Tổng quan luận án

Luận án tiến sĩ toán học với đề tài "Phân đoạn ảnh MRI não 3D tự động và trích xuất vùng xám, vùng trắng và dịch não tủy để hỗ trợ chẩn đoán một số bệnh" được thực hiện bởi nghiên cứu sinh Trần Anh Tuấn, chuyên ngành Cơ sở toán cho tin học (mã số: 62460110) tại Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Thành phố Hồ Chí Minh dưới sự hướng dẫn khoa học của PGS. TS. Phạm Thế Bảo và GS. TS. Jin Young Kim (năm 2022).

1. Tính cấp thiết và khoảng trống nghiên cứu

Bệnh lý hệ thần kinh chiếm khoảng 1/3 tổng số bệnh tật toàn cầu và gia tăng nhanh theo quá trình già hóa dân số. Trong đó, hội chứng sa sút trí tuệ (Dementia) mà phổ biến nhất là bệnh Alzheimer (Alzheimer's Disease - AD) gây tổn thương hoặc mất tế bào thần kinh, làm suy giảm trí nhớ, suy nghĩ và khả năng sinh hoạt độc lập. Theo thống kê của Tổ chức Alzheimer Thế giới được trích dẫn trong văn bản, năm 2019 toàn cầu có hơn 50 triệu người mắc sa sút trí tuệ, dự kiến tăng lên 152 triệu người vào năm 2050; chi phí y tế hàng năm ước tính khoảng 1.000 tỷ USD và có thể tăng gấp đôi vào năm 2030. Bệnh nhân sau khi xuất hiện triệu chứng lâm sàng thường chỉ sống thêm khoảng 7 năm và dưới 3% sống thêm 14 năm.

Hình ảnh cộng hưởng từ (MRI) là phương tiện hỗ trợ quan sát trực quan các mô mềm trong não nhờ độ tương phản cao. Nghiên cứu y khoa cho thấy AD có liên quan mật thiết đến sự biến đổi thể tích và cấu trúc của ba chất chính trong não: chất trắng (White Matter - WM), chất xám (Gray Matter - GM) và dịch não tủy (Cerebrospinal Fluid - CSF). Tuy nhiên, việc phân đoạn thủ công đòi hỏi nhiều thời gian, công sức và phụ thuộc vào kinh nghiệm chuyên gia. Các phương pháp tự động hiện hữu gặp nhiều rào cản do ảnh MRI có độ tương phản thấp ở ranh giới mô, nhiễu cường độ không đồng nhất và chi phí tính toán lớn trên dữ liệu 3 chiều. Bên cạnh đó, các mô hình học sâu nguyên khối thường hoạt động như một "hộp đen", khó giải thích cơ chế ra quyết định trong y khoa. Do đó, việc xây dựng một hệ thống xử lý phân tầng gồm tách hộp sọ, phân đoạn ba chất và chẩn đoán phân loại là yêu cầu cấp thiết.

2. Mục tiêu nghiên cứu và các bài toán thành phần

Mục tiêu nghiên cứu của luận án là đề xuất các thuật toán tự động phân vùng chất xám, chất trắng, dịch não tủy và hỗ trợ chẩn đoán bệnh Alzheimer từ ảnh MRI não 3 chiều. Hệ thống nghiên cứu được cấu trúc thành ba bài toán cụ thể:

  1. Bài toán 1: Tách hộp sọ (phân vùng não) từ dữ liệu ảnh MRI não 3 chiều nhằm loại bỏ da đầu, xương sọ và các mô ngoài não.
  2. Bài toán 2: Phân vùng tự động ba chất trong não (WM, GM, CSF) từ ảnh não đã tách sọ.
  3. Bài toán 3: Hỗ trợ chẩn đoán bệnh Alzheimer dựa trên các đặc trưng trích xuất từ ba vùng WM, GM và CSF.

3. Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Cấu trúc giải phẫu não người trên ảnh MRI 3 chiều, trọng tâm là hộp sọ, da đầu, nhu mô não cùng ba thành phần chất trắng, chất xám và dịch não tủy; các thuật toán xử lý ảnh số, hình thái học toán học, mô hình tập mức, mô hình hỗn hợp Gauss và các mạng nơ-ron tích chập (CNN).
  • Phạm vi nghiên cứu:
    • Về dữ liệu: Ảnh MRI sọ não 3 chiều thuộc các tập dữ liệu chuẩn BrainWeb, Neurodevelopmental MRI và cơ sở dữ liệu ADNI.
    • Về bệnh lý: Tập trung hỗ trợ chẩn đoán bệnh Alzheimer đơn lẻ; phạm vi bài toán không áp dụng để chẩn đoán AD trên bệnh nhân mắc đồng thời nhiều bệnh lý thần kinh phức tạp khác.

Tổng quan tài liệu và vị trí của luận án

Văn bản luận án đã hệ thống hóa các hướng nghiên cứu liên quan đến ba giai đoạn xử lý:

1. Các nghiên cứu về tách hộp sọ (phân vùng não)

Tác giả phân loại các phương pháp phân vùng não thành ba nhóm chính:

  • Nhóm phương pháp dựa trên toán học và hình thái học: Bao gồm công cụ Brain Extraction Tool (BET) của Smith (2002), Brain Surface Extractor (BSE) của Shattuck và Leahy (2001) sử dụng thuật toán dò biên Marr-Hildreth kết hợp hình thái học; công cụ FSL (Jenkinson và cs., 2012); nghiên cứu của Brummer và cs. (1993); Tsai và cs. (1995); Sandor và Leahy (1997); thuật toán Exbrain của Lemieux và cs. (1999); Chaihi và Sasikumar (2008); Mikheev và cs. (2008) với kỹ thuật Bridge Burner; Park và Lee (2009) kết hợp Region Growing 2D với thông tin giải phẫu; Gao và Xie (2011) kết hợp lọc khuếch tán bất đẳng hướng và hình thái học. Nhược điểm của nhóm này là phụ thuộc vào các tham số hình học cố định, nhạy cảm với biến thiên cường độ.
  • Nhóm phương pháp dựa trên bản đồ mẫu (Atlas): Bao gồm Dale và cs. (1999) sử dụng mô hình mẫu biến dạng elip chịu tác động của hai lực; Wang và cs. (2004); Kobashi và cs. (2004) áp dụng cho não trẻ em; Mahapatra (2012) kết hợp thông tin tiên nghiệm hình dạng với Graph Cut; phương pháp Multi-Atlas Propagation and Segmentation (MAPS) của Leung và cs. (2011). Hạn chế của nhóm này là thời gian đăng ký mẫu lớn khi số lượng bản đồ mẫu tăng.
  • Nhóm phương pháp học máy và học sâu: Mô hình Auto-Net (Salehi và cs., 2017); ASM-CNN (Patenaude và cs., 2011); CompNet (Rezaei và cs., 2019); Milletari và cs. (2016) kết hợp CNN với Hough Voting; Kleesiek và cs. (2016) đề xuất mạng CNN 3 chiều cho trích xuất não. Nhược điểm của mô hình 3D là số tầng nông do giới hạn tài nguyên tính toán và chi phí bộ nhớ.

2. Các nghiên cứu về phân vùng chất trắng, chất xám và dịch não tủy

  • Phương pháp truyền thống: Công cụ Statistical Parametric Mapping (SPM) của Ashburner và Friston (2005) sử dụng mô hình Gauss kết hợp hiệu chỉnh trường cường độ trơn; thư viện FSL với công cụ FAST dựa trên mô hình trường ngẫu nhiên Markov ẩn (HMRF) và thuật toán cực đại hóa kỳ vọng (EM).
  • Phương pháp học sâu: Lee B. và cs. (2020) đề xuất mô hình U-Net không chồng chéo; Jiawei Lai và cs. (2020) kết hợp CNN với mô hình phân phối Gaussian-Dirichlet Mixture (GMMD); Liansheng Wang và cs. (2018) phát triển 3D CNN tích hợp các khối đệ quy và mô-đun pyramid pooling; Saqib Qamar và cs. (2020) áp dụng Dense Connections và Inception cho mạng CNN 3 chiều phân đoạn não trẻ nhỏ.

3. Khoảng trống nghiên cứu được luận án lựa chọn giải quyết

  1. Khắc phục việc áp dụng cứng nhắc một thuật toán đơn lẻ cho toàn bộ khối não bằng cách phân nhóm lát cắt theo hình dạng giải phẫu và chia không gian điểm ảnh thành "vùng chắc chắn" và "vùng chưa chắc chắn".
  2. Giải quyết xung đột giữa mô hình CNN 2D (thiếu thông tin không gian giữa các lát cắt) và CNN 3D (đòi hỏi bộ nhớ lớn, hạn chế số lượng mẫu huấn luyện) bằng các biến thể U-Net tích hợp đặc trưng mặt phẳng bit, cơ chế thích nghi đa kích thước kernel và kiến trúc 3D thu nhỏ.
  3. Xây dựng quy trình hỗ trợ chẩn đoán AD tường minh dựa trên các đặc trưng thể tích trích xuất từ ba chất WM, GM, CSF kết hợp thuật toán chọn đặc trưng XGBoost và bộ phân loại SVM.

Cơ sở lý thuyết và phương pháp nghiên cứu

1. Khung lý thuyết và khái niệm sử dụng

  • Khái niệm "vùng chắc chắn" và "vùng chưa chắc chắn": "Vùng chắc chắn" là vùng có cường độ đồng nhất, dễ phân đoạn với độ chính xác cao; "vùng chưa chắc chắn" (hoặc không chắc chắn) là các khu vực biên, ranh giới phức tạp giữa các chất hoặc giữa não và hộp sọ.
  • Phương pháp mặt phẳng Bit (Bit-plane slicing): Phân tích giá trị cường độ $m$-bit của mỗi điểm ảnh thành các mặt phẳng nhị phân độc lập theo đa thức: $$I(x,y) = \sum_{i=0}^{m-1} a_i(x,y) 2^i$$ Trong đó, các mặt phẳng bit cao ($a_{m-1}, a_{m-2}$) lưu giữ cấu trúc hình học và thông tin năng lượng chính của ảnh.
  • Thuật toán phân ngưỡng tự động Otsu: Tối ưu hóa việc chọn ngưỡng $t^*$ bằng cách tối đa hóa phương sai giữa các lớp $\sigma_B^2(t)$: $$\sigma_B^2(t) = \omega_1(t)(\mu_1(t) - \mu_T)^2 + \omega_2(t)(\mu_2(t) - \mu_T)^2$$
  • Phương trình tập mức và thuật toán Fast Marching: Giải phương trình Eikonal $|\nabla T| F = 1$ trên lưới sai phân upwind để theo dõi sự lan truyền của mặt biên với vận tốc $F > 0$, phân loại các điểm lưới thành ba tập hợp: Accepted, Narrow Band (NB) và Far.
  • Mô hình Gaussian Mixture Model (GMM) và thuật toán EM: Mô hình hóa phân phối cường độ điểm ảnh dưới dạng tổ hợp tuyến tính của các phân phối Gauss đa chiều, ước lượng tham số kỳ vọng $\mu_k$, hiệp phương sai $\Sigma_k$ và trọng số trộn $\pi_k$ qua hai bước: Bước E (tính xác suất hậu nghiệm $\gamma(z_{nk})$) và Bước M (cập nhật tham số).
  • Mạng nơ-ron tích chập U-Net: Kiến trúc mạng nơ-ron tích chập đối xứng gồm nhánh mã hóa (Encoder) và nhánh giải mã (Decoder) kết hợp các đường kết nối tắt (Skip connections) để truyền trực tiếp đặc trưng không gian cục bộ từ tầng mã hóa sang tầng giải mã tương ứng.
  • Các thuật toán học máy: Support Vector Machine (SVM) tối đa hóa lề phân cách giữa các lớp; XGBoost (Extreme Gradient Boosting) dựa trên cây quyết định tăng cường gradient phục vụ đánh giá mức độ quan trọng của đặc trưng và phân loại.

2. Dữ liệu thực nghiệm và độ đo đánh giá

  • Nguồn dữ liệu:
    • Bộ dữ liệu mô phỏng chuẩn BrainWeb (gồm 20 đối tượng thể tích não).
    • Bộ dữ liệu thực tế Neurodevelopmental MRI (gồm 7 đối tượng chuẩn có gán nhãn chuyên gia).
    • Cơ sở dữ liệu ADNI (Alzheimer's Disease Neuroimaging Initiative) sử dụng cho bài toán phân loại bệnh nhân AD dựa trên thang đánh giá lâm sàng CDR (Clinical Dementia Rating).
  • Phương pháp đánh giá: Sử dụng hệ số tương đồng Dice (Dice Similarity Coefficient - DSC), độ nhạy (Sensitivity), độ đặc hiệu (Specificity) và độ chính xác phân loại (Accuracy).

Nội dung chính theo từng chương

Chương 1. Giới thiệu bài toán

Chương này thiết lập cơ sở khoa học, động cơ nghiên cứu, mục tiêu, phạm vi và bố cục của luận án. Tác giả phân tích gánh nặng y tế của bệnh sa sút trí tuệ và Alzheimer, vai trò của ảnh MRI trong việc xác định sự suy giảm kích thước các vùng não liên quan đến ba chất WM, GM, CSF. Tác giả xác định cấu trúc giải quyết ba bài toán liên hoàn (tách hộp sọ $\rightarrow$ phân vùng ba chất $\rightarrow$ hỗ trợ chẩn đoán AD) và tóm tắt danh mục các công trình công bố của tác giả từ [CT1] đến [CT6].

Chương 2. Phân vùng não từ ảnh não trên MRI 3 chiều

Chương hai tập trung vào bài toán tách hộp sọ và da đầu với các thuật toán nền tảng (Mặt phẳng bit, Otsu, Fast Marching) và đề xuất hai phương pháp bán tự động:

  1. Phân nhóm lát cắt giải phẫu theo trục Axial: Luận án đề xuất chia các lát cắt từ đỉnh đầu xuống thành 4 nhóm hình dạng:
    • Nhóm 1: Hộp sọ có biên dày, vùng não bên trong nhỏ.
    • Nhóm 2: Hộp sọ gồm một đối tượng biên dày và một số đối tượng biên mỏng, diện tích não giảm.
    • Nhóm 3: Hộp sọ hình bầu dục lớn với đường biên mỏng, diện tích não lớn nhất.
    • Nhóm 4: Hộp sọ hình bầu dục nhỏ, đường biên mỏng, vùng não bên trong nhỏ.
Nhóm lát cắt Đặc điểm hình dạng hộp sọ Đặc điểm vùng não bên trong
Nhóm 1 Hộp sọ có biên dày Vùng não nhỏ bên trong
Nhóm 2 Gồm đối tượng biên dày và một số đối tượng biên mỏng Diện tích não giảm
Nhóm 3 Hình bầu dục lớn, đường biên mỏng Diện tích não lớn nhất
Nhóm 4 Hình bầu dục nhỏ, đường biên mỏng Vùng não nhỏ
  1. Phương pháp Adaptive Region Growing (ARG): Sử dụng Otsu phân chia lát cắt thành $m$ lớp ($k < m < 2k$) để định vị vùng chắc chắn là sọ và vùng chắc chắn không phải sọ. Thuật toán ARG tự động chọn điểm gieo, tính ngưỡng thích nghi cho từng nhóm lát cắt và kiểm tra điều kiện điểm ảnh qua hàm kiemtraDieuKien() trước khi tăng trưởng vùng. Nhu mô não và da đầu được tách bằng phép trừ ảnh.
  2. Phương pháp Adaptive Fast Marching (AFM): Trích xuất hai mặt phẳng bit cao nhất (thứ 7 và thứ 8) qua toán tử OR và AND để tìm "vùng chắc chắn", phần còn lại là "vùng chưa chắc chắn" ($I \ominus R$). Thuật toán AFM khởi tạo hai mốc thời gian $T=0$ tại vùng não ($S_0$) và da đầu ($S_1$) trong vùng chắc chắn, tính toán hai bản đồ khoảng cách $D_0, D_1$ với ngưỡng $T=0{,}04$ để phân loại chính xác các điểm ảnh trong vùng chưa chắc chắn. Nhóm 3 được xử lý trước để làm biên giới hạn cho các nhóm lát cắt kế tiếp.

Chương 3. Phân vùng chất trắng, chất xám, và dịch não tủy

Chương ba phân tích các mô hình U-Net, GMM-EM và đề xuất bốn kiến trúc mạng cải tiến nhằm giải quyết sự suy giảm độ chính xác tại vùng biên giữa các mô não:

  1. Mô hình B-UNet (Bit-plane U-Net): Bổ sung các đặc trưng mặt phẳng bit vào các tầng tích chập chuẩn của mạng U-Net. Đầu ra của mỗi khối tích chập là sự kết hợp (thông qua phép cộng Add hoặc phép ghép nối Concat) giữa bản đồ đặc trưng tích chập và bản đồ đặc trưng bit-plane, giúp tăng cường chi tiết không gian mà không làm thay đổi cấu trúc tổng thể.
  2. Mô hình Adaptive U-Net kết hợp Local CNN:
    • Giai đoạn 1 (Adaptive U-Net): Sử dụng đồng thời nhiều kích thước kernel khác nhau trong cùng tầng Convolution và kết hợp hai cơ chế giảm mẫu (Max-pooling và Stride Convolution), sau đó ghép nối các feature maps lại. Mạng thực hiện phân đoạn thô và tách các vùng biên $B$ cùng các đối tượng nhỏ ($< p$ pixel) để tạo ra "vùng chắc chắn" và "vùng không chắc chắn".
    • Giai đoạn 2 (Local CNN): Sử dụng một mạng CNN 2 chiều cục bộ huấn luyện riêng cho các điểm ảnh thuộc vùng chưa chắc chắn. Đầu vào của cửa sổ trượt $W(i,j)$ gồm 4 thành phần: 1 cửa sổ chứa điểm ảnh từ ảnh gốc lát cắt hiện tại $I_i$, và 3 cửa sổ trích xuất từ mặt nạ "vùng chắc chắn" của lát cắt liền trước ($I_{i-1}$), lát cắt hiện tại ($I_i$) và lát cắt liền sau ($I_{i+1}$).
  3. Mô hình U-Net 3 chiều thu nhỏ (Reduced 3D U-Net): Thay vì đưa toàn bộ khối thể tích $n$ lát cắt vào mạng 3D, mô hình chia nhỏ thể tích thành các khối gồm $k$ lát cắt liên tiếp ($k < n$, với kích thước đầu vào $(k, X, Y)$). Thiết kế này vừa bảo toàn mối tương quan không gian 3 chiều giữa các lát cắt liền kề, vừa tăng số lượng mẫu huấn luyện và giảm thiểu tài nguyên bộ nhớ GPU.
  4. Mô hình CNN 2 chiều kết hợp xác suất quan hệ điểm ảnh (RPP - Relationship Probability of Pixel): Tích hợp thông tin phân phối không gian cục bộ vào quá trình phân loại điểm ảnh.

Chương 4. Phương pháp hỗ trợ chẩn đoán bệnh Alzheimer

Chương bốn xây dựng quy trình chẩn đoán phân loại bệnh Alzheimer từ dữ liệu đã phân vùng:

  1. Trích xuất đặc trưng hình học và thể tích: Sau khi trích xuất tự động ba chất WM, GM và CSF từ Chương 3, hệ thống tính toán các chỉ số thể tích tuyệt đối, tỷ lệ thể tích giữa các chất (GM/WM, CSF/GM, CSF/Não) và các đặc trưng hình thái học liên quan đến sự teo não.
  2. Lựa chọn đặc trưng bằng XGBoost: Sử dụng thuật toán tăng cường gradient XGBoost để xếp hạng độ quan trọng của các đặc trưng thể tích trích xuất, loại bỏ các đặc trưng dư thừa.
  3. Phân loại chẩn đoán: Đưa tập đặc trưng tối ưu vào mô hình Support Vector Machine (SVM) hoặc bộ phân loại XGBoost để phân biệt các nhóm đối tượng (người bình thường - CN/NC và bệnh nhân Alzheimer - AD) theo các mức phân loại của bảng đánh giá chứng mất trí nhớ lâm sàng CDR.

Chương 5. Kết quả và thảo luận

Chương năm công bố các kết quả thực nghiệm chi tiết và so sánh định lượng:

  1. Kết quả tách hộp sọ:
    • Phương pháp ARG đạt độ chính xác phân vùng não trên 98% ở nhóm lát cắt số 2 (do tính tương đồng hình học cao giữa sọ và não).
    • Phương pháp AFM cho hệ số tương đồng Dice cao trên cả 20 đối tượng của tập BrainWeb và 7 đối tượng của tập Neurodevelopmental MRI, vượt trội hơn các công cụ chuẩn BET và BSE tại các lát cắt phức tạp ở vùng đáy não và đỉnh đầu.
  2. Kết quả phân đoạn ba chất WM, GM, CSF:
    • So sánh định lượng cho thấy mô hình B-UNet, Adaptive U-Net kết hợp Local CNN và U-Net 3D thu nhỏ đều đạt hệ số Dice cao hơn U-Net 2D truyền thống, SPM và FSL.
    • Phân tích trực quan chỉ ra rằng sự cải thiện chất lượng phân đoạn thể hiện rõ nét nhất tại ranh giới tiếp giáp giữa chất xám và chất trắng (các rãnh cuộn não phức tạp), giảm thiểu hiện tượng phân loại nhầm điểm ảnh biên.
  3. Kết quả chẩn đoán bệnh Alzheimer:
    • Mô hình kết hợp đặc trưng thể tích ba chất được chọn lọc bởi XGBoost và phân loại bằng SVM đạt độ chính xác cao trong việc nhận diện bệnh nhân AD trên tập dữ liệu kiểm thử so với việc phân loại trực tiếp từ ảnh thô chưa tách sọ.

Chương 6. Kết luận và hướng phát triển

Chương sáu tổng kết toàn bộ các kết quả đạt được của luận án và đề xuất các hướng mở rộng nghiên cứu trong tương lai.

Kết quả và những đóng góp mới

1. Đóng góp về mặt lý luận và thuật toán

  • Đề xuất quy trình phân vùng theo mức độ chắc chắn: Đưa ra khái niệm và quy trình toán học phân tách ảnh y khoa thành "vùng chắc chắn" và "vùng chưa chắc chắn", cho phép áp dụng các giải thuật chuyên biệt (hình thái học/mô hình tham số cho vùng đồng nhất và học sâu/mô hình lan truyền biên cho vùng phức tạp).
  • Cải tiến thuật toán tách sọ não thích nghi: Phát triển thành công hai thuật toán ARG (kết hợp Otsu đa ngưỡng thích nghi) và AFM (kết hợp mặt phẳng bit và thuật toán Fast Marching điều chỉnh ngưỡng) trên cơ sở phân nhóm 4 dạng hình học lát cắt trục Axial.
  • Phát triển các biến thể học sâu chuyên biệt cho phân đoạn não:
    • Kiến trúc B-UNet tích hợp đặc trưng mặt phẳng bit trực tiếp vào các tầng tích chập.
    • Mô hình Adaptive U-Net đa kích thước kernel kết hợp mạng Local CNN 2D nhận đầu vào 4 kênh không gian.
    • Mô hình U-Net 3 chiều thu nhỏ giúp dung hòa giữa yêu cầu nắm bắt ngữ cảnh không gian 3D và hạn chế về kích thước mẫu/bộ nhớ tính toán.

2. Đóng góp về mặt thực tiễn và giải pháp ứng dụng

  • Xây dựng một quy trình khép kín, tự động và có khả năng giải thích từng bước: từ ảnh MRI 3 chiều thô $\rightarrow$ tách hộp sọ $\rightarrow$ phân đoạn chi tiết WM, GM, CSF $\rightarrow$ trích xuất đặc trưng thể tích $\rightarrow$ hỗ trợ chẩn đoán AD.
  • Cung cấp giải pháp tiền xử lý và trích xuất đặc trưng đáng tin cậy hỗ trợ y bác sĩ trong việc theo dõi tiến trình thoái hóa thần kinh và hỗ trợ ra quyết định lâm sàng.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế của luận án

  • Về phạm vi chẩn đoán: Luận án chỉ tập trung vào việc hỗ trợ chẩn đoán bệnh Alzheimer đơn lẻ, chưa giải quyết bài toán chẩn đoán phân biệt khi bệnh nhân mắc đồng thời nhiều hội chứng thần kinh hoặc các thể sa sút trí tuệ khác.
  • Về độ phức tạp cấu trúc: Nghiên cứu mới tập trung vào ba thành phần mô chính (WM, GM, CSF), chưa mở rộng phân đoạn chi tiết các cấu trúc não sâu như vùng Đồi thị (Thalamus) hay hạch Hạnh nhân (Amygdala) vốn cũng có vai trò quan trọng trong bệnh học thần kinh.
  • Về thuật toán ARG: Độ chính xác phân đoạn não của phương pháp ARG ở Nhóm lát cắt số 1 còn thấp do sự khác biệt hình học lớn giữa sọ và não ở các lát cắt sát vòm sọ.

2. Hướng nghiên cứu tiếp

  1. Nghiên cứu mở rộng thuật toán để phân đoạn chi tiết các cấu trúc sâu bên trong não (đồi thị, hạch hạnh nhân, thể chai).
  2. Phát triển và kiểm thử mô hình chẩn đoán phân biệt AD với các dạng bệnh lý sa sút trí tuệ khác (sa sút trí tuệ mạch máu, sa sút trí tuệ thể Lewy).
  3. Đánh giá và chuẩn hóa mô hình trên các tập dữ liệu ảnh MRI lâm sàng đa trung tâm với nhiều mức độ nhiễu và độ phân giải khác nhau.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu có giá trị học thuật và ứng dụng thực tiễn:

  • Đối với nghiên cứu sinh và học viên cao học ngành Khoa học máy tính, Toán tin và Xử lý ảnh y khoa: Cung cấp tài liệu tham khảo chi tiết về kỹ thuật kết hợp giữa các phương pháp toán học giải tích (phương trình tập mức, Fast Marching, phân ngưỡng Otsu) với các mô hình học sâu hiện đại (U-Net, Local CNN, 3D CNN thu nhỏ). Chương 2 và Chương 3 là các chương có giá trị kỹ thuật cao nhất.
  • Đối với giảng viên và nhóm nghiên cứu: Cung cấp phương pháp luận phân tầng bài toán "hộp đen" học sâu thành các giai đoạn trung gian có thể kiểm soát và giải thích được trong chẩn đoán hình ảnh y sinh.
  • Đối với các kỹ sư y sinh và đơn vị phát triển phần mềm y tế: Cung cấp thuật toán và quy trình cụ thể để xây dựng các công cụ tự động tách sọ và định lượng thể tích chất xám, chất trắng phục vụ các hệ thống hỗ trợ chẩn đoán có sự trợ giúp của máy tính (CAD).

Câu hỏi thường gặp

1. Tại sao tác giả lại đề xuất phân chia lát cắt não thành 4 nhóm hình dạng trong Chương 2?

Do hình dạng giải phẫu của hộp sọ và não bộ thay đổi liên tục và đều đặn theo chiều từ đỉnh đầu xuống đáy não dọc theo trục Axial, việc áp dụng một thuật toán duy nhất với bộ tham số cố định cho toàn bộ các lát cắt sẽ dẫn đến sai số lớn (đặc biệt ở các lát cắt biên). Việc phân nhóm cho phép lựa chọn điểm gieo, ngưỡng và thuật toán thích nghi riêng biệt cho từng nhóm hình thái, đồng thời sử dụng kết quả của lát cắt nhóm 3 (nơi diện tích não lớn nhất) làm ranh giới tham chiếu cho các nhóm khác.

2. Khái niệm "vùng chắc chắn" và "vùng chưa chắc chắn" được định nghĩa và xử lý như thế nào?

"Vùng chắc chắn" được định nghĩa là khu vực đồng nhất về cường độ, dễ dàng phân đoạn với độ chính xác cao; "vùng chưa chắc chắn" là khu vực ranh giới phức tạp giữa các mô hoặc nơi có độ tương phản thấp. Trong Chương 2, vùng chắc chắn được trích xuất bằng phép lọc mặt phẳng bit (bit 7 và 8), sau đó vùng chưa chắc chắn được xử lý bằng thuật toán Adaptive Fast Marching. Trong Chương 3, vùng chưa chắc chắn sau khi qua Adaptive U-Net được phân loại chi tiết bằng mạng Local CNN với cửa sổ trượt 4 kênh.

3. Mô hình U-Net 3 chiều thu nhỏ (Reduced 3D U-Net) có ưu điểm gì so với mô hình 2D U-Net và 3D U-Net chuẩn?

So với 2D U-Net (chỉ nhận từng lát cắt riêng lẻ và bỏ qua ngữ cảnh không gian giữa các lát cắt liên tiếp), U-Net 3D thu nhỏ tiếp nhận đầu vào là một tập con gồm $k$ lát cắt liên tiếp ($k < n$) với kích thước $(k, X, Y)$, giúp tận dụng mối quan hệ tương quan không gian 3 chiều. So với 3D U-Net chuẩn (nhận toàn bộ thể tích $n$ lát cắt, tốn nhiều bộ nhớ GPU và làm giảm số lượng mẫu huấn luyện), mô hình 3D thu nhỏ giúp tăng số lượng mẫu huấn luyện và giảm đáng kể chi phí tính toán phần cứng.

4. Quy trình hỗ trợ chẩn đoán bệnh Alzheimer trong Chương 4 được thực hiện qua các bước nào?

Quy trình gồm ba bước: (1) Trích xuất các đặc trưng thể tích và tỷ lệ hình học từ ba chất WM, GM, CSF đã được phân đoạn tự động; (2) Sử dụng thuật toán XGBoost để đánh giá tầm quan trọng và lựa chọn các đặc trưng tối ưu nhất liên quan đến sự suy giảm kích thước não; (3) Sử dụng mô hình phân loại SVM (hoặc XGBoost) trên tập đặc trưng đã chọn để chẩn đoán phân biệt bệnh nhân AD và người bình thường.

Kết luận

Luận án tiến sĩ của tác giả Trần Anh Tuấn đã giải quyết trọn vẹn ba bài toán liên hoàn trong xử lý ảnh MRI não 3 chiều bao gồm: tách hộp sọ, phân vùng ba chất (WM, GM, CSF) và hỗ trợ chẩn đoán bệnh Alzheimer. Bằng việc kết hợp các phương pháp toán học thích nghi (Otsu, mặt phẳng bit, Fast Marching) với các kiến trúc học sâu cải tiến (B-UNet, Adaptive U-Net, Local CNN và U-Net 3D thu nhỏ), luận án đã nâng cao độ chính xác phân đoạn tại các ranh giới mô phức tạp. Kết quả nghiên cứu đã đóng góp các giải pháp thuật toán hữu ích cho lĩnh vực cơ sở toán cho tin học và mở ra tiềm năng ứng dụng thực tiễn trong hỗ trợ chẩn đoán hình ảnh y khoa.