Trích Xuất Mạch Vành và Phát Hiện Bất Thường Trên Mạch Vành Hỗ Trợ Trong Chẩn Đoán

Nghiên cứu trích xuất mạch vành, phát hiện bất thường hỗ trợ chẩn đoán bệnh tim mạch. Luận án tiến sĩ chuyên sâu về ứng dụng công nghệ trong y học.

• Tác giả: Lê Nhị Lãm Thúy
• Người hướng dẫn: PGS. Phạm Thế Bảo
• Trường học: Trường Đại Học Công Nghiệp Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Trích Xuất Mạch Vành Và Phát Hiện Bất Thường Trên Mạch Vành Hỗ Trợ Trong Chẩn Đoán
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• TÓM TẮT LUẬN ÁN TIẾN SĨ
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mô hình xử lý ảnh y khoa
• 1.2. Kết chương
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Phương pháp trích khung xương
• 2.2. Mạng neural nhân tạo
• 2.2.1. Kiến trúc tổng quát
• 2.2.2. Quá trình học
• 2.3. Mạng neural tích chập
• 2.3.1. Lớp tích chập. Lớp tổng hợp
• 2.3.2. Các thành phần cơ bản của mạng neural tích chập
• 2.5. Kết chương
• 3. CHƯƠNG 3: BÀI TOÁN PHÂN ĐOẠN MẠCH VÀNH
• 3.1. Các hướng tiếp cận
• 3.1.1. Hướng tiếp cận dựa trên các kỹ thuật nhận dạng mẫu
• 3.1.2. Hướng tiếp cận dựa trên mô hình
• 3.1.3. Hướng tiếp cận dựa trên thông minh nhân tạo
• 3.2. Mô hình đề xuất
• 3.3. Xây dựng mô hình
• 3.3.1. Trích mạch máu chính
• 3.3.2. Trích mạch máu thứ cấp
• 3.3.3. Tái tạo đầy đủ cây mạch máu
• 3.3.4. Phân đoạn mạch máu bằng Unet
• 3.5. Kết quả và đánh giá
• 3.6. Kết chương
• 4. CHƯƠNG 4: BÀI TOÁN PHÁT HIỆN BẤT THƯỜNG TRÊN MẠCH VÀNH
• 4.1. Các hướng tiếp cận
• 4.2. Đề xuất mô hình tổng quát
• 4.3. Hướng tiếp cận chưa tiền xử lý ảnh
• 4.3.1. Xây dựng thuật giải dựa trên kiến thức xử lý ảnh
• 4.4. Hướng tiếp cận tiền xử lý trích cạnh
• 4.4.1. Tiền xử lý trích cạnh
• 4.4.2. Phát hiện bất thường với thuật giải duyệt cạnh
• 4.4.3. Mô hình học sâu
• 4.5. Hướng tiếp cận mặt phẳng thông tin
• 4.5.1. Môi trường thực nghiệm
• 4.5.2. Chưa tiền xử lý trích cạnh
• 4.5.3. Tiền xử lý trích cạnh
• 4.5.4. Mặt phẳng thông tin
• 4.5.5. Kết quả phương pháp duyệt cạnh với dữ liệu chưa trích cạnh
• 4.5.6. Kết quả phương pháp duyệt cạnh với dữ liệu đã trích cạnh
• 4.5.7. Kết quả phương pháp học sâu với dữ liệu chưa trích cạnh
• 4.5.8. Kết quả phương pháp học sâu với dữ liệu đã trích cạnh với phương pháp Canny
• 4.5.9. Kết quả phương pháp học sâu với dữ liệu đã trích cạnh với phương pháp DexiNed
• 4.5.10. Kết quả phương pháp học sâu với dữ liệu mặt phẳng bit
• 4.5.11. Kết quả phương pháp học sâu với dữ liệu mặt phẳng màu
• 4.9. Kết chương
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.2. Hướng phát triển của luận án
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Phát Hiện Bất Thường Mạch Vành

Bệnh động mạch vành (CAD) là một thách thức lớn đối với sức khỏe toàn cầu, là nguyên nhân gây tử vong hàng đầu trên thế giới. Việc xác định các vùng bất thường như phình động mạch hoặc hẹp trên mạch máu có ý nghĩa then chốt trong chẩn đoán và điều trị. Quá trình này đòi hỏi bác sĩ có kinh nghiệm và mất nhiều thời gian. Theo WHO, bệnh tim mạch chiếm 32% số ca tử vong toàn cầu năm 2019, vượt xa bệnh ung thư. Tại Việt Nam, Bộ Y tế ghi nhận 200.000 ca tử vong mỗi năm do bệnh tim mạch, trong đó bệnh mạch vành đóng vai trò quan trọng. Nguyên nhân chủ yếu là sự tích tụ chất béo, canxi và mô sẹo, gây hẹp hoặc tắc nghẽn mạch vành. Phát hiện bất thường sớm có thể giúp bác sĩ đưa ra quyết định điều trị kịp thời. Luận án này tập trung vào việc phát triển các phương pháp trích xuất và phát hiện các bất thường trên mạch vành, sử dụng các kỹ thuật học máy và xử lý ảnh y tế để hỗ trợ bác sĩ chẩn đoán.

1.1. Mục Tiêu Nghiên Cứu Phân Đoạn Mạch Vành Tự Động

Luận án tập trung vào hai bài toán chính: phân đoạn mạch vành và phát hiện bất thường. Bài toán phân đoạn đóng vai trò nền tảng, cung cấp dữ liệu đầu vào cho bài toán phát hiện. Mục tiêu là xây dựng một hệ thống có khả năng tự động phân đoạn chính xác các mạch vành trên ảnh chụp, từ đó tạo điều kiện thuận lợi cho việc phát hiện bất thường.

1.2. Phạm Vi Nghiên Cứu Dữ Liệu Hình Ảnh Mạch Vành

Nghiên cứu sử dụng dữ liệu từ bệnh viện Đại học Quốc gia Chonnam, Hàn Quốc, bao gồm ảnh màu (màu xám) kích thước 512x512 từ 48 bệnh nhân. Dữ liệu đã được phê duyệt bởi hội đồng y đức và được sự đồng ý của bệnh nhân. Các phân tích chi tiết về dữ liệu và các phương pháp xử lý sẽ được trình bày cụ thể trong luận án. Dữ liệu hình ảnh mạch vành là yếu tố then chốt cho việc huấn luyện và đánh giá mô hình học máy.

II. Thách Thức Chẩn Đoán Bất Thường Trên Ảnh Mạch Vành

Việc phát hiện bất thường trên ảnh mạch vành là một thách thức lớn do sự phức tạp của cấu trúc mạch máu và sự khác biệt giữa các bệnh nhân. Các mạch vành có kích thước và hình dạng khác nhau, với các mạch chính có độ tương phản cao hơn so với các mạch thứ cấp. Một số mạch nhỏ có thể bị ngắt kết nối hoặc bị phá vỡ, gây khó khăn cho việc phân đoạn và phát hiện. Ngoài ra, sự chồng chéo của các mạch máu và sự nhiễu từ các cấu trúc xung quanh cũng làm tăng độ khó của bài toán. Do đó, cần có các phương pháp xử lý ảnh y tế và học máy hiệu quả để giải quyết những thách thức này. Mục tiêu là giảm thiểu thời gian chẩn đoán cho bác sĩ và nâng cao độ chính xác chẩn đoán bất thường mạch vành.

2.1. Độ Tương Phản Thấp Nhận Diện Mạch Máu Thứ Cấp

Một trong những khó khăn chính là độ tương phản thấp của các mạch máu thứ cấp so với nền. Điều này khiến cho việc phân đoạn chính xác trở nên khó khăn hơn, đặc biệt là đối với các thuật toán dựa trên ngưỡng. Cần có các kỹ thuật xử lý ảnh nâng cao để tăng cường độ tương phản và cải thiện khả năng nhận diện mạch máu.

2.2. Phân Mảnh Mạch Máu Xử Lý Đoạn Mạch Bị Ngắt Quãng

Sự phân mảnh của các mạch máu, đặc biệt là các mạch nhỏ, cũng là một vấn đề đáng quan tâm. Các đoạn mạch bị ngắt quãng có thể gây khó khăn cho việc xây dựng mô hình mạch vành hoàn chỉnh và phát hiện bất thường. Cần có các phương pháp để kết nối lại các đoạn mạch bị phân mảnh và khôi phục cấu trúc mạch máu.

2.3. Chồng Chéo Mạch Máu Tách Biệt Các Cấu Trúc Mạch

Sự chồng chéo của các mạch máu là một thách thức lớn trong việc phân tích hình ảnh mạch vành. Việc tách biệt các cấu trúc mạch chồng lên nhau đòi hỏi các thuật toán phức tạp và khả năng phân tích không gian tốt. Các phương pháp học sâu có thể được sử dụng để học các đặc trưng phức tạp và phân biệt giữa các mạch máu chồng chéo.

III. Phương Pháp Trích Xuất Mạch Vành Học Sâu Từ Thô Đến Mịn

Luận án đề xuất một phương pháp tiếp cận từ thô đến mịn dựa trên các mô hình học sâu để giải quyết bài toán phân đoạn mạch vành. Phương pháp này bắt đầu bằng việc trích xuất các mạch máu chính, sau đó tập trung vào việc trích xuất các mạch máu thứ cấp với độ chính xác cao hơn. Cuối cùng, các mạch máu được tái tạo để tạo thành một cây mạch máu hoàn chỉnh. Kỹ thuật U-Net đã được sử dụng để phân đoạn mạch máu, thể hiện ưu điểm vượt trội so với các phương pháp khác, giúp cải thiện độ chính xác chẩn đoán.

3.1. Trích Mạch Máu Chính Sử Dụng Mạng U Net Cơ Bản

Bước đầu tiên là sử dụng mạng U-Net để trích xuất các mạch máu chính. U-Net là một kiến trúc mạng nơ-ron tích chập được thiết kế đặc biệt cho các bài toán phân đoạn hình ảnh. Mạng U-Net cơ bản có thể cung cấp kết quả phân đoạn ban đầu, tạo tiền đề cho các bước trích xuất chi tiết hơn.

3.2. Trích Mạch Máu Thứ Cấp Tinh Chỉnh Mô Hình Học Sâu

Sau khi trích xuất các mạch máu chính, mô hình được tinh chỉnh để trích xuất các mạch máu thứ cấp. Quá trình tinh chỉnh có thể bao gồm việc điều chỉnh các tham số của mạng U-Net hoặc sử dụng các kỹ thuật tăng cường dữ liệu để cải thiện hiệu suất trên các mạch máu có độ tương phản thấp. Mục tiêu là tăng cường khả năng phân đoạn chính xác các mạch máu nhỏ và phức tạp.

3.3. Tái Tạo Cây Mạch Máu Kết Hợp Thông Tin Từ Các Mạch

Bước cuối cùng là tái tạo cây mạch máu hoàn chỉnh bằng cách kết hợp thông tin từ các mạch máu chính và thứ cấp. Quá trình tái tạo có thể bao gồm việc sử dụng các thuật toán đồ thị để kết nối các đoạn mạch bị phân mảnh và xây dựng một mô hình mạch vành thống nhất. Mô hình này sẽ cung cấp một cái nhìn toàn diện về cấu trúc mạch máu và hỗ trợ cho việc phát hiện bất thường.

IV. Thuật Toán Phát Hiện Bất Thường Duyệt Cạnh Học Sâu

Luận án đề xuất các thuật toán duyệt trên thành mạch vành đã được phân đoạn và sử dụng các mô hình học sâu khác nhau để phát hiện bất thường trên mạch vành. Nghiên cứu so sánh các phương pháp phát hiện khác nhau, bao gồm phương pháp duyệt cạnh và phương pháp học sâu, để đánh giá hiệu quả và độ chính xác. Mục tiêu cuối cùng là xây dựng một hệ thống phát hiện bất thường tự động và tin cậy, có thể giúp bác sĩ chẩn đoán bệnh tim mạch một cách nhanh chóng và chính xác hơn.

4.1. Duyệt Cạnh Mạch Vành Tìm Kiếm Vùng Bất Thường

Phương pháp duyệt cạnh sử dụng các thuật toán để duyệt qua các cạnh của mạch vành đã được phân đoạn và tìm kiếm các vùng có hình dạng hoặc kích thước bất thường. Các vùng bất thường có thể là dấu hiệu của hẹp mạch máu hoặc phình động mạch. Thuật toán duyệt cạnh có thể được kết hợp với các kỹ thuật xử lý ảnh để cải thiện độ chính xác phát hiện.

4.2. Học Sâu Cho Phát Hiện Xây Dựng Mô Hình Phân Loại

Phương pháp học sâu sử dụng các mạng nơ-ron tích chập (CNN) để học các đặc trưng từ ảnh mạch vành và phân loại các vùng thành bình thường hoặc bất thường. Các mô hình CNN có thể được huấn luyện trên một tập dữ liệu lớn các ảnh mạch vành đã được gán nhãn để cải thiện khả năng phát hiện.

4.3. Mặt Phẳng Thông Tin Tối Ưu Dữ Liệu Đầu Vào Học Sâu

Sử dụng các mặt phẳng thông tin như mặt phẳng bit và mặt phẳng màu để cung cấp dữ liệu đầu vào cho các mô hình học sâu, cho phép lựa chọn và tập trung vào các đặc trưng quan trọng nhất của ảnh, cải thiện hiệu suất phát hiện bất thường mạch vành.

V. Ứng Dụng Kết Quả Đánh Giá Hiệu Quả Chẩn Đoán AI

Các kết quả nghiên cứu đã được công bố trên 05 bài báo khoa học trên các tạp chí uy tín và hội nghị quốc tế, chứng minh tính khả thi và hiệu quả của phương pháp đề xuất. Nghiên cứu đánh giá hiệu quả của hệ thống trên bộ dữ liệu thử nghiệm. Các độ đo như độ chính xác, độ nhạy, độ đặc hiệu và AUC được sử dụng để đánh giá hiệu năng của hệ thống. Kết quả cho thấy hệ thống có khả năng phát hiện bất thường với độ chính xác cao, hỗ trợ bác sĩ trong quá trình chẩn đoán.

5.1. Công Bố Khoa Học Lan Tỏa Kết Quả Nghiên Cứu

Việc công bố các kết quả nghiên cứu trên các tạp chí uy tín và hội nghị quốc tế là một cách để lan tỏa các kết quả nghiên cứu đến cộng đồng khoa học và thu hút sự quan tâm của các nhà nghiên cứu khác. Điều này có thể dẫn đến sự hợp tác và phát triển hơn nữa trong lĩnh vực chẩn đoán bệnh tim mạch bằng AI.

5.2. Độ Đo Đánh Giá Độ Chính Xác Nhạy Đặc Hiệu

Việc sử dụng các độ đo tiêu chuẩn như độ chính xác, độ nhạy, độ đặc hiệu và AUC cho phép so sánh hiệu suất của hệ thống với các phương pháp khác. Các độ đo này cung cấp một cái nhìn toàn diện về khả năng của hệ thống trong việc phát hiện đúng các bất thường và loại bỏ các kết quả dương tính giả.

VI. Kết Luận Hướng Phát Triển Tương Lai Chẩn Đoán Mạch

Luận án đã trình bày một phương pháp tiếp cận hiệu quả để trích xuất và phát hiện bất thường mạch vành, sử dụng các kỹ thuật học máy và xử lý ảnh y tế. Phương pháp này có tiềm năng ứng dụng trong thực tế lâm sàng để hỗ trợ bác sĩ chẩn đoán bệnh tim mạch một cách nhanh chóng và chính xác hơn. Trong tương lai, nghiên cứu có thể được mở rộng để phân tích các loại ảnh y tế khác và phát triển các hệ thống chẩn đoán thông minh hơn.

6.1. Ứng Dụng Thực Tế Hỗ Trợ Bác Sĩ Chẩn Đoán

Ứng dụng chính của nghiên cứu là cung cấp một công cụ hỗ trợ chẩn đoán cho các bác sĩ tim mạch. Hệ thống có thể giúp bác sĩ phân tích các ảnh mạch vành một cách nhanh chóng và chính xác hơn, giảm thiểu thời gian chẩn đoán và cải thiện chất lượng dịch vụ chăm sóc sức khỏe.

6.2. Hướng Nghiên Cứu Tiếp Theo Phân Tích Các Loại Ảnh Y Tế

Trong tương lai, nghiên cứu có thể được mở rộng để phân tích các loại ảnh y tế khác, chẳng hạn như ảnh CT và MRI. Việc kết hợp thông tin từ nhiều loại ảnh y tế có thể cải thiện độ chính xác chẩn đoán và cung cấp một cái nhìn toàn diện hơn về sức khỏe của bệnh nhân.

Trích đoạn nội dung tài liệu

Chương 1 luận án sẽ trình bày tổng quan về ảnh y khoa và phương pháp chụp ảnh y khoa dựa trên đó để có phương pháp tổng quát xử lý ảnh y khoa. Từ kiến thức tổng quát sẽ trình bày chi tiết về ảnh mạch vành và bệnh lý về ảnh mạch vành làm tiền đề từ đó giải quyết bài toán “Phân đoạn và phát hiện bất thường trên mạch vành” dựa trên dữ liệu cụ thể từ Đại học Chonnam Hàn Quốc cung cấp. Với những nội dung trình bày được công bố một bài báo ở tạp chí thuộc danh mục hội đồng chức danh nhà nước công nhận [CT4].1 Ảnh y khoa Ảnh y khoa là ảnh với các kỹ thuật và quy trình được sử dụng để tạo ra ảnh của cơ thể người (hoặc các bộ phận của cơ thể) cho các mục đích lâm sàng khác nhau như các tiến trình và chẩn đoán y khoa bao gồm nghiên cứu về giải phẫu và chức năng bình thường. Theo nghĩa rộng hơn, nó là một phần của ảnh sinh học và kết hợp X quang, nội soi, máy đo nhiệt, chụp ảnh y khoa và kính hiển vi.

Các kỹ thuật đo lường và ghi chép như điện não đồ (Electro Encephalo Graphy – EEG) và ghi não từ tính (Magneto Encephalo Graphy – MEG) không chỉ chủ yếu được thiết kế để tạo ra ảnh mà còn tạo ra dữ liệu khả dĩ được biểu diễn dưới dạng bản đồ, dạng này cũng có thể được xem như dạng ảnh y khoa. Trong tình huống lâm sàng, ảnh y khoa thường được xem như X quang hoặc “ảnh lâm sàng”. Nghiên cứu ứng dụng và diễn giải ảnh y khoa thường là bảo tồn X quang và chuyên ngành y khoa liên quan đến tình trạng bệnh lý hoặc lĩnh vực khoa học y tế (khoa học thần kinh, tim mạch, tâm thần học, tâm lý học) đang được nghiên cứu. Nhiều kỹ thuật được phát triển cho ảnh y khoa cũng có các ứng dụng khoa học và công nghiệp.

Mặc dù toán học được sử dụng một cách tổng quát để xử lý ảnh, nhưng lại không có tầm ảnh hưởng nhiều trong lãnh vực y sinh học cho đến khi phát triển kỹ thuật chụp cắt lớp (Computed Tomography – CT) cho X-quang (dẫn đến chụp cắt lớp có sự hỗ trợ của máy tính hoặc CAT) và chụp cắt lớp phát xạ đồng vị (dẫn đến chụp cắt lớp phát xạ Positron hoặc quét PET và chụp cắt lớp phát xạ Positron đơn lẻ hoặc quét SPECT), sau đó MRI 4 (Magnetic Resonance Imaging – chụp cộng hưởng từ) thông dụng nhất so với các phương pháp [1]. Bên cạnh tất cả các kỹ thuật đã được thiết lập tốt này, nhiều phương pháp đang được nghiên cứu cho các ứng dụng của siêu âm và điện não cũng như các kỹ thuật mới về ảnh quang học, chụp cắt lớp trở kháng và ảnh nguồn từ. Mặc dù các ảnh cuối cùng thu được từ nhiều kỹ thuật có những điểm tương đồng nhưng công nghệ được sử dụng và các thông số biểu thị trong ảnh rất khác nhau về đặc điểm cũng như tính hữu dụng trong y khoa, thậm chí các mô hình toán học và thống kê khác nhau đã được sử dụng. Một số kỹ thuật đã được phát triển để cho phép phần mềm quét CT, MRI và siêu âm tạo ra ảnh 3D cho bác sĩ.

Thông thường, khi quét CT và MRI tạo ra ảnh 2D trên phim, sau đó sẽ nhiều lần để tạo ra ảnh 3D từ một mô hình xử lý [2]. Ảnh y khoa được các nhà khoa học xem là một phần của ảnh sinh học, đã được phát triển từ thế kỷ 19. Tổng quan ngắn gọn về ảnh y khoa như sau [3]: • Năm 1895, Roentgen tình cờ phát hiện ra tia X. Chụp X quang thông thường là kỹ thuật ảnh y khoa phổ biến nhất từ trước đến nay trong ngành khoa học.

Từ năm 1896, các hạt nhân phóng xạ được dùng để trị liệu và nghiên cứu chất đánh dấu trao đổi chất hơn là ảnh, sau đó máy quét tuyến tính ảnh bằng tia g được phát minh. • Trong Thế chiến thứ 2 công nghệ Sonar được dùng và vào năm 1970 thì sóng siêu âm đã trở nên phổ biến rộng rãi trong y khoa. • Vào thế kỷ 20, kiến thức toán học cho việc tái tạo ảnh chụp cắt lớp đã được hiểu và phương pháp chụp cắt lớp phát xạ positron (PET) và tia X được dùng chụp cắt lớp (CT) đã được phát triển. Cộng hưởng từ hạt nhân đã được sử dụng để tạo ảnh trong chụp cộng hưởng từ (MRI).

5 • Trong thế kỷ 21 những loại tia X, MRI, siêu âm tiếp tục được phát triển, đặc biệt là ảnh đang được đưa vào với kính hiển vi cũng như cấu trúc sinh học vĩ mô (ảnh nhiệt, chụp cắt lớp trở kháng điện, kỹ thuật quét đầu dò, v. Ảnh y khoa là ảnh thu được sau khi tương tác của tất cả các dạng bức xạ với mô và thiết kế các hệ thống kỹ thuật để trích xuất thông tin liên quan đến lâm sàng, sau đó được biểu diễn dưới dạng ảnh. Ảnh y khoa bao gồm từ đơn giản nhất như chụp X-quang ngực đến các ảnh phức tạp hiển thị các hiện tượng theo thời gian như ảnh cộng hưởng từ chức năng (fMRI). Những thập kỷ qua đã chứng kiến phát triển vượt bậc của một công nghệ mới, mạnh mẽ để phát hiện, lưu trữ, truyền, phân tích và hiển thị ảnh y khoa kỹ thuật số.

Công nghệ này đang giúp các nhà hóa sinh, nhà sinh học, nhà khoa học y tế và nhà vật lý học thu được các phép đo định lượng, tạo điều kiện thuận lợi cho việc xác nhận giả thuyết khoa học và chẩn đoán y khoa chính xác. Trong tương lai, việc thu thập thông tin chức năng và trao đổi chất cùng với thông tin cấu trúc (ảnh) sẽ được tăng cường. Điều này có thể được thực hiện ở một mức độ nào đó với máy đánh dấu phóng xạ (ví dụ PET) và quang phổ cộng hưởng từ [4].2 Mô hình xử lý ảnh y khoa Việc phân tích và giải thích các ảnh y khoa đại diện cho hai trong số các nhiệm vụ phức tạp và tương ứng nhất; thường bao gồm nhiều bước xử lý. Tuy nhiên, không khó để khái quát quy trình này cho tất cả các phương thức xử lý ảnh y khoa, và mô hình xử lý ba cấp kết quả được minh họa trong hình 1.

Tạo ảnh là bước đầu tiên trong hệ thống. Một số phương thức tạo ảnh như trình bày ở trên, chẳng hạn như tia X, hoặc như phương thức tính toán phát xạ photon đơn sử dụng tái tạo ảnh như một kỹ thuật xử lý ảnh. Xử lý ảnh được thực hiện theo hai bước: bước xử lý cấp thấp và bước xử lý cấp cao. Các bước thực hiện như lọc, tăng cường ảnh và phân đoạn, trích xuất đặc trưng và phân loại, các bước xử lý trực tiếp trên các điểm ảnh 6 thô, để đưa ra chẩn đoán.

Các nhiệm vụ quan trọng nhất liên quan đến cấp độ xử lý này là phân loại tính năng, phát hiện khối u và nói chung là chẩn đoán một số bệnh.1 Mô hình cho hệ thống chẩn đoán bằng ảnh y khoa [5]. Các hoạt động xử lý ảnh cơ bản có thể được phân thành năm loại: • Tiền xử lý: Tiền xử lý giúp hình dung rõ hơn các đường viền đối tượng có độ phân giải thấp. Các kỹ thuật phổ biến nhất bao gồm đăng ký ảnh chuyển động, chuyển đổi ảnh, bộ lọc hoặc toán tử Laplace. • Lọc: Lọc bao gồm tăng cường, làm nét và phát hiện cạnh.

Các kỹ thuật tăng cường bao gồm các bộ lọc tuyến tính hoặc phi tuyến, cục bộ hoặc toàn cục, hoặc dựa trên wavelet. Kỹ thuật làm nét có thể bao gồm các bộ lọc nghịch đảo hoặc Weiner. Các kỹ thuật phát hiện cạnh bao gồm biến đổi Haar, toán tử cục bộ, dự đoán và/hoặc các phương pháp phân loại. • Phân đoạn: Phân đoạn có thể vừa dựa trên vùng vừa dựa trên đường cong.

Có nhiều loại thuật toán phân đoạn khác nhau bao gồm các thuật toán cổ điển dựa trên vùng, thuật toán phân cụm, và mô hình phát hiện đường thẳng và cung tròn. Một vấn đề quan trọng trong ảnh y khoa là liệu có thể thực hiện phân đoạn cho 7 nhiều lĩnh vực khác nhau bằng cách sử dụng các phương pháp tổng quát từ dưới lên hay không khi mà không sử dụng bất kỳ kiến thức miền đặc biệt nào. • Mô hình hóa hình dạng: Mô hình hóa hình dạng được thực hiện dựa trên các tính năng có thể được sử dụng độc lập hoặc kết hợp với các phép đo kích thước. Đối với ảnh y khoa, đôi khi hữu ích khi mô tả hình dạng của một vật thể chi tiết hơn hình dạng được cung cấp bởi một tính năng đơn lẻ nhưng cô đọng hơn là được phản ánh trong chính ảnh vật thể đó.

Trong những trường hợp như vậy, bộ mô tả hình dạng thể hiện một cách nhỏ gọn hơn về hình dạng của một đối tượng. • Phân loại: Phân loại dựa trên việc lựa chọn đặc trưng, đặc điểm kết cấu và quyết định liên quan đến lớp đặc trưng. Mỗi bất thường hoặc bệnh, hoặc có dấu hiệu bệnh được công nhận là thuộc một nhóm cụ thể và việc công nhận được thực hiện như một quá trình phân loại.3 Mạch vành Động mạch vành phải và trái cung cấp máu cho tim [6], chúng là những nhánh đầu tiên của động mạch chủ, là động mạch chính trong cơ thể. Các động mạch này và các nhánh của chúng cung cấp máu cho tất cả các bộ phận của cơ tim.

Chúng giúp tim có thể đập và bơm máu đi khắp cơ thể. Mỗi nhánh chứa các nhánh nhỏ hơn đi sâu vào bên trong cơ tim. Mỗi động mạch chứa nhiều nhánh: • Động mạch vành phải (RCA): RCA cung cấp máu cho tâm nhĩ phải và tâm thất phải (nơi máu khử oxy đi trước khi đến phổi). Các nhánh của nó cung cấp cho các nút xoang nhĩ (SA) và nhĩ thất (AV).

Các nút này gửi tín hiệu điện qua tim, để cơ tim biết khi nào co bóp. Các nhánh của RCA cũng cung cấp máu cho một phần ba vách liên thất, là bức tường giữa hai ngăn dưới của tim. • Động mạch vành trái (LMCA): LMCA cung cấp máu cho tâm nhĩ trái và tâm thất trái. Đây là nơi máu đã được oxy hóa đến từ phổi trước khi tim bơm máu đến các phần còn lại của cơ thể.

Các nhánh của nó cung cấp máu cho 2/3 vách liên thất. 8 Cấu trúc của các nhánh động mạch vành thay đổi tùy theo từng người.