BÁO CÁO

CHUYÊN ĐỀ
TEAM PRESENTATION

Imani Jackson Marcos Galán Ixchel Valdía Nils Årud

JOB TITLE JOB TITLE JOB TITLE JOB TITLE
Blue is the colour of the clear Blue is the colour of the clear Blue is the colour of the clear Blue is the colour of the clear
sky and the deep sea sky and the deep sea sky and the deep sea sky and the deep sea

2
Y TẾ GIÁO DỤC 3
PHÂN ĐOẠN HÌNH ẢNH
TRONG Y TẾ 4
 1.
THUẬT TOÁN

K-MEAN
THUẬT TOÁN K-MEAN
K-mean trong phân đoạn hình ảnh y tế
Ví dụ:
 Phân đoạn các cấu trúc trong ảnh MRI, như não, gan,
phổi, tim,…
 Phân đoạn các mạch máu trong ảnh y tế 6

 Phân đoạn các vùng ung thư trong ảnh y tế

→ Giúp việc chẩn đoán và điều trị bệnh chính xác,

hiệu quả hơn
CÁCH HOẠT ĐỘNG

▹Để áp dụng thuật

toán K-means vào
phân đoạn hình ảnh
7

y tế, ta thực hiện

các bước như sau:

Sơ đồ thuật toán K-mean

 Thuật toán K-mean: phương pháp phân cụm dựa trên việc tìm các trung
tâm cụm (centroid) sao cho tổng bình phương khoảng cách giữa các điểm dữ
liệu và trung tâm cụm tương ứng là nhỏ nhất.

• Chọn ngẫu nhiên k điểm bất kì làm trung tâm

• Nhóm mỗi điểm dữ liệu vào 1 cụm có điểm trung tâm gần nhất với nó

• Cập nhập trung tâm

Sau khi đã tính toán được trung tâm cụm, chúng ta có thể sử dụng chúng
để phân đoạn hình ảnh y tế bằng cách gán mỗi pixel vào cụm có trung tâm
cụm gần nhất.
THUẬT TOÁN K-MEAN
▹Sau khi hoàn thành các bước
trên, các vùng cần phân đoạn trong
hình ảnh y tế sẽ được phân thành
các cụm dữ liệu tương ứng. Các 9

vùng cùng một cụm dữ liệu có đặc

điểm tương tự nhau, giúp cho việc
phân đoạn hình ảnh trở nên dễ dàng
và chính xác hơn.
Một số phương pháp tiền xử lý
▹ Chuyển đổi không gian màu : Cải thiện khả
năng phân đoạn của thuật toán.
▹ Cân bằng độ sáng : Giảm thiểu ảnh hưởng
của độ sáng không đồng đều.
▹ Lọc ảnh : Giảm thiểu nhiễu trong ảnh và cải
thiện khả năng phân đoạn của thuật toán. 10

▹ Phát hiện biên : Giúp tách riêng các vùng có

độ tương đồng khác nhau và cải thiện khả
năng phân đoạn của thuật toán.
▹ Phép biến đổi hình thái học : Giúp loại bỏ
các vùng nhỏ không quan trọng và cải thiện
khả năng phân đoạn của thuật toán.
 2.
THUẬT TOÁN

Fuzzy C-means
Thuật toán Fuzzy C-means
Fuzzy C-means (FCM) là phương pháp phân cụm dựa trên
việc tìm các trung tâm cụm và mức độ thuộc về cụm của
các điểm dữ liệu. Các bước áp dụng thuật toán vào phân
đoạn hình ảnh y tế:
▹ Tiền xử lý ảnh: Giảm nhiễu và cân bằng độ sáng. Các
bước tiền xử lý bao gồm: chuyển đổi không gian màu,
12
cân bằng độ sáng, làm mịn ảnh.
▹ Khởi tạo trọng số: Mỗi pixel khởi tạo 1 giá trị trọng
số.
▹ Thiết lập ma trận trọng số: Thiết lập dựa trên các giá
trị trọng số của mỗi pixel ,tính toán bằng cách lấy giá
trị trọng số của mỗi pixel nhân với giá trị trọng số của
các pixel khác trong ảnh.
Thuật toán Fuzzy C-means
▹ Khởi tạo tâm cụm: Các tâm cụm ban đầu được khởi
tạo ngẫu nhiên trong phạm vi giá trị của ảnh.
▹ Cập nhật tâm cụm: Tâm cụm mới được tính toán
bằng cách sử dụng ma trận trọng số và các tâm cụm
hiện tại.
▹ Cập nhật trọng số: Được cập nhật dựa trên khoảng 13

cách của pixel đó đến các tâm cụm hiện tại.

▹ Lặp lại quá trình cập nhật tâm cụm và trọng số:
Lặp lại cho tới khi đạt được điều kiện dừng.
Thuật toán Fuzzy C-means
FCM có thể cung cấp các kết quả phân đoạn tốt hơn so với K-mean
khi các vùng trong hình ảnh có sự chồng chéo hoặc không rõ ràng.
FCM cần thời gian tính toán nhiều hơn và đòi hỏi nhiều tài nguyên
hơn so với K-mean.

14

Đánh giá các thuật toán phân cụm

DỮ LIỆU
Một số dataset phổ biến :
▹ Dataset Camelyon16: Gồm hơn 400 hình ảnh mô
tả các mẫu nang tuyến tiền liệt, được chia thành hai
tập con: tập train và tập test.
▹ Dataset ISIC: Dataset này bao gồm hơn 2000 hình
ảnh của các khối u da, được chia thành 7 loại khối
u khác nhau.
15
▹ Dataset LIDC-IDRI: Bao gồm hơn 1000 hình ảnh
CT của phổi của các bệnh nhân bị ung thư phổi.
▹ Dataset Malaria: Bao gồm hơn 27.000 hình ảnh
máu được sử dụng để phân loại các tế bào máu
nhiễm ký sinh trùng gây ra bệnh sốt rét.
▹ Dataset PASCAL VOC: Dataset này bao gồm hơn
10.000 hình ảnh của các đối tượng trong nhiều lĩnh
vực, bao gồm cả y tế.
DỮ LIỆU

Để đạt được kết quả tốt, cần chú ý đến

độ đa dạng và độ phức tạp của
dataset, cũng như các thách thức đặc
biệt trong phân đoạn hình ảnh y tế,
chẳng hạn như sự biến đổi màu sắc, 16

độ phân giải thấp và các hiện tượng

khác trong ảnh y tế.
ĐÁNH GIÁ HIỆU NĂNG
Có thể sử dụng các chỉ số đánh giá phân đoạn hình ảnh như
Precision, Recall và F1-score, phân đoạn hình ảnh y tế phụ
thuộc vào nhiều yếu tố như số lượng cụm (clusters), đặc trưng
được sử dụng để phân cụm và kỹ thuật xử lý ảnh được sử dụng.

Các yếu tố ảnh hưởng thuật toán:

▹ Đặc điểm của dữ liệu y tế: Cho kết quả tốt khi phân đoạn
các vùng có độ tương đồng cao. 17
▹ Phương pháp tiền xử lý: Trước khi áp dụng thuật toán K-
mean, ta cần thực hiện các phương pháp tiền xử lý để
giảm thiểu nhiễu và tăng tính ổn định cho thuật toán.
▹ Các phương pháp kiểm soát tham số: như kiểm định độ
tin cậy, kiểm định Cross-validation để đảm bảo kết quả
phân đoạn tốt nhất. Chỉ hoạt động tốt trên các hình ảnh có
độ tương phản rõ ràng không phù hợp với các hình ảnh có
sự chồng chéo giữa các vật thể. Không thể xử lý được các
hình ảnh có nhiễu hoặc các vùng ảnh không đồng nhất.
ĐÁNH GIÁ HIỆU NĂNG
K-means Fuzzy C-means

Độ chính xác Kết quả phân đoạn không chính Thường cho kết quả phân đoạn
xác bằng FCM, vì chỉ cho phép chính xác hơn vì FCM cho phép
mỗi pixel thuộc một cụm duy một pixel thuộc nhiều cụm.
nhất.

Tính ổn định Cho kết quả ổn định hơn. Có thể bị ảnh hưởng bởi các giá
trị nhiễu và tham số trọng số
được sử dụng.
Tốc độ tính toán Cho kết quả nhanh hơn. Phải tính toán trọng số cho từng
pixel trong quá trình phân cụm
nên thường cho kết quả chậm
hơn.

Số lượng cụm Chỉ cho phép mỗi pixel thuộc Cho phép chọn số lượng cụm linh
một cụm duy nhất. hoạt hơn
18
Tóm lại, cả FCM và K-means đều có ưu điểm và
hạn chế riêng, phụ thuộc vào nhiều yếu tố như
đặc tính của dữ liệu, mục đích sử dụng và giới
hạn của phần mềm. Tuy nhiên, FCM thường
được ưu tiên sử dụng hơn so với K-means.

19
THANKS!
Any questions?
20
You can find me at:
@username
user@mail.me