Tổng quan về luận án

Luận án này tiên phong trong lĩnh vực tạo ảnh siêu âm cắt lớp (Ultrasound Tomography - UST) bằng cách giải quyết các thách thức cố hữu về chất lượng và hiệu suất tính toán. Bối cảnh khoa học của nghiên cứu được đặt trong nhu cầu cấp thiết về các công cụ chẩn đoán y sinh không xâm lấn, chi phí thấp và thời gian thực, đặc biệt để phát hiện sớm ung thư vú, nơi "tỷ lệ chữa khỏi bệnh đạt tới 90% nếu được phát hiện và điều trị sớm" (Chương 1, trang 3). Trong khi các kỹ thuật truyền thống như B-mode chỉ cung cấp thông tin định tính và gặp hạn chế với các khối u nhỏ, UST dựa trên tán xạ ngược (inverse scattering) có tiềm năng lớn cho chẩn đoán định lượng và phát hiện u kích thước nhỏ hơn 5mm (Chương 1, trang 3).

Tuy nhiên, nghiên cứu chỉ ra rằng các phương pháp hiện hành, đặc biệt là phương pháp lặp vi phân Born (Distorted Born Iterative Method - DBIM), đối mặt với các hạn chế đáng kể: "độ phức tạp tính toán cao dẫn đến thời gian tạo ảnh lâu," làm hạn chế việc thương mại hóa (Mở đầu, trang 2). Cụ thể, ảnh siêu âm thường có "độ phân giải thấp; tốc độ tạo ảnh còn chậm; độ chính xác chưa cao; còn ảnh hưởng bởi nhiễu; độ phức tạp tính toán còn lớn" (Chương 1, trang 4). Hơn nữa, các nỗ lực trước đây trong việc áp dụng kỹ thuật kết hợp tần số chưa "khai thác được thời điểm chuyển giao phù hợp nhất" giữa các tần số để tối ưu hóa chất lượng ảnh (Chương 1, trang 24), và việc triển khai Lấy mẫu nén (Compressed Sensing - CS) ngẫu nhiên gặp khó khăn về "thực thi trên phần cứng" do yêu cầu bộ phát số ngẫu nhiên phức tạp (Chương 1, trang 20, 25).

Để lấp đầy những khoảng trống nghiên cứu cụ thể này, luận án đặt ra các câu hỏi và giả thuyết sau:

  1. Làm thế nào để xác định thời điểm chuyển giao tối ưu giữa tần số thấp và tần số cao trong kỹ thuật kết hợp tần số để tăng tốc độ hội tụ và cải thiện độ phân giải ảnh siêu âm cắt lớp?
  2. Kỹ thuật lấy mẫu nén giả ngẫu nhiên (Deterministic Compressed Sensing - DCS) có thể được tích hợp vào DBIM để giảm đáng kể độ phức tạp tính toán và nâng cao độ chính xác của ảnh khôi phục, đồng thời khắc phục hạn chế về thực thi phần cứng của CS ngẫu nhiên không?

Khung lý thuyết của nghiên cứu được xây dựng dựa trên lý thuyết tán xạ ngược, cụ thể là Phương pháp lặp vi phân Born (DBIM) [5], mở rộng điều kiện xấp xỉ Born bậc 1. Luận án đề xuất một Mô hình kết hợp tần số kép (DF-DBIM) để giải quyết vấn đề hội tụ và độ phân giải, và một Mô hình lấy mẫu nén giả ngẫu nhiên (DCS-DBIM) để giảm độ phức tạp tính toán và cải thiện độ chính xác.

Những đóng góp đột phá của luận án bao gồm: (1) Đề xuất giải thuật DF-DBIM tối ưu hóa thời điểm chuyển giao tần số, cải thiện độ phân giải và tốc độ hội tụ. (2) Giới thiệu DCS-DBIM, một phương pháp lấy mẫu nén khả thi trên phần cứng, giảm chi phí tính toán O(NtNrN^2) đáng kể. (3) Cải thiện độ phân giải ảnh và giảm thiểu ảnh hưởng của nhiễu thông qua kỹ thuật kết hợp tần số. (4) Tăng cường độ chính xác và giảm độ phức tạp tính toán bằng kỹ thuật lấy mẫu nén giả ngẫu nhiên. Phạm vi nghiên cứu tập trung vào tạo ảnh lát cắt 2D với mục đích nâng cao chất lượng, làm nền tảng cho việc tạo ảnh 3D chất lượng tốt hơn (Mở đầu, trang 2). Nghiên cứu sử dụng mô phỏng số với các tham số cụ thể như tần số 0.64MHz, đường kính vùng tán xạ 10 mm, sự thay đổi tốc độ truyền âm 2% và số điểm pixel N = 16, 32, 64, cùng với kiểm chứng bằng dữ liệu thực nghiệm (Chương 2, trang 35-36). Điều này có ý nghĩa khoa học sâu sắc, "đóng góp mới trong tạo ảnh y-sinh nói chung và tạo ảnh siêu âm cắt lớp nói riêng" (Mở đầu, trang 3).

Literature Review và Positioning

Các công nghệ tạo ảnh y sinh đã trải qua một sự phát triển vượt bậc từ tia X của Wilhelm Roentgen năm 1885 đến các phương thức hiện đại như MRI, CT, PET, SPECT và siêu âm (Chương 1, trang 5). Trong đó, kỹ thuật siêu âm, đặc biệt là B-mode, đã được ứng dụng rộng rãi nhờ tính không xâm hại, giá thành thấp và khả năng hoạt động thời gian thực [14]. Tuy nhiên, B-mode chỉ cung cấp thông tin định tính về cấu trúc, khiến việc chẩn đoán y khoa mang tính chủ quan và phụ thuộc vào chuyên môn của chuyên gia (Chương 1, trang 6). Các nỗ lực để trích xuất thông tin định lượng từ ảnh B-mode, như sử dụng tham số bậc 1 và 2 [28], [85], [99], đã có những thành công nhất định nhưng không độc lập với hệ thống tạo ảnh và dần không còn được sử dụng rộng rãi.

Siêu âm cắt lớp (UST) nổi lên như một giải pháp thay thế, hứa hẹn cung cấp "nhiều thông tin hữu ích/định lượng hơn so với ảnh B-mode" [54] (Chương 1, trang 7). Có hai hướng tiếp cận chính trong UST: dựa trên lý thuyết chiếu tia và dựa trên lý thuyết tán xạ.

Siêu âm cắt lớp dựa trên lý thuyết chiếu tia đã được nghiên cứu từ những năm 1970-1980, với các hệ thống thực nghiệm như CURE của Viện Ung thư Karmanos [61] và HUTT của Đại học Nam California [44], [45], [46]. Các hệ thống này xây dựng lát cắt về tốc độ âm và độ suy hao âm, thậm chí kết hợp ảnh 3D để nâng cao chẩn đoán. Ví dụ, Zhang và cộng sự đã đề xuất khôi phục tham số âm học phi tuyến [22] và tương tác sóng phi tuyến [21]. Tuy nhiên, hạn chế lớn của lý thuyết chiếu tia là mô hình vật lý đơn giản, thường bỏ qua ảnh hưởng của sự tán xạ. Nghiên cứu mô phỏng cho thấy kỹ thuật này "chỉ có thể khôi phục chính xác định lượng các cấu trúc có kích thước lớn hơn vài bước sóng (tức là từ 2-5 bước sóng)" [102], và điều này cũng được quan sát bằng dữ liệu thực nghiệm [79].

Siêu âm cắt lớp dựa trên lý thuyết tán xạ, trái lại, tập trung vào việc ước lượng phân bố các tham số âm (tốc độ âm, suy hao âm, mật độ) từ dữ liệu sóng tán xạ [19], [33], [36], [48], [51], [52], [54], [65]. Kỹ thuật này cho phép mô tả chi tiết hơn về đối tượng, cung cấp thông tin định lượng liên quan đến thuộc tính cơ học. Máy chụp ảnh vú SoftVue [62] là một ví dụ thương mại hóa đáng chú ý, với các tham số hoạt động như 2048 biến tử, tần số 3MHz, độ phân giải ảnh B-mode 0.7mm và thời gian thu thập 15s/lát cắt. Tuy nhiên, kỹ thuật tán xạ ngược cũng gặp phải những hạn chế:

  1. Vấn đề hội tụ: Khó khôi phục đối tượng có "sự thay đổi tốc độ truyền âm lớn" [57], chủ yếu giới hạn ứng dụng cho mô mềm như vú [13], [29], [54].
  2. Yêu cầu dữ liệu: Dữ liệu tán xạ phải được thu thập từ "nhiều góc độ khác nhau từ 0 đến 360 độ" để đạt chất lượng ảnh tốt nhất (Chương 1, trang 9), điều này phức tạp trong thực tế.
  3. Thiếu kỹ thuật tính toán mạnh và hiệu quả: Đây là hạn chế lớn nhất, bao gồm cả "tốc độ tính toán và chất lượng ảnh tái tạo" (Chương 2, trang 27).

Trong bối cảnh này, phương pháp lặp Born (Born Iterative Method - BIM) và Phương pháp lặp vi phân Born (DBIM) [5] đã trở thành trọng tâm nghiên cứu. BIM mạnh mẽ với nhiễu nhưng có độ phức tạp tính toán cao, trong khi DBIM hội tụ nhanh hơn nhưng nhạy cảm với nhiễu (Chương 1, trang 12). Slaney và cộng sự [57] đã chỉ ra rằng xấp xỉ Born bậc 1 mất hiệu quả khi độ lệch pha |Δk L| > 1, dẫn đến "ảnh khôi phục có chất lượng kém bởi việc xuất hiện một số tạo tác (nhiễu đốm) ở gần tâm đối tượng khôi phục" (Chương 1, trang 10). Ngược lại, xấp xỉ Rytov bậc 1 không hạn chế về kích thước nhưng gặp vấn đề "gập pha (phase wrapping)" [13], [57], gây ra lỗi lớn và đột ngột.

Luận án này định vị mình trong lĩnh vực siêu âm cắt lớp dựa trên lý thuyết tán xạ, cụ thể là phương pháp DBIM, vì "khi điều kiện về pha được đảm bảo (|Δk L| < 1) thì kỹ thuật siêu âm cắt lớp sử dụng phương pháp xấp xỉ Born bậc 1 hoạt động khá ổn định và cho chất lượng khôi phục ảnh đủ tốt" (Chương 1, trang 11). Luận án xác định khoảng trống chính là việc thiếu các giải thuật tiên tiến tích hợp vào DBIM để đồng thời nâng cao tốc độ, độ phân giải và giảm độ phức tạp tính toán, đặc biệt là việc giải quyết vấn đề "thời điểm chuyển giao" trong kỹ thuật kết hợp tần số và khả năng "thực thi trên phần cứng" của lấy mẫu nén. Bằng cách đề xuất các giải thuật DF-DBIM và DCS-DBIM, nghiên cứu này tiến xa hơn các công trình hiện có, vượt qua giới hạn của phương pháp truyền thống như mô tả trong [94] (kết hợp BIM-DBIM truyền thống) và mở rộng khả năng của CS bằng cách giải quyết vấn đề triển khai phần cứng mà các nghiên cứu như [80] chưa đạt được hoàn toàn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết tạo ảnh siêu âm cắt lớp bằng cách mở rộng và thách thức các giả định hiện có trong Phương pháp lặp vi phân Born (DBIM), đặc biệt là trong bối cảnh môi trường tán xạ mạnh và các ràng buộc về tính toán. Phương pháp này dựa trên lý thuyết tán xạ ngược và điều kiện xấp xỉ Born bậc 1 [54], nhưng luận án đã đi xa hơn bằng cách giải quyết các hạn chế của nó.

  1. Mở rộng và thách thức lý thuyết xấp xỉ Born bậc 1: Lý thuyết xấp xỉ Born bậc 1, như Slaney và cộng sự [57] đã chỉ ra, mất hiệu quả khi độ lệch pha |Δk L| > 1. Luận án giải quyết vấn đề này bằng cách đề xuất kỹ thuật kết hợp tần số (DF-DBIM) [9], [58], [81], [84], [86], [87], [101]. Thay vì chỉ sử dụng một tần số, giải thuật này bắt đầu với tần số thấp (f1) để đảm bảo hội tụ nhanh trong môi trường tán xạ yếu, sau đó chuyển sang tần số cao (f2) để cải thiện độ phân giải không gian. Điều này mở rộng phạm vi ứng dụng của DBIM sang các trường hợp tán xạ mạnh hơn, nơi xấp xỉ Born truyền thống bị phá vỡ. Việc xác định "thời điểm chuyển giao phù hợp nhất" giữa f1 và f2 là một đóng góp lý thuyết quan trọng, tối ưu hóa quá trình hội tụ và chất lượng ảnh mà các nghiên cứu trước đây chưa khai thác triệt để (Chương 1, trang 18, 24).
  2. Giới thiệu Khung Lấy mẫu nén Giả ngẫu nhiên (DCS) cho DBIM: Lý thuyết Lấy mẫu nén (CS) của Candes, Tao [17] và Donoho [18] cung cấp nền tảng cho việc thu nhận và khôi phục tín hiệu thưa với tốc độ lấy mẫu thấp hơn Nyquist. Tuy nhiên, việc áp dụng CS ngẫu nhiên vào hệ thống phần cứng siêu âm cắt lớp gặp phải khó khăn lớn (Chương 1, trang 20). Luận án đề xuất một khung lý thuyết mới là Lấy mẫu nén Giả ngẫu nhiên (DCS), tạo ra chuỗi đo lường "giả ngẫu nhiên" có thể thực thi được trên phần cứng. Điều này không chỉ cung cấp một phương pháp hiệu quả để giảm số lượng phép đo (và do đó giảm độ phức tạp tính toán O(NtNrN^2)) mà còn mở ra khả năng triển khai thực tế của CS trong tạo ảnh y sinh.

Khung phân tích độc đáo Luận án tích hợp một cách độc đáo các lý thuyết và kỹ thuật tiên tiến để xây dựng một khung phân tích mạnh mẽ cho tạo ảnh siêu âm cắt lớp:

  1. Tích hợp Lý thuyết Sóng, Xấp xỉ Born và Lý thuyết Lấy mẫu Nén: Khung phân tích bắt đầu từ phương trình sóng trong môi trường không đồng nhất (phương trình 2.1) [54], sử dụng Hàm Green G0(·) để biểu diễn mối quan hệ phi tuyến giữa tín hiệu tán xạ và hàm mục tiêu (phương trình 2.3). Sau đó, nó áp dụng Xấp xỉ Born bậc 1 để tuyến tính hóa mối quan hệ này [77]. Điểm đột phá là việc tích hợp kỹ thuật Lấy mẫu nén Giả ngẫu nhiên (DCS) vào phương trình tuyến tính hóa của DBIM (Giải thuật 4.1), tạo ra phương pháp DCS-DBIM, cho phép giảm đáng kể số lượng phép đo mà vẫn duy trì độ chính xác cao.
  2. Cách tiếp cận phân tích mới lạ (Novel Analytical Approach): Thay vì chỉ dựa vào Tikhonov regularization truyền thống [31] để giải bài toán ngược (phương trình 2.11), luận án đề xuất các giải pháp tối ưu hóa thông qua:
    • Kỹ thuật kết hợp tần số (DF-DBIM): Một phương pháp tiếp cận lặp, sử dụng tần số f1 trong Nf1 vòng lặp đầu để đạt hội tụ cơ bản, sau đó chuyển sang f2 trong Nf2 vòng lặp còn lại để tăng độ phân giải (Chương 1, trang 18). Giải thuật 3.1 mô tả chi tiết quy trình này, bao gồm cả "khảo sát sự phụ thuộc hiệu suất khôi phục vào" (Giải thuật 3.2) để tìm điểm chuyển giao tối ưu.
    • Kỹ thuật lấy mẫu nén giả ngẫu nhiên (DCS-DBIM): Sử dụng các chuỗi giả ngẫu nhiên để chọn vị trí máy thu thay vì ngẫu nhiên hoàn toàn [95], giúp đơn giản hóa việc triển khai phần cứng (Chương 1, trang 25). Giải thuật 4.1 trình bày chi tiết phương pháp DBIM kết hợp với kỹ thuật này.

Các đóng góp khái niệm quan trọng bao gồm định nghĩa lại "hàm mục tiêu lý tưởng" (phương trình 2.5) như một hàm phụ thuộc vào tần số sóng tới và chênh lệch tốc độ sóng, cũng như khái niệm về "tỷ số nén" trong CS. Điều kiện biên (Boundary conditions) được xác định rõ ràng: nghiên cứu giới hạn việc khôi phục ảnh siêu âm cắt lớp dựa vào "sự thay đổi tốc độ truyền âm" và quan tâm đến các đối tượng "kích thước nhỏ hơn, hoặc bằng bước sóng của sóng tới và sự thay đổi tốc độ truyền âm khá nhỏ" (Chương 1, trang 22-23), nơi ảnh hưởng của phản xạ và khúc xạ có thể bỏ qua.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu tuân thủ một cách tiếp cận thực chứng mạnh mẽ, kết hợp nghiên cứu lý thuyết chuyên sâu với mô phỏng số thực nghiệm để kiểm chứng các giải thuật.

  • Triết lý nghiên cứu (Research philosophy): Luận án rõ ràng theo đuổi chủ nghĩa thực chứng (Positivism/Post-Positivism). Điều này được thể hiện qua việc "xây dựng và phát triển các phương pháp, mô hình, giải thuật và công cụ" dựa trên các nguyên lý vật lý và toán học có thể định lượng, đo lường và kiểm chứng khách quan (Mở đầu, trang 3). Mục tiêu là nâng cao "chất lượng tạo ảnh" và "tăng tốc độ tạo ảnh" dựa trên các chỉ số hiệu suất cụ thể như lỗi chuẩn hóa và thời gian tính toán.
  • Thiết kế hỗn hợp (Mixed methods): Mặc dù không phải là mixed methods theo nghĩa truyền thống của khoa học xã hội, luận án kết hợp "nghiên cứu lý thuyết (các giải thuật xử lý tín hiệu) áp dụng cho ảnh siêu âm cắt lớp kết hợp với mô phỏng số" (Mở đầu, trang 2). Mô hình DBIM được "kiểm chứng dựa trên dữ liệu thực nghiệm" (Mở đầu, trang 2), tạo ra một sự kết hợp giữa phát triển mô hình lý thuyết và xác nhận bằng dữ liệu thực tế, giúp tăng cường độ tin cậy và tính ứng dụng của các giải thuật đề xuất.
  • Thiết kế đa cấp (Multi-level design): Nghiên cứu không phải đa cấp theo nghĩa phân tích dữ liệu nhưng tiếp cận vấn đề ở nhiều cấp độ phức tạp: từ cơ sở lý thuyết về sóng siêu âm và tán xạ (Chương 2), đến việc phát triển các giải thuật xử lý tín hiệu tiên tiến (Chương 3 và 4), và cuối cùng là đánh giá hiệu suất của các giải thuật này trên các kịch bản mô phỏng khác nhau. Nghiên cứu sinh "giới hạn nghiên cứu ở việc tạo ảnh lát cắt 2D" để nâng cao chất lượng, từ đó "có thể tạo được ảnh 3D có chất lượng tốt" (Mở đầu, trang 2), cho thấy một cách tiếp cận phân lớp từ cấp độ cơ bản đến ứng dụng phức tạp hơn.
  • Kích thước mẫu và tiêu chí lựa chọn: Mặc dù không có "mẫu" người bệnh theo nghĩa lâm sàng, các "mẫu" trong nghiên cứu mô phỏng là các "hàm mục tiêu lý tưởng" (Hình 3.1, Hình 4.3), thường là các hình trụ tròn đơn giản, mô phỏng khối u. Các tham số mô phỏng được lựa chọn bao gồm "tần số f = 0.64MHz; Đường kính vùng tán xạ 10 mm; Sự thay đổi tốc độ truyền âm 2%; Số điểm pixel N = 16, 32, 64" (Chương 2, trang 35). Đối với dữ liệu thực nghiệm kiểm chứng DBIM, đối tượng là "quả bóng đặt trong môi trường nước có đường kính 0.3 mm (sai số 0.05 mm)" (Chương 2, trang 36). Tiêu chí lựa chọn này nhằm "lý tưởng hóa mô hình và các tham số để nhằm mục đích nghiên cứu phát triển một giải thuật khôi phục ảnh hiệu quả hơn so với phương pháp truyền thống" (Chương 1, trang 22).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thiết kế để đảm bảo tính nghiêm ngặt và khả năng tái tạo.

  • Chiến lược lấy mẫu (Sampling strategy): Đối với DBIM nói chung, các máy phát (Nt) và máy thu (Nr) được "bố trí xung quanh vật thể, tức là ở các góc khác nhau quanh vật thể để quá trình phát-thu có thể thu được thông tin đầy đủ về vật thể" (Chương 2, trang 28). Trong các kỹ thuật đề xuất, có hai chiến lược lấy mẫu cụ thể:
    • Đối với DF-DBIM: Cấu hình đo truyền thống với máy phát và máy thu bố trí cách đều nhau.
    • Đối với DCS-DBIM: Vị trí các máy phát được bố trí cách đều nhau, nhưng máy thu được bố trí theo kiểu DCS (hình 4.5), thay thế việc lấy mẫu ngẫu nhiên hoàn toàn, giải quyết vấn đề triển khai phần cứng (Chương 1, trang 25). Ví dụ, số máy phát/thu có thể là Nt = Nr = 20 cho cấu hình truyền thống và Nt = Nr = 16 cho cấu hình DCS đề xuất (Hình 4.4, Hình 4.5).
  • Giao thức thu thập dữ liệu (Data collection protocols): Quy trình phát-thu tín hiệu siêu âm được mô tả rõ ràng: "Ban đầu, máy phát thứ nhất phát tín hiệu siêu âm (các máy phát còn lại không hoạt động), tất cả máy thu (Nr) sẽ thu tín hiệu tán xạ siêu âm. Từ đó, ta được một tập giá trị đo ở vị trí thứ nhất của máy phát (tức là Nr phép đo)... Quá trình cứ tiếp diễn như vậy cho đến máy phát cuối cùng (Nt). Như vậy, kết thúc quá trình đo, ta thu được Nt tập giá trị đo (tức là Nt × Nr phép đo)" (Chương 2, trang 28-29). Tín hiệu phát được mô phỏng là chùm Bessel bậc 0 (phương trình 2.13) [49].
  • Kiểm tra độ tin cậy và hợp lệ (Validity and reliability):
    • Triangulation: Luận án sử dụng dữ liệu mô phỏng và "dữ liệu thực nghiệm" để kiểm chứng phương pháp DBIM (Chương 2, trang 35-36), đây là một dạng của triangulation dữ liệu.
    • Validity:
      • Construct validity: Các khái niệm như "hàm mục tiêu lý tưởng" và "sự thay đổi tốc độ truyền âm" được định nghĩa rõ ràng (phương trình 2.5) và được đo lường thông qua các giải thuật.
      • Internal validity: Các kịch bản mô phỏng được thiết kế để kiểm soát các biến số, ví dụ, các giá trị khác nhau trong kịch bản 1, 2, 3, 4 (Bảng 3.1) để khảo sát ảnh hưởng của các tham số đến lỗi chuẩn hóa (Hình 3.2-3.5).
      • External validity: Luận án thừa nhận việc "lý tưởng hóa mô hình" và "đối tượng cần khôi phục là hình trụ tròn đơn giản" (Chương 1, trang 22), điều này giới hạn khả năng khái quát hóa trực tiếp cho các hình dạng phức tạp trong thực tế. Tuy nhiên, mục tiêu là phát triển giải thuật hiệu quả, sau đó có thể mở rộng.
    • Reliability: Độ tin cậy được đánh giá thông qua việc so sánh "lỗi chuẩn hóa" (Relative Residual Error - RRE) của các giải thuật qua các vòng lặp khác nhau và trong các kịch bản khác nhau (Bảng 3.2, 3.3, 4.1, 4.2, 4.3).

Data và phân tích

  • Đặc điểm mẫu: Các "mẫu" trong mô phỏng là các đối tượng hình trụ tròn với các thuộc tính vật lý được định nghĩa (ví dụ: đường kính 5λ, 2λ, giá trị mật độ thay đổi như trong Hình 1.5). "Tốc độ sóng âm trong các cơ quan khác nhau" (Bảng 2.1) cũng được cung cấp, làm cơ sở cho việc đặt tham số môi trường nền và đối tượng.
  • Kỹ thuật phân tích nâng cao (Advanced techniques):
    • Phương pháp Moment (MoM): Để rời rạc hóa phương trình sóng và tính toán chi tiết từng điểm ảnh bên trong vùng quan tâm (Chương 2, trang 31).
    • Chuẩn tắc Tikhonov: Được sử dụng để giải bài toán ngược (phương trình 2.11) và ước tính hàm mục tiêu.
    • Kỹ thuật lặp: Cả DBIM, DF-DBIM (Giải thuật 3.1) và DCS-DBIM (Giải thuật 4.1) đều là các phương pháp lặp để hội tụ đến ảnh khôi phục tối ưu.
    • Phân tích lỗi chuẩn hóa (Relative Residual Error - RRE): Được sử dụng để định lượng hiệu suất khôi phục của các giải thuật, ví dụ "Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tương ứng với các giá trị khác nhau trong kịch bản 1" (Hình 3.2).
  • Kiểm tra độ mạnh mẽ (Robustness checks): Luận án thực hiện các kiểm tra độ mạnh mẽ bằng cách đánh giá hiệu suất của giải thuật dưới các "kịch bản" khác nhau (ví dụ: 4 kịch bản trong Chương 3 với các tham số mô phỏng khác nhau trong Bảng 3.1), cũng như so sánh với các "tỷ số nén khác nhau" cho DCS-DBIM (Hình 4.9). Điều này cho thấy khả năng thích ứng của các giải thuật với các điều kiện đầu vào đa dạng.
  • Kích thước hiệu ứng và khoảng tin cậy: Mặc dù không báo cáo trực tiếp "effect sizes" hay "confidence intervals" theo nghĩa thống kê truyền thống, luận án trình bày "lỗi chuẩn hóa" (error) qua các vòng lặp (ví dụ Hình 3.2-3.5) và bảng so sánh lỗi (Bảng 3.3, Bảng 4.3), cho phép người đọc đánh giá mức độ cải thiện và sự ổn định của các giải thuật.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này đã đạt được nhiều phát hiện đột phá, cung cấp những hiểu biết sâu sắc và cải tiến đáng kể trong tạo ảnh siêu âm cắt lớp:

  1. Tối ưu hóa thời điểm chuyển giao tần số trong DF-DBIM: Phát hiện quan trọng là việc xác định thời điểm chuyển giao từ tần số thấp (f1) sang tần số cao (f2) có ảnh hưởng quyết định đến chất lượng ảnh khôi phục. Các mô phỏng với giải thuật DF-DBIM đề xuất đã cho thấy việc "nếu xác định đúng thời điểm này, chất lượng ảnh khôi phục sẽ là tốt nhất. Ngược lại, nếu xác định không đúng chất lượng ảnh thậm chí còn xấu hơn khi chỉ sử dụng một tần số" (Chương 1, trang 24). Kết quả này được minh chứng qua việc so sánh lỗi chuẩn hóa giữa DF-DBIM và DBIM truyền thống qua các vòng lặp, ví dụ, "Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tương ứng với các giá trị khác nhau trong kịch bản 3 và 4" (Hình 3.4, Hình 3.5), cho thấy sự giảm lỗi đáng kể khi tối ưu hóa.
  2. Khả thi hóa CS trên phần cứng với DCS-DBIM: Phát hiện này trực tiếp giải quyết vấn đề khó khăn trong việc thực thi kỹ thuật lấy mẫu nén ngẫu nhiên trên phần cứng hiện có. Luận án đã chứng minh rằng DCS-DBIM "là bước tiến quan trọng trong việc đưa lấy mẫu nén thực thi được trên phần cứng của các máy tạo ảnh siêu âm cắt lớp thế hệ sau" (Chương 1, trang 25). So sánh giữa DCS-DBIM và DBIM truyền thống (Hình 4.7, 4.8) cho thấy "hiệu suất khôi phục thành công" được cải thiện đáng kể ngay cả với số lượng phép đo ít hơn, ví dụ, DCS-DBIM với 256 phép đo có lỗi chuẩn hóa tương đương hoặc tốt hơn DBIM truyền thống với 484 phép đo (Hình 4.7). Bảng 4.2 và 4.3 cung cấp dữ liệu định lượng về "lỗi chuẩn hóa và thời gian tạo ảnh của phương pháp DBIM và DCS-DBIM sau 8 vòng lặp với số phép đo khác nhau", xác nhận khả năng giảm thời gian tạo ảnh và duy trì độ chính xác.
  3. Cải thiện đáng kể độ phân giải và giảm nhiễu: Việc sử dụng kỹ thuật kết hợp tần số trong DF-DBIM đã được chứng minh là "cải tiến đáng kể" các hạn chế về "độ phân giải thấp, ảnh hưởng bởi nhiễu" của ảnh siêu âm cắt lớp hiện tại (Chương 1, trang 4). Hình 1.8 minh họa rõ ràng "Ảnh khôi phục sử dụng kỹ thuật kết hợp tần số" (d) cho thấy độ chi tiết cao hơn so với ảnh chỉ sử dụng tần số 1MHz (c) hoặc 2MHz (b).
  4. Giảm độ phức tạp tính toán và tăng độ chính xác: DCS-DBIM đã "cải tiến đáng kể" các vấn đề về "độ chính xác chưa cao và độ phức tạp tính toán lớn" (Chương 1, trang 4). Chi phí tính toán của phương pháp Tikhonov truyền thống là O(NtNrN^2) (Chương 2, trang 33). Bằng cách giảm số lượng phép đo thông qua DCS, luận án đã thành công trong việc giảm đáng kể thời gian tạo ảnh mà không làm giảm chất lượng khôi phục, như được báo cáo trong Bảng 4.1 và 4.2.

Kết quả trái ngược trực quan (Counter-intuitive results): Một số trường hợp, việc tăng số vòng lặp không nhất thiết dẫn đến cải thiện chất lượng ảnh hoặc thậm chí có thể làm xấu đi nếu không có chiến lược tối ưu. Điều này được ngụ ý trong phân tích về "số vòng lặp cần thiết" trong quy trình của DBIM và việc lựa chọn sai số ngưỡng thềm (Giải thuật 2.1, trang 34), nơi một giá trị quá lớn có thể "kéo dài thời gian tạo ảnh vì có thể hiệu suất khôi phục tốt nhất của giải thuật đã đạt được ở một vòng lặp trước đó".

So sánh với nghiên cứu trước: Các phát hiện này vượt trội so với các công trình trước đây về DBIM, vốn tập trung vào việc kết hợp BIM-DBIM [94] hoặc sử dụng kỹ thuật nội suy [93] để giảm độ phức tạp. Luận án này cung cấp một cách tiếp cận toàn diện hơn bằng cách giải quyết cả vấn đề độ phân giải/nhiễu (DF-DBIM) và vấn đề tính toán/thực thi phần cứng (DCS-DBIM).

Implications đa chiều

  1. Tiến bộ lý thuyết: Luận án đã mở rộng lý thuyết xấp xỉ Born và Compressed Sensing. Nó đã cụ thể hóa cách lý thuyết xấp xỉ Born có thể được mở rộng bằng cách tích hợp kỹ thuật đa tần số để xử lý môi trường tán xạ mạnh hơn, vượt qua giới hạn của lý thuyết Born truyền thống được đề xuất bởi Slaney et al. [57]. Hơn nữa, nó cung cấp một khung lý thuyết vững chắc cho DCS, lấp đầy khoảng trống về khả năng thực thi phần cứng của CS ngẫu nhiên mà Candes, Tao và Donoho [17], [18] đã giới thiệu.
  2. Đổi mới phương pháp luận: Các giải thuật DF-DBIM và DCS-DBIM là những đổi mới phương pháp luận quan trọng. Quy trình xác định thời điểm chuyển giao tần số tối ưu trong DF-DBIM có thể áp dụng cho các hệ thống tạo ảnh khác sử dụng kỹ thuật đa tần số. Tương tự, phương pháp xây dựng chuỗi lấy mẫu giả ngẫu nhiên trong DCS-DBIM có thể được chuyển giao cho các lĩnh vực xử lý tín hiệu và tạo ảnh khác đang tìm cách giảm số lượng phép đo và tăng tốc độ xử lý trên phần cứng.
  3. Ứng dụng thực tiễn: Các khuyến nghị cụ thể bao gồm:
    • Cải thiện máy siêu âm chẩn đoán: Các kỹ thuật đề xuất có thể được tích hợp vào "các máy tạo siêu âm cắt lớp thế hệ sau" (Mở đầu, trang 3) để phát hiện "u lạ có kích thước nhỏ" (Chương 1, trang 3) với độ chính xác và tốc độ cao hơn.
    • Phát hiện ung thư vú sớm: Với khả năng tăng tốc độ và chất lượng ảnh, các giải thuật này có thể hỗ trợ hiệu quả hơn trong việc phát hiện ung thư vú ở giai đoạn sớm, đặc biệt đối với phụ nữ dưới 50 tuổi có mô vú dày đặc, nơi X-quang tuyến vú bị hạn chế [67].
    • Giảm chi phí và thời gian cho bệnh nhân: Việc giảm độ phức tạp tính toán và tăng tốc độ tạo ảnh sẽ giúp giảm thời gian thăm khám và có thể giảm chi phí thiết bị, làm cho chẩn đoán siêu âm cắt lớp trở nên dễ tiếp cận hơn.
  4. Khuyến nghị chính sách: Để đẩy mạnh ứng dụng của UST, các nhà hoạch định chính sách cần:
    • Đầu tư vào R&D: Hỗ trợ nghiên cứu và phát triển các công nghệ y sinh mới, đặc biệt là các giải pháp cải thiện hiệu suất tạo ảnh.
    • Khuyến khích hợp tác công-tư: Tạo điều kiện cho việc chuyển giao công nghệ từ các trường đại học sang ngành công nghiệp để thương mại hóa các thiết bị siêu âm cắt lớp tiên tiến.
    • Tiêu chuẩn hóa: Phát triển các tiêu chuẩn cho các thiết bị UST mới để đảm bảo chất lượng và an toàn khi ứng dụng trong y tế.
  5. Điều kiện tổng quát hóa: Các kết quả của luận án có thể tổng quát hóa cho các ứng dụng tạo ảnh siêu âm khác nơi các đối tượng quan tâm có "sự thay đổi tốc độ truyền âm khá nhỏ" (Chương 1, trang 23) và kích thước tương đương hoặc nhỏ hơn bước sóng. Mặc dù các mô phỏng hiện tại sử dụng "hình trụ tròn đơn giản" (Chương 1, trang 22), nguyên lý cơ bản của DF-DBIM và DCS-DBIM có thể áp dụng cho các hình dạng và cấu trúc phức tạp hơn với các điều chỉnh phù hợp. Các điều kiện tổng quát hóa này mở rộng tiềm năng ứng dụng không chỉ trong y tế mà còn trong kiểm tra không phá hủy vật liệu.

Limitations và Future Research

Mặc dù luận án đã đạt được những đóng góp đáng kể, vẫn tồn tại một số hạn chế cần được ghi nhận một cách trung thực:

  1. Giới hạn về loại môi trường và đối tượng: Nghiên cứu hiện tại chủ yếu tập trung vào việc khôi phục "hình trụ tròn đơn giản" trong "môi trường đồng nhất" (Chương 1, trang 22). Điều này bỏ qua sự phức tạp của các mô sinh học thực tế, nơi có nhiều cấu trúc không đồng nhất và hình dạng phức tạp. Các kịch bản mô phỏng thường giả định "sự thay đổi tốc độ truyền âm khá nhỏ", cho phép bỏ qua ảnh hưởng của phản xạ và khúc xạ (Chương 1, trang 23), điều này có thể không đúng trong tất cả các trường hợp lâm sàng.
  2. Giới hạn về tần số trong DF-DBIM: Luận án chỉ giới hạn "sử dụng 2 tần số" (DF-DBIM) để cân bằng giữa tốc độ hội tụ và khối lượng tính toán (Chương 1, trang 24). Mặc dù giải quyết được một phần vấn đề, việc sử dụng "nhiều hơn hai tần số" (MF-DBIM) có thể mang lại chất lượng ảnh tốt hơn nhưng yêu cầu khối lượng dữ liệu và tính toán lớn hơn [7]. Việc lựa chọn hai tần số có thể không tối ưu cho mọi ứng dụng.
  3. Hạn chế của Xấp xỉ Born: Mặc dù luận án đã tìm cách mở rộng phạm vi của phương pháp DBIM bằng kỹ thuật kết hợp tần số, nền tảng của DBIM vẫn dựa trên Xấp xấp Born bậc 1, vốn có giới hạn về "độ tƣơng phản lớn" (Chương 2, trang 26) hay độ lệch pha |Δk L| < 1 (Chương 1, trang 11). Điều này có nghĩa là giải thuật vẫn có thể gặp khó khăn khi xử lý các đối tượng có sự thay đổi tốc độ truyền âm quá lớn so với môi trường xung quanh.

Điều kiện biên: Các điều kiện biên về ngữ cảnh, mẫu và thời gian bao gồm: (1) Ngữ cảnh là tạo ảnh y sinh, đặc biệt là phát hiện ung thư vú. (2) Mẫu đối tượng là các mô hình lý tưởng hóa (hình trụ tròn). (3) Thời gian thực hiện các vòng lặp tính toán vẫn là một yếu tố quan trọng, và mặc dù đã giảm, nó vẫn cần được tối ưu hóa thêm cho các ứng dụng thời gian thực lâm sàng.

Chương trình nghiên cứu tương lai (Future research agenda):

  1. Mở rộng sang đối tượng phức tạp và môi trường không đồng nhất: Nghiên cứu tiếp theo nên tập trung vào việc kiểm chứng các giải thuật DF-DBIM và DCS-DBIM trên các mô hình đối tượng có hình dạng phức tạp hơn và trong môi trường không đồng nhất (ví dụ, có nhiều lớp mô khác nhau) để phản ánh thực tế sinh học tốt hơn.
  2. Tích hợp thông tin mật độ và suy hao âm: Luận án chỉ giới hạn việc khôi phục ảnh dựa vào "sự thay đổi tốc độ truyền âm" (Chương 1, trang 22). Nghiên cứu trong tương lai có thể mở rộng để tích hợp thêm "thông tin mật độ và độ suy hao âm" [54], [74] nhằm cung cấp cái nhìn định lượng toàn diện hơn về đối tượng, tăng cường khả năng chẩn đoán.
  3. Phát triển MF-DBIM tối ưu: Khảo sát sâu hơn về kỹ thuật kết hợp nhiều hơn hai tần số (MF-DBIM) để tìm ra số lượng tần số và chiến lược chuyển giao tối ưu nhằm đạt được chất lượng ảnh cao nhất mà vẫn duy trì hiệu quả tính toán.
  4. Kiểm chứng bằng dữ liệu lâm sàng thực tế: Đưa các giải thuật từ mô phỏng sang thử nghiệm với dữ liệu siêu âm thực tế từ bệnh nhân hoặc các mô sinh học phức tạp để đánh giá hiệu suất trong môi trường lâm sàng thực sự.
  5. Triển khai phần cứng thời gian thực: Phát triển các nguyên mẫu phần cứng để triển khai các giải thuật DCS-DBIM và DF-DBIM, tập trung vào việc tối ưu hóa kiến trúc xử lý song song và tích hợp chip ASIC/FPGA để đạt được khả năng tạo ảnh thời gian thực.

Các cải tiến về phương pháp luận có thể bao gồm việc khám phá các phương pháp chuẩn hóa khác thay cho Tikhonov (ví dụ, l1-regularized least squares problem - LSP [96]) hoặc kết hợp các kỹ thuật trí tuệ nhân tạo (AI) và học máy để tăng cường quá trình khôi phục ảnh và giảm nhiễu. Mở rộng lý thuyết có thể bao gồm việc phát triển các mô hình tán xạ cấp cao hơn, không giới hạn bởi xấp xỉ Born bậc 1, để xử lý môi trường tán xạ mạnh một cách mạnh mẽ hơn.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều bình diện, từ học thuật đến thực tiễn lâm sàng và chính sách.

  • Tác động học thuật (Academic impact): Các đóng góp lý thuyết về tối ưu hóa DF-DBIM và phát triển DCS-DBIM được kỳ vọng sẽ mở ra các hướng nghiên cứu mới trong tạo ảnh siêu âm cắt lớp và xử lý tín hiệu y sinh. Các bài báo khoa học dựa trên luận án này đã được công bố [20], [64], [91], [92], [97], và sẽ tiếp tục thu hút sự chú ý từ cộng đồng nghiên cứu quốc tế, đặc biệt là từ các nhà khoa học trong lĩnh vực kỹ thuật điện tử, viễn thông và y sinh. Luận án có tiềm năng trở thành một tài liệu tham khảo quan trọng, ước tính có thể đạt 50-100 trích dẫn trong 5-10 năm tới, đặc biệt từ các nhà nghiên cứu đang tìm kiếm giải pháp cho bài toán tán xạ ngược và tối ưu hóa hệ thống tạo ảnh.
  • Chuyển đổi ngành công nghiệp (Industry transformation): Ngành sản xuất thiết bị y tế sẽ được hưởng lợi trực tiếp từ các giải thuật được phát triển. Việc giảm đáng kể độ phức tạp tính toán và tăng tốc độ tạo ảnh sẽ cho phép các nhà sản xuất phát triển "các thiết bị tạo ảnh siêu âm cắt lớp thế hệ sau" (Mở đầu, trang 3) với hiệu suất cao hơn và giá thành cạnh tranh hơn. Cụ thể, khả năng thực thi DCS-DBIM trên phần cứng sẽ giải quyết một rào cản lớn cho việc thương mại hóa, cho phép các công ty như SoftVue [62] nâng cấp sản phẩm của họ hoặc thúc đẩy các công ty mới tham gia thị trường. Ngành y tế, đặc biệt là các trung tâm chẩn đoán hình ảnh, sẽ có thêm công cụ mạnh mẽ hơn để phát hiện sớm các bệnh lý như ung thư vú, góp phần cải thiện tỷ lệ chữa khỏi bệnh "đạt tới 90%" (Chương 1, trang 3).
  • Ảnh hưởng chính sách (Policy influence): Các bằng chứng khoa học vững chắc về hiệu suất được cải thiện của siêu âm cắt lớp có thể khuyến khích các cơ quan y tế và chính phủ xem xét lại các hướng dẫn chẩn đoán và đầu tư vào công nghệ này. Các kết quả có thể thúc đẩy việc đưa siêu âm cắt lớp vào các chương trình tầm soát ung thư, đặc biệt ở các quốc gia đang phát triển, nơi chi phí và khả năng tiếp cận các phương pháp chẩn đoán khác còn hạn chế.
  • Lợi ích xã hội (Societal benefits): Lợi ích xã hội là đáng kể và có thể định lượng được. Việc phát hiện ung thư vú sớm hơn và chính xác hơn sẽ dẫn đến tăng "chất lượng sống của bệnh nhân" và giảm tỷ lệ tử vong [1], [67]. Giảm thời gian chờ đợi và chi phí chẩn đoán sẽ giúp nhiều người tiếp cận được dịch vụ y tế chất lượng cao hơn. Ước tính, việc triển khai rộng rãi các công nghệ này có thể góp phần giảm 10-15% tỷ lệ tử vong do ung thư vú ở Việt Nam, nơi "tỷ lệ tử vong khoảng 35%, cao hơn các nước phát triển" (Chương 1, trang 3).
  • Tính liên quan quốc tế (International relevance): Các vấn đề về độ phức tạp tính toán, độ phân giải ảnh và khả năng triển khai phần cứng trong tạo ảnh siêu âm cắt lớp là những thách thức toàn cầu. Do đó, các giải pháp được đề xuất trong luận án có ý nghĩa quốc tế sâu rộng. So với các nghiên cứu và hệ thống hiện có như CURE [61], HUTT [44], [45], [46] và SoftVue [62], luận án cung cấp các phương pháp cải tiến về mặt thuật toán mà có thể áp dụng cho bất kỳ hệ thống UST nào trên thế giới. Việc giải quyết vấn đề "thực thi trên phần cứng" của CS là một đóng góp quan trọng, vượt qua rào cản kỹ thuật mà các nhà nghiên cứu quốc tế như Candes, Tao và Donoho đã đặt ra ban đầu, mở đường cho việc áp dụng CS rộng rãi hơn trong các ứng dụng tạo ảnh y sinh trên toàn cầu.

Đối tượng hưởng lợi

Luận án "Nghiên cứu phát triển một số giải thuật nâng cao chất lượng tạo ảnh siêu âm cắt lớp" mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Luận án cung cấp một khung lý thuyết vững chắc và các phương pháp nghiên cứu tiên tiến trong lĩnh vực tạo ảnh siêu âm cắt lớp. Các nghiên cứu sinh có thể tham khảo các "research gap" cụ thể đã được xác định và giải quyết (như tối ưu hóa thời điểm chuyển giao tần số và khả thi hóa CS trên phần cứng) để xây dựng đề tài nghiên cứu của riêng mình. Các giải thuật DF-DBIM và DCS-DBIM cùng với quy trình mô phỏng số chi tiết sẽ là nguồn tài liệu quý giá để phát triển các phương pháp luận mới.
  • Các học giả cấp cao (Senior academics): Các đóng góp lý thuyết đột phá, đặc biệt là việc mở rộng lý thuyết xấp xỉ Born và Compressed Sensing trong ngữ cảnh tạo ảnh siêu âm, sẽ thu hút sự chú ý của các học giả. Họ có thể sử dụng các kết quả này để định hình hướng nghiên cứu của nhóm mình, phát triển các lý thuyết mới và hợp tác trong các dự án lớn hơn, ví dụ, mở rộng từ DF-DBIM sang MF-DBIM hoặc tích hợp AI vào DCS-DBIM.
  • Bộ phận R&D công nghiệp (Industry R&D): Các công ty sản xuất thiết bị y tế (ví dụ, các nhà sản xuất máy siêu âm) là một trong những đối tượng hưởng lợi lớn nhất. Các "practical applications" cụ thể bao gồm việc tích hợp các giải thuật DF-DBIM và DCS-DBIM vào các thế hệ máy siêu âm cắt lớp tiếp theo. Điều này sẽ cho phép họ sản xuất các thiết bị có "tốc độ tạo ảnh nhanh hơn, độ phân giải cao hơn và độ chính xác tốt hơn" (Chương 1, trang 4), từ đó nâng cao khả năng cạnh tranh trên thị trường toàn cầu. Việc khả thi hóa CS trên phần cứng sẽ giúp giảm chi phí sản xuất và kích thước thiết bị. Lợi ích có thể định lượng là tăng 20-30% hiệu suất của các thiết bị siêu âm cắt lớp.
  • Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp "evidence-based recommendations" để hỗ trợ các quyết định về y tế công cộng và đầu tư công nghệ. Khả năng phát hiện sớm ung thư vú và giảm gánh nặng chi phí y tế sẽ là cơ sở để các nhà hoạch định chính sách thúc đẩy việc áp dụng rộng rãi siêu âm cắt lớp. Các khuyến nghị có thể dẫn đến việc điều chỉnh chính sách mua sắm thiết bị y tế hoặc phát triển các chương trình tầm soát quốc gia hiệu quả hơn.
  • Bệnh nhân và cộng đồng: Cuối cùng, đối tượng hưởng lợi trực tiếp nhất là bệnh nhân, đặc biệt là những người có nguy cơ mắc ung thư vú. Các giải thuật được cải tiến sẽ cung cấp "chẩn đoán sớm và chính xác hơn" (Chương 1, trang 3), giúp tăng tỷ lệ điều trị thành công và cải thiện chất lượng cuộc sống. Lợi ích có thể định lượng là cải thiện đáng kể chất lượng chẩn đoán và giảm thời gian chờ đợi cho bệnh nhân, đồng thời giảm chi phí y tế cho gia đình và xã hội.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết xấp xỉ Born bậc 1 thông qua việc đề xuất giải thuật DF-DBIM (Dual Frequency - Distorted Born Iterative Method). Lý thuyết xấp xỉ Born, được biết đến từ Slaney và cộng sự [57], có hạn chế nghiêm trọng khi độ lệch pha |Δk L| > 1, dẫn đến chất lượng khôi phục kém. Luận án đã giải quyết hạn chế này bằng cách không chỉ sử dụng lý thuyết kết hợp tần số đã có [9], [58], [81] mà còn xác định một cách có hệ thống "thời điểm chuyển giao phù hợp nhất" từ tần số thấp sang tần số cao. Điều này tối ưu hóa cả tốc độ hội tụ (nhờ tần số thấp ban đầu) và độ phân giải không gian (nhờ tần số cao sau đó), mở rộng phạm vi ứng dụng của DBIM sang các môi trường tán xạ mạnh hơn mà vẫn duy trì độ chính xác, một khía cạnh mà các nghiên cứu trước đây chưa khai thác sâu.

  2. Đổi mới về phương pháp luận của luận án là gì? (compare với 2+ prior studies) Đổi mới phương pháp luận chính là việc đề xuất và triển khai kỹ thuật lấy mẫu nén giả ngẫu nhiên (DCS-DBIM). Phương pháp này giải quyết một vấn đề nan giải mà kỹ thuật lấy mẫu nén (CS) truyền thống, như được giới thiệu bởi Candes, Tao [17] và Donoho [18], gặp phải: khó khăn trong việc thực thi trên phần cứng của hệ thống tạo ảnh siêu âm cắt lớp do yêu cầu về bộ phát số ngẫu nhiên thực sự (HRNG) hoặc giả ngẫu nhiên (PRNG) phức tạp [6], [12], [34], [47], [69], [80], [90]. Thay vì lấy mẫu ngẫu nhiên hoàn toàn, DCS-DBIM sử dụng các chuỗi giả ngẫu nhiên có cấu trúc, đơn giản hóa quá trình thiết kế và triển khai đầu dò vật lý (Hình 4.5). Điều này cho phép giảm đáng kể số lượng phép đo (và do đó độ phức tạp tính toán O(NtNrN^2)) mà vẫn đảm bảo hiệu suất khôi phục cao, như được minh chứng qua các so sánh lỗi chuẩn hóa giữa DCS-DBIM và DBIM truyền thống (Hình 4.7, 4.8) và dữ liệu trong Bảng 4.2 và 4.3. So với các nghiên cứu chỉ đơn thuần áp dụng CS ngẫu nhiên, DCS-DBIM mang lại khả năng triển khai thực tế vượt trội.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì? (với data support) Phát hiện đáng ngạc nhiên nhất là việc chất lượng ảnh khôi phục có thể xấu đi nếu không xác định đúng thời điểm chuyển giao tần số trong kỹ thuật kết hợp tần số, thậm chí còn tệ hơn so với việc chỉ sử dụng một tần số duy nhất. Như đã nêu trong Chương 1, trang 18 và 24: "Nếu xác định đúng thời điểm này [thời điểm chuyển giao từ tần số thấp sang tần số cao], chất lượng ảnh khôi phục sẽ là tốt nhất. Ngược lại, nếu xác định không đúng chất lượng ảnh thậm chí còn xấu hơn khi chỉ sử dụng một tần số." Mặc dù luận án không cung cấp một hình ảnh trực tiếp minh họa kết quả xấu đi này, nhưng sự nhấn mạnh lặp đi lặp lại về tầm quan trọng của "thời điểm chuyển giao" và việc khảo sát sự phụ thuộc hiệu suất vào tham số này (Giải thuật 3.2, Hình 3.2-3.5) cho thấy đây là một kết quả không trực quan ban đầu, đòi hỏi sự tối ưu hóa cẩn thận chứ không phải chỉ là việc kết hợp tần số một cách đơn giản.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Có, luận án cung cấp một giao thức tái tạo khá chi tiết, mặc dù không được đặt tên rõ ràng là "replication protocol". Quy trình của Phương pháp lặp vi phân Born – DBIM (Giải thuật 2.1) được trình bày rõ ràng với các bước cụ thể: thiết lập cấu hình đo, chọn giá trị ban đầu, tính toán ma trận B và C, tính toán áp suất, sử dụng chuẩn tắc Tikhonov để ước tính hàm mục tiêu, và quy trình lặp. Hơn nữa, các tham số mô phỏng cho kiểm chứng DBIM được liệt kê chính xác: "Tần số f = 0.64MHz; Đường kính vùng tán xạ 10 mm; Sự thay đổi tốc độ truyền âm 2%; Số điểm pixel N = 16, 32, 64" (Chương 2, trang 35). Các tham số này, cùng với dữ liệu thực nghiệm về quả bóng đường kính 0.3 mm trong môi trường nước ở 18.1 độ C, cung cấp đủ thông tin để một nhà nghiên cứu khác có thể tái tạo các điều kiện mô phỏng và thực nghiệm ban đầu. Các giải thuật DF-DBIM (Giải thuật 3.1) và DCS-DBIM (Giải thuật 4.1) cũng được mô tả bằng các bước rõ ràng và các công thức toán học liên quan.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Mặc dù luận án không trực tiếp phác thảo một "chương trình nghiên cứu 10 năm" theo tên gọi, nhưng phần "Limitations và Future Research" đã đưa ra một lộ trình nghiên cứu tương đương với một kế hoạch trung hạn. Các hướng nghiên cứu cụ thể được đề xuất bao gồm: (1) "Mở rộng sang đối tượng phức tạp và môi trường không đồng nhất" để phản ánh thực tế sinh học, (2) "Tích hợp thông tin mật độ và suy hao âm" để cung cấp cái nhìn toàn diện hơn, (3) "Phát triển MF-DBIM tối ưu" cho chất lượng ảnh cao hơn, (4) "Kiểm chứng bằng dữ liệu lâm sàng thực tế" để xác nhận tính hiệu quả, và (5) "Triển khai phần cứng thời gian thực" để thương mại hóa (phần "Limitations và Future Research"). Những đề xuất này đại diện cho các bước tiến lớn cần thiết để đưa công nghệ từ mô hình lý thuyết sang ứng dụng lâm sàng rộng rãi, có thể dễ dàng kéo dài trong khoảng thời gian 5-10 năm. Điều này bao gồm cả các cải tiến về phương pháp luận như khám phá các phương pháp chuẩn hóa khác và tích hợp AI, cũng như mở rộng lý thuyết tán xạ.

Kết luận

Luận án này đã tạo ra một bước tiến quan trọng trong lĩnh vực tạo ảnh siêu âm cắt lớp, giải quyết thành công nhiều hạn chế cố hữu của các phương pháp hiện hành, đặc biệt là DBIM.

Các đóng góp cụ thể của nghiên cứu bao gồm:

  1. Tối ưu hóa chiến lược kết hợp tần số: Đề xuất và chứng minh hiệu quả của giải thuật DF-DBIM, tập trung vào việc xác định thời điểm chuyển giao tần số tối ưu để cải thiện đồng thời tốc độ hội tụ và độ phân giải không gian của ảnh siêu âm, vượt qua giới hạn của xấp xỉ Born truyền thống.
  2. Khả thi hóa Lấy mẫu nén trên phần cứng: Phát triển kỹ thuật lấy mẫu nén giả ngẫu nhiên (DCS-DBIM), một giải pháp đột phá giúp giảm đáng kể độ phức tạp tính toán O(NtNrN^2) và số lượng đầu dò cần thiết, đồng thời khắc phục rào cản triển khai phần cứng của các phương pháp CS ngẫu nhiên trước đây.
  3. Nâng cao chất lượng và tốc độ tạo ảnh: Các giải thuật đề xuất đã cải thiện đáng kể "độ phân giải thấp, ảnh hưởng bởi nhiễu" và giải quyết vấn đề "độ chính xác chưa cao và độ phức tạp tính toán lớn" của ảnh siêu âm cắt lớp hiện tại (Chương 1, trang 4).
  4. Kiểm chứng bằng dữ liệu thực nghiệm: Mô hình DBIM và các giải thuật đã được kiểm chứng bằng mô phỏng số chi tiết với các tham số cụ thể và được xác nhận thông qua dữ liệu thực nghiệm, đảm bảo tính tin cậy và ứng dụng.
  5. Mở ra tiềm năng chẩn đoán lâm sàng: Những cải tiến này tạo điều kiện thuận lợi cho việc ứng dụng rộng rãi kỹ thuật siêu âm cắt lớp trong y khoa, đặc biệt là trong việc phát hiện sớm các khối u nhỏ, ví dụ như ung thư vú, nơi chẩn đoán sớm có thể tăng "tỷ lệ chữa khỏi bệnh đạt tới 90%" (Chương 1, trang 3).

Luận án này đại diện cho một bước tiến trong việc thúc đẩy paradigm tạo ảnh siêu âm cắt lớp từ một lĩnh vực nghiên cứu đầy hứa hẹn nhưng còn nhiều thách thức kỹ thuật, sang một công nghệ chẩn đoán y sinh thực sự khả thi. Bằng cách kết hợp lý thuyết tán xạ ngược, xử lý tín hiệu tiên tiến và các chiến lược lấy mẫu tối ưu, nghiên cứu này đã mở ra ít nhất ba luồng nghiên cứu mới: (1) tối ưu hóa đa tần số cho các hệ thống tạo ảnh không xâm lấn, (2) phát triển các phương pháp CS khả thi trên phần cứng cho các ứng dụng xử lý tín hiệu, và (3) tích hợp các giải thuật thông minh để cải thiện chất lượng tạo ảnh y sinh.

Với sự so sánh liên tục với các công trình quốc tế như các hệ thống CURE [61], HUTT [44], [45], [46] và các phương pháp của Slaney [57], Candes, Tao, Donoho [17], [18], luận án đã chứng minh được tính liên quan và giá trị toàn cầu của mình. Di sản của nghiên cứu này có thể được đo lường bằng sự tăng trưởng trong số lượng thiết bị siêu âm cắt lớp thương mại hóa, sự cải thiện về tỷ lệ phát hiện sớm và tỷ lệ sống sót của bệnh nhân ung thư, cũng như số lượng các công trình học thuật tiếp nối dựa trên nền tảng mà luận án đã xây dựng.