Tổng quan luận án

Tổng hợp hình ảnh y học (medical image fusion) là hướng nghiên cứu thuộc lĩnh vực xử lý ảnh và thị giác máy tính, thực hiện tích hợp thông tin từ nhiều phương thức chụp ảnh y tế khác nhau (như chụp cắt lớp vi tính - CT, cộng hưởng từ - MRI, cắt lớp phát xạ Positron - PET, cắt lớp phát xạ đơn Photon - SPECT) vào một hình ảnh duy nhất. Quá trình này giúp kết hợp đồng thời thông tin giải phẫu chi tiết (từ MRI, CT) và thông tin hoạt động chức năng, chuyển hoá của các cơ quan (từ PET, SPECT), hỗ trợ bác sĩ chẩn đoán chính xác các bệnh lý thần kinh (như bệnh Alzheimer), định vị khối u và nâng cao độ chính xác của các mô hình phân loại bệnh tự động.

Khoảng trống nghiên cứu được luận án xác định xuất phát từ hai hạn chế kỹ thuật:

  1. Chất lượng hình ảnh y tế đầu vào bị suy giảm: Quá trình thu thập dữ liệu ảnh y tế thường gặp phải hiện tượng mờ, nhiễu và độ tương phản thấp. Các kỹ thuật tăng cường chất lượng hiện có như bộ lọc Laplace cục bộ nhanh (FLLF) hoặc cân bằng biểu đồ mức xám biến đổi phi tham số (NPMHE) thường nhạy cảm với nhiễu hoặc gây tăng cường quá mức làm mất cấu trúc mô mềm.
  2. Sự suy giảm chất lượng và mất mát thông tin trong các quy tắc tổng hợp:
    • Đối với thành phần cơ sở (tần số thấp), quy tắc lấy trung bình cộng làm giảm độ tương phản và cường độ sáng do ảnh MRI có cường độ cao hơn PET; quy tắc chọn cực đại (Max) lại làm mất hoàn toàn thông tin chức năng từ ảnh PET.
    • Đối với thành phần chi tiết (tần số cao), quy tắc chọn Max bỏ qua thông tin chi tiết từ ảnh có cường độ thấp hơn, trong khi thuật toán tổng Laplace sửa đổi (SML) khuếch tán nhiễu và bỏ sót các cấu trúc vi mô có giá trị Laplace nhỏ.

Mục tiêu nghiên cứu của luận án:

  • Mục tiêu chung: Đề xuất phương pháp nâng cao hiệu quả tổng hợp hình ảnh y học theo tiếp cận tối ưu hoá.
  • Mục tiêu cụ thể:
    1. Đề xuất phương pháp nâng cao chất lượng hình ảnh y học sử dụng thuật toán tối ưu hoá động vật biển ăn thịt (Marine Predators Algorithm - MPA) nhằm cải thiện cường độ sáng, độ tương phản và chi tiết cấu trúc mô não, đồng thời kiểm soát nhiễu phát sinh.
    2. Đề xuất phương pháp tổng hợp hình ảnh mới gồm hai thuật toán: thuật toán tổng hợp thích nghi dựa trên tối ưu hoá MPA cho thành phần cơ sở (nhằm bảo toàn độ sáng và độ tương phản) và thuật toán tổng hợp kết hợp các biến thể của hàm năng lượng cục bộ cho thành phần chi tiết (nhằm bảo tồn tối đa các cấu trúc cạnh và chi tiết vi mô).

Đối tượng nghiên cứu:

  • Các thuật toán nâng cao chất lượng ảnh và thuật toán tổng hợp hình ảnh y học.
  • Các thuật toán tối ưu hoá meta-heuristic (trọng tâm là thuật toán MPA).
  • Các chỉ số đánh giá định lượng chất lượng ảnh và tập dữ liệu ảnh y học đa phương thức (cặp ảnh MRI và PET đã được căn chỉnh hình học).

Phạm vi nghiên cứu:

  • Không gian dữ liệu: Cặp hình ảnh cộng hưởng từ (MRI) và ảnh cắt lớp phát xạ Positron (PET) mô phỏng các lát cắt não bộ đã được căn chỉnh hình học, thu thập từ cơ sở dữ liệu "The Whole Brain Atlas" của Đại học Y Harvard.
  • Phạm vi kỹ thuật: Tập trung vào kỹ thuật tối ưu hoá hàm mục tiêu trong tiền xử lý tăng cường ảnh và xác định trọng số tổng hợp thích nghi trên miền phân rã. Luận án không đi sâu vào việc triển khai thử nghiệm lâm sàng trên từng ca bệnh thực tế.

Tổng quan tài liệu và vị trí của luận án

Tổng quan các nghiên cứu tổng hợp hình ảnh y học được phân chia thành hai nhóm tiếp cận chính:

Hướng tiếp cận Công trình tiêu biểu Kỹ thuật sử dụng Hạn chế ghi nhận trong văn bản
Biến đổi đa tỉ lệ (MST) Li và cs. (2019) [3]; Wang và cs. (2020) [35] Biến đổi kim tự tháp Laplace (LP) kết hợp biểu diễn thưa (SR) và SML Thiếu tính bất biến dịch chuyển, giảm tần số cao dẫn đến mất chi tiết nhỏ; chi phí tính toán lớn
Biến đổi Wavelet Xu và cs. (2016) [36]; Chao và cs. (2017) [37] DWT kết hợp SSO/WCO; Biến đổi Wavelet tĩnh (SWT) kết hợp mạng RBF DWT không bất biến dịch chuyển, gây giả tạo; thiếu thông tin hướng của đường biên
Phân tích hình học đa tỉ lệ (MSGA) Li và cs. (2021) [40]; Jose và cs. (2021) [13] Biến đổi NSCT kết hợp DTNPS; NSST kết hợp thuật toán tối ưu AIS Phép biến đổi CVT, CRT, ST không bất biến dịch chuyển; NSCT và NSST tốn thời gian tính toán
Phân rã cơ sở - chi tiết qua bộ lọc Li và cs. (2020, 2023) [29, 50]; Liu và cs. (2020) [29] Bộ lọc thông thấp (LPF), bộ lọc hướng dẫn quay vòng (RGF), bộ lọc hai chiều đồng thời (JBF) Khó xác định tham số lọc phù hợp; kích thước cửa sổ lọc lớn làm mất thông tin cục bộ
Biểu diễn thưa (SR) Li và cs. (2023) [50]; Barba-J và cs. (2021) [18] Biểu diễn thưa từ điển kết hợp biến đổi Hermite Thời gian tính toán kéo dài do quá trình mã hoá thưa từ điển dư thừa
Học sâu: Trích xuất đặc trưng Zhou và cs. (2020) [61]; Zhang (2021) [28] Mạng VGG19; mạng ResNet-152 trích xuất đặc trưng thành phần chi tiết Các mạng được huấn luyện trên ảnh tự nhiên, chưa tối ưu cho ảnh y học; dữ liệu cặp ảnh y học rất ít
Học sâu: Khép kín (End-to-End) Wang và cs. (2020) [41]; Guo và cs. (2020) [33] Mạng tích chập CNN phân lớp; mạng Mã hoá - Giải mã; mạng GAN Cần lượng mẫu huấn luyện lớn, dễ quá khớp khi áp dụng trên tập dữ liệu ảnh y học hạn chế

Khoảng trống nghiên cứu luận án lựa chọn giải quyết: Trong các nghiên cứu trước, việc xử lý ảnh đầu vào thường áp dụng bộ lọc FLLF (Ullah và cs., 2020) gây khuếch tán nhiễu hoặc dùng cân bằng biểu đồ xám NPMHE (Maqsood và cs., 2020) dẫn đến tăng cường quá mức. Về quy tắc tổng hợp, các nghiên cứu của Zhang và cs. (2021), Maqsood và cs. (2020) áp dụng thuật toán trung bình cho thành phần cơ sở làm sụt giảm cường độ sáng và độ tương phản; còn nghiên cứu của Li và cs. (2020), Barba-J và cs. (2021) dùng thuật toán chọn Max gây mất thông tin từ một phương thức ảnh. Luận án lựa chọn giải quyết các vấn đề này bằng cách kết hợp mô hình phân rã ba thành phần với thuật toán tối ưu hoá meta-heuristic MPA, đồng thời xây dựng quy tắc tổng hợp thích nghi và kết hợp biến thể hàm năng lượng cục bộ với ma trận cấu trúc Tensor.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và khái niệm sử dụng trong luận án:

  • Thuật toán tối ưu hoá meta-heuristic: Phân loại theo cảm hứng tự nhiên (GA, PSO) và phi tự nhiên (SA, TS); theo cơ chế ngẫu nhiên và xác định; theo quỹ đạo (Hill Climbing, SA) và quần thể (PSO, GA); theo tìm kiếm cục bộ và toàn cục.
  • Thuật toán động vật biển ăn thịt (Marine Predators Algorithm - MPA): Đề xuất bởi Faramarzi và cộng sự (2020), mô phỏng chiến lược săn mồi sinh học dựa trên hai chuyển động chính:
    • Chuyển động Brownian: Quá trình ngẫu nhiên với độ dài bước tuân theo phân phối chuẩn Gauss ($\mu = 0, \sigma = 1$).
    • Chuyển động Lévy: Bước đi ngẫu nhiên với phân phối Lévy điều khiển bởi tham số tỷ lệ $\alpha$ và hàm Gamma $\Gamma$.
    • Cơ chế ba giai đoạn vận tốc:
      1. Tỷ lệ vận tốc cao ($v \ge 10$): Kẻ săn mồi đứng yên, con mồi di chuyển theo Brownian hoặc Lévy (giai đoạn đầu).
      2. Tỷ lệ vận tốc bằng nhau ($v \approx 1$): 50% quần thể thăm dò (con mồi di chuyển Lévy), 50% quần thể khai thác (kẻ săn mồi di chuyển Brownian) với tham số thích nghi $CF = (1 - t/T)^{(2t/T)}$.
      3. Tỷ lệ vận tốc thấp ($v = 0.1$): Kẻ săn mồi di chuyển theo chuyển động Lévy (giai đoạn cuối).
    • Hiệu ứng thiết bị thu hút cá (FADs): Cập nhật lại vị trí cá thể thông qua vector nhị phân và bước nhảy ngẫu nhiên nhằm tránh bẫy cực trị địa phương.
  • Các thuật toán tối ưu hoá đối chuẩn: MVO, WOA, SSA, SCA, GWO, DA, ALO.
  • Hàm năng lượng cục bộ (LEF) và thuật toán FR_PCO: LEF đo tổng bình phương các điểm ảnh trong cửa sổ trượt $k \times k$. Thuật toán FR_PCO (Dinh, 2021) kết hợp LEF với toán tử la bàn Prewitt 8 hướng.
  • Các công cụ và bộ lọc phụ trợ: Ma trận cấu trúc Tensor, bộ lọc hướng dẫn quay vòng (RGF), bộ lọc đường cong trung bình có trọng số (WMCF), cân bằng biểu đồ mức xám thích nghi giới hạn độ tương phản (CLAHE), toán tử phát hiện biên Laplace (LED), bộ lọc khuếch tán dị hướng (ADF), mô hình phục hồi ảnh dựa trên tổng biến thiên (TVIR).

Phương pháp nghiên cứu thực tế:

  • Phương pháp định lượng thông qua tính toán mô phỏng và thực nghiệm trên máy tính.
  • Kỹ thuật phân rã ba thành phần (TCID - Three-Component Image Decomposition) phân tách ảnh thành cấu trúc, chi tiết biên và nền.
  • Thiết kế hàm mục tiêu tối ưu hoá dựa trên sự kết hợp giữa độ tương phản, lượng thông tin (Entropy) và độ sắc nét biên.
  • Kiểm thử thực nghiệm với 30 lần chạy độc lập cho từng thuật toán tối ưu để ghi nhận giá trị trung bình và độ lệch chuẩn của hàm mục tiêu (fitness).
  • Áp dụng kiểm định thống kê phi tham số Wilcoxon rank-sum test để xác định giá trị $p$-value, bảo đảm tính khác biệt có ý nghĩa thống kê.

Nguồn dữ liệu và hệ thống chỉ số:

  • Dữ liệu thu thập từ cơ sở dữ liệu "The Whole Brain Atlas" của Đại học Y Harvard, gồm các lát cắt não bộ theo các mặt phẳng trục ngang (Axial - T), mặt phẳng đứng dọc (Sagittal - S) và mặt phẳng đứng ngang (Coronal - C).
  • Bảy nhóm chỉ số đánh giá chất lượng ảnh: cường độ sáng trung bình, độ tương phản, lượng thông tin (Entropy), độ sắc nét, độ bảo toàn thông tin, độ thông tin tương hỗ (Mutual Information - MI), độ tương đồng dựa trên đặc trưng.

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán tổng hợp hình ảnh và một số kiến thức nền tảng

Chương này hệ thống hoá cơ sở khoa học của bài toán tổng hợp hình ảnh y học đa phương thức, phân tích dữ liệu thống kê từ Scopus từ năm 2006 đến tháng 09/2023 cho thấy xu hướng công bố liên tục tăng trưởng. Tác giả phân tích chi tiết ưu và nhược điểm của hai nhánh tiếp cận chính: nhánh phương pháp truyền thống (biến đổi đa tỉ lệ LP, DWT, SWT; phân tích hình học đa tỉ lệ NSCT, NSST; phân rã cơ sở - chi tiết dựa trên bộ lọc LPF, RGF, JBF; biểu diễn thưa SR) và nhánh phương pháp học sâu (trích xuất đặc trưng bằng mạng VGG19, ResNet-152; học khép kín end-to-end bằng CNN, Autoencoder, GAN).

Nội dung trọng tâm của chương là việc chỉ ra hai hạn chế mang tính cốt lõi:

  1. Hiện tượng suy giảm chất lượng ảnh đầu vào: Các phương pháp tiền xử lý như FLLF nhạy cảm với nhiễu, NPMHE làm tăng cường quá mức và làm biến dạng biểu đồ mức xám.
  2. Thiếu sót trong các quy tắc tổng hợp hiện hành: Phân tích đồ thị cường độ sáng và độ tương phản trung bình theo cột chứng minh quy tắc trung bình làm giảm sút các giá trị này trên ảnh tổng hợp so với ảnh gốc MRI; quy tắc chọn Max làm triệt tiêu hoàn toàn thông tin chức năng từ ảnh PET; quy tắc tổng hợp chi tiết bằng toán tử Laplace (SML) khuếch tán nhiễu hạt.

Cuối chương trình bày toán học của thuật toán meta-heuristic MPA, hàm năng lượng cục bộ LEF, thuật toán FR_PCO, cấu trúc Tensor, các bộ lọc RGF, WMCF, CLAHE, LED, ADF, TVIR và công thức tính toán của các chỉ số lượng giá chất lượng ảnh.

Chương 2: Nâng cao chất lượng hình ảnh dựa trên phân rã ba thành phần và thuật toán MPA

Chương 2 giải quyết bài toán nâng cao chất lượng ảnh y học đầu vào có độ tương phản và cường độ sáng thấp thông qua việc đề xuất phương pháp IE_TCID_MPA (Image enhancement method based on three-component image decomposition and the MPA algorithm).

Quy trình thuật toán IE_TCID_MPA gồm các bước chính:

  • Phân rã hình ảnh ba thành phần (TCID): Ứng dụng các bộ lọc chuyên biệt để tách hình ảnh gốc thành ba lớp thành phần gồm thành phần cấu trúc, thành phần chi tiết/cạnh và thành phần nền cơ sở.
  • Thiết kế hàm mục tiêu tối ưu: Hàm mục tiêu được xây dựng dựa trên sự cân bằng giữa việc cực đại hoá độ tương phản, lượng thông tin (Entropy) và độ sắc nét đường biên, đồng thời tích hợp thành phần phạt để ngăn chặn sự khuếch đại của nhiễu.
  • Tối ưu hoá thích nghi với MPA: Thuật toán MPA đảm nhiệm việc tự động tìm kiếm không gian tham số tối ưu cho quá trình tăng cường từng thành phần phân rã. Phân tích độ phức tạp tính toán chứng minh thuật toán có tính khả thi trong thực tế xử lý ảnh số.

Kết quả thực nghiệm trên các tập dữ liệu:

  • Tập D0 (12 ảnh MRI chuẩn) và Tập D1 (12 ảnh MRI có độ tương phản thấp): Phương pháp đề xuất cho kết quả cải thiện vượt trội về độ tương phản và bảo toàn chi tiết giải phẫu. Bảng thời gian chạy cho thấy thuật toán đạt hiệu quả cân bằng giữa chất lượng và tốc độ xử lý so với các thuật toán đối chuẩn.
  • Tập D2 (các lát cắt kiểm thử 70T, 70S, 70C): Kết quả từ 30 lần chạy độc lập ghi nhận các giá trị trung bình và độ lệch chuẩn của 4 chỉ số chất lượng; kiểm định Wilcoxon cho giá trị $p$-value nhỏ chứng minh sự vượt trội có ý nghĩa thống kê của MPA so với các thuật toán meta-heuristic khác (như PSO, ABC, Cuckoo, AOA).
  • Tập D3 (6 cặp ảnh MRI-PET trên các tập Set-T, Set-S, Set-C): Đánh giá 6 chỉ số chất lượng trước và sau khi tăng cường ảnh đầu vào khẳng định việc áp dụng IE_TCID_MPA làm tiền xử lý giúp nâng cao trực tiếp chất lượng của hình ảnh tổng hợp cuối cùng.

Chương 3: Tổng hợp ảnh dựa trên thuật toán tổng hợp thích nghi kết hợp với các biến thể của hàm năng lượng cục bộ

Chương 3 trình bày đóng góp trọng tâm về phương pháp tổng hợp hình ảnh toàn diện AFM_CVLEF, giải quyết triệt để sự suy giảm chất lượng và mất mát thông tin ở cả hai miền tần số.

Phương pháp bao gồm hai thuật toán thành phần:

  1. Thuật toán tổng hợp thành phần chi tiết (FM_CVLEF): Cải thiện đặc trưng của ma trận cấu trúc Tensor bằng cách tích hợp các biến thể của hàm năng lượng cục bộ (LEF). Thuật toán này trích xuất chính xác các đặc trưng biên đa hướng, phân biệt rõ giữa chi tiết cấu trúc giải phẫu và nhiễu ngẫu nhiên, giúp lưu giữ đầy đủ thông tin chi tiết từ cả ảnh MRI và PET.
  2. Thuật toán tổng hợp thích nghi cho thành phần cơ sở (AFM_MPA): Thiết kế hàm mục tiêu tối ưu hoá phản ánh sự tương quan độ sáng và độ tương phản giữa hai ảnh đầu vào. Thuật toán MPA được sử dụng để tối ưu hoá ma trận trọng số tổng hợp thích nghi cho từng vị trí không gian, khắc phục triệt để nhược điểm sụt giảm độ tương phản của quy tắc trung bình và hiện tượng mất thông tin của quy tắc chọn Max.

Tích hợp mô hình AFM_CVLEF hoàn chỉnh: Hình ảnh đầu vào được phân rã thành ba thành phần bằng thuật toán TCID; lớp cơ sở được xử lý bằng AFM_MPA; lớp chi tiết được xử lý bằng FM_CVLEF; cuối cùng thực hiện phép tái tạo ngược để thu được ảnh tổng hợp. Luận án phân tích chi tiết độ phức tạp thuật toán và tiến hành thực nghiệm quy mô lớn:

  • Tập K4: Chạy thử nghiệm 30 lần lặp độc lập, biểu diễn phân bố hàm mục tiêu qua biểu đồ boxplot; bảng kiểm định Wilcoxon $p$-values khẳng định tính ổn định và khả năng hội tụ tối ưu của MPA so với các thuật toán MVO, WOA, SSA, SCA, GWO, DA, ALO.
  • Các tập dữ liệu K1, K2, K3 (tương ứng với các lát cắt #068T, #068S, #068C): Đánh giá so sánh với 8 thuật toán tổng hợp hình ảnh tiên tiến hiện hành dựa trên 5 chỉ số định lượng (Entropy, độ tương đồng đặc trưng, độ sắc nét, thông tin tương hỗ, độ tương phản) và bảng thời gian xử lý trung bình.
  • Đánh giá trực quan: Phân tích các vùng ảnh nhỏ được cắt phóng to cho thấy hình ảnh tổng hợp từ AFM_CVLEF hiển thị rõ nét cấu trúc giải phẫu mô mềm của não từ ảnh MRI và duy trì trọn vẹn ranh giới các vùng chuyển hoá chức năng từ ảnh PET mà không xuất hiện viền giả hay suy giảm độ sáng nền.

Bảng tổng hợp các tập dữ liệu thực nghiệm trong luận án:

Ký hiệu tập Số lượng / Đặc điểm mẫu dữ liệu Mục đích thực nghiệm
D0 12 hình ảnh MRI não chuẩn Đánh giá thuật toán nâng cao chất lượng ảnh IE_TCID_MPA
D1 12 hình ảnh MRI não có độ tương phản thấp So sánh các chỉ số chất lượng và thời gian chạy giữa các thuật toán tăng cường ảnh
D2 Lát cắt kiểm thử 70T, 70S, 70C từ ảnh MRI Thực nghiệm 30 lần chạy độc lập; tính $p$-value kiểm định Wilcoxon giữa các thuật toán tối ưu
D3 6 cặp ảnh MRI-PET (chia theo Set-T, Set-S, Set-C) Đánh giá 6 chỉ số chất lượng ảnh tổng hợp trước và sau khi áp dụng thuật toán tăng cường ảnh
K1, K2, K3 Các cặp ảnh MRI-PET lát cắt #068T, #068S, #068C So sánh định lượng (5 chỉ số), trực quan vùng phóng to và thời gian chạy của 8 thuật toán tổng hợp
K4 Dữ liệu kiểm thử tối ưu hoá tổng hợp ảnh Chạy 30 lần độc lập, vẽ biểu đồ boxplot giá trị fitness, kiểm định Wilcoxon so sánh MPA với 7 thuật toán tối ưu

Kết quả và những đóng góp mới

Các đóng góp mới về mặt khoa học và kỹ thuật được tác giả tự xác định bao gồm:

  1. Đề xuất phương pháp nâng cao chất lượng ảnh y học IE_TCID_MPA: Kết hợp kỹ thuật phân rã ba thành phần (TCID) với thuật toán tối ưu hoá MPA và hàm mục tiêu đa tiêu chí. Phương pháp cải thiện đồng thời cường độ sáng, độ tương phản và chi tiết cấu trúc mô não trên ảnh cộng hưởng từ độ tương phản thấp, đồng thời kiểm soát và hạn chế phát sinh nhiễu trong quá trình xử lý (công bố tại công trình [CT1], ứng dụng tiền xử lý công bố tại [CT2]).
  2. Đề xuất thuật toán tổng hợp thích nghi cho thành phần cơ sở (AFM_MPA): Xây dựng hàm mục tiêu tối ưu hoá dựa trên đặc trưng độ sáng và tương phản cục bộ, sử dụng MPA để tự động điều chỉnh ma trận trọng số. Thuật toán giải quyết tình trạng suy giảm độ sáng, tương phản của quy tắc trung bình và khắc phục hiện tượng mất mát thông tin PET của quy tắc chọn Max (công bố tại công trình [CT4, CT6]).
  3. Đề xuất thuật toán tổng hợp thành phần chi tiết (FM_CVLEF): Cải tiến đặc trưng của ma trận cấu trúc Tensor thông qua việc tích hợp các biến thể của hàm năng lượng cục bộ (LEF). Thuật toán bảo tồn trọn vẹn thông tin biên, kết cấu giải phẫu và thông tin hoạt động chức năng từ các ảnh gốc mà không khuếch tán nhiễu (công bố tại công trình [CT3, CT4]).
  4. Xây dựng phương pháp tổng hợp hình ảnh toàn diện AFM_CVLEF: Tích hợp đồng bộ phân rã TCID, AFM_MPA và FM_CVLEF, tạo ra mô hình tổng hợp ảnh y học đa phương thức có chất lượng định lượng và trực quan vượt trội so với các thuật toán đối chuẩn (công bố tại [CT4]).

Kiến nghị và giải pháp đề xuất:

  • Luận án đề xuất tích hợp phương pháp IE_TCID_MPA vào bước tiền xử lý chuẩn trong các quy trình thu nhận và xử lý ảnh chẩn đoán y tế, nhằm chuẩn hoá chất lượng ảnh cộng hưởng từ trước khi thực hiện các phân tích chuyên sâu.
  • Đề xuất áp dụng mô hình tổng hợp AFM_CVLEF vào các hệ thống hỗ trợ chẩn đoán tự động (CAD), cung cấp hình ảnh đầu vào giàu thông tin cho các tác vụ phân đoạn khối u não và phân loại giai đoạn thoái hoá thần kinh ở bệnh nhân Alzheimer.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

  • Phạm vi dữ liệu: Thực nghiệm mới chỉ tập trung vào các cặp ảnh MRI và PET mô phỏng lát cắt não bộ đã được căn chỉnh hình học từ cơ sở dữ liệu "The Whole Brain Atlas"; chưa mở rộng kiểm nghiệm trên các phương thức ảnh y học khác như MRI-SPECT, CT-PET, CT-SPECT.
  • Ứng dụng thực địa: Nghiên cứu chưa đánh giá trực tiếp hiệu quả của hình ảnh tổng hợp trong các can thiệp lâm sàng thực tế tại bệnh viện hoặc trên các tập dữ liệu bệnh nhân chưa được căn chỉnh hình học.
  • Hiệu năng thời gian: Việc sử dụng các thuật toán tối ưu hoá meta-heuristic (MPA) với nhiều vòng lặp đòi hỏi chi phí tính toán đáng kể, ảnh hưởng đến khả năng xử lý theo thời gian thực trong các tình huống cấp cứu lâm sàng.

Hướng nghiên cứu tiếp:

  • Nghiên cứu ứng dụng kỹ thuật học chuyển đổi (Transfer Learning) kết hợp với các mạng học sâu đã được huấn luyện sẵn (như VGG, ResNet, DenseNet) để biểu diễn và tổng hợp các thành phần chi tiết trong ảnh y học nhằm tối ưu hoá thời gian tính toán (hướng tiếp cận này đã được tác giả bước đầu khảo sát tại công trình [CT5]).
  • Mở rộng thuật toán để xử lý các tập dữ liệu ảnh y học không gian ba chiều (3D) và các cặp ảnh thu nhận trực tiếp từ thiết bị chưa qua căn chỉnh hoàn hảo.

Giá trị tham khảo

Nghiên cứu mang lại các giá trị tham khảo cụ thể cho các nhóm đối tượng:

  • Nghiên cứu sinh và học viên cao học ngành Khoa học máy tính, Kỹ thuật y sinh: Tham khảo phương pháp phân rã ba thành phần (TCID), kỹ thuật thiết kế hàm mục tiêu tối ưu hoá thích nghi đa tham số và phương thức ứng dụng thuật toán meta-heuristic MPA trong bài toán xử lý ảnh số.
  • Giảng viên và nhà nghiên cứu chuyên sâu về Xử lý ảnh y tế: Tham khảo khung lý thuyết kết hợp giữa các toán tử hình học vi phân (ma trận cấu trúc Tensor, biến thể LEF) và tối ưu hoá quần thể; quy trình đánh giá thực nghiệm đa chiều kết hợp kiểm định thống kê phi tham số Wilcoxon.
  • Kỹ sư phát triển hệ thống thông tin y tế và phần mềm chẩn đoán hình ảnh: Sử dụng các thuật toán AFM_MPA và FM_CVLEF để xây dựng các mô-đun hiển thị ảnh tích hợp đa phương thức cho các trạm quan sát y khoa (workstations), trợ giúp bác sĩ chẩn đoán hình ảnh theo dõi tương quan giữa biến đổi giải phẫu và suy thoái chức năng mô.

Câu hỏi thường gặp

1. Tại sao quy tắc lấy trung bình cộng truyền thống lại làm giảm chất lượng ảnh tổng hợp ở thành phần cơ sở? Ảnh MRI có cường độ sáng và độ tương phản cao hơn ảnh PET. Khi áp dụng quy tắc trung bình (chia đều trọng số 0.5 cho mỗi ảnh), thành phần cơ sở tổng hợp bị sụt giảm độ sáng và tương phản so với ảnh gốc MRI do chỉ nhận 50% đóng góp từ MRI, làm mờ đi các chi tiết cấu trúc giải phẫu của mô não.

2. Thuật toán tối ưu hoá động vật biển ăn thịt (MPA) hoạt động dựa trên cơ chế nào trong luận án? MPA mô phỏng hành vi săn mồi sinh học qua ba giai đoạn tương ứng với tỷ lệ vận tốc giữa kẻ săn mồi và con mồi: giai đoạn đầu kẻ săn mồi đứng yên còn con mồi di chuyển (Brownian/Lévy); giai đoạn giữa chia đều quần thể cho thăm dò (Lévy) và khai thác (Brownian) có điều khiển bởi hệ số $CF$; giai đoạn cuối kẻ săn mồi di chuyển Lévy. Luận án tích hợp thêm hiệu ứng FADs để giúp thuật toán không bị mắc kẹt tại các cực trị địa phương khi tìm kiếm tham số tối ưu.

3. Phương pháp phân rã ba thành phần (TCID) có điểm gì khác so với phân rã cơ sở - chi tiết thông thường? Phân rã cơ sở - chi tiết truyền thống chỉ tách ảnh thành hai lớp (tần số thấp và tần số cao). Thuật toán TCID phân tách ảnh thành ba thành phần riêng biệt gồm cấu trúc, chi tiết biên và nền cơ sở, cho phép áp dụng các hàm mục tiêu và toán tử biến đổi đặc thù nhằm nâng cao chất lượng cấu trúc và triệt tiêu nhiễu hiệu quả hơn.

4. Kiểm định thống kê nào được sử dụng để chứng minh tính vượt trội của các thuật toán đề xuất? Luận án sử dụng kiểm định phi tham số Wilcoxon rank-sum test trên kết quả của 30 lần chạy lặp độc lập giữa MPA và các thuật toán tối ưu hoá đối chuẩn (như PSO, ABC, MVO, WOA, GWO). Các giá trị $p$-value thu được nhỏ hơn ngưỡng ý nghĩa thống kê khẳng định sự cải thiện của các chỉ số đánh giá không phải do yếu tố ngẫu nhiên.

5. Luận án khắc phục nhược điểm của toán tử Laplace trong tổng hợp thành phần chi tiết như thế nào? Toán tử Laplace thông thường (trong thuật toán SML) nhạy cảm và khuếch tán nhiễu. Luận án thay thế bằng thuật toán FM_CVLEF, kết hợp ma trận cấu trúc Tensor với các biến thể của hàm năng lượng cục bộ (LEF) và toán tử la bàn Prewitt, giúp trích xuất chính xác các đặc trưng biên theo nhiều hướng và loại bỏ ảnh hưởng của nhiễu.

Kết luận

Luận án "Nâng cao hiệu quả tổng hợp hình ảnh y học theo tiếp cận tối ưu hoá" của nghiên cứu sinh Đinh Phú Hùng đã giải quyết hai hạn chế cốt lõi trong xử lý ảnh y tế gồm suy giảm chất lượng ảnh đầu vào và mất mát thông tin qua các quy tắc tổng hợp truyền thống. Tác giả đã đề xuất phương pháp tăng cường ảnh IE_TCID_MPA và mô hình tổng hợp đa phương thức AFM_CVLEF dựa trên sự kết hợp giữa kỹ thuật phân rã ba thành phần, thuật toán tối ưu hoá MPA và các biến thể hàm năng lượng cục bộ với ma trận Tensor. Các kết quả thực nghiệm trên cơ sở dữ liệu "The Whole Brain Atlas" cùng kiểm định thống kê Wilcoxon đã chứng minh tính hiệu quả, ổn định và giá trị ứng dụng của các thuật toán trong việc nâng cao chất lượng chẩn đoán hình ảnh thần kinh.