TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN CÔNG NGHỆ TRI THỨC

Ngụy Đức Thuận HỖ TRỢ CHẨN ĐOÁN TỰ ĐỘNG TỔN THƯƠNG
XUẤT HUYẾT/TỤ MÁU DỰA VÀO ẢNH CT NÃO KHOÁ LUẬN CỬ NHÂN TIN HỌC TP. HCM, NĂM 2005

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
KHOA CÔNG NGHỆ THÔNG TIN

Lục Thành Vũ, cán bộ phòng Chẩn đoán hình ảnh bệnh viện Nguyễn Trãi
thành phố Hồ Chí Minh đã cung cấp cho em những kiến thức y khoa và dữ
liệu hình ảnh cần thiết để em thực hiện đề tài này.
Trong quá trình thực hiện đề tài, không thể không kể đến sự giúp đỡ,
đóng góp ý kiến và những lời động viên hết mình của bạn bè xung quanh,
điều này thật sự đã giúp cho tôi rất nhiều. Xin chân thành cám ơn các bạn.
Và cuối cùng, con xin gửi đến ba mẹ và em trai của anh lòng biết ơn
vô bờ bến. Công lao dưỡng dục của ba mẹ, niềm tin mãnh liệt vào con và
những đêm thức trắng nơi quê nhà vì lo lắng cho con của ba mẹ đã giúp con
vượt qua được những giờ phút khó khăn nhất, khắc phục được những trở
ngại lớn lao nhất để hoàn thành đề tài này.
Thành phố Hồ Chí Minh, ngày 13 tháng 7 năm 2005
Ngụy Đức Thuận

1

Mở đầu
Theo [13], chấn thương là nguyên nhân tử vong hàng đầu ở trẻ em và
người trẻ (dưới 44 tuổi), trong đó chấn thương vùng đầu chiếm trên 50% các
ca tử vong
, với di chứng nặng nề và chi phí y tế rất lớn.
Để chẩn đoán, theo dõi, tiên lượng chấn thương đầu thật nhanh chóng
và chính xác thì hình ảnh học ( gồm X quang, CT, MRI…) là dữ kiện cơ bản
và quan trọng. Trong số đó, CT là khảo sát hình ảnh được lựa chọn đầu tiên

Sơ lược một số kiến thức y khoa về các tổn thương có liên
quan đến đề tài.
• Phụ lục B: Dữ liệu DICOM
Một số kiến thức về dữ liệu DICOM và xử lý tập tin
DICOM.
• Phụ lục C: Giải phẫu CT đơn giản
Giải phẫu các bộ phận của não dựa vào ảnh CT (ở mức độ
đơn giản).

3

Mục lục
Lời cảm ơn 1
Mở đầu 2
Mục lục 4

2.5 Các đặc trưng mô tả vùng (đường kính, chu vi, diện tích…) 32
2.5.1 Diện tích và chu vi 32
2.5.2 Khoảng cách xuyên tâm (radial distance) 33
2.5.3 Chiều dài trục chính và phụ 34
2.6 Cây quyết định 35
2.6.1 Giới thiệu về cây quyết định 35
2.6.2 Thuật toán ID3 38
2.7 Thông tin tương hỗ 43

4

2.8 Học dựa vào sự trình diễn 44
Chương 3 : Xây dựng hệ thống 46
3.1 Phân đoạn đơn giản 46
3.2 Học dựa vào sự trình diễn 47
3.2.1 Hệ thống học 47
3.2.2 Đặc trưng vùng 48
3.2.3 Phân lớp bằng thuật toán k-người láng giềng gần nhất 50
3.3 Dùng hệ luật để định vị vùng tổn thương 51
3.3.1 Hệ luật đơn giản 51
3.3.2 Hệ luật phức tạp 54
Chương 4 : Chương trình cài đặt – kết quả thử nghiệm 57
4.1 Chương trình cài đặt 57
4.1.1 Công cụ sử dụng 57
4.1.2 Cấu trúc dữ liệu học 57
4.1.3 Chương trình 57
4.2 Đánh giá kết quả 60
4.2.1 Độ hiệu quả của giai đoạn phân lớp 60
4.2.2 Đánh giá công việc 61
4.2.3 Hướng phát triển trong tương lai 62

Hình 2-1: Ảnh độ xám với: (a) 1 ngưỡng phân đoạn và (b) 2 ngưỡng phân đoạn 22
Hình 2-2: Mặt nạ Sobel 23
Hình 2-3: Mặt nạ của toán tử Laplace 23
Hình 2-4: Ví dụ về thuật toán Region Growing 26
Hình 2-5: Lân cận 8 của điểm p
1
28
Hình 2-6: Chain code 4 hướng và 8 hướng 30
Hình 2-7: Ví dụ về biễu diễn đường biên bằng chain code lân cận 8 30
Hình 2-8: Đường biên của một vùng và biểu diễn dòng quét của nó 31
Hình 2-9: Một số đặc trưng dùng để mô tả vùng 32
Hình 2-10: Trục chính và trục phụ hình ellipse. 35
Hình 2-11: Minh họa phương pháp của Hunt 37
Hình 2-12: Một cây quyết định chọn nhiệt độ làm gốc 40
Hình 3-1: Ảnh CT qua bộ lọc thứ nhất, trong đó màu đỏ biểu diễn cho vùng bệnh48
Hình 3-2: Minh họa lát cắt đầu tiên vùng trên lều 53
Hình 3-3: Minh họa cách phân vùng các lát cắt giữa 53
Hình 3-4: Hình minh họa lát cắt trên cùng (thùy đỉnh) 54
Hình 3-5: Ảnh phân vùng não với các tiêu chuẩn dừng khác nhau 56
Hình 4-1: Giao diện chính 57
Hình 4-2: Màn hình học dựa vào sự trình diễn 58
Hình 4-3: Chọn bệnh nhân 59
Hình 4-4: Dữ liệu về bệnh nhân đã được hiển thị. 59
Hình 4-5: Sau khi dò tìm vùng tổn thương 60
Hình A-1: Tụ máu dưới màng cứng 66
Hình A-2: Tụ máu ngoài màng cứng. 67
Hình A-3: Xuất huyết khoang dưới nhện 68
Hình A-4: Xuất huyết trong não thất 69
Hình A-5: Tụ máu trong não 70
Hình C-1:Giải phẫu CT não đơn giản 76


7

Bảng kí hiệu các chữ viết tắt
DICOM Digital Imaging and Communications in Medicine
CT Computed Tomography
kNN k nearest neighbour
CT được xem là cuộc cách mạng trong chuẩn đoán hình ảnh. Đặc biệt, trong
bệnh lý chấn thương sọ não, CT chẩn đoán tốt các tổn thương nội sọ (tụ máu,
dập não, phù não…), chi tiết xương, khảo sát được các trường hợp bệnh nhân
cấp cứu (không nằm yên, mang trợ cụ hô hấp, tuần hoàn…) và có giá thành
rẻ. CT giúp đánh giá, theo dõi, tiên lượng, lập kế hoạch điều trị thích hợp cho
từng bệnh nhân.
Theo [13], có một số đặc điểm đáng lưu ý về chấn thương sọ não như
sau:
i. Chấn th
ương là nguyên nhân tử vong hàng đầu ở trẻ
em và người trẻ (dưới 44 tuổi), trong đó chấn thương
vùng đầu chiếm trên 50% các ca tử vong
.
ii. Để lại di chứng nặng nề.
iii. Chi phí y tế lớn (83.5 tỉ dollars/năm hay 228 triệu
dollars/ngày ở Mỹ).
Để chẩn đoán, theo dõi, tiên lượng chấn thương đầu thật nhanh chóng
và chính xác thì hình ảnh học ( gồm X quang, CT, MRI…) là dữ kiện cơ bản
và quan trọng. Trong số đó, CT là khảo sát hình ảnh được lựa chọn đầu tiên
và rất có giá trị trong đánh giá chấn thương sọ não, đặc biệt là chấn thương
sọ não cấp [13].
Việc đọc phim CT hiện nay chủ yếu là do các bác sĩ chuyên khoa
chẩn đoán hình ảnh thực hiện, với số ca mỗi ngày khá lớn. Với mỗi ca chấn
thương đầu, số lượng ảnh phải chụp tối thiểu là 20, và bác sĩ phải quan sát
qua tất cả các ảnh để tìm ra nhiều biểu hiện bất thường khác nhau. Từ những

9

lý do đó, nhận thấy nhu cầu cho một công cụ trợ giúp chẩn đoán tự động, hỗ
trợ các bác sĩ đưa ra những chẩn đoán chính xác và ít sai sót hơn.

theo tương ứng với các trị số trên.
Các cấu trúc vật chất hấp thụ tia X càng nhiều thì có độ Hounsfield
càng cao, trên hình có màu càng trắng và ngược lại. Ví dụ: xương, máu tụ có
màu trắng do hấp thụ tia X nhiều; ngược lại khí, mỡ, dịch não tuỷ có màu
đen. Điều này giống như các đậm độ trên hình X quang thông thường.

Cấu trúc Trí số giới hạn(HU)
Đóng vôi, xương 80-250
Xuất huyết, tụ máu 55-75
Chất xám 35-45
Chất trắng 20-30
Phù nề 10-20
Dịch não tuỷ 0-10
Nước 0
Mỡ <0-(-100)
Khí (-100)-(-1000)
Bảng 1-1: Trị số đậm độ của các cấu trúc nội sọ

11

1.2.4 Thay đổi đậm độ
Thay đổi đậm độ biểu hiện sự khác biệt tương đối về đậm độ của vùng
chúng ta lưu ý với cấu trúc bình thường. Các từ diễn tả đậm độ khi mô tả:
- Giảm đậm độ (Hypodense)
- Đồng đậm độ (Isodense)
- Tăng đậm độ (Hyperdense)
Các từ giảm, đồng và tăng đậm độ sẽ tương ứng với các vùng có màu
đen hơn, ngang bằng và trắng hơn so với vùng được so sánh
Ví dụ:
- Xuất huyết trong não có đậm độ cao

trên phim là:W/L hay W/C
Độ rộng cửa sổ: là khoảng độ Hounsfield mà ta muốn xem. Các cấu trúc
có độ đậm phía trên giới hạn này sẽ có màu trắng, dưới giới hạn này sẽ có màu
đen.
Trung tâm cửa sổ: Là điểm giữa của độ rộng cửa sổ, có độ Hounsfield
thường gần bằng với cấu trúc mà ta quan sát.
Ví dụ: Để khảo sát sọ não chúng ta có thể đặt 2 cửa sổ:
1.Cửa sổ nhu mô: Độ rộng cửa sổ 140 HU (từ -200 HU đến +110HU),
trung tâm cửa sổ 40HU, giúp ta phân biệt được cấu trúc nội sọ như chất xám,
chất trắng, dịch não tuỷ, mạch máu.
2.Cửa sổ xương: Độ rộng cửa sổ 1200HU (từ -200 HU đến +1000 HU),
trung tâm cửa sồ là +400HU. Với cửa sổ này,ta không phân biệt đựoc chất
trắng chất xám hay dịch não tuỷ mà chỉ phân biệt được giữa xương, khí, mô
mềm.
Chúng ta có thể thay đổi cửa sổ hẹp hoặc rộng hơn để phân biệt rõ các
khác biệt đậm độ. Ví dụ khi khảo sát tụ máu dưới màng cứng lớp mỏng, sát
bản sọ, đồng đậm độ vỏ nảo…
1.2.6 Độ dày lát cắt và khoảng cách lát cắt
Độ dày lát cắt: là độ dày của lát cắt khảo sát (tương ứng với độ mở của
bộ chuẩn trực/colimator ở đầu đèn).

13

Khoảng cách lát cắt: Là khoảng cách giữa các lát cắt (tương ứng với
khoảng di chuyển của bàn bệnh nhân).
Độ dày lát cắt thường được thể hiện trực tiếp ở các thông số trên hình.
Còn khoảng cách các lát cắt cũng được thể hiện trên hình
Từ hai khái niệm này, kỹ thuật khảo sát CT sẽ có các kiểu cắt như sau:
- Cắt liên tục (continuity) khi độ dày lát cắt bằng khoảng cách
lát cắt.

ương dễ phát
hiện, với những giới hạn sau:
i. Chỉ khảo sát ở những ảnh chụp nằm ở vùng trên lều (do các
lát cắt ở vùng d
ưới lều có thành phần khá phức tạp).
ii. Khảo sát tổn thương nội sọ, chủ yếu tập trung vào tổn thương
xuất huyết, tụ máu.
iii. Chọn lựa những hình ảnh đạt chất lượng tốt (không bị xảo
ảnh).
Các kết quả được nhắm tới gồm có:

15

i. Phát hiện chính xác vùng tổn thương (không sót, không phát
hiện lầm).
ii. Xác định các thông số định lượng về vùng tổn thương đó.
iii. Xác định vị trí vùng tổn thương trong não (ví dụ như thuộc
vùng đỉnh, chẩm, thái dương…)
iv. Kết quả: đưa ra mô tả hình ảnh về vùng tổn thương.
Với dữ liệu đầu vào là ảnh CT lưu dưới định dạng DICOM, mô hình hệ
thống như sau: Hình 1-2: Mô hình hệ thống
Giai đoạn tiền xử lý bao gồm các công việc như: đọc thông tin về bệnh
nhân, thông tin về các lát cắt được chụp (độ dày, kích thước, vị trí…), lọc ra
biên của sọ dùng làm mốc định vị cho các module sau, chuyển dữ liệu ảnh
Hounsfield (xem phụ lục) thành ảnh độ xám…

16


17

Cuối cùng, dựa vào các thông tin trên, hệ thống sẽ tổng hợp, đưa ra mô
tả hình ảnh về tổn thương (vị trí, kích thước, biểu hiện hình ảnh…) và kết
luận bệnh.
1.4 Tiêu chuẩn đánh giá độ chính xác
Ta sẽ dùng một số tiêu chuẩn để đánh giá độ chính xác của giai đoạn
phát hiện vùng bệnh, cụ thể hơn là ở bộ phân lớp dùng thuật toán k-người
láng giềng gần nhất . Đối với bước định vị vùng tổn thương, do không có
những độ đo định lượng thích hợp nên ta sẽ chỉ đưa ra một số nhận xét chung.
Gọi:
TP là số vùng bệnh được phân lớp đúng.
FP là số vùng bình thường bị xác định sai là có bệnh.
TN là số vùng bình thường được phân lớp đúng.
FN là số vùng bệnh bị xác định sai là không có bệnh.
Ta xét các độ đo sau:
1.4.1 Độ nhạy (sensitivity)
Độ nhạy cho ta biết xác suất phát hiện đúng vùng bị tổn thương thật sự:
FN
TP
TP
ySensitivit
+
=
%100*

1.4.2 Độ đặc trưng (specificity)
Độ đặc trưng cho biết xác suất phân lớp đúng các vùng không bị tổn
thương.

TN
NP
+
=
%100*
%


20

2.2.1 Lọc ngưỡng
Lọc ngưỡng là một trong những cách tiếp cận đơn giản, quen thuộc và
quan trọng nhất trong việc phân đoạn ảnh. Phương pháp này có thể được
thực hiện dựa vào những thông tin toàn cục như histogram hoặc thông tin
cục bộ như ma trận đồng hiện. Nếu một giá trị ngưỡng được áp dụng cho
toàn bộ tấm ảnh thì ngưỡng đó được gọi là ngưỡng toàn cục. Ngược lại,
trong trường hợp giá trị ngưỡng được xác định riêng cho mỗi vùng con, ta có
ngưỡng cục bộ (hay ngưỡng thích nghi). Các phương pháp lọc ngưỡng còn
có thể được phân thành 2 nhóm: nhóm đơn ngưỡng và nhóm đa ngưỡng.
Phương pháp đơn ngưỡng có tác dụng phân chia bức ảnh thành 2 vùng: đối
tượng cần quan tâm và nền (background). Cũng vì lí do này mà phương pháp
đơn ngưỡng có thể được xem là một dạng của phương pháp phân lớp 2 lớp.
Cơ sở của phương pháp phân đoạn dựa trên ngưỡng như sau: khi một
ảnh độ xám bao gồm nhiều vùng phân biệt, histogram của nó thường sẽ có
nhiều đỉnh phân biệt nhau, mỗi đỉnh ứng với một vùng và giữa 2 đỉnh liền kề
nhau thường là một “thung lũng” sâu. Đáy của thung lũng này có thể được
chọn để làm ngưỡng phân biệt giữa 2 vùng kề nó.
Xét ảnh có histogram như trong hình 2.1, trong đó ta kí hiệu f(x,y) là
độ xám của điểm (x,y). Có thể hình dung (a) là ảnh gồm một đối tượng sáng
trên nền tối, và do đó histogram sẽ bao gồm 2 đỉnh rõ rệt. Rõ ràng là ta có thể
tách đối tượng ra khỏi nền bằng cách chọn một ngưỡng T sao cho chia cách
được 2 đỉnh này. Khi đó, mọi điểm f(x,y) nhỏ hơn T sẽ được xem là nền,
trong khi những điểm có độ xám lớn hơn T sẽ được cho là thuộc về đối
tượng. Hình 2-1(b) cho ta một trường hợp phức tạp hơn: histogram gồm có 3
đỉnh (chẳng hạn như 2 đối tượng sáng trên một nền màu tối). Tương tự như
trên, ta có thể chọn 2 ngưỡng T
1

),(1
),(

trong đó 1 tượng trưng cho một giá trị độ xám nào đó mà ta muốn gán cho
đối tượng, và 0 ứng với độ xám gán cho nền.
Khi T chỉ phụ thuộc vào f(x,y), ta có ngưỡng toàn cục (hình 2-1 (a)).
Nếu T phụ thuộc vào cả f(x,y) và p(x,y), ta có ngưỡng cục bộ. Thêm nữa,
nếu T phụ thuộc vào tọa độ của x và y, ta có ngưỡng động.

22

2.2.2 Phương pháp dựa vào biên
Phương pháp phân đoạn dựa vào biên giả định rằng tại các biên vùng
sẽ xảy ra sự thay đổi đột ngột của độ xám. Nhiều phương pháp đã được đề
xuất nhằm tìm ra các biên trong ảnh. Một trong những phương pháp quen
thuộc nhất là sử dụng toán tử gradient (tương ứng với mặt nạ Sobel như
trong hình 2-2), hoặc toán tử Laplace (tương ứng với mặt nạ trong hình 2-3).

Hình 2-2: Mặt nạ Sobel

Hình 2-3: Mặt nạ của toán tử Laplace
Kĩ thuật phân đoạn dựa vào biên không cho được kết quả tốt như
mong đợi, lý do là vì thao tác tìm biên thường liên quan đến các phép toán vi
phân (như 2 toán tử Gradient và Laplace đã nói ở trên), vốn rất nhạy cảm đối
với nhiễu. Như vậy, cách tiếp cận dựa trên đường biên không phải sự lựa
chọn tốt cho bài toán phân đoạn ảnh.

23