Nội suy ảnh trong hỗ trợ chẩn đoán hình ảnh

Chuyên khảo phân tích Nội suy ảnh trong hỗ trợ chẩn đoán hình ảnh, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Quốc Hưng
• Người hướng dẫn: PGS.TS Đỗ Năng Toàn
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nội Suy Ảnh Trong Hỗ Trợ Chẩn Đoán Hình Ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• MỞ ĐẦU
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ ẢNH Y TẾ VÀ BÀI TOÁN NỘI SUY ẢNH TRONG HỖ TRỢ CHẨN ĐOÁN HÌNH ẢNH
• 1.1. Khái quát về ảnh y tế
• 1.1.1. Giới thiệu ảnh y tế
• 1.1.2. Chuẩn ảnh y tế DICOM
• 1.2. Bài toán nội suy ảnh trong hỗ trợ chẩn đoán hình ảnh
• 1.2.1. Khái niệm nội suy ảnh
• 1.2.2. Hướng tiếp cận
• 2. CHƯƠNG 2: MỘT SỐ KỸ THUẬT NỘI SUY ẢNH TRONG HỖ TRỢ CHẨN ĐOÁN HÌNH ẢNH
• 2.1. Kỹ thuật nội suy các điểm ảnh láng giềng gần nhất
• 2.1.1. Phương pháp
• 2.2. Kỹ thuật nội suy lát cắt dựa trên cải tiến phép hợp nhất biến dạng cong
• 2.2.1. Phương pháp
• 2.3. Kỹ thuật nội suy tuyến tính
• 2.3.1. Phương pháp
• 2.4. Kỹ thuật nội suy song tuyến
• 2.4.1. Phương pháp
• 3. CHƯƠNG 3: CHƯƠNG TRÌNH THỬ NGHIỆM
• 3.1. Bài toán 1: Nội suy sinh lát cắt trung gian
• 3.1.1. Phát biểu bài toán
• 3.1.2. Phân tích chương trình
• 3.1.3. Các bước triển khai
• 3.1.4. Kết quả chương trình thử nghiệm 1
• 3.2. Bài toán 2: Dựng lát cắt theo chiều dọc (hoặc chiều ngang)
• 3.2.1. Phát biểu bài toán
• 3.2.2. Phân tích chương trình
• 3.2.3. Các bước triển khai
• 3.2.4. Kết quả chương trình thử nghiệm 2
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nội Suy Ảnh Y Tế Ứng Dụng tại ĐH Thái Nguyên

Trong bối cảnh công nghệ thông tin phát triển vượt bậc, xử lý ảnh y tế ngày càng đóng vai trò quan trọng trong chẩn đoán và điều trị bệnh. Đại học Thái Nguyên đang tích cực nghiên cứu và ứng dụng các kỹ thuật nội suy ảnh y tế để nâng cao chất lượng chẩn đoán hình ảnh. Phương pháp này không chỉ giúp tái tạo hình ảnh rõ nét hơn mà còn hỗ trợ các bác sĩ đưa ra những quyết định chính xác và kịp thời. Sự kết hợp giữa công nghệ và y học mở ra một tương lai đầy hứa hẹn cho ngành y tế, mang lại lợi ích to lớn cho cộng đồng. Việc ứng dụng AI trong chẩn đoán hình ảnh đang được đẩy mạnh, hứa hẹn những bước đột phá lớn. Ảnh y tế có sự khác biệt lớn so với ảnh thông thường, đòi hỏi các kỹ thuật xử lý chuyên biệt. Dữ liệu hình ảnh y tế được sử dụng thường xuyên để tái tạo lại hình ảnh bên trong cơ thể bệnh nhân để có thể phân biệt được các bộ phận liền kề nhau và phát hiện các tổn thương, từ đó đưa ra các chẩn đoán chính xác.

1.1. Giới thiệu chung về ảnh y tế và các đặc điểm cơ bản

Ảnh y tế, được tạo ra từ các thiết bị chẩn đoán hình ảnh như máy X-quang, CT, MRI, mang đến cái nhìn trực quan về cấu trúc bên trong cơ thể. Ảnh y tế có những đặc điểm riêng biệt so với ảnh thông thường. Ví dụ ảnh CT cần chỉ số Window/Level thích hợp để hiển thị rõ nét cấu trúc xương và mô. Thông tin chung như thông tin cá nhân bệnh nhân, loại ảnh và các chỉ số riêng của thiết bị cũng được lưu trữ kèm theo. Các thực thể tạo ảnh y tế khác nhau cung cấp các thông tin đặc tính riêng biệt về các cơ quan bên trong cơ thể hay của các tổ chức mô.

1.2. Chuẩn DICOM trong lưu trữ và truyền tải ảnh y tế

DICOM (Digital Imaging and Communications in Medicine) là chuẩn ảnh y tế phổ biến, đảm bảo khả năng tương thích giữa các thiết bị và hệ thống khác nhau. Chuẩn DICOM bao gồm các thành phần như nghi thức thực hiện, định nghĩa đối tượng thông tin (IOD), định nghĩa lớp dịch vụ (Service Class Definitions), cấu trúc dữ liệu và mã hóa (Data Structure and Encoding). DICOM cho phép việc tích hợp dễ dàng các máy thu nhận hình ảnh, server, trạm làm việc, máy in và các thiết bị phần cứng khác có nối mạng từ các nhà sản xuất khác nhau vào trong hệ thống PACS.

II. Thách Thức Vì Sao Cần Nội Suy Ảnh Trong Chẩn Đoán Hình Ảnh

Trong thực tế, hình ảnh thu được từ các thiết bị y tế thường có độ phân giải hạn chế hoặc bị nhiễu. Điều này gây khó khăn cho việc chẩn đoán chính xác và toàn diện. Nội suy ảnh đóng vai trò quan trọng trong việc cải thiện chất lượng hình ảnh, giảm thiểu nhiễu và tăng độ phân giải, giúp bác sĩ dễ dàng phát hiện các dấu hiệu bất thường. Ứng dụng nội suy ảnh trong y học giải quyết bài toán về khoảng cách giữa các lát cắt, cho phép tái tạo hình ảnh 3D chính xác hơn. Bên cạnh đó, kỹ thuật nội suy ảnh còn giúp giảm thiểu liều lượng phóng xạ cho bệnh nhân trong quá trình chụp chiếu. Nội suy ảnh có thể hiểu là phương pháp xây dựng các điểm mới dữ liệu trong phạm vi của tập hợp những điểm rời rạc dữ liệu đã biết. Trong khoa học và kỹ thuật có một số điểm thu được bằng việc lấy mẫu hay thí nghiệm, sau đó ta xây dựng một chức năng cho gần gũi phù hợp với những điểm đó.

2.1. Các yếu tố ảnh hưởng đến chất lượng hình ảnh y học

Chất lượng hình ảnh y tế chịu ảnh hưởng bởi nhiều yếu tố như độ phân giải của thiết bị, nhiễu, và khoảng cách giữa các lát cắt. Độ phân giải thấp làm mờ các chi tiết nhỏ, gây khó khăn trong việc phát hiện các tổn thương nhỏ. Nhiễu có thể làm sai lệch thông tin hình ảnh, dẫn đến chẩn đoán sai. Khoảng cách lớn giữa các lát cắt làm giảm độ chính xác của việc tái tạo hình ảnh 3D. Các yếu tố này cần được xem xét kỹ lưỡng để tối ưu hóa quá trình chẩn đoán hình ảnh.

2.2. Bài toán nội suy ảnh và vai trò trong khắc phục hạn chế

Bài toán nội suy ảnh tập trung vào việc ước tính các giá trị pixel tại các vị trí không có dữ liệu thực tế. Bằng cách sử dụng các thuật toán nội suy khác nhau, có thể tạo ra các hình ảnh có độ phân giải cao hơn, giảm nhiễu và lấp đầy khoảng trống giữa các lát cắt. Điều này giúp cải thiện đáng kể chất lượng hình ảnh y tế và hỗ trợ bác sĩ trong việc đưa ra các quyết định chẩn đoán chính xác hơn. Luận văn tập trung vào vấn đề nội suy sinh lát cắt trung gian giữa hai lát cắt đã biết nhằm nâng cao chất lượng hiển thị ảnh y tế cũng như phục vụ quá trình tái cấu trúc mô hình 3D dựa trên những lát cắt 2D thu được từ những thiết bị chẩn đoán hình ảnh.

III. Cách Ứng Dụng Các Kỹ Thuật Nội Suy Ảnh Phổ Biến Nhất Hiện Nay

Có nhiều phương pháp nội suy ảnh khác nhau, mỗi phương pháp có ưu và nhược điểm riêng. Các phương pháp phổ biến bao gồm nội suy láng giềng gần nhất, nội suy tuyến tính, nội suy song tuyến, và nội suy đa thức. Lựa chọn phương pháp nội suy phù hợp phụ thuộc vào yêu cầu cụ thể của từng ứng dụng, ví dụ, độ chính xác, tốc độ xử lý, và khả năng giảm nhiễu. Đại học Thái Nguyên đang nghiên cứu các phương pháp nội suy tiên tiến để ứng dụng trong các hệ thống chẩn đoán hình ảnh hiện đại. Một số kỹ thuật nội suy ảnh trong hỗ trợ chẩn đoán hình ảnh: Kỹ thuật nội suy các điểm ảnh láng giềng gần nhất, kỹ thuật nội suy lát cắt dựa trên cải tiến phép hợp nhất biến dạng cong, kỹ thuật nội suy tuyến tính, kỹ thuật nội suy song tuyến.

3.1. Tìm hiểu kỹ thuật nội suy láng giềng gần nhất

Kỹ thuật nội suy láng giềng gần nhất là phương pháp đơn giản nhất, gán giá trị của pixel gần nhất cho pixel cần nội suy. Ưu điểm của phương pháp này là tốc độ xử lý nhanh, nhưng chất lượng hình ảnh thường không cao do tạo ra các răng cưa. Kỹ thuật này phù hợp cho các ứng dụng không yêu cầu độ chính xác cao và cần tốc độ xử lý nhanh chóng. Kỹ thuật này được sử dụng trong xử lý ảnh y tế nói chung và trong hỗ trợ chuẩn đoán hình ảnh nói riêng.

3.2. Phương pháp nội suy tuyến tính và ứng dụng trong y tế

Nội suy tuyến tính sử dụng các giá trị của hai pixel lân cận để tính toán giá trị nội suy. Phương pháp này cho chất lượng hình ảnh tốt hơn so với nội suy láng giềng gần nhất, nhưng tốc độ xử lý chậm hơn. Nội suy tuyến tính thường được sử dụng trong các ứng dụng yêu cầu độ chính xác cao hơn, chẳng hạn như tái tạo hình ảnh 3D từ các lát cắt 2D. Trong xử lý ảnh, phép nội suy ảnh thường được sử dụng trong các công đoạn như bóp méo, nắn chỉnh, lấp lỗ hổng...

3.3. Đánh giá ưu và nhược điểm của nội suy song tuyến

Nội suy song tuyến là phương pháp sử dụng các giá trị của bốn pixel lân cận để tính toán giá trị nội suy. Phương pháp này cho chất lượng hình ảnh tốt hơn so với nội suy tuyến tính, nhưng tốc độ xử lý chậm hơn nữa. Nội suy song tuyến thường được sử dụng trong các ứng dụng yêu cầu chất lượng hình ảnh cao, chẳng hạn như hiển thị hình ảnh y tế cho mục đích chẩn đoán.

IV. Nghiên Cứu Ứng Dụng Nội Suy Ảnh tại Đại Học Thái Nguyên Kết Quả

Đại học Thái Nguyên đã triển khai nhiều nghiên cứu về ứng dụng nội suy ảnh trong chẩn đoán hình ảnh. Các nghiên cứu này tập trung vào việc phát triển các thuật toán nội suy tiên tiến, tối ưu hóa các tham số nội suy, và đánh giá hiệu quả của các phương pháp nội suy khác nhau trong các ứng dụng y tế cụ thể. Kết quả cho thấy rằng nội suy ảnh có thể cải thiện đáng kể chất lượng hình ảnh y tế, hỗ trợ bác sĩ trong việc phát hiện các tổn thương nhỏ và đưa ra các quyết định chẩn đoán chính xác hơn.

4.1. Cài đặt mô phỏng bài toán nội suy sinh lát cắt trung gian

Nghiên cứu tập trung vào cài đặt mô phỏng bài toán nội suy sinh lát cắt trung gian, một kỹ thuật quan trọng trong tái tạo hình ảnh 3D từ các lát cắt 2D. Bằng cách tạo ra các lát cắt trung gian, có thể tăng độ mịn và độ chính xác của mô hình 3D. Các kết quả cho thấy việc sử dụng nội suy sinh lát cắt trung gian giúp cải thiện đáng kể chất lượng hình ảnh 3D.

4.2. Ứng dụng nội suy sinh lát cắt dựng lát cắt theo chiều dọc

Nghiên cứu cũng khám phá ứng dụng của nội suy sinh lát cắt trong việc dựng lát cắt theo chiều dọc hoặc chiều ngang. Kỹ thuật này cho phép xem xét các cấu trúc bên trong cơ thể từ nhiều góc độ khác nhau, giúp bác sĩ có cái nhìn toàn diện hơn về tình trạng bệnh lý. Các kết quả cho thấy việc sử dụng nội suy sinh lát cắt giúp tạo ra các hình ảnh rõ nét và chi tiết hơn.

V. Bí Quyết Tối Ưu Độ Chính Xác Chẩn Đoán nhờ Nội Suy Ảnh

Để đạt được độ chính xác chẩn đoán cao nhất, cần lựa chọn phương pháp nội suy ảnh phù hợp, tối ưu hóa các tham số nội suy, và kết hợp nội suy ảnh với các kỹ thuật xử lý ảnh khác như lọc nhiễu và tăng cường độ tương phản. Bên cạnh đó, việc đào tạo và nâng cao trình độ chuyên môn cho các kỹ thuật viên và bác sĩ về nội suy ảnh cũng đóng vai trò quan trọng. Nội suy ảnh không chỉ là một công cụ kỹ thuật, mà còn là một phần quan trọng của quy trình chẩn đoán hình ảnh hiện đại.

5.1. Lựa chọn thuật toán nội suy phù hợp với từng loại ảnh

Việc lựa chọn thuật toán nội suy phù hợp phụ thuộc vào nhiều yếu tố, bao gồm loại hình ảnh, độ phân giải, và yêu cầu về độ chính xác. Các thuật toán đơn giản như nội suy láng giềng gần nhất phù hợp cho các ứng dụng không yêu cầu độ chính xác cao, trong khi các thuật toán phức tạp hơn như nội suy song tuyến và nội suy đa thức phù hợp cho các ứng dụng yêu cầu chất lượng hình ảnh cao.

5.2. Kết hợp nội suy ảnh với các kỹ thuật xử lý ảnh khác

Nội suy ảnh thường được kết hợp với các kỹ thuật xử lý ảnh khác như lọc nhiễu, tăng cường độ tương phản, và phân đoạn ảnh để cải thiện chất lượng hình ảnh và hỗ trợ quá trình chẩn đoán. Việc kết hợp các kỹ thuật này một cách hiệu quả có thể giúp bác sĩ phát hiện các tổn thương nhỏ và đưa ra các quyết định chẩn đoán chính xác hơn.

VI. Tiềm Năng Hướng Phát Triển Nội Suy Ảnh Y Tế tại ĐH Thái Nguyên

Với sự phát triển không ngừng của công nghệ, nội suy ảnh y tế hứa hẹn sẽ có những bước tiến vượt bậc trong tương lai. Các hướng nghiên cứu tiềm năng bao gồm phát triển các thuật toán nội suy dựa trên trí tuệ nhân tạo (AI), tích hợp nội suy ảnh vào các hệ thống chẩn đoán hình ảnh tự động, và ứng dụng nội suy ảnh trong các lĩnh vực y tế mới như y học cá nhân hóa và phẫu thuật có hướng dẫn. Đại học Thái Nguyên có tiềm năng lớn để trở thành một trung tâm nghiên cứu hàng đầu về nội suy ảnh y tế tại Việt Nam.

6.1. Ứng dụng trí tuệ nhân tạo AI trong phát triển thuật toán nội suy

Trí tuệ nhân tạo (AI) đang được ứng dụng rộng rãi trong nhiều lĩnh vực, và nội suy ảnh không phải là ngoại lệ. Các thuật toán nội suy dựa trên AI có khả năng học hỏi từ dữ liệu và tự động tối ưu hóa các tham số nội suy, giúp cải thiện đáng kể chất lượng hình ảnh. Việc ứng dụng AI trong chẩn đoán hình ảnh mở ra những cơ hội mới cho việc phát triển các hệ thống chẩn đoán tự động và chính xác hơn.

6.2. Nghiên cứu và phát triển phần mềm nội suy ảnh y tế chuyên dụng

Việc phát triển phần mềm nội suy ảnh y tế chuyên dụng là một hướng đi quan trọng để đưa các kết quả nghiên cứu vào thực tiễn. Phần mềm này cần được thiết kế để dễ sử dụng, có khả năng xử lý nhiều loại hình ảnh khác nhau, và tích hợp với các hệ thống chẩn đoán hình ảnh hiện có. Phần mềm này sẽ giúp các kỹ thuật viên và bác sĩ thực hiện nội suy ảnh một cách nhanh chóng và hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa y tế, các thiết bị chẩn đoán hình ảnh như chụp cắt lớp vi tính (CT), cộng hưởng từ (MRI) và X-quang đóng vai trò quyết định với khoảng 80% kết luận bệnh lý lâm sàng dựa vào kết quả hình ảnh. Nghiên cứu thực nghiệm chứng minh thị giác tiếp nhận tới 99% lượng thông tin về thế giới quan xung quanh, do đó hình ảnh y tế đòi hỏi mức độ chính xác tuyệt đối. Tuy nhiên, các dòng máy chụp hiện nay thường xuất dữ liệu dưới dạng các lát cắt 2 chiều rời rạc với độ dày khoảng cách từ 0.5 mm đến 5.0 mm. Khoảng cách vật lý này tạo ra các vùng trống thông tin, gây hiện tượng răng cưa và biến dạng bậc thang nghiêm trọng khi dựng lại không gian 3 chiều hoặc tái tạo đa mặt phẳng (Multi Planar Reformat - MPR).

Đề tài tập trung giải quyết bài toán nội suy ảnh y tế nhằm sinh các lát cắt trung gian và tái tạo hình ảnh lát cắt theo chiều dọc, chiều ngang từ dữ liệu không gian 2D ban đầu. Mục tiêu cụ thể là nghiên cứu các thuật toán nội suy kinh điển kết hợp mô hình biến dạng phi tuyến, từ đó xây dựng chương trình thử nghiệm có khả năng tự động xử lý tập tin chuẩn DICOM. Nghiên cứu được triển khai thực nghiệm vào năm 2017 tại Bệnh viện Đa khoa tỉnh Ninh Bình kết hợp với Khoa Công nghệ thông tin thuộc Trường Đại học Công nghệ thông tin và Truyền thông - Đại học Thái Nguyên. Kết quả đề tài mang ý nghĩa thực tiễn lớn khi giúp tối ưu hóa từ 60% đến 70% chi phí đầu tư nâng cấp phần cứng chụp chuyên dụng, cải thiện độ mịn hiển thị và nâng cao độ chính xác trong phát hiện tổn thương mô mềm, khối u sọ não và bệnh lý cột sống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng định lý lấy mẫu Nyquist-Shannon và hàm nội suy lý tưởng Sinc làm nền tảng toán học để chuyển đổi tín hiệu ảnh liên tục sang biểu diễn ma trận rời rạc. Theo chuyên gia Robert G. Keys: "Nội suy là quá trình ước tính giá trị trung gian của một biến liên tục từ các mẫu rời rạc". Khung lý thuyết của luận văn tích hợp 2 mô hình toán học cốt lõi: mô hình biến đổi hình học không gian 2 chiều và lý thuyết tối ưu hóa phi tuyến Euler-Lagrange.

Các khái niệm chuyên ngành then chốt bao gồm:

1. Chuẩn ảnh y tế DICOM (Digital Imaging and Communications in Medicine): Chuẩn truyền thông và cấu trúc dữ liệu y khoa ra đời năm 1985 bởi ACR và NEMA, hoàn thiện ở phiên bản V3.0 năm 1993/1999 với cấu trúc Header chuẩn hóa từ 128 byte Preamble, 4 byte định danh "DICM" và tập dữ liệu Data Set chứa các Data Element theo cú pháp Little Endian hoặc Big Endian.
2. Cặp dịch vụ và đối tượng SOP (Service Object Pair) cùng định nghĩa đối tượng thông tin IOD (Information Object Definition).
3. Độ sáng và độ tương phản Window/Level: Thông số kỹ thuật hiển thị mức xám của từng cấu trúc xương và mô bệnh lý.
4. Phép đo tổng bình phương sai phân SSD (Sum of Squared Differences) kết hợp hàm đo độ mịn biến dạng cong.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp chọn mẫu phi xác suất có chủ đích (purposive sampling), thu thập 50 bộ dữ liệu quét cắt lớp CT sọ não và MRI cột sống thắt lưng định dạng DICOM chuẩn quốc tế với kích thước ma trận phổ biến $512 \times 512$ điểm ảnh và $109 \times 91 \times 2$ byte. Phương pháp phân tích định lượng được lựa chọn vì tính chính xác cao trong việc đo đạc sai số cường độ mức xám và đánh giá độ sắc nét đường biên giải phẫu.

Quy trình nghiên cứu kéo dài trong 24 tháng (từ tháng 6 năm 2015 đến tháng 6 năm 2017) với 3 giai đoạn chính:

• Giai đoạn 1 (tháng 6/2015 - tháng 5/2016): Khảo sát thực địa, giải mã cấu trúc dữ liệu DICOM, nghiên cứu các mô hình giải thuật toán học.
• Giai đoạn 2 (tháng 6/2016 - tháng 1/2017): Thiết kế thuật toán, xây dựng công cụ trích xuất dữ liệu DicomDecoder.cs và từ điển tag Dictionary.cs.
• Giai đoạn 3 (tháng 2/2017 - tháng 6/2017): Lập trình hệ thống mô phỏng bằng ngôn ngữ C# trên nền tảng .NET Framework, thực nghiệm kiểm thử và đánh giá hiệu năng thuật toán.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích và thử nghiệm trên tập dữ liệu ảnh y tế thực tế đã ghi nhận 4 phát hiện quan trọng:

1. Kỹ thuật nội suy láng giềng gần nhất (Nearest Neighbor) có thời gian xử lý nhanh nhất với độ phức tạp thuật toán thấp, tuy nhiên gây ra hiện tượng răng cưa khối lên đến 100% khi phóng đại kích thước trên 200%. Mặc dù vậy, phương pháp này thể hiện hiệu quả vượt trội khi phóng đại tỷ lệ 4/3 (tương đương 1.33 lần) ảnh chụp cảm biến CCD trong chẩn đoán phản xạ Purkinje mắt mà không làm biến đổi dữ liệu gốc.
2. Kỹ thuật nội suy song tuyến (Bilinear) và nội suy tuyến tính (Linear) giúp làm mịn hình ảnh khi phóng đại 800% trong chẩn đoán hẹp ống sống thắt lưng hoặc xoay ảnh MRI 45 độ, song vẫn còn xuất hiện vệt mờ tại các đường biên có độ tương phản cao.
3. Kỹ thuật nội suy cải tiến dựa trên hợp nhất biến dạng cong (phiên bản đối xứng 2 chiều với bước thời gian $\tau = 0.1$) cho chất lượng lát cắt trung gian tối ưu nhất, loại bỏ hoàn toàn tính bất đối xứng của mô hình đơn hướng truyền thống và bảo toàn sắc nét cấu trúc mô mềm.
4. Ứng dụng thực nghiệm trên nền tảng C# đã phân tích chính xác 100% thông tin Header bệnh nhân và tái tạo thành công lát cắt MPR dọc/ngang từ tập hợp $n$ lát cắt ban đầu.

Thảo luận kết quả

Nguyên nhân kỹ thuật nội suy biến dạng cong cải tiến đạt kết quả vượt trội nằm ở việc thiết lập hàm năng lượng biến đổi đối xứng cho cả 2 lát cắt đầu vào $R_1$ và $R_2$, đồng thời tích hợp phương trình đạo hàm Euler-Lagrange PDE với điều kiện biên Neuman để kiểm soát độ mịn của trường biến dạng $u$.

Khi so sánh với các công trình trước đây như hệ thống Vdoctor (2004) của Đại học Bách khoa Hà Nội hay các đề tài tái tạo 3D của Viện Hàn lâm Khoa học và Công nghệ Việt Nam, giải pháp của luận văn có ưu thế rõ rệt về tính linh hoạt, khả năng độc lập phần cứng và tiết kiệm bộ nhớ tính toán.

Dữ liệu thực nghiệm của nghiên cứu có thể được tổng hợp trực quan qua bảng đối sánh hiệu năng và biểu đồ phân tích chất lượng sau đây:

Phương pháp nội suy	Thời gian xử lý trung bình (ms)	Hiện tượng răng cưa	Độ mịn biên giải phẫu	Mức độ phù hợp tái cấu trúc 3D
Láng giềng gần nhất	Dưới 15 ms	Rất cao (100%)	Kém	Không khuyến nghị
Tuyến tính	Khoảng 25 ms	Trung bình	Khá (có vệt mờ)	Trung bình
Song tuyến	Khoảng 40 ms	Thấp	Tốt	Khá
Biến dạng cong cải tiến	Khoảng 120 ms	Không đáng kể	Xuất sắc	Rất cao

Đề xuất và khuyến nghị

Dựa trên kết quả 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:

1. Tích hợp module nội suy biến dạng cong vào hệ thống PACS bệnh viện: Đội ngũ kỹ sư công nghệ thông tin y tế cần tiến hành nâng cấp phần mềm quản lý hình ảnh tại các bệnh viện tuyến tỉnh, mục tiêu nâng độ mịn phân giải lát cắt lên 200%, lộ trình hoàn thành trong vòng 6 tháng.
2. Chuẩn hóa quy trình hiệu chỉnh Window/Level tự động: Khoa Chẩn đoán hình ảnh phối hợp cùng phòng công nghệ thông tin thiết lập bảng thông số tương phản chuẩn cho từng ca chụp CT sọ não và MRI cột sống, giảm 25% thời gian thao tác của bác sĩ, thực hiện trong 3 tháng.
3. Tối ưu hóa thuật toán bằng xử lý tính toán song song: Các nhóm nghiên cứu viện - trường cần triển khai giải thuật sai phân hữu hạn và tích chập ma trận trên phần cứng GPU (CUDA/OpenCL), mục tiêu cắt giảm thời gian nội suy xuống dưới 50 ms/lát cắt, hoàn thành trong 9 tháng.
4. Mở rộng mô hình tái tạo 3D hoàn chỉnh: Cơ quan quản lý y tế và các trường đại học chuyên ngành cần tài trợ dự án phát triển phần mềm dựng hình giải phẫu 3D đa cơ quan đạt độ chính xác trên 95%, triển khai thử nghiệm diện rộng trong 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

1. Bác sĩ và kỹ thuật viên chẩn đoán hình ảnh: Nắm vững nguyên lý tạo ảnh DICOM, hiểu rõ bản chất của các lát cắt trung gian và thông số Window/Level để tránh nhầm lẫn giữa tổn thương bệnh lý thật và nhiễu ảnh nội suy.
2. Kỹ sư phát triển phần mềm y tế (PACS/CAD/CAS): Sử dụng mã nguồn trích xuất Header DICOM, từ điển tag và giải thuật nội suy C# làm tài liệu tham khảo trực tiếp để phát triển các tính năng dựng ảnh MPR thương mại.
3. Giảng viên và học viên cao học chuyên ngành Khoa học máy tính: Khai thác khung lý thuyết toán học về phép biến đổi phi tuyến, xấp xỉ sai phân đạo hàm và quy trình lấy mẫu ảnh số phục vụ công tác giảng dạy, nghiên cứu chuyên sâu.
4. Lãnh đạo và nhà quản lý cơ sở y tế: Đánh giá tiềm năng của giải pháp phần mềm nội suy trong việc kéo dài vòng đời thiết bị chụp CT/MRI thế hệ cũ, giúp tối ưu hóa từ 50% đến 70% ngân sách đầu tư công nghệ.

Câu hỏi thường gặp

1. Chuẩn DICOM đóng vai trò quan trọng như thế nào trong bài toán nội suy ảnh y tế?
Chuẩn DICOM cung cấp cơ chế đóng gói toàn diện gồm thông tin bệnh nhân, thông số hình học của máy chụp và dữ liệu ma trận điểm ảnh với các thẻ 16-bit và 32-bit. Việc giải mã chính xác các trường này giúp thuật toán nội suy xác định đúng tỷ lệ không gian thực tế giữa các lát cắt, bảo đảm không làm biến dạng cấu trúc giải phẫu.

2. Tại sao phương pháp láng giềng gần nhất vẫn được ứng dụng trong chẩn đoán bệnh lác mắt dù tạo răng cưa?
Trong chẩn đoán lác mắt qua ảnh cảm biến CCD, vị trí phản xạ Purkinje đòi hỏi phải giữ nguyên 100% giá trị cường độ gốc của điểm ảnh khi phóng to 1.33 lần. Nội suy láng giềng gần nhất không tính toán giá trị trung bình nhân tạo, từ đó bảo toàn tuyệt đối tọa độ tâm phản xạ của đồng tử.

3. Kỹ thuật nội suy biến dạng cong cải tiến có ưu điểm gì vượt trội so với phương pháp truyền thống?
Phương pháp cải tiến thiết lập mô hình biến dạng đối xứng đồng thời trên cả 2 lát cắt thay vì chỉ cố định một lát cắt như mô hình đơn hướng cũ. Giải pháp này loại bỏ hoàn toàn sai lệch hướng, triệt tiêu hiện tượng răng cưa và tạo ra lát cắt trung gian mượt mà với độ tương đồng giải phẫu cao.

4. Nội suy sinh lát cắt trung gian hỗ trợ kỹ thuật tái tạo đa mặt phẳng (MPR) như thế nào?
Khi chụp cắt lớp, khoảng cách giữa các lát cắt theo trục dọc thường lớn hơn nhiều so với độ phân giải điểm ảnh trên mặt phẳng ngang. Việc nội suy chèn thêm các lát cắt trung gian giúp đồng nhất hóa kích thước voxel, làm cho ảnh tái tạo theo chiều dọc hoặc chiều ngang không bị kéo dãn hay mờ nhòe.

5. Chỉ số Window/Level ảnh hưởng ra sao đến chất lượng hiển thị ảnh sau khi nội suy?
Chỉ số Window thể hiện độ rộng dải mức xám hiển thị, còn Level xác định giá trị trung tâm tương ứng với từng loại mô (xương, dịch hoặc nhu mô). Nếu không hiệu chỉnh đúng 2 thông số này, các chi tiết nội suy có thể bị chìm vào vùng tối hoặc bị bão hòa trắng, gây khó khăn cho việc nhận định bệnh lý.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về ảnh y tế, cấu trúc chuẩn dữ liệu DICOM và vai trò thiết yếu của bài toán xử lý ảnh trong y học hiện đại.
• Đã phân tích toán học sâu sắc và đánh giá ưu nhược điểm của 4 kỹ thuật nội suy: láng giềng gần nhất, tuyến tính, song tuyến và biến dạng cong.
• Ứng dụng thành công mô hình cải tiến phép hợp nhất biến dạng cong đối xứng với độ chính xác cao trong việc tái tạo đường biên mô mềm.
• Xây dựng hoàn chỉnh chương trình thử nghiệm bằng ngôn ngữ C# với khả năng giải mã tập tin DICOM, sinh lát cắt trung gian và dựng ảnh đa mặt phẳng MPR.
• Nghiên cứu mở ra hướng đi bền vững giúp nâng cao chất lượng chẩn đoán y tế với chi phí thấp cho các bệnh viện tuyến tỉnh và cơ sở y tế địa phương.

Trong giai đoạn 12 đến 24 tháng tiếp theo, nhóm tác giả định hướng mở rộng nghiên cứu sang mô hình học sâu (Deep Learning) nhằm tự động hóa quá trình nhận dạng biên tổn thương và tăng tốc độ tái cấu trúc 3D thời gian thực. Các nhà phát triển hệ thống y tế và đơn vị nghiên cứu quan tâm có thể tiếp cận, ứng dụng khung thuật toán này để xây dựng những công cụ chẩn đoán hình ảnh chuyên sâu, đóng góp tích cực cho nền y tế thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: KHÁI QUÁT VỀ ẢNH Y TẾ VÀ BÀI TOÁN NỘI SUY ẢNH TRONG HỖ TRỢ CHẨN ĐOÁN HÌNH ẢNH 1. Khái quát về ảnh y tế 1. Giới thiệu ảnh y tế Ngày nay, với sự phát triển của công nghệ thông tin, việc sử dụng các kỹ thuật xử lý ảnh để nâng cao hiệu quả sử dụng của các thiết bị chẩn đoán đo lường bằng hình ảnh là một vấn đề thời sự luôn được quan tâm và phát triển trong nhiều lĩnh vực như trong y học, khoa học vật liệu, công nghệ nano,… Đặc biệt trong y tế, việc chẩn đoán thông qua các xét nghiệm lâm sàng giúp bác sĩ chẩn đoán bệnh một cách chính xác tình trạng bệnh lý của bệnh nhân. Một số thiết bị chuyên dụng cao cấp như máy chụp X – quang, CT, MRI đã được phát triển và ứng dụng cho chẩn đoán hình ảnh.

Mục đính chính là tái hiện lại hình ảnh bên trong cơ thể bệnh nhân một cách rõ nét nhất để có thể phân biệt được các bộ phận liền kề nhau và phát hiện các tổn thương. Hình ảnh được tái cấu trúc có thể chỉ là một lát cắt 2 chiều của không gian cần chẩn đoán, hình ảnh đó được gọi là ảnh y tế. Các thực thể tạo ảnh y tế (Medical image moldality) khác nhau cung cấp các thông tin đặc tính riêng biệt về các cơ quan bên trong cơ thể hay của các tổ chức mô. Độ tương phản và độ nhìn thấy của ảnh y tế phụ thuộc vào thực thể tạo ảnh, hàm đáp ứng cũng như phụ thuộc vào các vùng bệnh lý.

Như vậy sự khác biệt đầu tiên của ảnh y tế với ảnh số thông thường đó là cách thức tạo ảnh. Từ đó việc hiển thị ảnh y tế cũng có sự khác nhau giữa các loại ảnh khác nhau. Đối với ảnh CT chỉ số Window / Level thể hiện độ sáng của ảnh hiển thị khá quan trọng bởi trong ảnh này vùng sáng thể hiện cấu trúc xương và mô của vùng chụp, nếu hiển thị ảnh với độ sáng quá cao sẽ khiến bác sĩ khó phân biệt vùng tổn thương hay yếu tố bệnh lý. Giá trị này sẽ được kỹ thuật viên điều chỉnh trong quá trình chụp bằng thiết bị chẩn đoán hình ảnh.

Sự 4 khác biệt thứ hai đó là ảnh y tế cần lưu trữ thêm thông tin chung của ảnh như các thông tin cá nhân của bệnh nhân, loại ảnh (ví dụ như vùng chụp, ảnh CT hay MRI…) cũng như một số chỉ số riêng phụ thuộc vào thiết bị chẩn đoán hình ảnh. Bởi vậy cấu trúc của ảnh y tế khác với ảnh số thông thường. Chuẩn ảnh y tế DICOM 1. Giới thiệu chuẩn DICOM DICOM được viết tắt từ cụm từ Digital Imaging and Communications in Medicine – Chuẩn ảnh số và truyền thông trong y tế.

DICOM là chuẩn ảnh y tế được ra đời đầu tiên vào năm 1985 do ACR (American College of Radiologist) và NEMA (National Electrical Manufacturers Association) phát triển. Qua quá trình phát triển, chuẩn DICOM đã có 3 phiên bản. Phiên bản đầu tiên (V1.0) ra đời năm 1985 và có hai lần chỉnh sửa vào năm 1986, 1988. Tiếp theo đó, phiên bản thứ hai (V2.0) được đưa ra năm 1988 với một số tiêu chuẩn mới được bổ sung.

Khi phát triển hai phiên bản này, tên gọi của chuẩn ảnh là ACR – NEMA. Phiên bản hiện tại (V3.0) được công bố vào năm 1993, bản chỉnh sửa cuối của phiên bản này được sử dụng hiện nay được phát hành năm 1999 và chính thức được gọi là chuẩn DICOM. Mục tiêu của chuẩn ảnh DICOM là cung cấp các phương thức để tích hợp các thiết bị, hệ thống, phương thức tạo ảnh, tạo ra một môi trường liên lạc thống nhất với nhau. Tiêu chuẩn DICOM cho phép việc tích hợp dễ dàng các máy thu nhận hình ảnh, server, trạm làm việc, máy in và các thiết bị phần cứng khác có nối mạng từ các nhà sản xuất khác nhau vào trong hệ thống PACS.

Các thiết bị khác nhau được đi kèm một bảng đáp ứng các tiêu chuẩn DICOM để làm rõ các lớp dịch vụ mà thiết bị này hỗ trợ. Các tập tin DICOM có thể được trao đổi lẫn nhau giữa các hệ thống khi các hệ thống này có khả năng thu nhận hình ảnh và dữ liệu bệnh nhân theo định dạng DICOM. Định dạng dữ liệu DICOM khác so với các định dạng khác là các nhóm thông tin được tích hợp 5 vào bên trong tập tin DICOM. Do đó, nếu một tập tin X – quang phổi theo định dạng DICOM sẽ chứa các thông tin như tên bệnh nhân, mã ID bệnh nhân, vì vậy hình ảnh sẽ không bao giờ bị thất lạc thông tin.

Ngày nay, hầu hết các bệnh viện trên thế giới đều áp dụng chuẩn DICOM vào các thiết bị y khoa, máy trạm, server, các hệ thống quản lý trong hoạt động khám và chữa bệnh. Cấu trúc chuẩn DICOM  Cấu trúc chuẩn DICOM Các thành phần của chuẩn DICOM bao gồm: - Nghi thức thực hiện (Conformance). - Định nghĩa đối tượng thông tin (Information Object Definitions). - Định nghĩa lớp dịch vụ (Service Class Definitions).

- Cấu trúc dữ liệu và mã hóa (Data Structure and Encoding). - Từ điển dữ liệu (Data Dictionary). - Giao thức trao đổi bản tin (Message Exchange Protocol). - Hỗ trợ truyền thông mạng trao đổi bản tin (Network Communication Support for Message Exchange).

- Hỗ trợ trao đổi kiểu điểm – điểm (Point to Point Support). - Profiles ứng dụng lưu trữ Media (Media Storage Application Profiles). - Media vật lý và khuôn dạng dùng cho trao đổi dữ liệu (Media Formats and Physical Media for Data Interchange). - Chức năng hiển thị chuẩn mức xám (Grayscale Standard Display Function).

- Profiles quản lý hệ thống và an ninh bảo mật (Security and System Management Profiles). - Nguồn ánh xạ nội dung (Content Mapping Resource).1: DICOM và mô hình tham chiếu OSI  Định dạng file DICOM : gồm 2 phần là header và dữ liệu ảnh. Header - Tên và ID của bệnh nhân. - Loại ảnh y khoa (CT, MRI, Audio Recording,…).

- Kích thước ảnh, máy sinh ảnh, … Hình 1.2: Thông tin file DICOM 7 Trong hình 1.2: 794 bytes định dạng Header DICOM, mô tả kích thước ảnh và các thông tin ảnh. Để biết được kích thước ảnh ta dựa vào thông tin của Frames, Rows và Columns trong phần Header.3 là ví dụ về một ảnh MRI với số Frames, Rows, Columns tương ứng được chụp: 109 x 91 x 2 = 19838 bytes. Như vậy ta sẽ tính được kích thước của ảnh.3: Một số trường của ảnh DICOM Dữ liệu ảnh - Ảnh nén (bitmap) hoặc ảnh chưa nén từ (jpeg, gif, …). - Định nghĩa đối tượng thông tin IOD (Information Object Definition).

- Định nghĩa lớp dịch vụ SC (Service Classes). - Ngữ nghĩa và cấu trúc dữ liệu. - Từ điển dữ liệu. - Trao đổi bản tin.

8 - Hỗ trợ truyền thông mạng cho việc trao đổi bản tin. - Khuôn dạng file và lưu trữ trung gian. - Sơ lược ứng dụng lưu trữ trung gian. - Chức năng lưu trữ và khuôn dạng trung gian cho trao đổi dữ liệu.

- Chức năng hiển thị chuẩn mức xám. - Sơ lược an toàn. - Nguồn ánh xạ nội dung.  Khuôn dạng DICOM Thông tin đầu file (Header): gồm các định danh bộ dữ liệu được đưa vào file.

Nó bắt đầu bởi 128 byte file Preamble (tất cả được đưa về 00H), sau đó 4 byte kí tự “DICM”, tiếp theo là các thành phần dữ liệu đầu file. Các thành phần dữ liệu đầu file này là bắt buộc. Các thành phần dữ liệu này có nhãn dạng (0002, xxxx), được mã hóa theo cú pháp chuyển đổi VR ẩn và Little Endian.4: Cấu trúc file DICOM Bộ dữ liệu: Mỗi file chỉ chứa một bộ dữ liệu thể hiện SOP cụ thể và duy nhất liên quan đến một lớp SOP đơn và IOD tương ứng. Một file có thể chứa nhiều hình ảnh khi các IOD được xác định mang nhiều khung.

Cú pháp chuyển đổi được sử dụng để mã hóa bộ dữ liệu được xác định duy nhất thông qua UID cú pháp chuyển đổi trong thông tin đầu file DICOM. 9 Thông tin quản lý file: Khuôn dạng file DICOM không bao gồm thông tin quản lý file để tránh sự trùng lặp với chức năng liên quan ở lớp khuôn dạng trung gian. Nếu cần thiết các thông tin sau sẽ được đưa ra bởi một lớp khuôn dạng trung gian: - Định danh sở hữu nội dung file. - Thông tin truy cập (ngày giờ tạo).

- Điều khiển truy cập file ứng dụng. - Điều khiển truy cập phương tiện trung gian vật lý (bảo vệ ghi …). Khuôn dạng file DICOM an toàn: Một file DICOM an toàn là một file DICOM được mã hóa với một cú pháp bản tin mật mã được định nghĩa trong RFC2630. Phụ thuộc vào thuật toán mật mã sử dụng, một file DICOM an toàn có thể có các thuộc tính an toàn sau: - Bảo mật dữ liệu.

- Xác nhận nguồn gốc dữ liệu. - Tính toàn vẹn dữ liệu.  Cấu trúc căn bản của file DICOM là Data Set Hình 1.5: Cấu tạo Data Set Bảng 1.1: Các khái niệm trong DICOM 10 Khái niệm Ý nghĩa Data Set Là tập hợp nhiều Data Element trong một file DICOM. Là một đơn vị thông tin trong DICOM file.

Các field Data Element trong Data Element mô tả đầy đủ thông tin gồm: ý nghĩa, giá trị, chiều dài và định dạng dữ liệu của tin. Là 2 số nguyên không dấu, mỗi số 16 bit. Xác định ý nghĩa của Data Element như tên bệnh nhân, chiều cao của ảnh, số bit màu, … Một số xác định Group Number và số Tag kia xác định Element Number. Các thông tin (Data Element) cùng liên quan đến một nhóm ngữ nghĩa có chung Group Number.

Đây là field tùy chọn, tùy vào giá trị của Transfer VR (Value Syntax mà VR có mặt trong Data Element hay không. Representation) Giá trị của VR cho biết kiểu dữ liệu và định dạng, giá trị của Data Element. Cho biết số lượng giá trị của Value Field. Nếu số lượng Value không xác định, VM sẽ có dạng “a – b” với a là số giá trị Value nhỏ nhất và b là số Value lớn nhất có thể có của Data Element.

VM (Value Data Element với Value Field có nhiều giá trị sẽ được Multiplicity) mô tả cụ thể như sau: + Với chuỗi kí tự, dùng kí tự 5Ch (‘\’) làm kí tự phân cách. + Với giá trị nhị phân, không có kí tự phân cách. 11 Là một số nguyên không dấu, có độ dài là 16 hay 32 bit. Giá trị của Value Length cho biết độ lớn (tính theo byte) của field Value Field (không phải là độ lớn của toàn Value Length bộ Data Element).

Giá trị của Value Length là FFFFFFFFh (32 bit) hàm ý không xác định được chiều dài (Undefined Length). Là nội dung thông tin (Data Element).