Luận án xử lý ảnh SPECT tim - Nguyễn Thành Trung - Trường Đại học Bách Khoa Hà Nội

Tổng quan về luận án

Bệnh tim mạch hiện là nguyên nhân gây tử vong và tàn phế hàng đầu trên phạm vi toàn cầu, chiếm 34,2% tổng số ca tử vong mỗi năm. Tại Việt Nam, dịch tễ học tim mạch ghi nhận diễn biến đặc biệt nghiêm trọng với khoảng 200.000 trường hợp tử vong hằng năm, tương đương 1/4 tổng số ca tử vong của cả nước; trung bình cứ 3 người trưởng thành thì có 1 người đối mặt với nguy cơ bệnh lý tim mạch. Trong nhóm bệnh lý này, bệnh động mạch vành (Coronary Artery Disease - CAD) do vữa xơ mạch máu gây thiếu máu cơ tim cục bộ chiếm tỷ trọng lớn nhất, cướp đi sinh mạng của khoảng 3,8 triệu nam giới và 3,4 triệu phụ nữ mỗi năm trên toàn thế giới. Đáng chú ý, dự báo dịch tễ chỉ ra rằng "khoảng 82% tỉ lệ chết vì bệnh động mạch vành trong tương lai sẽ xẩy ra ở các nước đang phát triển", nơi nguồn lực y tế và trang thiết bị chẩn đoán kỹ thuật cao còn nhiều hạn chế.

Trong các phương thức chẩn đoán hình ảnh chức năng không xâm lấn, xạ hình tưới máu cơ tim (Myocardial Perfusion Imaging - MPI) bằng máy chụp cắt lớp phát xạ đơn photon (Single Photon Emission Computed Tomography - SPECT) sử dụng dược chất phóng xạ phát tia gamma Technetium-99m (Tc-99m, mức năng lượng 140 keV) giữ vai trò then chốt trong phân tầng nguy cơ và chỉ định can thiệp tái tưới máu. Tuy nhiên, độ chính xác của kỹ thuật SPECT MPI đối mặt với hai rào cản mang tính cốt lõi:

1. Nhiễu suy giảm (Attenuation Artifact): Hiện tượng photon gamma bị hấp thụ và tán xạ khi xuyên qua các tổ chức mô mềm có tỷ trọng không đồng nhất (suy giảm do cơ hoành ở thành dưới tim nam giới, suy giảm do mô tuyến vú ở thành trước/mỏm tim nữ giới) làm sai lệch phân bố hoạt độ phóng xạ, dẫn đến dương tính giả nghiêm trọng. Mặc dù hệ thống kết hợp SPECT/CT cho phép đo trực tiếp bản đồ suy giảm bằng tia X để hiệu chỉnh (CT-based Attenuation Correction - CT-AC), song giải pháp phần cứng này làm tăng vọt chi phí đầu tư, tăng liều chiếu xạ cho bệnh nhân và đòi hỏi cơ sở hạ tầng phức tạp, trong khi "số lượng máy SPECT đơn thuần đang chiếm khoảng 80 % trên thế giới".
2. Sai sót chủ quan trong phân tích hình ảnh: Báo cáo từ Viện Hàn lâm Y học Quốc gia Hoa Kỳ cho thấy tỷ lệ sai sót chẩn đoán chung dao động từ 10% đến 15%, đặc biệt "trong tim mạch hạt nhân là 30 %", gây nên các quyết định lâm sàng sai lệch.

Trước thực trạng các bộ cơ sở dữ liệu (CSDL) chuẩn quốc tế (như các nghiên cứu của Betancur et al. hay Arsajani et al.) mang tính cá nhân hóa, không công khai và xây dựng trên các chỉ số định lượng (Total Perfusion Deficit - TPD, Summed Stress Score - SSS) tham chiếu theo thể tạng người phương Tây (vốn có cấu trúc giải phẫu và hình thái học tim khác biệt so với người Việt Nam), luận án tiến sĩ kỹ thuật điện tử của NCS. Nguyễn Thành Trung với đề tài "Nghiên cứu xử lý ảnh SPECT tim trong hỗ trợ chẩn đoán bệnh động mạch vành" (Chuyên ngành Kỹ thuật Điện tử, Mã số: 9520203; Người hướng dẫn: TS. Nguyễn Thái Hà, GS. Nguyễn Đức Thuận; Trường Đại học Bách Khoa Hà Nội, 2021) đã được triển khai nhằm giải quyết triệt để các khoảng trống nghiên cứu trên.

Luận án thiết lập hệ thống câu hỏi nghiên cứu (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) cụ thể:

• RQ1: Làm thế nào để xây dựng một quy trình chuẩn hóa CSDL SPECT MPI toàn diện, có độ tin cậy cao, tích hợp hình ảnh 3D và thông tin lâm sàng mang đặc trưng nhân trắc học của người Việt Nam?
  • H1: Một CSDL chuẩn hóa đa tham số được dán nhãn bởi các chuyên gia tim mạch hạt nhân giàu kinh nghiệm sẽ cung cấp nền tảng huấn luyện tối ưu cho các thuật toán học sâu thị giác máy tính.
• RQ2: Liệu các kiến trúc mạng nơ-ron học sâu (Deep Learning) không gian ba chiều có khả năng học biểu diễn tương quan giữa ảnh chưa hiệu chỉnh (Non-Correction - NC) và ảnh có hiệu chỉnh (Attenuation Correction - AC) để tạo ra ảnh hiệu chỉnh suy giảm nhân tạo (Generated AC - GenAC) với chất lượng tương đương CT-AC mà không cần hệ thống chụp CT vật lý?
  • H2: Mô hình kết hợp 3D U-Net và Mạng đối nghịch tạo sinh (3DUnet-GAN) cùng hàm mất mát đa thành phần sẽ khắc phục hiện tượng mất mát thông tin liên lát cắt, đạt tương quan cấu trúc và định lượng vượt trội so với mô hình 3D Convolutional Auto-Encoder (3D-CAE).
• RQ3: Phương pháp biểu diễn dữ liệu nào (ảnh cắt lát tensor 3D đa hướng trực tiếp so với ảnh bản đồ cực 2D Polar Map) kết hợp cùng hệ số nguy cơ lâm sàng sẽ tối ưu hóa độ chính xác của hệ thống hỗ trợ chẩn đoán (Computer-Aided Diagnosis - CADx) trong phát hiện tổn thương từng nhánh động mạch vành?
  • H3: Khai phóng trực tiếp không gian đặc trưng từ các lát cắt 3D nguyên bản sẽ bảo toàn trọn vẹn thông tin chuyển hóa cục bộ so với phép biến đổi nén sang bản đồ cực 2D, nâng cao có ý nghĩa thống kê diện tích dưới đường cong ROC (AUC).

Khung lý thuyết của luận án tích hợp chặt chẽ giữa lý thuyết suy giảm bức xạ trong y học hạt nhân, mô hình giải phẫu tim 17 phân đoạn tiêu chuẩn quốc tế của Hiệp hội Tim mạch Hạt nhân Hoa Kỳ (ASNC/AHA) và các lý thuyết học biểu diễn sâu (Deep Representation Learning). Phạm vi nghiên cứu được thực hiện trên tập dữ liệu lâm sàng thực tế thu thập tại Khoa Y học Hạt nhân - Bệnh viện Trung ương Quân đội 108 bằng các hệ thống SPECT/CT hiện đại của GE Healthcare (Infinia, Optima, Ventri, Discovery NM/CT 670).

Literature Review và Positioning

Nghiên cứu chẩn đoán bệnh động mạch vành trong tim mạch hạt nhân đã trải qua nhiều giai đoạn phát triển, hình thành nên các luồng học thuật chính:

[Luồng 1: Định lượng cổ điển] ──> Mô hình 17 phân đoạn & Bản đồ cực (Polar Map: SSS, SRS, TPD)
                                     (Cerqueira et al., 2002; Germano et al.)
                                                      │
[Luồng 2: Học máy truyền thống] ─> Trích xuất tham số phẳng + SVM / LogitBoost
                                     (Arsajani et al., 2013, 2015)
                                                      │
[Luồng 3: Học sâu sơ khai] ─────> Phân lớp dựa trên 2D Polar Map
                                     (Betancur et al., 2017, 2018)
                                                      │
[Luồng 4: Đột phá của Luận án] ──> Tensor 3D Khối lát cắt + 3DUnet-GAN (GenAC) + CADx Đa tầng
                                     (Nguyễn Thành Trung, 2021)

Luồng nghiên cứu cổ điển tập trung vào phân tích trực quan kết hợp các chỉ số bán định lượng dựa trên mô hình 17 phân vùng giải phẫu cơ tim (Cerqueira et al., 2002), tính toán tổng điểm pha gắng sức (Summed Stress Score - SSS), tổng điểm pha nghỉ (Summed Rest Score - SRS), điểm chênh lệch (Summed Difference Score - SDS) và tổng khuyết xạ tưới máu (Total Perfusion Deficit - TPD) thông qua các gói phần mềm thương mại như QPS/QGS. Tuy nhiên, các chỉ số này phụ thuộc vào phân phối thống kê chuẩn của quần thể phương Tây, dẫn đến sai lệch khi áp dụng cho bệnh nhân châu Á có kích thước cơ thể và buồng thất nhỏ hơn.

Luồng nghiên cứu thứ hai ứng dụng học máy truyền thống kết hợp thông tin lâm sàng. Điển hình là công trình của Arsajani và cộng sự (2013) trên 957 bệnh nhân (334 ca nguy cơ thấp, 623 ca tổn thương), sử dụng thuật toán máy vectơ hỗ trợ (Support Vector Machine - SVM) với dữ liệu đầu vào là các biến chức năng và tham số tưới máu, đạt diện tích dưới đường cong ROC (AUC) là 0,88, vượt trội so với phân tích của bác sĩ (p < 0,03). Tiếp đó, Arsajani và cộng sự (2015) mở rộng quy mô trên 1.181 bệnh nhân sử dụng thuật toán LogitBoost tích hợp các chỉ số điện tâm đồ sau gắng sức (post-ECG), tuổi, giới tính, TPD và triệu chứng thiếu máu thoáng qua (Transient Ischemic Dilation - TID), đạt AUC ấn tượng 0,94 ± 0,01 so với phương pháp TPD truyền thống.

Luồng nghiên cứu thứ ba đánh dấu sự chuyển dịch sang mạng học sâu (Deep Learning). Betancur và cộng sự (2017) triển khai nghiên cứu trên 2.619 bệnh nhân (48% nam giới) nhằm dự đoán biến cố tim mạch bất lợi (Major Adverse Cardiovascular Events - MACE), chứng minh mô hình LogitBoost tích hợp 28 đặc tính hình ảnh, 17 đặc tính gắng sức và 28 đặc tính bệnh nhân cho AUC vượt trội so với mô hình thuần hình ảnh (AUC 0,81 so với 0,78). Năm 2018, Betancur và cộng sự tiến hành nghiên cứu đa trung tâm trên 1.638 bệnh nhân (với 1.018 ca bệnh và 1.797 trên tổng số 4.914 phân nhánh mạch vành bị tắc nghẽn), áp dụng mạng tích chập (Convolutional Neural Network - CNN) trên ảnh bản đồ cực (Polar Map) và bản đồ cực định lượng TPD, đạt AUC theo từng bệnh nhân là 0,80 (so với TPD là 0,78) và theo từng nhánh mạch là 0,76 (so với TPD là 0,73, p < 0,01).

Từ việc tổng hợp y văn, luận án chỉ ra hai cuộc tranh luận học thuật (scholarly debates) mang tính quyết định:

1. Tranh luận về không gian biểu diễn dữ liệu đầu vào: Các nghiên cứu của Betancur et al. sử dụng ảnh bản đồ cực 2D (Polar Map) vốn được sinh ra từ việc chuyển đổi tọa độ các lát cắt 3D (Short Axis, Vertical Long Axis, Horizontal Long Axis) thành một mặt phẳng duy nhất. Luận án phản biện rằng phép biến đổi này gây suy giảm thông tin nghiêm trọng, làm mất tương quan không gian giữa các lớp voxel liền kề. Do đó, việc duy trì cấu trúc dữ liệu dạng khối tensor 3D nguyên bản là hướng tiếp cận chính xác hơn về mặt toán học và vật lý tạo ảnh.
2. Tranh luận về cơ chế hiệu chỉnh suy giảm photon: Trước đây, quan điểm thống trị cho rằng chỉ có hiệu chỉnh suy giảm bằng bản đồ hấp thụ thực nghiệm từ máy CT (CT-AC) kết hợp thuật toán tái tạo lặp tập con kỳ vọng cực đại (Ordered Subset Expectation Maximization - OSEM) hoặc chiếu ngược có lọc (Filtered Back Projection - FBP) mới đem lại độ chính xác lâm sàng. Luận án định vị một hướng tiếp cận đột phá: Sử dụng mô hình học sâu sinh ảnh đối nghịch (GAN) để học phân phối phi tuyến của trường suy giảm, tái tạo ảnh GenAC có chất lượng tương đương CT-AC trực tiếp từ ảnh NC của các hệ thống SPECT đơn thuần.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng trong lĩnh vực xử lý ảnh y sinh thông qua việc mở rộng lý thuyết học biểu diễn sâu (Deep Representation Learning) và mạng nơ-ron đối nghịch (Generative Adversarial Networks - GAN, Goodfellow et al., 2014) vào bài toán xấp xỉ ngược hàm truyền suy giảm bức xạ gamma.

Về mặt mô hình toán học, tác giả đề xuất cấu trúc biểu diễn khối ảnh cắt lát 3D (3D tensor) bảo tồn tính liên tục không gian (inter-slice spatial continuity) thay vì xử lý từng lát cắt 2D độc lập hoặc nén phẳng sang Polar Map. Mô hình lý thuyết ánh xạ phi tuyến từ không gian ảnh chưa hiệu chỉnh $\mathcal{X}{NC} \subset \mathbb{R}^{H \times W \times D}$ sang không gian ảnh hiệu chỉnh chuẩn $\mathcal{Y}{AC} \subset \mathbb{R}^{H \times W \times D}$ được thiết lập thông qua toán tử tạo sinh $G_\theta$:

$$\hat{Y}{GenAC} = G\theta(X_{NC})$$

Toán tử $G_\theta$ được tối ưu hóa đồng thời thông qua hàm mục tiêu đa thang đo kết hợp giữa hàm mất mát khoảng cách pixel $L_1$ và hàm mất mát đối nghịch nhị phân $L_{GAN}$:

$$\mathcal{L}{Total}(G, D) = \mathcal{L}{GAN}(G, D) + \lambda \mathcal{L}_{L1}(G)$$

trong đó: $$\mathcal{L}{GAN}(G, D) = \mathbb{E}{(X, Y)}[\log D(X, Y)] + \mathbb{E}X[\log(1 - D(X, G(X)))]$$ $$\mathcal{L}{L1}(G) = \mathbb{E}_{(X, Y)}\left[ | Y - G(X) |_1 \right]$$

Hệ thống lý thuyết này chứng minh rằng mạng nơ-ron sâu có khả năng nội suy chính xác các biến dạng mật độ quang học do cấu trúc giải phẫu lồng ngực gây ra, tạo nền tảng chuyển dịch mô thức (paradigm shift) từ "hiệu chỉnh suy giảm dựa trên phần cứng đo bức xạ phụ trợ" sang "hiệu chỉnh suy giảm dựa trên học sâu phần mềm thuần túy".

               ┌─────────────────────────────────────────────────────────┐
               │         Khung Phân Tích Độc Đáo Của Luận Án             │
               └────────────────────────────┬────────────────────────────┘
                                            │
        ┌───────────────────────────────────┼───────────────────────────────────┐
        ▼                                   ▼                                   ▼
┌───────────────────────┐       ┌───────────────────────┐       ┌───────────────────────┐
│ Lý Thuyết Bức Xạ YHHN │       │ Lý Thuyết Học Sâu 3D  │       │ Khung Giải Phẫu Tim   │
│ - Tương tác photon    │       │ - 3DUnet-GAN & 3D-CAE │       │ - Mô hình 17 phân đoạn│
│ - Tc-99m (140 keV)    │       │ - Hàm mất mát ghép L1 │       │ - Cấp máu: LAD/LCx/RCA│
│ - Khử suy giảm NC->AC │       │ - Tensor hóa liên lát │       │ - Gắn nhãn đa chuyên  │
└───────────────────────┘       └───────────────────────┘       └───────────────────────┘

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất giữa ba trụ cột lý thuyết:

1. Lý thuyết tương tác bức xạ hạt nhân: Bản chất vật lý của bức xạ đơn photon Tc-99m và cơ chế hấp thụ năng lượng phụ thuộc bề dày/tỷ trọng mô sống.
2. Lý thuyết thị giác máy tính và học sâu sinh ảnh: Tận dụng năng lực giải mã - mã hóa liên cấp của kiến trúc 3D U-Net với các đường kết nối tắt (skip-connections) giúp truyền tải chi tiết không gian độ phân giải cao kết hợp bộ phân biệt (Discriminator) 3D nhằm duy trì sự tương đồng phân phối xác suất hình ảnh.
3. Mô hình bệnh học mạch vành định lượng: Đối chiếu phân vùng tưới máu tương ứng với 3 nhánh giải phẫu chính: Động mạch liên thất trước (Left Anterior Descending - LAD), Động mạch mũ (Left Circumflex - LCx) và Động mạch vành phải (Right Coronary Artery - RCA) trên 17 phân đoạn cơ tim theo chuẩn ASNC.

Điều kiện biên (Boundary Conditions): Mô hình được tối ưu hóa cho dược chất phóng xạ phát tia gamma đơn năng Tc-99m (140 keV), giao thức chụp SPECT MPI hai pha chuẩn (pha nghỉ Rest và pha gắng sức Stress), áp dụng cho các cấu trúc giải phẫu chuẩn của người trưởng thành không có biến dạng lồng ngực bẩm sinh nặng.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan khoa học thực chứng (Positivism / Quantitative Post-Positivism), đặt trọng tâm vào việc lượng hóa dữ liệu thực nghiệm khách quan, kiểm định giả thuyết bằng các phép đo thống kê toán học nghiêm ngặt và đối chứng với tiêu chuẩn tham chiếu cao nhất trong lâm sàng.

Thiết kế nghiên cứu đa tầng bao gồm 3 cấu phần liên hoàn:

• Tầng 1 (Xây dựng CSDL nền tảng): Thu thập, tiền xử lý, khử nhiễu, ẩn danh hóa và chuẩn hóa bộ dữ liệu SPECT MPI lâm sàng đa tham số đầu tiên tại Việt Nam.
• Tầng 2 (Lọc nhiễu suy giảm sinh ảnh): Phát triển và tinh chỉnh hai kiến trúc học sâu chuyên biệt: 3D Convolutional Auto-Encoder (3D-CAE) và 3DUnet-GAN để dự đoán ảnh GenAC từ ảnh NC.
• Tầng 3 (Hỗ trợ ra quyết định chẩn đoán CADx): Xây dựng mạng nơ-ron tích chập phân lớp phát hiện tổn thương cơ tim (có tổn thương vs không tổn thương; phân loại theo từng nhánh mạch LAD, LCx, RCA) dựa trên ảnh khối lát cắt MPI kết hợp hệ số nguy cơ.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tiền xử lý dữ liệu được thiết lập theo quy chuẩn nghiêm ngặt của Hiệp hội Y học Hạt nhân Châu Âu (EANM) và Hiệp hội Tim mạch Hạt nhân Hoa Kỳ (ASNC):

┌────────────────────────┐     ┌────────────────────────┐     ┌────────────────────────┐
│  Quy Trình Lâm Sàng    │     │ Tiền Xử Lý & Chuẩn Hóa │     │  Gắn Nhãn Đa Chuyên Gia│
│- Tiêm Tc-99m (140 keV) │ ──> │- Trích xuất ma trận DICOM──> │- 2 Bác sĩ >= 10 năm KN │
│- Giao thức Rest/Stress │     │- Cắt khối ROI thất trái│     │- Đối chuẩn CT-AC / QPS │
│- Hệ thống GE SPECT/CT  │     │- Chuẩn hóa tensor 3D   │     │- Mã hóa yếu tố nguy cơ │
└────────────────────────┘     └────────────────────────┘     └────────────────────────┘

1. Tiêu chuẩn lựa chọn và loại trừ mẫu: Bệnh nhân được chỉ định xạ hình tưới máu cơ tim nghi ngờ hoặc đã xác định bệnh mạch vành tại Bệnh viện TƯQĐ 108. Loại trừ các trường hợp bệnh nhân cử động quá mức trong quá trình ghi hình gamma camera không thể bù trừ bằng phần mềm, bệnh nhân suy tim giai đoạn cuối có giãn buồng thất vượt quá kích thước trường nhìn chuẩn hóa.
2. Giao thức thu nhận hình ảnh: Chụp trên hệ thống SPECT/CT tích hợp (GE Healthcare: Discovery NM/CT 670, Infinia, Optima, Ventri), thực hiện chụp đủ 2 pha gắng sức (thể lực hoặc dùng thuốc giãn mạch dipyridamole/adenosine) và pha nghỉ. Dữ liệu thu nhận bao gồm đồng thời tập ảnh không hiệu chỉnh (NC images) và tập ảnh có hiệu chỉnh suy giảm bằng CT (AC images) của cùng một bệnh nhân để làm nhãn thực nghiệm (Ground Truth).
3. Quy trình chuẩn hóa dữ liệu:
   • Chuẩn hóa không gian và cường độ: Dữ liệu ảnh cắt lát 2D được định dạng lại thành các khối voxel 3D kích thước chuẩn bao quanh vùng quan tâm (ROI - Region of Interest) của tâm thất trái.
   • Chuẩn hóa thông tin lâm sàng: Bảng mã hóa hệ số nguy cơ lâm sàng tích hợp các trường dữ liệu: Tuổi, giới tính, chỉ số khối cơ thể (BMI), tiền sử đái tháo đường, tăng huyết áp, rối loạn lipid máu, tiền sử gia đình, triệu chứng đau thắt ngực.
4. Quy trình gắn nhãn chuyên gia (Expert Labeling): Được thực hiện độc lập bởi 2 bác sĩ y học hạt nhân có trên 10 năm kinh nghiệm đọc kết quả SPECT MPI, kết hợp đối chiếu với kết quả định lượng tự động (QPS/QGS) và kết quả chụp mạch vành can thiệp khi có sẵn. Trường hợp có bất đồng đánh giá, hội đồng chuyên gia sẽ tiến hành hội chẩn để thống nhất nhãn tổn thương cuối cùng theo từng phân đoạn trong 17 phân vùng cơ tim.

Data và phân tích

Để đánh giá chất lượng ảnh tái tạo GenAC và hiệu năng phân loại của mô hình CADx, luận án áp dụng các độ đo định lượng chuẩn quốc tế:

• Độ sai lệch tuyệt đối trung bình chuẩn hóa (Normalized Mean Absolute Error - NMAE): Đánh giá mức độ sai số voxel giữa ảnh sinh ra và ảnh CT-AC chuẩn.
• Hệ số tương quan Pearson (Pearson's Correlation Coefficient - PCC): Đo lường mức độ tương quan tuyến tính về cường độ phóng xạ giữa hai khối ảnh.
• Chỉ số tương đồng cấu trúc (Structural Similarity Index - SSIM): Đánh giá độ bảo toàn về độ chói (luminance), độ tương phản (contrast) và cấu trúc hình thái (structure) dựa trên hệ thống thị giác người (Human Visual System - HVS).
• Tỷ số tín hiệu cực đại trên nhiễu (Peak Signal to Noise Ratio - PSNR) và Hệ số chất lượng phổ quát (Universal Quality Index - UQI).
• Đánh giá hiệu năng chẩn đoán: Sử dụng kỹ thuật kiểm tra chéo 5 đoạn (5-Fold Cross Validation), xây dựng đường cong đặc trưng hoạt động máy thu (Receiver Operating Characteristic - ROC), tính diện tích dưới đường cong AUC, Độ nhạy (Sensitivity - Se), Độ đặc hiệu (Specificity - Sp), Độ chính xác (Accuracy - Acc). Toàn bộ mô hình được lập trình và huấn luyện trên nền tảng Python, TensorFlow/Keras với bộ xử lý đồ họa GPU chuyên dụng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu của luận án mang lại những kết quả định lượng có tính đột phá cao:

1. Vượt trội của cấu trúc 3DUnet-GAN trong lọc nhiễu suy giảm: Mô hình 3DUnet-GAN với hàm mất mát kết hợp $L_1$ và Adversarial Loss cho kết quả vượt trội áp đảo mô hình 3D-CAE truyền thống trên tất cả các chỉ số NMAE, PCC, SSIM. Hình ảnh GenAC dự đoán đã tái hiện hoàn chỉnh phân bố hoạt độ phóng xạ ở các vùng giải phẫu nhạy cảm với nhiễu suy giảm (thành dưới và mỏm tim), xóa bỏ hiện tượng khuyết xạ giả tạo mà không làm mất đi các tổn thương khuyết xạ bệnh lý thực sự.
2. Khảo sát lâm sàng mù đôi với chuyên gia: Thử nghiệm đánh giá chẩn đoán của 2 bác sĩ chuyên khoa giàu kinh nghiệm trên tập ảnh GenAC chứng minh: Tỷ lệ phát hiện chính xác bệnh nhân không tổn thương tăng vọt so với khi đọc trên ảnh NC, loại bỏ hoàn toàn các ca dương tính giả do hiệu ứng suy giảm mô mềm gây ra, nâng độ đặc hiệu chẩn đoán tương đương với khi sử dụng ảnh CT-AC đắt tiền.
3. Ưu thế tuyệt đối của biểu diễn tensor lát cắt 3D so với Bản đồ cực (Polar Map): Trong bài toán phân loại tổn thương CADx sử dụng kiến trúc mạng tích chập sâu (biến thể VGG-16), mô hình huấn luyện trực tiếp trên các khối lát cắt MPI đạt độ chính xác trung bình (Acc) và diện tích dưới đường cong ROC (AUC) cao hơn rõ rệt có ý nghĩa thống kê so với mô hình sử dụng ảnh bản đồ cực Polar Map trên cả 5 tập kiểm tra chéo (5-fold). Điều này khẳng định giả thuyết: Phép biến đổi Polar Map làm mất mát các đặc trưng không gian vi mô quan trọng của cơ tim.
4. Tác động cộng hưởng của thông tin lâm sàng: Việc tích hợp vector hệ số nguy cơ lâm sàng vào các lớp kết nối đầy đủ (Fully Connected Layers) của mạng phân lớp giúp cải thiện độ nhạy phát hiện tổn thương ở các nhánh mạch vành hẹp vừa (50-70%), giảm thiểu tối đa tình trạng bỏ sót bệnh nhân nguy cơ cao.

Implications đa chiều

• Về mặt học thuật và lý thuyết: Chứng minh tính khả thi của việc giải quyết bài toán bù suy giảm quang học phi tuyến tính trong vật lý y khoa bằng các cấu trúc mạng nơ-ron sinh ảnh 3D. Mở ra phương pháp tiếp cận mới trong mô hình hóa dữ liệu thể tích y sinh đa chiều.
• Về mặt kỹ thuật và phương pháp luận: Thiết lập quy trình chuẩn từ tiền xử lý, cấu trúc hóa tensor 3D đến thiết kế hàm mất mát tối ưu cho các bài toán xử lý ảnh SPECT/PET liều thấp hoặc khuyết kênh dữ liệu.
• Về mặt thực tiễn y tế và kinh tế: Mang lại giải pháp công nghệ có khả năng tích hợp trực tiếp vào 80% hệ thống máy SPECT thông thường đang vận hành tại các nước đang phát triển. Giúp các bệnh viện tuyến cơ sở thực hiện được kỹ thuật chẩn đoán tưới máu cơ tim chất lượng cao mà không cần đầu tư hàng chục tỷ đồng để mua sắm hệ thống SPECT/CT tích hợp.
• Về an toàn bức xạ: Loại bỏ hoàn toàn liều chiếu xạ tia X từ đầu bóng CT (giảm gánh nặng liều tích lũy cho bệnh nhân và nhân viên y tế), đặc biệt có ý nghĩa với các bệnh nhân cần chụp theo dõi nhiều lần sau can thiệp mạch vành.
• Về chính sách y tế: Cung cấp cơ sở khoa học tin cậy để các nhà hoạch định chính sách xây dựng lộ trình chuyển giao công nghệ chẩn đoán tim mạch kỹ thuật cao về các tuyến y tế địa phương, giảm tải cho các bệnh viện trung ương.

Limitations và Future Research

Nhằm duy trì tính khách quan khoa học, luận án thẳng thắn chỉ ra các giới hạn nội tại:

1. Quy mô và tính đơn trung tâm của tập dữ liệu: Mặc dù CSDL được xây dựng công phu tại Khoa Y học Hạt nhân - Bệnh viện TƯQĐ 108 với quy trình chuẩn mực, dữ liệu vẫn mang tính chất đơn trung tâm (single-center dataset), cần được mở rộng kiểm chứng chéo tại các bệnh viện lớn khác tại Việt Nam và khu vực để đánh giá độ trôi dữ liệu (domain shift).
2. Chưa tích hợp dữ liệu đồng bộ điện tim 4D (Gated SPECT): Nghiên cứu hiện tại tập trung chủ yếu vào chuỗi ảnh tĩnh 3D phân bố tưới máu tại 2 pha Rest/Stress, chưa khai thác triệt để dữ liệu vận động thành tim và chức năng phân suất tống máu thất trái (LVEF) theo thời gian thực 4D từ kỹ thuật gắn cổng điện tim (ECG Gating).
3. Phụ thuộc vào phần cứng Gamma Camera NaI(Tl) truyền thống: Dữ liệu nghiên cứu thu nhận từ các camera tinh thể nhấp nháy NaI(Tl) thông thường; khả năng tổng quát hóa trên thế hệ máy SPECT sử dụng đầu dò bán dẫn thể rắn CZT (Cadmium Zinc Telluride) có độ phân giải năng lượng siêu cao cần được đánh giá bổ sung.

Chương trình nghiên cứu tương lai (Future Research Agenda):

• Mở rộng đa trung tâm và đa chủng tộc: Xây dựng mạng lưới CSDL SPECT tim mạch mở toàn quốc, hợp tác đối chuẩn dữ liệu với các trung tâm tim mạch hạt nhân quốc tế tại Châu Á.
• Phát triển mô hình không - thời gian 4D (4D Spatiotemporal Deep Learning): Tích hợp đồng thời dữ liệu tưới máu (perfusion) và dữ liệu chức năng co bóp cơ tim (function/motion) trong một kiến trúc mạng nơ-ron thống nhất.
• Mở rộng phạm vi ứng dụng sang PET/CT và PET/MRI: Chuyển giao kiến trúc 3DUnet-GAN sang bài toán hiệu chỉnh suy giảm cho ảnh PET và các giao thức chụp xạ hình liều cực thấp (Ultra-Low-Dose - ULD).
• Ứng dụng Trí tuệ nhân tạo giải thích được (Explainable AI - XAI): Tích hợp bản đồ nhiệt Grad-CAM 3D giúp bác sĩ trực quan hóa các vùng không gian mà mô hình tập trung ra quyết định, nâng cao độ tin cậy khi ứng dụng CADx trong thực hành lâm sàng thường quy.

Tác động và ảnh hưởng

• Tác động học thuật (Academic Impact): Luận án là công trình tiên phong tại Việt Nam ứng dụng học sâu toàn diện vào xử lý ảnh SPECT tim. Các bài báo khoa học công bố từ luận án trên các tạp chí chuyên ngành uy tín trong nước và quốc tế đã mở ra hướng nghiên cứu liên ngành giao thoa giữa Kỹ thuật Y sinh (Biomedical Engineering), Vật lý Hạt nhân và Trí tuệ Nhân tạo (AI).
• Chuyển đổi công nghiệp thiết bị y tế (MedTech Transformation): Cung cấp thuật toán lõi có khả năng đóng gói thành các module phần mềm độc lập (Software-as-a-Medical-Device - SaMD), dễ dàng tích hợp vào hệ thống lưu trữ và truyền hình ảnh y tế (PACS) hoặc cài đặt nâng cấp trực tiếp vào các máy SPECT hiện hữu của các hãng sản xuất thiết bị y tế.
• Ảnh hưởng chính sách y tế công cộng: Đóng góp luận cứ khoa học thực tiễn giúp Bộ Y tế và Cục An toàn Bức xạ và Hạt nhân xây dựng các tiêu chuẩn định lượng trong kiểm định chất lượng hình ảnh y học hạt nhân và hướng dẫn ứng dụng AI hỗ trợ chẩn đoán tại Việt Nam.
• Lợi ích xã hội: Giúp hàng nghìn bệnh nhân nghèo tại các vùng sâu, vùng xa có cơ hội tiếp cận phương pháp chẩn đoán tim mạch hạt nhân chuẩn xác với chi phí thấp ngay tại các bệnh viện địa phương, giảm thiểu tỷ lệ tàn tật và tử vong do nhồi máu cơ tim bỏ sót.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giới nghiên cứu AI Y tế (Doctoral & AI Researchers): Kế thừa phương pháp luận cấu trúc tensor ảnh 3D, quy trình chuẩn hóa CSDL y sinh và các kiến trúc mạng sinh đối nghịch chuyên biệt cho dữ liệu phát xạ đơn photon.
• Bác sĩ Chuyên khoa Tim mạch và Y học Hạt nhân (Senior Clinicians): Tiếp cận một công cụ "người đọc thứ hai" (second reader) chuẩn xác, hỗ trợ loại trừ nhanh chóng các ca không tổn thương, tập trung phân tích chuyên sâu các ca bệnh phức tạp, giảm áp lực làm việc và hạn chế tối đa sai sót chuyên môn.
• Khối Doanh nghiệp R&D Thiết bị Y tế (Industry R&D): Tận dụng giải pháp phần mềm để phát triển các thế hệ máy SPECT giá thành thấp nhưng sở hữu tính năng hiệu chỉnh suy giảm thông minh, nâng cao năng lực cạnh tranh thương mại.
• Nhà Quản lý Bệnh viện và Cơ quan Hoạch định Chính sách (Policy Makers): Tối ưu hóa hiệu quả đầu tư công nghệ y tế, tiết kiệm hàng triệu USD ngân sách mua sắm máy móc và nâng cấp phòng ốc chì chống bức xạ cho hệ thống CT kèm theo.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc mô hình hóa thành công bài toán bù suy giảm bức xạ gamma phi tuyến tính trong môi trường mô sinh học phức tạp bằng mô hình sinh học sâu 3 chiều (3DUnet-GAN) với hàm mục tiêu liên hợp đa thang đo ($\mathcal{L}{Total} = \mathcal{L}{GAN} + \lambda \mathcal{L}_{L1}$). Nghiên cứu mở rộng trực tiếp Lý thuyết Học sâu Sinh ảnh Đối nghịch (Generative Adversarial Networks - Goodfellow et al., 2014) và Lý thuyết Kiến trúc Mạng U-Net (Ronneberger et al., 2015) từ không gian ảnh thị giác 2D thông thường sang không gian tensor thể tích 3D của y học hạt nhân, chứng minh rằng mạng nơ-ron sâu có thể học được phân phối tán xạ và suy giảm photon mà không cần đo đạc bản đồ mật độ tia X vật lý phụ trợ.

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế tiêu biểu?

So với nghiên cứu của Arsajani và cộng sự (2013, 2015) chỉ sử dụng các thuật toán học máy phẳng (SVM, LogitBoost) trên các tham số định lượng rút gọn (TPD, SSS, SRS), luận án đã đột phá khi ứng dụng học sâu trực tiếp trên dữ liệu điểm ảnh gốc, tự động trích xuất các đặc trưng không gian trừu tượng. So với nghiên cứu của Betancur và cộng sự (2018) nén các lát cắt tim thành bản đồ cực 2D (Polar Map) gây suy giảm thông tin hình học, luận án giữ nguyên cấu trúc khối tensor 3D của các lát cắt (MPI slices), bảo toàn tính toàn vẹn không gian giữa các lớp voxel, giúp mô hình phân lớp đạt hiệu năng và độ nhạy vượt trội trong phát hiện tổn thương từng nhánh mạch vành.

3. Phát hiện bất ngờ nhất về mặt thực nghiệm và giải thích cơ chế lý thuyết?

Phát hiện bất ngờ và có giá trị nhất là việc hình ảnh hiệu chỉnh suy giảm nhân tạo (GenAC) sinh ra từ mô hình 3DUnet-GAN thuần thuật toán đạt độ tương quan cường độ (PCC 0.96 - 0.98) và tương đồng cấu trúc (SSIM 0.94 - 0.96) tiệm cận hoàn hảo với ảnh hiệu chỉnh bằng CT thực tế (CT-AC). Về mặt lý thuyết, cơ chế giải thích cho hiện tượng này là cấu trúc U-Net 3D với các kết nối tắt (skip connections) đã bảo toàn nguyên vẹn các đặc trưng giải phẫu cơ bản của thất trái ở nhánh giải mã, trong khi bộ phân biệt Discriminator ép buộc bộ sinh Generator phải bù trừ chính xác phần năng lượng photon bị thiếu hụt ở thành dưới và mỏm tim theo đúng phân phối thống kê của mô hình CT-AC chuẩn.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp một quy trình tái lập chi tiết, minh bạch và chuẩn mực: Từ các thông số thiết lập thu nhận hình ảnh trên máy SPECT/CT của GE Healthcare, liều lượng dược chất phóng xạ Tc-99m, kỹ thuật tiêm và thời gian chờ chụp, protocol cắt lấy vùng quan tâm thất trái (ROI), quy tắc chuẩn hóa ma trận điểm ảnh về kích thước tensor thống nhất, chi tiết các tầng nơ-ron của mô hình 3D-CAE và 3DUnet-GAN (kích thước kernel, stride, padding, hàm kích hoạt LeakyReLU, Batch Normalization), cho đến bảng mã hóa chi tiết các yếu tố nguy cơ lâm sàng và quy trình kiểm tra chéo 5 đoạn (5-fold cross-validation).

5. Định hướng chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào?

Chương trình nghiên cứu dài hạn được xác định theo lộ trình 4 giai đoạn:

1. Giai đoạn 1-3 năm: Mở rộng xây dựng CSDL SPECT MPI đa trung tâm trên toàn quốc và tích hợp bộ công cụ GenAC/CADx vào hệ thống PACS thử nghiệm lâm sàng tại các bệnh viện quân dân y.
2. Giai đoạn 3-5 năm: Phát triển kiến trúc học sâu không - thời gian 4D kết hợp đồng thời ảnh gated SPECT tưới máu và vận động thành tim.
3. Giai đoạn 5-7 năm: Chuyển giao công nghệ sang lĩnh vực xạ hình PET/CT và PET/MRI tim mạch, phát triển giải pháp xạ hình siêu liều thấp (Ultra-low dose imaging).
4. Giai đoạn 7-10 năm: Tích hợp trí tuệ nhân tạo đa phương thức (Multimodal Foundation Models) kết hợp hình ảnh SPECT, hồ sơ bệnh án điện tử, bản đồ gen và dấu ấn sinh học phân tử phục vụ điều trị cá thể hóa chính xác bệnh tim mạch.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Thành Trung là một công trình khoa học công phu, mẫu mực, giải quyết trọn vẹn và xuất sắc bài toán xử lý ảnh SPECT tim trong hỗ trợ chẩn đoán bệnh động mạch vành với các đóng góp cốt lõi được khẳng định:

1. Xây dựng thành công bộ CSDL SPECT MPI chuẩn hóa đầu tiên tại Việt Nam: Quy mô lớn, nguồn gốc thu thập uy tín từ Bệnh viện TƯQĐ 108, được gắn nhãn độc lập bởi các chuyên gia đầu ngành, đóng vai trò nền tảng vững chắc cho cộng đồng nghiên cứu AI y tế trong nước và quốc tế.
2. Đột phá công nghệ hiệu chỉnh suy giảm bằng Deep Learning (GenAC): Phát triển thành công kiến trúc 3DUnet-GAN có khả năng loại bỏ triệt để nhiễu suy giảm với chất lượng và độ chính xác tương đương giải pháp phần cứng CT-AC đắt tiền.
3. Phát triển giải pháp hỗ trợ chẩn đoán CADx vượt trội: Khẳng định tính ưu việt của phương pháp tiếp cận tensor khối ảnh cắt lát 3D trực tiếp so với ảnh bản đồ cực 2D Polar Map truyền thống, tối ưu hóa khả năng phân loại tổn thương đa nhánh mạch vành.
4. Thúc đẩy bước tiến chuyển dịch mô thức (Paradigm Shift): Mở ra kỷ nguyên ứng dụng trí tuệ nhân tạo phần mềm để thay thế và tối giản hóa các cấu phần phần cứng phức tạp, nâng cao an toàn bức xạ và tiết kiệm nguồn lực kinh tế y tế.
5. Mở ra 3 luồng nghiên cứu học thuật mới: Xử lý ảnh y học hạt nhân 4D không - thời gian, ứng dụng mô hình sinh đối nghịch trong chẩn đoán hình ảnh liều siêu thấp, và tích hợp đa dữ liệu hình ảnh - lâm sàng trong y học cá thể hóa.
6. Giá trị thực tiễn và nhân văn sâu sắc: Tạo tiền đề hiện đại hóa 80% hệ thống máy SPECT đơn thuần sẵn có, đưa kỹ thuật chẩn đoán tim mạch hạt nhân chất lượng cao về các cơ sở y tế tuyến dưới, mang lại lợi ích trực tiếp, thiết thực cho sức khỏe của hàng triệu người bệnh tại Việt Nam và các nước đang phát triển.