Tổng quan nghiên cứu

Bệnh xuất huyết nội sọ (Intracranial Hemorrhage - ICH) là một sự kiện nguy hiểm đe dọa tính mạng con người do chảy máu trong não, với tỷ lệ tử vong lên đến khoảng 40% trong vòng một tháng sau khi phát hiện. Việc chẩn đoán nhanh và chính xác đóng vai trò then chốt trong việc điều trị kịp thời và hiệu quả. Hình ảnh y học, đặc biệt là chụp cắt lớp vi tính (Computed Tomography - CT), được sử dụng rộng rãi để phát hiện vùng chảy máu do khả năng cung cấp hình ảnh cấu trúc giải phẫu rõ nét trong thời gian ngắn (vài phút), vượt trội so với phương pháp cộng hưởng từ (MRI) mất từ 30 đến 60 phút. Tuy nhiên, việc phân tích đặc điểm vùng xuất huyết trên tập dữ liệu bệnh nhân đa dạng gặp nhiều khó khăn do sự khác biệt về cấu trúc và cường độ ảnh giữa các cá thể.

Mục tiêu nghiên cứu là xây dựng một quy trình xử lý ảnh toàn diện (end-to-end pipeline) nhằm đăng ký ảnh não có xuất huyết nội sọ với atlas chuẩn, giúp chuẩn hóa và phân tích đặc điểm bệnh lý trên quy mô lớn. Nghiên cứu tập trung vào ảnh CT não của 157 bệnh nhân ICH thu thập tại Bệnh viện Đại học Kyushu, Nhật Bản, với tỷ lệ thể tích khối máu tụ so với não dao động từ 1% đến 30%. Quy trình đề xuất kết hợp phương pháp biến đổi affine tiền xử lý và kỹ thuật tạo mô bình thường trong vùng tổn thương (image inpainting) nhằm giảm thiểu sự khác biệt cấu trúc bất thường, từ đó cải thiện hiệu quả đăng ký ảnh bằng mô hình học sâu dựa trên sự tương đồng cường độ ảnh.

Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ phân tích hành vi khối máu tụ, cung cấp công cụ chuẩn hóa dữ liệu ảnh não ICH, góp phần nâng cao chất lượng chẩn đoán và lập kế hoạch điều trị, đồng thời mở rộng ứng dụng của kỹ thuật đăng ký ảnh y học trong các trường hợp tổn thương phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Lý thuyết đăng ký ảnh y học (Medical Image Registration): Đây là quá trình biến đổi ảnh nguồn (Source) sao cho phù hợp với ảnh tham chiếu (Reference) nhằm đạt được sự tương đồng về cấu trúc giải phẫu. Các mô hình biến đổi bao gồm biến đổi cứng (rigid), affine và phi cứng (non-rigid). Đặc biệt, biến đổi phi cứng cho phép điều chỉnh chi tiết các biến dạng mô mềm trong não. Các chỉ số tương đồng như Mean Squared Error (MSE), Cross-Correlation (CC) và Mutual Information (MI) được sử dụng làm hàm mất mát trong tối ưu hóa.

  2. Mô hình học sâu dựa trên sự tương đồng (Similarity-based Deep Learning Model): Sử dụng kiến trúc mạng Fully Convolutional Network (FCN) dạng UNET-like để học đặc trưng ảnh và dự đoán trường vector biến dạng (Deformable Vector Field - DVF). Mô hình được huấn luyện bằng cách tối thiểu hóa hàm mất mát kết hợp giữa MSE và điều chuẩn (regularization) nhằm đảm bảo tính mượt mà của trường biến dạng, tránh dịch chuyển quá lớn không hợp lý.

Các khái niệm chính bao gồm:

  • Image Inpainting: Kỹ thuật tạo mô bình thường trong vùng tổn thương nhằm giảm sự khác biệt cấu trúc bất thường, giúp mô hình học sâu dễ dàng tìm kiếm sự tương đồng.
  • Affine Transformation: Biến đổi tiền xử lý nhằm chuẩn hóa vị trí, kích thước và hình dạng tổng thể của não trong ảnh nguồn về không gian tham chiếu.
  • Hematoma Change Rate (HCR): Chỉ số đánh giá mức độ bảo tồn thể tích khối máu tụ sau đăng ký ảnh.
  • Sum Squared Difference (SSD): Chỉ số đo sự khác biệt cường độ ảnh giữa ảnh chuyển đổi và ảnh tham chiếu, loại trừ vùng khối máu tụ.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là 157 ảnh CT 3D não của bệnh nhân ICH thu thập tại Bệnh viện Đại học Kyushu, Nhật Bản, với vùng khối máu tụ được các bác sĩ chuyên khoa chú thích chính xác. Phương pháp nghiên cứu gồm các bước:

  1. Tiền xử lý ảnh:

    • Áp dụng biến đổi affine để chuẩn hóa hình dạng và vị trí não trong ảnh nguồn về không gian tham chiếu.
    • Thực hiện kỹ thuật image inpainting dựa trên hàm Bi-Harmonic để tạo mô bình thường trong vùng khối máu tụ, giảm thiểu sự khác biệt cấu trúc bất thường.

  2. Huấn luyện mô hình học sâu:

    • Sử dụng kiến trúc UNET-like với các lớp convolution và deconvolution, thêm lớp cuối cùng để dự đoán trường vector biến dạng (DVF).
    • Hàm mất mát kết hợp giữa MSE (đo sự khác biệt cường độ ảnh) và điều chuẩn l2 (đảm bảo tính mượt mà của DVF).
    • Cỡ mẫu huấn luyện là toàn bộ tập dữ liệu 157 ảnh, sử dụng phương pháp huấn luyện không giám sát (unsupervised learning) dựa trên tối ưu hóa hàm mất mát.

  3. Đánh giá kết quả:

    • So sánh kết quả với mô hình deep learning chuẩn (VoxelMorph) chỉ sử dụng biến đổi affine mà không có inpainting.
    • Đánh giá bằng ba chỉ số: quan sát trực quan, Hematoma Change Rate (HCR) và Sum Squared Difference (SSD).
    • Phân tích kết quả theo ba nhóm khối máu tụ: thể tích nhỏ, thể tích lớn và khối máu tụ gần hộp sọ.

Thời gian nghiên cứu kéo dài từ tháng 1 đến tháng 6 năm 2023, đảm bảo tính thực tiễn và ứng dụng trong môi trường y tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của kỹ thuật image inpainting trong bảo tồn khối máu tụ:

    • Ở nhóm khối máu tụ thể tích nhỏ, cả hai phương pháp (DL và DL-IP) đều giữ được cấu trúc khối máu tụ tốt, tuy nhiên DL-IP cho kết quả ổn định hơn với HCR trung bình khoảng 0.047, thấp hơn đáng kể so với DL.
    • Ở nhóm thể tích lớn, DL-IP duy trì HCR thấp hơn (khoảng 0.126) so với DL, trong khi DL có xu hướng tăng HCR theo thể tích khối máu tụ.
    • Ở nhóm khối máu tụ gần hộp sọ, DL-IP vẫn giữ được hiệu quả với HCR thấp, trong khi DL gặp khó khăn do sự tương đồng cường độ giữa khối máu tụ và xương, dẫn đến mất mát cấu trúc.

  2. Đánh giá bằng chỉ số SSD cho cấu trúc não không bị tổn thương:

    • Giá trị SSD trung bình của DL là 5423.641, thấp hơn một chút so với DL-IP, cho thấy DL có hiệu quả tốt hơn trong việc duy trì sự tương đồng cấu trúc bình thường.
    • Tuy nhiên, sự khác biệt không lớn và không có mối liên hệ rõ ràng giữa SSD và thể tích khối máu tụ.

  3. Quan sát trực quan:

    • Ảnh chuyển đổi từ DL-IP cho thấy vùng khối máu tụ được bảo tồn rõ ràng, không bị phân tán hay mất mát như trong DL.
    • Ở các trường hợp khối máu tụ lớn hoặc gần hộp sọ, DL-IP cho kết quả ổn định, trong khi DL có hiện tượng khối máu tụ bị hòa lẫn với mô xung quanh hoặc xương.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện trong DL-IP là do kỹ thuật image inpainting đã giảm thiểu sự khác biệt cường độ và cấu trúc bất thường trong vùng khối máu tụ, giúp mô hình học sâu dễ dàng tìm kiếm sự tương đồng với ảnh tham chiếu. Điều này khắc phục hạn chế của các phương pháp truyền thống và deep learning chuẩn, vốn gặp khó khăn khi tối ưu hóa trường biến dạng trong vùng tổn thương lớn hoặc có cường độ tương tự cấu trúc khác như xương.

So với các nghiên cứu trước đây sử dụng kỹ thuật phân đoạn hoặc tách riêng vùng tổn thương, phương pháp inpainting nhẹ nhàng hơn, không làm mất mát thông tin và tiết kiệm tài nguyên tính toán. Việc kết hợp biến đổi affine tiền xử lý cũng giúp giảm biến thiên hình dạng và vị trí, tăng hiệu quả huấn luyện và đăng ký.

Kết quả có thể được trình bày qua biểu đồ đường thể hiện xu hướng tăng HCR theo thể tích khối máu tụ, biểu đồ hộp so sánh SSD giữa hai phương pháp, và bảng tổng hợp kết quả quan sát trực quan theo từng nhóm bệnh nhân.

Đề xuất và khuyến nghị

  1. Triển khai kỹ thuật image inpainting trong quy trình đăng ký ảnh y học:

    • Áp dụng kỹ thuật tạo mô bình thường trong vùng tổn thương để giảm thiểu sự khác biệt cấu trúc bất thường.
    • Mục tiêu giảm HCR xuống dưới 0.05 trong các trường hợp thể tích khối máu tụ nhỏ và duy trì hiệu quả với thể tích lớn.
    • Thời gian thực hiện: tích hợp ngay trong giai đoạn tiền xử lý ảnh.

  2. Sử dụng biến đổi affine làm bước tiền xử lý bắt buộc:

    • Chuẩn hóa hình dạng và vị trí não trong ảnh nguồn về không gian tham chiếu.
    • Giảm thời gian huấn luyện và tăng độ ổn định của mô hình học sâu.
    • Chủ thể thực hiện: nhóm kỹ thuật hình ảnh y học và phát triển phần mềm.

  3. Phát triển mô hình học sâu UNET-like tối ưu cho ảnh CT não ICH:

    • Tập trung vào tối ưu hàm mất mát kết hợp MSE và điều chuẩn l2 để đảm bảo tính mượt mà và chính xác.
    • Huấn luyện trên tập dữ liệu đa dạng về thể tích và vị trí khối máu tụ.
    • Mục tiêu giảm thời gian xử lý xuống dưới vài giây mỗi ảnh 3D.

  4. Xây dựng bộ công cụ đánh giá toàn diện:

    • Kết hợp đánh giá định tính (quan sát trực quan) và định lượng (HCR, SSD).
    • Phân nhóm bệnh nhân theo thể tích và vị trí khối máu tụ để đánh giá chi tiết.
    • Thời gian thực hiện: song song với quá trình phát triển mô hình.

Các giải pháp trên cần được phối hợp thực hiện bởi các nhóm nghiên cứu đa ngành gồm kỹ thuật hình ảnh y học, chuyên gia thần kinh và kỹ sư phần mềm để đảm bảo tính khả thi và hiệu quả trong môi trường lâm sàng.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và phát triển công nghệ y sinh:

    • Lợi ích: Nắm bắt phương pháp đăng ký ảnh y học mới, kỹ thuật inpainting và mô hình học sâu ứng dụng trong xử lý ảnh CT não.
    • Use case: Phát triển phần mềm hỗ trợ chẩn đoán và phân tích bệnh lý não.

  2. Bác sĩ chuyên khoa thần kinh và chẩn đoán hình ảnh:

    • Lợi ích: Hiểu rõ quy trình chuẩn hóa và phân tích ảnh não ICH, hỗ trợ đánh giá khối máu tụ chính xác hơn.
    • Use case: Hỗ trợ lập kế hoạch điều trị dựa trên phân tích đặc điểm khối máu tụ chuẩn hóa.

  3. Sinh viên và học viên cao học ngành kỹ thuật y sinh, vật lý kỹ thuật:

    • Lợi ích: Tiếp cận kiến thức chuyên sâu về đăng ký ảnh y học, học sâu và xử lý ảnh y tế.
    • Use case: Tham khảo để phát triển đề tài nghiên cứu hoặc luận văn liên quan.

  4. Nhà quản lý và hoạch định chính sách y tế:

    • Lợi ích: Hiểu được tiềm năng ứng dụng công nghệ AI trong chẩn đoán và điều trị bệnh lý não, từ đó đầu tư và phát triển hệ thống y tế thông minh.
    • Use case: Lập kế hoạch triển khai công nghệ mới trong bệnh viện và trung tâm y tế.

Câu hỏi thường gặp

  1. Tại sao cần sử dụng kỹ thuật image inpainting trong đăng ký ảnh ICH?
    Image inpainting giúp tạo mô bình thường trong vùng khối máu tụ, giảm sự khác biệt cấu trúc bất thường giữa ảnh nguồn và ảnh tham chiếu. Điều này giúp mô hình học sâu dễ dàng tìm kiếm sự tương đồng, cải thiện hiệu quả đăng ký và bảo tồn đặc điểm khối máu tụ.

  2. Biến đổi affine đóng vai trò gì trong quy trình đăng ký ảnh?
    Biến đổi affine tiền xử lý chuẩn hóa vị trí, kích thước và hình dạng tổng thể của não trong ảnh nguồn về không gian tham chiếu, giảm biến thiên dữ liệu, giúp mô hình học sâu huấn luyện nhanh hơn và đạt hiệu quả cao hơn.

  3. Làm thế nào để đánh giá hiệu quả của quy trình đăng ký ảnh?
    Hiệu quả được đánh giá bằng quan sát trực quan, chỉ số Hematoma Change Rate (HCR) đo mức độ bảo tồn thể tích khối máu tụ, và Sum Squared Difference (SSD) đo sự tương đồng cường độ ảnh ngoài vùng tổn thương.

  4. Quy trình này có áp dụng được cho các loại tổn thương khác ngoài ICH không?
    Mặc dù nghiên cứu tập trung vào ICH, phương pháp kết hợp inpainting và học sâu có thể được điều chỉnh để áp dụng cho các tổn thương khác như u não hoặc nhồi máu, tuy nhiên cần hiệu chỉnh phù hợp với đặc điểm tổn thương.

  5. Thời gian xử lý một ảnh CT 3D trong quy trình này là bao lâu?
    Nhờ sử dụng mô hình học sâu và tiền xử lý affine, thời gian xử lý mỗi ảnh 3D được rút ngắn đáng kể, có thể chỉ còn vài giây, phù hợp với yêu cầu cấp cứu và ứng dụng lâm sàng.

Kết luận

  • Đã xây dựng thành công quy trình đăng ký ảnh não ICH kết hợp biến đổi affine và kỹ thuật image inpainting, cải thiện đáng kể hiệu quả đăng ký vùng khối máu tụ.
  • Mô hình học sâu UNET-like được huấn luyện trên tập dữ liệu 157 ảnh CT não ICH, cho kết quả ổn định và chính xác trong các trường hợp thể tích và vị trí khối máu tụ đa dạng.
  • Chỉ số Hematoma Change Rate (HCR) và quan sát trực quan chứng minh sự bảo tồn cấu trúc khối máu tụ tốt hơn so với phương pháp deep learning chuẩn.
  • Phương pháp đề xuất có tiềm năng ứng dụng rộng rãi trong chẩn đoán và phân tích hành vi bệnh lý não, hỗ trợ lập kế hoạch điều trị hiệu quả.
  • Bước tiếp theo là mở rộng quy mô dữ liệu, tối ưu mô hình và triển khai thử nghiệm lâm sàng để đánh giá tính khả thi và hiệu quả thực tế.

Khuyến khích các nhà nghiên cứu và chuyên gia y tế tiếp cận và ứng dụng quy trình này nhằm nâng cao chất lượng chẩn đoán và điều trị bệnh xuất huyết nội sọ.