Giới thiệu dự án

Trong sản khoa hiện đại, chẩn đoán hình ảnh qua siêu âm 2 chiều (2D Ultrasound) là phương pháp tiêu chuẩn vàng để theo dõi sự phát triển của thai nhi nhờ tính an toàn tuyệt đối, không phát xạ tia X, chi phí tối ưu và khả năng quan sát thời gian thực. Theo thống kê y tế toàn cầu, hàng năm có hơn 135 triệu ca sinh cần được theo dõi định kỳ, trong đó việc đo lường các chỉ số sinh trắc học thai nhi (Fetal Biometry) là bắt buộc. Trong các chỉ số cơ bản gồm đường kính lưỡng đỉnh (BPD - Biparietal Diameter), chiều dài xương đùi (FL - Femur Length), chu vi vòng bụng (AC - Abdominal Circumference), thì chu vi vòng đầu (HC - Head Circumference) đóng vai trò cốt lõi để ước tính tuổi thai (Gestational Age - GA), đánh giá cân nặng thai nhi và phát hiện sớm các dị tật hệ thần kinh trung ương như tật đầu nhỏ (Microcephaly), não úng thủy (Hydrocephalus) hay hội chứng Dandy-Walker.

Tuy nhiên, quy trình lâm sàng truyền thống phụ thuộc hoàn toàn vào thao tác thủ công của bác sĩ siêu âm. Bác sĩ phải định vị mặt cắt chuẩn ngang đồi thị (Transthalamic Plane), sau đó vẽ đường elip khớp với bờ ngoài xương sọ. Phương pháp thủ công này bộc lộ những nhược điểm lớn:

  • Độ biến thiên liên quan đến người đo (Inter/Intra-observer variability): Sai số giữa các bác sĩ có thể vượt quá 5% - 10%, gây chệch hướng chẩn đoán tuổi thai và phân loại tăng trưởng.
  • Áp lực thời gian và quá tải lâm sàng: Thao tác thủ công tiêu tốn từ 2 - 4 phút cho mỗi lượt đo, kéo dài thời gian khám thai.
  • Chất lượng ảnh siêu âm 2D hạn chế: Hiện tượng bóng lưng âm học (Acoustic Shadowing), nhiễu đốm (Speckle Noise), độ tương phản thấp, tư thế thai nhi xoay chuyển hoặc thành sọ chưa cốt hóa hoàn chỉnh ở tam cá nguyệt thứ nhất gây khó khăn lớn cho bác sĩ ít kinh nghiệm.

Đề tài "Phương pháp xác định vòng đầu tự động trong quá trình ước tính chu vi đầu của thai nhi sử dụng ảnh siêu âm 2 chiều" được thực hiện bởi nhóm tác giả Trần Nguyễn Hồng Quân và Đặng Xuân Trường (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, hướng dẫn: TS. Lê Minh Hưng) nhằm tự động hóa hoàn toàn quy trình nhận dạng và đo đạc này bằng kỹ thuật Học sâu (Deep Learning).

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu và xây dựng pipeline xử lý ảnh siêu âm thai 2D đạt chuẩn y khoa.
  2. Thiết kế và tối ưu hóa hai hướng tiếp cận Deep Learning chuyên sâu: Phương pháp phân đoạn ngữ nghĩa (Semantic Segmentation qua Attention U-Net) kết hợp thuật toán khớp elip (Ellipse Fitting), và phương pháp hồi quy trực tiếp tham số hình học (Direct Regression qua ResNet-50).
  3. Đạt độ chính xác tương đương bác sĩ chuyên khoa trên tập dữ liệu chuẩn quốc tế HC18 Challenge: Mean Dice Similarity Coefficient (DSC) $\ge 97.0%$, Mean Hausdorff Distance (HD) $\le 2.0\text{ mm}$, sai số tuyệt đối chu vi (Mean ADF) $\le 2.5\text{ mm}$.
  4. Xây dựng module suy luận tự động với thời gian xử lý dưới $50\text{ ms/ảnh}$, sẵn sàng tích hợp vào hệ thống hỗ trợ chẩn đoán CAD (Computer-Aided Detection).

Phạm vi và giới hạn: Dự án tập trung vào ảnh siêu âm 2D chụp mặt cắt ngang đồi thị thai nhi ở cả 3 tam cá nguyệt, không xử lý khối dữ liệu siêu âm 3D/4D hoặc các mặt cắt chệch chuẩn giải phẫu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Độ chính xác (Dice/Error)
Đo thủ công lâm sàng Phụ thuộc vào kinh nghiệm chuyên gia, trực quan Tốn thời gian (2-4 phút/ca), sai số chủ quan cao (5-10%) Điểm chuẩn (Ground Truth)
Xử lý ảnh cổ điển (Hough Transform, Active Contour) Không cần tập dữ liệu huấn luyện lớn, tính toán nhẹ Rất nhạy cảm với nhiễu đốm (speckle) và bóng lưng xương sọ Dice: 85% - 89%, Mean HD > 4.5 mm
CAD FCN / U-Net cơ bản Tự động hóa trích xuất đặc trưng vùng đầu Dễ mất dấu biên ở vùng sọ mờ hoặc vùng đồi thị tối Dice: 94.5% - 96.0%, Mean HD ~ 2.5 mm
Giải pháp đề xuất (Attention U-Net + Fit Ellipse) Tập trung vào vùng đích, lọc nhiễu nền, khớp elip chính xác 5 tham số Đòi hỏi bước hậu xử lý hình học chuẩn xác Dice: 97.48%, Mean HD: 1.78 mm

Nhu cầu hệ thống được phân loại theo mô hình MoSCoW:

  • Must-have: Phân đoạn chính xác mặt cắt sọ thai nhi, tự động trích xuất 5 tham số elip $(x, y, a, b, \theta)$, tính toán chỉ số HC (mm), độ trễ suy luận $< 100\text{ ms}$.
  • Should-have: Cơ chế Attention trực quan hóa vùng trọng tâm, khả năng chịu lỗi đối với ảnh suy giảm tín hiệu (acoustic dropout).
  • Could-have: Tự động ước lượng thêm chỉ số BPD (Biparietal Diameter) và OFD (Occipitofrontal Diameter).
  • Won't-have (giai đoạn này): Tái tạo hộp sọ 3D và tự động điều khiển đầu dò cơ khí.

Thiết kế hệ thống

Kiến trúc tổng thể của giải pháp phân đoạn và xác định vòng đầu tự động được biểu diễn qua sơ đồ sau:

graph TD
    A[Input: Ảnh siêu âm 2D 800x540] --> B[Tiền xử lý & Chuẩn hóa: Resize 256x384, CLAHE, Normalize]
    B --> C[Mô hình Attention U-Net Encoder-Decoder]
    C --> D[Attention Gates: Lọc đặc trưng nền, nhấn mạnh viền sọ]
    D --> E[Output Mask nhị phân xác suất]
    E --> F[Hậu xử lý hình thái học: Morphological Clean-up]
    F --> G[Direct Least Squares Ellipse Fitting]
    G --> H[Trích xuất 5 tham số Elip: x, y, a, b, theta]
    H --> I[Chỉ số HC mm & Trực quan hóa vòng đầu trên GUI]

Technology Stack và công cụ chuyên dụng:

  • Ngôn ngữ: Python 3.8.10
  • Deep Learning Framework: PyTorch 1.9.0 + CUDA 11.1, Torchvision 0.10.0
  • Thư viện xử lý ảnh: OpenCV 4.5.3, Albumentations 1.0.3, Scikit-image 0.18.2
  • Phân tích dữ liệu & Đồ thị: NumPy 1.21.0, Matplotlib 3.4.2, Pandas 1.3.0
  • Phần cứng thực nghiệm: NVIDIA GeForce RTX / Tesla GPU, Intel Core i7 / Xeon CPU

Methodology

Quy trình nghiên cứu áp dụng phương pháp lặp khoa học (Iterative Empirical Research):

  1. Giai đoạn 1 (Tháng 09/2020 - 11/2020): Khảo sát dữ liệu HC18 Dataset (1334 ảnh 2D). Xây dựng module tiền xử lý dữ liệu (Augmentation Pipeline) và baseline cho hai hướng: Regression (ResNet-50) và Segmentation (Standard U-Net).
  2. Giai đoạn 2 (Tháng 10/2020 - 12/2020): Phát triển khối Attention Gate (AG) và Dilated Convolution Block tích hợp vào mạng U-Net; tinh chỉnh hàm mất mát hỗn hợp (Dice Loss + Binary Cross Entropy Loss). Cài đặt thuật toán khớp elip đại số trực tiếp (Direct Least Squares Fitting).
  3. Giai đoạn 3 (Tháng 12/2020 - 01/2021): Kiểm định chéo (5-Fold Cross-Validation), đo kiểm toàn diện trên tập Test độc lập (335 ảnh), đánh giá sai số lâm sàng với sự cố vấn của các bác sĩ chuyên khoa phụ sản Bệnh viện Đa khoa tỉnh Quảng Nam.

Implementation và kết quả

Development process

1. Tiền xử lý và tăng cường dữ liệu (Data Preprocessing & Augmentation)

Ảnh gốc kích thước $800 \times 540$ pixel được chuẩn hóa không gian và cường độ sáng. Để chống hiện tượng quá khớp (overfitting) và tăng tính bất biến với góc nghiêng đầu thai nhi, quy trình Augmentation áp dụng thư viện Albumentations:

  • Phép biến đổi không gian: RandomRotate(limit=20, p=0.7), HorizontalFlip(p=0.5), ShiftScaleRotate(scale_limit=0.1, shift_limit=0.1, p=0.5).
  • Phép biến đổi cường độ & quang học: ElasticTransform(alpha=1.0, sigma=50, p=0.3), GridDistortion(p=0.3), cân bằng biểu đồ sắc độ thích ứng giới hạn tương phản CLAHE(clip_limit=2.0, p=0.5).

2. Cơ chế cổng chú ý (Attention Gates - AGs)

Trong kiến trúc U-Net truyền thống, các skip-connection truyền trực tiếp đặc trưng độ phân giải cao từ Encoder sang Decoder, vô tình mang theo nhiễu từ các cơ quan không liên quan xung quanh (nước ối, mô bụng mẹ). Tích hợp Attention Gates cho phép mô hình tự động gán trọng số chú ý $\alpha_i \in [0, 1]$ cho từng vị trí không gian:

$$\hat{x}_i = x_i \cdot \alpha_i$$

$$\alpha_i = \sigma_2 \left( \psi^T \left( \sigma_1 \left( W_x^T x_i + W_g^T g + b_g \right) \right) + b_\psi \right)$$

Trong đó: $x_i$ là bản đồ đặc trưng từ tầng Encoder tương ứng, $g$ là tín hiệu gating vector từ tầng Decoder sâu hơn, $\sigma_1$ là hàm kích hoạt $\text{ReLU}$, $\sigma_2$ là hàm $\text{Sigmoid}$.

import torch
import torch.nn as nn

class AttentionGate(nn.Module):
    """
    Attention Gate Module cho U-Net
    Tối ưu hóa khả năng hội tụ vào viền xương sọ thai nhi.
    """
    def __init__(self, in_channels_x: int, in_channels_g: int, inter_channels: int):
        super(AttentionGate, self).__init__()
        self.Wx = nn.Sequential(
            nn.Conv2d(in_channels_x, inter_channels, kernel_size=1, stride=1, padding=0, bias=True),
            nn.BatchNorm2d(inter_channels)
        )
        self.Wg = nn.Sequential(
            nn.Conv2d(in_channels_g, inter_channels, kernel_size=1, stride=1, padding=0, bias=True),
            nn.BatchNorm2d(inter_channels)
        )
        self.psi = nn.Sequential(
            nn.Conv2d(inter_channels, 1, kernel_size=1, stride=1, padding=0, bias=True),
            nn.BatchNorm2d(1),
            nn.Sigmoid()
        )
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x: torch.Tensor, g: torch.Tensor) -> torch.Tensor:
        # x: đặc trưng từ encoder skip-connection
        # g: đặc trưng gating từ decoder
        g_resampled = nn.functional.interpolate(g, size=x.shape[2:], mode='bilinear', align_corners=True)
        theta_x = self.Wx(x)
        phi_g = self.Wg(g_resampled)
        f = self.relu(theta_x + phi_g)
        alpha = self.psi(f)
        return x * alpha

3. Hàm mất mát hỗn hợp (Combo Loss: Dice + BCE Loss)

Để cân bằng giữa việc phân loại chính xác từng điểm ảnh và tối ưu diện tích phủ của toàn bộ cấu trúc hình học, hàm mất mát được xây dựng:

$$\mathcal{L}{\text{total}} = \mathcal{L}{\text{Dice}} + \mathcal{L}_{\text{BCE}}$$

$$\mathcal{L}{\text{Dice}} = 1 - \frac{2 \sum{i} y_i \hat{y}i + \epsilon}{\sum{i} y_i + \sum_{i} \hat{y}_i + \epsilon}$$

$$\mathcal{L}{\text{BCE}} = - \frac{1}{N} \sum{i=1}^{N} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right]$$

4. Thuật toán khớp elip đại số (Direct Least Squares Ellipse Fitting)

Sau khi thu được mask nhị phân từ mạng Attention U-Net, đường biên ngoài được trích xuất bằng giải thuật dò viền Suzuki và đưa vào giải phương trình conic tổng quát:

$$F(a, \mathbf{x}) = a \cdot \mathbf{x} = A x^2 + B xy + C y^2 + D x + E y + F = 0$$

Ràng buộc elip đại số $B^2 - 4AC < 0$ (chuẩn hóa $4AC - B^2 = 1$) được giải bằng bài toán vector riêng suy rộng $D^T D \mathbf{a} = \lambda C \mathbf{a}$. Từ 6 hệ số $[A, B, C, D, E, F]$, 5 tham số hình học $(x_0, y_0, a, b, \theta)$ và chu vi $HC$ theo công thức xấp xỉ Ramanujan được tính toán:

$$HC \approx \pi \left[ 3(a + b) - \sqrt{(3a + b)(a + 3b)} \right] \times \text{PixelSize}$$

import cv2
import numpy as np
import math

def extract_head_circumference(binary_mask: np.ndarray, pixel_size: float) -> dict:
    """
    Khớp hình elip từ mask nhị phân và tính chu vi vòng đầu (HC).
    """
    contours, _ = cv2.findContours(binary_mask.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    if not contours:
        return None
    
    # Lấy đường viền có diện tích lớn nhất (vùng sọ thai nhi)
    largest_contour = max(contours, key=cv2.contourArea)
    if len(largest_contour) < 5:
        return None
    
    # Khớp elip theo phương pháp Direct Least Squares
    ellipse = cv2.fitEllipse(largest_contour)
    (xc, yc), (d1, d2), angle = ellipse
    
    a = max(d1, d2) / 2.0  # Bán trục lớn
    b = min(d1, d2) / 2.0  # Bán trục nhỏ
    
    # Xấp xỉ chu vi Ramanujan
    hc_pixel = math.pi * (3 * (a + b) - math.sqrt((3 * a + b) * (a + 3 * b)))
    hc_mm = hc_pixel * pixel_size
    
    return {
        "center": (xc, yc),
        "axes": (a, b),
        "angle": angle,
        "hc_mm": round(hc_mm, 2)
    }

Testing và validation

Tập dữ liệu kiểm định gồm 1,334 ảnh siêu âm 2D từ 551 sản phụ tại Trung tâm Y tế Đại học Radboud (Hà Lan), phân bổ đồng đều qua cả ba tam cá nguyệt với kích thước pixel dao động từ $0.052\text{ mm}$ đến $0.359\text{ mm}$. Dữ liệu chia thành 999 ảnh huấn luyện và 335 ảnh kiểm tra độc lập.

Các độ đo chính thức gồm:

  • Dice Similarity Coefficient (DSC - %): Đo mức độ trùng khớp vùng diện tích.
  • Hausdorff Distance (HD - mm): Đo khoảng cách sai lệch biên lớn nhất giữa Ground Truth ($R$) và Dự đoán ($S$):

$$HD(S, R) = \max \left{ \max_{s \in S} \min_{r \in R} |s - r|, \max_{r \in R} \min_{s \in S} |s - r| \right}$$

  • Absolute Difference (ADF - mm): Sai số tuyệt đối của chỉ số $HC = |HC_{\text{pred}} - HC_{\text{GT}}|$.
  • Difference (DF - mm): Độ lệch đại số $HC_{\text{pred}} - HC_{\text{GT}}$.
                     BIỂU ĐỒ SO SÁNH HIỆU SUẤT MÔ HÌNH
  Dice Score (%) [Càng cao càng tốt]
                     90    92    94    96    98   100

  Hausdorff Distance (mm) [Càng thấp càng tốt]
                     0    0.5   1.0   1.5   2.0   2.5   3.0

Kết quả đạt được

Bảng tổng hợp chi tiết kết quả thực nghiệm trên tập Test chuẩn:

Phương pháp / Kiến trúc Loss Function Optimizer Mean Dice (%) $\uparrow$ Mean HD (mm) $\downarrow$ Mean ADF (mm) $\downarrow$ Mean DF (mm)
ResNet-50 (Direct Regression) Custom MSE Adam ($10^{-4}$) $95.12 \pm 1.45$ $2.45 \pm 1.20$ $2.84 \pm 2.10$ $-0.85 \pm 3.12$
EfficientNet-B0 (Regression) Smooth L1 Adam ($10^{-4}$) $94.80 \pm 1.62$ $2.62 \pm 1.35$ $3.12 \pm 2.45$ $+1.15 \pm 3.40$
Standard U-Net (Segmentation) BCE Loss SGD + Momentum $95.90 \pm 1.12$ $2.34 \pm 1.05$ $2.41 \pm 1.85$ $+0.65 \pm 2.80$
Dilated Block U-Net Dice + BCE SGD + Momentum $96.82 \pm 0.95$ $2.05 \pm 0.98$ $2.12 \pm 1.60$ $+0.51 \pm 2.42$
Attention U-Net (Đề xuất) Combo Loss SGD (Cosine LR) $\mathbf{97.48 \pm 0.85}$ $\mathbf{1.78 \pm 0.92}$ $\mathbf{1.95 \pm 1.42}$ $\mathbf{+0.42 \pm 2.15}$

Đánh giá định lượng:

  • Mô hình Attention U-Net kết hợp Ellipse Fitting đạt hiệu năng xuất sắc với Mean Dice đạt 97.48%, khoảng cách biên Hausdorff giảm chỉ còn 1.78 mm, sai số đo chu vi tuyệt đối chỉ 1.95 mm trên ảnh có kích thước thực tế sọ thai từ $60\text{ mm}$ đến $300\text{ mm}$ (tương đương sai số $< 1.2%$).
  • Tốc độ xử lý trung bình đạt 32 ms/ảnh trên GPU và 145 ms/ảnh trên CPU, hoàn toàn đáp ứng yêu cầu xử lý thời gian thực trên các máy siêu âm lâm sàng.

Đổi mới và đóng góp

  1. Ứng dụng cấu trúc Attention Gates thích ứng cho siêu âm thai 2D: Giải quyết triệt để bài toán nhiễu âm học và bóng mờ vùng chẩm/trán bằng cách lọc bỏ tín hiệu giả từ thành tử cung và dịch ối ngay trên các tầng skip-connections, giúp đường biên phân đoạn liên tục và sắc nét.
  2. Tích hợp khối tích chập giãn nở (Dilated Convolution Block): Mở rộng trường tiếp nhận (Receptive Field) từ $3 \times 3$ lên $7 \times 7$ và $15 \times 15$ mà không làm tăng số lượng tham số hay giảm độ phân giải không gian của bản đồ đặc trưng.
  3. Pipeline kết hợp chặt chẽ giữa Deep Learning và Hình học giải tích: Thay vì dựa hoàn toàn vào mạng nơ-ron để đoán tham số hình học (dễ bị dao động lớn khi gặp mẫu lạ), mô hình sử dụng mạng phân đoạn để tìm vùng tin cậy, sau đó dùng thuật toán Direct Least Squares tối ưu cục bộ, đảm bảo kết quả luôn tuân thủ nghiêm ngặt hình thái học elip của sọ người.

So sánh với các nghiên cứu công bố quốc tế:

Tác giả / Nghiên cứu Phương pháp Tập dữ liệu Mean Dice (%) Mean HD (mm) Mean ADF (mm)
van den Heuvel et al. (2018) CAD + Haar-like + Hough HC18 Challenge $96.30$ $2.40$ $2.70$
Budd et al. (2019) Standard U-Net + Post-process HC18 Challenge $96.80$ $1.95$ $2.10$
Sobhaninia et al. (2019) Multi-task LinkNet HC18 Challenge $97.10$ $1.85$ $2.05$
Khóa luận (Quân & Trường, 2021) Attention U-Net + DLS Ellipse HC18 Challenge $\mathbf{97.48}$ $\mathbf{1.78}$ $\mathbf{1.95}$

So với giải pháp cơ sở của Van den Heuvel et al., mô hình giảm 25.8% khoảng cách sai lệch biên Hausdorff (từ 2.40 mm xuống 1.78 mm) và giảm 27.7% sai số chu vi tuyệt đối (từ 2.70 mm xuống 1.95 mm).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng lâm sàng

  • Tích hợp máy siêu âm tại giường (Point-of-Care Ultrasound - POCUS): Hỗ trợ bác sĩ sản khoa đo nhanh chỉ số HC ngay trong lúc quét đầu dò, tự động hiển thị khung elip và số đo chu vi chuẩn hóa.
  • Hệ thống tầm soát tuyến cơ sở: Hỗ trợ các kỹ thuật viên hoặc bác sĩ tuyến huyện nâng cao độ chính xác khi khám thai định kỳ, cảnh báo sớm các dấu hiệu thai chậm tăng trưởng trong tử cung (IUGR) hoặc tật đầu to/nhỏ để chuyển tuyến kịp thời.
  • Kiểm định chất lượng bệnh viện (Audit & Quality Assurance): Tự động rà soát hồ sơ hình ảnh siêu âm lưu trữ trong hệ thống PACS/RIS để đánh giá độ chính xác của các phép đo thủ công trước đó.
                      MÔ HÌNH TRIỂN KHAI LÂM SÀNG

Yêu cầu phần cứng & Triển khai

  • Cấu hình Edge Inference tối thiểu: CPU Intel Core i5 thế hệ 8 trở lên, RAM 8GB, hoặc nhúng trên module NVIDIA Jetson Xavier NX / Orin.
  • Tối ưu hóa mô hình: Chuyển đổi mô hình PyTorch sang định dạng ONNX và lượng hóa FP16/INT8 qua TensorRT, giảm dung lượng bộ nhớ xuống dưới 50MB và duy trì độ trễ suy luận dưới 20 ms.
  • Hiệu quả kinh tế (ROI): Giúp rút ngắn 2 - 3 phút cho mỗi ca siêu âm thai. Với một phòng khám thực hiện 60 ca/ngày, hệ thống tiết kiệm khoảng 2.5 - 3 giờ làm việc của bác sĩ, nâng cao công suất phục vụ thêm 15% - 20% mà không cần đầu tư thêm máy móc siêu âm đắt tiền.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Sọ thai nhi ở quý I (Tam cá nguyệt thứ nhất): Thai dưới 12 tuần tuổi có cấu trúc sọ chưa cốt hóa hoàn toàn, viền âm vang sọ bị ngắt quãng nhiều đoạn, dẫn đến việc nhận dạng biên đôi khi bị phân mảnh.
  • Hiện tượng suy giảm tín hiệu nặng (Severe Shadowing): Khi đầu thai nhi nằm sát thành xương chậu của mẹ, sóng siêu âm bị chặn gần như hoàn toàn ở nửa dưới đầu, đòi hỏi thuật toán khớp elip phải ước lượng dựa trên phần viền sọ còn lại.

Hướng phát triển tương lai

  • Mở rộng kiến trúc mạng đa nhiệm (Multi-task Network) nhằm phân đoạn đồng thời cả 4 thông số: Chu vi đầu (HC), Đường kính lưỡng đỉnh (BPD), Chu vi bụng (AC) và Chiều dài xương đùi (FL).
  • Ứng dụng mô hình xử lý chuỗi thời gian (Spatio-temporal Deep Learning như ConvLSTM hoặc Transformer) để theo dõi và tự động chọn khung hình chuẩn (Standard Plane Selection) từ luồng video siêu âm thời gian thực.
  • Triển khai thử nghiệm lâm sàng diện rộng trên tập dữ liệu đa trung tâm tại các bệnh viện phụ sản Việt Nam nhằm kiểm định tính bất biến với chủng tộc và các dòng thiết bị siêu âm khác nhau.

Đối tượng hưởng lợi

                              CÁC NHÓM HƯỞNG LỢI
  • Sinh viên & Nghiên cứu sinh: Cung cấp tài liệu tham khảo chi tiết về quy trình nghiên cứu ứng dụng Deep Learning trong xử lý ảnh y sinh (Biomedical Image Segmentation), từ xử lý dữ liệu chuẩn y tế đến thiết kế Attention Gates và hậu xử lý toán học.
  • Kỹ sư AI & Nhà phát triển: Cung cấp mẫu thiết kế (code pattern) kết hợp giữa mô hình phân đoạn Deep Learning và các giải thuật hình học tối ưu cục bộ, giải quyết bài toán suy luận trên biên ảnh mờ nhiễu.
  • Cơ sở y tế & Doanh nghiệp MedTech: Cung cấp cơ sở khoa học và giải pháp khả thi để nâng cấp tính năng thông minh cho dòng máy siêu âm 2D hiện hữu, tối ưu hóa quy trình làm việc của bác sĩ.
  • Bác sĩ & Thai phụ: Đảm bảo kết quả đo lường sinh trắc học thai nhi nhất quán, giảm thiểu rủi ro chẩn đoán sai lệch tuổi thai và phát hiện bất thường phát triển kịp thời.

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình phần cứng như thế nào để vận hành thực tế?

Mô hình Attention U-Net sau khi được tối ưu hóa qua ONNX Runtime chỉ chiếm khoảng 45MB dung lượng bộ nhớ. Hệ thống có thể chạy mượt mà trên CPU thông thường (Intel Core i5, RAM 8GB) với độ trễ ~145 ms, hoặc chạy thời gian thực (>30 FPS) trên các dòng card đồ họa rời giá rẻ như NVIDIA GTX 1650 hoặc GPU nhúng NVIDIA Jetson Nano/Xavier.

2. Sự khác biệt cốt lõi giữa phương pháp hồi quy (Regression) và phân đoạn (Segmentation) trong bài toán này là gì?

Phương pháp hồi quy (ResNet-50) dự đoán trực tiếp 5 số thực $(x, y, a, b, \theta)$. Dù tốc độ nhanh nhưng phương pháp này hoạt động như một "hộp đen", thiếu tính giải thích trực quan và dễ bị sai số nghiêm trọng khi gặp ảnh có hướng đầu thai bất thường. Phương pháp phân đoạn (Attention U-Net) tạo ra mask phân đoạn rõ ràng từng pixel của hộp sọ, mang lại độ tin cậy y khoa cao và cho phép kiểm tra trực quan trước khi khớp elip.

3. Làm thế nào hệ thống xử lý được các trường hợp ảnh siêu âm bị mất nét hoặc bóng lưng âm học lớn?

Nhờ tích hợp khối Attention Gates và Dilated Convolutions, mô hình học được ngữ cảnh toàn cục của vùng đầu thay vì chỉ nhìn vào cường độ sáng cục bộ. Ngay cả khi một phần xương sọ bị che khuất, thuật toán Direct Least Squares Ellipse Fitting vẫn có thể dựa vào các cung tròn còn lại để khôi phục toàn vẹn đường cong elip với sai số nhỏ nhất.

4. Dữ liệu huấn luyện có đảm bảo tính bảo mật và chuẩn mực đạo đức y khoa không?

Bộ dữ liệu chuẩn HC18 được thu thập từ 551 sản phụ tại Bệnh viện Đại học Radboud, được Ủy ban Đạo đức Y khoa địa phương (CMO Arnhem - Nijmegen) phê duyệt và khử định danh hoàn toàn (Anonymized) theo Tuyên bố Helsinki (Declaration of Helsinki), đảm bảo tuyệt đối không lộ thông tin danh tính bệnh nhân.

5. Khả năng tích hợp vào các hệ thống phần mềm bệnh viện (PACS/HIS) hiện nay như thế nào?

Module được đóng gói dưới dạng RESTful API hoặc gRPC service chuẩn Docker container. Dữ liệu ảnh đầu vào tuân thủ định dạng y tế DICOM (Digital Imaging and Communications in Medicine), cho phép nhận ảnh trực tiếp từ máy siêu âm và trả kết quả chú thích (DICOM Structured Reporting / Overlay) về máy chủ PACS của bệnh viện một cách liền mạch.

Kết luận

Khóa luận tốt nghiệp "Phương pháp xác định vòng đầu tự động trong quá trình ước tính chu vi đầu của thai nhi sử dụng ảnh siêu âm 2 chiều" của nhóm tác giả Trần Nguyễn Hồng Quân và Đặng Xuân Trường đã giải quyết thành công bài toán tự động hóa đo đạc sinh trắc học thai nhi - một mắt xích quan trọng trong quy trình chăm sóc tiền sản. Bằng cách kết hợp sáng tạo giữa mạng nơ-ron Attention U-Net và thuật toán Direct Least Squares Ellipse Fitting, nghiên cứu đã đạt được những chỉ số vượt trội trên tập kiểm định quốc tế HC18: Mean Dice $97.48%$, Mean Hausdorff Distance $1.78\text{ mm}$ và Mean Absolute Difference $1.95\text{ mm}$, vượt qua nhiều công bố quốc tế trước đó.

Kết quả này khẳng định tiềm năng to lớn của việc ứng dụng Trí tuệ nhân tạo vào hệ thống y tế thực tế, giúp nâng cao độ chính xác chẩn đoán, giảm tải áp lực cho đội ngũ y bác sĩ và chuẩn hóa quy trình chăm sóc sức khỏe sinh sản.