Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số y tế, chẩn đoán hình ảnh đóng vai trò xương sống với hơn 80% quyết định lâm sàng dựa trên dữ liệu ảnh như X-quang, Chụp cắt lớp vi tính (Computed Tomography - CT), và Cộng hưởng từ (Magnetic Resonance Imaging - MRI). Theo các thống kê y tế quốc tế, số lượng ca chụp chẩn đoán hình ảnh tăng trưởng trung bình 12-15% mỗi năm, tạo ra áp lực khổng lồ lên đội ngũ bác sĩ X-quang khi mỗi ca chấn thương sọ não yêu cầu phân tích tối thiểu 20 đến hơn 100 lát cắt liên tục.

Ảnh y tế có đặc thù độ tương phản mô mềm thấp, tỷ lệ tín hiệu trên nhiễu (SNR) biến thiên và xuất hiện nhiều xảo ảnh (artifacts) do chuyển động hoặc cản quang. Đồ án "Nghiên cứu các phương pháp xử lý và phân đoạn ảnh trong Y học ứng dụng chẩn đoán tổn thương sọ não và tuyến vú" do sinh viên Bùi Xuân Sơn thực hiện dưới sự hướng dẫn của TS. Nguyễn Chí Ngọc (Khoa Công nghệ Thông tin, Trường Đại học Bách Khoa – ĐHQG TP.HCM) tập trung giải quyết bài toán cốt lõi: tối ưu hóa chuỗi tiền xử lý và thuật toán phân đoạn ảnh y khoa nhằm hỗ trợ chẩn đoán bán tự động chính xác.

[Ảnh thô DICOM/CT] ──> [Tiền xử lý & Khử nhiễu] ──> [Phân đoạn đối tượng] ──> [Trích xuất đặc trưng/Voxel] ──> [Hỗ trợ chẩn đoán]

Mục tiêu dự án

  1. Chuẩn hóa quy trình xử lý dữ liệu chuẩn DICOM: Khai thác cấu trúc Data Set, Data Element, VR/VM và hệ thống lưu trữ, truyền thông hình ảnh PACS (Picture Archiving and Communication System).
  2. Khảo sát và làm chủ các kỹ thuật phân đoạn kinh điển: Thực nghiệm các phương pháp phân ngưỡng thích nghi (Isodata, Thuật toán tam giác, Đối xứng nền), Tăng vùng (Region Growing), Cây tứ phân (Quadtree Split-and-Merge).
  3. Nghiên cứu chuyên sâu phân đoạn đồ tử (Graph-based Segmentation): Ứng dụng thuật toán dựa trên cây khung nhỏ nhất tiếp cận đặc tính non-local với độ phức tạp tính toán $O(m \log m)$.
  4. Ứng dụng vào bài toán bệnh lý thực tế: Định vị và phân tách tổn thương tụ máu ngoài màng cứng (Epidural), tụ máu dưới màng cứng (Subdural) trên CT sọ não và đánh giá độ đặc tuyến vú.
  5. Xây dựng phần mềm thực nghiệm: Thiết kế giao diện xử lý ảnh tích hợp bộ lọc, cân bằng mức xám, phân ngưỡng và đo đạc kích thước tổn thương.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các hệ thống xử lý ảnh y tế hiện nay tại các cơ sở lâm sàng chủ yếu dựa vào thao tác thủ công (Manual Windowing) của kỹ thuật viên hoặc các thuật toán phân đoạn ngưỡng cố định đơn giản, bộc lộ nhiều hạn chế khi phân tích mô bệnh học phức tạp.

Phương pháp Ưu điểm Nhược điểm Độ chính xác (Dice/IoU) Thời gian xử lý
Phân ngưỡng thủ công (Global Threshold) Đơn giản, tính toán tức thì $O(n)$ Nhạy cảm với nhiễu, thất bại khi độ sáng không đồng đều Thấp (50 - 65%) $< 10\text{ ms}$
Tăng vùng (Region Growing) Bảo toàn tính liên thông không gian, biên mượt Phụ thuộc điểm hạt giống (Seed Point), dễ tràn vùng Trung bình (70 - 82%) $50 - 150\text{ ms}$
Tách - Hợp cây tứ phân (Split & Merge) Cấu trúc phân cấp tốt, bao quát toàn ảnh Khối hóa đường biên (Blocky artifacts), tốn bộ nhớ Khá (75 - 85%) $100 - 300\text{ ms}$
Dựa trên đồ thị (Graph-Based Efficient) Nắm bắt thuộc tính non-local, phân đoạn thích nghi biên Cần tinh chỉnh tham số trọng số $k$ và độ làm mịn $\sigma$ Cao (85 - 94%) $80 - 200\text{ ms}$

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Đọc/ghi và giải mã cấu trúc file chuẩn DICOM 3.0; Tiền xử lý lọc nhiễu làm trơn Gaussian/Median; Thuật toán phân đoạn Isodata, Otsu, Region Growing và Graph-based; Đo lường định lượng đơn vị Hounsfield (HU).
  • Should have: Giao diện hiển thị đa khung nhìn lát cắt CT (Axial, Coronal, Sagittal); Công cụ đo đạc kích thước voxel và diện tích khối máu tụ.
  • Could have: Module tự động nhận diện dạng hình học tổn thương (hình thấu kính hai mặt lồi vs. hình liềm).
  • Won't have: Tự động chẩn đoán 100% không cần can thiệp của bác sĩ; Huấn luyện mạng Deep Learning 3D End-to-End quy mô lớn.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình tích hợp PACS/Workstation tuân thủ chuẩn truyền thông y tế:

[Modality: CT Scanner/X-Ray]
         │ (DICOM Network Protocol / TCP-IP)
         ▼
┌────────────────────────────────────────┐
│             DICOM Gateway              │
└────────────────────────────────────────┘
         │
         ▼
┌────────────────────────────────────────┐
│          Hệ thống PACS Server          │
│  - Lưu trữ ảnh DICOM (SOP Classes)     │
│  - Quản trị CSDL Bệnh nhân (RIS/HIS)   │
└────────────────────────────────────────┘
         │ (C-MOVE / C-STORE / WADO HTTP)
         ▼
┌────────────────────────────────────────┐
│     Diagnostic Medical Workstation     │
│  - Module 1: DICOM Parser (Tag/VR)     │
│  - Module 2: Image Processing Core     │
│  - Module 3: Segmentation Engine       │
│  - Module 4: Quantitative Diagnostics  │
└────────────────────────────────────────┘

Thiết kế cấu trúc dữ liệu DICOM Data Set

Dữ liệu y tế được đóng gói thành các Data Element chuẩn, quản lý theo bảng mã:

  • Tag: Gồm 32-bit (16-bit Group Number + 16-bit Element Number). Ví dụ: (0010, 0010) là Patient Name, (0028, 0010) là Rows, (0028, 0011) là Columns, (0028, 1052) là Rescale Intercept, (0028, 1053) là Rescale Slope.
  • VR (Value Representation): Định dạng dữ liệu (CS, LO, PN, US, DS).
  • Value Multiplicity (VM): Số lượng giá trị trong trường dữ liệu.
  • Pixel Data: Dữ liệu mảng số nguyên biểu diễn giá trị suy giảm tia X thô, được ánh xạ thành giá trị đậm độ Hounsfield qua công thức: $$\text{HU} = \text{Pixel_Value} \times \text{Rescale_Slope} + \text{Rescale_Intercept}$$
┌────────────────────────────────────────────────────────┐
│                  DICOM Data Element                    │
├──────────────┬──────────────┬──────────────┬───────────┤
│  Tag (4B)    │   VR (2B)    │ Length (2/4B)│ Value (NB)│
│ Group | Elem │  Kiểu dữ liệu│  Kích thước  │  Dữ liệu  │
└──────────────┴──────────────┴──────────────┴───────────┘

Phương pháp nghiên cứu và quản lý dự án

Dự án áp dụng mô hình phát triển lặp thác nước (Iterative Waterfall) kết hợp kiểm thử thực nghiệm:

  • Giai đoạn 1 (Tuần 1 - 4): Nghiên cứu lý thuyết vật lý tạo ảnh y tế, chuẩn truyền thông PACS/DICOM và giải phẫu bệnh lý sọ não/tuyến vú.
  • Giai đoạn 2 (Tuần 5 - 8): Xây dựng các thuật toán tiền xử lý, lọc nhiễu, biến đổi hình thái học và thuật toán phân ngưỡng biên độ.
  • Giai đoạn 3 (Tuần 9 - 13): Cài đặt thuật toán phân đoạn nâng cao (Quadtree, Graph-Based) và cấu trúc cây dữ liệu.
  • Giai đoạn 4 (Tuần 14 - 16): Kiểm thử trên tập dữ liệu CT lâm sàng, đo đạc độ chính xác (Sensitivity, Specificity) và tối ưu hóa hiệu năng.

Triển khai thực nghiệm và Kết quả

Quá trình phát triển và Thuật toán cốt lõi

1. Thuật toán phân ngưỡng đẳng liệu Isodata (Ridler & Calvart)

Thuật toán tìm kiếm ngưỡng tối ưu $\theta$ lặp qua các bước:

  1. Khởi tạo ngưỡng ban đầu $\theta_0 = 2^{B-1}$ (với ảnh 8-bit, $\theta_0 = 128$).
  2. Tại bước lặp $k$, phân chia tập điểm ảnh thành hai nhóm: đối tượng $O$ ($f(x, y) \ge \theta_k$) và nền $B$ ($f(x, y) < \theta_k$).
  3. Tính giá trị mức xám trung bình $m_{f, k}$ và $m_{b, k}$ của hai nhóm.
  4. Cập nhật ngưỡng mới: $$\theta_{k+1} = \frac{m_{f, k} + m_{b, k}}{2}$$
  5. Dừng khi $\theta_{k+1} = \theta_k$.

2. Thuật toán phân đoạn dựa trên đồ thị (Felzenszwalb & Huttenlocher)

Biểu diễn ảnh thành đồ thị vô hướng $G = (V, E)$, mỗi pixel $v_i \in V$, cạnh $e = (v_i, v_j) \in E$ với trọng số $w(v_i, v_j)$ là khoảng cách mức xám $|I(v_i) - I(v_j)|$.

  • Độ khác nội vùng (Internal Difference): $$\text{Int}(C) = \max_{e \in \text{MST}(C, E)} w(e)$$
  • Độ khác giữa hai vùng (Difference Between Components): $$\text{Dif}(C_1, C_2) = \min_{v_i \in C_1, v_j \in C_2, (v_i, v_j) \in E} w(v_i, v_j)$$
  • Tiêu chuẩn quyết định hợp vùng: Hợp hai vùng khi $\text{Dif}(C_1, C_2) \le \text{MInt}(C_1, C_2)$, trong đó: $$\text{MInt}(C_1, C_2) = \min\left(\text{Int}(C_1) + \frac{k}{|C_1|}, \text{Int}(C_2) + \frac{k}{|C_2|}\right)$$
// C++ Algorithm Implementation: Efficient Graph-Based Image Segmentation
#include <vector>
#include <algorithm>
#include <cmath>

struct Edge {
    int a, b;
    float weight;
    bool operator<(const Edge& other) const {
        return weight < other.weight;
    }
};

class DisjointSet {
public:
    std::vector<int> parent, rank, size;
    DisjointSet(int n) : parent(n), rank(n, 0), size(n, 1) {
        for (int i = 0; i < n; ++i) parent[i] = i;
    }
    int find(int i) {
        if (parent[i] == i) return i;
        return parent[i] = find(parent[i]);
    }
    void unionSets(int x, int y) {
        int rootX = find(x);
        int rootY = find(y);
        if (rootX != rootY) {
            if (rank[rootX] < rank[rootY]) std::swap(rootX, rootY);
            parent[rootY] = rootX;
            size[rootX] += size[rootY];
            if (rank[rootX] == rank[rootY]) rank[rootX]++;
        }
    }
};

DisjointSet segmentGraph(int numVertices, std::vector<Edge>& edges, float k) {
    std::sort(edges.begin(), edges.end());
    DisjointSet ds(numVertices);
    std::vector<float> threshold(numVertices);
    for (int i = 0; i < numVertices; ++i) threshold[i] = k; // k / size (size=1)

    for (const auto& edge : edges) {
        int a = ds.find(edge.a);
        int b = ds.find(edge.b);
        if (a != b) {
            if (edge.weight <= threshold[a] && edge.weight <= threshold[b]) {
                ds.unionSets(a, b);
                int parent = ds.find(a);
                threshold[parent] = edge.weight + (k / ds.size[parent]);
            }
        }
    }
    return ds;
}

Đánh giá và Đo lường thực nghiệm

Chất lượng phân đoạn bệnh lý được đánh giá định lượng thông qua ma trận nhầm lẫn (Confusion Matrix) với các đại lượng:

  • Độ nhạy (Sensitivity / Recall): Khả năng phát hiện đúng vùng tổn thương bệnh: $$\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
  • Độ đặc hiệu (Specificity): Tỷ lệ phân loại chính xác các vùng mô lành: $$\text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}}$$
  • Độ chính xác toàn phần (Accuracy): $$\text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$
                          Thực tế (Ground Truth)
                       Tổn thương       Mô lành
Dự đoán   Tổn thương  [   TP   ]     [   FP   ]
(System)  Mô lành     [   FN   ]     [   TN   ]

Bảng trị số đậm độ Hounsfield chuẩn trong chẩn đoán CT sọ não:

Cấu trúc giải phẫu / Bệnh lý Trị số Hounsfield (HU) Biểu hiện mức xám trên CT
Xương sọ, Vôi hóa $+80 \to +1000\text{ HU}$ Trắng sáng đậm
Máu tụ cấp tính (Acute Hematoma) $+55 \to +75\text{ HU}$ Trắng tăng đậm độ
Chất xám (Gray Matter) $+35 \to +45\text{ HU}$ Xám sáng
Chất trắng (White Matter) $+20 \to +30\text{ HU}$ Xám tối
Phù não (Brain Edema) $+10 \to +20\text{ HU}$ Giảm đậm độ (tối hơn nhu mô)
Dịch não tủy (CSF), Nước $0 \to +10\text{ HU}$ Đen gần hoàn toàn
Mỡ màng não $-100 \to 0\text{ HU}$ Rất tối
Khí nội sọ (Pneumocephalus) $-1000\text{ HU}$ Đen tuyệt đối 
-1000 HU          -100 HU      0 HU     +25 HU   +65 HU    +1000 HU
   ├─────────────────┼──────────┼─────────┼────────┼──────────┤
  Khí               Mỡ        Nước/CSF  Chất     Máu tụ    Xương
(Đen)                                   xám/trắng (Trắng)  (Sáng nhất)

Kết quả đạt được

  1. Phát hiện tổn thương tụ máu ngoài màng cứng (EDH): Phân tách chính xác khối tăng đậm độ ($55 - 75\text{ HU}$) có dạng thấu kính hai mặt lồi (biconvex), bám sát bản trong xương sọ và không vượt qua các đường khớp sọ với độ nhạy đạt 91.4%.
  2. Phát hiện tụ máu dưới màng cứng (SDH): Tách thành công dải máu tụ hình liềm dọc theo bán cầu đại não, băng qua các khớp sọ nhưng giới hạn bởi liềm não với độ chính xác đạt 88.7%.
  3. Phân vùng mật độ tuyến vú: Phân tách 4 cấp độ đặc của mô tuyến vú theo chuẩn ACR BI-RADS (từ mỡ hoàn toàn đến mô tuyến cực đặc), giúp giảm thiểu tỷ lệ bỏ sót tổn thương u xơ/vi vôi hóa.
  4. Hiệu năng hệ thống: Tốc độ xử lý ảnh $512 \times 512$ đạt dưới $120\text{ ms}$ trên cấu hình CPU tiêu chuẩn, đáp ứng thời gian thực cho các máy trạm chẩn đoán.

Đổi mới và Đóng góp kỹ thuật

  1. Tối ưu hóa đa tầng kết hợp Ngưỡng biên độ và Đồ thị: Kết hợp lọc làm trơn giữ biên (Bilateral Filter), phân ngưỡng thích nghi cục bộ và thuật toán đồ thị $O(m \log m)$, giúp khắc phục triệt để hiện tượng phân mảnh quá mịn (over-segmentation) của phương pháp tách cây tứ phân truyền thống.
  2. Mô hình hóa trực tiếp trị số vật lý HU: Thay vì xử lý trên ảnh xám 8-bit thông thường ($0 - 255$), hệ thống làm việc trực tiếp trên không gian 12-bit/16-bit chuẩn y tế ($[-1024, +3071]\text{ HU}$), bảo toàn toàn bộ dải động tương phản của mô não.
  3. Khả năng tự động thích ứng với nền nhiễu: Cải tiến thuật toán đối xứng nền (Background Symmetry) và kỹ thuật Top-Hat Morphology giúp loại bỏ vòm xương sọ tự động, cô lập hoàn toàn nhu mô não phục vụ phân tích tổn thương.

Ứng dụng thực tế và Triển khai

Kịch bản ứng dụng lâm sàng

  • Cấp cứu chấn thương sọ não (Emergency Triage): Tự động phát hiện và cảnh báo các ca xuất huyết nội sọ cấp tính, tụ máu chèn ép nhu mô não gây lệch đường giữa, hỗ trợ bác sĩ trực định lượng thể tích máu tụ để chỉ định phẫu thuật mở hộp sọ khẩn cấp.
  • Hệ thống hội chẩn từ xa (Tele-radiology / Virtual Consultation): Tích hợp module hiển thị Web PACS qua giao thức HTTP/DICOM WADO, cho phép truyền tải dữ liệu nén không suy hao (Lossless JPEG/JPEG 2000) từ tuyến huyện lên các bệnh viện tuyến trên.
[Bệnh viện Tuyến dưới] ──(Web PACS / DICOM WADO)──> [Hội chẩn Chuyên gia Tuyến trên]
(Chụp CT & Phân đoạn tự động)                      (Đánh giá & Chỉ định can thiệp)

Yêu cầu cấu hình triển khai

  • Phần cứng máy trạm (Diagnostic Workstation):
    • CPU: Intel Core i5/i7 thế hệ 10 trở lên hoặc tương đương.
    • RAM: Tối thiểu 8 GB (Khuyến nghị 16 GB khi xử lý chuỗi 3D Volume).
    • GPU: Hỗ trợ OpenGL 4.0 / CUDA (tùy chọn tăng tốc đồ họa).
    • Màn hình: Màn hình y tế chuyên dụng độ phân giải tối thiểu $2\text{MP} - 3\text{MP}$ (cho X-quang) hoặc chuẩn Full HD (cho CT).
  • Môi trường phần mềm:
    • OS: Windows 10/11 64-bit hoặc Linux (Ubuntu 20.04+ LTS).
    • Frameworks: C++ STL, OpenCV 4.x, DCMTK (DICOM Toolkit) 3.6.x, ITK/VTK.

Hạn chế và Hướng phát triển

Hạn chế hiện tại

  • Thuật toán đồ thị và tăng vùng vẫn cần tham số đầu vào ($k, \text{Seed Point}$) do người dùng thiết lập tùy theo từng ca bệnh cụ thể.
  • Chưa phân tách hoàn hảo các khối máu tụ bán cấp hoặc mãn tính khi đậm độ suy giảm về mức đồng đậm độ ($35 - 45\text{ HU}$) tương đương với chất xám nhu mô não.
  • Chương trình mới dừng lại ở việc xử lý lát cắt 2D đơn lẻ, chưa tái tạo không gian 3D thể tích (3D Voxel Rendering).

Hướng phát triển tiếp theo

  • Tích hợp Deep Learning (U-Net, SegNet, nnU-Net): Kết hợp các đặc trưng phân đoạn hình thái học với mạng nơ-ron tích chập sâu để tự động hóa hoàn toàn khâu phát hiện điểm mốc giải phẫu.
  • Tái tạo 3D thể tích khối tụ máu (3D Multiplanar Reconstruction - MPR): Sử dụng kỹ thuật Marching Cubes để dựng mô hình 3D sọ não, đo đạc chính xác thể tích $(\text{cm}^3)$ khối máu tụ phục vụ can thiệp ngoại thần kinh.
  • Tích hợp tiêu chuẩn bảo mật y tế: Nâng cấp hệ thống tương thích hoàn toàn chuẩn mã hóa truyền thông DICOM TLS và quy định bảo mật thông tin bệnh nhân (HIPAA/GDPR).

Đối tượng hưởng lợi

┌────────────────────────────────────────────────────────────────────────┐
│                        Đối tượng hưởng lợi                             │
├───────────────────┬───────────────────┬────────────────────────────────┤
│ Sinh viên &       │ Bác sĩ & Kỹ thuật │ Kỹ sư phần mềm Y tế            │
│ Nghiên cứu sinh   │ viên Chẩn đoán    │ & Doanh nghiệp MedTech         │
│                   │ hình ảnh          │                                │
│ • Tài liệu chuẩn  │ • Giảm 40% thời   │ • Source code mẫu C++/OpenCV   │
│   về xử lý ảnh    │   gian đọc phim   │ • Kiến trúc PACS chuẩn         │
│   y khoa          │ • Giảm sai sót    │ • Nền tảng phát triển sản phẩm │
│ • Code thuật toán │   chẩn đoán cấp   │   CADe/CADx thương mại         │
│   minh bạch       │   cứu             │                                │
└───────────────────┴───────────────────┴────────────────────────────────┘
  • Sinh viên & Học viên chuyên ngành Kỹ thuật Y sinh / CNTT: Nắm vững chuỗi quy trình chuẩn từ xử lý dữ liệu nhị phân DICOM đến các giải thuật phân vùng mức nâng cao.
  • Bác sĩ và Kỹ thuật viên chẩn đoán hình ảnh: Có thêm công cụ đo đạc định lượng khách quan (đo diện tích tổn thương, mật độ mô tuyến vú), nâng cao độ tin cậy trong các ca bệnh khó.
  • Doanh nghiệp phát triển giải pháp MedTech: Sở hữu kiến trúc tham chiếu hoàn chỉnh để xây dựng các trạm đọc ảnh y tế (Diagnostic Workstation) và phần mềm hỗ trợ chẩn đoán (Computer-Aided Diagnosis - CAD).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai phần mềm xử lý ảnh y tế này là gì?

Hệ thống yêu cầu máy tính chạy hệ điều hành Windows 10/11 hoặc Linux 64-bit, CPU từ 4 nhân (xung nhịp $> 2.5\text{ GHz}$), tối thiểu 8 GB RAM và màn hình đạt chuẩn hiển thị mức xám y tế. Môi trường phát triển cần cài đặt bộ thư viện xử lý ảnh OpenCV 4.x và bộ công cụ giải mã chuẩn DICOM (DCMTK).

2. Thuật toán phân đoạn dựa trên đồ thị (Graph-Based) có đảm bảo hiệu năng thời gian thực khi xử lý dữ liệu lớn không?

Có. Nhờ áp dụng cấu trúc dữ liệu Disjoint-Set Forest kết hợp chiến lược sắp xếp cạnh Kruskal, thuật toán đạt độ phức tạp $O(m \log m)$ với $m$ là số cạnh của đồ thị ảnh. Đối với ảnh CT chuẩn kích thước $512 \times 512$ (khoảng 262.144 đỉnh và 1 triệu cạnh), thời gian thực thi chỉ mất khoảng $80 - 120\text{ ms}$, hoàn toàn đáp ứng yêu cầu tương tác thời gian thực trên máy trạm.

3. Làm thế nào để phần mềm tích hợp được với hệ thống PACS sẵn có tại bệnh viện?

Phần mềm hỗ trợ các dịch vụ DICOM chuẩn mạng thông qua giao thức TCP/IP bao gồm: DICOM Storage (C-STORE) để nhận ảnh trực tiếp từ máy chụp cắt lớp; DICOM Query/Retrieve (C-FIND, C-MOVE) để truy vấn hồ sơ từ PACS Server; và hỗ trợ chuẩn Web PACS hiển thị ảnh qua HTTP/RESTful WADO-RS.

4. Chi phí triển khai và tỷ suất hoàn vốn (ROI) khi ứng dụng giải pháp là bao nhiêu?

Nhờ tận dụng mã nguồn mở và chuẩn giao tiếp mở (DICOM/PACS), chi phí bản quyền phần mềm gần như bằng 0 so với các hệ thống Workstation ngoại nhập đắt đỏ (thường có giá từ 15.000 - 30.000 USD/trạm). Thời gian thu hồi vốn đạt được trong vòng 3 - 6 tháng thông qua việc cắt giảm thời gian đọc phim, tối ưu hóa quy trình làm việc của bác sĩ và giảm thiểu chi phí in phim truyền thống.

5. Tại sao không sử dụng ngưỡng nhị phân cố định $T=128$ mà phải dùng các thuật toán phân ngưỡng thích nghi?

Mỗi lát cắt CT y tế có dải động lên tới 4096 mức xám (12-bit) và sự phân bố đậm độ của các cấu trúc (xương, máu tụ, chất xám, dịch não tủy) thay đổi liên tục giữa các bệnh nhân và các vị trí giải phẫu. Ngưỡng cố định sẽ bị phá vỡ hoàn toàn khi có xảo ảnh hoặc khi mật độ mô thay đổi; các thuật toán Isodata, Tam giác và Đồ thị tự động tính toán ngưỡng tối ưu dựa trên phân bố lược đồ mức xám cục bộ của từng ca bệnh.

Kết luận

Đồ án "Nghiên cứu các phương pháp xử lý và phân đoạn ảnh trong Y học" của sinh viên Bùi Xuân Sơn đã hệ thống hóa toàn diện các nguyên lý vật lý tạo ảnh, chuẩn lưu trữ truyền thông y tế DICOM/PACS và các thuật toán phân đoạn ảnh tiên tiến. Bằng việc làm chủ thuật toán phân đoạn đồ thị có độ phức tạp tuyến tính $O(m \log m)$ kết hợp với việc mô hình hóa chính xác trị số Hounsfield, công trình đã chứng minh tính khả thi vượt trội trong việc tự động định vị, phân tách tổn thương tụ máu sọ não và phân vùng mật độ tuyến vú.

Kết quả của đề tài mở ra tiềm năng ứng dụng to lớn trong việc xây dựng các trạm làm việc chẩn đoán hình ảnh thông minh (Smart Diagnostic Workstations), góp phần nâng cao năng lực y tế số, giảm tải áp lực cho đội ngũ y bác sĩ lâm sàng và tối ưu hóa hiệu quả điều trị cho người bệnh. Quý bạn đọc, nhà nghiên cứu và kỹ sư quan tâm có thể tiếp tục mở rộng mô hình sang hướng tích hợp mạng nơ-ron sâu 3D (3D Deep Networks) để hoàn thiện giải pháp chuyển đổi số y tế toàn diện.