Phân đoạn mạch máu trên bề mặt cổ tử cung sử dụng hình ảnh phân cực và ngưỡng Sauvola

Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 3(4):523-530
Open Access Full Text Article Bài Nghiên cứu
1Khoa Khoa học ứng dụng – Trường Đại
học Bách Khoa, ĐHQG-HCM
2Khoa Y, Trường Đại học Nguyễn Tất
Thành
Liên hệ
Phan Ngọc Khương Cát, Khoa Khoa học
ứng dụng – Trường Đại học Bách Khoa,
ĐHQG-HCM
Email: pnkhuongcat@hcmut.edu.vn
Lịch sử
 Ngày nhận: 22-2-2020
 Ngày chấp nhận: 22-12-2020
 Ngày đăng: 31-12-2020
DOI : 10.32508/stdjet.v3i4.673
Bản quyền
© ĐHQG Tp.HCM. Đây là bài báo công bố
mở được phát hành theo các điều khoản của
the Creative Commons Attribution 4.0
International license.
Phân đoạnmạchmáu trên bềmặt cổ tử cung sử dụng hình ảnh
phân cực và ngưỡng Sauvola
Phan Ngọc Khương Cát1,*, Trần Văn Tiến1, Nguyễn Ngọc Quỳnh2, Lý Anh Tú1, Từ Tuyết Dung1, Vũ Quốc Anh1
Use your smartphone to scan this
QR code and download this article
TÓM TẮT
Ung thư cổ tử cung là một trong hai loại ung thư phụ khoa phổ biến nhất trên thế giới, bao gồm
ung thư vú. Dấu hiệu bệnh lý cổ tử cung, ung thư cổ tử cung thường là sự xuất hiện của các biểu
mô không điển hình, hiện tượng chảy máu bề mặt hoặc sự tăng sinh mạch máu bất thường. Hiện
nay, để phát hiện các tổn thương biểumô cũng như quan sát hình dạngmạchmáu, phương pháp
chẩn đoán chính được sử dụng là soi cổ tử cung và chẩn đoán bằng mắt thường. Phương pháp
này có độ nhạy và độ đặc hiệu không cao bởi vẫn còn tồn tại yếu tố chủ quan và chưa phân biệt
rõ ràng hình dạng của mạch máu tăng sinh. Do đó, để nâng cao hiệu quả trong chẩn đoán bệnh,
gần đây nhiều nghiên cứu ứng dụng kỹ thuật xử lý ảnh trong hỗ trợ tự động chẩn đoán đã trở
thành chủ đề được quan tâm. Tuy nhiên, các nghiên cứu hỗ trợ tự động xác định hình dạng, mật
độ mạch máu bất thường vẫn còn rất hạn chế. Trong nghiên cứu này, trước hết hình ảnh soi cổ
tử cung được thu thập bằng mô hình thiết bị soi cổ tử cung điện tử. Các hình ảnh này được chụp
dưới ánh sáng phân cực giúp giảm sự phản xạ (chóa) từ bề mặt và hỗ trợ cho các bước xử lý ảnh
đạt hiệu quả tốt hơn. Sau đó, nhóm sử dụng phương pháp ngưỡng Sauvola để tách mạch máu
trên bề mặt cổ tử cung dựa trên các phương pháp tiền xử lý khác nhau. Cuối cùng, độ nhạy và
độ đặc hiệu của các phương pháp trên được tính toán và đánh giá. Kết quả của nghiên cứu tạo
tiền đề trong các nghiên cứu nhận dạng mạch máu cổ tử cung, cũng như đánh giá ung thư cổ tử
cung.
Từ khoá: Ung thư cổ tử cung, ánh sáng phân cực, mạch máu, ngưỡng
GIỚI THIỆU CHUNG
Cổ tử cung (CTC) là vị trí tiếp nối giữa âm đạo và
tử cung, đóng vai trò như một lá chắn để ngăn chặn
bệnh lây lan từ âm đạo đến tử cung. Có nhiều nguyên
nhân gây ra một số các bệnh lý về CTC với nhiềumức
độ nặng nhẹ khác nhau, đặc biệt là các bệnh lý liên
quan đến CTC như viêm CTC, viêm lộ tuyến CTC
hay Polyp, và nghiêm trọng nhất là căn bệnh ung thư
CTC. Theo thống kê ở Việt Nam, ung thư CTC cũng
là một trong những loại ung thư gây tử vong hàng đầu
cho phụ nữ, năm 2018 ghi nhận 4177 ca mắc mới và
2420 ca tử vong1.
Dấu hiệu bệnh lý CTC thường là sự xuất hiện của biểu
mô không điển hình, đặc biệt có đi kèm các mô hình
mạch máu bất thường hoặc tổn thương nội mô vảy
cấp thấp hay cấp cao (LSIL và HSIL) tùy thuộc vào
mức độ nghiêm trọng của các tổn thương. Mạchmáu
ở CTC được phân ra nhiều loại, dựa theo cấp độ ung
thư hoặc tổn thương biểu mô2–4. Các tế bào ác tính
khi phát triển sẽ kèm theo sự xuất hiện của các mạch
máu nuôi tế bào. Quan sát sự phát triển của mô hình
mạch máu trên bề mặt CTC cho thấy mạch máu càng
xuất hiện dày đặc với những hình dạng không đặc thù
thì khả năng cao là khu vực tập trung dấu hiệu bất
thường của bệnh lý CTC. Có hai dạng mạch máu cơ
bản xuất hiện ở biểu mô CTC bình thường hay biểu
mô tổn thương ban đầu là mạchmáumạng lưới (Net-
work capillaries) và dạng kẹp tóc (Hairpin capillar-
ies)2–4. Bên cạnh đó, các dạng khác của mạch máu
bao gồm: Dấu câu (Punctation) và Khảm (Mosaic)
được chỉ ra tại các khu vực loạn sản hoặc ung thư biểu
mô5,6. Sau khi sàng lọc tế bào học bất thường (Papan-
icolaou smear), soi CTC là phương pháp chẩn đoán
chính được sử dụng để phát hiện các tổn thương biểu
mô và các mô hình mạch máu. Các nghiên cứu cho
thấy quan sát hình dạng mạch máu là tiêu chí quan
trọng hàng đầu trong việc đánh giá bệnh lý CTC2–6.
Bình thường, trong phương pháp soi CTC, kính lọc
xanh lá được sử dụng nhằm mục đích tăng cường
tương phản vùng mạch máu và vùng xung quanh.
Ngày nay, với sự phát triển củamáy tính, việc sử dụng
các kỹ thuật xử lý hình ảnh để nâng cao hiệu quả sử
dụng các thiết bị chẩn đoán đo lường bằng hình ảnh là
một vấn đề thời sự luôn được quan tâm và phát triển
trong lĩnh vực kỹ thuật y sinh. Phát hiện và chỉ ra đặc
điểm hình thái của mạch máu trong hình ảnh CTC
kỹ thuật số là rất quan trọng, từng bước hướng tới
phát triển hệ thống chẩn đoán hỗ trợmáy tính (CAD)
Trích dẫn bài báo này: Cát P N K, Tiến T V, Quỳnh N N, Tú L A, Dung T T, Anh V Q. Phân đoạnmạchmáu
trên bề mặt cổ tử cung sử dụng hình ... auvola. Sơ đồ giải thuật của phương pháp
được thể hiện ở Hình 3.
Hình 3: Sơ đồ giải thuật phương pháp tiền xử lý
Venkataraman.
Phương pháp thứ 2 dựa trên phương pháp tăng tương
phản mạch máu trên bề mặt CTC do nhóm Hol-
men đề xuất9. Với phương pháp thứ 2, nhóm đã
tăng cường các cấu trúc mạch máu bằng cách tách
hình ảnhmàu gốc thành ”kênhmàu xanh lá cây” (của
không gian màu RGB) và ”kênh bão hòa” (của không
gian màu HSV). Các mạch máu, xuất hiện màu đỏ
tươi, có giá trị rất thấp ở màu xanh lá cây và do đó
sẽ có màu tối trong kênh màu xanh lá cây. Trong khi
đó, các mạch máu có giá trị bão hòa cao sẽ xuất hiện
sáng trong kênh bão hòa. Nhóm tiến hành đảo ngược
kênhmàu xanh lá cây và kết hợp với kênh bão hòa cho
hình ảnh các mạch máu có giá trị cao hơn so với hình
ảnh ban đầu. Hình ảnh mạch máu được tách sử dụng
ngưỡngNiblack theo đề xuất củaHolmen9. Sơ đồ giải
thuật của phương pháp được thể hiện ở Hình 4.
Phương pháp thứ 3 (phương pháp nhóm) dựa trên
phương pháp tăng độ tương phản của máu trên cơ
sở hấp thụ của hemoglobin8,11. Nhóm sử dụng thuật
toán lồng ghép 2 kênh, kênh xanh lá ứng với đỉnh hấp
thụ và kênh đỏ ứng với vùng hấp thụ nhỏ nhất của
hemoglobin. Bằng cách trừ kênh xanh lá với kênh đỏ,
có thể loại trừ tác động của sự hấp thụ nền trong khi
vẫn duy trì sự ảnh hưởng của hấp thụ hemoglobin, do
đó mạch máu có thể quan sát rõ hơn. Sơ đồ giải thuật
phương pháp 3 được thể hiện trong Hình 5.
Các chỉ số bao gồm: độ nhạy, độ đặc hiệu và độ chính
xác được sử dụng để đánh giá vùng mạch máu phân
525
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 3(4):523-530
Hình4: Sơ đồ giải thuật phươngpháp tiền xử lý Hol-
men.
Hình 5: Sơ đồ giải thuật phương pháp tiền xử lý 3.
đoạn chồng lấp giữa thuật toán và nền16,17. Giá trị
được xác định theo công thức:
• Độ nhạy (sensitivity).Sn = Dương tính thật/
(Dương tính thật+ Âm tính giả)
• Độ đặc hiệu (Specificity).Sp = Âm tính thật/
(Âm tính thật + Dương tính giả)
• Độ chính xác (Accuracy).Acc = (Dương tính
thật+ Âm tính thật)/Tổng số
Trước tiên hình ảnh ký sinh trùng sốt rét (Hình 6a)
được thử nghiệm để đánh giá thuật toán cũng như
các chỉ số đánh giá. Trong đó Hình 6b là hình ảnh
kênh xanh, Hình 6c là hình ảnh sử dụng phương pháp
tiền sử lý của nhóm và Hình 6d là hình ảnh ký sinh
trùng sốt rét sau khi được tách trên nền là Hình 6c sử
dụng thuật toán Sauvola. Kết quả đánh giá thu được
độ nhạy là 99.92 %, độ đặc hiệu là 95.30 %, độ chính
xác là 99.79 %. Trong đó, độ nhạy và độ chính xác
cao hơn các phương pháp đề xuất và thử nghiệm của
nhóm Mustafa với lần lượt độ nhạy là 84,54%, và độ
chính xác là 98,04%17, trên cùng bài toán tách ký sinh
trùng sốt rét.
KẾT QUẢ VÀ THẢO LUẬN
Trong nghiên cứu này, nhóm sử dụng phương pháp
ngưỡng Sauvola phân tách mạch máu trên bề mặt cổ
Hình 6: Tách ký sinh trùng sốt rét sử dụng Sauvola.
tử cung. Hình ảnh được chụp lại sử dụng ánh sáng
trắng kết hợp kỹ thuật phân cực ánh sáng (Hình 7a).
Có thể thấy trên Hình 7a các vết trắng do chóa sáng
gần như không còn, điều này ảnh hưởng rất tích cực
đến phương pháp xử lý ảnh tiếp theo vì bề mặt CTC
chứa nước, dịch nhầy thường gây vùng chóa rất rộng,
làm mất mát dữ liệu bên dưới vùng chóa cũng như
làm thay đổi ngưỡng trên hình ảnh rất lớn.
Trên Hình 7a, các mạch máu bắt đầu phát triển bên
trên bề mặt CTC. Mục tiêu chính của nghiên cứu là
tách mạch máu trên một số vùng của bề mặt CTC, do
đó chúng tôi chọn vùng chứa máu là vùng quan tâm
(ROI) (Hình 7b), các vùng khác được loại bỏ nhằm
tránh ảnh hưởng của nhiễu. Hình 7c là hình mạch
máu được tách bởi chuyên gia từ hình ROI; hình này
được đưa vào để hỗ trợ đánh giá trực quan về kết
quả của việc tách mạch máu trên bề mặt CTC với các
phương pháp khử nhiễu khác nhau.
Hình 8 thể hiện kết quả tăng tương phản mạch máu
trên hình ROI (Hình 7b) và sau đó tách mạch máu.
Trong đó Hình 8a, b là kết quả tăng tương phản
dựa trên phương pháp của Venkataraman (phương
pháp 1) và tách mạch máu sử dụng ngưỡng Sauvola;
Hình 8c, d là kết quả sử dụng phương pháp tăng tương
phản và ngưỡng Niblack của nhómHolmen (phương
pháp 2); và Hình 8e, f là kết quả sử dụng phương pháp
tăng tương phản nhóm đề xuất kết hợp tách mạch
máu sử dụng ngưỡng Sauvola (phương pháp 3). Nhìn
trực quan, độ tương phản giữa mạch máu và nền trên
các Hình 8a, c, e đều được tăng cường so với ảnh gốc.
Sau khi tăng cường sự tương phản giữa mạch máu và
nền bằng ba thuật toán trên, thì mạchmáu được phân
tách ra khỏi nền bằng ngưỡng Sauvola (phương pháp
1, 3) và ngưỡng Niblack (phương pháp 2). Hình ảnh
526
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 3(4):523-530
Hình 7: a) Ảnh soi bề mặt CTC: (1) Âm đạo; (2) Lỗ CTC; (3) mạch máu; b) Hình ROI; c) Mạch máu được tách bởi
chuyên gia từ hình ROI.
phân tách mạch máu được thể hiện ở Hình 8b,d,f. Có
thể thấy, mạch máu đã được tách ra khỏi nền thành
công, tuy nhiên vẫn còn nhiễu nhiều, đặc biệt trên kết
quả của phương pháp Holmen.
Chất lượng của hình ảnh được phân đoạn được xác
định dựa trên so sánh độ tương đồng các pixel hình
ảnh mạch máu phân đoạn bởi thuật toán và hình ảnh
phân đoạn bởi chuyên gia. Một số phương pháp đánh
giá khách quan đã được tính toán để đánh giá hiệu
suất tổng thể của các kỹ thuật phân đoạn khác nhau
như độ chính xác, độ nhạy và độ đặc hiệu. Hiệu suất
kết quả phân đoạn mạch máu từ cổ tử cung được
trình bày trong Bảng 1. Từ dữ liệu trong Bảng 1, có
thể nhận thấy độ nhạy và độ chính xác tách mạch
máu từ phương pháp do nhóm đề xuất (độ đặc hiệu
= 92,02% và độ chính xác = 91,53%) là cao hơn so
với nhóm Venkataraman cũng như nhóm Holmen.
Phương pháp 2 (Holmen) cho độ đặc hiệu cao nhất
nhưng đồng thời cũng cho độ nhạy thấp nhất, hình
ảnh tách mạch máu xuất hiện nhiễu nhiều. Qua đó
ta có thể kết luận rằng, có sự đánh đổi giữa thông tin
hình ảnh và độ nhiễu khi tiến hành thuật toán phân
đoạn, càng giữ đượcnhiều thông tin thì độnhiễu cũng
càng lớn. Điều này đặt ra thách thức trong việc cải
thiện hiệu quả thuật toán để có thể cân bằng được độ
nhạy và độ đặc hiệu, giúp hình ảnh phân đoạn được
chính xác với độ nhiễu thấp.
KẾT LUẬN
Trong phạm vi nghiên cứu này, nhóm sử dụng
phương pháp ngưỡng Sauvola để tách mạch máu
trên bề mặt CTC sử dụng phương pháp tiền sử lý
khác nhau bao gồm phương pháp được đề xuất bởi
nhóm Venkataraman, Holmen và phương pháp kết
hợp kênh xanh lá và kênh đỏ trên ảnh phân cực ánh
sáng trắng. Kết quả cho thấy, áp dụng phương pháp
Sauvola kết hợp với các phương pháp tiền xử lý khác
nhau đều có thể tách mạch máu, trong đó phương
527
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 3(4):523-530
Hình 8: Kết quả tăng tương phản và tách mạch máu sử dụng phương pháp 1, 2, 3
Bảng 1: So sánh kết quả táchmạchmáu dựa trên các phương pháp 1, 2, 3
Phương pháp Đánh giá chất lượng hình ảnh
Độ nhạy (%) Độ đặc hiệu (%) Độ chính xác (%)
Venkataraman 89.82 60.74 89.06
Holmen 69.49 90.72 70.04
Nhóm 92.02 73.34 91.53
528
Tạp chí Phát triển Khoa học và Công nghệ – Kĩ thuật và Công nghệ, 3(4):523-530
pháp donhómđề xuất đạt độ nhạy và độ chính xác lớn
nhất. Xác định hình dạng mạch máu, mật độ mạch
máu, đặc biệt là các dạng bất thường như mạch máu
dạng khảm, kẹp tóc, phân bố bất thường có vai trò
quan trọng trong việc đánh giá bệnh lý CTC cũng như
tầm soát ung thưCTC.Công việc tiếp theo của nghiên
cứu này là cần đánh giá thêm nhiều trường hợp và cải
thiện thuật toán để có thể táchmạchmáu với độ nhạy,
độ đặc hiệu và độ chính xác cao hơn.
LỜI CẢMƠN
Nghiên cứu này được tài trợ bởi ĐHQG-HCM trong
đề tài mã số C2019-20-08.
Nhóm tác giả chân thành cảm ơn bác sĩ CK1 Nguyễn
Long bệnh việnTừDũđã cónhiều tư vấn y khoa trong
bài viết này.
DANHMỤC TỪ VIẾT TẮT
CTC: cổ tử cung
DN: độ nhạy
DDH: độ đặc hiệu
XUNGĐỘT LỢI ÍCH
Nhóm tác giả xin camđoan rằng không có bất kỳ xung
đột lợi ích nào trong công bố bài báo.
ĐÓNGGÓP CỦA TÁC GIẢ
Phan Ngọc Khương Cát, Trần Văn Tiến tham gia vào
việc đưa ra ý tưởng viết bài, đi thu thập dữ liệu và viết
bản thảo.
Từ Tuyết Dung, Vũ Quốc Anh tham gia quá trình xử
lý số liệu.
Nguyễn Ngọc Quỳnh, Lý Anh Tú đã đóng góp giải
thích dữ liệu và kiểm tra, chỉnh sửa lại bài viết.
TÀI LIỆU THAMKHẢO
1. Bruni L, et al. Human Papillomavirus and Related Diseases in
Viet Nam. ICO/IARC Information Centre on HPV and Cancer.
2019;.
2. Kolstad P. The development of the vascular bed in tumours
as seen in squamous-cell carcinoma of the cervix uteri. Brit.
J. Radiol. 1965;38:216–223. PMID: 14264025. Available from:
https://doi.org/10.1259/0007-1285-38-447-216.
3. Ohri N, et al. Anupdate on intraoral applicationof colposcopy.
JOralMaxillofac Pathol. 2014;18(3):403–410. PMID: 25948996.
Available from: https://doi.org/10.4103/0973-029X.151328.
4. Prendiville W, Sankaranarayanan R. Colposcopy and Treat-
ment of Cervical Precancer. IARC Technical Publication.
2017;(45).
5. Li W, Poirson A. Detection and characterization of abnormal
vascular patterns in automated cervical image analysis. Inter-
national Symposium on Visual Computing, Springer, Berlin,
Heidelberg. 2006;4292:627–636. Available from: https://doi.
org/10.1007/11919629_63.
6. Xue Z, et al. Segmentation ofmosaicism in cervicographic im-
ages using support vector machines. Proc. SPIE 7259, Medical
Imaging 2009: Image Processing. 2009;7259. Available from:
https://doi.org/10.1117/12.812318.
7. Fernandes K, Cardoso JS, Fernandes J. Automated Methods
for the Decision Support of Cervical Cancer Screening Using
Digital Colposcopies. IEEE Access. 2018;6:33910–33927. Avail-
able from: https://doi.org/10.1109/ACCESS.2018.2839338.
8. Venkataraman S, et al. Methods for detection and character-
ization of atypical vessels in cervical imagery. United States
Patent, US 2010/0027863 A1. 2010;.
9. Holmen S, et al. Characteristics of blood vessels in female
genital schistosomiasis: paving the way for objective diag-
nostics at the point of care. PLoS Neglected Tropical Diseases.
2016;10(4). PMID: 27073857. Available from: https://doi.org/
10.1371/journal.pntd.0004628.
10. Botero-Rosas DA. A novel image processing method for
visualizing the vascular pattern of human uterine cervix.
Rev. Cient. General José María Córdova. 2017;15(19):291–306.
Available from: https://doi.org/10.21830/19006586.77.
11. Ozkaya U, et al. An efficient retinal blood vessels segmenta-
tion using morphological operations. 2nd International Sym-
posiumonMultidisciplinary Studies and Innovative Technolo-
gies (ISMSIT), Ankara. 2018;p. 1–7. Available from: https://doi.
org/10.1109/ISMSIT.2018.8567239.
12. Vizet J, Rehbinder J, Deby S, et al. In vivo imaging of uter-
ine cervix with a Mueller polarimetric colposcope. Sci Rep.
2017;7(1):2471. PMID: 28572602. Available from: https://doi.
org/10.1038/s41598-017-02645-9.
13. O’Doherty J, et al. Sub-epidermal imaging using polarized
light spectroscopy for assessment of skin microcirculation.
Skin Research and Technology. 2007;13(4):472–484. PMID:
17908201. Available from: https://doi.org/10.1111/j.1600-
0846.2007.00253.x.
14. Sauvola J, Pietikainen M. Adaptive document image bina-
rization. Pattern Recognition. 2000;33(2):225–236. Available
from: https://doi.org/10.1016/S0031-3203(99)00055-2.
15. Yang JH, et al. Factors influencing the recurrence potential of
benign endometrial polyps after hysteroscopic polypectomy.
PloSOne. 2015;10(12). PMID: 26660149. Available from: https:
//doi.org/10.1371/journal.pone.0144857.
16. Altman DG, Bland JM. Diagnostic tests. 1: Sensitivity and
specificity. BMJ (Clinical research ed.). 1994;308(6943):1552.
PMID: 8019315. Available from: https://doi.org/10.1136/bmj.
308.6943.1552.
17. Mustafa WA, et al. Malaria parasites segmentation based on
sauvola algorithm modification. Malaysian Applied Biology.
2018;47(2):71–76.
529
Science & Technology Development Journal – Engineering and Technology, 3(4):523-530
Open Access Full Text Article Research Article
1Department of Applied Physics, Faculty
of Applied Science, Ho Chi Minh City
University of Technology, VNU-HCM
2Department of Medicine, Nguyen Tat
Thanh University
Correspondence
Phan Ngoc Khuong Cat, Department of
Applied Physics, Faculty of Applied
Science, Ho Chi Minh City University of
Technology, VNU-HCM
Email: pnkhuongcat@hcmut.edu.vn
Correspondence
Tran Van Tien, Department of Applied
Physics, Faculty of Applied Science, Ho
Chi Minh City University of Technology,
VNU-HCM
History
 Received: 22-2-2020 
 Accepted: 22-12-2020 
 Published: 31-12-2020
DOI : 10.32508/stdjet.v3i4.673 
Copyright
© VNU-HCM Press. This is an open-
access article distributed under the
terms of the Creative Commons
Attribution 4.0 International license.
Segmentation of blood vessels in colposcopic images using
polarized light and Sauvola thresholding
Phan Ngoc Khuong Cat1,*, Tran Van Tien1, Nguyen Ngoc Quynh2, Ly Anh Tu1, Tu Tuyet Dung1, Vu Quoc Anh1
Use your smartphone to scan this
QR code and download this article
ABSTRACT
Cervical cancer is one of the two most common gynecological cancers in the world, including
breast cancer. Signs of cervical disease are usually the presence of atypical epithelium, superficial
bleeding or abnormal vascular proliferation. Most of these signs are directly related to cervical in-
traepithelial neoplasia (CIN) and cervical cancer. Currently, to detect epithelial lesions as well as to
observe the shape of blood vessels, the main diagnostic methods used are colposcopy and visual
examination. This method has low sensitivity and specificity because subjective factors still exist
and the method does not clearly distinguish the shape of proliferating blood vessels. Therefore,
in order to improve the efficiency of disease diagnosis, many studies applying image processing
techniques to support auto-diagnosis have become topics of interest. However, studies that sup-
port automatic identify abnormal blood vessel shape and density are very limited. In this study,
colposcopy images were recorded by digital colposcopes. These images are taken under polarized
light to help reduce reflections from the surface and support for better image processing steps.
Then, Sauvola threshold method is used to separate blood vessels on the surface of the cervix. It
is combined with three different image preprocessing methods to enhance the contrast between
the blood and the background. Finally, the sensitivity and specificity of these methods were calcu-
lated and evaluated. The results of the study set the stage for cervical blood vessel identification
studies as well as cervical cancer assessment.
Key words: Cevical cancer, polarized light, vascular pattern, thresholding
Cite this article : Cat P N K, Tien T V, Quynh N N, Tu L A, Dung T T, Anh V Q. Segmentation of blood vessels 
in colposcopic images using polarized light and Sauvola thresholding. Sci. Tech. Dev. J. – Engineering 
and Technology; 3(4):523-530.
530