Tóm tắt Luận án Tiến sĩ: Trích xuất mạch vành và phát hiện bất thường trên mạch vành hỗ trợ trong chẩn đoán

Bệnh động mạch vành (CAD) là một trong những bệnh lý tim mạch phổ biến và nguy hiểm, đòi hỏi sự phát hiện và xác định chính xác các bất thường để chẩn đoán. Quá trình này thường tốn thời gian và yêu cầu kinh nghiệm chuyên sâu từ bác sĩ. Luận án này đề xuất các phương pháp tự động nhằm trích xuất và phát hiện bất thường trên hình ảnh X-quang mạch vành, với mục tiêu hỗ trợ chẩn đoán hiệu quả hơn.

Tài liệu này hướng đến các nhà nghiên cứu trong lĩnh vực xử lý ảnh y khoa, học sâu và thị giác máy tính; các chuyên gia y tế, bác sĩ chẩn đoán hình ảnh quan tâm đến các công cụ hỗ trợ chẩn đoán tự động; và các sinh viên, kỹ sư phát triển hệ thống AI trong y tế.

Luận án tập trung giải quyết hai bài toán chính trong việc phân tích hình ảnh X-quang mạch vành: phân đoạn mạch vành và phát hiện các bất thường trên chúng. Đối với bài toán phân đoạn, luận án áp dụng chiến lược "từ thô đến mịn" sử dụng các mô hình học sâu, đặc biệt là Unet, để xử lý hiệu quả dữ liệu phức tạp với kích thước, vị trí và độ tương phản biến đổi. Phương pháp này giúp trích xuất mạch vành chính xác, ngay cả trong điều kiện nhiễu và độ tương phản thấp. Sau khi phân đoạn, luận án đề xuất hai hướng tiếp cận để phát hiện bất thường (như hẹp hoặc phình mạch): một là sử dụng thuật toán duyệt cạnh để phân tích hướng và độ dốc trên các đoạn mạch, và hai là áp dụng mô hình học sâu (CNN) nhận đầu vào là các đoạn mạch đã được trích cạnh hoặc chưa trích cạnh. Luận án cũng tích hợp các mặt phẳng thông tin bằng phương pháp voting mềm để tăng cường khả năng phát hiện bất thường trên các đoạn mạch chưa phân đoạn. Các phương pháp đề xuất đã được kiểm chứng bằng thực nghiệm trên dữ liệu từ bệnh viện Đại học Quốc gia Chonnam và bộ dữ liệu ARCADE, chứng minh tính khả thi và hiệu quả trong việc hỗ trợ chẩn đoán bệnh động mạch vành.