Ứng dụng kỹ thuật kết hợp tần số nâng cao chất lượng ảnh siêu âm cắt lớp

Nâng cao chất lượng ảnh siêu âm cắt lớp giúp chẩn đoán chính xác hơn. Tìm hiểu các kỹ thuật và yếu tố ảnh hưởng đến độ rõ nét hình ảnh.

• Tác giả: Đàm Đức Cường
• Trường học: Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ Điện tử - Viễn thông
• Đề tài: Ứng dụng kỹ thuật kết hợp tần số nhằm nâng cao chất lượng ảnh siêu âm cắt lớp
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI NÓI ĐẦU
• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU VÀ CHƢ̃ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ
• 1. TỔNG QUAN Về ảNH Y SINH
• 2. TỔ CHỨC LUẬN VĂN
• 3. CHƢƠNG 2: NGUYÊN LÝ HOẠT ĐỘNG
• 3.1. LặP VI PHÂN BORN (DBIM)
• 3.2. BÀI TOÁN NGƢỢC
• 3.3. CHỉ SỐ PHổ QUÁT CHO CHấT LƢợNG ảNH
• 4. CHƢƠNG 3: PHƢƠNG PHÁP ĐỀ XUẤT
• 4.1. TÌM GIÁ TRỊ X TỐI ƢU
• 5. CHƢƠNG 4: KẾT QUẢ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: CODE MATLAB DBIM
• PHỤ LỤC 2: CODE MATLAB DBIM ĐỀ XUẤT

Tóm tắt

I. Khám phá tiềm năng nâng cao chất lượng ảnh siêu âm cắt lớp trong y học

Trong bối cảnh y học hiện đại, việc nâng cao chất lượng ảnh siêu âm cắt lớp đóng vai trò then chốt trong chẩn đoán hình ảnh chính xác và kịp thời, đặc biệt trong phát hiện sớm các bệnh lý nguy hiểm như ung thư. Các thiết bị siêu âm đã trở thành công cụ không thể thiếu nhờ những ưu điểm vượt trội. Siêu âm là phương pháp chẩn đoán không độc hại, không sử dụng phóng xạ ion hóa hay từ trường mạnh, thực hiện đơn giản và có chi phí hợp lý hơn so với các phương pháp khác như CT hoặc MRI. Điều này khiến siêu âm trở thành lựa chọn ưu tiên trong nhiều trường hợp lâm sàng. Tuy nhiên, các phương pháp siêu âm truyền thống như B-mode vẫn còn những hạn chế đáng kể về chất lượng hình ảnh siêu âm, đặc biệt là độ phân giải siêu âm và khả năng phát hiện các dị vật có kích thước nhỏ hơn bước sóng. Để khắc phục những nhược điểm này, siêu âm cắt lớp đã được nghiên cứu và phát triển, mang lại chất lượng hình ảnh tốt hơn so với B-mode truyền thống và có khả năng phát hiện vật thể nhỏ hơn bước sóng (Đàm Đức Cường, 2013). Phương pháp này dựa trên nguyên lý tán xạ ngược, đã phát triển từ những năm 70 dựa trên lý thuyết của X-quang và cắt lớp hạt nhân. Khi sóng âm gặp môi trường không đồng nhất, một phần năng lượng sẽ bị tán xạ theo mọi hướng. Bài toán chụp cắt lớp siêu âm bao gồm ước lượng sự phân bố của các tham số tán xạ bằng cách giải ngược các phương trình sóng, cung cấp thông tin định lượng về vật thể dưới khảo sát. Mặc dù siêu âm cắt lớp đã cải thiện đáng kể chất lượng hình ảnh, ứng dụng phổ biến vẫn bị hạn chế do chất lượng ảnh chưa thực sự tối ưu. Do đó, việc cải tiến và nâng cao chất lượng ảnh siêu âm cắt lớp là một yêu cầu cấp thiết để mở rộng ứng dụng trong y tế, đảm bảo độ chính xác chẩn đoán cao hơn và hỗ trợ các bác sĩ đưa ra quyết định điều trị hiệu quả. Đây là động lực chính cho những nghiên cứu sâu rộng trong lĩnh vực này. Việc tối ưu hóa hình ảnh y học không chỉ giúp cải thiện tầm nhìn mà còn mở ra những khả năng mới cho chẩn đoán bệnh lý siêu âm phức tạp. Nghiên cứu tập trung vào việc tối ưu hóa hình ảnh siêu âm để đạt được các tiêu chuẩn lâm sàng khắt khe.

1.1. Siêu âm cắt lớp trong chẩn đoán hình ảnh hiện đại Tổng quan

Siêu âm cắt lớp (Ultrasonic Computed Tomography – UCT) đại diện cho một bước tiến quan trọng trong lĩnh vực chẩn đoán hình ảnh. Khác với siêu âm B-mode truyền thống chỉ tạo ra hình ảnh 2D dựa trên phản xạ, UCT sử dụng nguyên lý tán xạ ngược để tái tạo lại hình ảnh của vật thể từ nhiều góc độ. Điều này cho phép thu được thông tin chi tiết hơn về cấu trúc bên trong và sự phân bố của các tham số vật lý như tốc độ âm thanh, sự suy giảm âm và mật độ mô. Ưu điểm nổi bật của UCT là khả năng cung cấp thông tin định lượng, giúp phân biệt rõ ràng hơn giữa các loại mô và phát hiện những tổn thương nhỏ mà B-mode có thể bỏ sót. Mặc dù đã có những hệ thống UCT lâm sàng như CURE và HUTT, độ phân giải không gian và độ chính xác của chúng vẫn còn giới hạn do bỏ qua vấn đề nhiễu xạ (Đàm Đức Cường, 2013). Do đó, việc cải thiện chất lượng hình ảnh siêu âm trong UCT là mục tiêu trọng tâm để mở rộng ứng dụng lâm sàng.

1.2. Tại sao cần nâng cao chất lượng ảnh siêu âm

Nhu cầu nâng cao chất lượng ảnh siêu âm xuất phát từ tầm quan trọng của việc chẩn đoán chính xác trong y học. Hình ảnh siêu âm kém chất lượng có thể dẫn đến chẩn đoán sai hoặc bỏ sót các bệnh lý quan trọng, đặc biệt là ung thư ở giai đoạn sớm. Độ phân giải siêu âm và độ tương phản ảnh siêu âm thấp gây khó khăn trong việc phân biệt ranh giới giữa các mô lành và mô bệnh, cũng như nhận diện các cấu trúc nhỏ. Nhiễu ảnh siêu âm (như nhiễu hạt hay artefact) làm giảm đáng kể khả năng nhìn rõ chi tiết, yêu cầu bác sĩ phải có nhiều kinh nghiệm để diễn giải. Cải thiện chất lượng hình ảnh siêu âm không chỉ giúp tăng độ chính xác chẩn đoán mà còn rút ngắn thời gian thăm khám, giảm thiểu sự khó chịu cho bệnh nhân và tối ưu hóa hiệu quả điều trị. Nó cũng mở ra cánh cửa cho các kỹ thuật siêu âm mới như siêu âm 3D, siêu âm 4D, siêu âm Doppler, siêu âm đàn hồi, và tích hợp trí tuệ nhân tạo trong siêu âm, mang lại tiềm năng cách mạng hóa thực hành siêu âm lâm sàng.

II. Những thách thức khi nâng cao chất lượng ảnh siêu âm cắt lớp truyền thống

Việc nâng cao chất lượng ảnh siêu âm cắt lớp đối mặt với nhiều thách thức cố hữu, ảnh hưởng trực tiếp đến độ chính xác chẩn đoán và khả năng ứng dụng lâm sàng. Mặc dù siêu âm cắt lớp có ưu điểm vượt trội so với siêu âm B-mode truyền thống, chất lượng ảnh vẫn chưa đạt đến mức tối ưu để áp dụng rộng rãi. Một trong những hạn chế lớn nhất là sự ảnh hưởng của nhiễu. Nhiễu ảnh siêu âm (noise) và các artefact siêu âm (artefact) là những yếu tố chính làm giảm độ nét siêu âm và độ tương phản ảnh siêu âm. Nhiễu hạt (speckle noise) là một loại nhiễu cố hữu trong siêu âm, gây ra bởi sự giao thoa ngẫu nhiên của các tín hiệu phản xạ từ các bộ phận nhỏ trong mô. Điều này làm cho hình ảnh bị lấm tấm, khó nhìn rõ cấu trúc. Các artefact khác có thể xuất hiện do cơ chế hoạt động của thiết bị, tương tác với môi trường truyền âm hoặc sự di chuyển của bệnh nhân. Chúng tạo ra các hình ảnh giả, làm sai lệch thông tin chẩn đoán bệnh lý siêu âm. Luận văn của Đàm Đức Cường (2013) cũng chỉ ra rằng các hệ thống UCT hiện tại còn giới hạn về độ phân giải không gian và độ chính xác do bỏ qua vấn đề nhiễu xạ. "Hiện tại mới chỉ có một vài hệ thống lâm sàng chụp siêu âm cắt lớp... Tuy nhiên độ phân giải không gian và độ chính xác của các hệ thống này vẫn còn giới hạn vì bỏ qua vấn đề nhiễu xạ." (Đàm Đức Cường, 2013, tr. 15). Ngoài ra, các yếu tố kỹ thuật như lựa chọn đầu dò siêu âm, cài đặt siêu âm không phù hợp, hay giới hạn của phần mềm xử lý ảnh siêu âm cũng góp phần làm giảm chất lượng hình ảnh siêu âm. Tối ưu hóa hình ảnh siêu âm trong môi trường phức tạp của cơ thể người đòi hỏi những thuật toán nâng cao hình ảnh tinh vi và khả năng xử lý dữ liệu mạnh mẽ, điều mà các phương pháp truyền thống còn thiếu. Do đó, việc tìm kiếm các giải pháp mới để giảm nhiễu ảnh siêu âm, cải thiện độ phân giải, và tăng cường độ tương phản ảnh siêu âm là vô cùng cần thiết để nâng cao chất lượng ảnh siêu âm cắt lớp lên một tầm cao mới.

2.1. Độ phân giải siêu âm và độ tương phản ảnh siêu âm hạn chế của B mode

Siêu âm B-mode, phương pháp truyền thống, đối mặt với những giới hạn đáng kể về độ phân giải siêu âm và độ tương phản ảnh siêu âm. Độ phân giải là khả năng phân biệt hai cấu trúc gần nhau, và trong B-mode, nó thường bị hạn chế bởi bước sóng của chùm tia siêu âm. Điều này có nghĩa là các tổn thương hoặc cấu trúc nhỏ hơn bước sóng rất khó hoặc không thể được phát hiện. "Ảnh B-mode có những nhược điểm khiến cho phương pháp siêu âm còn chưa thể thay thế được các phương pháp khác đó là chất lượng hình ảnh còn hạn chế, không thể phát hiện được các dị vật có kích thước nhỏ hơn bước sóng." (Đàm Đức Cường, 2013, tr. 15). Độ tương phản liên quan đến khả năng phân biệt sự khác biệt về cường độ tín hiệu giữa các mô. Trong B-mode, sự khác biệt này có thể không đủ lớn để làm nổi bật các tổn thương có tính chất âm học tương tự mô lành, dẫn đến bỏ sót chẩn đoán. Các yếu tố như tần số đầu dò siêu âm, độ sâu thăm khám, và cài đặt siêu âm của máy đều ảnh hưởng trực tiếp đến hai chỉ số quan trọng này, đòi hỏi sự tối ưu hóa cài đặt đầu dò liên tục để đạt được chất lượng hình ảnh siêu âm tốt nhất.

2.2. Nhiễu ảnh siêu âm và artefact siêu âm Thách thức then chốt

Nhiễu ảnh siêu âm và artefact siêu âm là những rào cản lớn trong việc nâng cao chất lượng ảnh siêu âm cắt lớp. Nhiễu hạt (speckle noise) là một dạng nhiễu phổ biến, tạo ra hình ảnh mờ và làm giảm khả năng nhận diện chi tiết. Nó phát sinh do sự giao thoa phức tạp của sóng âm phản xạ từ các cấu trúc vi mô trong mô. Ngoài ra, các artefact siêu âm như bóng cản, tăng cường âm phía sau, hoặc phản âm gương có thể gây ra thông tin sai lệch trên hình ảnh y học. Các artefact này không phải là dấu hiệu bệnh lý mà là kết quả của tương tác giữa sóng siêu âm và các cấu trúc vật lý trong cơ thể hoặc do lỗi thiết bị siêu âm. Việc giảm nhiễu ảnh siêu âm và nhận diện, loại bỏ artefact là bước quan trọng để cải thiện độ chính xác chẩn đoán. Các phương pháp xử lý ảnh y tế và thuật toán nâng cao hình ảnh hiện đại đang được nghiên cứu để giảm thiểu tác động của những yếu tố này, qua đó cải thiện độ nét siêu âm và mang lại chất lượng hình ảnh siêu âm đáng tin cậy hơn cho các bác sĩ.

III. Phương pháp đột phá nâng cao chất lượng ảnh siêu âm cắt lớp Kỹ thuật kết hợp tần số

Để vượt qua các giới hạn của siêu âm cắt lớp truyền thống và nâng cao chất lượng ảnh siêu âm cắt lớp, luận văn của Đàm Đức Cường (2013) đã đề xuất một phương pháp đột phá: sử dụng kỹ thuật kết hợp hai tần số áp dụng cho phương pháp lặp vi phân Born (DBIM). Phương pháp này thừa hưởng ưu điểm của DBIM – vốn được đánh giá là một trong những phương pháp tốt nhất hiện nay để tái tạo ảnh tán xạ nhờ tốc độ hội tụ nhanh (Đàm Đức Cường, 2013, tr. 4). Cụ thể, phương pháp đề xuất gồm ba bước chính. Đầu tiên, xác định số lần lặp tối ưu với tần số thấp f1 để thu được ảnh chất lượng tốt nhất trong tổng số bước lặp. Sau đó, áp dụng quá trình khôi phục hình ảnh cho vùng lưới có kích cỡ N×N ở tần số thấp f1 với số lần lặp đã xác định. Cuối cùng, sử dụng kết quả hàm mục tiêu thu được từ bước này làm giá trị khởi tạo và tiếp tục quá trình khôi phục bằng DBIM với tần số cao f2 cho các bước lặp còn lại (Đàm Đức Cường, 2013, tr. 24). Việc lựa chọn giá trị ‘x’ (số lần lặp ở tần số f1) là vô cùng quan trọng, ảnh hưởng trực tiếp đến chất lượng ảnh khôi phục. Quá trình này đòi hỏi một phân tích kỹ lưỡng các kịch bản mô phỏng để tìm ra điểm tối ưu, nơi mà sự kết hợp của hai tần số mang lại hiệu quả cao nhất trong việc giảm nhiễu ảnh siêu âm và tăng độ phân giải siêu âm. Phương pháp này tận dụng lợi thế của từng tần số: tần số thấp (f1) thường có khả năng xuyên sâu tốt hơn và ít bị suy giảm, trong khi tần số cao (f2) cung cấp độ phân giải chi tiết hơn ở các vùng nông. Bằng cách kết hợp linh hoạt hai tần số này, hệ thống có thể thu thập dữ liệu toàn diện hơn và tái tạo hình ảnh y học với độ nét siêu âm cao hơn, độ tương phản ảnh siêu âm cải thiện, và giảm thiểu đáng kể nhiễu hạt (speckle noise). Đây là một bước tiến quan trọng trong công nghệ siêu âm nhằm tối ưu hóa toàn bộ quá trình xử lý ảnh y tế, từ thu nhận dữ liệu đến tái tạo hình ảnh 3D chất lượng cao, từ đó nâng cao độ chính xác chẩn đoán cho các bác sĩ lâm sàng.

3.1. Giới thiệu phương pháp lặp vi phân Born DBIM trong xử lý ảnh y tế

Phương pháp lặp vi phân Born (Distorted Born Iterative Method – DBIM) là một thuật toán nâng cao hình ảnh tiên tiến trong xử lý ảnh y tế, đặc biệt trong lĩnh vực siêu âm cắt lớp. DBIM được phát triển để giải quyết bài toán ngược trong việc tái tạo hình ảnh từ dữ liệu tán xạ. Thay vì sử dụng phương pháp Born Iterative Method (BIM) cổ điển, DBIM cải thiện đáng kể tốc độ hội tụ và chất lượng hình ảnh bằng cách tính toán trường sóng tới bị biến dạng bởi môi trường không đồng nhất. Điều này giúp giảm thiểu sai số trong quá trình tái tạo hình ảnh. Trong phương pháp DBIM, áp suất tổng và áp suất tán xạ được tính toán dựa trên hàm mục tiêu và các ma trận Green, sau đó hàm mục tiêu được cập nhật liên tục thông qua quá trình lặp. "Trong đó lặp vi phân Born có ưu điểm là tốc độ hội tụ nhanh là phương pháp tác giả lựa chọn để cải tiến." (Đàm Đức Cường, 2013, tr. 4). DBIM đặc biệt hiệu quả trong việc xử lý các môi trường phức tạp của mô sinh học, nơi sự không đồng nhất về tính chất âm học là phổ biến. Sự kết hợp của DBIM với các kỹ thuật siêu âm mới cho phép đạt được độ chính xác chẩn đoán cao hơn và cung cấp hình ảnh y học chi tiết hơn, hỗ trợ đắc lực cho các chuyên gia chẩn đoán hình ảnh.

3.2. Cơ chế kết hợp hai tần số để cải thiện chất lượng hình ảnh siêu âm

Cơ chế kết hợp hai tần số là điểm mấu chốt để nâng cao chất lượng ảnh siêu âm cắt lớp trong phương pháp đề xuất. Nó tận dụng ưu điểm của cả tần số thấp (f1) và tần số cao (f2) để tối ưu hóa quá trình tái tạo hình ảnh. Tần số thấp (f1) thường có khả năng xuyên sâu tốt hơn vào các mô, ít bị suy giảm năng lượng, giúp thu thập thông tin từ các cấu trúc sâu hơn trong cơ thể. Tuy nhiên, độ phân giải siêu âm của ảnh thu được ở tần số thấp thường hạn chế. Ngược lại, tần số cao (f2) cung cấp độ phân giải vượt trội, cho phép nhìn rõ các chi tiết nhỏ và ranh giới mô sắc nét hơn, đặc biệt ở các vùng nông. Vấn đề là sóng tần số cao bị suy giảm nhanh hơn khi xuyên qua mô. Phương pháp kết hợp hai tần số bắt đầu quá trình khôi phục với tần số thấp (f1) trong một số bước lặp ban đầu để có được thông tin tổng thể về vật thể. Sau đó, kết quả này được dùng làm đầu vào cho các bước lặp tiếp theo với tần số cao (f2) để tinh chỉnh chi tiết và cải thiện độ nét siêu âm. Điều này tạo ra một quy trình tối ưu, vừa đảm bảo khả năng xuyên sâu, vừa đạt được độ phân giải và độ tương phản ảnh siêu âm cao, dẫn đến chất lượng hình ảnh siêu âm tổng thể vượt trội.

IV. Hướng dẫn tối ưu hóa chất lượng hình ảnh siêu âm với thuật toán DBIM cải tiến

Việc tối ưu hóa chất lượng hình ảnh siêu âm thông qua thuật toán nâng cao hình ảnh DBIM cải tiến đòi hỏi sự hiểu biết sâu sắc về các yếu tố kỹ thuật và quy trình thực hiện. Phương pháp đề xuất tập trung vào việc tối ưu hóa cài đặt siêu âm và sử dụng linh hoạt các tần số để đạt được kết quả vượt trội. Một trong những khía cạnh quan trọng là xác định số lần lặp tối ưu (x) cho tần số thấp f1, điều này "rất quan trọng vì nó ảnh hưởng đến chất lượng ảnh khôi phục" (Đàm Đức Cường, 2013, tr. 24). Qua các kịch bản mô phỏng, nghiên cứu đã chứng minh rằng giá trị 'x' tối ưu thay đổi tùy thuộc vào số lượng máy phát và máy thu, tức là số lượng mẫu dữ liệu. Khi số mẫu nhiều, giá trị x nhỏ, cho thấy kết quả phụ thuộc nhiều vào tần số cao f2. Ngược lại, khi số mẫu ít, giá trị x lớn, kết quả phụ thuộc nhiều vào tần số thấp f1. Ở mức số mẫu trung bình, kết quả khôi phục phụ thuộc vào cả f1 và f2, cho thấy sự cần thiết của kỹ thuật kết hợp tần số (Đàm Đức Cường, 2013, tr. 30). Quy trình này không chỉ giúp giảm nhiễu hạt (speckle noise) mà còn tăng cường độ nét siêu âm và độ tương phản ảnh siêu âm, cung cấp hình ảnh y học rõ ràng và chính xác hơn. Việc triển khai phần mềm xử lý ảnh siêu âm hiệu quả là cần thiết để áp dụng thuật toán nâng cao hình ảnh này. Bên cạnh đó, các yếu tố như cài đặt siêu âm đúng cách, lựa chọn đầu dò siêu âm phù hợp với mục đích thăm khám, và việc kiểm soát artefact siêu âm cũng đóng góp đáng kể vào việc cải thiện chất lượng hình ảnh siêu âm. Thực hành siêu âm và đào tạo siêu âm chuyên sâu là yếu tố con người không thể thiếu, đảm bảo yếu tố kỹ thuật siêu âm được áp dụng tối ưu. Cuối cùng, tiêu chuẩn chất lượng siêu âm quốc tế cần được tuân thủ để đảm bảo độ chính xác chẩn đoán cao nhất cho bệnh nhân.

4.1. Quy trình tối ưu hóa cài đặt siêu âm với tần số f1 và f2

Quy trình tối ưu hóa cài đặt siêu âm với tần số f1 và f2 là trọng tâm của phương pháp DBIM cải tiến. Nó bao gồm việc xác định số lần lặp tối ưu cho tần số thấp f1 (gọi là 'x') trước khi chuyển sang tần số cao f2. Việc này được thực hiện qua một thuật toán so sánh, đánh giá sai số (err) hoặc RMSE để tìm ra 'x' mang lại chất lượng ảnh tốt nhất (Đàm Đức Cường, 2013, tr. 25). Sau khi 'x' được xác định, quá trình khôi phục bắt đầu: ban đầu, thuật toán nâng cao hình ảnh sử dụng tần số f1 để thực hiện 'x' bước lặp, thu được một hàm mục tiêu ban đầu. Sau đó, kết quả này được dùng làm khởi tạo cho các bước lặp còn lại, sử dụng tần số f2 (sum_iter - x) lần. "Các kết quả đánh giá cho thấy phương pháp đề xuất cho kết quả tốt." (Đàm Đức Cường, 2013, tr. 4). Quá trình chuyển đổi linh hoạt này giữa hai tần số, từ khả năng xuyên sâu của f1 đến độ phân giải cao của f2, cho phép xây dựng lại hình ảnh y học một cách toàn diện. Tối ưu hóa cài đặt đầu dò và các thông số khác của máy siêu âm (như gain, độ sâu, dải động) cũng cần được điều chỉnh phù hợp với từng tần số để đạt được chất lượng hình ảnh siêu âm tối đa.

4.2. Thuật toán nâng cao hình ảnh và giảm nhiễu hạt speckle noise hiệu quả

Trong nỗ lực nâng cao chất lượng ảnh siêu âm cắt lớp, thuật toán nâng cao hình ảnh đóng vai trò thiết yếu, đặc biệt trong việc giảm nhiễu hạt (speckle noise). Phương pháp DBIM cải tiến kết hợp hai tần số đã chứng minh khả năng giảm thiểu nhiễu hiệu quả. Nhiễu hạt, một dạng nhiễu đặc trưng trong siêu âm, làm giảm độ nét siêu âm và độ tương phản ảnh siêu âm, gây khó khăn cho chẩn đoán bệnh lý siêu âm. Bằng cách sử dụng tần số thấp f1 ở giai đoạn đầu của quá trình khôi phục, thuật toán có thể thu nhận thông tin ít bị nhiễu hơn từ các cấu trúc sâu. Sau đó, khi chuyển sang tần số cao f2, thuật toán tiếp tục tinh chỉnh hình ảnh, tận dụng độ phân giải siêu âm cao hơn để làm rõ các chi tiết mà vẫn kiểm soát được nhiễu. Việc này được hỗ trợ bởi các thuật toán giải bài toán ngược như Nonlinear Conjugate Gradient Method (NCG) và phương pháp Tikhonov để ổn định hóa quá trình khôi phục (Đàm Đức Cường, 2013, tr. 19). Sự kết hợp này giúp tái tạo hình ảnh y học với ít nhiễu hơn, tăng cường độ tin cậy của thông tin hình ảnh, từ đó nâng cao độ chính xác chẩn đoán và mở rộng khả năng phân tích hình ảnh siêu âm sâu hơn.

4.3. Đánh giá độ chính xác chẩn đoán qua tham số chất lượng Q

Đánh giá độ chính xác chẩn đoán là bước cuối cùng và quan trọng để xác nhận hiệu quả của các phương pháp nâng cao chất lượng ảnh siêu âm cắt lớp. Luận văn sử dụng chỉ số chất lượng ảnh phổ quát (Universal Image Quality Index – Q) bên cạnh các chỉ số toán học truyền thống như sai số (err) hoặc RMSE. Tham số Q có ưu điểm đặc biệt là nó "có cả yếu tố cảm quan của mắt người" (Đàm Đức Cường, 2013, tr. 22), giúp đánh giá chất lượng hình ảnh siêu âm một cách toàn diện hơn. Q xét đến ba yếu tố chính: mất tương quan, méo cường độ sáng và méo tương phản. Giá trị Q càng gần 1, chất lượng ảnh càng cao. Trong các kịch bản mô phỏng, phương pháp kết hợp hai tần số đã cho thấy giá trị Q cao hơn đáng kể so với việc chỉ sử dụng một tần số đơn, minh chứng cho sự cải thiện rõ rệt về chất lượng hình ảnh cả về mặt toán học lẫn cảm quan thị giác. Điều này khẳng định tiềm năng của phương pháp trong việc cung cấp hình ảnh y học đáng tin cậy hơn, từ đó tăng độ chính xác chẩn đoán và hỗ trợ các bác sĩ đưa ra quyết định lâm sàng hiệu quả hơn trong thực hành siêu âm.

V. Ứng dụng thực tiễn và kết quả đạt được khi nâng cao chất lượng ảnh siêu âm

Kết quả nghiên cứu về việc nâng cao chất lượng ảnh siêu âm cắt lớp bằng kỹ thuật kết hợp hai tần số đã mang lại những thành công đáng khích lệ, mở ra nhiều tiềm năng ứng dụng thực tiễn trong lĩnh vực Y – Sinh. Các thử nghiệm mô phỏng cho thấy phương pháp đề xuất (DF - DBIM) vượt trội so với phương pháp DBIM truyền thống (đơn tần số) về cả sai số toán học và tham số chất lượng hình ảnh. Cụ thể, sai số (err) của phương pháp DF - DBIM luôn thấp hơn, và tham số chất lượng Q đạt giá trị gần 1 hơn, cho thấy chất lượng hình ảnh siêu âm đã được cải thiện đáng kể (Đàm Đức Cường, 2013, tr. 39). "Phương pháp đề xuất cho sai số được tính theo công thức (2.14) là nhỏ hơn so với phương pháp DBIM truyền thống, tức là chất lượng ảnh đã được cải thiện, vậy phương pháp đề xuất đã thành công trong việc nâng cao chất lượng tạo ảnh đạt được mục tiêu đề ra ở đầu luận văn." (Đàm Đức Cường, 2013, tr. 40). Điều này có nghĩa là độ nét siêu âm và độ tương phản ảnh siêu âm được tăng cường, đồng thời nhiễu ảnh siêu âm được giảm thiểu hiệu quả. Việc nâng cao chất lượng hình ảnh siêu âm trực tiếp góp phần vào việc chẩn đoán bệnh lý siêu âm chính xác hơn, đặc biệt trong việc phát hiện sớm các khối u hoặc tổn thương nhỏ trong mô mềm, nơi các phương pháp truyền thống còn hạn chế. Các ứng dụng thực tiễn tiềm năng bao gồm chẩn đoán hình ảnh ung thư vú, gan, hoặc các cơ quan khác, nơi việc phân biệt mô bệnh lý với mô lành yêu cầu độ phân giải siêu âm cao. Khả năng tái tạo hình ảnh 3D và siêu âm 4D cũng sẽ được hưởng lợi từ việc này, cung cấp cho bác sĩ cái nhìn toàn diện và trực quan hơn về cấu trúc cơ thể. Đây là một bước tiến quan trọng để thực hành siêu âm đạt được hiệu quả chẩn đoán tối ưu, đồng thời tạo tiền đề cho việc tích hợp các công nghệ siêu âm tiên tiến hơn như trí tuệ nhân tạo trong siêu âm để tự động hóa và tăng cường khả năng phân tích.

5.1. Phân tích kết quả mô phỏng Nâng cao chất lượng ảnh siêu âm so với DBIM truyền thống

Phân tích kết quả mô phỏng là minh chứng rõ ràng cho sự vượt trội của phương pháp DF - DBIM trong việc nâng cao chất lượng ảnh siêu âm. Các đồ thị so sánh sai số (err) đã chỉ ra rằng đường biểu diễn của DF - DBIM nằm dưới so với các đường của DBIM sử dụng đơn tần số f1 hoặc f2, cho thấy quá trình hội tụ nhanh hơn và sai số thấp hơn (Đàm Đức Cường, 2013, tr. 39). Điều này trực tiếp phản ánh khả năng giảm nhiễu ảnh siêu âm và cải thiện độ nét siêu âm. Hơn nữa, phân tích tham số chất lượng Q cũng khẳng định rằng DF - DBIM mang lại chất lượng hình ảnh siêu âm tốt hơn về mặt cảm quan thị giác con người. Giá trị Q của phương pháp đề xuất đạt mức rất gần 1 (ví dụ, 0.9992 ở bước lặp cuối cùng trong một kịch bản), trong khi các phương pháp đơn tần số có giá trị thấp hơn (Đàm Đức Cường, 2013, tr. 32). "Kết hợp với Hình 4.8 có thể kết luận rằng phương pháp sử dụng kết hợp 2 tần số không những cho kết quả về mặt sai số toán học tốt hơn mà còn cho kết quả về mặt tham số chất lượng tốt hơn." (Đàm Đức Cường, 2013, tr. 39). Những kết quả này củng cố niềm tin vào tiềm năng của kỹ thuật kết hợp tần số trong việc tối ưu hóa hình ảnh y học và chẩn đoán hình ảnh.

5.2. Ứng dụng thực tiễn của siêu âm cắt lớp cải tiến trong Y Sinh

Ứng dụng thực tiễn của siêu âm cắt lớp cải tiến trong Y – Sinh là rất rộng lớn. Với chất lượng hình ảnh siêu âm được nâng cao, phương pháp này có thể được áp dụng để cải thiện độ chính xác chẩn đoán trong nhiều chuyên khoa. Ví dụ, trong sản phụ khoa, tái tạo hình ảnh 3D và siêu âm 4D với độ phân giải siêu âm cao hơn sẽ cung cấp cái nhìn chi tiết hơn về sự phát triển của thai nhi. Trong chẩn đoán bệnh lý siêu âm về ung bướu, khả năng phát hiện các khối u nhỏ hơn và phân biệt chúng với mô lành trở nên dễ dàng hơn, hỗ trợ việc điều trị sớm và hiệu quả. Kỹ thuật siêu âm cải tiến cũng có thể được sử dụng trong các thủ thuật can thiệp tối thiểu, giúp các bác sĩ định vị chính xác hơn kim sinh thiết hoặc các dụng cụ y tế khác. Việc tối ưu hóa hình ảnh siêu âm còn có thể hỗ trợ phân tích hình ảnh siêu âm chuyên sâu, mở đường cho việc phát triển các mô hình dự đoán và hỗ trợ quyết định lâm sàng. Cuối cùng, việc này sẽ góp phần vào sự tiến bộ của tiêu chuẩn chất lượng siêu âm và cải thiện chăm sóc sức khỏe bệnh nhân.

VI. Tương lai của việc nâng cao chất lượng ảnh siêu âm cắt lớp và định hướng phát triển

Tương lai của việc nâng cao chất lượng ảnh siêu âm cắt lớp hứa hẹn những bước tiến vượt bậc, đặc biệt với sự phát triển không ngừng của công nghệ siêu âm và trí tuệ nhân tạo trong siêu âm. Nghiên cứu của Đàm Đức Cường đã đặt nền móng vững chắc bằng cách chứng minh hiệu quả của kỹ thuật kết hợp hai tần số, tạo tiền đề cho các ứng dụng lâm sàng rộng rãi. "Bước tiếp theo của đề xuất này là việc thử nghiệm đề xuất trong tạo ảnh với những dữ liệu thực tế để có thể áp dụng trong ngành chuẩn đoán y khoa." (Đàm Đức Cường, 2013, tr. 41). Đây là một định hướng quan trọng, chuyển từ mô phỏng sang thực tế để kiểm chứng và hoàn thiện phương pháp. Việc tích hợp trí tuệ nhân tạo (AI) và học máy (Machine Learning) vào quá trình xử lý ảnh y tế sẽ cách mạng hóa cách chúng ta phân tích hình ảnh siêu âm. AI có thể tự động giảm nhiễu ảnh siêu âm, tăng cường độ nét siêu âm, và thậm chí phát hiện các bất thường mà mắt người khó nhận ra. Các thuật toán học sâu có khả năng nhận diện mẫu phức tạp, hỗ trợ chẩn đoán bệnh lý siêu âm với độ chính xác chẩn đoán cao hơn và nhanh hơn. Sự phát triển của thiết bị siêu âm với đầu dò siêu âm đa tần số thông minh, cùng với phần mềm xử lý ảnh siêu âm ngày càng tinh vi, sẽ tiếp tục đẩy ranh giới của chất lượng hình ảnh siêu âm. Hơn nữa, việc chuẩn hóa tiêu chuẩn chất lượng siêu âm quốc tế và đào tạo liên tục cho các chuyên gia thực hành siêu âm là yếu tố không thể thiếu để đảm bảo việc áp dụng các kỹ thuật siêu âm tiên tiến một cách hiệu quả và an toàn. Tương lai sẽ chứng kiến một thế hệ hình ảnh y học siêu âm với độ phân giải siêu âm và độ tương phản ảnh siêu âm chưa từng có, mở ra kỷ nguyên mới cho chẩn đoán hình ảnh và chăm sóc sức khỏe.

6.1. Tóm tắt thành công trong cải thiện độ nét siêu âm

Nghiên cứu của Đàm Đức Cường đã thành công trong việc cải thiện độ nét siêu âm và nâng cao chất lượng ảnh siêu âm cắt lớp thông qua kỹ thuật kết hợp hai tần số f1 và f2. "Luận văn này đã thành công trong việc nâng cao chất lượng ảnh chụp siêu âm cắt lớp bằng cách sử dụng kết hợp 2 tần số f1 và f2. Ảnh khôi phục theo phương pháp đề xuất cho chất lượng tốt hơn ảnh theo phương pháp truyền thống." (Đàm Đức Cường, 2013, tr. 41). Phương pháp này đã chứng minh khả năng giảm thiểu đáng kể sai số toán học và tăng cường tham số chất lượng Q, mang lại chất lượng hình ảnh siêu âm vượt trội cả về mặt kỹ thuật lẫn cảm quan. Thành công này không chỉ giải quyết được các hạn chế về độ phân giải siêu âm và độ tương phản ảnh siêu âm của các phương pháp truyền thống mà còn mở ra hướng đi mới cho xử lý ảnh y tế. Việc tìm ra số bước lặp tối ưu với tần số f1 là một đóng góp quan trọng, đảm bảo sự kết hợp tần số mang lại hiệu quả tốt nhất. Kết quả này khẳng định tiềm năng của phương pháp đề xuất trong việc ứng dụng thực tiễn, đóng góp vào sự phát triển của công nghệ siêu âm và chẩn đoán hình ảnh.

6.2. Hướng phát triển Tích hợp trí tuệ nhân tạo trong siêu âm và dữ liệu thực tế

Hướng phát triển tiếp theo của việc nâng cao chất lượng ảnh siêu âm cắt lớp là tích hợp trí tuệ nhân tạo trong siêu âm và thử nghiệm với dữ liệu thực tế. AI có tiềm năng lớn trong việc tự động hóa và tối ưu hóa các quy trình phân tích hình ảnh siêu âm, từ giảm nhiễu ảnh siêu âm đến phát hiện các dấu hiệu bệnh lý phức tạp. Các mô hình học sâu có thể học hỏi từ lượng lớn dữ liệu hình ảnh, giúp nhận diện các mẫu tinh vi mà con người khó có thể nhận ra. Việc này sẽ cải thiện độ nét siêu âm một cách tự động và liên tục. Hơn nữa, việc áp dụng các thuật toán nâng cao hình ảnh đã được kiểm chứng bằng mô phỏng vào các bộ dữ liệu siêu âm lâm sàng thực tế là bước thiết yếu để xác nhận hiệu quả và độ tin cậy. Quá trình này sẽ bao gồm việc phát triển các phần mềm xử lý ảnh siêu âm tiên tiến hơn, có khả năng tích hợp AI và tương thích với các thiết bị siêu âm hiện đại. Mục tiêu cuối cùng là cung cấp cho các bác sĩ công nghệ siêu âm mạnh mẽ hơn, tăng cường độ chính xác chẩn đoán và mở rộng khả năng của chẩn đoán bệnh lý siêu âm trong tương lai.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ ĐÀM ĐỨC CƢỜNG ỨNG DỤNG KỸ THUẬT KẾT HỢP TẦN SỐ NHẰM NÂNG CAO CHẤT LƢỢNG ẢNH SIÊU ÂM CẮT LỚP Ngành:Công Nghệ Điện Tử - Viễn Thông Chuyên ngành: Kỹ thuật Điện tử Mã số: 60 52 70 LUẬN VĂN THẠC SĨ CÔNG NGHỆ ĐIỆN TƢ̉ - VIỄN THÔNG HÀ NỘI – 2013 LỜI NÓI ĐẦU Cùng với sự phát triển mạnh mẽ của nền kinh tế thế kéo theo những hệ lụy là môi trƣờng bị hủy hoại, nhiều loại bệnh mới nguy hiểm hơn xuất hiện, ung thƣ là mô ̣t trong số căn bê ̣nh nguy hiể m mà nhân loa ̣i đang phải đố i mă ̣t. Ngày nay ung th ƣ có thể đƣơ ̣c phát hiê ̣n sớm để điều trị nhờ các thiế t bi ̣chuẩ n đoán bê ̣nh bằ ng hin ̀ h ảnh. Siêu âm là mô ̣t phƣơng pháp đang đƣơ ̣c áp du ̣ng hiê ̣n nay với ƣu điể m nổ i trô ̣i là không đô ̣c hại, nhƣng nhƣ̃ng phƣơng pháp truyề n thố ng nhƣ B-mode vẫn còn nhiề u nhƣơ ̣c điể m về chấ t lƣơ ̣ng ảnh chuẩ n đoán. Gầ n đây phƣơng pháp ta ̣o ảnh cắ t lớp bắ t đầ u đƣơ ̣c quan tâm do sƣ̣ phát triể n mạnh về phần mềm và phần cứng , nhƣng phƣơng pháp này mặc dù đã hơn phƣơng pháp B-Mode về chất lƣợng nhƣng chƣa có nhiề u ƣ́ng du ̣ng trong thƣơng ma ̣i do chất lƣợng ảnh vẫn chƣa thực sự tốt.

Tạo ảnh siêu âm cắt lớp sử dụng tán xạ ngƣợc dựa trên hai nguyên lý hoạt động là lặp Born (Born Iterative Method – BIM) và lặp vi phân Born (Distorted Born Iterative Method – DBIM) là hai phƣơng pháp đƣợc cho là tốt nhất hiện nay cho tạo ảnh tán xạ. Trong đó lă ̣p vi phân Born có ƣu điể m là tố c đô ̣ hô ̣i tu ̣ nhanh là phƣơng pháp tác giả lựa chọn để cải tiến. Luâ ̣n văn này đề xuấ t phƣơng pháp sƣ̉ du ̣ng 2 tần số trong khôi phục ảnh. Các kết quả đánh giá cho thấy phƣơng pháp đề xuất cho kết quả tốt.

LỜI CẢM ƠN Luâ ̣n văn này là kế t quả làm viê ̣c chăm chỉ cũng nhƣ nhƣ̃ng ý kiế n đóng góp ,chỉ dẫnnhiệt tìnhcủa thầy hƣớng dẫn , TS.Đƣợc làm việc cùng thầy, với đƣ́c tính của một nhà giáo, nhà nghiên cứu trẻ, thầ y là hin ̀ h mẫu mà tôi noi theo trong công viê ̣c nghiên cƣ́uđể hoàn thành luận văn này. Tôi cũng xin gƣ̉i lời cảm ơn đế n các thầ y , cô và bạn bè trong lớp K 18ĐTVT, Khoa Điê ̣n Tƣ̉ – Viễn Thông, Trƣờng Đa ̣i Ho ̣c Công Nghê ,̣ Đa ̣i Ho ̣c Quố c Gia Hà Nô ̣i đã có nhƣ̃ng nhâ ̣n xét, góp ý cho luận văn này của tôi. Tôi cũng chân thành cám ơn sự hỗ trợ một phần từ đề tài cấp Trƣờng ĐHCN (CN.08) Cuố i cùng tôi xin gƣ̉i lời cảm ơn đế n gia đình tôi , cơ quan tôi, nhƣ̃ng ngƣời đã tạo điều kiện cho tôi học tập và nghiên cứu. Gia đình là đô ̣ng lƣ̣c cho tôi vƣơ ̣t qua nhƣ̃ng thƣ̉ thách, luôn luôn ủng hộ và động viên tôi hoàn thành luận văn này.

LỜI CAM ĐOAN Tôi xin cam đoan luâ ̣n văn này là s ản phẩm của quá trinh nghiên cứu, tìm hiểu của cá nhân dƣới sự hƣớng dẫn và chỉ bảo của các thầy hƣớng dẫn , thầ y cô trong bô ̣ môn, trong khoa và các bạn bè. Tôi không sao chép các tài liệu hay các công trình nghiên cứu của ngƣời khác để làm luận văn này. Nếu vi phạm, tôi xin chịu mọi trách nhiệm. Đàm Đức Cƣờng MỤC LỤC LỜI NÓI ĐẦU.

4 ̣ VÀ CHƢ̃ VIẾT TẮT. 1 DANH MỤC CÁC KÝ HIÊU DANH MỤC CÁC BẢNG. 2 DANH MỤC CÁC HÌNH VẼ. TỔNG QUAN Về ảNH Y SINH.

TỔ CHỨC LUẬN VĂN. 16 CHƢƠNG 2: NGUYÊN LÝ HOA ̣T ĐỘNG. LặP VI PHÂN BORN (DBIM). BÀI TOÁN NGƢỢC.

CHỉ Số PHổ QUÁT CHO CHấT LƢợNG ảNH. 21 CHƢƠNG 3: PHƢƠNG PHÁP ĐỀ XUẤ T. TÌM GIÁ TRỊ X TỐI ƢU. 25 CHƢƠNG 4: KẾT QUẢ .41 TÀI LIỆU THAM KHẢO.

42 PHỤ LỤC 1: CODE MATLAB DBIM .44 PHỤ LỤC 2: CODE MATLAB DBIM ĐỀ XUẤT. 51 DANH MỤC CÁC KÝ HIỆU VÀ CHƢ̃ VIẾT TẮT Ký Hiệu Đơn vi ̣ Ý nghĩa BIM Born Iterative Method/Phƣơng pháp lặp Born DBIM Distorted Born Iterative Method/Phƣơng - pháp Lặp vi phân Born 𝑁𝑡 Số lƣơ ̣ng máy phát 𝑁𝑟 Số lƣơ ̣ng máy thu 𝑕 mm Là kích thƣớc của một ô (pixel) N Số lƣơ ̣ng ô (pixel) theo chiề u do ̣c/ngang 𝑐0 (𝑟) m/s Vâ ̣n tố c truyề n sóng trong môi trƣờng chuẩ n 𝑐1 (𝑟) m/s Vâ ̣n tố c truyề n sóng trong đố i tƣơ ̣ng 𝑂(𝑟) (𝑟𝑎𝑑/𝑚)2 Hàm mục tiêu 𝑝𝑖𝑛𝑐 (𝑟) Pa Sóng tới (tín hiệu tới) 𝑝(𝑟) Pa Tín hiệu tổng 𝑝 𝑠𝑐 (𝑟) Pa Tín hiệu tán xạ 𝑘0 rad/m Số sóng 1 DANH MỤC CÁC BẢNG Bảng 3.1: Sai số ứng với từng giá trị của x sau tổ ng số bƣớc lă ̣p là 8 .2: Sai số ứng với từng giá trị của x sau tổ ng số bƣớc lă ̣p là 8 .3: Sai số ứng với từng giá trị của x sau tổ ng số bƣớc lă ̣p là 8 .4: Sai số ứng với từng giá trị của x sau tổ ng số bƣớc lă ̣p là 8 .1: Sai số err thực hiện ở f1 qua tƣ̀ng bƣớc lă ̣p (N = 22) .2: Sai số err thực hiện ở f2 qua tƣ̀ng bƣớc lă ̣p (N = 22) .3: Sai số err thực hiện kết hợp 2 tần số DF - DBIM (N = 22) .4: Tham số Q thực hiện ở f1 qua tƣ̀ng bƣớc lă ̣p (N = 22) .5: Tham số Q thực hiện ở f2 qua tƣ̀ng bƣớc lă ̣p (N = 22) .6: Tham số Q khi thực hiện DF - DBIM (N = 22) .32 2 DANH MỤC CÁC HÌNH VẼ Hình 1.1: Minh họa nguyên lý máy CT. Sơ đồ nguyên lý siêu âm .1: Cấ u hiǹ h hê ̣ đo .1: Sai số qua các bƣớc lặp (máy phát = 44, máy thu = 22) .2: Sai số qua các bƣớc lặp (máy phát = 15, máy thu = 7) .3: Sai số qua các bƣớc lặp (máy phát = 22, máy thu = 11) .4: Sai số qua các bƣớc lặp (máy phát = 27, máy thu = 14) .1: Hàm mục tiêu lý tƣởng (N = 22) .2: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 1 (N = 22) .3: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 2 (N = 22) .4: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 5 (N = 22) .5: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 6 (N = 22) .6: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 7 (N = 22) .7: Kế t quả khôi phu ̣c sau bƣớc lă ̣p thƣ́ 8 (N = 22) .8: Đồ thị so sánh err của DF – DBIM và DBIM (N = 22) .9: Mặt cắt thẳng đứng đi qua trung tâm của hàm mục tiêu khôi phục. Tổ ng quan về ảnh y sinh Có các loại phƣơng pháp chuẩn đoán bệnh bằng hình ảnh phổ biến trong Y - Sinh nhƣ chu ̣p X quang , chụp CT (Computed Tomography ), chụp cộng hƣởng từ (magnetic resonance imaging), Siêu âm (ultrasound).

Chụp cắt lớp CT CT là từ viết tắt của Computed Tomography. Tomography đƣợc tạo từ hai từ trong tiếng Hy Lạp : tomo nghĩa là lát, miếng và graphy là mô tả. Vậy có thể hiểu CT là “chụp ảnh các lát cắt bằng tính toán”, CT có khả năng tạo hình ảnh “xuyên qua” cơ thể bệnh nhân. CT còn có tên gọi khác là CAT (Computed axial tomography).

Sơ lƣợc nguyên lý: Bạn đã đi chụp X-quang bao giờ chƣa? Các kỹ thuật viên bắt bạn đứng giữa một máy phát tia X và một tấm phim. Sau khi chụp bạn sẽ thấy trên phim kết quả có những vùng đậm nhạt khác nhau mô tả các cơ quan trong cơ thể bạn. Tia X có bản chất giống với ánh sáng bạn thấy hàng ngày – đều là sóng điện từ nhƣng có bƣớc sóng rất nhỏ, năng lƣợng lớn nên có khả năng đâm xuyên rất mạnh. Khi tia X đi qua cơ thể bạn, nó sẽ bị các cơ quan trong cơ thể hấp thụ một phần.

Năng lƣợng tia X giảm tuân theo định luật Beer : I =𝐼0 exp(-μx) (1.1) Trong đó 𝐼0 , I: năng lƣợng tia X lúc đầu và sau. μ : hệ số suy giảm tuyến tính của vật liệu, đặc trƣng cho khả năng làm suy giảm năng lƣợng tia X của vật chất. x : quãng đƣờng tia X đi qua Các cơ quan khác nhau hấp thụ tia X khác nhau. Vì vậy chùm tia X khi đi ra khỏi cơ thể sẽ gồm các tia có năng lƣợng khác nhau, mức độ tác động lên phim khác nhau nên trên phim sẽ có các vùng sáng tối mô tả các cơ quan bên trong cơ thể bạn.

CT cũng dùng tia X nhƣng có nhiểu điểm khác biệt và phức tạp hơn X-quang thông thƣờng. Một chùm tia X đƣợc sử dụng “cắt” ngang qua cơ thể bạn. Ở phía bên kia, thay vì đặt một tấm phim, ngƣời ta dùng các máy thu (Máy thu) để ghi lại tín hiệu này. Tia X và máy thu sẽ quay xung quanh bạn nhƣng quỹ đạo quay vẫn nằm trên một 4 mặt phẳng để lấy dữ liệu về lát cắt này.

Toàn bộ những dữ liệu này gọi là dữ liệu thô (raw data).Chúng ta không thể hiều đƣợc các dữ liệu này.Vì vậy phải dùng tới các phƣơng pháp toán học để biến đổi các dữ liệu thô thành hình ảnh. Các thuật toán thƣờng dùng biến đổi là : filtered back-projection (với bộ lọc Laks hay Sheep-Logan) hoặc expectation-maximization (EM). Các ảnh tái tạo là các ảnh đa mức xám, ngƣời ta thƣờng dùng số HU (Hounsfield unit) hay còn gọi là số CT để biểu thị mức xám của ảnh CT.1: Minh họa nguyên lý máy CT Việc biến đổi dữ liệu thô thành hình ảnh đồng nghĩa với việc giải rất nhiều phƣơng trình phức tạp, vì vậy cần các máy tính mạnh. Vào thời điểm năm 1974 các máy tính chƣa mạnh nhƣ bây giờ nên ta có thể hiểu vì sao thiết bị đầu tiên của Hounsfield mất vài giờ để lấy thông tin thô trên mỗi lát cắt và mất vài ngày để tái tạo thành hình ảnh.

Hiện nay thì các máy CT hiện đại có thể lấy thông tin thô trên 256 lát cắt trong cùng một lúc,khoảng cách giữa các lát cát vào khoảng 1mm và chỉ mất ít giây để tái tạo hình ảnh có kích thƣớc 1024x1024pixel. Năm 2007, hãng Toshiba đã giới thiệu một thế hệ CT 320 lát cắt.