Tổng quan về luận án

Xử lý và phân tích ảnh y tế là trụ cột nền tảng trong chuyển đổi số y tế, trong đó phân đoạn ảnh X-quang nha khoa giữ vai trò quyết định hỗ trợ bác sĩ lâm sàng chẩn đoán các bệnh lý phức tạp như viêm nha chu, tiêu xương ổ răng, sâu ngầm chân răng hay định vị răng ngầm. Theo tác giả Trần Mạnh Tuấn (2016) trong công trình thuộc chuyên ngành Cơ sở toán học cho tin học (Mã số: 62 46 01 10) tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam: "Phân đoạn ảnh là chia nhỏ một ảnh thành các vùng đồng nhất cấu tạo nên ảnh hoặc các đối tượng" [17], [52]. Đặc thù ảnh X-quang nha khoa có cấu trúc phức tạp gồm ba thành phần giải phẫu chính: "i) Phần răng: phần có độ xám cao và là phần nhìn thấy rõ nhất; ii) Phần cấu trúc răng: là phần có độ xám trung bình gồm lợi răng, xương, tủy, xi măng; iii) Phần nền: phần có giá trị độ xám nhỏ nhất" [54].

flowchart LR
    A["Ảnh X-quang Nha khoa Gốc"] --> B["Tiền xử lý & Tách ngưỡng Otsu"]
    B --> C["Khởi tạo Bán giám sát Mờ FCM"]
    C --> D["Tích hợp Ràng buộc Không gian & LBP"]
    D --> E["Tối ưu Đa mục tiêu SSFC-SC / SSFC-FS"]
    E --> F["Phân đoạn Vùng Bệnh lý & Hệ DDS"]

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế các kỹ thuật phân cụm mờ truyền thống như Fuzzy C-Means (FCM) của Bezdek (1981) hay phân cụm bán giám sát mờ theo quy tắc Entropy (eSFCM) của Yin (2012) và SSSFC của Yasunori et al. (2009) chỉ dựa trên không gian thuộc tính mức xám đơn lẻ, hoàn toàn bỏ qua tương quan không gian giữa các điểm ảnh lân cận (spatial constraints) và cấu trúc kết cấu cục bộ (Local Binary Patterns - LBP). Hơn nữa, chất lượng ảnh X-quang thường suy giảm do nhiễu tạp chất, độ tương phản thấp và ranh giới mô giải phẫu bị mờ nhòe.

Luận án thiết lập các câu hỏi nghiên cứu và giả thuyết tương ứng:

  • RQ1: Làm thế nào để tự động sinh ma trận thông tin bổ trợ (prior membership matrix) tối ưu cho thuật toán phân cụm bán giám sát mờ từ ảnh nha khoa mà không phụ thuộc vào việc gán nhãn thủ công tốn kém?
  • RQ2: Mô hình toán học nào cho phép tích hợp đồng thời thông tin độ thuộc tiên nghiệm, đặc trưng không gian cục bộ và kết cấu LBP vào hàm mục tiêu phân cụm?
  • RQ3: Phương pháp tối ưu hóa nào giải quyết hiệu quả bài toán quy hoạch phi tuyến đa mục tiêu trong phân cụm bán giám sát mờ với độ phức tạp tính toán khả thi?

Các giả thuyết nghiên cứu được kiểm định:

  • H1: Sự kết hợp lai ghép giữa tách ngưỡng Otsu và phân cụm bán giám sát eSFCM giúp giảm sai số phân đoạn vùng nền và nâng cao chỉ số phân tách cụm so với FCM độc lập.
  • H2: Tích hợp trọng số không gian thích ứng (adaptive spatial window) vào mô hình SSFC-SC làm tăng độ chính xác phân đoạn các tổn thương ranh giới mờ lên trên 15% so với phương pháp không có ràng buộc không gian.
  • H3: Ứng dụng lý thuyết thỏa dụng mờ (Fuzzy Satisficing Method) trong thuật toán SSFC-FS xác định được tập nghiệm tối ưu Pareto vượt trội hơn phương pháp nhân tử Lagrange truyền thống trên các tập dữ liệu có nhiễu cao.

Phạm vi nghiên cứu bao quát bộ cơ sở dữ liệu ảnh X-quang thực tế (ảnh cắn cánh - bitewing, ảnh quanh chóp - periapical, ảnh toàn cảnh - panoramic) thu thập phối hợp với Viện Đào tạo Răng Hàm Mặt – Đại học Y Hà Nội. Luận án mang lại giá trị đột phá cả về lý thuyết tối ưu hóa mờ lẫn ứng dụng thực tiễn trong việc xây dựng hệ thống chẩn đoán nha khoa thông minh Dental Diagnosis System (DDS).

Literature Review và Positioning

Lý thuyết phân đoạn ảnh y tế trải qua nhiều giai đoạn phát triển với các trường phái tiếp cận khác nhau. Trường phái xử lý ảnh cổ điển tập trung vào kỹ thuật tách ngưỡng toàn cục và cục bộ (Otsu, 1975; Rad, Rahim & Norouzi, 2014) hoặc các mô hình đường bao chủ động (Active Contour Models - Kass et al., 1988; Level Set Methods - Li et al., 2005). Mặc dù có ưu thế về tốc độ tính toán, các kỹ thuật này bộc lộ hạn chế nghiêm trọng khi xử lý ảnh X-quang có gradient cường độ biến thiên không đồng nhất và vùng khuyết thiếu giải phẫu (Nomir & Abdel-Mottaleb, 2005).

Trường phái học máy không giám sát dựa trên phân cụm mờ (Bezdek, 1981) giải quyết tính bất định và ranh giới mềm giữa các mô. Tuy nhiên, FCM chuẩn rất nhạy cảm với nhiễu do xem xét các điểm ảnh hoàn toàn độc lập. Để khắc phục, trường phái phân cụm bán giám sát mờ ra đời. Yasunori et al. (2009) đề xuất thuật toán SSSFC bổ sung thông tin độ thuộc định trước vào hàm mục tiêu:

$$J = \sum_{k=1}^N \sum_{j=1}^C |u_{kj} - \bar{u}_{kj}|^m |x_k - v_j|^2$$

Bouchachia và Pedrycz (2006) phát triển mô hình SSFCMBP khai thác nhãn lớp bán phần thông qua ma trận tương đồng trung gian. Yin (2012) hoàn thiện kỹ thuật phân cụm bán giám sát chính quy hóa Entropy (eSFCM) sử dụng khoảng cách Mahalanobis $d_A^2(x_k, v_j) = (x_k - v_j) A (x_k - v_j)^T$ với hàm mục tiêu:

$$J = \sum_{k=1}^N \sum_{j=1}^C u_{kj} |x_k - v_j|A^2 + \frac{1}{\alpha} \sum{k=1}^N \sum_{j=1}^C (u_{kj} - \bar{u}{kj}) \ln(u{kj} - \bar{u}_{kj})$$

Thuộc tính so sánh Mô hình Otsu (1975) FCM (Bezdek, 1981) SSSFC (Yasunori, 2009) eSFCM (Yin, 2012) Đề xuất của luận án (SSFC-SC / SSFC-FS)
Bản chất toán học Tách ngưỡng thống kê Phân cụm mờ tối ưu Lagrange Bán giám sát độ thuộc mờ Bán giám sát chính quy hóa Entropy Bán giám sát mờ đa mục tiêu kết hợp không gian
Khai thác không gian Không Không Không Không Cửa sổ không gian thích ứng + LBP
Cơ chế sinh độ thuộc tiên nghiệm Không áp dụng Khởi tạo ngẫu nhiên Giả định có sẵn Giả định có sẵn Tự động hóa qua mô hình lai Otsu-FCM
Phương pháp giải tối ưu Duyệt ngưỡng cực đại phương sai Lagrange bậc nhất Giải tích Lagrange Gradient / Lagrange Nhân tử Lagrange & Thỏa dụng mờ (Fuzzy Satisficing)
Độ bền vững với nhiễu y tế Rất thấp Thấp Trung bình Khá Cao vượt trội

Tranh luận học thuật cốt lõi diễn ra giữa quan điểm cho rằng thông tin tiên nghiệm phải do chuyên gia lâm sàng gán nhãn trực tiếp (Bouchachia & Pedrycz, 2006) và quan điểm tự động hóa trích xuất tri thức tiên nghiệm từ dữ liệu hình học (Lê Hoàng Sơn et al., 2013; Phạm Huy Thông & Lê Hoàng Sơn, 2015). Luận án định vị nghiên cứu tại giao điểm đột phá: tự động sinh tri thức bổ trợ thông qua quy trình lai ghép đa tầng, đồng thời mô hình hóa ràng buộc không gian cục bộ trực tiếp vào phương trình cân bằng năng lượng tối ưu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng lý thuyết phân cụm mờ của Bezdek (1981) và lý thuyết bán giám sát của Yasunori (2009), Yin (2012) qua ba đóng góp hình thức:

  1. Thiết lập mô hình phân cụm bán giám sát mờ có ràng buộc không gian (SSFC-SC): Xây dựng hàm mục tiêu kết hợp đồng thời độ đo khoảng cách thuộc tính mức xám, sai phân ma trận độ thuộc tiên nghiệm $\bar{u}_{kj}$ và tương quan không gian giữa các điểm lân cận trong cửa sổ thích ứng $N_k$:

$$J_{\text{SSFC-SC}} = \sum_{k=1}^N \sum_{j=1}^C u_{kj}^m |x_k - v_j|^2 + \gamma \sum_{k=1}^N \sum_{j=1}^C (u_{kj} - \bar{u}{kj})^m |x_k - v_j|^2 + \frac{\beta}{N_R} \sum{k=1}^N \sum_{j=1}^C u_{kj}^m \sum_{r \in N_k} |x_r - v_j|^2$$

  1. Chứng minh toán học nghiệm tối ưu Pareto thông qua hệ điều kiện dừng Karush-Kuhn-Tucker (KKT): Luận án dẫn xuất giải tích chính xác công thức cập nhật tâm cụm $v_j$ và ma trận độ thuộc $u_{kj}$, chứng minh tính hội tụ đơn điệu của dãy lặp nghiệm.

  2. Chuyển dịch hệ hình (Paradigm Shift) sang tối ưu hóa đa mục tiêu bằng thỏa dụng mờ (SSFC-FS): Thay vì gộp các thành phần hàm mục tiêu bằng trọng số nhân tử cố định (vốn phụ thuộc chủ quan vào người thực nghiệm), luận án chuyển đổi bài toán sang dạng quy hoạch đa mục tiêu tương tác dựa trên lý thuyết thỏa dụng mờ của Sakawa:

$$\min Z = [z_1(u, v), z_2(u, v), z_3(u, v)]^T$$

Trong đó $z_1$ đại diện cho sai số nội cụm, $z_2$ kiểm soát độ lệch với thông tin bổ trợ, và $z_3$ tối thiểu hóa độ phân tán không gian cục bộ. Nghiệm tối ưu Pareto được xác lập thông qua xây dựng bảng đánh giá hàm mục tiêu (pay-off table) và hàm thỏa dụng $\mu_i(z_i) = \frac{z_i^{\max} - z_i}{z_i^{\max} - z_i^{\min}}$.

graph TD
    subgraph Conceptual_Framework["Khung Phân tích Toàn diện"]
        T1["Lý thuyết Tập mờ & Khoảng cách Mahalanobis"]
        T2["Quy tắc Entropy & Thông tin Tiên nghiệm"]
        T3["Lý thuyết Thỏa dụng Mờ Đa mục tiêu"]
        
        T1 & T2 & T3 --> CoreModel["Mô hình Toán học SSFC-FS"]
        
        CoreModel --> Component1["Cập nhật Độ thuộc u_kj"]
        CoreModel --> Component2["Tối ưu Tọa độ Tâm cụm v_j"]
        CoreModel --> Component3["Đánh giá Thích nghi qua Chỉ số IFV"]
    end

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: Lý thuyết tập mờ (Zadeh, 1965), Lý thuyết entropy thông tin (Shannon, 1948) và Lý thuyết quyết định đa mục tiêu mờ. Tiếp cận này đặt ra các điều kiện biên chặt chẽ: tổng độ thuộc của mỗi pixel qua $C$ cụm bảo toàn bằng 1 ($\sum_{j=1}^C u_{kj} = 1$), tham số mờ hóa $m > 1$, và bán kính cửa sổ không gian lân cận $N_k$ được hiệu chỉnh động theo mật độ biên cục bộ để tránh làm nhòe các ranh giới giải phẫu quan trọng.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng diễn dịch (positivism paradigm), kết hợp phương pháp luận toán ứng dụng nghiêm ngặt và kiểm thử thực nghiệm trên hệ thống phần mềm tính toán hiệu năng cao. Quá trình thiết kế mô hình trải qua ba cấp độ phân tích: cấp độ điểm ảnh (pixel-level), cấp độ vùng giải phẫu (region-level) và cấp độ toàn thể hàm răng (image-level).

stateDiagram-v2
    [*] --> ThuThapAnh: 100+ Bệnh án X-quang Nha khoa
    ThuThapAnh --> TrichXuatDacTrung: Cường độ xám + LBP + Entropy
    TrichXuatDacTrung --> PhanTichDoiChung: Phân chia Tập Huấn luyện & Kiểm định
    PhanTichDoiChung --> ToiUuHoa: Chạy thuật toán FCM, eSFCM, SSFC-SC, SSFC-FS
    ToiUuHoa --> DanhGiaDoDo: Kiểm chứng PBM, DB, CH, BH, BR, SSWC
    DanhGiaDoDo --> [*]: Đưa vào Hệ thống Chẩn đoán DDS

Quy trình nghiên cứu

Tác giả thiết lập quy trình kiểm soát chất lượng dữ liệu và thuật toán nghiêm ngặt:

  • Chiến lược lấy mẫu: Bộ dữ liệu gồm hơn 100 ảnh X-quang nha khoa được phân loại theo các nhóm bệnh học chuẩn từ Viện Đào tạo Răng Hàm Mặt – Đại học Y Hà Nội, bao gồm các tiêu chí loại trừ nghiêm ngặt (loại bỏ ảnh gãy vỡ quang học nghiêm trọng, ảnh suy giảm độ phân giải dưới ngưỡng phân tích).
  • Trích xuất đặc trưng đa chiều: Mỗi pixel $x_k$ được biểu diễn bởi vector đặc trưng $r$-chiều tích hợp cường độ mức xám, toán tử kết cấu nhị phân cục bộ LBP ($P=8, R=1$), đặc trưng cạnh Gradient và Entropy vùng lân cận.
  • Quy trình sinh thông tin bổ trợ tự động (SSFC-FSAI): Tác giả xây dựng kho dữ liệu các hàm xác định ma trận bổ trợ $U^* = f(U_{\text{FCM}}, \text{Spatial Features})$, sử dụng chỉ số thích nghi thông tin hình ảnh (Image Feature Value - IFV) để tự động lựa chọn hàm bổ trợ tối ưu nhất cho từng loại ảnh đầu vào:

$$\text{IFV} = \frac{\text{Trace}(S_B)}{\text{Trace}(S_W)} \times \text{Entropy}(U)$$

Dữ liệu và phân tích

Toàn bộ thuật toán được lập trình và cài đặt trên môi trường MATLAB kết hợp C++ tối ưu hóa tính toán ma trận. Các chỉ số phân cụm chuẩn quốc tế được áp dụng đồng thời để thẩm định chất lượng phân đoạn:

  • Chỉ số Pakhira, Bandyopadhyay and Maulik (PBM).
  • Chỉ số Davies-Bouldin (DB).
  • Chỉ số Calinski-Harabasz (CH).
  • Chỉ số Ball and Hall (BH), Banfield-Raftery (BR) và Simplified Silhouette Width Criterion (SSWC).
  • Sai số trung bình tuyệt đối (MAE) và sai số bình phương trung bình (MSE).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của mô hình SSFC-SC có đặc trưng không gian: Trên toàn bộ tập dữ liệu thực nghiệm, thuật toán SSFC-SC với số cụm $C=3$ và $C=5$ cho giá trị chỉ số PBM cao hơn từ 18.4% đến 26.2% so với FCM truyền thống và cao hơn 12.1% so với eSFCM, chứng minh việc bổ sung thành phần không gian cục bộ triệt tiêu hiệu quả hiện tượng phân đoạn sai do nhiễu đốm (speckle noise).

  2. Tính tối ưu Pareto của thuật toán SSFC-FS: Khi giải nghiệm bằng phương pháp thỏa dụng mờ với các bộ tham số trọng số $(b_1, b_2, b_3)$ biến thiên từ $(0.2, 0.3, 0.5)$ đến $(0.5, 0.3, 0.2)$, thuật toán SSFC-FS hội tụ về nghiệm ổn định với chỉ số DB giảm trung bình 15.8% (chỉ số DB càng nhỏ cụm càng tách biệt rõ nét), vượt trội so với giải pháp dùng nhân tử Lagrange cố định.

  3. Khả năng tự thích ứng của cơ chế SSFC-FSAI: Kết quả đối soát giữa giá trị IFV lý thuyết và IFV thực nghiệm đạt hệ số tương quan tuyến tính $R^2 > 0.92$, khẳng định thuật toán lựa chọn chính xác hàm bổ trợ tương thích nhất với từng hình thái giải phẫu của răng cắn cánh hoặc răng toàn cảnh.

  4. Đột phá trong phân loại bệnh lý của hệ thống DDS: Kết hợp phân đoạn ảnh với thuật toán phân cụm lan truyền tích cực cải tiến (APC+) trong mô hình chẩn đoán Dental Diagnosis System cho độ chính xác nhận dạng bệnh lý vùng quanh răng đạt mức 89.6%, giảm tỷ lệ chẩn đoán sót tổn thương xương ổ răng so với phân tích đơn lẻ.

graph LR
    subgraph Multi_Dimensional_Implications["Hệ Thống Tác Động Đa Chiều"]
        direction TB
        TheoAdv["Tiến bộ Lý thuyết: Hoàn thiện mô hình mờ đa mục tiêu có ràng buộc không gian"]
        MethInnov["Đổi mới Phương pháp: Cơ chế tự sinh thông tin bổ trợ qua chỉ số IFV"]
        PractApp["Ứng dụng Thực tiễn: Hệ DDS hỗ trợ nha sĩ phát hiện sớm tổn thương ngầm"]
        PolImp["Khuyến nghị Chính sách: Chuẩn hóa quy trình AI trong chẩn đoán hình ảnh y tế"]
    end

Implications đa chiều

  • Về mặt học thuật lý thuyết: Đặt nền móng vững chắc cho việc giải quyết các bài toán phân cụm mờ phức tạp có ràng buộc không gian và thông tin bán giám sát không đầy đủ, đóng góp trực tiếp vào lý thuyết tối ưu hóa mờ ứng dụng.
  • Về mặt phương pháp luận: Quy trình tự động sinh thông tin bổ trợ từ thuật toán cấp thấp (Otsu/FCM) để định hướng thuật toán cấp cao (eSFCM/SSFC-FS) có thể chuyển giao trực tiếp sang các lĩnh vực thị giác máy tính khác như xử lý ảnh viễn thám, ảnh cộng hưởng từ MRI sọ não, hoặc ảnh siêu âm tim.
  • Về mặt thực tiễn y tế: Cung cấp công cụ phần mềm hỗ trợ đắc lực cho các bác sĩ chuyên khoa Răng Hàm Mặt, rút ngắn thời gian hội chẩn hình ảnh từ trung bình 15 phút xuống dưới 2 phút mỗi ca bệnh, đồng thời giảm thiểu sai sót chủ quan do mỏi mắt trong các ca trực dài.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, công trình vẫn tồn tại một số giới hạn học thuật cần được minh định rõ ràng:

  1. Ràng buộc về tài nguyên tính toán: Thuật toán SSFC-FS sử dụng quy trình lặp tương tác tìm nghiệm Pareto và cập nhật hàm thỏa dụng có độ phức tạp thời gian $O(t \cdot N \cdot C \cdot r \cdot |N_k|)$, cao hơn xấp xỉ 1.8 lần so với FCM chuẩn, đòi hỏi cấu hình phần cứng chuyên dụng khi xử lý ảnh kích thước siêu lớn.
  2. Kích thước mẫu dữ liệu 2D: Nghiên cứu chủ yếu tập trung trên ảnh X-quang 2 chiều (2D Radiography). Các cấu trúc giải phẫu bị chồng lấp (superimposition) trong không gian 3 chiều chưa được giải quyết triệt để như trên ảnh chụp cắt lớp vi tính chùm tia hình nón (CBCT - Cone Beam Computed Tomography).
  3. Mức độ phụ thuộc vào siêu tham số: Các trọng số điều chỉnh thành phần không gian $\beta$ và thành phần thông tin bổ trợ $\gamma$ trong mô hình SSFC-SC vẫn cần một số bước thử nghiệm tiền trạm để xác định khoảng giá trị tối ưu.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Mở rộng thuật toán SSFC-FS lên không gian tensor 3 chiều để phân đoạn trực tiếp khối dữ liệu ảnh cắt lớp nha khoa 3D CBCT.
  • Nghiên cứu tích hợp các mạng nơ-ron tích chập sâu (Deep Convolutional Neural Networks) với tầng phân cụm mờ bán giám sát (Deep Fuzzy Clustering) nhằm tự động học các biểu diễn đặc trưng không gian phức tạp.
  • Phát triển phiên bản thuật toán song song hóa trên kiến trúc vi xử lý đồ họa đa luồng (GPU CUDA) để đạt tốc độ xử lý thời gian thực (< 500ms/ảnh).

Tác động và ảnh hưởng

Luận án của TS. Trần Mạnh Tuấn tạo ra tiếng vang học thuật rõ nét với hệ thống 5 công trình công bố trên các tạp chí khoa học uy tín chuyên ngành trong nước và quốc tế (bao gồm các bài báo trên tạp chí quốc tế chuyên ngành tính toán mềm và hệ thống thông tin thông minh).

Về mặt kinh tế - xã hội, giải pháp phần mềm chẩn đoán DDS xây dựng từ kết quả của luận án mở ra khả năng thương mại hóa thành các mô-đun tích hợp trong các máy chụp X-quang kỹ thuật số thế hệ mới. Khi được triển khai tại các bệnh viện tuyến cơ sở, hệ thống giúp nâng cao năng lực sàng lọc bệnh lý răng miệng cộng đồng với chi phí hợp lý, tạo giá trị an sinh xã hội to lớn cho hàng triệu bệnh nhân.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu Toán tin: Tiếp cận mô hình toán học giải tích chi tiết, phương pháp giải tối ưu đa mục tiêu bằng thỏa dụng mờ và hệ thống chứng minh nghiệm chặt chẽ để mở rộng sang các bài toán tối ưu phân cụm khác.
  • Các nhà khoa học dữ liệu và Thị giác máy tính: Khai thác khung thuật toán SSFC-SC, SSFC-FS và cơ chế thích nghi IFV như một phương pháp baseline mạnh mẽ khi xử lý các tập dữ liệu có độ bất định và nhiễu phức tạp.
  • Bác sĩ và Kỹ thuật viên Chẩn đoán hình ảnh Răng Hàm Mặt: Sử dụng các phân đoạn giải phẫu có độ tin cậy cao để lập kế hoạch điều trị chỉnh nha, phẫu thuật cấy ghép Implant và điều trị nội nha chính xác.
  • Các doanh nghiệp MedTech: Thừa hưởng kiến trúc phần mềm phân tầng của hệ thống DDS để tích hợp vào các giải pháp PACS (Picture Archiving and Communication System) thương mại.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Trả lời: Đóng góp độc đáo nhất là việc thiết lập mô hình phân cụm bán giám sát mờ đa mục tiêu giải bằng lý thuyết thỏa dụng mờ (SSFC-FS), mở rộng trực tiếp lý thuyết phân cụm bán giám sát chính quy hóa Entropy (eSFCM) của Yin (2012) và phân cụm bán giám sát chuẩn (SSSFC) của Yasunori et al. (2009). Luận án đã phá vỡ rào cản gán trọng số tĩnh đơn mục tiêu bằng cách thiết lập hàm tương tác Pareto linh hoạt.

2. Đổi mới phương pháp luận nổi bật khi so sánh với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?
Trả lời: So với nghiên cứu của Bouchachia & Pedrycz (2006) vốn đòi hỏi nhãn lớp bán phần định trước từ con người, luận án tự động hóa hoàn toàn việc sinh ma trận bổ trợ qua chu trình lai Otsu-FCM. So với nghiên cứu của Rad, Rahim & Norouzi (2014) chỉ áp dụng phân ngưỡng Otsu đơn thuần trên ảnh nha khoa, luận án kết hợp đồng thời cấu trúc không gian thích ứng và đặc trưng kết cấu LBP, nâng cao chỉ số phân tách cụm PBM lên hơn 20%.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong quá trình kiểm thử?
Trả lời: Phát hiện về sự tương thích cao giữa hàm thông tin bổ trợ dựa trên độ đo phân tán Entropy với chỉ số thích nghi thực nghiệm IFV. Ngay cả khi chất lượng ảnh đầu vào bị suy giảm nghiêm trọng (độ tương phản thấp), cơ chế SSFC-FSAI vẫn tự động chọn đúng hàm bổ trợ tối ưu, giúp thuật toán duy trì độ chính xác phân đoạn vượt trội mà không bị phân mảnh cụm.

4. Luận án có cung cấp đầy đủ giao thức tái lập thực nghiệm (Replication Protocol) không?
Trả lời: Có. Toàn bộ giả mã thuật toán (Bảng 1.1 đến 2.3), công thức giải tích cập nhật ma trận độ thuộc, hệ số chuẩn hóa Mahalanobis, cùng bảng thống kê chi tiết các siêu tham số $(C, m, \beta, \gamma, \epsilon, \text{MaxStep})$ và bộ tiêu chuẩn đánh giá (PBM, DB, CH, BH, BR, SSWC, MAE, MSE) đều được mô tả chi tiết, minh bạch trong văn bản luận án.

5. Chương trình nghiên cứu 10 năm được định hình như thế nào?
Trả lời: Lộ trình 10 năm tập trung vào 3 trục chính: (1) Mở rộng giải thuật mờ đa mục tiêu cho dữ liệu thể tích 3D CBCT; (2) Tích hợp học sâu bán giám sát mờ (Deep Semi-Supervised Fuzzy Systems); (3) Chuẩn hóa lâm sàng diện rộng và nhúng hệ thống DDS vào thiết bị chẩn đoán nha khoa tại điểm chăm sóc (Point-of-Care).

Kết luận

Luận án Tiến sĩ Toán học của tác giả Trần Mạnh Tuấn đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 đóng góp mang tính hệ thống:

  1. Đề xuất thành công phương pháp phân đoạn ảnh nha khoa lai ghép Otsu-FCM-eSFCM, tận dụng triệt để thế mạnh tách vùng nhanh của Otsu và khả năng khử bất định của phân cụm mờ bán giám sát.
  2. Xây dựng thuật toán phân cụm bán giám sát mờ có ràng buộc đặc trưng không gian (SSFC-SC), kết hợp ma trận độ thuộc tiên nghiệm với cửa sổ không gian thích ứng và toán tử LBP.
  3. Phát triển thuật toán SSFC-FS giải bài toán tối ưu đa mục tiêu bằng phương pháp thỏa dụng mờ, cung cấp cơ sở toán học chặt chẽ để xác định tập nghiệm Pareto tối ưu trong phân đoạn ảnh.
  4. Thiết lập kho dữ liệu các hàm thông tin bổ trợ và tiêu chí IFV (SSFC-FSAI), giải quyết triệt để bài toán tự động hóa lựa chọn thông tin tiên nghiệm phù hợp cho từng ảnh X-quang.
  5. Hiện thực hóa thành công mô hình chẩn đoán nha khoa DDS tích hợp phân cụm APC+, mở ra hướng ứng dụng thực tiễn giá trị cao phục vụ ngành y tế nước nhà.

Công trình không chỉ khẳng định năng lực nghiên cứu toán học ứng dụng đỉnh cao của tác giả mà còn đóng góp một di sản học thuật quan trọng, thúc đẩy mạnh mẽ sự phát triển của chuyên ngành Cơ sở toán học cho tin học trong kỷ nguyên trí tuệ nhân tạo y tế.