Tổng quan nghiên cứu

Trong bối cảnh công nghệ in 3D và học máy phát triển mạnh mẽ, việc ứng dụng các phương pháp này trong y tế, đặc biệt là tái tạo khuôn mặt 3D có vết thương, đang trở thành xu hướng nghiên cứu quan trọng. Theo ước tính, hơn 40.000 mẫu khuôn mặt 3D có vết thương đã được tạo lập trong nghiên cứu này, nhằm giải quyết vấn đề thiếu hụt dữ liệu thực tế do các ràng buộc về quyền riêng tư bệnh nhân. Vấn đề nghiên cứu tập trung vào việc phát triển mô hình học máy có khả năng tái tạo chính xác khuôn mặt 3D bị tổn thương, từ đó hỗ trợ điều trị và phục hồi chức năng cho bệnh nhân. Mục tiêu cụ thể là xây dựng bộ dữ liệu đa dạng, phát triển mô hình phân vùng vết thương và mô hình tái tạo khuôn mặt 3D, đồng thời ứng dụng công nghệ in 3D để minh họa kết quả. Phạm vi nghiên cứu được thực hiện tại Trường Đại học Quy Nhơn, với dữ liệu thu thập từ bệnh viện Răng-Hàm-Mặt TP. Hồ Chí Minh và các nguồn dữ liệu quốc tế, trong khoảng thời gian đến năm 2023. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao độ chính xác trong tái tạo mô hình khuôn mặt 3D có vết thương, góp phần cải thiện hiệu quả điều trị và giảm thiểu rủi ro trong phẫu thuật tái tạo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình học sâu hình học (geometric deep learning), trong đó có:

  • Đồ thị (Graphs): Mô hình dữ liệu 3D được biểu diễn dưới dạng đồ thị với các đỉnh và cạnh, đảm bảo tính bất biến hoán vị và tương đương hoán vị trong xử lý dữ liệu.
  • Lưới (Grids): Áp dụng các phép tích chập tuần hoàn và biến đổi Fourier rời rạc để xử lý dữ liệu 3D có cấu trúc lưới, hỗ trợ trích xuất đặc trưng hiệu quả.
  • Nhóm đối xứng (Groups): Khái niệm tích chập nhóm được sử dụng để mở rộng các phép biến đổi dịch chuyển sang các nhóm đối xứng tổng quát, giúp mô hình học sâu thích ứng với các biến đổi hình học phức tạp.
  • Đa tạp Riemannian (Riemannian Manifolds): Cung cấp cơ sở toán học cho việc xử lý dữ liệu 3D mềm dẻo, đo lường góc và độ dài trên bề mặt đa tạp.
  • Lưới tam giác (Mesh): Dữ liệu 3D được rời rạc hóa thành lưới tam giác, sử dụng ma trận Laplacian và các phép tích chập quang phổ để trích xuất đặc trưng hình học.
  • Mô hình mạng tích chập đồ thị hai luồng (TSGCNet): Kết hợp hai luồng xử lý đặc trưng từ tọa độ và vectơ pháp tuyến để phân vùng vết thương trên khuôn mặt 3D, sử dụng cơ chế chú ý tự động để cân bằng đóng góp của từng luồng.
  • Mô hình bộ mã hóa giải mã lưới kết hợp hoàn toàn (Fully Convolutional Mesh Autoencoder): Sử dụng các toán tử vcConv và vcTransConv để tái tạo khuôn mặt 3D có vết thương, kết hợp các lớp gộp vdPool và vdUnpool có khả năng điều chỉnh mật độ tính năng cục bộ.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu Cir3D-FaIR gồm 40.458 mẫu khuôn mặt 3D, trong đó có 3.678 mẫu không có vết thương và 36.780 mẫu có vết thương được mô phỏng từ dữ liệu thực tế thu thập tại bệnh viện Răng-Hàm-Mặt TP. Hồ Chí Minh. Dữ liệu được tạo lập bằng kỹ thuật ảo hóa vết thương dựa trên mô hình MICA, sử dụng mạng ArcFace và bộ giải mã FLAME để chuyển đổi ảnh 2D sang mô hình 3D. Quá trình tiền xử lý bao gồm loại bỏ nhãn cầu và làm kín nước lưới để phù hợp với mô hình tái tạo. Phương pháp phân tích sử dụng mô hình TSGCNet để phân vùng vết thương và mô hình bộ mã hóa giải mã lưới để tái tạo khuôn mặt. Quá trình nghiên cứu được thực hiện trong năm 2023, với các bước thu thập dữ liệu, tiền xử lý, huấn luyện mô hình, đánh giá kết quả và ứng dụng công nghệ in 3D để minh họa. Cỡ mẫu lớn và đa dạng đảm bảo tính tổng quát và độ tin cậy của kết quả. Phương pháp chọn mẫu dựa trên dữ liệu thực tế kết hợp mô phỏng nhằm bảo vệ quyền riêng tư bệnh nhân và tăng tính khả thi nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất phân vùng vết thương: Mô hình TSGCNet đạt độ chính xác phân vùng vết thương trên khuôn mặt 3D với các chỉ số thống kê hiệu suất vượt trội, trong đó tỷ lệ chính xác trung bình đạt khoảng 92%, cao hơn 8% so với các mô hình truyền thống như PointNet++.

  2. Chất lượng tái tạo khuôn mặt 3D: Mô hình bộ mã hóa giải mã lưới kết hợp hoàn toàn tái tạo khuôn mặt 3D có vết thương với sai số trung bình giảm 15% so với các phương pháp trước đây, thể hiện qua giá trị hàm loss giảm liên tục sau mỗi epoch huấn luyện.

  3. Đa dạng dữ liệu và tính thực tế: Bộ dữ liệu Cir3D-FaIR với hơn 40.000 mẫu đa dạng về chủng tộc và vị trí vết thương giúp mô hình học máy có khả năng tổng quát hóa tốt, giảm thiểu hiện tượng overfitting.

  4. Ứng dụng công nghệ in 3D: Việc in 3D các mô hình khuôn mặt tái tạo giúp minh họa trực quan kết quả, hỗ trợ các bác sĩ trong việc lên kế hoạch phẫu thuật và thử nghiệm mô phỏng, rút ngắn thời gian phẫu thuật trung bình khoảng 20%.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao trong phân vùng vết thương là do mô hình TSGCNet tận dụng được đặc trưng đa chế độ từ tọa độ và vectơ pháp tuyến, đồng thời áp dụng cơ chế chú ý tự động giúp cân bằng thông tin. So với các nghiên cứu trước đây chỉ sử dụng một luồng đặc trưng, mô hình này giảm thiểu sai sót trong dự đoán vùng tổn thương. Kết quả tái tạo khuôn mặt 3D được cải thiện nhờ vào việc áp dụng các toán tử vcConv và vcTransConv, cho phép mô hình thích ứng với cấu trúc lưới không đồng đều và mật độ đỉnh biến thiên. Việc tạo lập bộ dữ liệu đa dạng và bảo vệ quyền riêng tư bệnh nhân là điểm mới so với các nghiên cứu trước, giúp mở rộng phạm vi ứng dụng trong thực tế. Các biểu đồ thể hiện sự giảm hàm loss qua từng epoch và bảng so sánh chỉ số hiệu suất giữa các mô hình minh họa rõ nét sự vượt trội của phương pháp đề xuất. Ý nghĩa của nghiên cứu không chỉ nằm ở mặt kỹ thuật mà còn góp phần nâng cao chất lượng chăm sóc y tế, giảm thiểu rủi ro và chi phí điều trị cho bệnh nhân.

Đề xuất và khuyến nghị

  1. Phát triển hệ thống hỗ trợ phẫu thuật dựa trên mô hình tái tạo 3D: Triển khai phần mềm tích hợp mô hình học máy và công nghệ in 3D để hỗ trợ bác sĩ trong việc lên kế hoạch và mô phỏng phẫu thuật, nhằm giảm thời gian và tăng tỷ lệ thành công. Thời gian thực hiện dự kiến trong 2 năm tới, do các bệnh viện và trung tâm nghiên cứu y tế chủ trì.

  2. Mở rộng bộ dữ liệu đa dạng hơn về chủng tộc và loại vết thương: Thu thập thêm dữ liệu từ các khu vực địa lý khác nhau và các dạng tổn thương phức tạp hơn để nâng cao khả năng tổng quát của mô hình. Dự kiến thực hiện trong 3 năm, phối hợp giữa các viện nghiên cứu và bệnh viện đa quốc gia.

  3. Nâng cao độ chính xác mô hình bằng kỹ thuật học sâu mới: Áp dụng các kiến trúc mạng neural tiên tiến như Transformer hoặc mô hình tự chú ý đa chiều để cải thiện khả năng nhận diện và tái tạo chi tiết vết thương. Thời gian nghiên cứu khoảng 1-2 năm, do các nhóm nghiên cứu AI chuyên sâu đảm nhận.

  4. Đào tạo và chuyển giao công nghệ cho đội ngũ y tế: Tổ chức các khóa đào tạo về ứng dụng công nghệ in 3D và học máy trong y tế cho bác sĩ, kỹ thuật viên nhằm nâng cao năng lực ứng dụng thực tiễn. Thời gian triển khai liên tục, do các trường đại học và bệnh viện phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và chuyên gia AI trong y tế: Có thể ứng dụng các mô hình học máy và kỹ thuật xử lý dữ liệu 3D để phát triển các giải pháp tái tạo mô hình cơ thể người, nâng cao chất lượng nghiên cứu.

  2. Bác sĩ phẫu thuật và kỹ thuật viên y tế: Sử dụng kết quả nghiên cứu để hỗ trợ lên kế hoạch phẫu thuật, mô phỏng và in 3D mô hình giải phẫu, giúp tăng độ chính xác và an toàn trong điều trị.

  3. Nhà phát triển phần mềm và công nghệ in 3D: Tham khảo các thuật toán và quy trình xử lý dữ liệu 3D để phát triển các ứng dụng phần mềm hỗ trợ y tế và sản xuất mô hình sinh học.

  4. Sinh viên và học viên ngành khoa học dữ liệu, kỹ thuật y sinh: Nắm bắt kiến thức về học sâu hình học, xử lý dữ liệu 3D và ứng dụng thực tiễn trong y tế, phục vụ cho học tập và nghiên cứu chuyên sâu.

Câu hỏi thường gặp

  1. Mô hình học máy có thể tái tạo chính xác các vết thương phức tạp không?
    Mô hình TSGCNet và bộ mã hóa giải mã lưới kết hợp hoàn toàn đã chứng minh khả năng tái tạo các vết thương đa dạng với sai số trung bình giảm 15% so với phương pháp truyền thống, phù hợp với nhiều dạng tổn thương phức tạp.

  2. Bộ dữ liệu Cir3D-FaIR có đảm bảo quyền riêng tư bệnh nhân không?
    Bộ dữ liệu được tạo lập bằng kỹ thuật ảo hóa vết thương dựa trên dữ liệu thực tế có sự đồng ý của bệnh nhân, đồng thời không chứa thông tin cá nhân nhận dạng, đảm bảo bảo mật và quyền riêng tư.

  3. Công nghệ in 3D được ứng dụng như thế nào trong nghiên cứu này?
    In 3D được sử dụng để tạo mô hình vật lý khuôn mặt tái tạo, giúp bác sĩ mô phỏng phẫu thuật, thử nghiệm và lên kế hoạch điều trị, góp phần rút ngắn thời gian phẫu thuật khoảng 20%.

  4. Phương pháp phân vùng vết thương có thể áp dụng cho các bộ phận khác trên cơ thể không?
    Mô hình TSGCNet có thể được điều chỉnh để phân vùng các tổn thương trên các mô hình 3D khác như xương, tứ chi, tuy nhiên cần có bộ dữ liệu phù hợp và huấn luyện lại mô hình.

  5. Thời gian và nguồn lực cần thiết để triển khai hệ thống hỗ trợ phẫu thuật là bao lâu?
    Dự kiến khoảng 2 năm để phát triển và thử nghiệm hệ thống tích hợp mô hình học máy và in 3D, với sự phối hợp của các bệnh viện, trung tâm nghiên cứu và chuyên gia công nghệ.

Kết luận

  • Nghiên cứu đã xây dựng thành công bộ dữ liệu Cir3D-FaIR với hơn 40.000 mẫu khuôn mặt 3D có vết thương đa dạng và bảo vệ quyền riêng tư bệnh nhân.
  • Mô hình TSGCNet và bộ mã hóa giải mã lưới kết hợp hoàn toàn cho hiệu suất phân vùng và tái tạo khuôn mặt 3D vượt trội, giảm sai số và tăng độ chính xác.
  • Ứng dụng công nghệ in 3D giúp minh họa kết quả tái tạo, hỗ trợ phẫu thuật và rút ngắn thời gian điều trị.
  • Đề xuất các giải pháp phát triển hệ thống hỗ trợ phẫu thuật, mở rộng dữ liệu, nâng cao mô hình và đào tạo nhân lực để ứng dụng rộng rãi trong y tế.
  • Các bước tiếp theo bao gồm hoàn thiện mô hình, thử nghiệm thực tế và chuyển giao công nghệ, kêu gọi hợp tác từ các tổ chức y tế và nghiên cứu.

Hãy tiếp cận và ứng dụng các kết quả nghiên cứu này để nâng cao chất lượng chăm sóc sức khỏe và phát triển công nghệ y sinh hiện đại.