Xử lý mù tín hiệu trong phân tích ảnh cộng hưởng từ chức năng FMRI và ứng dụng trong hỗ trợ chuẩn đoán y tế.

- 1 SĐH.QT9.BM11 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ và tên tác giả luận văn : Nguyễn Đức Hoàng Đề tài luận văn: Xử lý mù tín hiệu trong phân tích ảnh cộng hưởng từ chức năng FMRI và ứng dụng trong hỗ trợ chuẩn đoán y tế Chuyên ngành: Kỹ thuật truyền thông Mã số SV: CB130587 Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày.
- Ngày 12 tháng 11 năm 2015 Giáo viên hƣớng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG 2 LỜI NÓI ĐẦU Luận văn này thực hiện trong khuôn khổ đề tài “Nghiên cứu xử lý tín hiệu mù trong phân tích ảnh chụp cộng hưởng từ chức năng FMRI và ứng dụng hỗ trợ cho chẩn đoán ý tế” mã số B2012-01-25 do TS.
- Vương Hoàng Nam, tôi đã hoàn thiện được bản luận văn của mình với tên: “Xử lý mù tín hiệu trong phân tích ảnh cộng hưởng từ chức năng FMRI và ứng dụng trong hỗ trợ chuẩn đoán y tế”.
- Vương Hoàng Nam đã chỉ bảo, hướng dẫn, động viên và tạo điều kiện cho tôi trong quá trình hoàn thiện luận văn.
- Xin cảm ơn gia đình, bạn bè đã động viên tôi trong quá trình hoàn thiện luận văn.
- Xây dựng được một mô hình phân tích xác định vùng hoạt hóa của ảnh cộng hưởng từ chức năng FMRI với độ tin cậy cao có khả năng dung hỗ trợ cho nghiên cứu và chẩn đoán trong y tế, đồng thời đưa các kết quả thực nghiệm tin cậy.
- Nghiên cứu phát triển một số các giải thuật xử lý mù tín hiệu để ứng dụng trong phân tích ảnh cộng hưởng từ chức năng FMRI.
- Xây dựng mô hình hình phân tích xác định vùng hoạt hóa của ảnh cộng hưởng từ chức năng FMRI.
- GIỚI THIỆU CHUNG VỀ ẢNH CỘNG HƢỞNG TỪ CHỨC NĂNG FMRI.
- Lịch sử phát triển của cộng hưởng từ hạt nhân.
- Hạt nhân trong từ trường.
- Các quá trình hồi phục.
- Một số đặc trƣng thống kê của ảnh cộng hƣởng từ chức năng.
- Phân tích thống kê ảnh FMRI.
- Tiền xử lý tín hiệu FMRI.
- CƠ SỞ LÝ THUYẾT BÀI TOÁN XỬ LÝ MÙ TÍN HIỆU.
- Mô hình BSS tuyến tính.
- Phương pháp Phân tích thành phần độc lập.
- 50 Quá trình tiền xử lý.
- ỨNG DỤNG ICA TRONG PHÂN TÍCH ẢNH.
- 56 CỘNG HƢỞNG TỪ CHỨC NĂNG.
- Một số tham số đƣợc sử dụng trong phân tích FMRI.
- Thay đổi phần trăm tín hiệu.
- Ứng dụng ICA trong phân tích FMRI.
- Tìm kiếm liên kết chức năng não.
- CƠ SỞ DỮ LIỆU FMRI.
- Quá trình thu nhận dữ liệu FMRI.
- Các loại thực nghiệm trong nghiên cứu.
- 71 4.3.2 Quá trình thu nhận.
- Quá trình thu nhận.
- Phƣơng pháp phân tích.
- 87 6 DANH SÁCH HÌNH VẼ Hình 1.1 - Nguyên tử Hydro nển tảng của ảnh MRI Hình 1.
- 2 - Vector từ hoá mạng Hình 1.3- Sự tạo thành vector 1B Hình 1.
- 5 - Quá trình suy giảm T2 Hình 1.6 - Đường đặc trưng T2 Hình 1.7 - Quá trình hồi phục T1 Hình 1.8 - Hình ảnh minh hoạ trường FOV Hình 1.9 - Tần số Larmor biến đổi khi có trường Gradient Hình 1.10 - Chọn lớp cắt bằng một giá trị tần số xác định Hình 1.11 - Ví dụ về mã hóa không gian của mặt cắt xiên Hình 1.12 - Mã hoá pha và mã hoá tần số Hình 1.13 - Nguyên lý hoạt độngcơ bản của BOLD dùng trong FMRI Hình 1.14 - Ảnh FMRI được sắp xếp theo tiến trình thời gian Hình 1.15 - Hiệu chỉnh Slice-timing Hình 1.16 - Đáp ứng xung BOLD chính tắc Hình 1.17 - Tích chập tuyến tính hàm kích thích với HRF chuẩn tắc Hình 2.1 - Mô hình bài toán BSS tổng quát Hình 2.2 - Mô hình giải quyết bài toán BSS Hình 2-3.
- Minh họa xử lý mù bài toán cocktail Hình 2-4.
- Mô hình đánh giá BSS tuyến tính Hình 2-5.
- Sự phân bố chung của các thành phần độc lập 1s và 2s Hình 2-10.
- Mật độ của một thành phần độc lập phân bố đều 7 Hình 2-11.
- Mật độ phân bố của các tín hiệu trộn Hình 2-13.
- Minh họa về GLM Hình 3.3 - Thực nghiệm FMRI với hai điều kiện khác nhau A và B.
- Đáp ứng BOLD với kích thích đầu vào dạng block Hình 3.5 – Minh họa SICA và TICA Hình 3.6 - Minh họa ứng dụng ICA trong phân tích FMRI Hình 3-6 - Quá trình giảm bậc dữ liệu sử dụng PCA, ký hiệu R (Reduced) dùng để biểu thị dữ liệu được giảm bậc Hình 3-7.
- Quá trình ICA nhóm Hình 3-8.
- Quá trình Back Reconstruction Hình 3.9 - Mô hình xử lý tín hiệu mù đối với FMRI Hình 3.10 - Lưu đồ thuật toán tìm kiếm vùng hoạt hóa Hình 3-11.
- Minh họa liên kết chức năng (hình trên) và không liên kết (hình dưới) Hình.
- Minh họa mô hình đánh giá tín hiệu BOLD sử dụng mạng nơron RBF.
- Hình 4.1 - Khảo sát vùng vận động bàn tay phải (A) và thị giác (B) Hình 4.2 - Các vùng chức năng trong vỏ não Hình 4.3 - Đường đi của thông tin thị giác từ mắt đến vỏ não thị giác chính Hình 4.4 - Hemi-field phải và hemi-field trái Hình 4-5.
- Minh họa (a)- Block Design (b) Event-related Design theo chu kỳ (c) Event-related Design theo ngẫu nhiên Hình 4.6 - Mô tả quá trình thu nhận dữ liệu FMRI Hình 4.7 - Hình ảnh bàn cờ ô dùng để kích thích thị giác Hình 4.8 - Các mẫu kích thích thị giác Hình 4-9.
- Quá trình kích thích thị giác 8 Hình 5-1.
- Các thành phần độc lập IC1 đên IC4 của đối tượng sub01_vis phân tích bởi thuật toán FastICA.
- Các thành phần độc lập IC5 đến IC8 của đối tượng sub01_vis phân tích bởi thuật toán FastICA.
- Các thành phần độc lập IC 9 đến IC12 của đối tượng sub01_vis phân tích bởi thuật toán FastICA.
- Các thành phần độc lập IC13 đến IC16 của đối tượng sub01_vis phân tích bởi thuật toán FastICA.
- Các thành phần độc lập IC17 đến IC20 của đối tượng sub01_vis phân tích bởi thuật toán FastICA.
- Quá trình tác động đến thị giác trong thực nghiệm Hình 5-7.
- Time-course dự đoán của BOLD tương ứng với các tác động VML và VMR 9 CÁC TỪ VIẾT TẮT Ký tự viết tắt Tiếng Anh Tiếng Việt ANN Artificial Neural Network Mạng nơron nhân tạo BOLD Blood Oxygen Level Dependent Lệ thuộc mức ôxy máu BSP Blind Signal Processing Xử lý mù tín hiệu BSS Blind Source Separation Phân tách mù nguồn tin CC Cross-Corelation Tương quan chéo ECG Electrocardiagram Tín hiệu điện tâm đồ EEG Electroencephalography Tín hiệu điện não đồ EPI Echo Planar Imaging Tạo ảnh hai chiều tiếng vọng FT Fourier Transform Biến đổi Fourier FMRI Functional Magnetic Resonance Imaging Ảnh cộng hưởng từ chức năng FOV Field of View Trường khảo sát (nhìn) GLM General Linear Model Mô hình tuyến tính tổng quát HRF Haemodynamic Response Function Hàm đáp ứng huyết lưu ICA Independent Component Analysis Phân tích thành phần độc lập IC Independent Component Thành phần độc lập IP Innovation Process Sai số dự báo chuỗi tốt nhất MLP MultiLayer Perceptron Mạng nơron đa lớp Perceptron MRI Magnetic Resonance Imaging Ảnh cộng hưởng từ PCA Principal Component Analysis Phân tích thành phần chính PD Proton Density (Ảnh) Mật độ Proton 10 PDF Probability Density Function Hàm mật độ xác suất PDW Proton Density Weighted (Ảnh) Mật độ Proton có điều chỉnh PI Performance Index Chỉ số chất lượng PSNR Peak Signal to Noise Ratio Tỷ số Tín hiệu đỉnh trên Tạp âm RBF Radial Basic Function Mạng nơron RBF RF Radio Frequency Tần số vô tuyến ROA Region of Activation Vùng hoạt hóa SIR Signal to Interference Ratio Tỷ số Tín hiệu - Tạp âm IFT Inverse Fourier Transform Biến đổi Fourier ngược TE Echo Time Thời gian dội T-ICA Temporal ICA Phương pháp ICA thời gian TR Repetition Time Thời gian lặp lại S-ICA Spatial ICA Phương pháp ICA không gian VML Visual-Motor Left Vận động- Thị giác trái VMR Visual-Motor Right Vận động- Thị giác phải 11 MỞ ĐẦU 1.
- Mục đích nghiên cứu Tổng quan các nghiên cứu trong và ngoài nước như sau Ngoài nước: Trong khoảng 20 năm trở lại đây, xử lý mù tín hiệu Blind Signal Processing (BSP) là một lĩnh vực khá mới mẻ thu hút được rất nhiều sự quan tâm nghiên cứu của các nhà khoa học và đã đạt được một số thành tựu nhất định, mở ra hướng phát triển trong tương lai.
- Vấn đề xử lý mù tín hiệu mà điển hình là bài toán phân tách mù nguồn tin Blind Source Separation (BSS) là bài toán tìm nguồn tín hiệu ban đầu thông qua việc phân tích đánh giá các tín hiệu ở cảm biến đầu ra, trong khi không biết hoặc biết rất ít thông tin về quá trình truyền đạt (quá trình trộn).
- Dựa trên đặc tính kênh truyền, bài toán BSS có thể được chia thành hai mô hình xử lý: mô hình trộn tuyến tính và mô hình trộn chập.
- Kể từ khi khái niệm BSS được giới thiệu vào năm 1988 bởi J.Herault và C.Jutten đến nay bài toán BSS đã được ứng dụng đa dạng trong các lĩnh vực của đời sống cũng như trong các phân tích khoa học.
- Trên thực tế, chủ yếu các ứng dụng của mô hình bài toán tuyến tính được dùng trong y sinh học hay xử lý ảnh…, còn đại đa số các trường hợp là mô hình bài toán trộn chập như của âm thanh, của sóng điện từ trong viễn thông hay các phân tích trong quân sự, địa trắc học.
- Đặc biệt bài toán BSS ngày nay còn được ứng dụng rất nhiều trong công nghiệp trong việc phán đoán các sự cố của máy móc mà không cần tác động.
- Ứng dụng xử lý tín hiệu mù, chủ yếu dùng phương pháp Phân tích thành phần độc lập (Independent Component Analysis – ICA), để phân tích ảnh chụp cộng hưởng từ chức năng FMRI là một hướng khoa học nghiên cứu đang rất phát triển trên thế giới trong khoảng hơn mười năm trở lại đây và đạt được nhiều kết quả triển vọng dùng cho việc hỗ trợ chẩn đoán trong y tế.
- Bản chất thống kê nhiều chiều của phương pháp ICA cho phép ta biến đổi dữ liệu ảnh FMRI ba chiều thành các mô hình hoạt động của não thông qua việc loại bỏ sự phụ thuộc 12 thống kê của các tín hiệu đầu ra.
- Để thực hiện việc này, phương pháp ICA sử dụng sự phân bố của tín hiệu FMRI trong chiều không gian và thời gian: ICA không gian (SICA - spatial) dựa vào các thuộc tính thống kê của tín hiệu theo các vị trí huyết động, trong khi ICA thời gian (TICA - temporal) dựa vào các thuộc tính thống kê của tín hiệu theo thời gian (Calhoun et al., [33-38.
- SICA và TICA được áp dụng cho dữ liệu FMRI nhằm khai thác cấu trúc không gian-thời gian của loại dữ liệu này thông qua việc phân tích ma trận dữ liệu thành một tập các mẫu không gian (SICA) hay một tập tiến trình thời gian (TICA).
- SICA được xem là cách tiếp cận đặc trưng với dữ liệu ba chiều FMRI trong khi TICA được ứng dụng cho ảnh FMRI theo cách thức và các giả thiết tương tự như với các tín hiệu y sinh học khác, chẳng hạn tín hiệu điện não đồ EEG hay từ não đồ MEG.
- Sau khi áp dụng ICA vào dữ liệu ảnh FMRI của người bệnh chúng ta thu được các thành phần độc lập.
- Các thành phần độc lập hữu ích của người bệnh sẽ được hậu xử lý bằng các phương pháp thích hợp cho phép phân nhóm các thành phần độc lập này tới các nhóm thông tin đặc trưng cần nghiên cứu như : thông tin về các vùng não hoạt hóa, hoặc các vùng não cụ thể như tiểu não (cerebellar), thùy trán (frontoparietal), thùy não (orbitofrontal), hạch đáy (basal ganglia) v.v..
- Mặc dù trên thế giới đã có nhiều nghiên cứu về ứng dụng xử lý tín hiệu mù vào phân tích ảnh FMRI được công bố và tính hiệu quả của hướng nghiên cứu này cũng đã được chứng minh, tuy nhiên việc ứng dụng được các cơ sở lý thuyết này vào thực tế nhằm hỗ trợ cho việc chẩn đoán y tế vẫn là một thách thức không nhỏ đối với các nhà khoa học.
- Trong nước: Không nằm ngoài xu hướng phát triển công nghệ của thế giới, hiện nay trong nước cũng có một số giới hạn các nhóm nghiên cứu triển khai các đề tài và công trình nghiên cứu khoa học có liên quan đến lĩnh vực xử lý tín hiệu mù ứng dụng trong lĩnh vực y sinh học và xử lý ảnh [4].
- Tuy nhiên trên thực tế số lượng các công trình nghiên cứu trong nước về lĩnh vực này, đặc biệt là xử lý tín hiệu y sinh nói 13 chung và ảnh FMRI nói riêng, được công bố là rất ít và đây vẫn được xem là một hướng nghiên cứu còn khá mới mẻ.
- Mục tiêu nghiên cứu của Luận văn Mục tiêu của Luận văn này là nghiên cứu và phát triển một số giải thuật phân tách mù mô hình tuyến tính trong phân tích ảnh cộng hưởng từ chức năng FMRI và ứng dụng trong chẩn đoán y tế.
- Cộng hưởng từ chức năng là kỹ thuật hình ảnh gián tiếp khảo sát hoạt động của não.
- Trong Luận văn, mô hình xử lý FMRI nhằm mục đích xác định những thành phần tín hiệu có ích liên quan đến tác động kích thích cũng như xác định những khu vực hoạt hóa trong tín hiệu.
- Trong mô hình này các tín hiệu nhiễu (nhiễu do nhịp tim, hơi thở, chuyển động của đầu, do quá trình scanner…) được xem không đáng kể (mô hình không có nhiễu) vì trong thực tế, chúng ta có thể sử dụng các công cụ như SPM (Statical Parametric Mapping) để loại bỏ các tín hiệu không mong muốn trong tín hiệu.
- Phƣơng pháp nghiên cứu - Phương pháp mô hình hóa và tính toán được áp dụng để phân tích và giải quyết các vấn đề hạn chế còn tồn tại.
- Phương pháp mô phỏng cũng được sử dụng để tìm ra các quy luật và giá trị tối ưu nhằm nâng cao, cải thiện chất lượng phân tách tín hiệu.
- Cấu trúc báo cáo Luận văn Luận văn được chia thành 5 chương có nội dung như sau Chương 1: Trình bày tổng quan cơ sở lý thuyết của ảnh cộng hưởng từ MRI và cộng hưởng từ chức năng FMRI.
- Chương 2: Chương này trình bày tổng quan về BSS và ICA, trong đó phương pháp ICA (cụ thể là thuật toán FastICA) là công cụ chính được áp dụng để phân tích FMRI.
- 14 Chương 3: Chương này nghiên cứu về phương pháp phân tích ảnh FMRI bằng BSS-ICA.
- GIỚI THIỆU CHUNG VỀ ẢNH CỘNG HƢỞNG TỪ CHỨC NĂNG FMRI 1.1 .
- Lịch sử phát triển của cộng hưởng từ hạt nhân Kỹ thuật chụp ảnh cộng hưởng từ hật nhân (gọi tắt là MRI) bắt đầu hình thành từ sau chiến tranh thế giới lần thứ II với nhiều khám phá quan trọng.
- Có thể kể ra đây một vài ví dụ : Baptiste Joseph Fourier (Pháp) đặt nền tảng cho biến đổi toán học của tín hiệu MRI bằng phép biến đổi mang tên ông.
- 1831: Michael Faraday (Anh) bằng phát minh ra định luật cảm ứng điện từ, đã đặt nền tảng cho việc thu nhận tín hiệu MRI.
- 1911: Ernest Rutherford đưa ra mô hình hạt nhân nguyên tử.
- Purcell (ĐH Harvard) độc lập tìm ra hiện tượng cộng hưởng từ hạt nhân.
- Hahn tìm ra phương pháp Spin Echo và hiện tượng suy giảm tín hiệu do lệch pha spin.
- Richard R.Ernsttìm ra phương pháp biến đổi Fourier hai chiều để xây dựng ảnh MRI từ tín hiệu thu đươc.
- 1993: MRI chức năng được phát triển, cho phép chụp ảnh chức năng của các vùng khác nhau của não.
- Từ đây, EPI lại có thêm nhiều ứng dụng ngoài chức năng thu ảnh thời gian thực vốn có của nó.
- Xét về quá trình phát triển của phần cứng, ta có thể tóm tắt: Thập niên 70 là quá trình MRI phát triển giới hạn trong phòng thí nghiệm.
- Thập niên 80 đến đầu thập niên 90 là quá trình hoàn thiện cuộn thu phát sóng RF, cuộn Gradient và nam châm chính.
- Hạt nhân trong từ trường Spin hạt nhân Hạt nhân nguyên tử gồm các proton và các neutron.
- Tùy thuộc vào việc các spin của những hạt nucleon đó có cặp đôi hay không mà hạt nhân của nguyên tử có thể được đặc trưng bằng một số lượng tử spin hạt nhân I bằng không hoặc khác không.
- Nếu spin của tất cả các nucleon đều cặp đôi thì số lượng tử spin của hạt nhân bằng không (I = 0).
- Nếu ở hạt nhân có một spin không cặp đôi thì I = ½.
- Nếu có nhiều spin không cặp đôi thì I >1 Một số quy tắc kinh nghiệm để phỏng đoán số lượng tử spin hạt nhân: I = 0 đối với các hạt nhân chứa số proton chẵn và số neutron cũng chẵn.
- Ví dụ các hạt nhân 16O, 12C, 32S.
- đối với hạt nhân chứa số proton lẻ và số neutron cũng lẻ.
- Ví dụ các hạt nhân 14N, 10B, 2D,

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt