false); imgFFT = fft2(img); %# Tiền tính toán FFT for i=1:length(GW) filter = fft2( ifftshift( GW{i} ) ); imgfilt{i} = ifft2( imgFFT * filter ); %# Áp dụng phép cḥp Phụ lục 93 HVTH: Trịnh Hoàng Duy ng Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng end % imgS = zeros(m,n); for i=1:length(imgfilt) imgS = imgS + imgfilt{i}(pR+1:end,pC+1:end); end %# Hình kết qu imagesc(abs(imgS)); % Các hàm % Gabor Wavelets function GW = GaborWavelet (R, C, Kmax, f, u, v, Delt2) k = ( Kmax / ( f ^ v ) ) * exp( 1i * u * pi / );% Wave Vector kn2 = ( abs( k ) ) ^ 2; GW = zeros ( R , C ); for m = -R/2 + : R/2 for n = -C/2 + : C/2 GW(m+R/2,n+C/2) = ( kn2 / Delt2 ) * exp( -0.5 * kn2 * ( m ^ + n ^ ) / Delt2) * ( exp( 1i * ( real( k ) * m + imag ( k ) * n ) ) - exp ( -0.5 * Delt2 ) ); end end % Gabor Filter [Gf,gabout] = gaborfilter1(B,sx,sy,f,theta(j)); G{m,n,i,j} = Gf; Phụ lục 94 HVTH: Trịnh Hoàng Duy THD: PGS TS, Lê Tiến Th Xử lỳ nh siêu âm không gây h i d ng WP & SVM function [Gf,gabout] = gaborfilter(I,Sx,Sy,f,theta); if isa(I,'double')~=1 I = double(I); end for x = -fix(Sx):fix(Sx) for y = -fix(Sy):fix(Sy) xPrime = x * cos(theta) + y * sin(theta); yPrime = y * cos(theta) - x * sin(theta); Gf(fix(Sx)+x+1,fix(Sy)+y+1) = exp(.5*((xPrime/Sx)^2+(yPrime/Sy)^2))*cos(2*pi*f*xPrime); end end Imgabout = conv2(I,double(imag(Gf)),'same'); Regabout = conv2(I,double(real(Gf)),'same'); gabout = sqrt(Imgabout.*Imgabout + Regabout.*Regabout); function gfs = GaborFilter(winLen,uh,ul,S,D) % gfs(SCALE, DIRECTION, :, :) winLen = winLen + mod(winLen, 2) -1; x0 = (winLen + 1)/2; y0 = x0; if S==1 a = 1; su = uh/sqrt(log(4)); sv = su; else Phụ lục 95 HVTH: Trịnh Hoàng Duy ng Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th a = (uh/ul)^(1/(S-1)); su = (a-1)*uh/((a+1)*sqrt(log(4))); if D==1 tang = 1; else tang = tan(pi/(2*D)); end sv = tang * (uh - log(4)*su^2/uh)/sqrt(log(4) - (log(4)*su/uh)^2); end sx = 1/(2*pi*su); sy = 1/(2*pi*sv); coef = 1/(2*pi*sx*sy); gfs = zeros(S, D, winLen, winLen); for d = 1:D theta = (d-1)*pi/D; for s = 1:S scale = a^(-(s-1)); gab = zeros(winLen); for x = 1:winLen for y = 1:winLen X = scale * ((x-x0)*cos(theta) + (y-y0)*sin(theta)); Y = scale * (-(x-x0)*sin(theta) + (y-y0)*cos(theta)); gab(x, y) = -0.5 * ( (X/sx).^2 + (Y/sy).^2 ) + (2*pi*1j*uh)*X ; end end Phụ lục 96 HVTH: Trịnh Hoàng Duy ng Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng gfs(s, d, :, :) = scale * coef * exp(gab); end end +++++++++++++++++++++++++++++++++++++++++++++++++ % Đo n mã cho phần phân loai gan bình th ng v̀ gan xơ SVM clc clear all % T i liệu Dataset = '&đ ng dẫn liệu'; Testset = '&đ ng dẫn kỉm nghiệm'; % X lý nh % chuỷn sang ḿc xám grayscale % t o kích th ́c nh width=100; height=100; DataSet = cell([], 1); for i=1:length(dir(fullfile(Dataset,'*.jpg'))) % Xử lý huấn luyện k = dir(fullfile(Dataset,'*.jpg')); k = {k(~[k.isdir]).name}; for j=1:length(k) tempImage = imread(horzcat(Dataset,filesep,k{j})); imgInfo = imfinfo(horzcat(Dataset,filesep,k{j})); % Biến đổi nh if strcmp(imgInfo.ColorType,'grayscale') DataSet{j} = double(imresize(tempImage,[width height])); % ma tṛn nh else Phụ lục 97 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th DataSet{j} = double(imresize(rgb2gray(tempImage),[width height])); % ma tṛn nh end end end TestSet = cell([], 1); for i=1:length(dir(fullfile(Testset,'*.jpg'))) % Xử lý huấn luyện k = dir(fullfile(Testset,'*.jpg')); k = {k(~[k.isdir]).name}; for j=1:length(k) tempImage = imread(horzcat(Testset,filesep,k{j})); imgInfo = imfinfo(horzcat(Testset,filesep,k{j})); % Biến đổi nh if strcmp(imgInfo.ColorType,'grayscale') TestSet{j} = double(imresize(tempImage,[width height])); % array of images else TestSet{j} = double(imresize(rgb2gray(tempImage),[width height])); % array of images end end end % Chuẩn bị nhãn ĺp cho lần ch y c a SVM % Sắp xếp nhãn & cho thụn tiện % Đánh nhưn theo th́ tự số %M̃i liệu có nhãn %Có 300 nh thành nhóm nh train_label = zeros(size(300,1),1); train_label(1:150,1) = 1; % = Ganbt train_label(151:300,1) = 2; % = Ganxo % Chuẩn bị ma tṛn số cho huấn luyện SVM Phụ lục 98 HVTH: Trịnh Hoàng Duy ng THD: PGS TS, Lê Tiến Th Xử lỳ nh siêu âm không gây h i d ng WP & SVM Training_Set=[]; for i=1:length(DataSet) Training_Set_tmp = reshape(DataSet{i},1, 100*100); Training_Set=[Training_Set;Training_Set_tmp]; end Test_Set=[]; for j=1:length(TestSet) Test_set_tmp = reshape(TestSet{j},1, 100*100); Test_Set=[Test_Set;Test_set_tmp]; end % Thực lần ch y c a SVM SVMStruct = svmtrain(Training_Set , train_label, 'kernel_function', 'linear'); Group = svmclassify(SVMStruct, Test_Set); Phụ lục 99 HVTH: Trịnh Hoàng Duy ng S K L 0 [...]... Biến đổi Fourier là một biến đổi trực giao Biến đổi Wavelets th ng là quá hoàn thiện, nh ng cũng tồn t i biến đổi Wavelets trực giao Một đặc tính tốt c a một phép biến đổi là tính đ o ng ợc C hai phép biến đổi Fourier và Wavelets là kh nghịch Nhiều xử lý nh khác không ph i là kh nghịch Thí dụ phép biến đổi kho ng cách nén JPEG, phát hiện c nh lề và làm m Cơ s Fourier là một ṭp hợp các họa tần H̀m mũ... sin và cos Do đ́, phép biến đổi Fourier chỉ đơn gi n là phân rã một tín hiệu thành các thành phần hài c a nó Phép biến đổi Fourier cung cấp thông tin trực tiếp về độ sắc nét và dao động hiện t i trong dữ liệu Một góc nhìn khác c a phép biến đổi Fourier về dữ liệu trong hình nh Phép biến đổi Fourier đ ợc xác định trên dữ liệu 1D, 2D hoặc nD Về phép biến đổi Wavelets: phép biến đổi Wavelets là rất ĺn,... v.v… Đôi khi chúng ta sử dụng Wavelets 2D trực tiếp, chẳng h n Wavelets trực giao Daubechies 2D Dùng WP trong siêu âm gan 24 HVTH: Trịnh Hoàng Duy THD: PGS TS, Lê Tiến Th Xử lỳ nh siêu âm không gây h i d ng WP & SVM Ch ng ng 3 NG D NG PHÉP BI N Đ I WAVELETS TRONG SIểU ỂM GAN 3.1 Gi i thi u v phép bi n đ i Haar rời r c Xử lý hình nh và phân tích dựa trên các phép biến đổi hình nh liên tục hoặc r i r... cụ th̉ Hình 2.3 - nh siêu âm B-mode Siêu âm B-mode đư đ ợc sử dụng rộng rãi trong việc phát hiện và chẩn đoán các bệnh gan có liên quan b i vì hình nh siêu âm có th̉ ph n ánh rõ ràng những bất Xử lý tín hiệu dùng WP 11 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng th ng trong các mô gan Thực tế là hình nh siêu âm đ ợc kỉm tra bằng mắt bác sĩ l̀m cho... về tr ng thái l ợng tử thống nhất Xử lý tín hiệu dùng WP 19 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng Gần bốn m ơi năm sau khi Gabor, Morlet và Grossman tái kích ho t một sự hợp tác cơ b n giữa lý thuyết ṿt lý và xử lý tín hiệu, dẫn đến việc chính th́c hóa c a các phép biến đổi Wavelets liên tục Những ý t ng này không ph i là hoàn toàn ḿi cho các... tâm chiết xuất từ 31 hình nh siêu âm gan B-mode lâm sàng bộ mô t kết cấu đa phân gi i độ lệch trung bình và tiêu chuẩn đ ợc trích rút bằng cách sử dụng biến đổi Wavelets 2D- r i r c và phép biến đổi 2D- Gabor Wavelets đ ợc xem xét đ̉ phân tích và tìm kiếm đầy đ v́i 13 tiêu chí về sự phân ĺp đ ợc sử dụng đ̉ lựa chọn nét đặc tr ng [1] Chỉ năm bộ mô t kết cấu đa phân gi i trung bình thu đ ợc từ phép biến. .. r c những k̃ thụt cổ đỉn Các phép biến đổi hình nh đ ợc sử dụng rộng rãi trong lọc hình nh, mô t dữ liệu, v.v Ng̀y nay, các định lý Wavelets t o nên những ph ơng pháp rất phổ biến c a xử lý hình nh, gi m nhiễu và nén Xem xét rằng các hàm Haar l̀ Wavelets đơn gi n nhất, những hình th́c đ ợc sử dụng trong nhiều ph ơng pháp biến đổi r i r c và xử lý nh Lý thuyết biến đổi nh là một lãnh vực nổi tiếng... hàm Wavelet Packet dịch trong th i gian, đ̉ bao ph toàn bộ mặt phẳng, nh th̉ hiện trong Hình 2.15 Đối v́i Wavelets, hệ số Wavelet Packet thu đ ợc v́i một dãy bộ lọc c a các bộ lọc g ơng liên hợp mà chia trục tần số trong một số kho ng tần số Phân khúc tần số khác nhau t ơng ́ng v́i các cơ s Wavelet Packet khác nhau Đối v́i Xử lý tín hiệu dùng WP 22 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h... Wavelets định nghĩa một ốp lát c a mặt phẳng thời gian-tần số Hình 2.16 - Một cơ sờ Wavelet Packet chia trục tần số trong các kho ng riệng c a các kích thước khác nhau Một ốp lát có được bằng cách dịch thời gian các Wavelet Packet bao ph mỗi kho ng tần số Xử lý tín hiệu dùng WP 23 HVTH: Trịnh Hoàng Duy Xử lỳ nh siêu âm không gây h i d ng WP & SVM THD: PGS TS, Lê Tiến Th ng 2.4 K t lu n ch ng Biến đổi. .. Wavelets và ́ng dụng c a nó trong siêu âm gan sẽ trình bài các ch ơng sau Phần kết qu mà lụn văn sẽ thực hiện là xây dựng mô hình hóa mô phỏng xử lý nh siêu âm gan không gây h i cụ th̉ nh sau: Kết qu đầy h́a hẹn cho thấy rằng tần số có chọn lọc v̀ đặc tính định h ́ng c a các bộ lọc Gabor là cực kỳ hữu ích cho việc cung cấp mô t kết cấu đa tỷ lệ và chẩn đoán xơ gan bằng cách sử dụng nét đặc tr ng ma