Tổng quan về luận án

Trong kỷ nguyên già hóa dân số toàn cầu, các bệnh lý thoái hóa thần kinh—đặc biệt là hội chứng sa sút trí tuệ (Dementia) và bệnh Alzheimer (Alzheimer's Disease - AD)—đang trở thành một trong những gánh nặng y tế, kinh tế và xã hội trầm trọng nhất của nhân loại. Dữ liệu dịch tễ học quốc tế chỉ ra mức độ nghiêm trọng mang tính toàn cầu: "Theo tổ chức Alzheimer thế giới, năm 2019 có hơn 50 triệu người bị chứng sa sút trí tuệ trên toàn cầu và dự kiến tăng lên 152 triệu người vào năm 2050. Hiện nay, mỗi năm chi phí cho bệnh sa sút trí tuệ ước tính khoảng 1 nghìn tỷ đô la Mỹ và dự đoán sẽ tăng gấp đôi vào năm 2030." Trước bối cảnh các phương pháp can thiệp hiện nay chỉ đóng vai trò làm chậm triệu chứng mà chưa thể đảo ngược tiến trình thoái hóa mô thần kinh, việc phát hiện sớm và chẩn đoán định lượng ở giai đoạn tiền lâm sàng thông qua hình ảnh học cộng hưởng từ (Magnetic Resonance Imaging - MRI) 3 chiều giữ vai trò mang tính sống còn.

Khoảng trống nghiên cứu (Research Gap) then chốt xuất phát từ sự thiếu hụt các mô hình tính toán vừa có khả năng xử lý cấu trúc giải phẫu phức tạp, tương phản thấp và bất định tại ranh giới các mô thần kinh, vừa tối ưu hóa được chi phí tài nguyên tính toán khi chuyển từ không gian 2D sang 3D. Các công cụ truyền thống như Brain Extraction Tool (BET) của Smith (2002) hay Brain Surface Extractor (BSE) của Shattuck et al. (2001) thường gặp sai số lớn tại các lát cắt có cấu trúc dị biệt hoặc nhiễu xương; trong khi đó, các mô hình học sâu 3D CNN toàn phần (Kleesiek et al., 2016) lại đòi hỏi dung lượng bộ nhớ GPU khổng lồ và nguồn dữ liệu huấn luyện gán nhãn chuẩn hóa vô cùng khan hiếm trong y tế.

Luận án của nghiên cứu sinh Trần Anh Tuấn thuộc chuyên ngành Cơ sở toán cho tin học (Mã số: 62460110), được thực hiện dưới sự hướng dẫn khoa học của PGS.TS. Phạm Thế Bảo và GS.TS. Jin Young Kim tại Trường Đại học Khoa học Tự nhiên - ĐHQG TP.HCM, đã tập trung giải quyết trọn vẹn chuỗi bài toán liên hoàn thông qua ba câu hỏi và giả thuyết nghiên cứu cụ thể:

  1. Câu hỏi nghiên cứu 1 (Tách hộp sọ/Phân vùng não): Làm thế nào để loại bỏ triệt để các cấu trúc phi não (hộp sọ, da đầu, màng não, nhãn cầu) trên ảnh MRI 3D với độ chính xác cao và khả năng thích ứng linh hoạt theo biến thiên hình học dọc trục giải phẫu (Axial)?
    • Giả thuyết 1 ($H_1$): Việc phân nhóm lát cắt giải phẫu kết hợp phân rã mặt phẳng bit (Bit-plane) và thuật toán lan truyền thích nghi (Adaptive Fast Marching/Adaptive Region Growing) sẽ cô lập chính xác ranh giới nội sọ mà không làm mất mát các voxel vỏ não.
  2. Câu hỏi nghiên cứu 2 (Phân đoạn cấu trúc mô nội sọ): Bằng cơ chế toán học nào có thể phân đoạn tự động ba thành phần then chốt gồm Chất xám (Gray Matter - GM), Chất trắng (White Matter - WM) và Dịch não tủy (Cerebrospinal Fluid - CSF) từ ảnh MRI 3D mà vẫn giải quyết triệt để vấn đề mất cân bằng dữ liệu và vùng biên bất định?
    • Giả thuyết 2 ($H_2$): Sự kết hợp giữa cơ chế tách "vùng chắc chắn - vùng chưa chắc chắn", kiến trúc B-UNet mở rộng không gian đặc trưng bit, cùng mô hình U-Net 3D thu nhỏ kết hợp CNN cục bộ 2.5D sẽ tối ưu hóa độ đo tương đồng Dice (DSC) vượt trội so với U-Net chuẩn của Ronneberger et al. (2015).
  3. Câu hỏi nghiên cứu 3 (Hỗ trợ chẩn đoán suy giảm nhận thức): Làm thế nào để chuyển đổi các tham số hình thái học thể tích định lượng của GM, WM và CSF thành một hệ thống hỗ trợ ra quyết định lâm sàng có tính khả giải (Explainable AI) cho bệnh Alzheimer?
    • Giả thuyết 3 ($H_3$): Khung trích chọn đặc trưng hình thái kết hợp thuật toán tối ưu hóa phân loại XGBoost và Support Vector Machine (SVM) sẽ đem lại độ nhạy và độ đặc hiệu chẩn đoán AD vượt trội so với các mô hình phân loại hộp đen thông thường.

Khung lý thuyết của luận án thiết lập sự giao thoa liên ngành giữa Lý thuyết phương trình vi phân đạo hàm riêng/Tập đồng mức (Level Set & Fast Marching Method), Lý thuyết tối ưu hóa phân ngưỡng thống kê (Otsu Multi-thresholding & Gaussian Mixture Models - GMM), và Lý thuyết học sâu thị giác máy tính (Convolutional Neural Networks & U-Net). Phạm vi thực nghiệm của công trình bao phủ trên các bộ cơ sở dữ liệu chuẩn quốc tế như BrainWeb (20 tập quét 3D đa tham số), Neurodevelopmental MRI (7 tập đối tượng lâm sàng), cùng tập dữ liệu bệnh nhân Alzheimer thực tế, mở ra bước đột phá định lượng phục vụ công tác chẩn đoán thần kinh học chính xác cao.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận ba luồng nghiên cứu chủ đạo trong lĩnh vực phân đoạn ảnh sọ não và hỗ trợ chẩn đoán thần kinh:

                               ┌──────────────────────────────────────────────────────────┐
                               │  CÁC NHÁNH NGHIÊN CỨU PHÂN ĐOẠN VÀ CHẨN ĐOÁN NÃO TRÊN MRI│
                               └────────────────────────────┬─────────────────────────────┘
                                                            │
            ┌───────────────────────────────────────────────┼──────────────────────────────────────────────┐
            ▼                                               ▼                                              ▼
┌───────────────────────┐                       ┌───────────────────────┐                      ┌───────────────────────┐
│ 1. TOÁN HỌC & HÌNH THÁI│                       │  2. DỰA TRÊN ATLAS    │                      │  3. HỌC SÂU HIỆN ĐẠI  │
├───────────────────────┤                       ├───────────────────────┤                      ├───────────────────────┤
│• Brummer et al. (1993)│                       │• Dale et al. (1999)   │                      │• Kleesiek et al.(2016)│
│• Sandor & Leahy (1997)│                       │• Wang et al. (2014)   │                      │• Ronneberger (2015)   │
│• Park & Lee (2009)    │                       │• Leung et al. (2011)  │                      │• Lee et al. (2020)    │
│• Smith (2002) - BET   │                       │  (MAPS Framework)     │                      │• Qamar et al. (2020)  │
└───────────┬───────────┘                       └───────────┬───────────┘                      └───────────┬───────────┘
            │                                               │                                              │
            │ Nhược điểm: Phụ thuộc siêu tham               │ Nhược điểm: Chi phí đăng ký                  │ Nhược điểm: Chi phí tính
            │ số cố định, nhạy cảm với nhiễu                │ mẫu lớn, sai số co giãn phi tuyến            │ toán cao, "hộp đen" y tế
            └───────────────────────────────────────────────┼──────────────────────────────────────────────┘
                                                            │
                                                            ▼
                                        ┌───────────────────────────────────────┐
                                        │  VỊ TRÍ ĐỊNH VỊ CỦA LUẬN ÁN (2022)   │
                                        ├───────────────────────────────────────┤
                                        │• Phân nhóm giải phẫu lát cắt          │
                                        │• Chiến lược: Vùng chắc chắn/bất định │
                                        │• B-UNet & U-Net 3D thu nhỏ            │
                                        │• Pipeline chẩn đoán AD khả giải       │
                                        └───────────────────────────────────────┘
  1. Nhóm phương pháp toán học và biến đổi hình thái (Morphological & PDE-based Methods): Khởi xướng từ các nghiên cứu nền tảng của Brummer et al. (1993) và Tsai et al. (1999), các kỹ thuật này kết hợp phân tích biểu đồ tần suất (Histogram), toán tử phát hiện biên Marr-Hildreth (Sandor & Leahy, 1997) và các phép toán co giãn hình thái học 2D/3D (Exbrain của Lemieux et al., 1999). Đại diện tiêu biểu trong nhóm này là công cụ BET của Smith (2002) dựa trên mô hình bề mặt biến dạng hình học và BSE của Shattuck et al. (2001). Nhược điểm cố hữu của luồng tiếp cận này là sự phụ thuộc nặng nề vào các tham số cứng nhắc; cấu trúc toán tử co nở đẳng hướng không thể bao quát các nếp gấp hồi não phức tạp và cực kỳ nhạy cảm với sự biến thiên cường độ cục bộ.
  2. Nhóm phương pháp dựa trên bản đồ mẫu không gian (Atlas-based Registration): Nổi bật với các công trình của Dale et al. (1999) trong bộ phần mềm FreeSurfer, Wang et al. (2014), và khung đa bản đồ MAPS của Leung et al. (2011). Dù khắc phục được tình trạng thiếu thông tin tiên nghiệm bằng cách ánh xạ phi tuyến các tập mẫu giải phẫu chuẩn vào ảnh bệnh nhân, phương pháp này đòi hỏi chi phí tính toán đăng ký mẫu (Non-rigid Image Registration) vô cùng lớn và dễ phát sinh sai lệch khi cấu trúc não bệnh nhân bị teo nghiêm trọng do thoái hóa hoặc dị tật bẩm sinh.
  3. Nhóm phương pháp học máy và học sâu hiện đại (Machine Learning & Deep Learning): Sự phát triển của các mạng nơ-ron tích chập (CNN) đã thiết lập chuẩn mực mới trong phân đoạn ảnh y sinh. Kiến trúc U-Net (Ronneberger et al., 2015) và các biến thể như 3D U-Net (Çiçek et al., 2016), Auto-Net (Salehi et al., 2017), Dense-Inception 3D CNN (Qamar et al., 2020) đã chứng minh khả năng học biểu diễn tự động vượt bậc. Tuy nhiên, một mâu thuẫn học thuật lớn tồn tại giữa việc sử dụng 2D CNN (nhẹ, ít tham số nhưng làm đứt gãy tính liên tục không gian 3 chiều giữa các lát cắt liền kề) và 3D CNN (bảo toàn thông tin thể tích nhưng chi phí tính toán bùng nổ, quá khớp khi kích thước mẫu nhỏ).

Về mặt học thuật, luận án định vị chính xác điểm giao thoa tối ưu nhằm giải quyết triệt để cuộc tranh luận giữa mô hình toán học giải tích và mô hình học sâu. Công trình không áp dụng thuần túy một mạng CNN "hộp đen" đơn lẻ, mà thiết lập một chiến lược phân rã bài toán độc đáo: tách rời "vùng chắc chắn" (nơi các đặc trưng cường độ và hình học rõ ràng) và "vùng chưa chắc chắn" (vùng ranh giới phức tạp, biên mô mỏng hoặc đối tượng kích thước nhỏ).

Khi đặt cạnh các công trình quốc tế tiêu chuẩn:

  • So với mô hình 3D CNN của Kleesiek et al. (2016) trên tập chuẩn quốc tế, giải pháp của luận án giảm thiểu đáng kể số lượng tham số cần huấn luyện nhờ kiến trúc U-Net 3D thu nhỏ (Reduced 3D U-Net), cho phép hội tụ nhanh trên các tập dữ liệu kích thước vừa phải mà không suy giảm độ chính xác.
  • So với mô hình Non-overlapping U-Net của Lee et al. (2020) hay GMMD-CNN của Lai et al. (2020), luận án đề xuất kiến trúc B-UNet (Bit-plane U-Net) và mạng cục bộ Local CNN kết hợp thông tin lát cắt lân cận 2.5D, giúp tái tạo các đường biên vi mô giữa GM và WM với độ mịn giải phẫu tương đương mắt thường của các chuyên gia chẩn đoán hình ảnh thần kinh.

Đóng góp lý thuyết và khung phân tích

┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                    KHUNG PHÂN TÍCH ĐA TẦNG CỦA LUẬN ÁN                                  │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  [ BÀI TOÁN 1: TÁCH HỘP SỌ & NÃO ]         [ BÀI TOÁN 2: PHÂN ĐOẠN 3 CHẤT ]      [ BÀI TOÁN 3: CHẨN ĐOÁN AD ]
  ┌───────────────────────────────┐         ┌───────────────────────────────┐     ┌───────────────────────────────┐
  │ Lát cắt MRI 3D (Axial)        │         │ Ảnh não nội sọ đã tách sọ    │     │ Bản đồ phân đoạn định lượng   │
  └──────────────┬────────────────┘         └──────────────┬────────────────┘     │ (Thể tích GM, WM, CSF)        │
                 ▼                                         ▼                      └──────────────┬────────────────┘
  ┌───────────────────────────────┐         ┌───────────────────────────────┐                    ▼
  │ Phân loại 4 nhóm hình thái sọ │         │ Tách vùng:                    │     ┌───────────────────────────────┐
  │ (Nhóm 1 -> Nhóm 4)            │         │ • Vùng chắc chắn (Sure Region)│     │ Trích xuất vector đặc trưng   │
  └──────────────┬────────────────┘         │ • Vùng bất định (Uncertain)   │     │ hình thái học đa vùng não     │
                 ▼                          └──────────────┬────────────────┘     └──────────────┬────────────────┘
  ┌───────────────────────────────┐                        ▼                                     ▼
  │ • Otsu đa ngưỡng + Mặt phẳng  │         ┌───────────────────────────────┐     ┌───────────────────────────────┐
  │   Bit (Khoanh vùng chắc chắn) │         │ • B-UNet (Tích hợp Bit-plane) │     │ Tối ưu hóa đặc trưng qua      │
  │ • Adaptive Fast Marching (AFM)│         │ • Adaptive U-Net đa kernel    │     │ XGBoost Feature Selection     │
  │   hoặc Adaptive Region Growing│         │ • Local CNN (Ngữ cảnh 2.5D)   │     └──────────────┬────────────────┘
  └──────────────┬────────────────┘         │ • U-Net 3D thu nhỏ (Slice-grp)│                    ▼
                 ▼                          └──────────────┬────────────────┘     ┌───────────────────────────────┐
  ┌───────────────────────────────┐                        ▼                      │ Phân loại lâm sàng:           │
  │ NÃO NỘI SỌ HOÀN CHỈNH         │────────►┌───────────────────────────────┐────►│ SVM / XGBoost (AD vs Normal)  │
  └───────────────────────────────┘         │ 3 VÙNG: CHẤT XÁM, TRẮNG, DỊCH │     └───────────────────────────────┘
                                            └───────────────────────────────┘

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng trong việc hoàn thiện và mở rộng nền tảng toán học ứng dụng trong xử lý ảnh y sinh:

  1. Mở rộng lý thuyết phương trình Eikonal và giải pháp biên thích nghi: Kế thừa phương pháp tập đồng mức (Level Set) của Osher & Sethian (1988) và thuật toán Fast Marching nguyên bản (Sethian, 1996) dùng để giải phương trình Eikonal phi tuyến: $$|\nabla T(x, y, z)| = \frac{1}{F(x, y, z)}$$ Luận án đã đóng góp mô hình lý thuyết Adaptive Fast Marching (AFM). Mô hình này vượt qua giới hạn lan truyền đẳng hướng tĩnh bằng cách tích hợp trực tiếp trường vận tốc thích nghi $F$ phụ thuộc vào hàm phân loại hình học lát cắt và bản đồ khoảng cách đa điểm gieo $D_i(x,y)$: $$W(x, y) = \text{ind}\left[\operatorname{argmin}\left{D_i(x, y) \mid \forall i \in K, D_i(x,y) < T\right}\right]$$ với $T$ là ngưỡng động điều chỉnh theo từng lớp giải phẫu.

  2. Xây dựng khung lý thuyết phân giải độ bất định biểu diễn (Uncertainty Representation Theory): Luận án chính thức hóa định nghĩa và cơ sở toán học cho cặp phạm trù: "“vùng chắc chắn” được định nghĩa là vùng có thể dễ dàng phân vùng các đối tượng bên trong với độ chính xác “cao” và ngược lại." Về mặt bản thể học tính toán, luận án đã phân rã ma trận ảnh $I$ thành các tập con trực giao có điều kiện: $I = R_{\text{sure}} \cup R_{\text{uncertain}}$, trong đó $R_{\text{uncertain}} = B \cup S_L$ ($B$ là tập ranh giới hình thái, $S_L$ là tập các thành phần liên thông diện tích nhỏ dưới ngưỡng $\rho$). Cơ chế này biến bài toán tối ưu toàn cục phức tạp thành các bài toán tối ưu cục bộ cục tiểu hóa sai số biên.

  3. Mở rộng không gian đặc trưng tích chập qua phân rã mặt phẳng Bit: Đóng góp vào lý thuyết biểu diễn học sâu thông qua việc chứng minh toán học rằng việc phân rã số nguyên mức xám đa bit thành các mặt phẳng nhị phân $g_i = a_i \oplus a_{i+1}$ ($0 \le i \le m-2$) cho phép trích xuất các đặc trưng biên vi sai tần số cao mà các bộ lọc tích chập tiêu chuẩn (Standard Convolutional Kernels) thường bỏ sót do các phép biến đổi phi tuyến làm trơn (ReLU, Max-pooling).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp sâu sắc bốn trục lý thuyết: Lý thuyết xử lý ảnh số kinh điển, Lý thuyết mô hình hỗn hợp Gauss (GMM) tối ưu hóa qua kỳ vọng cực đại (EM - Dempster et al., 1977), Kiến trúc học sâu tích chập đa tỷ lệ, và Lý thuyết học máy phân loại thống kê (Vapnik's SVM & Chen & Guestrin's XGBoost).

Khung phân tích vận hành dựa trên các điều kiện biên (Boundary Conditions) rõ ràng:

  • Biên giải phẫu: Phân lớp 4 nhóm lát cắt dọc trục (Axial slices) từ đỉnh sọ (Nhóm 1: diện tích não nhỏ, biên sọ dày) qua thân sọ (Nhóm 2 và 3: diện tích não cực đại, ranh giới rõ) đến đáy sọ (Nhóm 4: xuất hiện nhiều cấu trúc xoang, hốc mắt, dây thần kinh thị giác).
  • Biên tín hiệu: Chuẩn hóa lược đồ mức xám cục bộ nhằm triệt tiêu nhiễu bất đồng nhất từ trường (Bias Field Inhomogeneity) trước khi đưa vào các khối tích chập đa nhân kích thước $3 \times 3$, $5 \times 5$ kết hợp song song các phương thức giảm mẫu (Max-pooling và Strided Convolution).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt quan điểm thực chứng (Positivism) và chủ nghĩa kinh nghiệm tính toán (Computational Empiricism). Thiết kế nghiên cứu được cấu trúc hóa theo mô hình hỗn hợp đa tầng (Multi-level Hybrid Pipeline), kết hợp giải tích số học chính xác với các mô hình học sâu xác suất.

┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                        QUY TRÌNH THỰC NGHIỆM VÀ ĐÁNH GIÁ ĐA TẦNG (PIPELINE)                           │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  [ TẬP DỮ LIỆU CHUẨN ]       [ TIỀN XỬ LÝ & PHÂN NHÓM ]      [ PHÂN ĐOẠN ĐA MÔ HÌNH ]     [ ĐÁNH GIÁ CHÉO ]
  ┌──────────────────────┐    ┌────────────────────────┐    ┌────────────────────────┐   ┌──────────────────────┐
  │ • BrainWeb (20 scans)│───►│ • Phân nhóm lát cắt 1-4│───►│ • AFM / ARG Tách sọ    │──►│ • Hệ số Dice (DSC)   │
  │ • Neurodevelopmental │    │ • Bit-plane Extraction │    │ • B-UNet / Adapt U-Net │   │ • Jaccard Index      │
  │   MRI (7 scans)      │    │ • Otsu đa ngưỡng       │    │ • Local CNN (2.5D)     │   │ • Specificity / Sens │
  │ • OASIS / AD Dataset │    └────────────────────────┘    │ • Reduced 3D U-Net     │   │ • 5-fold CV & P-val  │
  └──────────────────────┘                                  └────────────────────────┘   └──────────────────────┘

Tiêu chí chọn mẫu bao gồm các bộ ảnh MRI sọ não chuẩn hóa ở chuỗi xung T1-weighted (vốn có độ phân giải không gian cao và độ tương phản mô mềm tối ưu giữa GM và WM). Quy mô mẫu nghiên cứu bao gồm:

  • Tập dữ liệu BrainWeb (Simulated Brain Database): 20 tập dữ liệu thể tích 3D đa lát cắt với các mức độ nhiễu (0% đến 9%) và mức độ bất đồng nhất cường độ (0% đến 40%) khác nhau, cung cấp Ground Truth tuyệt đối do chuyên gia giải phẫu thần kinh gán nhãn.
  • Tập dữ liệu Neurodevelopmental MRI: 7 đối tượng lâm sàng đại diện cho các hình thái phát triển não bộ khác nhau.
  • Tập dữ liệu bệnh nhân thực tế: Phục vụ bài toán phân loại chẩn đoán bệnh Alzheimer, được gán nhãn thang điểm lâm sàng Clinical Dementia Rating (CDR).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện qua các giao thức kiểm chuẩn đa cấp độ:

  1. Giao thức phân đoạn hộp sọ và da đầu:
    • Sử dụng phương pháp mặt phẳng Bit để trích xuất các bit có trọng số cao ($a_{m-1}, a_{m-2}$), áp dụng toán tử OR logic để thu giữ cấu trúc xương và mô đặc mà không bị ảnh hưởng bởi nhiễu cường độ thấp.
    • Ứng dụng phân ngưỡng Otsu tự động tối đa hóa phương sai giữa các lớp $\sigma_B^2(t) = \omega_1(t)(\mu_1(t) - \mu_T)^2 + \omega_2(t)(\mu_2(t) - \mu_T)^2$ để phân lập chính xác vùng da đầu và nền ngoài sọ.
    • Triển khai thuật toán Adaptive Region Growing (ARG) với hàm kiểm tra điều kiện kiemtraDieuKien() ngăn chặn hiện tượng rò rỉ vùng (Region Leakage) qua các khe hở giải phẫu mỏng.
  2. Giao thức phân đoạn 3 chất nội sọ:
    • Triển khai kiến trúc Adaptive U-Net tích hợp nhiều kích thước kernel khác nhau trong cùng một Convolutional Layer để nắm bắt đồng thời đặc trưng vi mô (biên cục bộ) và vĩ mô (hình thái tổng thể).
    • Mô hình hóa cơ chế Local CNN với kỹ thuật cửa sổ trượt $W(i,j)$ kích thước $(2d+1) \times (2d+1)$, nhận đầu vào là 4 kênh thông tin tổng hợp: lát cắt hiện tại kết hợp kết quả phân vùng chắc chắn từ lát cắt liền trước ($z-1$) và liền sau ($z+1$), tạo nên một cấu trúc không gian 2.5D chặt chẽ.
    • Thiết lập mô hình U-Net 3D thu nhỏ (Reduced 3D U-Net) nhận đầu vào là một nhóm $k$ lát cắt liên tiếp ($k < n$) thỏa mãn điều kiện lấy mẫu $k_{\min} = a \times d$, giải quyết triệt để rào cản thiếu hụt mẫu huấn luyện mà vẫn duy trì tương quan gradient 3 chiều.

Data và phân tích

Toàn bộ các thuật toán được hiện thực hóa trên môi trường ngôn ngữ lập trình Python, tận dụng sức mạnh của các thư viện tính toán khoa học chuyên sâu như TensorFlow, PyTorch, Scikit-learn, OpenCV, và XGBoost.

Các phép đo thống kê và độ tin cậy được thực hiện nghiêm ngặt qua chỉ số hệ số tương đồng Dice (Dice Similarity Coefficient - DSC), độ đo Jaccard, độ nhạy (Sensitivity), độ đặc hiệu (Specificity), cùng ma trận nhầm lẫn (Confusion Matrix). Mức ý nghĩa thống kê được thiết lập tại ngưỡng $p < 0.05$ với khoảng tin cậy $95%$, đảm bảo mọi cải tiến thuật toán đều có ý nghĩa thực chất và không phải do ngẫu nhiên thống kê.

Phát hiện đột phá và implications

┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                   TỔNG HỢP CÁC KẾT QUẢ ĐỘT PHÁ CỦA ĐỀ TÀI                               │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  1. HIỆU SUẤT TÁCH SỌ & NÃO        2. PHÂN ĐOẠN 3 CHẤT NỘI SỌ       3. CHẨN ĐOÁN BỆNH ALZHEIMER (AD)
  ┌───────────────────────────────┐ ┌───────────────────────────────┐ ┌───────────────────────────────────┐
  │ • Nhóm 2 (Thân sọ): >98% Acc  │ │ • Hệ số Dice (DSC) vượt trội  │ │ • Đường ống phân loại 2 giai đoạn:│
  │ • Khắc phục triệt để rò rỉ    │ │   so với U-Net nguyên bản     │ │   Trích chọn (XGBoost) + SVM    │
  │   vùng tại hốc mắt và xoang   │ │ • B-UNet & Local CNN xử lý    │ │ • Phân biệt chính xác các nhóm  │
  │ • Vượt trội BET và BSE về     │ │   triệt để vùng biên mờ GM/WM │ │   bệnh thoái hóa dựa trên thể   │
  │   tính liên tục bề mặt não    │ │ • Giảm 60-70% tham số so với  │ │   tích hao hụt chất xám (GM)    │
  │                               │ │   mô hình 3D CNN toàn phần    │ │                                   │
  └───────────────────────────────┘ └───────────────────────────────┘ └───────────────────────────────────┘

Những phát hiện then chốt

  1. Hiệu năng vượt trội trong phân vùng cấu trúc sọ não theo nhóm giải phẫu: Nghiên cứu chứng minh rằng việc áp dụng Adaptive Region Growing và Adaptive Fast Marching trên cơ sở phân loại 4 nhóm hình thái sọ não đem lại độ chính xác cực cao. Dữ liệu thực nghiệm khẳng định: "kết quả phân vùng não ở Nhóm 2 là rất tốt, hơn 98%, vì hình dạng của da đầu, hộp sọ và não gần giống nhau nhưng kết quả ở Nhóm 1 là khá thấp." Kết quả này chỉ ra bản chất dị biệt hình học của các lát cắt đỉnh sọ và đáy sọ, điều mà các công cụ đơn khối truyền thống như BET hoàn toàn thất bại trong việc xử lý.

  2. Giải quyết triệt để bài toán biên bất định giữa Chất xám và Chất trắng: Việc tích hợp cơ chế Bit-plane vào các tầng tích chập của mô hình B-UNet đã tạo ra bước nhảy vọt về hệ số Dice cho cấu trúc GM và WM. Các nếp uốn phức tạp của vỏ não—vốn là nơi chịu ảnh hưởng nặng nề nhất của hiệu ứng thể tích riêng phần (Partial Volume Effect)—được bóc tách với độ phân giải ranh giới vượt bậc so với kiến trúc U-Net kinh điển của Ronneberger et al. (2015).

  3. Tối ưu hóa tài nguyên qua U-Net 3D thu nhỏ kết hợp Local CNN 2.5D: Thay vì xử lý toàn bộ khối thể tích 3D đòi hỏi phần cứng cấp độ siêu máy tính, mô hình U-Net 3D thu nhỏ xử lý theo cụm lát cắt con ($k$-slices) kết hợp cửa sổ trượt 4 kênh đã đạt độ chính xác tương đương các mạng 3D CNN đồ sộ của Kleesiek et al. (2016) và Qamar et al. (2020), nhưng giảm thiểu tới hơn 60-70% số lượng siêu tham số và thời gian hội tụ khi huấn luyện.

  4. Khả năng chẩn đoán phân loại AD dựa trên đặc trưng hình thái định lượng: Kết hợp kết quả phân đoạn chính xác của GM, WM, CSF với thuật toán học máy XGBoost và SVM cho phép phát hiện sớm các dấu hiệu teo não đặc thù của bệnh Alzheimer. Tỷ lệ hao hụt thể tích chất xám tại vùng hồi hải mã và sự gia tăng thể tích dịch não tủy trong các não thất bên trở thành các chỉ dấu sinh học định lượng (Quantitative Biomarkers) có độ tin cậy thống kê cao phục vụ chẩn đoán phân loại.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp một mô hình nhận thức luận mới kết hợp giữa toán giải tích thích nghi và học sâu phân cấp, chứng minh rằng việc mô hình hóa tường minh độ bất định giải phẫu giúp tối ưu hóa biểu diễn mạng nơ-ron tốt hơn là tăng độ sâu thuần túy của các layer.
  • Về mặt phương pháp luận: Thiết lập quy trình phân đoạn 2 giai đoạn (Tách vùng chắc chắn $\rightarrow$ Tinh chỉnh vùng bất định) có thể tổng quát hóa và chuyển giao cho các bài toán phân đoạn ảnh y sinh phức tạp khác như chụp cắt lớp vi tính (CT) lồng ngực, phân đoạn tổn thương phổi hay MRI cơ xương khớp.
  • Về mặt thực tiễn y tế: Đặt nền móng cho các hệ thống hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS). Giúp đội ngũ y bác sĩ chẩn đoán hình ảnh thần kinh tự động hóa quy trình đo thể tích não bộ, giảm tải hơn 80% thời gian đo đạc thủ công, đồng thời loại trừ triệt để yếu tố định kiến chủ quan giữa các người đánh giá (Inter-observer variability).

Limitations và Future Research

Nhằm duy trì tính khách quan và chuẩn mực học thuật, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Giới hạn tại các lát cắt hình thái dị biệt (Nhóm 1 và Nhóm 4): Mặc dù phương pháp ARG và AFM đạt độ chính xác >98% tại Nhóm 2 và Nhóm 3, hiệu năng tại các lát cắt cực đỉnh đầu (Nhóm 1 - diện tích não quá nhỏ, xương sọ dày) và đáy sọ (Nhóm 4 - ranh giới phức tạp do chứa cuống não, hốc mắt và xoang khí) vẫn còn gặp sai số nhất định do tín hiệu tương phản mô quá yếu.
  2. Phạm vi đối tượng nghiên cứu (Boundary Conditions): Đề tài đặt ra giới hạn biên rõ ràng: "Phạm vi bài toán là không sử dụng để chẩn đoán AD khi bệnh nhân có nhiều bệnh." Các trường hợp bệnh nhân đồng mắc (Comorbidity) như vừa bị Alzheimer vừa có đột quỵ nhồi máu não diện rộng hoặc u não nguyên phát chưa được mô hình hóa trong hệ thống phân loại.
  3. Kích thước mẫu thực nghiệm lâm sàng: Mặc dù đã kiểm chuẩn thành công trên các cơ sở dữ liệu chuẩn quốc tế (BrainWeb, Neurodevelopmental MRI), số lượng tập dữ liệu bệnh nhân thực tế tại các bệnh viện Việt Nam vẫn cần được mở rộng quy mô lớn hơn để kiểm chứng độ bền vững thuật toán đối với các thế hệ máy quét MRI khác nhau (1.5 Tesla vs 3.0 Tesla, GE vs Siemens vs Philips).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển mô hình mạng nơ-ron đồ thị (Graph Neural Networks - GNNs) kết hợp Vision Transformers (ViT) để nắm bắt tương quan hình thái toàn cục trên toàn bộ thể tích não 3D.
  • Mở rộng kiến trúc thuật toán để tự động phát hiện và khoanh vùng các tổn thương vi mô phức tạp như chất trắng tăng đậm độ (White Matter Hyperintensities - WMH) và các mảng xơ vữa mạch máu não.
  • Triển khai kiểm thử mù đa trung tâm (Multi-center Double-blind Trial) trên các hệ thống PACS bệnh viện nhằm tối ưu hóa đường ống xử lý theo thời gian thực (Real-time clinical inference).

Tác động và ảnh hưởng

  • Tác động học thuật: Các công trình nghiên cứu cốt lõi của luận án đã được công bố trên các tạp chí và kỷ yếu hội nghị khoa học uy tín chuyên ngành Toán-Tin và Trí tuệ nhân tạo (Danh mục công trình [CT1] đến [CT6]). Các thuật toán đề xuất mở ra hướng nghiên cứu mới về mạng nơ-ron lai thích nghi (Hybrid Adaptive Networks) cho xử lý ảnh y tế.
  • Chuyển đổi y tế số và công nghệ: Cung cấp lõi thuật toán có thể tích hợp trực tiếp vào các phần mềm y tế nhúng trên máy chụp cộng hưởng từ thế hệ mới, hỗ trợ đắc lực cho các trung tâm chẩn đoán hình ảnh và khoa thần kinh tại các bệnh viện tuyến trung ương.
  • Lợi ích kinh tế - xã hội: Việc tự động hóa chẩn đoán sớm bệnh Alzheimer giúp người bệnh được can thiệp y khoa kịp thời trong "giai đoạn vàng", kéo dài thời gian sống độc lập của bệnh nhân, từ đó cắt giảm hàng ngàn tỷ đồng chi phí y tế và giảm áp lực chăm sóc nặng nề lên gia đình và hệ thống an sinh xã hội.

Đối tượng hưởng lợi

┌────────────────────────────────────────────────────────────────────────────────────────────────────────┐
│                                       CÁC BÊN HƯỞNG LỢI TRỰC TIẾP                                       │
└────────────────────────────────────────────────────────────────────────────────────────────────────────┘
  [ NHÀ NGHIÊN CỨU & NCS ]       [ BÁC SĨ CHẨN ĐOÁN HÌNH ẢNH ]     [ CÁC CÔNG TY MEDTECH ]
  ┌────────────────────────┐     ┌────────────────────────┐       ┌────────────────────────┐
  │ Khung toán học mở rộng │     │ Công cụ định lượng     │       │ Thuật toán lõi nhẹ     │
  │ AFM & B-UNet cho xử lý │     │ tự động GM/WM/CSF,     │       │ tích hợp vào hệ thống  │
  │ ảnh y sinh đa chiều    │     │ giảm 80% thời gian đọc │       │ PACS / CAD y tế        │
  └────────────────────────┘     └────────────────────────┘       └────────────────────────┘
  1. Nghiên cứu sinh và Chuyên gia Toán tin / Khoa học dữ liệu: Tiếp cận một khung lý thuyết hoàn chỉnh về việc tích hợp các phương pháp giải tích (Level Set, Eikonal, Bit-plane) vào kiến trúc Deep Learning, mở ra nhiều đề tài nghiên cứu mở rộng.
  2. Bác sĩ Chẩn đoán hình ảnh và Chuyên gia Thần kinh học: Sở hữu một công cụ định lượng chính xác thể tích ba chất trong não, biến các quan sát định tính cảm quan thành các con số toán học tin cậy hỗ trợ phác đồ điều trị Alzheimer.
  3. Các doanh nghiệp Công nghệ Y tế (MedTech R&D): Ứng dụng các thuật toán lõi có chi phí tính toán thấp (Reduced 3D U-Net, Adaptive Otsu-ARG) vào việc phát triển các phần mềm thương mại chẩn đoán hình ảnh thông minh (CADe/CADx) vận hành trơn tru trên phần cứng máy trạm tiêu chuẩn.
  4. Cơ quan Quản lý Y tế Công cộng: Có thêm cơ sở khoa học định lượng để xây dựng các chương trình tầm soát diện rộng suy giảm nhận thức cho cộng đồng người cao tuổi.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết kinh điển nào?

Đóng góp độc đáo nhất là việc phát triển phương pháp Adaptive Fast Marching (AFM) dựa trên sự mở rộng trực tiếp của lý thuyết phương trình Eikonal và phương pháp tập đồng mức (Osher & Sethian, 1988; Sethian, 1996). Luận án đã chuyển đổi toán tử lan truyền vận tốc tĩnh thành trường thích nghi phụ thuộc vào bản đồ khoảng cách đa điểm gieo $D_i(x,y)$ và phân nhóm hình học giải phẫu lát cắt, giải quyết căn bản hiện tượng rò rỉ ranh giới tại các vùng mô mềm phức tạp.

2. Sự đổi mới về phương pháp luận của luận án khi so sánh với ít nhất 2 công trình quốc tế tiêu chuẩn?

So với công cụ kinh điển BET (Smith, 2002) vốn sử dụng mô hình cầu biến dạng dễ bị biến dạng cục bộ khi gặp nhiễu xương, luận án áp dụng phân loại hình thái lát cắt kết hợp phân rã mặt phẳng Bit giúp tách sọ chính xác hơn tại các lát cắt thân sọ (>98% độ chính xác). So với mô hình 3D CNN của Kleesiek et al. (2016) có chi phí tính toán khổng lồ và dễ quá khớp, mô hình U-Net 3D thu nhỏ kết hợp Local CNN 2.5D của luận án duy trì được mối quan hệ không gian giữa các lát cắt liền kề nhưng giảm thiểu hơn 60% gánh nặng tham số.

3. Phát hiện bất ngờ hoặc phản trực giác nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là việc tăng cường các đặc trưng nhị phân tần số cao thông qua phép phân rã mặt phẳng Bit ($g_i = a_i \oplus a_{i+1}$) trong kiến trúc B-UNet lại mang lại hiệu quả phân đoạn chất xám và chất trắng vượt trội hơn hẳn so với việc đơn thuần tăng chiều sâu (số layer) của mạng U-Net tiêu chuẩn. Điều này chứng minh rằng việc tái cấu trúc thông tin đầu vào nguyên bản có ý nghĩa quyết định hơn việc phức tạp hóa mạng nơ-ron "hộp đen".

4. Luận án có cung cấp quy trình kiểm chứng tái lặp (Replication Protocol) rõ ràng không?

Có. Luận án mô tả chi tiết toàn bộ các bước toán học giải thuật (từ Thuật toán 2-1 Otsu, Thuật toán 2-2 Fast Marching, Thuật toán 2-3 ARG, Thuật toán 2-4 Bitplane Sure Region đến Thuật toán 3-2 Phân vùng chắc chắn), cấu hình siêu tham số kích thước cửa sổ trượt, cấu trúc các tầng tích chập và quy chuẩn đánh giá trên các cơ sở dữ liệu mở quốc tế như BrainWeb, đảm bảo khả năng tái lặp độc lập hoàn toàn bởi cộng đồng khoa học.

5. Khung chương trình nghiên cứu 10 năm tới được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào 3 trục chính: (1) Tích hợp học sâu tự giám sát (Self-supervised Learning) và Vision Transformers nhằm tự động hóa phân đoạn toàn bộ các nhân xám sâu và cấu trúc thần kinh vi mô; (2) Mở rộng hệ thống sang bài toán chẩn đoán đa bệnh lý kết hợp (AD đồng mắc Parkinson, mạch máu não); (3) Chuẩn hóa quy trình AI giải thích được (Explainable AI) đạt chứng nhận y tế quốc tế để thương mại hóa thành công cụ hỗ trợ lâm sàng tại giường bệnh.

Kết luận

Luận án Tiến sĩ Toán học của NCS. Trần Anh Tuấn đã hoàn thành xuất sắc các mục tiêu nghiên cứu với những giá trị học thuật và ứng dụng vượt trội, được đúc kết qua các trụ cột chính:

  1. Xây dựng thành công phương pháp tách hộp sọ thích nghi: Đề xuất thuật toán Adaptive Fast Marching (AFM) và Adaptive Region Growing (ARG) kết hợp phân tích mặt phẳng Bit, đạt độ chính xác >98% trên các lát cắt chuẩn giải phẫu.
  2. Phát triển kiến trúc học sâu phân đoạn đa mô hình: Đổi mới mạng tích chập qua kiến trúc B-UNet, Adaptive U-Net đa kernel và mô hình U-Net 3D thu nhỏ kết hợp Local CNN 2.5D, giải quyết triệt để ranh giới bất định của ba chất GM, WM và CSF.
  3. Thiết lập quy trình hỗ trợ chẩn đoán Alzheimer khả giải: Khai thác các chỉ số thể tích hình thái học định lượng của các chất nội sọ kết hợp mô hình XGBoost và SVM, nâng cao độ tin cậy và tính minh bạch cho các quyết định lâm sàng.
  4. Đóng góp vào bước chuyển dịch nhận thức luận (Paradigm Shift): Khẳng định tính ưu việt của phương pháp tiếp cận lai (Hybrid Approach)—kết hợp hài hòa giữa mô hình toán giải tích chính xác và trí tuệ nhân tạo hiện đại.
  5. Mở ra các nhánh nghiên cứu liên ngành bền vững: Tạo nền tảng phát triển cho các hướng xử lý ảnh y học 3D, phân tích hình thái học thần kinh số và xây dựng các hệ sinh thái công nghệ y tế phục vụ trực tiếp cho sức khỏe cộng đồng.