[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%C3%ACnh%20%E1%BA%A3nh%20tensor%20khu%E1%BA%BFch%20t%C3%A1n{\"limit\":5}":3,"_public_topic_byId_hình ảnh tensor khuếch tán":41},{"code":4,"data":5,"meta":17},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":39,"vietnamLatest":40},[],[8,24],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":17,"url":21,"doi":22,"summary":23},"99e9a85b-cdc7-47a1-a0a6-be86b320a137","Nghiên cứu kết hợp DTI và MRI chức năng trạng thái nghỉ ở bệnh nhân đau thần kinh sau zona","A combined DTI and resting state functional MRI study in patients with postherpetic neuralgia",[13,14,15],"Hui Dai","Chengcheng Jiang","Guanzuan Wu",8,null,false,"2020-02-18",2020,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs11604-020-00926-4","10.1007\u002Fs11604-020-00926-4","\u003Cp>Nghiên cứu thần kinh học kết hợp chuỗi xung MRI chức năng và kỹ thuật \u003Cb class=\"publication-topic-keywords\">hình ảnh tensor khuếch tán\u003C\u002Fb> 3T khảo sát biến đổi vi cấu trúc não ở bệnh nhân đau dây thần kinh sau zona. Bản đồ bất đẳng hướng phân số cho thấy sự suy giảm tính toàn vẹn chất trắng tại thùy trán, đồi thị và bao trong so với nhóm chứng. Kỹ thuật \u003Cb class=\"publication-topic-keywords\">hình ảnh tensor khuếch tán\u003C\u002Fb> cung cấp bằng chứng khách quan làm sáng tỏ cơ chế đau mạn tính trung ương.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":32,"journalName":33,"vietnamJournal":18,"publishDate":34,"publishYear":35,"totalCitation":17,"url":36,"doi":37,"summary":38},"4e8fb151-7f7b-4569-a861-739af14e772f","Những thay đổi cấu trúc trong bệnh Parkinson: phân tích morphometry dựa trên voxel và hình ảnh tensor khuếch tán dựa trên mức độ hấp thụ 123I-MIBG","Structural changes in Parkinson’s disease: voxel-based morphometry and diffusion tensor imaging analyses based on 123I-MIBG uptake",[29,30,31],"Kazufumi Kikuchi","Akio Hiwatashi","Osamu Togao",10,"European Radiology","2017-07-04",2017,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00330-017-4941-6","10.1007\u002Fs00330-017-4941-6","\u003Cp>Nghiên cứu chẩn đoán hình ảnh thần kinh ứng dụng phương pháp \u003Cb class=\"publication-topic-keywords\">hình ảnh tensor khuếch tán\u003C\u002Fb> và phân tích hình thái dựa trên voxel đánh giá tổn thương vi cấu trúc chất trắng ở bệnh nhân mắc hội chứng Parkinson. Sự suy giảm độ dị hướng phân số tại bó dọc trên và bó móc liên quan chặt chẽ đến mức độ rối loạn phân bố giao cảm tim. Kết quả xác lập giá trị lâm sàng vượt trội của kỹ thuật \u003Cb class=\"publication-topic-keywords\">hình ảnh tensor khuếch tán\u003C\u002Fb>.\u003C\u002Fp>",[],[],{"code":4,"data":42,"meta":17},{"id":43,"title":44,"description":45,"content":46,"term":43,"englishTitle":47,"synonyms":17,"definition":48,"discipline":49,"references":50,"faqs":72,"createUser":82,"publishUser":86,"keywords":90,"keywordCount":32,"enrichTopicLink":101,"status":102,"createTime":103,"updateTime":104,"publishTime":105,"linkEnrichedTime":106,"publicationScanTime":107,"contentErrorMessage":17,"viewCount":108,"relateTopics":109},"hình ảnh tensor khuếch tán","Hình ảnh tensor khuếch tán là gì? Khái niệm và ứng dụng","Hình ảnh tensor khuếch tán là kỹ thuật cộng hưởng từ tiên tiến đo lường độ khuếch tán dị hướng của các phân tử nước để tái tạo đường dẫn truyền chất trắ...","\u003Cp>\u003Cstrong>Hình ảnh tensor khuếch tán\u003C\u002Fstrong> (\u003Cem>Diffusion tensor imaging (DTI)\u003C\u002Fem>) là kỹ thuật cộng hưởng từ tiên tiến đo lường độ khuếch tán dị hướng của các phân tử nước để tái tạo đường dẫn truyền chất trắng trong não bộ.\u003C\u002Fp>\n\u003Ch2>Giới thiệu chung về hình ảnh tensor khuếch tán\u003C\u002Fh2>\n\u003Cp>Diffusion Tensor Imaging (DTI) là kỹ thuật {{topic|%7B%22topic%22%3A%22c%E1%BB%99ng%20h%C6%B0%E1%BB%9Fng%20t%E1%BB%AB%20khu%E1%BA%BFch%20t%C3%A1n%22%7D}} nước trong mô sinh học, cho phép đánh giá {{topic|%7B%22topic%22%3A%22c%E1%BA%A5u%20tr%C3%BAc%20vi%20m%C3%B4%22%7D}} của chất trắng não thông qua việc đo sự bất đẳng hướng của {{topic|%7B%22topic%22%3A%22chuy%E1%BB%83n%20%C4%91%E1%BB%99ng%20ph%C3%A2n%20t%E1%BB%AD%22%7D}} nước. Phương pháp này được phát triển từ những năm 1990, dựa trên nguyên lý khuếch tán Brown của nước và sự thay đổi pha tín hiệu MRI khi áp dụng các gradient từ trường định hướng khác nhau [PMC].\u003C\u002Fp>\n\u003Cp>DTI cho phép tạo ra các bản đồ FA (Fractional Anisotropy), MD (Mean Diffusivity) và các chỉ số khác nhằm phản ánh tính bất đẳng hướng và tốc độ khuếch tán trung bình. Nhờ đó, DTI trở thành công cụ quan trọng trong nghiên cứu kết nối thần kinh (connectome) và chẩn đoán lâm sàng các bệnh lý chất trắng như đa xơ cứng, đột quỵ và {{topic|%7B%22topic%22%3A%22ch%E1%BA%A5n%20th%C6%B0%C6%A1ng%20s%E1%BB%8D%20n%C3%A3o%22%7D}}.\u003C\u002Fp>\n\u003Cp>Kỹ thuật DTI đã phát triển nhanh chóng, từ thu tín hiệu đơn giản đến các protocol đa shell, kết hợp với các thuật toán tractography tiên tiến. Những tiến bộ này giúp tăng độ chính xác trong việc phân tích sợi thần kinh chéo và mô phức tạp, mở ra cơ hội ứng dụng trong y học cá thể hóa và điều trị bệnh.\u003C\u002Fp>\n\n\u003Ch2>Nguyên lý vật lý của khuếch tán\u003C\u002Fh2>\n\u003Cp>Chuyển động Brown là hiện tượng phân tử nước dao động ngẫu nhiên do va chạm nhiệt. Trong mô não, nước di chuyển tự do trong dịch ngoại bào nhưng bị hạn chế trong các sợi thần kinh và bao myelin, tạo ra khuếch tán bất đẳng hướng (anisotropic diffusion).\u003C\u002Fp>\n\u003Cp>Khi áp dụng gradient từ trường định hướng (gradient pulses) trong MRI, sự khuếch tán của nước theo từng hướng sẽ làm thay đổi cường độ tín hiệu theo hàm mối quan hệ :\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">S(b)=S_0 \\exp\\bigl(-b\\,\\mathbf{g}^\\mathrm{T}\\mathbf{D}\\,\\mathbf{g}\\bigr)\u003C\u002Fscript>\n\u003Cp>Trong đó \u003Cem>S(b)\u003C\u002Fem> là cường độ tín hiệu với hệ số b-value, \u003Cem>S₀\u003C\u002Fem> là tín hiệu gốc, \u003Cem>g\u003C\u002Fem> là vector hướng gradient và \u003Cem>D\u003C\u002Fem> là ma trận tensor khuếch tán.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>b-value:\u003C\u002Fstrong> đại diện mức độ nhạy khuếch tán, thường dao động 0–3.000 s\u002Fmm².\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hướng gradient:\u003C\u002Fstrong> càng nhiều hướng (≥30) cho kết quả tensor chính xác hơn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thời gian echo (TE):\u003C\u002Fstrong> càng ngắn giúp giảm nhiễu do dịch chuyển.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Toán học tensor khuếch tán\u003C\u002Fh2>\n\u003Cp>Tensor khuếch tán \u003Cem>D\u003C\u002Fem> là ma trận đối xứng bậc hai mô tả sự khuếch tán theo mọi hướng trong không gian ba chiều:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\\mathbf{D}=\\begin{pmatrix}\nD_{xx} & D_{xy} & D_{xz}\\\\\nD_{xy} & D_{yy} & D_{yz}\\\\\nD_{xz} & D_{yz} & D_{zz}\n\\end{pmatrix}\u003C\u002Fscript>\n\u003Cp>Các thành phần \u003Cem>D\u003Csub>ij\u003C\u002Fsub>\u003C\u002Fem> thể hiện {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20s%E1%BB%91%20khu%E1%BA%BFch%20t%C3%A1n%22%7D}} giữa phương i và phương j, với tính chất \u003Cem>D\u003Csub>ij\u003C\u002Fsub>=D\u003Csub>ji\u003C\u002Fsub>\u003C\u002Fem>. Phân tích giá trị riêng (eigenvalues) λ₁, λ₂, λ₃ của tensor giúp tính toán các chỉ số bất đẳng hướng.\u003C\u002Fp>\n\u003Cp>Bảng dưới đây tóm tắt các bước chính trong quá trình giải bài toán tensor từ dữ liệu DWI:\u003C\u002Fp>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Bước\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>1. Thu tín hiệu DWI\u003C\u002Ftd>\u003Ctd>Sử dụng nhiều gradient hướng khác nhau với các b-value\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>2. Lập hệ phương trình\u003C\u002Ftd>\u003Ctd>Áp dụng công thức S(b) để xây dựng ma trận hệ số\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>3. Giải ma trận\u003C\u002Ftd>\u003Ctd>Ước lượng các phần tử D\u003Csub>ij\u003C\u002Fsub> bằng phương pháp bình phương tối thiểu\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>4. Phân tích giá trị riêng\u003C\u002Ftd>\u003Ctd>Tính λ₁, λ₂, λ₃ dùng để xây dựng chỉ số FA, MD...\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Chỉ số định lượng\u003C\u002Fh2>\n\u003Cp>Các chỉ số định lượng trong DTI giúp đánh giá tính bất đẳng hướng và tốc độ khuếch tán:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Fractional Anisotropy (FA):\u003C\u002Fstrong> đo mức độ bất đẳng hướng, giá trị từ 0 (đẳng hướng) đến 1 (tuyệt đối bất đẳng hướng).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mean Diffusivity (MD):\u003C\u002Fstrong> trung bình của λ₁, λ₂, λ₃, phản ánh tốc độ khuếch tán tổng quát.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Axial Diffusivity (AD):\u003C\u002Fstrong> bằng λ₁, chỉ tốc độ khuếch tán dọc theo trục chính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Radial Diffusivity (RD):\u003C\u002Fstrong> trung bình của λ₂, λ₃, đo độ khuếch tán theo hướng ngang sợi.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Công thức tính FA:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">FA = \\sqrt{\\frac{3}{2}} \\frac{\\sqrt{(\\lambda_1-\\overline{\\lambda})^2+(\\lambda_2-\\overline{\\lambda})^2+(\\lambda_3-\\overline{\\lambda})^2}}{\\sqrt{\\lambda_1^2+\\lambda_2^2+\\lambda_3^2}}\u003C\u002Fscript>\n\u003Cp>Trong đó \u003Cem>\\overline{\\lambda}=(\\lambda_1+\\lambda_2+\\lambda_3)\u002F3\u003C\u002Fem>. Phân tích các chỉ số này giúp phát hiện tổn thương sợi thần kinh, đánh giá mức độ thoái hóa myelin hoặc chấn thương não.\u003C\u002Fp>\n\u003Ch2>Thu nhận và xử lý dữ liệu\u003C\u002Fh2>\n\u003Cp>Quá trình thu nhận dữ liệu DTI bắt đầu với việc lập kế hoạch protocol MRI, điều chỉnh các tham số chính như b-value, số hướng gradient và {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20ph%C3%A2n%20gi%E1%BA%A3i%20kh%C3%B4ng%20gian%22%7D}}. b-value thường dao động từ 500 đến 3.000 s\u002Fmm² để cân bằng giữa độ nhạy khuếch tán và tín hiệu nền. Số hướng gradient tối thiểu nên ≥ 30 để đảm bảo ước lượng tensor chính xác, trong khi độ phân giải voxel dưới 2 mm³ giúp giảm ảnh hưởng partial volume.\u003C\u002Fp>\n\u003Cp>Tiền xử lý dữ liệu rất quan trọng để loại bỏ các nhiễu và biến dạng. Các bước cơ bản gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Chỉnh chuyển động (motion correction):\u003C\u002Fstrong> hiệu chỉnh dịch chuyển đầu bệnh nhân giữa các chuỗi DWI.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chỉnh méo hình (eddy current correction):\u003C\u002Fstrong> bù biến dạng do dòng xoáy cảm ứng trong cuộn gradient.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Loại nhiễu (denoising):\u003C\u002Fstrong> sử dụng thuật toán non-local means hoặc PCA để cải thiện tỉ lệ tín hiệu\u002Fnhiễu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chuẩn hóa cường độ (intensity normalization):\u003C\u002Fstrong> giúp so sánh dữ liệu giữa các đối tượng và phiên quét khác nhau.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các phần mềm phổ biến hỗ trợ pipeline tiền xử lý và phân tích DTI gồm FSL (FMRIB Software Library) [FSL] và MRtrix3 [MRtrix]. Chúng cung cấp lệnh eddy, topup, dwidenoise và dwipreproc tự động hóa hầu hết các bước, giúp chuẩn bị dữ liệu sạch cho phân tích tensor.\u003C\u002Fp>\n\n\u003Ch2>Phân tích và tái tạo sợi thần kinh\u003C\u002Fh2>\n\u003Cp>Tractography là kỹ thuật tạo mô hình sợi thần kinh ba chiều dựa trên tensor khuếch tán. Hai phương pháp chính là:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>Deterministic tractography:\u003C\u002Fstrong> theo dõi đường dẫn sợi theo hướng của vector eigenvector chính (λ₁) tại mỗi voxel. Ưu điểm là kết quả trực quan, nhược điểm là dễ bỏ sót sợi chéo hoặc uốn cong mạnh.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Probabilistic tractography:\u003C\u002Fstrong> sử dụng mô hình {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} hướng khuếch tán, tạo ra tập hợp đường dẫn với độ tin cậy. Phương pháp này phát hiện tốt hơn các khu vực phức tạp nhưng tốn thời gian tính toán.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Bảng so sánh tóm tắt:\u003C\u002Fp>\n\u003Ctable>\n  \u003Ctbody>\u003Ctr>\u003Cth>Phương pháp\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Deterministic\u003C\u002Ftd>\u003Ctd>Nhanh, trực quan\u003C\u002Ftd>\u003Ctd>Bỏ sót sợi chéo, kém chính xác ở vùng phức tạp\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Probabilistic\u003C\u002Ftd>\u003Ctd>Khả năng phát hiện sợi chéo, ổn định\u003C\u002Ftd>\u003Ctd>Chậm, kết quả khó diễn giải\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>MRtrix3 cung cấp lệnh tckgen cho cả hai phương pháp, trong khi FSL dùng probtrackx2 cho probabilistic tractography. Kết quả thường xuất ra file .tck hoặc .trk, có thể hiển thị trên TrackVis hoặc MRView để trực quan hóa kết nối thần kinh.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng lâm sàng và nghiên cứu\u003C\u002Fh2>\n\u003Cp>DTI được ứng dụng rộng rãi trong chẩn đoán và theo dõi bệnh lý chất trắng. Trong đa xơ cứng (MS), giảm FA và tăng MD tại vùng tổn thương phản ánh mất myelin và tổn thương sợi trục. Các nghiên cứu theo dõi sự tiến triển MS cho thấy FA giảm có thể dự báo tái phát và thay đổi lâm sàng [PMC].\u003C\u002Fp>\n\u003Cp>Trong {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99t%20qu%E1%BB%B5%20thi%E1%BA%BFu%20m%C3%A1u%20c%E1%BB%A5c%20b%E1%BB%99%22%7D}}, DTI giúp phát hiện vùng bán tối cấp (penumbra), nơi ranh giới giữa mô sống và mô tổn thương mờ. FA giảm và RD tăng sớm hơn tín hiệu T2, hỗ trợ can thiệp kịp thời. Ngoài ra, DTI cũng được dùng trong chấn thương sọ não mạn tính để đánh giá tổn thương vi kẽ (diffuse axonal injury).\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Theo dõi trẻ sinh non: phát triển chất trắng và chức năng thần kinh vận động.\u003C\u002Fli>\n  \u003Cli>Nghiên cứu Alzheimer: FA giảm vùng hồi hải mã, liên quan trí nhớ.\u003C\u002Fli>\n  \u003Cli>Phẫu thuật thần kinh: lập bản đồ đường dẫn quan trọng để tránh tổn thương trong mổ u.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\n\u003Cp>Dù DTI có nhiều ưu điểm, vẫn tồn tại những hạn chế cần xem xét. Partial volume effect xảy ra khi voxel chứa nhiều sợi thần kinh với hướng khác nhau, dẫn đến ước lượng sai tensor. Hiện tượng này đặc biệt rõ ở vùng phân nhánh hoặc giao thoa sợi.\u003C\u002Fp>\n\u003Cp>Nhiễu và biến dạng do chuyển động bệnh nhân hoặc dòng nhịp tim\u002Fphổi cũng ảnh hưởng {{topic|%7B%22topic%22%3A%22ch%E1%BA%A5t%20l%C6%B0%E1%BB%A3ng%20h%C3%ACnh%20%E1%BA%A3nh%22%7D}}. Mặc dù eddy correction và motion correction cải thiện phần nào, vẫn còn biến dạng sót lại. Độ phân giải không gian giới hạn ở khoảng 1.5–2 mm³, khó phân tách sợi nhỏ hoặc gần nhau.\u003C\u002Fp>\n\u003Cp>Mô hình tensor giả định khuếch tán Gaussian và đơn nhất trong mỗi voxel, không phù hợp với mô phức tạp có nhiều thành phần khuếch tán. Điều này dẫn đến sai lệch khi áp dụng tại vùng u hoặc mô xơ hóa.\u003C\u002Fp>\n\n\u003Ch2>Triển vọng và hướng phát triển\u003C\u002Fh2>\n\u003Cp>Để khắc phục hạn chế mô hình tensor, các kỹ thuật nâng cao như Diffusion Kurtosis Imaging (DKI) và multi-shell DTI đã được phát triển. DKI đo hệ số kurtosis để đánh giá khuếch tán phi Gaussian, cung cấp thông tin bổ sung về cấu trúc vi mô [Radiopaedia].\u003C\u002Fp>\n\u003Cp>Multi-shell DTI {{topic|%7B%22topic%22%3A%22thu%20th%E1%BA%ADp%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} ở nhiều b-value khác nhau, hỗ trợ mô hình nhiều phân tử như NODDI (Neurite Orientation Dispersion and Density Imaging). Các phương pháp này cải thiện khả năng phân biệt các thành phần mô và phát hiện sợi chéo hiệu quả hơn.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Sử dụng AI và học sâu để tái tạo tensor từ dữ liệu khuyết hoặc nhiễu.\u003C\u002Fli>\n  \u003Cli>Kết hợp DTI với fMRI để nghiên cứu liên kết cấu trúc – chức năng.\u003C\u002Fli>\n  \u003Cli>Phát triển coil đa kênh và thuật toán siêu phân giải để nâng cao độ phân giải không gian.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các nghiên cứu lâm sàng tương lai cũng hướng đến việc cá thể hóa chẩn đoán và theo dõi điều trị, sử dụng DTI làm chỉ điểm sinh học (biomarker) trong bệnh thần kinh và ung thư não.\u003C\u002Fp>","Diffusion tensor imaging (DTI)","Hình ảnh tensor khuếch tán là kỹ thuật cộng hưởng từ tiên tiến đo lường độ khuếch tán dị hướng của các phân tử nước để tái tạo đường dẫn truyền chất trắng trong não bộ.","MEDICAL_HEALTH_SCIENCES",[51,58,65],{"citationText":52,"title":53,"authors":54,"source":55,"year":56,"doi":57,"url":17},"White, Zhang (2010). Three-tesla diffusion tensor imaging of Meyer's loop by tractography, color-coded fractional anisotropy maps, and eigenvectors. Clinical Imaging. doi:10.1016\u002Fj.clinimag.2009.11.010","Three-tesla diffusion tensor imaging of Meyer's loop by tractography, color-coded fractional anisotropy maps, and eigenvectors","White, Zhang","Clinical Imaging",2010,"10.1016\u002Fj.clinimag.2009.11.010",{"citationText":59,"title":60,"authors":61,"source":62,"year":63,"doi":64,"url":17},"Kotian, Koteshwar (2022). Advanced MRI Neuroimaging Technique: Diffusion-Tensor Imaging. Diffusion Tensor Imaging and Fractional Anisotropy. doi:10.1007\u002F978-981-19-5001-8_4","Advanced MRI Neuroimaging Technique: Diffusion-Tensor Imaging","Kotian, Koteshwar","Diffusion Tensor Imaging and Fractional Anisotropy",2022,"10.1007\u002F978-981-19-5001-8_4",{"citationText":66,"title":67,"authors":68,"source":69,"year":70,"doi":71,"url":17},"Nakamura, Kawasaki, Takahashi, Furuichi et al. (2012). Reduced white matter fractional anisotropy and clinical symptoms in schizophrenia: A voxel-based diffusion tensor imaging study. Psychiatry Research: Neuroimaging. doi:10.1016\u002Fj.pscychresns.2011.09.006","Reduced white matter fractional anisotropy and clinical symptoms in schizophrenia: A voxel-based diffusion tensor imaging study","Nakamura, Kawasaki, Takahashi, Furuichi et al.","Psychiatry Research: Neuroimaging",2012,"10.1016\u002Fj.pscychresns.2011.09.006",[73,76,79],{"question":74,"answer":75},"Độ dị hướng phân đoạn (Fractional Anisotropy - FA) phản ánh điều gì trong DTI?","Chỉ số FA dao động từ 0 (khuếch tán đẳng hướng hoàn toàn) đến 1 (khuếch tán thẳng hàng dọc trục), phản ánh mật độ sợi trục, mức độ myelin hóa và tính toàn vẹn vi cấu trúc của bó chất trắng.",{"question":77,"answer":78},"Kỹ thuật tractography (dựng hình bó sợi) trong DTI có ứng dụng gì trong phẫu thuật thần kinh?","Tractography giúp phẫu thuật viên lập bản đồ đường đi của bó vỏ gai (vận động) và bó cung (ngôn ngữ) quanh khối u não, từ đó tối ưu đường mổ và bảo tồn chức năng tối đa.",{"question":80,"answer":81},"Hạn chế cơ bản của mô hình tensor khuếch tán bậc hai cổ điển là gì?","Mô hình tensor bậc hai chỉ biểu diễn được một hướng khuếch tán chính trong mỗi voxel, do đó không giải quyết chính xác hiện tượng các bó sợi bắt chéo nhau (crossing fibers).",{"id":83,"researcherId":17,"name":84,"imageUrl":85},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":87,"researcherId":17,"name":88,"imageUrl":89},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[91,92,93,94,95,96,97,98,99,100],"cộng hưởng từ khuếch tán","cấu trúc vi mô","chuyển động phân tử","chấn thương sọ não","hệ số khuếch tán","độ phân giải không gian","phân phối xác suất","đột quỵ thiếu máu cục bộ","chất lượng hình ảnh","thu thập dữ liệu",true,"PUBLISHED","2025-07-13T02:19:51.178+00:00","2026-09-12T07:12:14.961+00:00","2025-07-17T06:49:49.591+00:00","2026-09-12T07:12:14.639+00:00","2026-09-05T10:18:01.922+00:00",395,[110,113,116,119,122,125,128,131,134,137],{"id":111,"title":112,"term":111,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"sol gel","Sol-gel là gì? Các công bố khoa học về Sol gel",{"id":114,"title":115,"term":114,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":117,"title":118,"term":117,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":120,"title":121,"term":120,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"rehabilitation","Rehabilitation là gì? Các công bố khoa học về Rehabilitation",{"id":123,"title":124,"term":123,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"phương pháp đồng kết tủa","Phương pháp đồng kết tủa là gì? Các nghiên cứu khoa học",{"id":126,"title":127,"term":126,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":129,"title":130,"term":129,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":132,"title":133,"term":132,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"thí nghiệm vật lí","Thí nghiệm vật lí là gì? Các công bố khoa học về Thí nghiệm vật lí",{"id":135,"title":136,"term":135,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"thận nhân tạo","Thận nhân tạo là gì? Nghiên cứu khoa học về Thận nhân tạo",{"id":138,"title":139,"term":138,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"khuếch tán","Khuếch tán là gì? Các công bố khoa học về Khuếch tán"]