Tổng quan nghiên cứu

Trong bối cảnh y tế hiện đại, chẩn đoán hình ảnh đóng vai trò then chốt trong phát hiện sớm và điều trị các bệnh lý nguy hiểm. Khảo sát thực tế tại các bệnh viện tuyến tỉnh vào năm 2015 cho thấy 100% thiết bị chẩn đoán hình ảnh như máy chụp cắt lớp vi tính CT, X-quang số, máy nội soi dạ dày và siêu âm màu 3D/4D chỉ dừng lại ở chức năng ghi nhận và hiển thị hình ảnh, hoàn toàn thiếu vắng các mô-đun phần mềm hỗ trợ chẩn đoán tự động. Thực trạng này khiến hơn 75% áp lực chẩn đoán đè nặng lên kinh nghiệm chủ quan của bác sĩ, dẫn đến nguy cơ bỏ sót các tổn thương nhỏ từ 15% đến 25% trong các ca nội soi phức tạp do mỏi mắt hoặc điều kiện ánh sáng không đồng đều.

Nghiên cứu này tập trung giải quyết bài toán tự động phát hiện các đối tượng bất thường trong ảnh y học, trọng tâm là tổn thương dạng polyp và cấu trúc dạng đốm (blob) trong ảnh nội soi tiêu hóa. Mục tiêu cụ thể của đề tài là xây dựng quy trình kết hợp giữa lọc hình học Hessian, trích xuất đặc trưng gradient kết hợp màu sắc và phân loại máy học nhằm đạt độ chính xác phát hiện trên 95%.

Phạm vi nghiên cứu được thực hiện trong giai đoạn 2015–2016 tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, với sự phối hợp dữ liệu thực nghiệm từ các cơ sở y tế địa phương. Đóng góp của luận văn mang ý nghĩa thực tiễn to lớn khi giúp nâng cao tỷ lệ nhận dạng chính xác tổn thương lên 96,8%, rút ngắn thời gian phân tích hình ảnh xuống dưới 20 giây cho khung hình độ phân giải 1024x1024 pixel, tạo tiền đề vững chắc cho việc tích hợp hệ thống hỗ trợ ra quyết định lâm sàng vào các thiết bị y tế hiện hành.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết xử lý ảnh số y khoa và lý thuyết học máy có giám sát (Supervised Machine Learning). Cụ thể, mô hình lý thuyết của luận văn tích hợp 2 nhánh phương pháp chính: phân tích hình học vi phân qua ma trận Hessian để khoanh vùng ứng viên và phân loại thống kê bằng máy vector hỗ trợ (Support Vector Machine - SVM).

Hệ thống khái niệm cốt lõi bao gồm:

  1. Điểm ảnh và mức xám (Pixel and Grayscale Level): Biểu diễn toán học của cường độ sáng liên tục sang không gian số rời rạc thông qua quá trình lượng tử hóa.
  2. Phân đoạn ảnh bằng thuật toán Otsu: Kỹ thuật phân ngưỡng tự động dựa trên tối đa hóa phương sai giữa các lớp từ biểu đồ phân bố mật độ xác suất (PDF).
  3. Đặc trưng HOG (Histogram of Oriented Gradients): Mô tả phân bố hướng gradient của các cạnh cục bộ, chia không gian góc 0° đến 180° thành 9 pin (mỗi pin 20°) trong các ô 8x8 pixel.
  4. Ma trận Hessian và cấu trúc Blob: Sử dụng đạo hàm bậc hai để xác định độ cong cục bộ, trong đó các giá trị riêng giúp nhận biết chính xác cấu trúc hình cầu hoặc dạng ống của mạch máu và polyp.
  5. Siêu phẳng phân cách tối đa (Maximum Marginal Hyperplane - MMH): Cơ chế của thuật toán SVM giúp tìm ranh giới phân lớp tối ưu với khoảng cách lề lớn nhất giữa hai lớp đối tượng và nền.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm bao gồm 128 ảnh nội soi tiêu hóa lâm sàng thực tế chứa các tổn thương polyp với kích thước đa dạng từ 1 pixel đến hàng trăm pixel. Phương pháp chọn mẫu là chọn mẫu có chủ đích kết hợp gán nhãn thủ công (Ground Truth) bằng mặt nạ đen bởi các chuyên gia y tế. Để huấn luyện bộ phân loại SVM cân bằng, tập mẫu âm (vùng không chứa polyp) được trích xuất ngẫu nhiên với tỷ lệ 1:1 tương đương số lượng mẫu dương.

Quy trình phân tích dữ liệu được xây dựng qua 4 bước:

  • Tiền xử lý và lọc Hessian: Nâng cao độ tương phản của các cấu trúc dạng đốm và phân đoạn Voronoi nhằm khoanh vùng các ứng viên polyp, giảm thiểu không gian tìm kiếm.
  • Trích xuất đặc trưng đa không gian: Kết hợp 150 đặc trưng thống kê màu sắc (từ 5 không gian màu RGB, HSV, YUV, TSL, Lab) cùng 216 đặc trưng HOG để tạo thành vector đặc trưng 366 chiều toàn diện.
  • Phân loại và tối ưu hóa AdaBoost: Áp dụng thuật toán AdaBoost qua 15 vòng lặp, kết hợp các bộ phân loại SVM yếu sử dụng hàm nhân Gaussian để tạo bộ phân loại mạnh.
  • Phát hiện đối tượng hình học với biến đổi Hough: Ứng dụng công cụ ITK 3.16 mở rộng cho biến đổi Hough bầu chọn hướng tâm (Radial Voting) trong không gian đa chiều.

Nghiên cứu được triển khai xuyên suốt từ quý 2 năm 2015 đến quý 2 năm 2016, đảm bảo tính chặt chẽ từ khảo sát thực địa đến lập trình thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm thực nghiệm trên tập dữ liệu 128 ảnh nội soi lâm sàng đã mang lại những kết quả định lượng nổi bật:

Thứ nhất, việc kết hợp đa không gian đặc trưng tạo ra bước nhảy vọt về độ chính xác. Bộ đặc trưng tổng hợp A (kết hợp 150 biến số màu sắc và 216 biến số HOG) đạt độ nhạy 93,9%, độ đặc hiệu 94,3% và độ chính xác phân loại 94,1%. Kết quả này vượt trội rõ rệt so với việc chỉ sử dụng đặc trưng cường độ màu đơn lẻ (đạt độ chính xác 91,0%) hoặc chỉ sử dụng đặc trưng HOG đơn lẻ (đạt độ chính xác 86,8%).

Thứ hai, mô hình học tăng cường AdaBoost nâng cao hiệu suất phân loại lên mức tối ưu. Qua 15 vòng lặp huấn luyện với các tham số SVM tối ưu, độ chính xác tổng thể đạt tới 96,8%. So với các phương pháp tiếp cận dựa trên mảnh vá (patch-based) truyền thống trước đây chỉ đạt 71,3% và 80,9%, phương pháp đề xuất đã cải thiện độ chính xác phân loại thêm từ 15,9% đến 25,5%.

Thứ ba, thuật toán biến đổi Hough đa luồng trên nền tảng ITK 3.16 thể hiện năng lực tối ưu thời gian xử lý vượt trội. Đối với các ảnh y khoa kích thước lớn 1024x1024 pixel, thuật toán chỉ mất khoảng 20 giây để xác định hoàn toàn tâm và bán kính của các cấu trúc hình cầu phức tạp.

Thảo luận kết quả

Nguyên nhân chính giúp phương pháp đề xuất đạt hiệu suất vượt bậc là nhờ khả năng triệt tiêu nhiễu quang học từ môi trường nội soi ẩm ướt và thiếu sáng. Ma trận Hessian đóng vai trò bộ lọc tiền định hình học xuất sắc, loại bỏ ngay từ đầu các cấu trúc mạch máu dạng ống kéo dài để giữ lại các khối lồi dạng đốm. Tiếp đó, sự kết hợp giữa 5 hệ thống màu sắc giúp thuật toán không bị đánh lừa bởi hiện tượng phản xạ ánh sáng trên niêm mạc.

Khi so sánh với các nghiên cứu trước đây vốn phụ thuộc vào kích thước bản ghép cố định, phương pháp phân đoạn Voronoi của luận văn cho phép bao quát các polyp có kích thước biến thiên linh hoạt. Trong thực tế, dữ liệu phân loại có thể được biểu diễn trực quan qua bảng so sánh độ nhạy – độ đặc hiệu và biểu đồ đường cong ROC, minh chứng rõ ràng sự vượt trội của đường biên phân cách SVM so với các bộ phân loại tuyến tính đơn giản. Kết quả này khẳng định tính khả thi cao trong việc ứng dụng thuật toán vào các hệ thống hỗ trợ chẩn đoán thời gian thực.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 khuyến nghị hành động cụ thể nhằm thúc đẩy ứng dụng công nghệ xử lý ảnh y tế vào thực tiễn:

  1. Tích hợp thuật toán phát hiện bất thường tự động vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS/DICOM) tại các bệnh viện đa khoa tuyến tỉnh và huyện. Mục tiêu rút ngắn thời gian chẩn đoán hình ảnh từ 15 phút xuống dưới 2 phút mỗi ca bệnh, dự kiến hoàn thành trong giai đoạn 2026–2027 do các kỹ sư công nghệ thông tin y tế phối hợp với phòng trang thiết bị bệnh viện thực hiện.

  2. Chuẩn hóa và mở rộng kho dữ liệu ảnh y học số hóa đa trung tâm lên quy mô trên 5.000 mẫu nội soi có gán nhãn chuyên gia trong vòng 12 tháng. Trách nhiệm này thuộc về các bệnh viện chuyên khoa tiêu hóa và các viện nghiên cứu y học nhằm tạo tập dữ liệu huấn luyện phong phú cho các thuật toán thế hệ mới.

  3. Nâng cấp mô hình phân loại lên kiến trúc mạng nơ-ron tích chập (Convolutional Neural Networks) kết hợp phần cứng tăng tốc đồ họa GPU chuyên dụng. Giải pháp này hướng tới mục tiêu xử lý video nội soi trực tiếp với tốc độ trên 30 khung hình/giây vào quý 4 năm 2027, do các nhóm nghiên cứu thị giác máy tính và trí tuệ nhân tạo y tế đảm nhiệm.

  4. Xây dựng chương trình đào tạo và cấp chứng chỉ ứng dụng phần mềm chẩn đoán hình ảnh thông minh cho 100% kỹ thuật viên và bác sĩ lâm sàng trước năm 2028. Hoạt động này do Bộ Y tế chủ trì phối hợp cùng các trường đại học công nghệ thông tin và truyền thông ban hành.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn này mang lại giá trị thực tiễn sâu rộng cho 4 nhóm đối tượng trọng tâm sau:

  1. Bác sĩ chuyên khoa tiêu hóa và chẩn đoán hình ảnh: Tiếp cận các nguyên lý vận hành của hệ thống chẩn đoán hỗ trợ máy tính (CAD), hiểu rõ cơ chế phát hiện tổn thương để phối hợp hiệu quả cùng công nghệ, giảm thiểu sai sót chủ quan trong quy trình nội soi hàng ngày.

  2. Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Kỹ thuật y sinh: Sử dụng luận văn làm tài nguyên học thuật chuẩn mực về phương pháp trích xuất đặc trưng HOG, lọc đạo hàm bậc hai Hessian, giải thuật tối ưu hóa siêu phẳng SVM và kỹ thuật biến đổi Hough trong không gian đa chiều.

  3. Kỹ sư phát triển phần mềm y tế và nhà tích hợp hệ thống bệnh viện: Tham khảo kiến trúc giải thuật và luồng xử lý dữ liệu chuẩn DICOM/PACS để thiết kế, phát triển các mô-đun phân tích ảnh tự động tích hợp trực tiếp vào thiết bị phần cứng y tế.

  4. Lãnh đạo cơ quan quản lý y tế và giám đốc bệnh viện: Tham khảo các phân tích thực trạng và giải pháp công nghệ để hoạch định chiến lược đầu tư, nâng cấp trang thiết bị chuyển đổi số y tế thông minh và triển khai mạng lưới hội chẩn y tế từ xa (Telemedicine).

Câu hỏi thường gặp

  1. Tại sao cần kết hợp cả đặc trưng màu sắc đa không gian và HOG trong nhận dạng polyp? Sự kết hợp này giải quyết triệt để sự biến thiên ánh sáng và hình thái trong nội soi. Đặc trưng HOG (216 chiều) mô tả cấu trúc đường viền hình học, trong khi 150 đặc trưng từ 5 không gian màu (RGB, HSV, YUV, TSL, Lab) cung cấp thông tin biến thiên mô bệnh học, giúp độ chính xác đạt 94,1% so với 86,8% nếu chỉ dùng HOG.

  2. Bộ lọc ma trận Hessian đóng vai trò gì trong giai đoạn tiền xử lý ảnh y học? Bộ lọc Hessian tính toán các đạo hàm riêng bậc hai để phân tích độ cong cục bộ của hình ảnh. Thông qua các giá trị riêng, thuật toán phân biệt chính xác giữa cấu trúc dạng ống kéo dài của mạch máu và cấu trúc dạng lồi hình đốm của khối u polyp, giúp loại bỏ nhiễu và khoanh vùng chính xác các vùng ứng viên.

  3. Thuật toán AdaBoost hỗ trợ cải thiện hiệu năng của SVM như thế nào? Thay vì chỉ sử dụng một bộ phân loại SVM đơn lẻ, AdaBoost tiến hành lặp 15 vòng huấn luyện. Ở mỗi vòng, thuật toán điều chỉnh trọng số tập trung vào các mẫu khó phân loại và kết hợp các bộ phân loại yếu thành một bộ phân loại mạnh, qua đó nâng độ chính xác toàn hệ thống từ 94,1% lên 96,8%.

  4. Kỹ thuật biến đổi Hough trong luận văn có điểm gì cải tiến so với phương pháp cổ điển? Luận văn ứng dụng bộ lọc Hough Transform Radial Voting trên thư viện ITK 3.16. Điểm cải tiến cốt lõi là thuật toán hoạt động trực tiếp trên tọa độ vật lý đa chiều (N-D), sử dụng cơ chế bỏ phiếu theo bán kính và tối ưu hóa đa luồng, giúp nhận diện các đối tượng hình cầu bị che khuất chỉ trong 20 giây cho ảnh 1024x1024 pixel.

  5. Giải pháp trong luận văn có thể triển khai trực tiếp vào các máy nội soi hiện nay không? Hoàn toàn có thể. Do các máy y tế hiện đại đều hỗ trợ trích xuất tín hiệu số chuẩn DICOM qua cổng truyền thông, giải pháp phần mềm của luận văn có thể được cài đặt trên các máy trạm kết nối nội mạng PACS để tự động phân tích và khoanh vùng tổn thương ngay khi bác sĩ tiến hành thủ thuật.

Kết luận

  • Luận văn đã giải quyết thành công bài toán tự động phát hiện tổn thương bất thường trong ảnh y tế thông qua sự kết hợp tối ưu giữa lọc hình học Hessian, đặc trưng đa không gian màu kết hợp HOG và phân loại SVM AdaBoost.
  • Thành tựu thực nghiệm nổi bật là đạt độ chính xác chẩn đoán 96,8%, vượt trội hơn hẳn so với mức 71,3% đến 80,9% của các phương pháp phân tích dựa trên mảnh vá truyền thống.
  • Đóng góp quan trọng của công trình là xây dựng quy trình xử lý hoàn chỉnh từ ảnh thô đến khoanh vùng tổn thương thực tế, phù hợp với điều kiện trang thiết bị y tế tại Việt Nam.
  • Lộ trình giai đoạn 2026–2027 sẽ tập trung mở rộng tập dữ liệu đa trung tâm trên 5.000 mẫu và nâng cấp thuật toán sang kiến trúc học sâu nhằm đạt tốc độ xử lý thời gian thực trên 30 khung hình/giây.
  • Các nhà nghiên cứu, kỹ sư phần mềm y tế và bác sĩ lâm sàng hãy tham khảo chi tiết toàn văn công trình để cùng phối hợp chuyển giao công nghệ, đưa các giải pháp trí tuệ nhân tạo tiên tiến vào phục vụ công tác chăm sóc sức khỏe cộng đồng.