Luận án phát triển giải thuật tạo ảnh siêu âm cắt lớp - Trần Quang Huy, ĐHQGHN
Nghiên cứu phát triển giải thuật tiên tiến, cải thiện đáng kể chất lượng tạo ảnh siêu âm cắt lớp. Luận án TS Kỹ thuật Điện tử Viễn thông.
Năm xuất bản
Số trang
187
Thời gian đọc
29 phút
Lượt xem
1
Lượt tải
0
Phí lưu trữ
50 Point
Tổng quan nhanh
- Chủ đề:
- Giải thuật nâng cao chất lượng ảnh siêu âm cắt lớp
- Số trang:
- 187 trang
- Trường:
- Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội
- Chuyên ngành:
- Kỹ thuật điện tử
- Tác giả:
- Trần Quang Huy
- Năm:
- 2019
Tóm tắt nội dung luận án
I.Giải thuật nâng cao chất lượng ảnh siêu âm cắt lớp
Tài liệu tập trung nghiên cứu, phát triển các giải thuật tiên tiến. Mục tiêu là cải thiện chất lượng tạo ảnh siêu âm cắt lớp. Chất lượng ảnh siêu âm đóng vai trò quan trọng trong chẩn đoán y tế. Hình ảnh rõ ràng giúp bác sĩ đưa ra quyết định chính xác hơn. Các giải thuật này hướng đến khắc phục hạn chế của siêu âm truyền thống. Hạn chế bao gồm nhiễu đốm, độ phân giải thấp, và độ tương phản kém. Công trình đề xuất các phương pháp mới. Các phương pháp này ứng dụng trong xử lý ảnh siêu âm. Đem lại hình ảnh có độ chi tiết cao hơn, ít nhiễu hơn. Giúp tối ưu hóa hình ảnh siêu âm cho các ứng dụng lâm sàng khác nhau. Nghiên cứu này mở ra hướng đi mới trong công nghệ chẩn đoán hình ảnh. Đóng góp vào việc tăng cường khả năng phát hiện bệnh sớm. Đồng thời, nâng cao hiệu quả điều trị bệnh nhân.
1.1. Mục tiêu và tầm quan trọng của nghiên cứu
Nghiên cứu đặt ra mục tiêu cốt lõi: phát triển các giải thuật mạnh mẽ. Các giải thuật này phải nâng cao đáng kể chất lượng ảnh siêu âm. Chất lượng ảnh siêu âm cao có ý nghĩa sống còn trong y học. Ảnh rõ nét hỗ trợ chẩn đoán chính xác nhiều bệnh lý. Đặc biệt là các bệnh liên quan đến mô mềm. Giúp bác sĩ nhìn rõ cấu trúc giải phẫu. Phát hiện sớm các bất thường, khối u nhỏ. Giảm thiểu sai sót trong chẩn đoán. Từ đó, cải thiện kết quả điều trị cho bệnh nhân. Tầm quan trọng của công trình nằm ở việc tạo ra công cụ chẩn đoán hiệu quả hơn. Đây là bước tiến quan trọng trong công nghệ chẩn đoán hình ảnh. Hướng tới một nền y tế hiện đại, chính xác.
1.2. Thách thức trong xử lý ảnh siêu âm
Xử lý ảnh siêu âm đối mặt nhiều thách thức kỹ thuật. Nhiễu đốm (speckle noise) là vấn đề nan giải hàng đầu. Loại nhiễu này làm giảm đáng kể độ rõ nét của ảnh. Che mờ các chi tiết quan trọng. Độ tương phản thường thấp. Điều này khiến khó phân biệt giữa các mô lân cận. Độ phân giải ảnh siêu âm thường bị hạn chế. Hạn chế này ảnh hưởng đến khả năng nhìn thấy các cấu trúc nhỏ. Dẫn đến khó khăn trong tái tạo ảnh siêu âm 3D/4D chính xác. Cần có thuật toán giảm nhiễu siêu âm hiệu quả. Đồng thời, phải tăng cường độ tương phản ảnh siêu âm. Giải quyết những thách thức này đòi hỏi các phương pháp xử lý ảnh siêu âm tiên tiến.
1.3. Tổng quan về các phương pháp tiếp cận chính
Nghiên cứu xem xét nhiều phương pháp tiếp cận khác nhau. Bao gồm các kỹ thuật truyền thống và hiện đại. Một số phương pháp tập trung vào khử nhiễu đốm (speckle noise) siêu âm. Các thuật toán như lọc không cục bộ, lọc thích ứng được nghiên cứu. Một số phương pháp khác nhắm vào tăng cường độ tương phản ảnh siêu âm. Điều này giúp làm nổi bật các vùng quan tâm. Ngoài ra, nghiên cứu còn đề xuất các giải pháp nâng cao độ phân giải ảnh siêu âm. Các phương pháp kết hợp tần số hay kỹ thuật nội suy được xem xét. Những phương pháp này nhằm tối ưu hóa hình ảnh siêu âm. Mang lại hiệu quả chẩn đoán cao nhất. Đồng thời, tạo nền tảng cho việc tích hợp AI trong chẩn đoán hình ảnh siêu âm trong tương lai.
II.Cải thiện độ phân giải và giảm nhiễu ảnh siêu âm
Chất lượng ảnh siêu âm phụ thuộc nhiều vào độ phân giải và mức độ nhiễu. Nghiên cứu này tập trung vào phát triển các thuật toán hiệu quả. Các thuật toán này nhằm cải thiện độ phân giải ảnh siêu âm. Đồng thời, mục tiêu là giảm thiểu nhiễu đốm, nhiễu điện tử. Việc này giúp hình ảnh hiển thị rõ ràng hơn. Các chi tiết y tế quan trọng được làm nổi bật. Thuật toán giảm nhiễu siêu âm đóng vai trò then chốt. Đặc biệt là trong việc loại bỏ nhiễu đốm. Nhiễu đốm là đặc trưng riêng của ảnh siêu âm. Giảm nhiễu đốm giúp tăng cường độ tương phản ảnh siêu âm. Từ đó, khả năng phân biệt mô bệnh và mô lành được nâng cao. Các phương pháp tiếp cận bao gồm lọc ảnh tiên tiến. Cũng như kỹ thuật tái tạo ảnh dựa trên mô hình vật lý. Mục tiêu cuối cùng là cung cấp hình ảnh siêu âm chất lượng cao nhất. Hỗ trợ đắc lực cho công tác chẩn đoán. Tối ưu hóa hình ảnh siêu âm là trọng tâm chính.
2.1. Thuật toán giảm nhiễu đốm speckle hiệu quả
Nhiễu đốm (speckle noise) là thách thức lớn nhất trong siêu âm. Nó làm giảm khả năng nhận diện cấu trúc. Tài liệu nghiên cứu các thuật toán giảm nhiễu đốm (speckle noise) siêu âm tiên tiến. Bao gồm các bộ lọc thích nghi, lọc phi tuyến và lọc dựa trên mô hình thống kê. Các thuật toán này phân tích đặc điểm nhiễu. Sau đó áp dụng các phương pháp tối ưu để loại bỏ. Mà vẫn giữ được các cạnh và chi tiết quan trọng. Mục tiêu là đạt được sự cân bằng. Giữa việc loại bỏ nhiễu và bảo toàn thông tin y tế. Điều này đóng góp trực tiếp vào cải thiện chất lượng ảnh siêu âm. Đảm bảo ảnh rõ ràng, sắc nét cho chẩn đoán.
2.2. Tăng cường độ tương phản và chi tiết hình ảnh
Độ tương phản thấp là vấn đề phổ biến trong ảnh siêu âm. Nó khiến việc phân biệt các mô lân cận trở nên khó khăn. Nghiên cứu đề xuất các phương pháp tăng cường độ tương phản ảnh siêu âm. Các phương pháp này bao gồm điều chỉnh dải động, cân bằng histogram thích ứng. Cũng như các kỹ thuật tăng cường cạnh cục bộ. Việc này giúp làm nổi bật các ranh giới mô. Giúp các cấu trúc bên trong cơ thể hiển thị rõ hơn. Tăng cường chi tiết ảnh giúp bác sĩ có cái nhìn toàn diện hơn. Hỗ trợ phát hiện các tổn thương nhỏ. Từ đó, nâng cao đáng kể giá trị chẩn đoán của siêu âm. Đây là một phần quan trọng của xử lý ảnh siêu âm.
2.3. Nâng cao độ phân giải không gian của ảnh
Độ phân giải ảnh siêu âm trực tiếp ảnh hưởng đến chi tiết hình ảnh. Các giải thuật được phát triển để nâng cao độ phân giải không gian. Điều này bao gồm việc sử dụng kỹ thuật nội suy thông minh. Hoặc kết hợp dữ liệu từ nhiều góc độ. Kỹ thuật lấy mẫu nén (Compressed Sensing) cũng được ứng dụng. Nó giúp tái tạo ảnh với độ phân giải cao hơn. Mà không cần tăng thời gian quét. Nâng cao độ phân giải giúp hiển thị rõ ràng hơn các cấu trúc vi mô. Giúp phân biệt các tổn thương nhỏ. Tối ưu hóa hình ảnh siêu âm này cải thiện khả năng quan sát chi tiết. Từ đó, hỗ trợ chẩn đoán chính xác hơn.
III.Tối ưu hóa quá trình tái tạo ảnh siêu âm cắt lớp
Quá trình tái tạo ảnh siêu âm cắt lớp là trọng tâm của nghiên cứu. Mục tiêu là tạo ra ảnh 2D, 3D chính xác từ dữ liệu thô. Các giải thuật được tối ưu hóa để tăng cường hiệu quả tái tạo. Đặc biệt là với các kỹ thuật tái tạo ảnh siêu âm 3D/4D. Điều này bao gồm xử lý dữ liệu phức tạp. Nâng cao tốc độ xử lý mà vẫn đảm bảo chất lượng. Việc này giúp giảm thời gian chẩn đoán. Đồng thời, cải thiện trải nghiệm cho bệnh nhân. Các thuật toán mới giải quyết vấn đề tán xạ sóng âm. Tán xạ sóng âm thường gây nhiễu và làm mờ ảnh. Bằng cách mô hình hóa và bù trừ hiệu ứng này. Ảnh tái tạo đạt được độ trung thực cao hơn. Góp phần cải thiện chất lượng ảnh siêu âm tổng thể. Giúp tái tạo ảnh siêu âm 3D/4D trở nên rõ ràng và đáng tin cậy hơn.
3.1. Các kỹ thuật tái tạo ảnh cắt lớp tiên tiến
Tài liệu khám phá các kỹ thuật tái tạo ảnh cắt lớp tiên tiến. Bao gồm các phương pháp lặp như DBIM (Distorted Born Iterative Method). Các phương pháp này được cải tiến để hội tụ nhanh hơn. Đồng thời cho kết quả chính xác hơn. Việc này rất quan trọng trong việc tái tạo ảnh siêu âm 3D/4D. Kỹ thuật Born Iterative Method kết hợp với nội suy được nghiên cứu. Nó giúp tăng kích thước ảnh tái tạo. Mà không làm giảm chất lượng. Các kỹ thuật này giúp tối ưu hóa hình ảnh siêu âm. Đảm bảo thông tin chẩn đoán được thể hiện đầy đủ. Giúp cải thiện chất lượng ảnh siêu âm qua từng bước xử lý.
3.2. Hiệu quả của nén dữ liệu và nội suy hình ảnh
Lấy mẫu nén (Compressed Sensing) được ứng dụng trong siêu âm. Phương pháp này giúp giảm lượng dữ liệu cần thu thập. Từ đó, giảm thời gian quét và tài nguyên tính toán. Tuy nhiên, vẫn đảm bảo chất lượng tái tạo. Kỹ thuật nội suy được sử dụng để tăng độ phân giải ảnh. Nó giúp tạo ra các điểm ảnh bổ sung. Dựa trên thông tin từ các điểm ảnh lân cận. Kết hợp lấy mẫu nén và nội suy mang lại hiệu quả kép. Vừa tiết kiệm tài nguyên, vừa nâng cao chất lượng ảnh. Đặc biệt có lợi trong tái tạo ảnh siêu âm 3D/4D. Đây là bước tiến quan trọng trong xử lý ảnh siêu âm.
3.3. Tối ưu hóa đa tần số cho ảnh siêu âm rõ nét
Sử dụng nhiều tần số siêu âm mang lại nhiều thông tin hơn. Nghiên cứu khám phá kỹ thuật kết hợp tần số (Multiple Frequency). Kỹ thuật này sử dụng dữ liệu từ các tần số khác nhau. Sau đó, kết hợp chúng một cách thông minh. Điều này giúp tăng cường độ phân giải không gian và tương phản. Đặc biệt hữu ích trong việc quan sát các cấu trúc có kích thước khác nhau. Các thuật toán được phát triển để xử lý dữ liệu đa tần số. Mục tiêu là tạo ra ảnh siêu âm cắt lớp tổng thể tốt nhất. Tối ưu hóa hình ảnh siêu âm qua việc khai thác đa tần số. Góp phần cải thiện chất lượng ảnh siêu âm đáng kể.
IV.Ứng dụng AI và học sâu trong chẩn đoán hình ảnh
Nghiên cứu cũng chạm đến tiềm năng của AI và học sâu. Các công nghệ này đang cách mạng hóa lĩnh vực chẩn đoán hình ảnh. Đặc biệt là trong xử lý ảnh siêu âm. Học sâu (Deep Learning) có khả năng học hỏi từ lượng lớn dữ liệu. Từ đó, tự động nhận diện mẫu, đặc điểm bệnh lý. Điều này giúp cải thiện đáng kể độ chính xác của chẩn đoán. AI trong chẩn đoán hình ảnh siêu âm có thể tự động giảm nhiễu. Có thể tăng cường độ tương phản. Thậm chí còn giúp tái tạo ảnh siêu âm 3D/4D tốt hơn. Các mô hình học sâu có thể được huấn luyện. Mục tiêu là phân loại tổn thương, dự đoán kết quả. Giảm gánh nặng công việc cho bác sĩ. Đồng thời, nâng cao hiệu quả tổng thể của hệ thống siêu âm. Đây là một hướng đi triển vọng cho tương lai của siêu âm y tế.
4.1. Vai trò của AI trong phân tích và tối ưu hóa ảnh
AI đóng vai trò ngày càng quan trọng trong siêu âm. Hệ thống AI có thể tự động phân tích hàng ngàn ảnh. Phát hiện các bất thường mà mắt người có thể bỏ sót. Các giải thuật AI giúp tối ưu hóa hình ảnh siêu âm. Bằng cách tự động điều chỉnh các thông số xử lý. Giúp tăng cường độ tương phản ảnh siêu âm. Đồng thời, thực hiện thuật toán giảm nhiễu siêu âm một cách thông minh. Điều này không chỉ cải thiện chất lượng ảnh. Mà còn tăng tốc độ phân tích. Hỗ trợ bác sĩ đưa ra quyết định nhanh chóng, chính xác hơn. AI là công cụ mạnh mẽ để cải thiện chất lượng ảnh siêu âm.
4.2. Học sâu tăng cường độ chính xác chẩn đoán
Học sâu (Deep Learning) là một nhánh của AI. Nó mang lại khả năng vượt trội trong nhận dạng hình ảnh. Các mạng nơ-ron tích chập (CNN) có thể được huấn luyện. Mục tiêu là tự động phát hiện, phân loại tổn thương. Ví dụ như khối u trong ảnh siêu âm. Điều này giúp tăng cường độ chính xác của chẩn đoán. Học sâu cũng có thể được sử dụng để tái tạo ảnh siêu âm 3D/4D chất lượng cao. Giúp dự đoán kết quả tốt hơn. Hỗ trợ cá nhân hóa điều trị. Việc tích hợp học sâu vào xử lý ảnh siêu âm hứa hẹn nhiều đột phá. Đặc biệt là trong lĩnh vực AI trong chẩn đoán hình ảnh siêu âm.
V.Đánh giá hiệu quả và ứng dụng thực tiễn của giải thuật
Các giải thuật mới được đánh giá kỹ lưỡng. Sử dụng các tiêu chí khách quan như sai số tương đối, độ lệch chuẩn. Mục tiêu là đảm bảo tính hiệu quả và độ tin cậy. Kết quả thử nghiệm cho thấy sự cải thiện rõ rệt. Bao gồm nâng cao độ phân giải ảnh siêu âm và giảm nhiễu. So với các phương pháp truyền thống, giải thuật mới cho ảnh chất lượng vượt trội. Ứng dụng thực tiễn của nghiên cứu rất rộng. Có thể áp dụng trong nhiều lĩnh vực y tế. Từ chẩn đoán ung thư sớm đến theo dõi thai kỳ. Việc tối ưu hóa hình ảnh siêu âm góp phần nâng cao hiệu quả chẩn đoán. Mở ra cơ hội cho các công nghệ siêu âm thế hệ mới. Đem lại lợi ích thiết thực cho cộng đồng. Góp phần vào sự phát triển của y học hiện đại.
5.1. Các phương pháp đánh giá chất lượng ảnh
Chất lượng ảnh siêu âm được đánh giá bằng nhiều chỉ số. Bao gồm sai số thặng dư tương đối (RRE). Chỉ số này đo lường mức độ khớp giữa ảnh thực và ảnh khôi phục. Độ lệch chuẩn và tỉ số tín hiệu trên nhiễu cũng được sử dụng. Các chỉ số này giúp định lượng hiệu quả của thuật toán giảm nhiễu siêu âm. Đồng thời, đánh giá khả năng tăng cường độ tương phản ảnh siêu âm. Đánh giá khách quan là rất quan trọng. Nó giúp chứng minh tính ưu việt của các giải thuật mới. Đảm bảo rằng các cải tiến thực sự mang lại giá trị lâm sàng.
5.2. Kết quả thực nghiệm và sự cải thiện đáng kể
Thực nghiệm được tiến hành trên các mô hình và dữ liệu thực tế. Kết quả cho thấy các giải thuật đề xuất mang lại sự cải thiện đáng kể. Ảnh siêu âm tái tạo có độ phân giải cao hơn. Nhiễu đốm được loại bỏ hiệu quả hơn. Độ tương phản cũng được tăng cường rõ rệt. So với các phương pháp truyền thống, hình ảnh sắc nét hơn. Các chi tiết mô mềm hiển thị rõ ràng hơn. Điều này hỗ trợ chẩn đoán chính xác hơn. Kết quả khẳng định tiềm năng của các thuật toán mới. Góp phần trực tiếp vào cải thiện chất lượng ảnh siêu âm. Đây là minh chứng cho sự thành công của nghiên cứu.
5.3. Tiềm năng ứng dụng trong y học và chẩn đoán
Các giải thuật có tiềm năng ứng dụng rộng rãi trong y học. Đặc biệt là trong chẩn đoán hình ảnh siêu âm. Nó có thể được tích hợp vào các thiết bị siêu âm hiện có. Giúp nâng cao khả năng phát hiện bệnh lý. Ví dụ như khối u, tổn thương nội tạng. Hoặc theo dõi sự phát triển của thai nhi. Việc cải thiện chất lượng ảnh siêu âm. Đặc biệt là tái tạo ảnh siêu âm 3D/4D rõ nét. Mở ra cánh cửa cho các phương pháp chẩn đoán không xâm lấn tiên tiến. Đây là bước tiến quan trọng trong việc tối ưu hóa hình ảnh siêu âm. Đem lại lợi ích trực tiếp cho bệnh nhân và cộng đồng y tế.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (187 trang)Nội dung chính
Tổng quan về luận án
Nghiên cứu tạo ảnh y sinh hiện đại đang chứng kiến bước chuyển dịch mang tính cách mạng từ các phương thức tạo ảnh hình thái học định tính sang các hệ thống chẩn đoán định lượng cấp độ mô. Trong bối cảnh bệnh lý ung thư vú là nguyên nhân gây tử vong hàng đầu ở phụ nữ với khoảng 1,4 triệu ca mắc mới và 458.000 ca tử vong mỗi năm trên thế giới, đồng thời tại Việt Nam ghi nhận khoảng 7.000 ca mắc mới hàng năm với tỷ lệ tử vong lên tới 35%, việc chẩn đoán phát hiện sớm khối u có kích thước dưới 5 mm mang ý nghĩa sống còn, nâng tỷ lệ điều trị thành công lên tới 90%. Phương pháp chụp X-quang tuyến vú (mammography) truyền thống bộc lộ hạn chế nghiêm trọng đối với phụ nữ dưới 50 tuổi do mật độ mô vú dày đặc che khuất tổn thương, trong khi siêu âm B-mode thông thường chỉ cung cấp thông tin định tính về mặt phản xạ âm và phụ thuộc chủ quan vào kinh nghiệm của bác sĩ. Luận án tiến sĩ của tác giả Trần Quang Huy với đề tài "Nghiên cứu phát triển một số giải thuật nâng cao chất lượng tạo ảnh siêu âm cắt lớp" (Chuyên ngành Kỹ thuật điện tử, Mã số: 62520203, Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, dưới sự hướng dẫn của PGS. Trần Đức Tân) đại diện cho công trình khoa học tiên phong giải quyết bài toán tán xạ ngược phi tuyến nhằm tái tạo bản đồ phân bố tốc độ truyền âm định lượng của mô sinh học.
Khoảng trống nghiên cứu (research gap) cốt lõi được xác định xuất phát từ nghịch lý tính toán trong phương pháp lặp vi phân Born (Distorted Born Iterative Method - DBIM): phương pháp này tuy có khả năng khôi phục cấu trúc dưới bước sóng nhưng độ phức tạp tính toán cực lớn $\mathcal{O}(N_t \cdot N_r \cdot N^2)$, tốc độ hội tụ phụ thuộc vào điều kiện xấp xỉ ban đầu, và việc tích hợp kỹ thuật lấy mẫu nén (Compressed Sensing - CS) trước đây đòi hỏi bố trí đầu dò ngẫu nhiên hoàn toàn—điều bất khả thi đối với việc thiết kế phần cứng điện tử do yêu cầu các bộ tạo số ngẫu nhiên vật lý (HRNG/PRNG) phức tạp. Luận án đặt ra hai câu hỏi nghiên cứu và hai giả thuyết khoa học tương ứng:
- RQ1: Làm thế nào để xác lập thời điểm chuyển giao tối ưu giữa các tần số trong giải thuật DBIM nhằm cực tiểu hóa lỗi tái tạo mà không làm tăng đột biến khối lượng tính toán?
- RQ2: Cơ chế phân bố đầu dò giả ngẫu nhiên có quy luật nào cho phép giảm thiểu số lượng phép đo mà vẫn đảm bảo tính trực giao và điều kiện đẳng cự hạn chế (RIP) trong lấy mẫu nén?
- H1: Giải thuật kết hợp hai tần số (Dual-Frequency DBIM - DF-DBIM) với ngưỡng chuyển giao thích ứng sau 2–3 vòng lặp khởi tạo ở tần số thấp sẽ giúp thuật toán thoát khỏi cực tiểu cục bộ và đạt độ phân giải không gian cao ở tần số cao với số vòng lặp $N_{iter} \le 8$.
- H2: Cấu hình đo lấy mẫu nén giả ngẫu nhiên (Deterministic Compressed Sensing - DCS-DBIM) dựa trên chuỗi ánh xạ hỗn loạn Logistic cho phép giảm 47% đến 55% số lượng phép đo (từ 484 xuống 256 phép đo và từ 900 xuống 400 phép đo) mà vẫn duy trì sai số thặng dư tương đối (RRE) tương đương cấu hình đo đều truyền thống.
Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp giữa Phương trình sóng Helmholtz trong môi trường không đồng nhất, Lý thuyết tán xạ sóng bậc một Born, Chuẩn tắc hóa Tikhonov, Bài toán bình phương tối thiểu chuẩn $l_1$ ($l_1$-LSP), và Lý thuyết lấy mẫu nén của Candès, Tao (2006) cùng Donoho (2006). Phạm vi nghiên cứu bao gồm mô hình hóa 2D mặt cắt lát đơn, chia lưới ma trận $N \times N$ ($N \in {16, 21, 22, 32, 64}$), dải tần số khảo sát $0,64\text{ MHz} - 2,0\text{ MHz}$, độ tương phản tốc độ truyền âm $\Delta c/c_0 \approx 2% - 10%$, và kiểm chứng thực nghiệm trên đối tượng hình trụ $0,3\text{ mm} \pm 0,05\text{ mm}$ trong bể nước chuẩn ở nhiệt độ $18,1^\circ\text{C}$.
Literature Review và Positioning
Lịch sử phát triển của kỹ thuật siêu âm cắt lớp (Ultrasound Tomography - UST) phân hóa thành hai trường phái chính:
Trường phái thứ nhất dựa trên lý thuyết chiếu tia (Ray-tracing Tomography), được khởi xướng từ những năm 1970–1980 bởi Greenleaf, Johnson và sau đó được hiện thực hóa qua hệ thống CURE của Viện Ung thư Karmanos (Duric et al., 2007) và hệ thống HUTT của Đại học Nam California (Carson et al., 1981). Các hệ thống này đo đạc thời gian truyền sóng thẳng (Time-of-Flight) và hệ số suy hao biên độ. Mặc dù có ưu thế về tốc độ xử lý tái tạo hình ảnh theo thời gian thực, trường phái chiếu tia vấp phải giới hạn vật lý không thể vượt qua: hiện tượng khúc xạ và tán xạ sóng âm bị bỏ qua, dẫn đến việc hệ thống chỉ có thể tái tạo chính xác các cấu trúc có kích thước lớn hơn $2\lambda - 5\lambda$ (tương đương vài milimét), hoàn toàn bất lực trước các vi vôi hóa và u ác tính giai đoạn khởi phát.
Trường phái thứ hai dựa trên lý thuyết tán xạ ngược sóng toàn phần (Full-Wave Inverse Scattering), mô hình hóa bản chất trường sóng bằng phương trình tích phân Lippmann-Schwinger. Trong trường phái này, cuộc tranh luận kinh điển diễn ra giữa phép xấp xỉ Born bậc một (Born approximation) và phép xấp xỉ Rytov bậc một (Rytov approximation) (Kak & Slaney, 1988). Phép xấp xỉ Rytov giả định gradient pha biến thiên chậm, phù hợp với đối tượng kích thước lớn nhưng lại chịu sự sai lệch nghiêm trọng do hiện tượng gập pha (phase wrapping) khi giải bài toán ngược. Ngược lại, phép xấp xỉ Born tuyến tính hóa mối quan hệ giữa trường tán xạ và hàm mục tiêu $O(\vec{r})$, hoạt động ổn định và chính xác khi điều kiện lệch pha cực đại thỏa mãn $|\Delta\phi| < \pi$.
Đối với phương pháp giải lặp, sự đối đầu giữa Phương pháp lặp Born (Born Iterative Method - BIM) và Phương pháp lặp vi phân Born (Distorted Born Iterative Method - DBIM) được phân tích sâu sắc: BIM giữ cố định hàm Green nền đồng nhất, có khả năng kháng nhiễu môi trường vượt trội nhưng tốc độ hội tụ chậm chạp; ngược lại, DBIM cập nhật hàm Green không đồng nhất tại từng bước lặp, mang lại tốc độ hội tụ bậc hai tiệm cận nhưng lại cực kỳ nhạy cảm với nhiễu bậc cao và dễ phân kỳ nếu giá trị khởi tạo cách xa nghiệm thực.
So sánh với các nghiên cứu quốc tế đương đại:
- Hệ thống thương mại SoftVue (Delphinus Medical Technologies): Sử dụng mảng đầu dò vòng tròn gồm 2048 biến tử (512 kênh phát, 512 kênh thu) hoạt động ở tần số 3 MHz, đạt độ phân giải $0,7\text{ mm}$ với thời gian quét 15 giây/lát cắt. Tuy nhiên, hệ thống đòi hỏi kiến trúc phần cứng khổng lồ và chi phí sản xuất cực cao.
- Hệ thống 3D USCT của Viện Công nghệ Karlsruhe (KIT - Gemmeke & Ruiter): Sử dụng hàng nghìn đầu dò bố trí dạng trụ 3D, đối mặt với khối lượng dữ liệu khổng lồ và độ trễ tính toán tái tạo lớn.
- Các nghiên cứu lấy mẫu nén CS-UST quốc tế: Hầu hết công trình (như của Pan et al., 2011; Hu et al., 2012) áp dụng ma trận đo ngẫu nhiên Gaussian hoặc Bernoulli thuần túy lý thuyết, làm phức tạp hóa khâu điều khiển phần cứng.
Luận án định vị chính xác đóng góp đột phá của mình: thiết lập cầu nối giải thuật giữa độ chính xác vật lý của DBIM và tính khả thi phần cứng thông qua cơ chế chuyển giao tần số thông minh (DF-DBIM) và ma trận đo xác định tất định (DCS-DBIM).
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án mở rộng nền tảng lý thuyết sóng âm phi tuyến trong môi trường tán xạ yếu thông qua việc phát triển hệ thức toán tử vi phân cho hàm tán xạ mục tiêu $O(\vec{r}) = k_0^2 \left[ \left(\frac{c_0}{c(\vec{r})}\right)^2 - 1 \right]$, trong đó $k_0 = \frac{2\pi f}{c_0}$ là số sóng trong môi trường nền đồng nhất và $c(\vec{r})$ là phân bố vận tốc truyền âm không gian thực tế.
Mô hình lý thuyết đề xuất đã giải quyết thành công nghịch lý hội tụ của DBIM thông qua hai luận điểm toán học cốt lõi:
- Luận điểm 1 (Cơ chế chuyển vùng hút tần số): Khởi tạo bài toán nghịch đảo ở tần số thấp $f_1$ tạo ra hàm mục tiêu trơn hóa, mở rộng "lòng chảo hội tụ" (basin of attraction) của phiếm hàm mục tiêu, giúp nghiệm xấp xỉ vượt qua các bẫy cực tiểu địa phương. Khi chuyển giao sang tần số cao $f_2$, độ lệch pha cục bộ giữa trường ước lượng và trường thực nghiệm được thu hẹp, thỏa mãn nghiêm ngặt điều kiện Born $|\Delta\phi| < \pi$, cho phép nâng cao độ phân giải không gian tới mức dưới bước sóng mà không bị phân kỳ.
- Luận điểm 2 (Tính tương thích RIP của ma trận tán xạ phi ngẫu nhiên): Chứng minh rằng ma trận tán xạ $\bar{M}$ kết hợp với cấu hình lấy mẫu theo chuỗi hỗn loạn Logistic thỏa mãn điều kiện đẳng cự hạn chế (Restricted Isometry Property - RIP) trong không gian thưa của hàm mục tiêu, loại bỏ sự cần thiết của các bộ phân phối ngẫu nhiên độc lập phân tán.
Khung phân tích độc đáo
Khung phân tích của luận án là sự hợp nhất của 3 trụ cột lý thuyết: Lý thuyết tán xạ sóng điện từ/âm học Helmholtz, Lý thuyết bài toán ngược phi điều kiện (Ill-posed Inverse Problems), và Lý thuyết thông tin thưa (Sparse Signal Processing).
┌────────────────────────────────────────────────────────┐
│ Phương trình sóng Helmholtz không đồng nhất │
│ ∇²p(r) + k₀²p(r) = -O(r)p(r) │
└──────────────────────────┬─────────────────────────────┘
│ Rời rạc hóa Moment (MoM)
▼
┌────────────────────────────────────────────────────────┐
│ Mô hình trường tán xạ & Hàm Green H₀⁽¹⁾ │
│ p̄s = B̄ · diag(p̄t) · Ō │
└──────────────────────────┬─────────────────────────────┘
│ Tuyến tính hóa Born vi phân
▼
┌────────────────────────────────────────────────────────┐
│ Hệ phương trình toán tử: Δp̄s = M̄ · ΔŌ │
└──────────────┬──────────────────────────┬──────────────┘
│ │
DF-DBIM Pathway │ │ DCS-DBIM Pathway
▼ ▼
┌──────────────────────────────────────────────┐ ┌──────────────────────────────────────────────┐
│ Chiến lược kết hợp tần số đa mức │ │ Lấy mẫu nén giả ngẫu nhiên (Logistic Map) │
│ - Giai đoạn 1: f₁ = 1 MHz (hội tụ toàn cục) │ │ - Sinh vị trí đầu dò thu theo xₙ₊₁=μxₙ(1-xₙ)│
│ - Chuyển giao: ΔŌ_trans tối ưu │ │ - Giải bài toán tối ưu l₁-LSP │
│ - Giai đoạn 2: f₂ = 2 MHz (tăng độ phân giải)│ │ - Giảm 47-55% số lượng phép đo phát-thu │
└──────────────────────┬───────────────────────┘ └──────────────────────┬───────────────────────┘
│ │
└───────────────────┬────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ Bản đồ định lượng tốc độ truyền âm c(r) chính xác │
│ Nhận diện vi khối u sớm kích thước < 5 mm │
└────────────────────────────────────────────────────────┘
Điều kiện biên và phạm vi ứng dụng được xác lập chặt chẽ: Áp dụng cho bài toán tán xạ 2D với giả định nguồn phát sóng chùm Bessel bậc 0, bỏ qua thành phần sóng trượt (shear wave) trong mô mềm, và giới hạn độ tương phản vận tốc $\Delta c / c_0 \le 10%$.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án vận hành theo thế giới quan thực chứng (Positivism) kết hợp phương pháp mô hình hóa tính toán vật lý (Computational Physics) và đối soát thực nghiệm vật lý chính xác. Thiết kế đa tầng bao gồm: Mô phỏng giải tích trường sóng liên tục $\rightarrow$ Rời rạc hóa ma trận đại số $\rightarrow$ Tối ưu hóa thuật toán lặp $\rightarrow$ Thực nghiệm kiểm chứng trên mô hình vật lý chuẩn.
Quy trình nghiên cứu rigorous
Hệ thống phương trình vi phân đạo hàm riêng biểu diễn sự lan truyền sóng âm trong môi trường không đồng nhất: $$\nabla^2 p(\vec{r}) + k_0^2 p(\vec{r}) = -k_0^2 \left[ \left(\frac{c_0}{c(\vec{r})}\right)^2 - 1 \right] p(\vec{r}) = -O(\vec{r}) p(\vec{r})$$
Nghiệm của phương trình được tích phân hóa thông qua hàm Green hai chiều trong môi trường đồng nhất (hàm Hankel loại 1 bậc 0): $$G_0(\vec{r}, \vec{r}') = \frac{j}{4} H_0^{(1)}(k_0 |\vec{r} - \vec{r}'|)$$
Quy trình rời rạc hóa được thực hiện bằng Phương pháp Moment (Method of Moments - MoM) với hàm cơ sở xung chữ nhật (pulse function) và hàm kiểm tra Dirac delta, phân chia vùng quan tâm thành $N \times N$ phần tử diện tích: $$\bar{p}_t = (\bar{I} - \bar{C}\text{diag}(\bar{O}))^{-1} \bar{p}_i$$ $$\bar{p}_s = \bar{B}\text{diag}(\bar{p}_t)\bar{O}$$
Trong đó, ma trận $\bar{C}$ kích thước $N^2 \times N^2$ thể hiện sự tương tác nội tại giữa các điểm ảnh trong vùng RoI, còn ma trận $\bar{B}$ kích thước $N_t N_r \times N^2$ biểu diễn sự tương tác từ các điểm ảnh tới hệ thống đầu dò thu.
Hệ phương trình vi phân Born tuyến tính tại vòng lặp thứ $k$: $$\Delta \bar{p}_s^{(k)} = \bar{M}^{(k)} \Delta \bar{O}^{(k)}$$
Trong phương pháp chuẩn tắc hóa Tikhonov, vector hiệu chỉnh được giải qua bài toán tối ưu: $$\Delta \bar{O} = \arg\min_{\Delta \bar{O}} \left{ |\Delta \bar{p}_s - \bar{M} \Delta \bar{O}|_2^2 + \gamma |\Delta \bar{O}|_2^2 \right} = (\bar{M}^H \bar{M} + \gamma \bar{I})^{-1} \bar{M}^H \Delta \bar{p}_s$$
Trong phương pháp lấy mẫu nén, hàm mục tiêu thưa được tối ưu hóa qua chuẩn $l_1$: $$\Delta \bar{O} = \arg\min_{\Delta \bar{O}} \left{ |\Delta \bar{p}_s - \bar{M} \Delta \bar{O}|_2^2 + \lambda |\Delta \bar{O}|_1 \right}$$
Data và phân tích
- Thiết lập thực nghiệm bench-top:
- Đầu phát và đầu thu siêu âm ngâm trong bể nước tinh khiết ($c_0 = 1484\text{ m/s}$, $T = 18,1^\circ\text{C}$).
- Khoảng cách từ tâm hệ đo đến máy phát: $104\text{ mm}$, đến máy thu: $91\text{ mm}$.
- Tần số kích thích: $f = 0,64\text{ MHz}$.
- Đối tượng kiểm chứng: Khối hình trụ có đường kính $0,3\text{ mm} \pm 0,05\text{ mm}$.
- Quét góc không gian: Dịch chuyển góc $10^\circ$ trên cung quét $120^\circ - 360^\circ$. Dữ liệu áp suất tán xạ thực nghiệm và mô phỏng số sau khi qua bộ lọc trung bình đạt mức tương đồng cao về cả biên độ và góc pha.
- Kịch bản mô phỏng số:
- Kích thước lưới phân giải: $N \times N \in {16 \times 16, 21 \times 21, 22 \times 22, 32 \times 32, 64 \times 64}$.
- Số lượng đầu dò: $N_t = N_r \in {16, 20, 22, 30}$.
- Thuật toán sinh mẫu giả ngẫu nhiên DCS: Sử dụng ánh xạ Logistic $x_{n+1} = \mu x_n (1 - x_n)$ với tham số điều khiển $\mu = 4,0$ và điều kiện ban đầu $x_0 = 0,38$ để phân bổ vị trí góc của các đầu dò thu $N_r$.
- Chỉ số đánh giá: Sai số thặng dư tương đối (Relative Residual Error - RRE): $$\text{RRE} = \frac{|\bar{O}{\text{khôi phục}} - \bar{O}{\text{lý tưởng}}|2}{|\bar{O}{\text{lý tưởng}}|_2}$$
Phát hiện đột phá và implications
Những phát hiện then chốt
- Quy luật chuyển giao tần số tối ưu trong DF-DBIM: Luận án phát hiện rằng việc cố định số vòng lặp ở tần số thấp $f_1 = 1\text{ MHz}$ trong $N_{f1} = 2$ đến 3 vòng lặp đầu tiên, sau đó chuyển giao sang tần số cao $f_2 = 2\text{ MHz}$ cho các vòng lặp từ 4 đến 8 là điểm cân bằng vàng. Nếu chuyển giao quá sớm (tại vòng 1), giải thuật bị bẫy nhiễu tần số cao; nếu chuyển giao quá muộn (sau vòng 5), thời gian tính toán tăng vô ích mà độ phân giải không cải thiện thêm. RRE của DF-DBIM sau 8 vòng lặp giảm từ 0,38 xuống dưới 0,08, vượt trội hoàn toàn so với DBIM đơn tần.
- Đột phá giảm số lượng phép đo của giải thuật DCS-DBIM:
- Trong kịch bản $N = 21$, cấu hình đo truyền thống đòi hỏi $N_t = N_r = 22$ (tương đương 484 phép đo). Phương pháp DCS-DBIM đề xuất chỉ cần $N_t = N_r = 16$ (tương đương 256 phép đo), giảm 47,1% số lượng phép đo mà đường cong RRE qua 8 vòng lặp gần như trùng khít tuyệt đối với phương pháp truyền thống.
- Trong kịch bản lớn hơn, số phép đo giảm từ 900 ($30 \times 30$) xuống 400 ($20 \times 20$), tương đương mức tiết kiệm 55,6% dữ liệu đo mà chất lượng ảnh tái tạo không suy giảm.
- Tính ưu việt của DCS-DBIM so với CS-DBIM ngẫu nhiên: DCS-DBIM loại bỏ hiện tượng biến thiên phương sai tái tạo giữa các lần chạy vốn gặp phải ở CS ngẫu nhiên thuần túy, mang lại tính ổn định 100% về mặt toán học và phần cứng.
- Hiệu năng của kỹ thuật nội suy kết hợp BIM-DBIM: Khôi phục ảnh thô ở kích thước $6 \times 6$ sau 1 vòng lặp rồi nội suy Nearest Neighbor lên kích thước $12 \times 12$ giúp giảm hơn 60% thời gian tính toán các ma trận Green $\bar{B}, \bar{C}$ ban đầu mà vẫn đảm bảo độ hội tụ tương đương tính toán trực tiếp trên lưới $12 \times 12$.
Implications đa chiều
- Về mặt lý thuyết: Cung cấp mô hình toán học giải thích cơ chế tương tác đa tần số trong bài toán tán xạ ngược, mở rộng biên độ lý thuyết xấp xỉ Born từ môi trường tán xạ rất yếu sang môi trường có độ tương phản vận tốc trung bình.
- Về mặt phương pháp luận: Khởi tạo hướng tiếp cận mới trong việc thiết kế các ma trận lấy mẫu nén dựa trên lý thuyết hỗn loạn (Chaos Theory), loại bỏ định kiến rằng lấy mẫu nén bắt buộc phải sử dụng phần cứng ngẫu nhiên hóa ngẫu lượng.
- Về mặt ứng dụng thực tiễn: Tạo tiền đề kỹ thuật trực tiếp để chế tạo các máy siêu âm cắt lớp thế hệ mới với số lượng kênh thu phát giảm một nửa, hạ giá thành sản xuất thiết bị từ hàng triệu USD xuống mức phổ thông, rút ngắn thời gian bệnh nhân phải nằm quét từ vài phút xuống dưới 10 giây/lát cắt.
- Về mặt chính sách y tế: Cung cấp cơ sở khoa học để các cơ quan y tế xây dựng phác đồ tầm soát ung thư vú sớm bằng siêu âm cắt lớp an toàn (không bức xạ ion hóa, không ép nén gây đau đớn như nhũ ảnh X-quang), đặc biệt phù hợp cho phụ nữ trẻ châu Á có mô vú đặc.
Limitations và Future Research
Luận án thẳng thắn chỉ ra 4 giới hạn vật lý và kỹ thuật:
- Giới hạn không gian 2D: Mô hình toán học mới dừng lại ở việc xử lý các lát cắt 2D độc lập, bỏ qua hiện tượng tán xạ ngoài mặt phẳng (out-of-plane scattering) vốn xuất hiện trong cấu trúc giải phẫu 3D thực tế của tuyến vú.
- Đơn tham số âm học: Luận án tập trung chủ yếu vào việc khôi phục sự thay đổi tốc độ truyền âm $\Delta c$, chưa tích hợp đồng thời các tham số suy hao âm học (attenuation $\alpha$) và sự biến thiên mật độ mô ($\Delta\rho$).
- Mô hình đối tượng đồng nhất hóa: Thử nghiệm mô phỏng và thực nghiệm chủ yếu sử dụng đối tượng hình trụ tròn đơn giản đặt trong môi trường nền nước đồng nhất, chưa mô phỏng trọn vẹn sự phức tạp của các lớp mô mỡ, mô liên kết và tuyến sữa đan xen.
- Tác động của tán xạ mạnh: Khi độ tương phản vận tốc vượt quá $10%$, điều kiện Born bị vi phạm nặng nề, giải thuật DF-DBIM có nguy cơ mất ổn định nếu không có bước tiền xử lý lọc pha.
Chương trình nghiên cứu tiếp nối 5–10 năm tới bao gồm:
- Mở rộng thuật toán DCS-DBIM sang mô hình trường sóng vector 3D đầy đủ sử dụng điện toán hiệu năng cao (GPU clusters).
- Phát triển giải thuật nghịch đảo đa tham số đồng thời ($c, \alpha, \rho$) kết hợp thông tin pha và biên độ.
- Tích hợp mạng nơ-ron sâu (Deep Learning Regularizers) vào khâu giải bài toán $l_1$-LSP để tăng tốc độ tái tạo ảnh về ngưỡng thời gian thực (< 1 giây/lát).
- Chế tạo khung gá đầu dò thực nghiệm hình xuyến đa kênh dựa trên thuật toán DCS để thử nghiệm lâm sàng trên mô hình vú nhân tạo (breast phantom) đa cấu trúc.
Tác động và ảnh hưởng
- Tác động học thuật: Công trình mở ra nhánh nghiên cứu chuyên sâu về xử lý tín hiệu y sinh kết hợp lấy mẫu nén tất định tại Việt Nam. Các kết quả công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín khẳng định năng lực hội nhập khoa học của nhóm nghiên cứu Trường Đại học Công nghệ – ĐHQGHN.
- Chuyển đổi công nghiệp y tế: Cung cấp giải pháp bản quyền công nghệ cho các doanh nghiệp sản xuất thiết bị y tế trong nước và quốc tế để phát triển máy siêu âm cắt lớp chi phí thấp, tối ưu hóa phần cứng xử lý kênh ADC/DAC.
- Lợi ích xã hội: Giúp tăng tỷ lệ phát hiện sớm ung thư vú ở phụ nữ dưới 40 tuổi, giảm thiểu tỷ lệ tử vong, nâng cao chất lượng dân số và giảm gánh nặng chi phí điều trị ung thư giai đoạn muộn cho bảo hiểm y tế.
Đối tượng hưởng lợi
- Nghiên cứu sinh & Nhà khoa học: Tiếp cận tường minh phương pháp giải bài toán ngược phi tuyến, kỹ thuật rời rạc hóa MoM và cách áp dụng lý thuyết lấy mẫu nén vào sóng âm.
- Kỹ sư R&D thiết bị y tế: Sở hữu thuật toán tối ưu hóa cấu hình đầu dò để giảm bớt số lượng đầu thu phát, tiết kiệm hàng trăm kênh xử lý tín hiệu trên bo mạch phần cứng.
- Bác sĩ chẩn đoán hình ảnh: Tiếp cận phương thức tạo ảnh định lượng không xâm lấn, loại bỏ tính chủ quan của ảnh B-mode, mang lại thông số vật lý chuẩn xác về độ cứng và mật độ mô.
- Bệnh nhân: Được tiếp cận phương pháp tầm soát ung thư tuyến vú sớm, êm ái, an toàn tuyệt đối và chi phí xét nghiệm thấp.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Đóng góp độc đáo nhất là việc thiết lập tiêu chuẩn chuyển giao tần số toán học trong phương pháp lặp vi phân Born kết hợp hai tần số (DF-DBIM). Luận án đã mở rộng Lý thuyết tán xạ sóng ngược Helmholtz và Khung xấp xỉ Born bậc một bằng cách chứng minh rằng: việc sử dụng nghiệm hội tụ thô từ dải tần thấp $f_1$ làm giá trị khởi tạo cho dải tần cao $f_2$ sẽ mở rộng biên độ giải tích của điều kiện Born $|\Delta\phi| < \pi$, giúp thuật toán đạt độ phân giải dưới bước sóng mà không bị rơi vào cực tiểu cục bộ.
2. Đột phá phương pháp luận của luận án so với các công trình quốc tế nằm ở đâu? So với các nghiên cứu của Candès, Donoho (2006) và các công trình CS-UST ngẫu nhiên (Pan et al., 2011), đột phá của luận án là đề xuất phương pháp Lấy mẫu nén giả ngẫu nhiên (DCS-DBIM) sử dụng chuỗi hỗn loạn Logistic. Đột phá này giải quyết dứt điểm rào cản vật lý: cho phép cố định vị trí hình học của các đầu dò trên mảng tròn mà vẫn thỏa mãn các tính chất thống kê của lấy mẫu nén, giảm hơn $47%$ số phép đo mà không cần đến các bộ tạo số ngẫu nhiên phần cứng (HRNG) phức tạp.
3. Phát hiện bất ngờ nhất trong quá trình mô phỏng và thực nghiệm là gì? Phát hiện bất ngờ nhất là sự phi tuyến tính của thời điểm chuyển giao tần số: nếu thực hiện chuyển giao tần số quá muộn (sau vòng lặp thứ 5), sai số RRE của ảnh tái tạo không những không giảm mà còn có xu hướng tăng nhẹ do tích lũy nhiễu làm sai lệch ma trận Green nền $\bar{C}$. Ngưỡng tối ưu tuyệt đối luôn nằm ở vòng lặp thứ 2 hoặc 3 trên tổng số 8 vòng lặp.
4. Quy trình thực nghiệm có cung cấp đầy đủ giao thức tái lập (replication protocol) không? Có. Luận án cung cấp tường minh toàn bộ tham số môi trường: nhiệt độ nước $18,1^\circ\text{C}$, vận tốc sóng $c_0 = 1484\text{ m/s}$, tần số đầu phát $0,64\text{ MHz}$, bán kính quét phát $104\text{ mm}$, bán kính quét thu $91\text{ mm}$, bước dịch góc $10^\circ$, kích thước mẫu thử $0,3\text{ mm} \pm 0,05\text{ mm}$, cùng toàn bộ hệ phương trình rời rạc hóa ma trận MoM.
5. Lộ trình nghiên cứu 10 năm tới được vạch ra như thế nào? Lộ trình bao gồm: (1) Chuyển đổi mã nguồn thuật toán sang nền tảng tính toán song song CUDA/GPU; (2) Tích hợp học sâu để tối ưu hóa tham số chuẩn tắc $\gamma$ và $\lambda$ theo thời gian thực; (3) Nâng cấp hệ thống sang mô hình 3D toàn phần; (4) Thử nghiệm tiền lâm sàng trên mô động vật và mô nhân tạo đa lớp.
Kết luận
- Xây dựng hoàn chỉnh mô hình toán học và thuật toán giải bài toán tán xạ ngược siêu âm cắt lớp 2D dựa trên phương pháp lặp vi phân Born (DBIM) kết hợp hàm Green Hankel và phương pháp Moment.
- Đề xuất thành công giải thuật kết hợp hai tần số (DF-DBIM), giải quyết triệt để xung đột giữa tốc độ hội tụ toàn cục và độ phân giải không gian cao, xác lập chính xác thời điểm chuyển giao tần số tối ưu sau 2–3 vòng lặp.
- Tiên phong phát triển kỹ thuật lấy mẫu nén giả ngẫu nhiên (DCS-DBIM) dựa trên ánh xạ hỗn loạn Logistic, giúp giảm từ $47,1%$ đến $55,6%$ số lượng phép đo thu phát, mở đường cho việc hiện thực hóa phần cứng siêu âm cắt lớp chi phí thấp.
- Kiểm chứng đối soát thành công tính đúng đắn của thuật toán thông qua thực nghiệm vật lý với đối tượng micro-cylinder đường kính $0,3\text{ mm}$ ở tần số $0,64\text{ MHz}$.
- Khởi tạo 3 nhánh nghiên cứu chuyên sâu mới: Tạo ảnh siêu âm cắt lớp 3D đa tham số, Lấy mẫu nén tất định trong chẩn đoán y sinh, và Tối ưu hóa bài toán ngược phi tuyến bằng trí tuệ nhân tạo. Công trình đặt nền móng vững chắc cho công nghệ chẩn đoán sớm ung thư vú thế hệ mới tại Việt Nam và khu vực.
Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Trần Quang Huy NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ GIẢI THUẬT NÂNG CAO CHẤT LƢỢNG TẠO ẢNH SIÊU ÂM CẮT LỚP Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG HÀ NỘI - 2019 1 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ Trần Quang Huy NGHIÊN CỨU PHÁT TRIỂN MỘT SỐ GIẢI THUẬT NÂNG CAO CHẤT LƢỢNG TẠO ẢNH SIÊU ÂM CẮT LỚP Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 Ngƣời hƣớng dẫn: PGS. Trần Đức Tân LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG HÀ NỘI - 2019 LỜI CAM ĐOAN Tôi xin cam đoan các kết quả đƣợc trình bày trong luận án là công trình nghiên cứu của tôi dƣới sự hƣớng dẫn của cán bộ hƣớng dẫn PGS. Trần Đức Tân. Các số liệu, kết quả trong luận án là hoàn toàn trung thực và chƣa đƣợc công bố trong bất kỳ công trình nào trƣớc đây.
Các kết quả đƣợc sử dụng để tham khảo đều đã đƣợc trích dẫn đầy đủ và theo đúng quy định. Hà Nội, ngày 30 tháng 3 năm 2019 Tác giả Trần Quang Huy LỜI CẢM ƠN Trong quá trình học tập và nghiên cứu tại Bộ môn Vi cơ điện tử và Vi hệ thống, Khoa Điện tử Viễn Thông, Trƣờng Đại học Công nghệ, Đại học Quốc gia Hà Nội, tôi đã hoàn thành bản luận án này. Trƣớc hết, tôi xin gửi lời cảm ơn sâu sắc tới PGS. Trần Đức Tân, ngƣời thầy đã luôn tận tình hƣớng dẫn, giúp đỡ, tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian tôi học tập và làm luận án.
Tôi cũng xin đƣợc cảm ơn các thầy, cô, anh, chị, các bạn trong Khoa Điện tử Viễn thông đã tạo điều kiện giúp đỡ, chỉ bảo và cho tôi những lời khuyên vô cùng quý báu. Tôi xin chân thành cảm ơn cơ sở đào tạo là Phòng Đào tạo, Khoa Điện tử Viễn thông, Trƣờng Đại học Công nghệ, Đại học Quốc gia Hà Nội đã tạo điều kiện thuận lợi để tôi có thể hoàn thiện chƣơng trình đào tạo. Tôi cũng xin cảm ơn đơn vị chủ quản là Trƣờng Đại học Sƣ phạm Hà Nội 2 đã tạo điều kiện cho phép tôi đƣợc tham gia học tập và nghiên cứu trong những năm làm nghiên cứu sinh. Cuối cùng, tôi xin bày tỏ lòng cảm ơn đến gia đình, anh em, bạn bè, đồng nghiệp đã động viên và cổ vũ tôi trong suốt thời gian nghiên cứu.
Tôi xin trân trọng cảm ơn! Nghiên cứu sinh Trần Quang Huy DANH MỤC TỪ VIẾT TẮT Từ viết tắt Nghĩa Tiếng Anh Nghĩa Tiếng Việt CT Computed Tomography Chụp cắt lớp điện toán US Ultrasound Siêu âm UST Ultrasound Tomography Siêu âm cắt lớp MRI Magnetic Resonance Imaging Chụp ảnh cộng hƣởng từ Chụp cắt lớp bằng bức xạ PET Positron Emission Tomograpgy positron Single Photon Emission Chụp cắt lớp điện toán bằng SPECT Computed Tomography bức xạ đơn photon Phƣơng pháp lặp vi phân DBIM Distorted Born Iterative Method Born CS Compressed Sensing Lấy mẫu nén DCS Deterministic CS Lấy mẫu nén giả ngẫu nhiên DF Dual Frequency Hai tần số MF Multiple Frequency Đa tần số Computerized Ultrasound Risk Đánh giá nguy hiểm sử dụng CURE Evaluation siêu âm điện toán High-resolution Ultrasonic Siêu âm cắt lớp độ phân giải HUTT Transmission Tomography cao MoM Method of Moment Phƣơng pháp moment Bài toán bình phƣơng tối LSP Least Square Problem thiểu RRE Relative Residual Error Sai số thặng dƣ tƣơng đối RoI Region of Interest Vùng quan tâm DANH MỤC HÌNH VẼ Hình 1. Ảnh chụp u lành khi siêu âm ngực Hình 1. Minh họa cấu hình hệ đo sử dụng hiệu ứng tán xạ. Việc bố trí máy phát/thu sẽ cho dữ liệu gián tiếp về đối tƣợng, áp dụng kỹ thuật tái tạo sẽ thu đƣợc là ảnh thể hiện phân bố tốc độ truyền sóng, từ đó nhận diện đƣợc đối tƣợng Hình 1.
Mặt cắt dọc hàm mục tiêu lý tƣởng (đƣờng nét liền) và hàm khôi phục (đƣờng nét đứt) sử dụng phƣơng pháp xấp xỉ Born bậc 1. Hàm mục tiêu lý tƣởng là hình trụ tròn có bán kính 5λ và các giá trị là (a) 0. Đồ thị so sánh lỗi chuẩn hóa của phƣơng pháp kết hợp BIM- Interpolation-DBIM và phƣơng pháp DBIM truyền thống Hình 1. Mặt cắt dọc hàm mục tiêu lý tƣởng (hình trụ tròn có bán kính 2λ, , đƣờng nét liền) và hàm khôi phục (đƣờng nét đứt) khi giá trị mật độ thay đổi.
Cột 1: , Cột 2: , Cột 3: , Cột 4: Hình 1. Cấu hình đo đều: Các máy phát (hình sao) và máy thu (hình chữ nhật) bố trí cách đều nhau trên hệ đo Hình 1. Cấu hình đo ngẫu nhiên: Các máy phát (hình sao) bố trí cách đều nhau trên hệ đo và các máy thu (hình chữ nhật) bố trí ngẫu nhiên trên hệ đo Hình 1. Kết quả khôi phục sử dụng phƣơng pháp DBIM: (a) ảnh khôi phục kích thƣớc 6×6 sau 1 vòng lặp; ảnh khôi phục kích thƣớc 12×12 sau 1 vòng lặp sử dụng kỹ thuật nội suy từ kết quả ở (a); (c) ảnh khôi phục kích thƣớc 12×12 sau 1 vòng lặp không sử dụng kỹ thuật nội suy; (d) và (e) lần lƣợt là ảnh khôi phục kích thƣớc 12×12 sau 4 vòng lặp không sử dụng và có sử dụng kỹ thuật nội suy Hình 1.
Kết quả khôi phục sử dụng kỹ thuật kết hợp tần số: (a) Hàm mục tiêu lý tƣởng, (b) Ảnh khôi phục sử dụng tần số 2 MHz, (c) Ảnh khôi phục sử dụng tần số 1 MHz, (d) Ảnh khôi phục sử dụng kỹ thuật kết hợp tần số Hình 1. Lỗi chuẩn hóa của phƣơng pháp BIM với phép đo đều (uniform) và BIM kết hợp với kỹ thuật lấy mẫu nén (CS) Hình 1. Ảnh khôi phục vú sử dụng kỹ thuật siêu âm cắt lớp Hình 2. Cấu hình đo hệ thống tạo ảnh siêu âm cắt lớp Hình 2.
Mô hình phƣơng pháp lặp vi phân Born (DBIM) Hình 2. Cấu hình hệ đo Hình 2. So sánh dữ liệu mô phỏng và thực nghiệm Hình 2. So sánh dữ liệu mô phỏng và thực nghiệm, sử dụng bộ lọc trung bình Hình 3.
Hàm mục tiêu lý tƣởng (N = 22) Hình 3. Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tƣơng ứng với các giá trị khác nhau trong kịch bản 1 Hình 3. Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tƣơng ứng với các giá trị khác nhau trong kịch bản 2 Hình 3. Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tƣơng ứng với các giá trị khác nhau trong kịch bản 3 Hình 3.
Lỗi chuẩn hóa của giải thuật DF-DBIM qua các vòng lặp tƣơng ứng với các giá trị khác nhau trong kịch bản 4 Hình 3. Kết quả khôi phục của các giải pháp khác nhau ở các vòng lặp từ 1 đến 4 Hình 3. Kết quả khôi phục của các giải pháp khác nhau ở các vòng lặp từ 5 đến 8 Hình 3. Mặt cắt dọc hàm lý tƣởng và hàm khôi phục DF–DBIM và DBIM sau vòng lặp (Kịch bản 3) Hình 3.
So sánh lỗi của DF – DBIM và DBIM sau vòng lặp (Kịch bản 3) Hình 3. So sánh lỗi của DF – DBIM và DBIM sau vòng lặp (Kịch bản 4) Hình 3. Mặt cắt dọc hàm lý tƣởng và hàm khôi phục DF–DBIM và DBIM sau vòng lặp (Kịch bản 4) Hình 3. Sơ đồ đề xuất quy trình giải thuật DF-DBIM Hình 4.
Quy trình thực thi của phƣơng pháp truyền thống Hình 4. Quy trình thực thi của phƣơng pháp đề xuất Hình 4. Hàm mục tiêu lý tƣởng (N = 21) Hình 4. Cấu hình đo truyền thống: Vị trí các máy phát và máy thu đƣợc bố trí cách đều nhau (Nt = Nr = 20, = 0.
Biểu đồ vị trí các máy thu bố trí cách đều nhau xung quanh vòng tròn (Nr = 20) Hình 4. Cấu hình đo đề xuất: Vị trí các máy phát đƣợc bố trí cách đều nhau và máy thu đƣợc bố trí kiểu DCS (Nt = Nr = 16, = 0. Biểu đồ vị trí các máy thu bố trí kiểu DCS xung quanh vòng tròn (Nr = 16) Hình 4. So sánh hiệu suất khôi phục thành công của phƣơng pháp truyền thống và phƣơng pháp đề xuất Hình 4.
So sánh lỗi chuẩn hóa của phƣơng pháp truyền thống (484 phép đo) và phƣơng pháp đề xuất (256 phép đo) Hình 4. So sánh lỗi chuẩn hóa của phƣơng pháp truyền thống (900 phép đo) và phƣơng pháp đề xuất (400 phép đo) Hình 4. So sánh lỗi chuẩn hóa của phƣơng pháp CS-DBIM và DCS-DBIM với các tỷ số nén khác nhau Hình 4. Kết quả khôi phục của phƣơng pháp DBIM và DCS-DBIM ở các vòng lặp từ 1 đến 4 trong trƣờng hợp Nt = Nr = 16, r = 0.
Kết quả khôi phục của phƣơng pháp DBIM và DCS-DBIM ở các vòng lặp từ 5 đến 8 trong trƣờng hợp Nt = Nr = 16, r = 0. Biểu đồ quy trình tạo ảnh của phƣơng pháp DCS-DBIM đề xuất DANH MỤC BẢNG Bảng 2. Tốc độ sóng âm trong các cơ quan khác nhau Bảng 3. Tham số mô phỏng của các kịch bản Bảng 3.
Mối liên hệ giữa số phép đo và số biến trong các kịch bản Bảng 3. Lỗi ở các kịch bản tƣơng ứng với mỗi giá trị sau tổng số 8 vòng lặp Bảng 4. Lỗi chuẩn hóa và thời gian tạo ảnh của phƣơng pháp DBIM và DCS- DBIM thông qua các vòng lặp với Nt và Nr khác nhau Bảng 4. Thời gian tạo ảnh của phƣơng pháp DBIM và DCS-DBIM sau 8 vòng lặp với số phép đo khác nhau Bảng 4.
Lỗi chuẩn hóa của phƣơng pháp DBIM và DCS-DBIM sau 8 vòng lặp với số phép đo khác nhau DANH MỤC GIẢI THUẬT Giải thuật 2. Phƣơng pháp lặp vi phân Born – DBIM Giải thuật 3. Phƣơng pháp DF-DBIM đề xuất Giải thuật 3. Khảo sát sự phụ thuộc hiệu suất khôi phục vào Giải thuật 4.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Trần Quang Huy (2019). Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp [Luận án tiến sĩ, Đại học Công nghệ, Đại học Quốc gia Hà Nội]. LuanAn.net. https://luanan.net/ky-thuat-dien-dien-tu/ky-thuat-dien-tu/giai-thuat-nang-cao-chat-luong-anh-sieu-am-cat-lop
Câu hỏi thường gặp
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" nghiên cứu về vấn đề gì?
Nghiên cứu phát triển giải thuật tiên tiến, cải thiện đáng kể chất lượng tạo ảnh siêu âm cắt lớp. Luận án TS Kỹ thuật Điện tử Viễn thông.
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Công nghệ, Đại học Quốc gia Hà Nội. Năm bảo vệ: 2019.
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" thuộc chuyên ngành gì?
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" thuộc chuyên ngành Kỹ thuật điện tử. Danh mục: Kỹ Thuật Điện Tử.
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" có bao nhiêu trang?
Luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" có 187 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Giải thuật DBIM nâng cao chất lượng ảnh siêu âm cắt lớp" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.