Nền tảng nghiên cứu các phương tiện hiển thị hình ảnh y khoa

Nền tảng nghiên cứu các phương tiện hiển thị hình ảnh y khoa

CHƯƠNG 1 : GIỚI THIỆU

Cuộc cách mạng về công nghệ số đã mang lại nhiều thay đổi trong hoạt động sinh hoạt hàng ngày của chúng ta Việc tích hợp những bộ vi xử lý công suất cao vào các mô hình kỹ thuật cổ điển đã tạo ra những bước tiến mới về hiệu suất, tính năng và độ chính xác Nhiều công việc đã được tự động hóa giúp cải thiện đáng kể về tốc độ cũng như đạt hiệu quả rất cao nhờ vào việc tích hợp thêm bộ vi điều khiển và những giải thuật tiên quyết kèm theo Hầu hết mọi lĩnh vực trong xã hội đều tiếp cận với những thay đổi về kỹ thuật, và trong đó những thay đổi về kỹ thuật trong y khoa có tác động sâu sắc nhất lên đời sống của chúng ta

Những tiến bộ trong công nghệ thông tin đã cải tiến cách thức thu nhận, lưu trữ, chuyển giao và biểu hiện các thông tin y khoa của bệnh nhân Việc lưu trữ thông tin trong một cấu trúc cơ sở dữ liệu đã cải thiện chất lượng và tính linh hoạt trong chẩn đoán bằng cách cho ra một hình thức chăm sóc bệnh nhân linh động và phù hợp Những phát triển trong thông tin liên lạc cộng với những tiến bộ không ngừng về mặt nén dữ liệu cho phép chuyển giao những khối lớn dữ liệu của bệnh nhân giữa các trung tâm chẩn đoán và cho phép giám sát bệnh nhân từ xa Trong bệnh viện, các dữ liệu số và chế độ điều trị đã rất hiệu quả giúp nâng cao chất lượng chăm sóc bệnh nhân với việc giảm đi những sai lầm có thể mắc phải cho con người

Ngoài những cải tiến về mặt kỹ thuật, sự gia tăng nhanh về công suất tính toán đã dẫn đến sự ra đời của một loạt những mô hình mới về hiển thị hình ảnh chẩn đoán với khả năng chụp, xử lý và hiển thị các dữ liệu y khoa dưới dạng ảnh một cách xuất sắc Với bộ vi xử lý tốc độ cao và dung lượng bộ nhớ lớn, cho phép các hệ thống hiển thị hình ảnh sử dụng những thuật toán tái tạo có độ phức tạp cao, cải thiện cả về chất lượng và giá trị của các dữ liệu thu được Về hiệu năng, cho phép mở rộng ứng dụng của những thông tin đo được từ những tín hiệu sinh học 2 chiều đơn giản chuyển hóa thành những hình ảnh 3 chiều

Cách đây không lâu, hiển thị hình ảnh y khoa chỉ gói gọn trong kỹ thuật tạo hình trên phim, tuy rất hữu ích trong những đánh giá tổng quát nhưng những kỹ thuật này thực sự gặp trở ngại trong những trường hợp chẩn đoán phức tạp Trong chẩn đoán tiền giải phẫu và lập kế hoạch điều trị, hình dạng của những vùng quan tâm rất cần được đánh giá chính xác (như khối u chẳng hạn) Khi sử dụng ảnh trên phim sẽ rất khó để đánh giá hình dạng hoặc độ sâu theo 3 chiều không gian Để giải quyết vấn đề này, cần phải có một chuỗi liên tiếp các hình ảnh cắt ngang vùng cần khảo sát ở những điểm khác nhau Sau đó, để đánh giá trực quan phải dựa vào kinh nghiệm của người chẩn đoán Theo đó, không thể thực hiện thêm những thao tác xử lý khác và mô hình tạo ra không thể mô phỏng hiển thị hay lưu trữ chính xác hơn khả năng mường tượng của người chẩn đoán được Ngoài những hạn chế về xử lý tính toán, các ảnh phim lại giảm chất lượng theo thời gian, khiến cho hình ảnh bị hư hao đáng kể về mặt không gian và về sau sẽ gây ra những hạn chế về tính năng trong thông tin thu nhận được

Ngày nay, hầu hết các ảnh y khoa đều được thiết lập dưới dạng ảnh số và sau đó được chuyển lên phim nếu cần Ưu điểm của việc hiển thị hình ảnh số là thông tin chứa bên trong ảnh sẽ không bị lệ thuộc vào bất kỳ môi trường nào như trong trường hợp của phim ảnh Có thể tiến hành bao nhiêu thao tác xử lý ảnh tùy ý để tăng cường và mở rộng tính năng của nó mà không sợ tổn hại đến những thông tin gốc Lấy ví dụ về ảnh số của não bộ trong ứng dụng một hình thức phân đoạn để tách rời các cấu trúc đặc biệt trên ảnh tĩnh Phân vùng những đặc điểm riêng biệt (chẳng hạn như mạch máo não) từ những thông tin ít liên quan xung quanh có thể giúp ích để thiết kế những chương trình như vạch ra đường đi trong nội soi để điều trị các hội chứng về não Sử dụng những bộ lọc số để tăng cường chất lượng ảnh bằng cách loại bỏ bất cứ hiện tượng nhiễu nào tạo ra trong quá trình thiết lập ảnh Làm như thế sẽ giúp nhìn thấy được những vùng trước đây bị che khuất bởi nhiễu ảnh Có thể sử dụng biện pháp tăng độ tương phản để làm nổi bật lên sự khác biệt giữa những thành phần khác nhau trong một ảnh như một công cụ hiệu quả giúp phân biệt mô tổn thương từ các mô lành bao quanh Các bộ phần mềm xử lý trực quan có thể tạo ra những mô hình 3 chiều từ một chuỗi ảnh cắt lớp Những phần mềm này cho phép xem xét một khối ảnh từ bất kỳ góc độ nào Quan trọng hơn,

những tính năng tăng cường áp dụng cho ảnh gốc không bị giới hạn về số lượng Tính năng chính của hiển thị số là khả năng kết hợp những kỹ thuật khác nhau để thu lấy những thông tin đáng giá nhất từ dữ liệu ảnh chụp được

Hình ảnh y khoa được định nghĩa tổng quát theo những phương thức chụp ảnh chuyên biệt Thuật ngữ mô hình chuyên dụng gắn liền với cách thức mà mô hình đó sử dụng để đạt được kết quả Mỗi mô hình chuyên dụng sử dụng một kỹ thuật khác nhau nhưng đều hướng tới một đối tượng chung Mỗi mô hình đều có những ưu và khuyết điểm liên quan tới những đặc điểm của kỹ thuật mà nó áp dụng (như: tốc độ, độ tin cậy, độ chính xác, giá thành, mức độ khả thi) Vì những mô hình chuyên dụng có bản chất rất khác nhau nên người ta áp dụng một số hình thức phân loại dựa trên những nét tương đồng của các kỹ thuật Mục đích của việc hiển thị hình ảnh y khoa là xác định và biểu diễn các trạng thái và quá trình sinh lý của

cơ thể người Có rất nhiều mô hình để mô tả đặc điểm sinh lý con người mà hiện nay được phổ biến phân loại theo : mô hình cấu trúc và mô hình chức năng

Những mô hình hiển thị hình ảnh cấu trúc mô tả đặc điểm chi tiết giải phẫu Những mô hình này xác định những đặc tính vật lý của các tổ chức ở những thời điểm đặc biệt Những mô hình cấu trúc khác nhau sẽ phân tích cấu trúc giải phẫu theo những cách khác nhau phụ thuộc vào bản chất của kỹ thuật mà mô hình đó sử dụng Hai mô hình cấu trúc thông dụng nhất là cộng hưởng từ (Magnetic Resonance - MR) và cắt lớp điện toán (Computed Tomography - CT) Tuy hình ảnh từ 2 mô hình này khác nhau đáng kể nhưng cả 2 đều tập trung thể hiện những cấu trúc bao gồm xương, mô, mỡ và da Những mô hình chức năng theo dõi các quá trình sinh lý như trao đổi chất hay sự tích tụ của các hợp chất hữu cơ đặc trưng Theo đó, hoạt động trao đổi chất gắn với những quá trình khác nhau được chụp lại và xử lý Chụp cắt lớp điện toán phát xạ đơn photon (Single Photon Emission Computed Tomography - SPECT) và chụp cắt lớp phát xạ positron (Positron Emission Tomography - PET) là những mô hình tiêu biểu của dạng mô hình chức năng Lợi ích mà các mô hình cấu trúc và mô hình chức năng mang lại cho người sử dụng trong việc chẩn đoán không can thiệp,

lập kế hoạch và điều trị lâu dài là không thể kể hết Một bản điều tra tóm tắt về các kỹ thuật hợp nhất đằng sau các mô hình này sẽ được cung cấp chi tiết trong chương 3 của luận văn

1.2 NHU CẦU

Bất kỳ mô hình nào cũng có thể biểu diễn cấu trúc giải phẫu phức tạp và sự trao đổi chất của bộ phận chụp Vì mỗi mô hình ảnh mô tả đặc điểm của bộ phận ở một khía cạnh khác nhau, vì vậy 2 hay nhiều mô hình khác nhau có thể cung cấp những thông tin liên quan để cùng giải quyết một vấn đề chung Một mô hình kết hợp những thông tin bổ trợ nhau sẽ có khả năng cho ra những thông tin lâm sàng có giá trị cao hơn bất kỳ một mô hình riêng lẻ nào

Ta xét tình huống sau : một bác sĩ được cung cấp 2 khối ảnh não bộ của một bệnh nhân Một khối được tạo ra từ mô hình hiển thị cấu trúc, khối kia sử dụng mô hình chức năng Cả 2 khối đều có những thông tin bổ ích cho người bác sĩ này chẩn đoán tình trạng của bệnh nhân Những ảnh cấu trúc cung cấp những thông tin được thể hiện chi tiết về cấu trúc của bộ não Tập ảnh này giúp người bác sĩ có thể phân biệt tốt các loại mô khác nhau - đây là một thông tin không chỉ hữu ích trong việc nhận dạng mô lâm sàng mà còn hữu ích trong việc xác định vị trí chính xác bên trong cấu trúc não Mặt khác, những hình ảnh chức năng mô tả hoạt động trao đổi chất Những ảnh này thể hiện các quá trình trao đổi chất bên trong não dựa trên các hợp chất đánh dấu bằng cách giám sát quá trình tích tụ của những chất phóng xạ đánh dấu khi chúng lan truyền trong não Từ thông tin này, người bác sĩ có thể xác định các vùng mà hoạt động trao đổi chất cao hoặc thấp bất thường gây nên bởi những rối loạn chức năng Tuy nhiên, do bản chất của các ảnh chức năng mà chúng không thể thể hiện vị trí chính xác của các tổ chức rối loạn này Để đưa ra được một chẩn đoán chính xác và lập kế hoạch điều trị về sau, người bác sĩ cần phải định vị chính xác những vùng loạn chức năng bên trong cấu trúc não Chỉ có như thế, vùng loạn năng mới có được chế độ điều trị thích đáng trong khi các mô lành xung quanh sẽ tránh được những ảnh hưởng ngoài ý muốn Đây chính là một vấn đề mang tính mâu thuẫn : một mô hình biểu diễn cấu trúc não bộ không thể hiện chức năng, còn mô hình kia biểu diễn chức năng mà không thể hiện cấu trúc

Từ ví dụ trên, ta thấy rõ nhu cầu thiết yếu cần phải kết hợp các thông tin thu được từ mỗi mô hình Vì những hạn chế về mặt vật lý không cho phép thực hiện việc kết hợp thông tin từ 2 mô hình trong cùng thời gian thiết lập ảnh, nên giải pháp cho vấn đề này là kết hợp các dữ liệu ảnh thu được từ cả 2 mô hình thành một khối ảnh đơn nhất; qui trình này gọi là hợp nhất dữ liệu Bằng cách đó, ý nghĩa về mặt lâm sàng của mỗi mô hình được kết hợp vào một hình thức biểu diễn chung

Ích lợi từ việc kết hợp những mô hình ảnh khác nhau đã được minh chứng tốt Trong ví dụ trên, việc nhận diện khu vực có hoạt động trao đổi chất bất thường được cải thiện bằng cách kết hợp các thông tin của một mô hình chức năng với chi tiết giải phẫu của một mô hình cấu trúc Một hình thức kết hợp tương tự được sử dụng để xác định vị trí của hiện tượng động kinh thành phần, lúc này, độ chính xác của các lớp cắt SPECT được gia tăng qua việc hợp nhất với một khối ảnh MR Trong lĩnh vực nghiên cứu, hình thức kết hợp này cũng giúp ích trong khảo sát sự lan truyền của các tín hiệu cảm giác trong não (các xung thần kinh) Hiệu quả của những hình thức hợp nhất chức năng-cấu trúc được xác minh không chỉ trong quan sát hoạt động thần kinh (chứng động kinh) mà còn hiệu quả trong nhận dạng những trạng thái sinh lý bất thường Người ta cũng chứng minh được lợi ích của việc hợp nhất các khối ảnh MR và CT khi tiến hành nhận diện khối u trong các lớp cắt PET [23]

Thông tin thu được từ việc hợp nhất các mô hình này không chỉ đơn thuần giới hạn trong chẩn đoán, nó còn có thể ứng dụng được để hỗ trợ trong phòng phẫu thuật Trong các ca phẫu thuật thần kinh, những hệ thống trực quan cao cấp sử dụng những thông tin hiển thị từ nhiều mô hình để hỗ trợ cho các bác sĩ giải phẫu có thể thao tác an toàn trên cấu trúc của não [30] Thông qua việc sử dụng một khung cố định để giữ đầu của bệnh nhân đúng vị trí, người

ta thiết lập một mối liên hệ không gian giữa bệnh nhân và các thông tin hiển thị trên khối ảnh số Khi bác sĩ phẫu thuật di chuyển các dụng cụ bên trong cơ thể bệnh nhân, một hệ thống hồng ngoại giám sát sự chuyển động của các dụng cụ qua những đầu dò gắn trên dụng cụ (ví dụ như mũi dao mổ) Hệ thống quan sát sau đó thiết lập một giá trị số về dụng cụ lên trên ảnh não và liên tục cập nhật vị trí theo thời gian khi dụng cụ di chuyển Theo cách này, bác sĩ

phẫu thuật có thể sử dụng những thông tin được cung cấp bởi ảnh số trong phòng phẫu thuật bằng cách quan sát trên màn ảnh máy tính

Sử dụng khối ảnh số trong phòng phẫu thuật có rất nhiều ưu điểm Trước tiên, việc định đường đi qua cấu trúc phức tạp của não đã trở nên thuận lợi hơn nhiều khi sử dụng phần mềm quan sát kỹ thuật số Mô hình ảnh số cho phép bác sĩ giải phẫu định được đường đi qua khối não, tiếp cận những khu vực mà mắt trần không thể thấy được Sự chuyển động cũng không bị cản trở bởi máu hay những chất khác có thể che khuất tầm nhìn thông thường Tuy nhiên, ưu điểm có ý nghĩa về mặt lâm sàng hơn cả là khả năng phân biệt rõ những thương tổn chính từ mô lành bao quanh

Từ ưu điểm trên cho thấy sự hợp nhất của các mô hình khác nhau hỗ trợ nhận diện chính xác khối u với cấu trúc não bộ Về sau, có thể áp dụng các kỹ thuật xử lý hình ảnh như tăng độ tương phản lên dữ liệu ảnh đã hợp nhất để làm nổi bật lên vùng mô quan tâm Với một khối ảnh như thế sẽ bổ trợ thêm cho bác sĩ phẫu thuật trong việc tách các tổn thương đích, đồng thời giảm thiểu tổn hại đến các mô lành bao quanh Tiện ích cuối cùng của kỹ thuật này là gia tăng tỉ lệ thành công trong điều trị, giảm nhỏ những tình huống phức tạp và giảm bớt những công đoạn không cần thiết

Hợp nhất từ các mô hình khác nhau cũng giúp ích cho lĩnh vực xạ trị Phương thức trị liệu các tổn thương não bằng phóng xạ thực hiện bằng cách chiếu trực tiếp chùm tia lên trên khối tổn thương Trong hình thức trị liệu này, người ta tạo ra một lỗ nhỏ trên sọ não để chùm tia có thể truyền qua mà không bị cản trở Khi vạch ra kế hoạch điều trị, tiêu chuẩn quan trọng là phải định vị chính xác khối u Việc làm này không chỉ bao gồm việc xác định vị trí chính xác của tổn thương bên trong não mà còn phải lựa chọn được vị trí tốt nhất để khoan lỗ sao cho thu ngắn đến mức thấp nhất quãng đường truyền của chùm tia từ đó có thể giảm tổn hại ngoài ý muốn đối với các mô lành Bằng cách kết hợp chi tiết trong hình ảnh MR của mô với các đặc trưng giúp phân biệt xương trong một ảnh CT, độ chính xác trong việc xác định mục tiêu tổn thương được cải thiện đáng kể

1.3 NHẬN ĐỊNH VẤN ĐỀ

Hợp nhất thông tin từ nhiều mô hình là một công việc phức hợp Không chỉ đơn giản là chồng một khối ảnh lên trên một khối ảnh khác, mà ở đây đòi hỏi 2 khối ảnh phải được sắp xếp sao cho tất cả những cấu trúc chung của cả 2 khối phải được tương xứng với nhau Khi làm được điều này, các khối ảnh xem như đã được hợp nhất Việc làm này gọi chung là hợp nhất hình ảnh (registration) Thực hiện hợp nhất hình ảnh từ nhiều phương tiện chẩn đoán hình ảnh khác nhau có thể gọi là hợp nhất hình ảnh đa mô hình (multimodal registration) Tiến hành việc này đã đặt ra nhiều điều cần bàn luận xung quanh vấn đề liên quan đến mô hình chụp, ảnh và bệnh nhân

Vấn đề về mô hình

Mỗi mô hình hiển thị ảnh mô tả đặc điểm của một đặc tính sinh lý khác nhau Theo đó, một cấu trúc có thể phân biệt rõ ràng trong một mô hình nhưng lại không thể quan sát được trong một mô hình khác - điều này cũng tương tự như việc so sánh những quả táo và cam Phần khác nhau về thông tin thu được từ các mô hình cho thấy rằng bản chất của việc biểu diễn một vùng đặc biệt có thể khác nhau, làm cho mối tương quan và việc sắp xếp hai mô hình trở nên phức tạp

Vấn đề về ảnh

Các mô hình không chỉ khác nhau về thông tin chúng thể hiện mà còn khác nhau ở cách thức mà chúng thể hiện thông tin Các khối ảnh có thể khác nhau về chất lượng và các chiều không gian của chúng Những hạn chế vốn có trong một vài kỹ thuật làm cho ảnh thu được từ các mô hình không thể tương đồng nhau về chất lượng Kết quả là một cấu trúc có thể rất rõ trong mô hình ảnh này nhưng lại bị mờ đi đáng kể trên mô hình ảnh khác Ngoài ra, những thông tin chứa bên trong ảnh được biểu diễn bằng những sơ đồ khác nhau Một số mô hình sử dụng thang xám để hiển thị thông tin, trong khi những mô hình khác lại giá trị hơn khi sử dụng thang màu để biểu diễn

Vấn đề về bệnh nhân

Do qui trình thu hai khối ảnh trên cùng bệnh nhân được thực hiện theo hai công đoạn hiển thị ảnh độc lập, các khối ảnh sẽ khác nhau theo thời gian và vị trí thu nhận Một điều hiển nhiên là những khác biệt về vị trí của vật thể bên trong máy quét sẽ tăng lên Sự sai lệch này sẽ ảnh hưởng đến góc độ quét ảnh qua bệnh nhân và vị trí của dữ liệu bệnh nhân bên trong khối ảnh sẽ khác đi

Nếu 1 thủ thuật muốn hợp nhất thành công 2 khối ảnh từ các mô hình khác nhau, nó phải có khả năng xử lý những vấn đề này với những mức độ chính xác chấp nhận được để có thể triển khai những lợi ích từ những thông tin đã hợp nhất vào trong các ứng dụng được điều khiển bằng tay

1.4 MỤC TIÊU VÀ NHIỆM VỤ CỦA LUẬN VĂN

Theo những phân tích trên, mục tiêu đề ra của luận văn là : khảo sát chi tiết các đặc trưng ảnh của các thiết bị chẩn đoán hình ảnh khác nhau như CT, MRI, SPECT, PET và các kỹ thuật hợp nhất hình ảnh đã có, trên cơ sở đó xây dựng một phần mềm hợp nhất hình ảnh 3 chiều bằng MATLAB, thử nghiệm và đánh giá qua dữ liệu khảo sát và so sánh với những kết quả hợp nhất đã công bố

Với mục tiêu trên, nhiệm vụ của luận văn bao gồm :

1) Khảo sát đặc trưng ảnh của các thiết bị chẩn đoán hình ảnh khác nhau

2) Khảo sát chi tiết về những phát triển trong các phương pháp hợp nhất hình ảnh đa mô hình đã có

3) Lựa chọn kỹ thuật hợp nhất hình ảnh đa mô hình tối ưu để xây dựng phần mềm xử lý và hợp nhất ảnh 3 chiều trên nền MATLAB

4) Thử nghiệm chương trình và đánh giá phương pháp hợp nhất qua các dữ liệu khảo sát 5) Xác định những định hướng phát triển cho phương thức hợp nhất này

CHƯƠNG 2 : NỀN TẢNG NGHIÊN CỨU

2.1 CÁC PHƯƠNG TIỆN HIỂN THỊ HÌNH ẢNH Y KHOA

Phần lớn kiến thức về các hệ sinh lý người mà chúng ta biết được là nhờ vào quá trình quan sát trực quan của chính bản thân chúng ta (nói cụ thể hơn là các y bác sĩ) Nếu khả năng quan sát được tăng cường sẽ làm cho những hiểu biết về các hệ sinh lý càng thêm giá trị, nhất là có thể phục vụ cho học tập, dự đoán tiền phẫu thuật, và chẩn đoán những vấn đề thường gặp trong môi trường khảo sát Trong nhiều ứng dụng, quan sát trực quan có thể là một việc tương đối dễ dàng và đơn giản, nhưng trong chẩn đoán y khoa thì không như vậy Chỉ một việc quan sát đơn giản trạng thái trao đổi chất của cơ thể người cũng gặp rất nhiều trở ngại Bởi nó là một mạng lưới đan kết chặt chẽ giữa hệ cơ, hệ xương, hệ tuần hoàn và hệ thần kinh điều hòa hoạt động của cơ thể theo những môi trường thay đổi liên tục Kỹ thuật hiển thị hình ảnh y khoa chính là một giải pháp an toàn, không can thiệp cho phẫu thuật thăm khám mà chỉ gây ra ít hoặc hoàn toàn không gây tổn hại cho bệnh nhân

2.1.1 Hình thức hiển thị và qui trình thiết lập

Đơn vị cơ bản của một ảnh kỹ thuật số là điểm ảnh (pixel) Nó được xác định bởi: một giá trị cường độ và một tọa độ Giá trị cường độ của một điểm ảnh liên quan đến số lượng đo đạc bởi một hệ thống tạo ảnh từ một mẫu vật thể bên trong ảnh Các giá trị cường độ trong một ảnh biến thiên trong miền qui định bởi lược đồ biểu diễn Trong lược đồ ảnh thang xám (đen và trắng), thông thường thì cường độ điểm ảnh biến thiên từ 0 (đen) đến 255 (trắng), trong đó những giá trị ở khoảng giữa qui định màu xám Có rất nhiều lược đồ màu tồn tại chẳng hạn như RGB là lược đồ kết hợp 3 giá trị cường độ đỏ, lục, lam để biểu diễn một màu đơn Trong hiển thị hình ảnh y khoa, hệ thống thiết lập ảnh sẽ đo đạc các giá trị này trong tầm giới hạn hoạt động của hệ Kết hợp giá trị đo được so với một cường độ điểm ảnh tương ứng sẽ giúp cho ảnh số “thấy” được những gì mà hệ thống chụp ảnh thấy (nói cách khác là ảnh số thể hiện hình ảnh thiết lập từ hệ thống)

Theo một kiểu tương tự, tọa độ của một điểm ảnh biểu hiện vị trí của nó bên trong ảnh tương ứng với vị trí của mẫu vật bên trong thành phần được chụp Bằng cách lấy mẫu thành phần theo một lưới 2 chiều, có thể tạo ra được một hình thức biểu diễn ảnh Về lý thuyết, bên trong một mẫu vật, bất kể nó có nhỏ đến cỡ nào thì số lượng thông tin hàm chứa bên trong là vô hạn Tuy nhiên, khả năng đo đạc của bất kỳ hệ thống nào cũng chỉ cho phép tách lấy một số giới hạn từ lượng thông tin hàm chứa bên trong vật thể tùy theo các giới hạn vật lý của kỹ thuật sử dụng Lượng thông tin mất đi khi so sánh giữa ảnh thật sự với ảnh số gọi là sai số tự do Tuy không thể tránh khỏi sai số này, nhưng ảnh hưởng của nó có thể được giảm bớt bằng cách tăng số lượng lấy mẫu (số lần chụp) Làm như thế thì lượng thông tin chứa trong ảnh được gia tăng vì mỗi điểm ảnh bây giờ đại diện cho một mẫu vật nhỏ trong không gian ảnh Khái niệm về độ phân giải của một ảnh cho biết độ chính xác của ảnh đó khi biểu diễn một vật thể Ảnh có độ phân giải cao khi số lần lấy mẫu nhiều và ngược lại, nếu số lần lấy mẫu ít sẽ cho ảnh độ phân giải thấp Nên lưu ý là độ phân giải của một ảnh không phụ thuộc vào kích thước thật của mẫu vật Lấy ví dụ như các ảnh vệ tinh phân giải cao có điểm ảnh tính theo đơn vị mét trong khi các ảnh độ phân giải thấp thu từ kính hiển vi điện tử lại có điểm ảnh biểu diễn các giá trị ở mức microns Tuy không phụ thuộc vào kích thước, nhưng độ phân giải lại liên quan nhiều đến độ dày đặc của mẫu vật

Thông thường, nói đến một ảnh tức là nói đến mối tương quan 2 chiều giữa màn tạo ảnh và vật ảnh Vì hai mặt phẳng chiếu này cách nhau một khoảng xác định (về mặt vật lý thì đây là tiêu cự), nên các thông tin chụp được sẽ là một ảnh chiếu có chiều rộng và chiều cao riêng biệt, nhưng lại không có chiều sâu (hoặc chiều sâu cực kỳ bé, không đáng kể) Tuy nhiên, khi xét đến hiển thị hình ảnh y khoa thì phải bỏ qua mối quan hệ giữa góc nhìn và vật ảnh Quá trình thiết lập ảnh phức tạp hơn nhiều, gồm nhiều viễn cảnh kết hợp với nhau để tạo nên một ảnh riêng lẻ Quan trọng hơn, các hình ảnh y khoa còn có một chiều thứ 3 - chiều sâu - mà ta thường nhắc đến dưới tên gọi là bề dày lớp cắt của ảnh Nhờ vào cấu trúc vật lý của một lớp cắt giúp phân biệt được những hình ảnh 3

chiều từ các thành phần ảnh 2 chiều Để thể hiện được đặc điểm phân biệt này, cần phải có một thuật ngữ chuyên môn phù hợp Theo định nghĩa thông thường của một ảnh, thì điểm ảnh tượng trưng cho một cấu trúc 2 chiều (1 tiết diện) bên trong vật ảnh Tuy nhiên, trong ngữ cảnh của hình ảnh y khoa, một cấu trúc được xác định theo 3 chiều (khối thể tích) Để tránh xáo trộn, mẫu vật sử dụng trong ảnh y khoa sẽ được qui ước bởi các khối ảnh hay còn gọi là voxels sẽ thích hợp hơn là các pixels

Ba mặt phẳng dùng để diễn tả trong giải phẫu học con người là : mặt cắt ngang (transverse hay axial) qui ước nhìn từ đầu tới chân, mặt cắt đứng (frontal hay coronal) qui ước nhìn từ sau ra trước và mặt cắt dọc (sagittal) qui ước nhìn từ trái qua phải Mặc dù có thể thu ảnh từ bất kỳ mặt cắt nào, nhưng theo bản chất giải phẫu học con người thì thu nhận ảnh theo mặt cắt ngang sẽ thuận lợi hơn Thêm vào đó, tính linh động của ảnh số cho phép các thông tin không bị giới hạn bởi bất kỳ góc nhìn nào Tuy các thông số nghiên cứu sẽ thay đổi tùy theo mô hình nhưng ta có thể đưa ra một phương thức khái quát về thu nhận thông tin và biểu diễn số của các mô hình Một phân đoạn hiển thị hình ảnh tiêu biểu bao gồm việc thu nhận các chuỗi hình ảnh từ mặt cắt ngang Tùy theo mô hình mà cách thức thu nhận sẽ thay đổi Tuy nhiên, thành phẩm cuối cùng sẽ bao gồm một cụm các lớp ảnh cắt ngang có thể kết hợp lại để tạo nên một thể tích 3 chiều của vùng cần nghiên cứu Trong trường hợp lý tưởng thì các ảnh này sẽ được thiết lập sao cho các lớp cắt liên tục nhau, tức là giữa chúng không có khoảng trống Tuy nhiên, do những hạn chế vốn có trong một số hệ thống thu nhận ảnh làm cho các lớp ảnh cắt không liên tục với nhau mà giữa chúng sẽ có một khoảng cách nhất định Có thể sử dụng thuật toán nội suy để lấp đầy những khoảng cách này và tạo nên một khối ảnh tương đượng Ngược lại, các hệ thống thiết lập ảnh cho ra các ảnh tại những khoảng liên tiếp nhỏ hơn bề dày của 1 lớp cắt đơn, kết quả là có các ảnh chồng lấp nhau Điều này thường xuất hiện ở các mô hình có qui ước về bề dày lớp cắt Từ những tiêu chí trên sẽ cho phép thiết lập khối ảnh độ phân giải thấp, thiếu cân đối trên mặt cắt ngang Bằng cách chồng lấp các lớp cắt ảnh lên nhau, bề dày lớp cắt được gia tăng kéo theo sự gia tăng của độ phân giải ngang

Tính phức tạp về giải phẫu và chức năng của não người đã xúc tiến hình thành một số lượng lớn các mô hình hiển thị hình ảnh Những mô hình thông dụng nhất dùng để mô tả đặc điểm sinh lý của não bao gồm cộng hưởng từ (MRI), chụp cắt lớp điện toán (CT), chụp cắt lớp phát xạ positron (PET) và chụp cắt lớp điện toán phát xạ đơn photon (SPECT) Dưới đây là vài nét sơ lược về mỗi mô hình và kỹ thuật tương ứng

2.1.2 Hiển thị hình ảnh cộng hưởng từ (MRI - Magnetic Resonance Imaging)

Hiển thị hình ảnh cộng hưởng từ sử dụng các sóng tần số vô tuyến và từ trường để biểu diễn những mặt cắt từ 3 chiều của các cấu trúc giải phẫu, dựa trên nguyên lý của cộng hưởng từ hạt nhân Khi một vật thể được đặt trong một từ trường tĩnh, cường độ mạnh, các hạt nhân nguyên tử hidro bị từ trường hóa và sắp xếp lại dọc theo từ trường Trong quá trình sắp xếp, nếu các hạt nhân đã bị từ trường hóa rơi vào từ trường biến thiên có phương vuông góc với trường tĩnh, chúng sẽ hấp thụ năng lượng và chuyển sang trạng thái kích thích Sự chuyển động của các hạt nhân này từ trạng thái cân bằng sang trạng thái kích thích và lại quay về trạng thái cân bằng tạo nên một tín hiệu, và từ tín hiệu này có thể dùng thuật toán để tạo nên hình ảnh Từ trường vuông góc được tạo nên bằng cách sử dụng các xung tần số vô tuyến Bằng cách thay đổi số lượng và chuỗi xung, hình ảnh của những mô khác nhau có thể được tạo ra thông qua việc khai thác tính chất khử từ của các mô khác nhau Tiềm năng chẩn đoán của MR tùy thuộc vào khả năng mô tả đặc điểm của một vùng rộng của mô, bao hàm cả mô lành và tổ chức bệnh lý Các nguyên tử hiđrô trong phân tử nước là một nguồn thông tin lý tưởng, vì nước có ở khắp nơi trong cơ thể người và tồn tại với mật độ khác nhau trong tất cả các mô Việc thay đổi các tham số xung tần số vô tuyến quyết định sự thể hiện đặc điểm của mô; các ảnh MR thường được tạo ra dựa vào thời gian khử từ T1 và T2

Với khả năng cung cấp chính xác những điểm khác biệt giữa các mô đã làm cho

MR trở thành một phương thức chẩn đoán cấu trúc lý tưởng Các ứng dụng giải phẫu thần kinh được hỗ trợ tốt từ những lớp cắt có bề dày nhỏ cũng như kích thước điểm ảnh nhỏ thể

hiện trên các ảnh MR Chất lượng của những ảnh này cung cấp một nguồn dữ liệu cấu trúc phong phú về phần thể tích được khảo sát

2.1.3 Chụp cắt lớp điện toán (CT - Computerized Tomography)

Tia X từ lâu đã được các nhà nghiên cứu sử dụng trong chẩn đoán y khoa không xâm lấn Trong X-quang cổ điển, vật thể được đặt trước một nguồn phát tia X (nguồn phát tia phóng xạ xuyên qua cơ thể) Tia X xuyên qua cơ thể bệnh nhân bị suy giảm bởi các mô nằm trên đường đi của nó Vì các cấu trúc khác nhau sẽ làm giảm tia X ở các mức độ khác nhau tùy vào khối lượng riêng của chúng, thông tin từ các cấu trúc này có thể thu được bằng cách đo đạc các chùm tia suy giảm

Chụp ảnh cắt lớp điện toán được xây dựng dựa trên nguyên lý của X-quang cổ điển Trong khi tiến hành quét CT, thiết bị phát tia X được đặt trên 1 giá có thể xoay xung quanh vật thể Các đầu dò tia X được đặt trên phía đối diện giá đỡ của bộ phận phát Khi thiết bị này xoay một vòng xung quanh vật thể, một chùm tia X dạng quạt được truyền qua cơ thể ở các góc khác nhau và các tín hiệu suy giảm được ghi nhận Các điểm quan sát này được kết hợp lại thông qua thuật toán để tạo ra một lớp cắt ảnh trên bề mặt chứa chùm tia X và đầu dò Mỗi lớp cắt chứa mật độ mô đã được tính toán tại mỗi điểm bên trong vùng hiển thị

Tương tự như MR, CT là một phương thức về cấu trúc bởi khả năng thể hiện những điểm khác biệt trong cấu trúc Bởi vì CT mô tả đặc điểm dựa trên mật độ mô, chính vì thế nó bổ sung thông tin cho MR Các tia X bị suy giảm đáng kể khi xuyên qua các chất có nguồn gốc xương, chính vì thế, CT rất có giá trị trong chẩn đoán về xương Vì các ảnh CT được tái tạo từ nhiều lớp cắt riêng biệt nên có độ phân giải rất cao

2.1.4 Chụp cắt lớp phát xạ positron (PET - Positron Computerized Tomography)

Chụp cắt lớp phát xạ positron dựa trên hoạt tính của hạt nhân phóng xạ (hợp chất thừa protons) PET lấy nguyên lý đo độ phân rã của hạt nhân phóng xạ để ghi nhận hoạt

động trao đổi chất thông qua việc khảo sát sự tồn tại và số lượng các phản ứng phân hủy positron tạo nên từ quá trình tích lũy các chất đánh dấu phóng xạ trong các vùng khác nhau của cơ thể

Về một vài khía cạnh, PET là phương thức hiển thị hình ảnh có ý nghĩa về mặt lâm sàng Trước tiên, vì các hợp chất phóng xạ đánh dấu đã được nhận dạng về mặt hóa học

so với các thành phần khác không được đánh dấu, các chất này có phản ứng tương tự các hợp chất sinh học bình thường trong khi tiến hành khảo sát Vì thế, PET có khả năng hiển thị quá trình trao đổi chất của các hợp chất khác nhau không chịu ảnh hưởng bởi trạng thái hóa sinh thông thường Hơn nữa, những hệ thống thu ảnh PET đủ nhạy để dò ra các chất phóng xạ đánh dấu ở các mức tương ứng Vì thế, các chất này có thể được đưa vào trong đối tượng khảo sát mà không cần cơ thể phải ở mức trao đổi chất cao hơn bình thường Sự biến thiên đa dạng của các quá trình trao đổi chất bên trong não có thể được ghi nhận bao gồm quá trình chuyển hóa đường, trao đổi khí oxy, thể tích máu não và hoạt động xung thần kinh Việc thu nhận thông tin này về sau trở nên rất hữu ích trong định vị những vùng loạn chức năng và theo dõi tác động của các dược chất điều trị

Độ phân giải của ảnh PET nhìn chung kém hơn MR hay CT Yếu tố chủ yếu quyết định độ phân giải của PET là giới hạn vật lý về kích thước của tinh thể nhấp nháy sử dụng trong đầu dò Dữ liệu hiển thị trong PET thường bao hàm một phác đồ nhiều màu để chỉ các mức khác nhau của sự tích tụ chất đánh dấu

2.1.5 Chụp cắt lớp điện toán phát xạ đơn photon (SPECT - Single Photon Emission

Computerized Tomography)

Theo tên gọi của phương thức này, chất phóng xạ được sử dụng trong SPECT phát

ra một photon tia gamma đơn được ghi nhận lại qua các gamma camera Không giống như PET, SPECT đòi hỏi phải điều chỉnh các tia gamma phát ra bởi hợp chất phóng xạ Hệ thống thu nhận bao gồm một ma trận dày đặc các kênh điều chỉnh bao quanh vùng cần khảo sát Các tia gamma chạy dọc theo hướng trùng với một kênh sẽ xuyên qua được bộ

phận điều chỉnh mà không bị hấp thụ rồi tương tác với tinh thể ion Na+ bên trong các đầu dò NaI(Tl) của gamma camera, tạo nên ánh sáng Đằng sau tinh thể, một lưới các ống nhân quang sẽ thu thập ánh sáng để xử lý và tạo ảnh

SPECT giống PET nhiều ở chỗ khả năng thể hiện chức năng trao đổi chất tốt hơn là chi tiết cấu trúc Từ những dữ liệu đã biết của các dược chất phóng xạ và hợp chất phóng xạ dùng cho SPECT cho phép hiển thị hình ảnh của dòng máu não cục bộ, đo đạc sự truyền dịch và hoạt động của thụ thể thần kinh

Độ phân giải và độ nhạy của hệ thống là những thông số vật lý quan trọng giúp đánh giá chất lượng của SPECT Những nghiên cứu gần đây liên tục đưa ra nhiều cải tiến về độ phân giải của SPECT Tuy nhiên, về mức độ cần thiết thì việc điều chỉnh các photon suốt quá trình thu nhận ảnh là ít hơn so với PET

2.2 HỢP NHẤT HÌNH ẢNH (Registration)

Hợp nhất hình ảnh là một thuật ngữ của việc xử lý ảnh bao gồm các ảnh của cùng một cấu trúc, khác nhau ở viễn cảnh chụp, thời gian chụp hay phương thức chụp Vì các ảnh có thể thay đổi bởi một hoặc tất cả những yếu tố trên, nên các vật thể được thể hiện trong các ảnh này rõ ràng sẽ có khác biệt Việc so sánh các thông tin từ các ảnh này đặt ra những thách thức đáng kể Hợp nhất nhằm mục đích điều chỉnh đúng những sự biến đổi này bằng cách sắp xếp các ảnh sao cho thông tin giữa chúng tương xứng với nhau Nhiệm vụ của hợp nhất hình ảnh có thể đựơc định nghĩa như sau : 2 ảnh cho sẵn chứa một vài cấu trúc tương xứng nhau, xác định một phép biến đổi hình học sao cho khi áp dụng nó cho một ảnh sẽ giúp sắp xếp những giá trị điểm trên ảnh này lên trên ảnh thứ 2 ngay tại những cấu trúc mà 2 ảnh tương ứng với nhau Có thể diễn tả việc hợp nhất ảnh của khối B lên trên khối A như sau :

A(x,y,z) = Tα B(x,y,z) Trong đó, Tα là một hình thức chuyển đổi 3 chiều được tạo ra theo một phương thức nào đó Brown [40] đã khẳng định việc phân tích các chương trình hợp nhất tổng quát dựa vào

4 yếu tố chính sau : không gian đặc điểm, xác định sự tương đồng, không gian nghiên cứu và chiến lược nghiên cứu

2.2.1 Không gian đặc điểm

Công việc đầu tiên trong hợp nhất hai khối ảnh là lựa chọn một không gian đặc điểm làm gốc Không gian này miêu tả những nét chung chia sẻ giữa hai khối ảnh Nó có thể có nhiều dạng, trong đó tồn tại một số bất kỳ về cách thức thể hiện một ảnh Không gian này có thể là tập hợp của những thành phần sau : những giá trị cường độ thô; những đặc điểm bên trong ảnh như các mép, đường viền, đường biên và hình dạng; những đặc điểm cao cấp hơn bao gồm giao điểm của các đường thẳng hay điểm uốn cực đại; hay những đặc điểm xác định như moment quán tính và tâm khối

Có một số điểm cần được đề cập khi lựa chọn một không gian đặc điểm Trước tiên là phải xem xét độ nhạy của đặc điểm tạo ra thông tin Nếu suốt quá trình thu nhận ảnh, một ảnh được hạn chế lỗi do nhiễu hay sai số hình học, sẽ có ảnh hưởng tốt đến chất lượng của không gian đặc điểm suốt quá trình hợp nhất Trong trường hợp đó, một vài đặc điểm có thể trở nên không cần thiết nếu chúng không đưa ra được sự khác biệt giữa thông tin đặc điểm liên quan và dữ liệu bị lỗi Ví dụ như tính toán khối tâm sẽ bị ảnh hưởng khi có sự tác động của nhiễu trắng vì đây là một phép đo cầu phương, trong đó các đặc điểm cấp thấp như đường thẳng và mép có thể giúp tăng ưu thế vì nguồn gốc của chúng dựa trên một miền xác định hơn

Bên cạnh độ nhạy, cũng cần phải xét đến giá trị tính toán để thể hiện đặc điểm Những đặc điểm đơn giản như giá trị cường độ thô được quan tâm nhiều bởi vì chúng cung cấp những thông tin tối cần thiết nhất về 1 ảnh trong một hình thức có giá trị trực tiếp Khi độ phức tạp của không gian đặc điểm gia tăng, thì qui trình tiền xử lý các đặc điểm thu được từ ảnh cũng phải được tăng cường Ví dụ, trước khi xác định moment quán tính, đòi hỏi phải lọc nhiễu ảnh Khi nhận dạng một vật thể từ ảnh nền, đòi hỏi phải tăng độ tương phản nhằm tăng cường những thay đổi về những thành phần cường độ trong vùng khảo

sát Trước khi thể hiện những mép và đường viền, cần thiết phải làm nổi bật chúng bằng cách làm tăng độ nét của ảnh và tách mép Việc phân đoạn ảnh có thể cần dùng để cô lập một không gian đặc điểm được tạo ra từ hình dạng Như vậy, có thể nhận thấy rõ rằng có nhiều hình thức để biểu hiện một không gian đặc điểm cho một ảnh

Tuy nhiên, có những lúc cần phải có những đặc điểm phức tạp Thông tin thu được từ một đặc điểm phức tạp có thể liên quan nhiều hơn hoặc có chất lượng hơn trong việc xác định điểm tương đồng giữa hai ảnh Việc tính toán chất lượng này sẽ được đề cập trong phần xác định sự tương đồng

2.2.2 Xác định sự tương đồng

Xác định sự tương đồng là sự định giá thông tin đã được qui định trong không gian đặc điểm Nói cách khác, nếu không gian đặc điểm qui ước đặc điểm nào được kết hợp thì việc xác định tương đồng những điểm hợp nhau được đánh giá ra sao Vì thế, bản chất của việc xác định tính tương đồng gắn liền với bản chất của không gian đặc điểm Những phép đo thông thường bao gồm tổng của những điểm khác nhau tuyệt đối và những hệ số tương quan kèm theo Các đường viền và đường thẳng sẽ đòi hỏi phải tính tổng bình phương những khác biệt giữa các điểm dọc theo mỗi đường Về phương diện khác, việc khảo sát một không gian đặc điểm với nền tảng là giá trị cường độ cần thiết phải có phép

đo phù hợp với các giá trị như nhiễu, khi không có quá trình tiền xử lý Đây là giá trị của việc tính toán khi lựa chọn một phép đo tương đồng Về thực chất thì giá trị này cũng liên quan tới giá trị biểu hiện của không gian đặc điểm Vì tính phức tạp của không gian đặc điểm có liên quan trực tiếp đến chất lượng thông tin thể hiện, nên kèm theo đó là giá trị tính toán của phép đo tương đồng đối với những đặc điểm cao cấp sẽ ít hơn Về mặt này, một số giá trị gắn với quá trình tiền xử lý được cân bằng khi sử dụng một phép đo tương đồng đơn giản Việc tiền xử lý sẽ có tác dụng trước bất kỳ phép tính nào; các đặc điểm được tăng cường, biểu hiện và được tính toán sau đó bởi phép đo tương đồng Phép đo tương đồng sẽ được thực hiện cho mọi quá trình tính toán các thông số chuyển đổi hợp

nhất Vì thế, độ phức tạp kèm theo của một phép đo tinh tế hơn sẽ gấp nhiều lần khi tính toán một phép đo đơn thuần

2.2.3 Không gian nghiên cứu

Không gian nghiên cứu được định nghĩa là miền chứa tập hợp tất cả những phép

đo tương đồng có thể có Tại một vài nơi trong không gian nghiên cứu sẽ tìm thấy được cách giải quyết tốt nhất Phụ thuộc vào phép đo tương đồng, phương thức này có thể được xác định tại điểm cực đại hay cực tiểu của không gian nghiên cứu Trong thuật ngữ hợp nhất hình ảnh, phương pháp giải quyết tốt nhất tương ứng với các phương thức biến đổi tốt nhất để kết hợp một ảnh lên ảnh khác đáp ứng được yêu cầu của phép đo tương đồng Dựa theo những tiêu chuẩn này, bản chất của phép biến đổi hình học sẽ quyết định tính phức tạp của không gian nghiên cứu Giả sử rằng các ảnh bị di dời không thẳng hàng nhau, không gian nghiên cứu sẽ là tập hợp tất cả những khả năng chuyển dời có thể có Nếu độ di dời càng phức tạp, chẳng hạn bao gồm sự xoay tròn, thì không gian nghiên cứu sẽ bao hàm luôn tất cả những khả năng xoay tròn có thể có Hợp nhất hình ảnh y khoa là một công việc được tiến hành trên 3 chiều Theo không gian Descartes, những sự chuyển dời có thể có bao gồm sự dịch chuyển trên 3 hướng x, y và z và chuyển động xoay tròn xung quanh trục x, y và z Cứ mỗi chiều thêm vào thì độ phức tạp của không gian nghiên cứu lại tăng theo hàm mũ Vì vậy, trước khi tính toán cần xem xét để giới hạn tính toán các phép đo tương đồng ở một con số chấp nhận được Ví dụ, khi đã biết rõ về một vấn đề đặc biệt, ta có thể tiến hành thiết lập một số giới hạn trên vùng chuyển dịch hay xoay tròn trong phạm vi cho phép

Tính chất của phép đo tương đồng cũng đóng vai trò quan trọng bên trong không gian nghiên cứu Trong trường hợp lý tưởng, phép đo tương đồng sẽ thể hiện tính đơn nhất giúp đơn giản hóa tối ưu sự phức tạp của lĩnh vực nghiên cứu Tuy nhiên, nếu không còn ở trạng thái đơn nhất nữa hoặc có nhiễu về số học trong các cực đại và cực tiểu, cần đặt ra chiến lược nghiên cứu tinh tế hơn

2.2.4 Chiến lược nghiên cứu

Hình thức vận hành của phép tính tương đồng trong không gian nghiên cứu được qui định bởi chiến lược nghiên cứu Có thể hiểu tiến trình thực thi của phép đo tương đồng trong không gian này là tiêu chuẩn để chọn lựa chiến lược phù hợp Hầu hết các chiến lược hướng vào việc xác định một hệ số tương quan tốt nhất giữa 2 giá trị cho trước, quá trình này có thể xem như việc tìm kiếm giá trị cực đại và cực tiểu Những kỹ thuật toàn diện về tổng quát sẽ phơi bày rõ hơn thực chất của những nét rối loạn trong hình ảnh Điều này đạt được thông qua việc sử dụng phép tính tương đồng để khảo sát chi tiết hơn không gian nghiên cứu Trong một không gian nghiên cứu phức tạp, những điểm khác biệt có thể chấp nhận được thêm vào trong những phương pháp này sẽ đạt kết quả hơn các phương pháp tuyến tính Tuy nhiên, khi nghiên cứu một không gian phức tạp cộng với phép tính tương đồng phức tạp thì mức độ tính toán phải đủ lớn để đáp ứng các tiêu chuẩn khảo sát Ngược lại, những thuật toán mong muốn cho ra kết quả nhanh, nhưng do khả năng hạn chế không phù hợp với những tiêu chuẩn lý tưởng nên dẫn đến việc tính toán bị gián đoạn Những tập dữ liệu rời rạc có khuynh hướng gây ra nhiễu ở một vài mức độ nào đó đối với phép đo tương đồng chủ yếu do sai số rời rạc Chính điều này gây ảnh hưởng không tốt cho việc xác định những điểm cực trị trong khi khảo sát tìm giá trị tối ưu tổng quát

Cũng có thể xem việc lựa chọn chiến lược nghiên cứu như là bản chất của phép đo tương đồng Trong một vài hệ thống, các phép tính có thể biểu diễn theo hình thức toán học Nhiều chiến lược sử dụng nguyên hàm như một nguồn thông tin khi tìm kiếm giải pháp tối ưu Tuy nhiên, những thông tin trong nguyên hàm không phải lúc nào cũng có giá trị Trong trường hợp này thì cần có một chiến lược nghiên cứu theo một khía cạnh khác của hàm số

2.2.5 Các ứng dụng hợp nhất hình ảnh

Hợp nhất hình ảnh có ứng dụng rất rộng rãi trong các lĩnh vực thần kinh học Hợp nhất ảnh với ảnh được sử dụng để kết nối thông tin của những cấu trúc ảnh khác nhau Phổ biến nhất là sử dụng hợp nhất để thu được những biểu hiện lâm sàng có ý nghĩa thiết thực hơn về tình trạng của bệnh nhân Những thông tin được tăng lên thông qua hợp nhất có thể được ứng dụng về sau trong các chương trình giải phẫu thần kinh trên cơ sở kết hợp ảnh với bệnh nhân Kết hợp ảnh với bệnh nhân nhằm mục tiêu phác thảo một tập hợp ảnh lên trên một không gian vật lý trong quá trình điều trị cho bệnh nhân Hình thức hợp nhất này cho phép nhà phẫu thuật sử dụng thông tin ảnh để giám sát các cấu trúc giải phẫu thuận lợi hơn trong suốt tiến trình phẫu thuật thần kinh Hợp nhất ảnh với bản đồ phác họa những khối ảnh lên trên các bản đồ giải phẫu số học bằng cách dồn một khối ảnh vào trong một khối khác Hình thức kết hợp này cực kỳ hữu ích trong ứng dụng hợp nhất những khác biệt giữa 2 ảnh nhưng giữa chúng tồn tại một mức độ tương quan nào đó Trường hợp này rất thường gặp trong sự biến dạng thô về giải phẫu, khi đó hình thái của vật thể thay đổi liên tục giữa các khối ảnh, đó cũng là kết quả của những khác biệt về giải phẫu hoặc do những thay đổi dưới tác động của phẫu thuật

2.3 ĐỊNH DẠNG HÌNH ẢNH SỐ

2.3.1 Ảnh tiêu chuẩn DICOM

DICOM (Digital Imaging and Communications in Medicine) là tiêu chuẩn về cách thức hiển thị hình ảnh số và giao tiếp trong y khoa, được sáng lập bởi Hiệp hội các nhà sản xuất điện tử quốc gia (NEMA – National Electrical Manufaturer’s Association) kết hợp với ACR (American College of Radiology) nhằm hỗ trợ cho việc phân phối và đánh giá các hình ảnh y khoa như các lớp cắt CT, MRI, và siêu âm…

Một tập tin hình ảnh DICOM không chỉ chứa đựng thông tin về các giá trị cơ bản của một hình ảnh thông thường (như thang màu, kích thước…) mà còn mang nhiều thông tin chi tiết về nguồn gốc của ảnh (chẳng hạn như thông tin về tên bệnh nhân, hình thức

chụp cắt lớp, bộ phận chụp…) Đây là ưu thế của ảnh DICOM so với định dạng ảnh phân tích (Analyze) thông thường là gồm một tập tin chứa các dữ liệu của ảnh, và chứa các thông tin của ảnh ở một tập tin khác Với cấu trúc như thế sẽ giúp cho ảnh DICOM có nhiều thuận lợi hơn trong giao tiếp giữa nơi này với nơi khác (giao tiếp giữa các bệnh viện với nhau trên toàn thế giới…)

Chỉ với một ảnh DICOM đơn giản, chúng ta có thể thu được rất nhiều thông tin cần thiết (xem phụ lục) để phục vụ cho mục tiêu nghiên cứu của nhiều lĩnh vực riêng Trong phạm vi nghiên cứu của đề tài này, ta tập trung vào nghiên cứu các thông tin về ảnh sau :

Kích thước ảnh (Filesize, Width, Height, Rows, Collumns)

Đây là những thông tin nền tảng để có thể tiến hành hợp nhất hình ảnh với kích thước bất kỳ Tùy theo bộ phận chụp hay chế độ chụp, người kỹ thuật viên sẽ lựa chọn kích thước hình ảnh phù hợp để thu được những hình ảnh thể hiện rõ nét nhất Kích thước thông thường của một ảnh DICOM hiện nay là 512 x 512 pixels, nhưng lệ thuộc vào một số điều kiện khách quan mà hình ảnh có thể có kích thước khác hơn một chút về chiều rộng hoặc chiều sâu hoặc có thể chỉ là 256 x 256 pixels

Như vậy, khi ta tiến hành hợp nhất 2 ảnh khác nhau về kích thước, nếu không nắm rõ những thông tin này để có sự điều chỉnh phù hợp thì ảnh hợp nhất thu được sẽ không như mong muốn

Thang màu (Colortype)

Grayscale : Thang xám

Đây là thang màu tiêu biểu cho tất cả các hình ảnh y khoa Hầu hết các hình ảnh y khoa chẩn đoán từ X-quang, siêu âm cho tới CT, MRI, X-quang số đều dựa trên thang xám làm nền tảng để thể hiện các bộ phận chụp với cường độ sáng tối tương ứng

Xét với hình ảnh X-quang : hình ảnh càng sáng thể hiện những thành phần có cấu trúc đậm đặc mà tiêu biểu là hình ảnh của xương, còn hình ảnh càng tối tượng trưng cho những vùng không khí tập trung

Xét với hình ảnh siêu âm : hình ảnh tối thể hiện cho các chất dịch trong cơ thể, hình ảnh sáng là không khí, như vậy nếu không khí cản trở đường đi của sóng âm, thì hình ảnh thu được sẽ chỉ có một màu sáng và không thể hiện được những thành phần cần khảo sát Chính vì thế, người ta không áp dụng cho siêu âm phổi hoặc những thành phần nằm trên lồng ngực (ngoại trừ siêu âm tim)

Như vậy, khi cần khảo sát một cách tổng quát (X-quang tổng quát, Siêu âm tổng quát, CT tổng quát…), hình ảnh với thang độ xám đã trở nên rất phổ biến và trở thành một chuẩn qui ước quốc tế về hình ảnh chẩn đoán

Truecolor RGB : thang màu đỏ - lục - lam

Đây là thang màu được áp dụng khi cần đánh giá quá trình trao đổi chất hoặc khảo sát hoạt động của các cơ quan một cách tỉ mỉ hơn

Xét với hình ảnh siêu âm màu : khi đánh giá dòng chảy, người ta qui ước màu đỏ thể hiện dòng chảy hướng về đầu dò và màu xanh thể hiện dòng chảy hướng ra xa đầu dò…

Xét với hình ảnh SPECT, PET : màu sắc được dùng để đánh giá các lưu chất trong quá trình chuyển dời, trao đổi trong khắp các cơ quan (thường tiến hành khảo sát quá trình trao đổi của các dược chất phóng xạ tiêm vào cơ thể)

Nói chung, hình ảnh màu hướng về phục vụ chẩn đoán chức năng nhiều hơn trong khi hình ảnh với thang xám thông thường hướng về chẩn đoán cấu trúc

Thang độ sáng / tương phản (Window Center / Window Width)

Bất cứ ai khi nghiên cứu về ảnh y khoa đều quan tâm đến vấn đề độ sáng và độ tương phản của ảnh được quyết định bởi hai thông số “window center” và “window width” Giá trị của cặp thông số này mang ý nghĩa rất quan trọng đối với các đầu quét

trong các máy X-quang, CT, PET, và cũng tương tự đối với MRI Nhờ vào cặp thông số C :W (center:width), ta có thể xác lập một số cặp tiêu chuẩn phục vụ chuyên biệt khi chụp các bộ phận khác nhau Chẳng hạn như khi muốn khảo sát xương, C :W tương ứng là 400:2000, còn đối với mô mềm thì C :W thích hợp là 50:350 Để nắm bắt rõ hơn về 2 thang độ này, ta xem xét bảng dưới đây :

Hình 1 : Thang độ sáng và độ tương phản của ảnh y khoa

Trên cùng ảnh của một lớp cắt, ứng với 3 cặp giá trị C :W khác nhau, ta thu được 3 hình ảnh khác nhau Từ hình 1 với C :W là 85:71, khi thay đổi W thành 171, bề rộng tương phản tăng, ta nhận thấy mức độ tương phản giảm đi trên hình 2 Và khi tiếp tục thay đổi C từ 85 thành 40, thang độ sáng thu hẹp về phía màu trắng, nên hình 3 trở nên sáng hơn Như vậy, khi vận dụng linh hoạt các cặp giá trị C :W này thì ta sẽ thu được những hình ảnh tốt nhất, đáp ứng điều kiện nghiên cứu

Giá trị nhỏ nhất / lớn nhất của điểm ảnh (Smallest/Largest Image Pixel Value)

Nghiên cứu các giá trị này giúp chúng ta tìm ra những vùng giá trị tương đương của các bộ phận khác nhau trên mỗi ảnh, làm tiền đề cho việc xây dựng ảnh hợp nhất cũng như tái thiết lập ảnh 3 chiều

2.3.2 Một số định dạng ảnh khác có liên quan

Trong quá trình khảo sát ảnh y khoa, ngoài định dạng ảnh DICOM, cũng có trường hợp ảnh mang một số định dạng khác vì mục đích nhất định (độ phân giải, ảnh chức năng, ảnh động…)

Khi nghiên cứu hợp nhất hình ảnh, ta phải nắm bắt thêm những định dạng ảnh khác cần thiết nhằm khắc phục những trở ngại khi hợp nhất những hình ảnh có tính chất khác nhau Trên cơ sở đó, có thể tái lập định dạng ảnh DICOM hoặc chuyển từ ảnh DICOM sang các định dạng tùy theo mục đích nghiên cứu

Khảo sát sơ lược về một số định dạng ảnh thường gặp :

• BMP (Microsoft Widows Bitmap) : định dạng ảnh không nén (dung lượng lớn) có thang màu là True Color, Grayscale hoặc Indexed Đây là ảnh có độ rõ nét tốt, tính trung thực cao, là một trong hai định dạng cơ bản gần gũi nhất với người sử dụng

• JPEG hoặc JPG (Joint Photographic Expert Groups) : ảnh nén (dung lượng nhỏ) thang màu là True Color, Grayscale Tuy không rõ nét bằng BMP, nhưng nhìn chung chất lượng hình ảnh tốt, dung lượng nhỏ, và là định dạng cơ bản được sử dụng phổ biến nhất

• PNG (Portable Network Graphic) : thang màu True Color, Grayscale hoặc Indexed Đặc trưng của loại ảnh này là dung lượng vừa phải, chất lượng tương đối, nhưng đặc

biệt nhất là trường hợp ảnh theo thang cường độ (Indexed) có thể chứa giá trị qui định độ trong suốt của ảnh (alpha channel)

• TIFF hoặc TIF (Tagged Image File Format) : thang màu True Color, Grayscale hoặc Indexed Đây là loại ảnh ngoài ảnh nền nhất định, còn có thể chứa nhiều ảnh khác trong cùng một tập tin, chất lượng tương đối

CHƯƠNG 3 : KHẢO SÁT CÁC PHƯƠNG PHÁP HỢP NHẤT

3.1 TỔNG QUÁT

Nhiều công trình nghiên cứu về cách thức hợp nhất các dạng ảnh y khoa đã được thực hiện và thu được nhiều thành tựu van den Elsen et al [18] đề xuất một lập trường phân loại gắt gao khi so sánh giữa các kỹ thuật hợp nhất Maurer et al [12] cho ra một bản khảo sát toàn diện về hợp nhất hình ảnh gắn liền với việc tái thiết lập (reformatting) và mô phỏng (rendering) Gần đây, Viergever et al đã thảo luận về các kỹ thuật “retrospective” (hồi suy) theo khía cạnh hiển thị hình ảnh Hawkes [19] đưa ra một hình thức phân loại dựa trên bản chất và phương chiều của sự biến dạng Little và Hawkes [4] kết hợp bài nghiên cứu về hợp nhất vật chất rắn với bài thảo luận về các kỹ thuật không tuyến tính

Đây là bài khảo sát về các kỹ thuật hợp nhất các cấu trúc bên trong hình ảnh não 3 chiều thu được từ các mô hình chụp ảnh SPECT, MRI, PET và CT Điểm quan trọng của các kỹ thuật này là khả năng hợp nhất chức năng - cấu trúc, đây cũng là thách thức cho hầu hết các công trình hợp nhất

Mục tiêu của việc hợp nhất các vật thể bên trong đã xác định rằng bản chất hình học của bất kỳ phép biến đổi nào cũng sẽ là biến đổi thô hay biến đổi affine (một hình thức biến đổi về mặt hình học) Ở đây không bao hàm việc hợp nhất các vật thể giao nhau, hợp nhất bệnh nhân với lược đồ giải phẫu và những phép hợp nhất không tuyến tính khác Thành tựu này đã được giới thiệu đến công chúng, đi kèm với mỗi kỹ thuật là bản giới thiệu đặc điểm chính, một bản khảo sát các học thuyết ứng dụng và một bản thảo luận về các điểm mạnh yếu liên quan

Các mô hình thảo luận trong vấn đề hợp nhất bao gồm cộng hưởng từ (MR), cắt lớp điện toán (CT), cắt lớp phát xạ positron (PET), và cắt lớp phát xạ đơn photon (SPECT) Có thể tham khảo chi tiết hơn về các mô hình này qua các bài viết của Acharya et al và Stark

3.2 TIÊU CHUẨN PHÂN LOẠI

Sử dụng các tiêu chuẩn sau : nguồn ảnh, bản chất phép biến dạng, và mức độ tự động hóa Kèm theo mỗi tiêu chuẩn là những chi tiết cụ thể có liên quan đến vấn đề hợp nhất

3.2.1 Nguồn ảnh

Nguồn ảnh ở đây chính là dữ liệu sử dụng để hợp nhất Nó có thể tồn tại ở 1 trong

2 dạng : có cấu trúc hoặc không có cấu trúc Nguồn ảnh được xem như có cấu trúc nếu thông tin bên trong ảnh được tổ chức theo chiều hướng thuận lợi cho việc hợp nhất Việc tạo cấu trúc thường bao gồm việc gán các thông tin kèm theo ảnh cùng lúc với thời điểm thu nhận ảnh Tạo cấu trúc cho một nguồn ảnh rất có lợi vì nó giúp đơn giản hóa việc biểu hiện của không gian đặc điểm Làm như thế sẽ giảm bớt rất nhiều công đoạn tính toán để xác định phép biến đổi tối ưu Tuy nhiên, hợp nhất có cấu trúc cũng đặt ra những yêu cầu nhất định Trước tiên, việc tạo cấu trúc cho một nguồn dữ liệu trong bộ phận tái tạo đòi hỏi phải có thời gian và các phương thức thực hiện Hơn nữa, khả năng ứng dụng lại bị hạn chế ở một vài phần, chỉ có những ảnh được cấu trúc một cách đặc biệt mới có khả năng hợp nhất Về phương diện khác, một nguồn ảnh không có cấu trúc chỉ bao gồm dữ liệu ảnh thô chụp được của bệnh nhân Các nguồn ảnh không có cấu trúc được tạo ra khi không cần thiết phải hợp nhất hình ảnh trước khi thu được ảnh Bởi vì không gian đặc điểm không được xác định rõ như trong trường hợp nguồn có cấu trúc, sự biểu hiện của các đặc điểm ở đây phức tạp hơn Kỹ thuật hợp nhất không cấu trúc phải tìm ra được không gian đặc điểm từ bên trong dữ liệu ảnh của bệnh nhân Bởi vì lý do này, những kỹ thuật như thế sẽ phải đòi hỏi cường độ tính toán cao hơn Mức độ phức tạp càng gia tăng, nhưng ngược lại, khả năng ứng dụng của các kỹ thuật này lại không bị giới hạn như trước Hơn nữa, công nghệ đồ họa máy tính liên tục phát triển đã không ngừng giảm bớt những đòi hỏi về cấu hình tính toán, điều này khiến cho các kỹ thuật không cấu trúc ngày càng thu hút hơn

3.2.2 Bản chất của phép biến đổi

Một phép biến đổi có thể được định nghĩa tổng quát là một tập hợp các biến sử dụng để tái định hướng một ảnh Trong lĩnh vực hợp nhất, biến dạng là một thao tác xử lý hình học áp dụng lên một ảnh nhằm mục đích sắp xếp lại các cấu trúc bên trong cho tương xứng với các cấu trúc bên trong 1 bức ảnh thứ hai Bản chất của phép biến dạng được miêu tả bởi mức độ thô của nó, hay ngược lại là độ “mềm dẻo” của nó Các phép biến đổi có thể là biến đổi thô, biến đổi affine hay biến đổi không tuyến tính Một phép biến đổi thô bao gồm sự dịch chuyển và sự xoay theo một hệ số đồng nhất Với phép biến đổi thô, khoảng cách giữa 3 điểm trong ảnh gốc được bảo tồn Biến đổi affine bao gồm xoay, dịch chuyển, lập tỉ lệ và sự biến dạng trượt Chẳng hạn, biến đổi affine sẽ sát nhập các đường thẳng lên các đường thẳng và bảo tồn tính song song, nhưng không thể bảo đảm được khoảng cách giữa các điểm sẽ được duy trì Biến dạng cong hay không tuyến tính sử dụng những phương thức tổng hợp để gắn kết các đường thẳng lên trên các đường cong Bản chất của phép biến đổi quyết định khả năng áp dụng của phương thức hợp nhất

Xét trong trường hợp chụp não, vì đầu có thể được xem là một cấu trúc thô, nên những thay đổi về định hướng của bệnh nhân do sự xoay hay nghiêng đầu có thể được điều chỉnh đúng bằng phép các biến đổi thô Theo giả thuyết biến dạng thô, đầu được duy trì ổn định đối với các quá trình tương tác không xâm lấn bao gồm cả quá trình tạo ảnh, nhưng lại có thể bị thay đổi bởi sự biến dạng của não [10] Vấn đề này thường xuất hiện trong các ca phẫu thuật não mở, sự phát triển của khối u hay việc phân chia khu vực phẫu thuật Phép biến dạng cong (không tuyến tính) thường được dùng để lồng các khối ảnh vào khối hợp nhất Phép biến dạng này cũng có thể được dùng trong hợp nhất giữa các bệnh nhân hay hợp nhất ảnh với phác đồ giải phẫu Biến đổi affine rất có ích trong việc bổ chính cho những nét ảnh bị méo mó xuất hiện trong quá trình tạo ảnh Những cấu trúc không đồng nhất trong từ trường của máy quét MR thường gây ra những méo dạng ảnh, mặc dù việc điều chỉnh đã được thực hiện độc lập ở một bộ phận của qui trình hiển thị ảnh [8] Cuối cùng là phải tùy theo yêu cầu đặc biệt của việc hợp nhất mà ta sẽ lựa chọn

hình thức biến đổi phù hợp nhất bởi lẽ những phép biến đổi phức tạp thì đòi hỏi mức độ tính toán cao hơn nhưng cũng chỉ cho ra một số cải thiện nhỏ so với các phép biến đổi đơn giản hơn và nhanh hơn

3.2.3 Mức độ tự động

Bản chất của hợp nhất cũng có thể thay đổi theo mức độ tương tác của người sử dụng Hầu hết các qui trình này đều thực hiện ở trạng thái bán tự động, với một số thao tác tiền xử lý để bộc lộ ra những đặc điểm hay để tìm ra phương thức biến đổi toàn cục tối

ưu Giả thuyết rằng bất kỳ người điều khiển nào cũng đã được huấn luyện và có kinh nghiệm để cho ra những kết quả chính xác, có thể tái chế lại dựa trên một miền dữ liệu rộng Theo giả thuyết này, thì có thể đưa ra một số kết luận dựa trên mức độ tự động hóa của qui trình hợp nhất Nhìn chung, sự tác động của người điều khiển biểu hiện ở những khoảng thời gian tăng thêm trong quá trình hợp nhất Ảnh hưởng này là ảnh hưởng kép do: một phép hợp nhất thủ công bằng tay được quyết định bởi thời gian dành cho người điều khiển nhập dữ liệu, đồng thời lại tùy thuộc vào năng lực của người chuyên viên đã qua huấn luyện Các giai đoạn tự động chủ yếu cần thời gian để tính toán nhiều hơn thời gian để thao tác bằng tay vì thao tác nhập liệu của người điều khiển đòi hỏi phải có sự biểu diễn đặc điểm tinh vi hơn Nhưng không giống như thao tác nhập liệu của người điều khiển, thời gian tính toán của máy là một giá trị động có thể giảm đi tùy theo thuật toán và tốc độ xử lý Các ứng dụng liên quan đến thời gian thực như giải phẫu thần kinh theo hướng dẫn của hình ảnh sẽ không chịu sự hợp nhất bằng tay mà chỉ có những qui trình tự động mà thôi Với những phân tích trên, các qui trình tự động sẽ đạt được tốc độ cao hơn những qui trình thao tác bằng tay Nhiều năm qua, các công trình nghiên cứu đều định hướng phát triển theo khuynh hướng này, và mục tiêu cuối cùng là hướng tới các qui trình hoàn toàn tự động

3.3 PHÂN LOẠI

Vì tất cả các thủ thuật hợp nhất đều nhằm mục tiêu thiết lập sự tương quan giữa hai mô hình nên cách phân loại tốt nhất là dựa trên cách thức biểu hiện không gian đặc điểm từ nguồn ảnh Theo các công trình đã nghiên cứu thì không gian đặc điểm có thể được biểu hiện bằng cách sử dụng hình thức đánh dấu, các đặc điểm chung hoặc bằng cách khai thác những nét tương đồng giữa các “voxel” về mặt cường độ Với những hình thức phân loại này, chúng

ta có thể thiết lập điểm khác biệt ban đầu giữa các kỹ thuật có tổ chức và không có tổ chức Các kỹ thuật có tổ chức chứa các hình thức hợp nhất dựa trên nền tảng của các điểm đánh dấu sẽ được thiết lập trước Còn các kỹ thuật không có tổ chức bao gồm các hình thức hợp nhất tương tác, lấy đặc điểm và cường độ làm nền sẽ được thiết lập sau Sau cùng, ta hãy xem xét đến hiệu quả thực thi và so sánh với các phương pháp khác

3.4 HỢP NHẤT HÌNH ẢNH THEO HÌNH THỨC ĐÁNH DẤU

Hợp nhất thông qua việc sử dụng các đối tượng đánh dấu tạo nên một số hiệu quả ban đầu trong việc kết hợp ảnh từ nhiều mô hình Kỹ thuật hợp nhất này hoạt động theo nguyên tắc sau : trước qui trình thiết lập ảnh, các đối tượng đánh dấu được tạo ra trên nền ảnh thông qua một vài biện pháp cố định sơ bộ trên bệnh nhân Các hình thức đánh dấu này được thiết kế sao cho chúng dễ dàng thích ứng với tất cả các mô hình tạo ảnh Nếu các đối tượng đánh dấu cùng biểu diễn những khu vực giải phẫu như nhau trên tất cả các mô hình, chúng có thể được sử dụng như một đặc điểm mà theo đó các ảnh sẽ được hợp nhất với nhau

Hợp nhất các ảnh theo đối tượng đánh dấu bao gồm việc xác định phương pháp biến dạng giúp thu nhỏ đến mức tối thiểu khoảng cách giữa vị trí của đối tượng đánh dấu trong tất cả các mô hình Phép biến đổi này được xác định bởi khả năng giảm đến mức nhỏ nhất việc tính toán phân tích Như trong nghiên cứu của Arun et al [2], phép biến đổi này có thể được thiết lập một cách nhanh chóng bằng cách phân tích giá trị đơn để cân chỉnh các giá trị bình phương cực tiểu Các vị trí đã được điều chỉnh của đối tượng đánh dấu cho thấy bản chất thô của phép biến đổi tối ưu Thủ tục hợp nhất này cũng có thể được xem như được thực hiện

bằng tay trong quá trình thực thi, bởi vì thành quả của phép hợp nhất này phụ thuộc rất lớn vào việc định vị chính xác và sự cố định của hệ thống đánh dấu Bởi vì nguồn ảnh được qui định bởi các đối tượng đánh dấu nhằm mục đích hợp nhất nên có thể xem đây là các kỹ thuật hợp nhất có tổ chức

Người ta đánh giá mức độ thành công của phép hợp nhất dựa trên đối tượng đánh dấu theo hai tiêu chuẩn Tiêu chuẩn thứ nhất liên quan đến biểu hiện của các thành phần đánh dấu bên trong khối ảnh Điều trước nhất cần lưu ý là các thành phần đánh dấu bên trong ảnh phải được thiết lập sao cho có thể nhận ra và phân biệt dễ dàng từ các góc độ khác của ảnh Việc thiết lập vị trí tập trung vào xác định chính xác tọa độ hình học của một đối tượng đánh dấu bên trong một ảnh Nếu thành phần đánh dấu là hữu hình, nó sẽ hiển thị bên trong ảnh như là một tập hợp các điểm ảnh có cùng cường độ Ta xét đến hai tình huống sau Thứ nhất, xét các điểm ảnh chỉ phần nào chứa thành phần đánh dấu (thường là các điểm ảnh ở mép của cấu trúc đánh dấu) sẽ được hiển thị với cường độ khác so với tổ chức đánh dấu Đây là hệ quả tạo ra bởi những nguồn dữ liệu không chính xác diễn ra liên tiếp trong suốt qui trình thiết lập ảnh, vấn đề này tăng lên khi độ phân giải của ảnh giảm đi Thứ hai, thành phần đánh dấu lại được thiết lập tại vị trí quá gần với một tổ chức có cường độ ảnh tương tự như cường độ của thành phần đánh dấu Trong cả 2 tình huống trên, việc xác định tâm chính xác của khối đánh dấu là một vấn đề rất khó để giải quyết Các khối đánh dấu có thể được thiết kế để cho

ra những điểm có thể phân biệt rõ ràng, nhưng hầu hết các thủ thuật hợp nhất dựa trên hình thức đánh dấu đều đòi hỏi một thuật toán riêng để định vị trí cho thành phần đánh dấu [8] Wang et al đã đưa ra một phương pháp giúp cho tự động hóa quá trình định vị trí đánh dấu bên trong một ảnh Phương pháp của họ thực hiện dựa trên các khối ảnh tiêu biểu nhất bên trong các cấu trúc được xem như thành phần đánh dấu

Tiêu chuẩn thứ hai là việc đảm bảo các thành phần đánh dấu sẽ hiển thị tại cùng một

vị trí trên tất cả các mô hình Nói ngắn gọn, hệ thống đánh dấu phải được đảm bảo sao cho vị trí tương đối của nó so với bệnh nhân là không thay đổi trong suốt quá trình thiết lập ảnh Cụ thể hơn là hệ thống phải được thiết kế để đạt được tính ổn định cao nhất giữa các giai đoạn

thiết lập ảnh Sai sót ở bất cứ yếu tố nào cũng sẽ gây ra ảnh hưởng trực tiếp đến biểu hiện của hình thức hợp nhất mà ta gọi là lỗi hợp nhất hay lỗi của mô hình hợp nhất

Bởi vì tính quan trọng của sự cố định, nên các phương pháp hợp nhất dựa vào khối đánh dấu hướng tới thay đổi dựa trên mức độ xâm lấn của liệu pháp đối với bệnh nhân Mức độ xâm lấn của hệ thống đánh dấu khi điều chỉnh bệnh nhân tác động đến nhiều khía cạnh trong qui trình hợp nhất Tác động này được khảo sát qua 3 hệ thống đánh dấu khác nhau : khung cố định, cấu trúc và điểm

3.4.1 Hệ thống khung cố định

Khung nổi là một cấu trúc thô, có độ xâm lấn cao giúp duy trì bệnh nhân ở trạng thái không cử động Những người tiên phong trong việc sử dụng các khung nổi này vào đầu thế kỷ 21 là Robert Henry Clarke và Victor Horsley Bộ khung Horsely-Clarke được ứng dụng trước tiên lên động vật và sau đó được sửa đổi để sử dụng cho con người Bằng cách áp đặt một cấu trúc cứng, đã được gia cố lên bệnh nhân, bộ khung này có thể tạo ra được mối liên hệ về mặt không gian giữa ảnh cần chụp và không gian vật lý mà nó hiện hữu Với việc kết hợp hệ thống đánh dấu lên khung trước tiến trình thu nhận ảnh, ta đã thiết lập sẵn một chuỗi các điểm điều khiển lên ảnh để sau đó có thể sử dụng để kết hợp không gian ảnh vào phần không gian người bệnh Những qui trình thực hiện thông qua không gian này sử dụng các phương tiện gắn trên khung, dù gần đây chúng đã được thay thế bằng phương pháp định vị siêu âm [8] Giàn khung nổi đã được ứng dụng rộng rãi trong việc lên kế hoạch và điều trị theo liệu pháp phóng xạ cũng như trong phẫu thuật có hình ảnh hỗ trợ Những thành phần đánh dấu giống nhau này không chỉ ứng dụng để kết hợp ảnh vào không gian ảnh của bệnh nhân mà cũng rất hữu dụng trong việc hợp nhất ảnh từ nhiều mô hình khác nhau [24]

Trong tất cả các ứng dụng, thiết bị áp đặt vào khung cố định bệnh nhân cũng cần phải đảm bảo được khả năng cử động cơ thể cho bệnh nhân Những bộ khung cổ điển sử dụng ốc hoặc chốt cài để cố định khung vào phần sọ của bệnh nhân Tuy rất hiệu quả

trong việc cố định chủ thể, nhưng do sự khó chịu của bệnh nhân nên đòi hỏi phải phát triển những phương pháp cố định không xâm lấn Laitinen et al đã phát triển một thiết bị điều chỉnh bằng cách thêm vào vị trí mũi bộ phận bịt lỗ tai Khi gắn thiết bị này vào giường máy quét sẽ giúp đạt được sự ổn định Những mô hình khuôn cố định bao gồm những thiết bị như trên được đề xuất bởi Kearfott et al [8] là rất có ý nghĩa trong việc cố định bệnh nhân giữa các công đoạn chụp ảnh, mặc dù về bản chất thì với mỗi bệnh nhân đòi hỏi phải chế tạo một khuôn mới Bettinardi et al thiết kế và kiểm tra một mô hình dành cho răng của bệnh nhân ứng dụng để cố định bệnh nhân trong PET, CT và MR Những phương pháp để cố định răng khác được đề xuất bởi Theodorou et al và Graham

et al [8] Theo Laing et al., cần lưu ý thêm hiệu quả của hình thức cố định này còn tuỳ thuộc vào sự sắp xếp của răng bệnh nhân Gần đây, Otto et al đã phát triển một hình thức mới để thay đổi cơ chế trượt của khung Maciunas et al khảo sát về độ chính xác trong ứng dụng của 4 loại khung phổ biến và tìm ra những sai sót đáng kể tiềm ẩn bên trong

Hệ thống đánh dấu cung cấp một chuỗi các điểm tham chiếu được xác định rõ trong mỗi tập ảnh Các thành phần đánh dấu có thể khác nhau, phụ thuộc vào việc thiết kế, nhưng thông thường nhất là thiết kế ống dạng chữ Z (hoặc N) Phần tiết diện cắt ngang của những ống này thể hiện chuỗi các đốm bao quanh bệnh nhân Thiết kế khác bao gồm việc sử dụng những thanh sắt tròn hoặc 2 đĩa với những đường thẳng gấp khúc Các ống được chứa đầy bởi hợp chất đặc trưng dùng cho mỗi phương thức chụp ảnh Alp

et al đã đưa ra giải pháp ứng dụng môi trường “gel” để tăng cường tính năng của các khối đánh dấu MR bằng cách chiếu sáng các bọt khí bên trong thành phần đánh dấu

Hợp nhất dựa trên các khung nổi có độ chính xác cao Alp et al đã tiến hành kiểm tra tính năng của nhiều hình thức hợp nhất dựa vào cách thức đánh dấu và nhận thấy rằng hình thức đánh dấu bằng khung cung cấp độ chính xác cao nhất Cho đến gần đây, hợp nhất dựa trên khung cố định đã trở thành “tiêu chuẩn vàng” để đánh giá các phương pháp khác Nhưng bên cạnh hiệu quả làm giảm tính xâm lấn khi cố định, hệ thống khung nổi cố định lại tiếp tục phải đương đầu với những vấn đền liên quan đến sự khó chịu của bệnh

nhân Không cử động trong những khoảng thời gian dài là một viễn cảnh không mấy thú

vị, vì thế người ta hướng tới phát triển những kỹ thuật đánh dấu khác ít ràng buộc hơn

3.4.2 Các cấu trúc đánh dấu

Các khung cố định giúp duy trì trạng thái bất động là rất cần thiết trong quá trình kết hợp không gian ảnh vào không gian bệnh nhân trong các ứng dụng như phẫu thuật có hình ảnh hỗ trợ Tuy nhiên, khi mục tiêu cần đạt chỉ là hợp nhất ảnh với ảnh, thì trạng thái không cử động lại trở thành một hiện trạng không mong muốn, có thể gây nên sự khó chịu Trong những tình huống như vậy, thì việc áp đặt hệ thống đánh dấu trực tiếp lên bệnh nhân được ưa chuộng hơn Nhiều hệ thống đánh dấu được hợp với nhau rồi thiết lập trực tiếp lên bệnh nhân hay hơn là kết nối vào một khung cố định Nhiều mô hình cải tiến được phát minh nhằm cung cấp một hệ thống đánh dấu thô tương tự như khung, nhưng không quá hạn chế cử động của bệnh nhân trong suốt qui trình tạo ảnh

Grabowski et al đề xuất việc sử dụng một cặp kính chuyên dụng để kết hợp PET lên MR Cặp kính này được đổ đầy những tác nhân tương phản, được đánh giá là chỉ cho

ra sai số không đáng kể trong sai số tổng quát do quá trình thay đổi vị trí Vikhoff-Baaz et

al sử dụng một cặp kính tương tự kết nối với những thiết bị phát âm ngoại vi Các thành phần đánh dấu được gắn cả vào kính và thiết bị Evans et al thiết kết một nón chuyên dụng sử dụng những ống hút mỏng gắn trên các dây cao su bao quanh đầu, được buộc cố định bởi một dây quanh cằm Sử dụng một phép biến dạng affine khi kết hợp MR-PET và đạt được cấp chính xác ở mức dưới mm với 15 cặp điểm Scott et al đề ra một phương pháp khác sử dụng một dải băng với các điểm cảm biến trên bề mặt để tạo một bề mặt phù hợp với qui trình hợp nhất Howard et al [5] lại giới thiệu một bảng nhỏ để gắn vào răng hàm trên Theo khảo sát thực tế thì bảng này cho phép kết hợp những thành phần đánh dấu trong nhiều mô hình khác nhau và chỉ cần 1 phút để lắp đặt

3.4.3 Điểm đánh dấu

Kỹ thuật đánh dấu quen thuộc nhất là những hình thức lấy những điểm đánh dấu riêng biệt làm nền tảng Trội hơn việc sử dụng các cấu trúc rắn, những kỹ thuật này sử dụng các điểm đánh dấu riêng gọi là những mốc giải phẫu Ích lợi của phương thức này là nó cho ra một chuỗi những điểm chức năng tương tự như các khung và mô hình mà không đòi hỏi trạng thái không cử động như khi sử dụng khung hoặc tính ổn định của các mô hình chuyên dụng Đánh dấu trên da rất hữu dụng khi dùng trong hệ thống tạo ảnh theo các chiều qui ước mà các hệ thống khung hay mô hình không thể đáp ứng được

Mối quan tâm duy nhất ở đây là độ ổn định của các điểm đánh dấu liên quan trực tiếp đến bệnh nhân Việc thiết lập vị trí cho các điểm đánh dấu này phải tương xứng với các thiết bị mô phỏng gắn vào Vì không có mô hình nào cung cấp một bảng chuẩn để cố định bệnh nhân, những điểm đánh dấu phải thật nhạy với chuyển động của da Các thành phần đánh dấu da thường được gắn vào bệnh nhân theo một số dạng cố định Pohjonen et

al [14] sử dụng chuỗi các thành phần đánh dấu da ngoại vi để kết hợp SPECT với MR Sipilä et al sử dụng những dữ liệu giả lập ảo để thực hiện việc kết hợp Họ nhận ra rằng độ chính xác của phép hợp nhất tăng lên khi tăng số lượng điểm đánh dấu từ 6 lên 13 Mandava et al [8] tìm ra được những mô hình có độ phân giải cao (MR và CT) có thể hợp nhất ở mức chính xác dưới milimet chỉ với 4 điểm đánh dấu Van den Elsen et al [18] sử dụng các điểm giao nhau của các các thành phần đánh dấu dạng mũi tên để đạt được độ chính xác trên lớp cắt bên dưới Những thành phần đánh dấu gắn vào da cũng được ứng dụng hiệu quả trong các hình thức hợp nhất Những thành phần đánh dấu này bỏ qua những phức tạp trong chuyển động của da thông qua việc cố định trực tiếp đầu qua các lỗ nhỏ Maurer et al sử dụng 4 dấu dán để kết hợp CT với MR ở cấp chính xác dưới một đơn

vị ảnh khối (subvoxel) Schreiner et al đề ra việc sử dụng siêu âm để thiết lập tọa độ cho các mốc ứng dụng trong phẫu thuật với ảnh hỗ trợ Giá trị của hình thức đánh dấu này có thể xác định dựa vào thời gian vận dụng và mức độ khó chịu của bệnh nhân

Theo đánh giá về các hình thức đánh dấu đề cập trong Alp et al đã đúc kết rằng hình thức đánh dấu bằng khung cung cấp độ chính xác tốt nhất, còn hình thức đánh dấu da cho độ chính xác có thể chấp nhận được công với sự cải thiện đáng kể trong hình thức áp dụng và sự thoải mái cho bệnh nhân

3.5 HỢP NHẤT HÌNH ẢNH CÓ TƯƠNG TÁC

Hợp nhất thông qua nét giống nhau về điểm không chỉ thu hẹp trong các khối được đánh dấu Có nhiều mức độ tương tác của người sử dụng để tìm ra các điểm giống nhau trong các hệ thống khác nhau Hợp nhất theo cơ chế tương tác hoạt động dựa trên cơ sở của các cấu trúc giải phẫu giống nhau có thể tìm thấy được trên tất cả các hệ thống Về mặt hiển thị hình họa, một chuyên viên đã qua huấn luyện sẽ khảo sát các khối thể tích và nhận dạng các điểm giống nhau về bản chất, cũng có thể coi các điểm này là các mốc cơ sở để hợp nhất Hệ tọa độ không gian của các mốc này cấu thành từ không gian đặc điểm mà thủ thuật hợp nhất sử dụng

Bên cạnh việc hiển thị đặc điểm, hình thức hợp nhất tương tác này chia sẻ nhiều nét tương đồng thông qua các thành phần được đánh dấu Vì không gian đặc điểm tạo ra một chuỗi các cặp điểm giữa 2 khối ảnh, thủ thuật hợp nhất tương tác sử dụng cách thức bình phương cực tiểu để tiến tới kết hợp các cặp điểm đã đánh dấu Theo giả thuyết, đầu là một cấu trúc cứng, chúng ta có thể áp dụng thủ thuật tương tác với phép biến dạng thô để hợp nhất hình ảnh Theo như định nghĩa, thì phương thức hợp nhất này được xem như là thực hiện bằng tay Hình thức hợp nhất tương tác khác với hình thức đánh dấu ở chỗ các thông tin bổ sung không cần thiết phải thêm vào nguồn ảnh Chính vì thế, cách hợp nhất này được xếp vào các kỹ thuật không có tổ chức

Tuy nhiên, có một vài điểm khác biệt đáng chú ý để phân biệt các hình thức tương tác Trước tiên, một không gian đặc điểm chỉ bao gồm các điểm (không phải là các thành phần đánh dấu) nên việc định vị có thể bỏ qua và tránh được các sai sót liên quan Điều này không có nghĩa là các hình thức hợp nhất tương tác này là không có sai sót Cái khó ở đây chính là

qui trình nhận dạng các điểm tính toán trong các mô hình khác nhau, vì mỗi mô hình thể hiện một khía cạnh vật lý khác nhau trên cùng bệnh nhân Một số mô hình có thể thay đổi khiến cho việc nhận dạng điểm tương đồng trở nên khó khăn và không thể thực thi Để chọn lựa điểm chính xác đòi hỏi phải có một chuyên viên có trình độ để có thể chọn ra được những điểm có ý nghĩa về mặt hình học hoặc vị thế chẳng hạn như các điểm giao nhau, các mối nối hoặc tăng/giảm đến mức cao nhất số điểm trên đường cong Điều này có nghĩa là các thủ thuật tương tác tiêu tốn một khoảng thời gian đáng kể và phụ thuộc vào năng lực của chuyên viên Hơn nữa, sẽ tồn tại sai sót xuất phát từ khả năng của người điều khiển trong quá trình xác định tâm của các mốc cho sẵn

Ngoài ra cũng cần khảo sát các kết quả đạt được giữa những lần hợp nhất liên tiếp và giữa những người điều khiển khác nhau Bởi vì việc chọn điểm phụ thuộc vào kỹ năng của người điều khiển, nên độ chính xác của hình thức hợp nhất tương tác hay thay đổi Ardnt et al đề cập đến vấn đề này thông qua độ tin cậy của các tác nhân tương tác và tính toán trên dữ liệu MR Một kết quả tương tự đã được Pertrzyk et al nêu lên, họ đã xác định mặc dù có sự tồn tại của yếu tố chủ quan từ người điều khiển, nhưng ảnh hưởng của nó đến độ chính xác là không đáng kể

Hình thức hợp nhất tương tác gồm 2 loại sau : điểm và cấu trúc tương đồng, và hợp nhất trực quan tăng cường

3.5.1 Điểm và cấu trúc tương đồng

Việc lựa chọn các mốc giải phẫu được thực nghiệm tốt và ứng dụng rộng rãi Lựa chọn điểm có thể thực hiện thuận tiện qua nhiều cách Farrell et al [3] sử dụng một khối hình 3 chiều để đưa ra hai hình thức chọn điểm : một bề mặt ảo để phác họa các đường viền và một màn hiển thị nhiều lớp cắt liên tiếp của MR Fright và Linney [8] cũng mô phỏng các bề mặt để thuận tiện cho việc chọn điểm Các phương pháp này sử dụng phương pháp Newton để tính toán các giá trị bình phương cực tiểu nhằm đưa ra một phép biến đổi thô Evans et al đề xuất việc sử dụng các điểm tương đương trong ảnh MR và

PET để tạo ra một biến dạng affine dựa trên phương pháp bình phương cực tiểu tuyến tính Ngoài ra, ta cũng có thể tiến hành xử lý ảnh trước khi tiến hành hợp nhất Phương thức này được đề cập trễ hơn bởi Neelin et al., thay thế phép biến đổi hình học bằng phép biến đổi thô sử dụng thuật toán Procrustes Lựa chọn điểm trong PET và MR dễ dàng thực hiện bởi nhấp con trỏ chuột vào vị trí mong muốn trên khối ảnh Họ nhận thấy rằng độ chính xác tăng lên đáng kể với 10 cặp điểm hoặc nhiều hơn Hill et al sử dụng các mốc để kết hợp thô MR với CT nhằm mục tiêu phẫu thuật Họ thực hiện dựa trên các dữ liệu mô phỏng và ảnh ảo và xác nhận, để thu được kết quả có thể chấp nhận được cần có từ 12 đến 16 điểm mốc Ende et al cũng đã khẳng định rằng việc tăng số điểm đồng nghĩa với việc tăng độ chính xác

Các cấu trúc cũng được sử dụng trong hợp nhất các ảnh đa mô hình Kapouleas et

al [7] khẳng định rằng ảnh MR và PET có thể được hợp nhất bằng cách tìm kiếm mặt rạn nứt của gian não trong một dãy các khu vực cắt ngang Người vận hành chỉ rõ vị trí của mặt phẳng này bằng cách xác định các điểm giới hạn của nó Ge et al đưa ra một phương pháp tương tự với việc nhận dạng bề mặt rạn nứt của gian não thông qua sự sắp xếp của các mặt phẳng song song.Wang et al đề ra biện pháp kết nối bằng cách sắp xếp bề mặt rạn nứt của gian não theo các đường mép bên trong Một thành tựu khác của Amit sử dụng công cụ hình họa của các khuôn hình để nhận dạng các mốc kết nối

3.5.2 Hợp nhất trực quan tăng cường

Những cải tiến trong tốc độ tính toán cho phép tạo nên những hệ thống hiển thị ảnh cao cấp Những hệ thống này có thể được trang bị một khối lượng khổng lồ các công cụ xử lý hình ảnh, cho phép người dùng tương tác và hợp nhất trực quan Pietrzyk et al là người đầu tiên đề ra việc sử dụng chức năng trình chiếu phim để mô tả quá trình hợp nhất các mô hình chức năng và cấu trúc Độ trung thực tùy thuộc vào độ phân giải của ảnh Sau đó họ áp dụng kỹ thuật này cho PET, SPECT, MR và CT và thu được kết quả ngoài mong đợi về độ chính xác và khả năng sao chép lại Về sau, Rubinstein et al [8] áp dụng

phương pháp Pietrzyk trong hợp nhất SPECT-MR Habboush et al phát triển thủ thuật tương tác trực quan trong hợp nhất SPECT và MR mà sau này được mở rộng hơn và thực thi hiệu quả bởi Treves Wong et al [22] đưa ra một bảng đánh giá thú vị về giới hạn trong ghi nhận trực quan quá trình hợp nhất ảnh sai lệch từ các ảnh PET-MR Họ nhận thấy rằng phép phân tích trực quan là phương tiện nhạy và thực tế khi đánh giá độ chính xác của phép hợp nhất Theo điều tra gần đây về khả năng đánh giá trực quan, Fitzpatrick

et al lưu ý rằng kết quả phụ thuộc vào phân bố của những sai sót trong hợp nhất, nhưng cũng nhấn mạnh rằng các kết quả tốt là hoàn toàn có thể đạt được

3.6 HỢP NHẤT HÌNH ẢNH THEO ĐẶC ĐIỂM

Thủ thuật hợp nhất theo đặc điểm là phương thức đầu tiên của các kỹ thuật với khả năng hợp nhất 2 khối ảnh hoàn toàn tự động Khả năng này cho phép bộc lộ những đặc điểm từ nguồn ảnh Kỹ thuật này khác với những phương thức hợp nhất tương tác ở chỗ các đặc điểm dùng để hợp nhất được biểu lộ theo những thuật toán hơn là phải tác động Phát triển một mô hình với khả năng kết hợp những kỹ thuật này sẽ phức tạp hơn nhiều so với các mô hình đánh dấu hay tương tác Sự biến thiên của các kỹ thuật bên trong hình thức hợp nhất này giúp rút ra được một số lượng lớn các đặc điểm có giá trị

Bản chất biến đổi của các phương pháp dựa trên đặc điểm làm cho việc phân loại tổng quát trở nên khó khăn Nhìn chung, các phương pháp sử dụng việc khảo sát nền dữ liệu nghiên cứu để xác định một hàm tính toán đặc điểm khã dĩ nhất Do không hạn chế về độ cứng như trong các thành phần hay mốc đánh dấu, tùy vào ứng dụng mà phép biến dạng tốt nhất có thể là thô hay affine Tốt nhất là xem các kỹ thuật này dưới góc độ bán tự động vì đôi khi cũng cần phải có một vài tương tác vào quá trình tiền xử lý của ảnh, hoặc nhận dạng đặc điểm, hoặc khảo sát trực quan Vì các đặc điểm được rút ra từ dữ liệu của bệnh nhân, nên các kỹ thuật dựa vào đặc điểm được xem như không có cấu trúc

Tiêu chuẩn để đánh giá hiệu quả của một thủ thuật dựa vào đặc điểm là khả năng của nó có thể cho ra đặc điểm đáng tin và chính xác từ tất cả các mô hình chụp ảnh Khi hợp nhất

giữa các mô hình giải phẫu và chức năng, mục tiêu hợp nhất trở thành một nhiệm vụ đầy thử thách vì các mô hình khác nhau khi mô tả trên cùng cấu trúc sẽ khác nhau Từ đó có thể dẫn tới nhầm lẫn trong bản chất của các đặc điểm biểu hiện Những đặc điểm đơn giản hơn sẽ thuận lợi trong việc biểu hiện nhanh, còn những đặc điểm phức tạp hơn thì có thể phải cần công cụ mạnh hơn để biểu hiện Các kỹ thuật dựa vào đặc điểm được phân loại thành 3 nhóm: các trục nguyên lý, các bề mặt và các đặc điểm cao cấp

3.6.1 Trục nguyên lý và moments

Hợp nhất các trục nguyên lý dựa trên giả thuyết là xem một khối não là một vật thể rắn Theo cơ học cổ điển, nếu hai vật thể rắn có cùng hình dạng và chỉ khác nhau do xoay và dịch chuyển, chúng có thể được đưa lại hợp nhất với nhau bằng cách sắp xếp lại các trục chính của chúng Theo đó, các khối não có thể được hợp nhất với nhau theo 2 bước : trước tiên là dịch chuyển tâm của một khối vào ngay tâm của khối kia, sau đó tiến hành xoay trục chính xung quanh khối tâm đến lúc các khối não chồng lấp nhau Các khối não cũng có thể được kết hợp theo hình thức sắp xếp các trục chính lấy từ các bề mặt hoặc từ các khối thể tích trên dữ liệu ảnh Rusinek et al đã ước lượng độ chính xác của kỹ thuật sử dụng cả dữ liệu bề mặt và dữ liệu thể tích toàn phần trong hợp nhất dữ liệu MR lên dữ liệu PET mô phỏng Những hình thức hợp nhất dựa vào dữ liệu khối mang lại độ chính xác cao hơn những hình thức hợp nhất sử dụng dữ liệu trên bề mặt Nguyên nhân là khi sử dụng một tập dữ liệu lớn hơn của một khối thể tích, thì những ảnh hưởng của nhiễu và các dữ liệu không mong muốn được giảm xuống Kỹ thuật hợp nhất trục được áp dụng để kết hợp PET-PET, MR-CT, CT-PET, MR-MR, và MR-PET

Ưu điểm chính của phương pháp này là nhanh và đơn giản Khi thực nghiệm phương pháp trục chính, Alpert et al đã nhận xét rằng kỹ thuật này đơn giản ở chỗ nó chỉ đòi hỏi việc tính toán phân tích của moment và đảo ma trận hơn là phải thao tác lập đi lập lại của các phương thức khác Sai số hợp nhất khi dựa trên thể tích chỉ ở mức dưới mm Moshfeghi et al đã thực nghiệm hợp nhất dựa trên bề mặt và nhận thấy quá trình tính