Bài giảng Phân vùng ảnh

PHÂN VÙNG ẢNH(IMAGE SEGMENTATION) CHƯƠNG 5 Là một bước quan trọng trong việc phân tích và phân loại ảnh y tế, trợ giúp cho quá trình đánh giá hay chẩn đoán có sự trợ giúp của máy tính (Computer-Aided Diagnosis). Mục đích: phân chia ảnh đầu vào thành các vùng nhỏ tách rời thỏa mãn tính chất đồng nhất và liên thông bằng cách nhóm các pixel gần kề nhau thành nhóm dựa trên một số tiêu chí giống nhau định trước nào đó. - Tính chất đồng nhất: một vùng được gọi là đồng nhất nếu các pixel trong vùng là đồng đều. - Tính chất liên thông: một vùng được gọi là liên thông nếu tồn tại một đường liên thông giữa 2 pixel bất kỳ. Nói một cách chính xác, phân vùng một ảnh I là chia ảnh đó thành các vùng nhỏ R1, R2,... RN tách rời thỏa mãn các điều kiện sau Ba phương pháp phân vùng Phân vùng dựa theo điểm ảnh Phân vùng dựa theo đường biên Phân vùng dựa theo miền Ví dụ phân vùng ảnh (a): ảnh ban đầu (b): ảnh được phân vùng Phân vùng dựa theo điểm ảnh - Dựa trên các thống kê mức xám đồ của ảnh để tạo ra các vùng đóng thuộc về các đối tượng có trong ảnh. - Phương pháp phân vùng đơn giản nhất , tính toán nhanh, có thể thực hiện dễ dàng trong thời gian thực sử dụng phần cứng chuyên biệt. Phân vùng dựa theo đường biên - Dựa trên các thông tin về đường biên của ảnh để xác định các đường bao của các đối tượng. Các đường bao nay sau đó được phân tích, sửa đổi nếu cần thiết nhằm tạo ra các vùng đóng thuộc về các đối tượng có trong ảnh. Phân vùng dựa theo miền - Các pixel được phân tích một cách trực tiếp trong quá trình phát triển vùng (region growing) dựa trên một tiêu chí giống nhau cho trước để hình thành nên các vùng đóng thuộc về các đối tượng có trong ảnh. Khi các vùng được xác định, các đặc điểm có thể được tính toán để biểu diễn vùng nhằm mô tả, phân tích, phân loại. Các đặc điểm có thể là thông tin về hình dạng, cấu trúc (texture) của vùng cũng như các thông tin xác suất (kỳ vọng-mean, phương sai-variance của các giá trị mức xám). 5.1. Phân vùng dựa theo điểm ảnh Sử dụng các thống kê mức xám đồ để xác định một hay nhiều mức ngưỡng để xắp sếp từng pixel trong ảnh. Mức ngưỡng để xắp sếp các pixel vào các lớp thu được từ phân tích mức xám đồ của ảnh. Nếu mức xám đồ có 2 đỉnh (bimodal) thì mức ngưỡng là giá trị mức xám tương ứng với điểm thấp nhất trong vùng hõm thung lũng (valley) của mức xám đồ. Nếu không, ảnh được chia thành các phần nhỏ dựa trên một số giả thiết (heuristic) về tính chất của ảnh. Mức xám đồ của từng phần sau đó được sử dụng để xác định mức ngưỡng. Chọn mức ngưỡng Mức xám đồ hai đỉnh T: mức ngưỡng được lựa chọn từ mức xám đồ. g(x,y)=1 với các pixel là đối tượng, g(x,y)=0 với các pixel là nền hoặc ngược lại tùy phân bố của chúng trên mức xám đồ. Đỉnh 1 có diện tích lớn hơn đỉnh 2 thì đỉnh 2 tương ứng với đối tượng còn đỉnh 1 tương ứng với nền (và ngược lại) Nếu mức xám đồ rõ ràng là có hai đỉnh thì phương pháp này cho kết quả rất tốt. Ảnh y tế thường có nhiều đỉnh với các yêu cầu cụ thể về vùng cần được phân vùng. Ảnh cộng hưởng từ của não cùng mức xám đồ Ảnh được phân vùng với T=12 T=12 được chọn để phân tách vùng não dưới hộp sọ ra khỏi vùng nền. Có một vài vùng trắng nhỏ bên trong vùng não được phân tách ra. Các vùng này có thể được chuyển thành đen để tính toán diện tích não tổng thể nằm dưới hộp sọ. Để phân vùng một số vùng não cụ thể như não thất (vùng lớn nằm giữa ảnh) cần xác định từ mức xám đồ thêm các mức ngưỡng khác bằng cách xem xét các đỉnh khác trong phần phân bố của mức xám đồ thuộc vào đỉnh chính thứ 2. - Chọn ngay mức ngưỡng tiếp theo. - Xác định một mức xám đồ khác (chỉ cho vùng não đã được phân vùng) rồi tính mức ngưỡng. Các vùng não tương ứng với dịch trắng, dịch não-tủy sống trong rãnh não, não thất, thương tổn (nửa bên phải ảnh) có thể nhìn thấy được trên ảnh được phân vùng với mức ngưỡng T=166. Với T=255 thì chỉ thấy não thất và thương tổn (do mật độ proton và thời gian hồi phục T2 lớn). Ảnh được phân vùng với T=166 Ảnh được phân vùng với T=255 5.1.1. Mức ngưỡng tối thiểu xác suất của sai số Xác suất của sai số được định nghĩa là Pe = P{quyết định sai} = P{quyết định d2 khi m1 đúng hoặc d1 khi m2 đúng} = P(d2, m1) + P(d1, m2) m1, m2: pixel tương ứng là nền hoặc đối tượng. d1, d2 : quyết định pixel thuộc về nền hay đối tượng tương ứng. Sử dụng công thức xác suất có điều kiện Trong đó: P(m1) là đã biết trước; P(m1) + P(m2) = 1 Giả thiết rằng phân bố mật độ xác suất pi(x) của nền và đối tượng chỉ có 1 đỉnh với kỳ vọng i và phương sai i (có nghĩa pdf của ảnh có 2 đỉnh). Nếu 1 TS. Bước 7.2 thì nhằm nối các đường biên ngắn. Biến đổi Hough - Được sử dụng để phát hiện các đường thẳng và các đường cong tham số khác như đường tròn, elip… - Có thể phát hiện các đối tượng có hình dạng bất kỳ nếu biết các tham số của đối tượng. - Biến đổi Hough tổng quát: một hàm giải tích như đường thẳng, đường tròn hay đường khép kín ngoài cách biểu diễn trong miền không gian ảnh còn có một cách biểu diễn khác trong không gian tham số. 5.3. Phân vùng dựa theo miền Gồm 2 phương pháp chính: phát triển miền (region growing) và chia miền (region splitting). Phương pháp phát triển miền: các pixel lân cận nhau được gộp lại với nhau để tạo thành các vùng đóng theo một tiêu chuẩn giông nhau định trước. Phương pháp chia miền: toàn bộ ảnh hay các vùng lớn được chia thành 2 hay nhiều vùng nhỏ theo tiêu chuẩn khác nhau. Sự khác nhau giữa phân vùng theo ngưỡng và theo miền là: phân vùng dựa theo miền sẽ cho các vùng gồm các pixel liên kết, phân vùng dựa theo ngưỡng có thể tạo ra các vùng trắng và pixel không liên kết. 5.3.1. Phát triển miền Gộp các pixel lân cận vào miền cho đến khi không còn pixel lân cận nào đủ điều kiện để được ghép vàp miền. Yêu cầu 2 tiêu chuẩn: tiêu chuẩn giống nhau quyết định việc ghép pixel vào miền; tiêu chuẩn kết thúc quyết định kết thúc quá trình ghép pixel vào miền. Tiêu chuẩn kết thúc thường dựa trên số lượng nhỏ nhất hay phần trăm các pixel lân cận đòi hỏi để thỏa mãn tiêu chuẩn giống nhau cho việc ghép pixel vào vùng. Pixel trung tâm Pixel thỏa mãn tiêu chuẩn giống nhau Pixel không thỏa mãn tiêu chuẩn giống nhau Lân cận 3x3 Lân cận 5x5 Lân cận 7x7 Miền đã phân vùng