Tổng quan nghiên cứu

Trong chẩn đoán hình ảnh y khoa hiện đại, việc phân tích chính xác các cấu trúc giải phẫu và tổn thương bệnh lý đóng vai trò quyết định đối với hiệu quả điều trị của người bệnh. Trung bình mỗi ca chụp cắt lớp vi tính chấn thương sọ não tạo ra tối thiểu 20 lát cắt, đòi hỏi bác sĩ chuyên khoa phải xử lý khối lượng dữ liệu khổng lồ với độ sâu 256 mức xám trong thời gian ngặt nghèo. Tuy nhiên, các ảnh chụp cắt lớp vi tính (CT) và cộng hưởng từ (MRI) thường chứa nhiều nhiễu hạt, độ tương phản giữa các mô mềm thấp và biên giới tổn thương bị mờ, dẫn đến nguy cơ sai số chẩn đoán ước tính lên tới 15% trong các ca bệnh lý phức tạp. Đề tài "Phân đoạn ảnh sử dụng kỹ thuật đa phân giải ứng dụng trong phân đoạn ảnh y khoa" do học viên Nguyễn Thành Công thực hiện dưới sự hướng dẫn của PGS.TS Lê Tiến Thường vào tháng 12 năm 2015 tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh nhằm giải quyết triệt để bài toán này. Mục tiêu nghiên cứu tập trung vào việc phát triển giải thuật phân đoạn ảnh tự động dựa trên sự kết hợp chặt chẽ giữa kỹ thuật phân tích đa phân giải và mô hình trường ngẫu nhiên Markov (MRF). Phạm vi nghiên cứu khảo sát các tập dữ liệu ảnh y khoa thực tế gồm ảnh cắt lớp vi tính phổi, khối u thượng thận và tổn thương xuất huyết sọ não. Kết quả của công trình mang lại ý nghĩa to lớn, giúp giảm hơn 40% thời gian xử lý phân đoạn so với giải thuật truyền thống, đồng thời nâng cao độ chính xác nhận diện biên mô tổn thương lên trên 90%, tạo tiền đề vững chắc cho việc tích hợp vào các hệ thống lưu trữ và truyền thông hình ảnh y tế (PACS).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của nghiên cứu được xây dựng trên sự giao thoa giữa lý thuyết biểu diễn đa phân giải và lý thuyết trường ngẫu nhiên thống kê. Hai mô hình nền tảng chính bao gồm: biến đổi Wavelet rời rạc 2 chiều (2D-DWT) cùng biến đổi Wavelet không giảm mẫu (UWT), kết hợp với mô hình trường ngẫu nhiên Markov (MRF) được tối ưu bằng thuật toán nung luyện mô phỏng thích nghi (Simulated Annealing - SA). Hệ thống khái niệm cốt lõi được chuẩn hóa gồm:

Thứ nhất, phân tích đa phân giải (MRA) với cơ chế phân rã qua các bộ lọc thông cao và thông thấp theo tỷ lệ lũy thừa bậc 2, cho phép trích xuất đặc trưng tần số theo 3 hướng không gian chính (ngang, dọc và chéo).

Thứ hai, biến đổi Curvelet với 5 cấp phân rã và biến đổi Ridgelet nhằm tối ưu hóa khả năng định vị các đường biên cong và cấu trúc bất quy tắc của mô mềm.

Thứ ba, trường ngẫu nhiên Markov (MRF) mô hình hóa tương tác không gian cục bộ giữa các điểm ảnh dựa trên cấu trúc lân cận 4 điểm hoặc 8 điểm.

Thứ tư, hàm năng lượng và chuẩn ước lượng xác suất hậu nghiệm cực đại (MAP), chuyển đổi bài toán phân đoạn ảnh thành bài toán tìm cấu hình nhãn tối ưu toàn cục.

Thứ năm, thang đo đậm độ Hounsfield (HU) chuẩn hóa từ -1000 HU cho không khí đến +1000 HU cho mô xương, trong đó dịch não tủy đạt từ 0 đến 10 HU và khối máu tụ nội sọ đạt từ 55 đến 75 HU.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp mô phỏng thực nghiệm trên nền tảng phần mềm MATLAB kết hợp chuẩn dữ liệu ảnh y khoa quốc tế DICOM. Cỡ mẫu nghiên cứu bao gồm 30 tập dữ liệu ảnh y khoa thực tế thu nhận từ các hệ thống chụp cắt lớp vi tính (CT) và cộng hưởng từ (MRI), tập trung vào ảnh CT phổi, CT u thượng thận và CT sọ não. Phương pháp chọn mẫu là chọn mẫu có chủ đích theo phân tầng bệnh lý, ưu tiên các lát cắt chứa cấu trúc mô phức tạp, nhiễu nền cao và ranh giới tổn thương mờ nhằm kiểm tra độ bền vững của thuật toán.

Lý do lựa chọn giải thuật kết hợp đa phân giải (WTMRF và UWTMRF) thay vì các phương pháp phân ngưỡng đơn thuần hay phân cụm K-means là bởi ảnh y khoa luôn tồn tại nhiễu ngẫu nhiên và mối tương quan không gian mạnh mẽ giữa các điểm ảnh lân cận. Biến đổi Wavelet giúp lọc nhiễu đa tầng và nén không gian tìm kiếm, trong khi mô hình MRF duy trì tính liên tục của các vùng giải phẫu đồng nhất. Tiến trình nghiên cứu được triển khai liên tục qua 4 giai đoạn trong 12 tháng của năm 2015, bao gồm xây dựng mô hình toán học, thiết kế bộ lọc đa cấp, lập trình giải thuật nung luyện mô phỏng thích nghi trên ma trận điểm ảnh, và đánh giá định lượng thời gian tính toán qua 100 vòng lặp mô phỏng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, giải thuật phân đoạn kết hợp Wavelet và Markov (WTMRF) giải quyết triệt để nút thắt về tốc độ tính toán của thuật toán nung luyện mô phỏng truyền thống. Trên tập ảnh CT phổi kích thước chuẩn, thời gian thực thi của WTMRF giảm tới 48,5% so với phương pháp MRF đơn thuần, trong khi vẫn bảo tồn nguyên vẹn các đường bao phế trường lớn. Kết quả định lượng được biểu diễn trực quan qua biểu đồ cột so sánh thời gian xử lý và bảng thống kê số vòng lặp hội tụ năng lượng.

Thứ hai, đối với các cấu trúc giải phẫu nhỏ và biên mảnh như khối u thượng thận, phương pháp Wavelet không giảm kích thước mẫu kết hợp Markov (UWTMRF) thể hiện ưu thế vượt trội. Nhờ giữ nguyên độ phân giải không gian qua các tầng lọc, UWTMRF tăng 28,4% độ sắc nét đường biên và nhận diện chính xác 94,2% thể tích tổn thương vi mô so với việc chỉ phân đoạn bằng thuật toán MRF cục bộ.

Thứ ba, tiền xử lý bằng biến đổi Curvelet ở thang đo tỷ lệ cấp 4 và cấp 5 giúp triệt tiêu hơn 65% thành phần nhiễu ngẫu nhiên không định hướng mà không làm mờ các gờ viền giải phẫu. Phân tích lược đồ phân bố mức xám (Histogram) trước và sau xử lý cho thấy độ lệch chuẩn của vùng mô đồng nhất giảm từ 18,6 xuống còn 6,2 đơn vị Hounsfield, tạo điều kiện lý tưởng cho bước gán nhãn xác suất hậu nghiệm cực đại.

Thảo luận kết quả

Sự vượt trội của phương pháp WTMRF xuất phát từ cơ chế giảm kích thước mẫu ở các dải tần số thấp, giúp không gian tìm kiếm trạng thái nhãn của thuật toán Simulated Annealing thu hẹp theo cấp số nhân với hệ số giảm 4 lần trên mỗi bậc phân rã. Khi so sánh với các nghiên cứu phân đoạn dựa trên thuật toán phân cụm Fuzzy C-Means hay mô hình phân hoạch đồ thị Normalized Cut trong tài liệu tham khảo cùng thời kỳ, mô hình UWTMRF hạn chế tối đa hiện tượng phân mảnh giả tại các vùng biên mô có độ chênh lệch đậm độ dưới 10 HU.

Về mặt biểu diễn dữ liệu, sự phân bố mật độ điểm ảnh giữa các mô bình thường và mô bệnh lý được mô tả sinh động thông qua biểu đồ phân bố tần suất mức xám đa đỉnh (Histogram) và bảng ma trận chuyển đổi nhãn xác suất. Phân tích chuyên sâu chỉ ra rằng trong chẩn đoán chấn thương sọ não, việc phát hiện tụ máu ngoài màng cứng (chiếm 95% ở vùng thái dương - đỉnh và 90% tổn thương liên quan động mạch màng não giữa) đòi hỏi sự nhạy bén cực cao tại dải đậm độ 55 đến 75 HU. Việc kết hợp phân tích đa phân giải hướng cục bộ Curvelet giúp khắc phục hoàn toàn hạn chế của biến đổi Fourier truyền thống, mang lại công cụ hỗ trợ định lượng đáng tin cậy cho chuyên gia chẩn đoán hình ảnh.

Đề xuất và khuyến nghị

Thứ nhất, nâng cấp module phân đoạn ảnh tự động WTMRF và UWTMRF thành thư viện phần mềm chuyên dụng tích hợp trực tiếp vào hệ thống thông tin bệnh viện (HIS) và lưu trữ PACS. Nhóm kỹ sư phần mềm y tế cần hoàn thành quá trình tối ưu hóa mã nguồn trong vòng 6 tháng nhằm mục tiêu cắt giảm thêm 30% độ trễ tính toán khi xử lý các chuỗi dữ liệu ảnh cắt lớp vi tính dung lượng lớn.

Thứ hai, chuẩn hóa quy trình tiền xử lý ảnh y tế bằng biến đổi Curvelet đa hướng cho các thiết bị chụp cắt lớp vi tính đa dãy đầu dò (MSCT) và cộng hưởng từ (MRI). Ban giám đốc chuyên môn tại các bệnh viện tuyến tỉnh và trung ương nên chủ trì áp dụng quy chuẩn này trong lộ trình 9 tháng để nâng tỷ lệ phát hiện tổn thương khối u kích thước dưới 5 mm lên mức tối thiểu 85%.

Thứ ba, xây dựng cơ sở dữ liệu đối chuẩn nhãn phân đoạn y khoa chuẩn DICOM gồm tối thiểu 1000 ca bệnh đa dạng về sọ não, phổi và ổ bụng. Hội đồng chuyên gia chẩn đoán hình ảnh phối hợp cùng các viện nghiên cứu điện tử y sinh triển khai dự án trong 12 tháng, tạo bộ dữ liệu chuẩn hóa phục vụ huấn luyện và kiểm định các thuật toán phân đoạn ảnh tự động.

Thứ tư, mở rộng nghiên cứu tích hợp thuật toán phân đoạn đa phân giải 3 chiều (3D Multiresolution MRF) nhằm tái tạo không gian thể tích cơ quan bị tổn thương. Bộ môn Kỹ thuật Điện tử và các nhóm nghiên cứu sau đại học cần tập trung nguồn lực thực hiện trong khung thời gian 18 tháng, hướng tới mục tiêu nâng độ chính xác tái tạo hình học 3D đạt trên 95% phục vụ công tác lập kế hoạch phẫu thuật can thiệp ngoại khoa.

Đối tượng nên tham khảo luận văn

Thứ nhất, học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Điện tử, Xử lý tín hiệu và Công nghệ Thông tin. Luận văn cung cấp hệ thống công thức toán học chặt chẽ về phân tích đa phân giải 2D, không gian hàm bình phương khả tích và mô hình xác suất MRF, rút ngắn 50% thời gian xây dựng mô hình lý thuyết cho các đề tài nghiên cứu liên quan.

Thứ hai, kỹ sư phát triển phần mềm y tế và hệ thống thông tin y tế (PACS/RIS). Nhóm đối tượng này có thể kế thừa trực tiếp các lưu đồ thuật toán và mã nguồn mô phỏng MATLAB của 2 phương pháp WTMRF và UWTMRF để tích hợp vào các nền tảng chẩn đoán ảnh số theo chuẩn quốc tế DICOM 3.0.

Thứ ba, bác sĩ và kỹ thuật viên chẩn đoán hình ảnh tại các cơ sở y tế. Tài liệu mang lại góc nhìn định lượng sâu sắc về mối quan hệ giữa thang đậm độ Hounsfield từ -1000 HU đến +1000 HU với bản chất vật lý của các dạng tổn thương như tụ máu sọ não (55 đến 75 HU), giúp tối ưu hóa việc phân tích hơn 20 lát cắt CT mỗi ca bệnh.

Thứ tư, các nhà quản lý thiết bị y tế và doanh nghiệp công nghệ y tế (MedTech). Luận văn gợi mở hướng đầu tư khả thi vào các thuật toán xử lý ảnh thế hệ mới, nâng cao hiệu quả chẩn đoán tự động và tiết kiệm tối thiểu 25% chi phí vận hành hệ thống máy trạm chẩn đoán.

Câu hỏi thường gặp

Sự khác biệt cốt lõi giữa hai phương pháp WTMRF và UWTMRF là gì?

Phương pháp WTMRF sử dụng biến đổi Wavelet có giảm kích thước mẫu xuống bậc 2, giúp tăng tốc độ tính toán lên 48,5% cho các vùng ảnh giải phẫu lớn như phế trường phổi. Ngược lại, UWTMRF giữ nguyên kích thước mẫu qua các tầng phân rã, giúp bảo toàn tối đa biên cạnh của các cấu trúc nhỏ như khối u thượng thận với độ chính xác đạt trên 94%.

Tại sao biến đổi Curvelet lại vượt trội hơn biến đổi Wavelet trong tiền xử lý ảnh CT y tế?

Biến đổi Wavelet 2 chiều truyền thống bị giới hạn ở 3 hướng phân rã ngang, dọc và chéo, khó bắt trọn các đường cong giải phẫu phức tạp. Biến đổi Curvelet với 5 cấp phân rã cho phép biểu diễn các cạnh cong ở nhiều tỷ lệ và hướng khác nhau, giúp loại bỏ hơn 65% nhiễu hạt ngẫu nhiên mà không làm biến dạng đường biên mô.

Mô hình trường ngẫu nhiên Markov (MRF) đóng vai trò gì trong phân đoạn ảnh y khoa?

Mô hình MRF thiết lập mối tương tác không gian cục bộ giữa các điểm ảnh lân cận trong hệ 4 hoặc 8 láng giềng. Thông qua việc tối ưu hóa hàm năng lượng bằng ước lượng xác suất hậu nghiệm cực đại (MAP), MRF loại bỏ các điểm nhiễu cô lập và tạo ra các vùng phân đoạn đồng nhất về mặt giải phẫu học.

Chuẩn DICOM và thang đo Hounsfield có ý nghĩa như thế nào trong nghiên cứu này?

Chuẩn DICOM cung cấp tập dữ liệu chứa thông tin bệnh nhân và cấu trúc ma trận điểm ảnh độ sâu 16 bit. Thang đo Hounsfield gán giá trị định lượng cho từng mô, từ khí (-1000 HU), dịch não tủy (0 đến 10 HU) đến máu tụ (55 đến 75 HU), làm cơ sở toán học để phân lớp chính xác tổn thương.

Thuật toán nung luyện mô phỏng thích nghi (SA) khắc phục hạn chế gì của việc tìm nghiệm tối ưu?

Thuật toán Simulated Annealing thích nghi giúp quá trình tối ưu hóa hàm năng lượng không bị rơi vào các cực tiểu địa phương. Nhờ cơ chế giảm nhiệt độ linh hoạt qua 100 chu kỳ mô phỏng, thuật toán đảm bảo sự hội tụ về trạng thái gán nhãn tối ưu toàn cục với độ ổn định cao hơn 30% so với phương pháp thông thường.

Kết luận

  • Công trình đã xây dựng thành công khung phân đoạn ảnh y khoa tiên tiến kết hợp giữa kỹ thuật đa phân giải Wavelet, Curvelet và mô hình thống kê trường ngẫu nhiên Markov (MRF).
  • Giải thuật WTMRF chứng minh tính hiệu quả vượt trội khi giảm 48,5% thời gian tính toán trên ảnh CT phổi so với thuật toán MRF truyền thống.
  • Giải thuật UWTMRF nâng cao độ chính xác nhận diện biên tổn thương nhỏ lên trên 94%, giải quyết bài toán phân đoạn khối u thượng thận phức tạp.
  • Hệ thống hóa toàn diện cơ sở toán học phân tích đa phân giải cùng đặc tính đậm độ Hounsfield của hơn 10 cấu trúc mô nội sọ và tổn thương chấn thương sọ não.
  • Tạo nền tảng thuật toán hoàn chỉnh được kiểm chứng trên nền tảng phần mềm MATLAB với 30 bộ dữ liệu ảnh y khoa chuẩn DICOM.

Đóng góp chính của luận văn là giải pháp dung hòa tối ưu giữa tốc độ xử lý và độ chính xác phân đoạn trong chẩn đoán hình ảnh cận lâm sàng. Trong giai đoạn 12 tháng tiếp theo, nhóm nghiên cứu dự kiến phát triển thuật toán phân đoạn 3D trên nền tảng điện toán biên nhằm đưa vào thử nghiệm lâm sàng thực tế. Hãy liên hệ và chia sẻ công trình nghiên cứu giá trị này để cùng thúc đẩy các ứng dụng xử lý ảnh y sinh tiên tiến phục vụ cộng đồng y khoa!