Tổng quan luận án

Phân đoạn ảnh là giai đoạn then chốt trong xử lý ảnh kỹ thuật số nhằm chia nhỏ một ảnh thành các vùng đồng nhất hoặc trích xuất các đối tượng quan tâm. Trong nha khoa thực hành, phân đoạn ảnh X-quang đóng vai trò là bước tiền xử lý nhằm hỗ trợ bác sĩ chẩn đoán các bệnh lý quanh răng như viêm chân răng, bệnh nha chu, viêm túi răng, sâu răng dưới lớp trám, răng mọc ngầm và tiêu xương ổ răng.

Ảnh X-quang nha khoa có cấu trúc đặc thù gồm ba thành phần chính:

  1. Phần răng: Vùng có độ xám cao, hiển thị rõ nét nhất trên ảnh.
  2. Phần cấu trúc răng: Vùng có độ xám trung bình, bao gồm lợi răng, xương và các thành phần mô mềm/mô cứng khác (tủy răng, xi măng chân răng).
  3. Phần nền: Vùng có giá trị độ xám nhỏ nhất, đóng vai trò nền tảng của cấu trúc giải phẫu.

Do sự kết nối phức tạp giữa các mô, độ tương phản thấp, sự xuất hiện của tạp chất và sai sót quét ảnh, các kỹ thuật phân đoạn truyền thống dựa trên phân ngưỡng (như tách ngưỡng Otsu) hoặc phân cụm mờ kinh điển (như Fuzzy C-Means - FCM) thường gặp khó khăn khi xác định biên chung hoặc tối ưu hóa cụm. Mặc dù các kỹ thuật phân cụm bán giám sát mờ đã chứng minh được hiệu quả trong nhiều lĩnh vực xử lý ảnh, trước thời điểm nghiên cứu của luận án, chưa có công trình nào áp dụng phân cụm bán giám sát mờ kết hợp thông tin không gian đặc trưng trên ảnh X-quang nha khoa.

Mục tiêu nghiên cứu

Luận án xác định hai mục tiêu nghiên cứu cụ thể:

  1. Nghiên cứu các thuật toán phân cụm bán giám sát mờ và khả năng ứng dụng vào bài toán phân đoạn ảnh.
  2. Phát triển và đề xuất các phương pháp phân cụm bán giám sát mờ cải tiến cho bài toán phân đoạn ảnh nha khoa, dựa trên việc tích hợp thông tin không gian và đặc trưng ảnh nhằm nâng cao chất lượng phân cụm.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các thuật toán phân cụm mờ, thuật toán phân cụm bán giám sát mờ, kỹ thuật xử lý ảnh số, lý thuyết tối ưu hóa đa mục tiêu và dữ liệu ảnh X-quang nha khoa.
  • Phạm vi không gian và ứng dụng: Dữ liệu ảnh X-quang nha khoa (gồm ảnh trong miệng như ảnh cắn cánh, ảnh quanh chóp; và ảnh ngoài miệng như ảnh toàn cảnh) được cung cấp và tư vấn chuyên môn bởi Viện Đào tạo Răng Hàm Mặt – Đại học Y Hà Nội.
  • Phạm vi học thuật: Chuyên ngành Cơ sở toán học cho tin học (mã số: 62 46 01 10), thực hiện tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam, hoàn thành năm 2016.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu trong và ngoài nước liên quan đến phân đoạn ảnh và phân cụm dữ liệu:

Hướng tiếp cận Tác giả và công trình tiêu biểu Đặc điểm kỹ thuật và hạn chế ghi nhận
Phân đoạn dựa trên xử lý ảnh & ngưỡng Otsu (1979) [43], Nomir & Abdel-Mottaleb (2005, 2007) [27], [50], Jain et al. (2004) [21], Gonzalez & Woods (2002) [17]. Chuyển đổi ảnh sang dạng nhị phân hoặc tìm biên cong; gặp khó khăn khi xác định tham số ngưỡng tối ưu tại các vùng răng mất liên tục hoặc độ tương phản thấp.
Phân cụm mờ truyền thống Bezdek (1981) [10] (FCM), MacQueen (1967) [60] (K-Means). Cho phép một điểm ảnh thuộc nhiều cụm với ma trận độ thuộc; tuy nhiên chưa tận dụng thông tin giám sát bổ trợ và nhạy cảm với nhiễu không gian.
Phân cụm bán giám sát mờ Yasunori et al. (2009, 2012) [66] (SSSFC), Yin (2012) [67] (eSFCM), Zhang (2004) [69], Bouchachia & Pedrycz (2006) [12] (SSFCMBP). Tích hợp thông tin bổ trợ (ràng buộc Must-link/Cannot-link, nhãn một phần, ma trận độ thuộc cho trước); nhưng chưa khai thác thuộc tính không gian cục bộ trên ảnh y tế.
Nghiên cứu phân cụm trong nước Ngô Thành Long et al. (2012) [39], Lê Hoàng Sơn et al. (2012, 2013) [56], [57], Phạm Huy Thông & Lê Hoàng Sơn (2014) [63]. Nghiên cứu phân cụm mờ loại 2 cho ảnh viễn thám, phân tích cụm dân cư, phân cụm mờ bức tranh trên bộ dữ liệu UCI; chưa thực hiện trên tập dữ liệu ảnh X-quang nha khoa.

Khoảng trống nghiên cứu được lựa chọn

Luận án tập trung giải quyết việc thiếu hụt cơ chế kết hợp thông tin bổ trợ thích ứng và ràng buộc không gian cục bộ trong các thuật toán phân cụm mờ khi xử lý ảnh X-quang nha khoa, đồng thời thiết lập cơ sở toán học giải bài toán tối ưu đa mục tiêu phát sinh trong quá trình phân cụm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết

  1. Lý thuyết tập mờ: Khái niệm tập mờ của Zadeh (1965), trong đó tập mờ $A$ trong không gian nền $X$ được xác định bởi hàm liên thuộc $\mu_A(x) \in [0, 1]$. Các chuẩn $T$-norm (phép giao mờ: Min, Tích, Lukasiewicz nilpotent, Chuẩn yếu nhất) và chuẩn $S$-norm (phép hợp mờ: Max, Tích đại số, Lukasiewicz nilpotent, Chuẩn yếu nhất) cùng toán tử phủ định mờ $N$.
  2. Thuật toán phân cụm mờ Fuzzy C-Means (FCM): Tối tiểu hóa hàm mục tiêu: $$J_m(U, V) = \sum_{k=1}^N \sum_{j=1}^C u_{kj}^m |x_k - v_j|^2$$ với điều kiện ràng buộc $\sum_{j=1}^C u_{kj} = 1, \forall k = 1, \dots, N$.
  3. Các mô hình phân cụm bán giám sát mờ cơ sở:
    • SSSFC (Standard Semi-Supervised Fuzzy Clustering): Tích hợp ma trận độ thuộc bổ trợ $\bar{u}_{kj}$ vào hàm mục tiêu FCM.
    • eSFCM (Semi-supervised Entropy regularized Fuzzy Clustering): Kết hợp thành phần entropy $\sum u_{kj} \ln u_{kj}$ và khoảng cách Mahalanobis thông qua ma trận hiệp phương sai $P$.
    • SSFCMBP: Mô hình của Bouchachia và Pedrycz sử dụng thông tin bổ trợ qua các lớp trung gian.
  4. Lý thuyết tối ưu hóa toán học:
    • Phương pháp nhân tử Lagrange: Giải bài toán cực trị có điều kiện bằng cách thiết lập hàm Lagrange $L(x, y; \lambda) = f(x, y) + \lambda \phi(x, y)$ và xét dấu vi phân cấp hai $d^2L$.
    • Phương pháp thỏa dụng mờ (Fuzzy Satisficing Method): Giải bài toán quy hoạch đa mục tiêu thông qua việc chuyển đổi các mục tiêu $z_i(x)$ thành hàm thỏa dụng mờ $\mu_i(z_i)$, lập bảng đánh giá pay-off để tìm nghiệm thỏa hiệp Pareto tối ưu với bộ trọng số $(b_1, \dots, b_p)$.

Phương pháp nghiên cứu và nguồn tư liệu

  • Phương pháp tiếp cận: Kết hợp giữa nghiên cứu lý thuyết toán học (thiết lập mô hình giải tích, chứng minh định lý, phân tích điều kiện hội tụ) và thực nghiệm mô phỏng trên máy tính.
  • Trích xuất đặc trưng ảnh: Áp dụng mô hình Local Binary Patterns (LBP), mô hình đặc trưng Entropy - Biên - Cường độ (EEI), và cửa sổ không gian thích ứng (Adaptive Spatial Window).
  • Nguồn dữ liệu thực nghiệm: Bộ cơ sở dữ liệu ảnh X-quang nha khoa thu thập từ bệnh nhân tại Viện Đào tạo Răng Hàm Mặt – Đại học Y Hà Nội, phân nhóm theo các dạng bệnh lý cụ thể.

Nội dung chính theo từng chương

Chương 1: Tổng quan về phân cụm bán giám sát mờ trong phân đoạn ảnh nha khoa

Chương 1 thiết lập bức tranh tổng thể về giải phẫu hệ thống răng - nha chu, cấu trúc ảnh X-quang và ứng dụng trong chẩn đoán y khoa cũng như nhận dạng pháp y (ước lượng tuổi nha khoa, phân tích mẫu xương mặt, xác định danh tính).

Chương này trình bày chi tiết nền tảng toán học của tập mờ, thuật toán FCM và ba thuật toán phân cụm bán giám sát mờ điển hình: SSSFC, eSFCM và SSFCMBP. Đồng thời, cấu trúc toán học của phương pháp nhân tử Lagrange và phương pháp thỏa dụng mờ tương tác giải bài toán tối ưu đa mục tiêu được phân tích có hệ thống làm công cụ cho các đề xuất ở chương tiếp theo.

Chương 2: Một số thuật toán phân cụm bán giám sát mờ cho phân đoạn ảnh nha khoa

Chương 2 trình bày các đóng góp học thuật cốt lõi của luận án thông qua bốn nội dung chính:

  1. Thuật toán phân cụm bán giám sát mờ lai ghép (Otsu - FCM - eSFCM):

    • Tích hợp kỹ thuật xử lý ảnh nhị phân bằng tách ngưỡng Otsu nhằm tạo tiền xử lý phân vùng thô.
    • Sử dụng FCM trích xuất ma trận độ thuộc ban đầu làm thông tin bổ trợ $\bar{U}$.
    • Chuyển giao thông tin bổ trợ sang thuật toán eSFCM để thực hiện phân đoạn chi tiết.

  2. Thuật toán phân cụm bán giám sát mờ có đặc trưng không gian (SSFC-SC):

    • Xây dựng vector đặc trưng kết hợp giữa cường độ xám, mẫu nhị phân cục bộ LBP và thông tin không gian từ cửa sổ lân cận thích ứng.
    • Thiết lập hàm mục tiêu mới có ràng buộc không gian và sử dụng phương pháp nhân tử Lagrange để giải tích nghiệm tối ưu cho tâm cụm $v_j$ và ma trận độ thuộc $u_{kj}$.

  3. Thuật toán phân cụm bán giám sát mờ giải nghiệm bằng thỏa dụng mờ (SSFC-FS):

    • Mô hình hóa bài toán phân cụm bán giám sát mờ thành bài toán tối ưu hóa đa mục tiêu gồm các thành phần: độ tương đồng dữ liệu, độ phù hợp thông tin bổ trợ và độ mịn không gian.
    • Thiết lập các hàm thỏa dụng mờ $\mu_i(z_i)$ cho từng mục tiêu con, lập bảng pay-off và giải nghiệm Pareto tối ưu thông qua tổ hợp trọng số $(b_1, b_2, b_3)$.
    • Phân tích các tính chất giải tích và hệ quả toán học từ nghiệm của mô hình.

  4. Xác định thông tin bổ trợ phù hợp (SSFC-FSAI):

    • Xây dựng kho dữ liệu gồm tập các hàm thông tin bổ trợ khác nhau.
    • Đề xuất tiêu chí đánh giá giá trị hàm thông tin (Information Function Value - IFV) để tự động lựa chọn hàm bổ trợ tương thích nhất với từng ảnh X-quang đầu vào.

Chương 3: Đánh giá thực nghiệm

Chương 3 trình bày các kết quả kiểm nghiệm trên hệ thống máy tính với bộ cơ sở dữ liệu ảnh X-quang nha khoa thực tế:

  • Bộ tiêu chí đánh giá: Sử dụng hệ thống các độ đo phân cụm và phân đoạn ảnh bao gồm:
    • Độ đo hợp lệ phân cụm: Ball and Hall (BH), Banfeld-Raftery (BR), Calinski-Harabasz (CH), Davies-Bouldin (DB), Pakhira-Bandyopadhyay-Maulik (PBM), Simplified Silhouette Width Criterion (SSWC).
    • Độ đo sai số xử lý ảnh: Mean Absolute Error (MAE), Mean Squared Error (MSE).
  • Kết quả so sánh hiệu năng:
    • Đánh giá thuật toán SSFC-SC và SSFC-FS với các giá trị số cụm khác nhau ($C = 3, C = 5$) và các bộ tham số trọng số $(b_1, b_2, b_3)$.
    • So sánh đối chứng với các thuật toán nền tảng: FCM, eSFCM, SSSFC và thuật toán tách ngưỡng Otsu.
    • Phân tích độ lệch chuẩn, giá trị kỳ vọng và phương sai giữa IFV lý thuyết và IFV thực nghiệm.
  • Xây dựng mô hình ứng dụng hỗ trợ chẩn đoán nha khoa (Dental Diagnosis System - DDS):
    • Thiết kế quy trình tự động: Phân đoạn ảnh bằng thuật toán đề xuất $\rightarrow$ Lựa chọn phân đoạn nghi ngờ bệnh $\rightarrow$ Phân lớp chẩn đoán bệnh bằng thuật toán lan truyền kích hoạt cải tiến (APC+) kết hợp bảng tổng hợp bệnh của các vùng.
    • So sánh độ chính xác của mô hình DDS với các mô hình phân lớp khác như Support Vector Machine (SVM), Fuzzy k-Nearest Neighbor (FKNN) và Fuzzy Inference System (FIS).

Kết quả và những đóng góp mới

Luận án đã đạt được các đóng góp mới về mặt lý thuyết và thực tiễn như sau:

  1. Đề xuất phương pháp phân đoạn ảnh nha khoa lai ghép: Kết hợp kỹ thuật tách ngưỡng Otsu, phân cụm mờ FCM và phân cụm bán giám sát mờ eSFCM, tận dụng ưu thế của xử lý ảnh hình thái và học máy mờ.
  2. Xây dựng thuật toán phân cụm mờ có ràng buộc không gian (SSFC-SC): Bổ sung các đặc trưng không gian cục bộ và mẫu LBP vào hàm mục tiêu, giải quyết hạn chế nhạy cảm với nhiễu của các thuật toán phân cụm mờ truyền thống.
  3. Ứng dụng phương pháp thỏa dụng mờ trong phân cụm bán giám sát (SSFC-FS): Mô hình hóa thành công bài toán phân cụm bán giám sát có ràng buộc không gian dưới dạng bài toán tối ưu đa mục tiêu; đưa ra các chứng minh giải tích, mệnh đề và hệ quả về tính chất nghiệm Pareto.
  4. Đề xuất cơ chế lựa chọn hàm thông tin bổ trợ thích ứng (SSFC-FSAI): Thiết lập kho hàm bổ trợ và tiêu chí IFV, giúp việc gán thông tin giám sát ban đầu đạt độ chính xác cao đối với từng đối tượng ảnh X-quang riêng biệt.
  5. Thiết kế và thực nghiệm thành công mô hình DDS: Ứng dụng kết quả phân đoạn ảnh vào hệ thống hỗ trợ chẩn đoán bệnh lý nha khoa thực tế, kết hợp thuật toán phân cụm APC+ cho kết quả nhận dạng vượt trội so với các phương pháp đối chứng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Sự phụ thuộc tham số khởi tạo: Các thuật toán đề xuất vẫn yêu cầu người dùng thiết lập trước một số tham số ban đầu như số lượng cụm $C$, hệ số mờ hóa $m$, ngưỡng dừng $\varepsilon$ và bộ trọng số thỏa dụng $(b_1, b_2, b_3)$.
  • Phạm vi dạng dữ liệu: Nghiên cứu thực nghiệm chủ yếu tập trung trên ảnh X-quang hai chiều (2D), việc xử lý các ca bệnh phức tạp có cấu trúc giải phẫu chồng lấn đòi hỏi dữ liệu chuyên sâu hơn.

Hướng nghiên cứu tiếp

  • Nghiên cứu cơ chế tự động hóa hoàn toàn việc xác định số cụm tối ưu $C$ và các tham số trọng số thỏa dụng mờ.
  • Phát triển các thuật toán nội suy phục vụ tái tạo hình ảnh cấu trúc răng ba chiều (3D) từ các đường mức phân đoạn, hỗ trợ bác sĩ trong việc nắn chỉnh và cấy ghép răng.
  • Mở rộng phạm vi thử nghiệm thuật toán trên các loại ảnh y tế phức tạp khác như ảnh cắt lớp vi tính (CT nha khoa, Cone Beam CT) và phim sọ nghiêng ngoài miệng.

Giá trị tham khảo

Luận án có giá trị tham khảo chuyên môn đối với nhiều nhóm đối tượng:

  • Nghiên cứu sinh và học viên cao học ngành Toán tin, Khoa học máy tính: Cung cấp tài liệu tham khảo về phương pháp luận kết hợp giữa lý thuyết tập mờ, tối ưu hóa đa mục tiêu bằng phương pháp thỏa dụng mờ và kỹ thuật phân cụm bán giám sát.
  • Kỹ sư và nhà phát triển hệ thống xử lý ảnh y tế: Cung cấp các lược đồ thuật toán (SSFC-SC, SSFC-FS, SSFC-FSAI) và kỹ thuật trích xuất đặc trưng không gian (LBP, EEI) phục vụ xây dựng phần mềm tiền xử lý ảnh y sinh.
  • Chuyên gia y tế và nha sĩ: Cung cấp cấu trúc mô hình hệ hỗ trợ chẩn đoán DDS, minh họa cách thức kết hợp kết quả phân đoạn hình ảnh với các thuật toán phân lớp nhằm sàng lọc tự động các tổn thương quanh răng.

Câu hỏi thường gặp

1. Cấu trúc ảnh X-quang nha khoa gồm những thành phần chính nào theo luận án?

Theo luận án, ảnh X-quang nha khoa được cấu thành từ ba phần chính:

  • Phần răng: Vùng có độ xám cao nhất, hiển thị rõ nhất trên ảnh.
  • Phần cấu trúc răng: Vùng có độ xám trung bình, bao gồm lợi răng, xương và các thành phần khác (tủy răng, xi măng chân răng).
  • Phần nền: Vùng có giá trị độ xám nhỏ nhất, đóng vai trò là nền tảng của cấu trúc giải phẫu.

2. Thông tin bổ trợ trong các thuật toán phân cụm bán giám sát mờ của luận án được xác định như thế nào?

Khác với các phương pháp truyền thống sử dụng ràng buộc Must-link/Cannot-link hoặc nhãn lớp cố định, luận án xác định thông tin bổ trợ là ma trận độ thuộc $\bar{U}$ thu được từ thuật toán phân cụm mờ FCM kết hợp với các đặc trưng không gian, cường độ và mẫu nhị phân cục bộ (LBP) của ảnh nha khoa. Trong mô hình SSFC-FSAI, thông tin này được lựa chọn thích ứng thông qua kho hàm bổ trợ và tiêu chuẩn IFV.

3. Phương pháp thỏa dụng mờ đóng vai trò gì trong thuật toán SSFC-FS?

Phương pháp thỏa dụng mờ tương tác (Fuzzy Satisficing Method) được sử dụng để giải bài toán tối ưu hóa đa mục tiêu của quá trình phân cụm bán giám sát có ràng buộc không gian. Phương pháp này chuyển đổi các hàm mục tiêu thành các hàm thỏa dụng $\mu_i(z_i)$, lập bảng pay-off để xác định cận trên/cận dưới và tìm nghiệm thỏa hiệp Pareto tối ưu thông qua vector trọng số $(b_1, b_2, b_3)$.

4. Hệ thống hỗ trợ chẩn đoán nha khoa (DDS) sử dụng thuật toán nào cho quá trình phân lớp bệnh?

Hệ thống DDS sử dụng thuật toán phân cụm lan truyền kích hoạt cải tiến (Affinity Propagation Clustering cải tiến - APC+) để thực hiện phân lớp và khớp các vùng phân đoạn nghi ngờ mắc bệnh với các mẫu bệnh lý có trong cơ sở dữ liệu.

5. Những nhóm độ đo nào được luận án sử dụng để đánh giá chất lượng phân đoạn và phân cụm?

Luận án sử dụng hai nhóm độ đo chính:

  • Nhóm độ đo chất lượng phân cụm: Ball and Hall (BH), Banfeld-Raftery (BR), Calinski-Harabasz (CH), Davies-Bouldin (DB), Pakhira-Bandyopadhyay-Maulik (PBM) và Simplified Silhouette Width Criterion (SSWC).
  • Nhóm độ đo sai số xử lý ảnh: Sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình (MSE).

Kết luận

Luận án của tác giả Trần Mạnh Tuấn đã nghiên cứu và phát triển thành công các thuật toán phân cụm bán giám sát mờ cải tiến ứng dụng trong phân đoạn ảnh X-quang nha khoa. Bằng việc tích hợp các đặc trưng không gian, mẫu LBP và giải bài toán tối ưu hóa đa mục tiêu thông qua phương pháp nhân tử Lagrange và thỏa dụng mờ tương tác, các thuật toán đề xuất (SSFC-SC, SSFC-FS, SSFC-FSAI) đã cải thiện chất lượng phân vùng ảnh y tế so với các phương pháp truyền thống. Kết quả nghiên cứu đồng thời được hiện thực hóa qua mô hình hệ thống DDS, mở ra hướng ứng dụng tin học y sinh hiệu quả trong hỗ trợ bác sĩ chẩn đoán các bệnh lý răng hàm mặt.