[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_nhi%E1%BB%85u%20rician{\"limit\":5}":3,"_public_topic_byId_nhi%E1%BB%85u%20rician":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":22,"discipline":23,"references":24,"faqs":57,"createUser":70,"publishUser":74,"keywords":75,"keywordCount":71,"enrichTopicLink":76,"status":77,"createTime":78,"updateTime":79,"publishTime":80,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":81,"wikidataId":10,"relateTopics":82},"nhiễu rician","Nhiễu Rician (Rician noise) là gì?","Nhiễu Rician là mô hình phân bố xác suất của biên độ tín hiệu trong ảnh cộng hưởng từ MRI, gây ra độ chệch dương và suy giảm tương phản ở vùng SNR thấp.","\u003Cp>Nhiễu Rician (Rician noise) là mô hình phân bố xác suất mô tả sự biến thiên ngẫu nhiên của biên độ tín hiệu trong các hệ thống thu nhận dữ liệu phức chịu ảnh hưởng bởi nhiễu Gauss trắng cộng trên cả hai thành phần thực và ảo độc lập. Hiện tượng này đóng vai trò nền tảng trong kỹ thuật xử lý tín hiệu và tạo ảnh y tế, đặc biệt là ảnh chụp cộng hưởng từ khi tái tạo ảnh cường độ biên độ từ cuộn thu đơn kênh. Bài viết cung cấp phân tích toàn diện về nguồn gốc vật lý, biểu thức giải tích, các hành vi tiệm cận đặc thù, tác động gây sai lệch phép đo định lượng và các phương pháp lọc nhiễu thích ứng hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Bản chất toán học và cơ chế hình thành\u003C\u002Fh2>\n\u003Cp>Trong các hệ thống đo lường vật lý và viễn thông hiện đại, tín hiệu thu nhận thường được biểu diễn dưới dạng số phức bao gồm hai thành phần vuông pha: thành phần đồng pha (phần thực) và thành phần vuông pha (phần ảo). Quá trình chụp ảnh cộng hưởng từ là ví dụ điển hình nhất cho cơ chế này. Dữ liệu thô thu nhận trên không gian k sau khi trải qua phép biến đổi Fourier ngược rời rạc sẽ tạo ra tín hiệu ảnh phức tại mỗi tọa độ không gian.\u003C\u002Fp>\n\u003Cp>Trong quá trình thu nhận, các biến thiên nhiệt của cuộn thu và sự chuyển động nhiệt của các ion bên trong cơ thể người bệnh tạo ra nhiễu nhiệt ngẫu nhiên. Nhiễu nhiệt này được mô hình hoá chính xác bằng nhiễu Gauss trắng cộng (additive white Gaussian noise) với kỳ vọng bằng 0 và phương sai bằng \u003Cscript type=\"math\u002Ftex\">\\sigma^2\u003C\u002Fscript> trên cả hai kênh đo lường độc lập. Giả sử tín hiệu phức thu được tại một điểm ảnh có dạng:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">I = I_r + j I_i = (A \\cos\\theta + n_r) + j (A \\sin\\theta + n_i)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong biểu thức trên, đại lượng \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> biểu diễn biên độ tín hiệu thực không nhiễu mang thông tin cấu trúc giải phẫu, đại lượng \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> là pha của tín hiệu, trong khi \u003Cscript type=\"math\u002Ftex\">n_r\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">n_i\u003C\u002Fscript> lần lượt là các thành phần nhiễu Gauss độc lập trên kênh thực và kênh ảo với cùng độ lệch chuẩn \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript>. Do pha của tín hiệu thường chịu ảnh hưởng bởi sự không đồng nhất của từ trường tĩnh và các hiệu ứng sinh lý, các thuật toán hiển thị lâm sàng tiêu chuẩn thực hiện phép trích xuất độ lớn biên độ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">M = |I| = \\sqrt{I_r^2 + I_i^2}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Phép lấy căn bậc hai của tổng bình phương hai biến ngẫu nhiên Gauss độc lập có kỳ vọng khác 0 là một phép biến đổi phi tuyến tính nghiêm ngặt. Phép biến đổi này làm biến đổi hoàn toàn bản chất thống kê của tín hiệu, biến thành phần nhiễu cộng tuyến tính ban đầu thành nhiễu phi cộng tuân theo phân bố Rician. Kết quả là giá trị đo lường \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript> không còn mang tính chất đối xứng và không còn độc lập với giá trị cường độ tín hiệu gốc \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Hàm mật độ xác suất và các tham số thống kê\u003C\u002Fh2>\n\u003Cp>Hàm mật độ xác suất (probability density function) của biến ngẫu nhiên biên độ \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript> tuân theo phân bố Rician được thiết lập dựa trên lý thuyết thống kê tín hiệu ngẫu nhiên do Stephen O. Rice xây dựng trong các công trình kinh điển về phân tích toán học nhiễu ngẫu nhiên. Đối với ảnh cộng hưởng từ, dạng giải tích tiêu chuẩn được xác định bởi công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">p(M | A, \\sigma) = \\frac{M}{\\sigma^2} \\exp\\left(-\\frac{M^2 + A^2}{2\\sigma^2}\\right) I_0\\left(\\frac{A M}{\\sigma^2}\\right), \\quad M \\ge 0\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong phương trình xác suất này, các đại lượng toán học và vật lý được định nghĩa rõ ràng như sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Biến ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript> là cường độ biên độ đo được tại điểm ảnh, luôn nhận giá trị không âm.\u003C\u002Fli>\n  \u003Cli>Tham số \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đại diện cho biên độ tín hiệu thực sự của mô sinh học khi không có nhiễu.\u003C\u002Fli>\n  \u003Cli>Tham số \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> là độ lệch chuẩn của nhiễu Gauss gốc trên mỗi kênh thu nhận thực và ảo.\u003C\u002Fli>\n  \u003Cli>Ký hiệu \u003Cscript type=\"math\u002Ftex\">I_0\u003C\u002Fscript> đại diện cho hàm Bessel biến đổi loại 1 bậc 0 (modified Bessel function of the first kind of order zero).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Hàm Bessel biến đổi loại 1 bậc 0 có thể được tính toán bằng chuỗi vô hạn hội tụ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">I_0(z) = \\sum_{k=0}^{\\infty} \\frac{\\left(\\frac{1}{4} z^2\\right)^k}{(k!)^2}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Sự hiện diện của hàm Bessel bậc 0 trong hàm mật độ xác suất khiến cho các phép tính kỳ vọng bậc 1 của \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript> trở nên rất phức tạp, đòi hỏi việc biểu diễn qua các hàm siêu hình học hợp lưu (confluent hypergeometric functions) hoặc đa thức Laguerre bậc nửa. Cụ thể, kỳ vọng toán học của biến ngẫu nhiên Rician được tính theo công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}[M] = \\sigma \\sqrt{\\frac{\\pi}{2}} L_{1\u002F2}\\left(-\\frac{A^2}{2\\sigma^2}\\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó ký hiệu \u003Cscript type=\"math\u002Ftex\">L_{1\u002F2}\u003C\u002Fscript> là đa thức Laguerre tổng quát. Trái ngược với kỳ vọng bậc 1 phức tạp, moment bậc 2 của phân bố Rician lại sở hữu một cấu trúc đại số tuyến tính vô cùng chuẩn mực và thuận tiện cho việc xử lý số học:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}[M^2] = A^2 + 2\\sigma^2\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Hệ thức tuyến tính này cho thấy giá trị trung bình bình phương của biên độ quan sát được bằng tổng của bình phương tín hiệu thực cộng thêm 2 lần phương sai nhiễu kênh. Đây là một đặc tính mấu chốt được các nhà khoa học khai thác để thiết kế các thuật toán ước lượng phương sai nhiễu và hiệu chỉnh độ chệch mà không cần giải phương trình hàm Bessel phi tuyến phức tạp.\u003C\u002Fp>\n\n\u003Ch2>Hành vi tiệm cận và hiện tượng độ chệch Rician\u003C\u002Fh2>\n\u003Cp>Đặc tính thống kê của nhiễu Rician phụ thuộc sâu sắc vào tỷ số tín hiệu trên nhiễu cục bộ (SNR), được định nghĩa bằng tỷ số giữa biên độ tín hiệu thực và độ lệch chuẩn nhiễu \u003Cscript type=\"math\u002Ftex\">\\text{SNR} = A\u002F\\sigma\u003C\u002Fscript>. Nghiên cứu thực nghiệm và lý thuyết của Gudbjartsson và Patz năm 1995 đã chỉ ra hai trạng thái tiệm cận cực hạn của phân bố này:\u003C\u002Fp>\n\u003Ch3>Trường hợp tỷ số tín hiệu trên nhiễu cao\u003C\u002Fh3>\n\u003Cp>Khi cường độ tín hiệu gốc vượt trội so với mức độ biến thiên của nhiễu nhiệt, cụ thể khi chỉ số SNR lớn hơn ngưỡng giá trị 3, hàm Bessel biến đổi loại 1 bậc 0 có thể xấp xỉ tiệm cận theo biểu thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">I_0(z) \\approx \\frac{\\exp(z)}{\\sqrt{2\\pi z}}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Khi thế biểu thức xấp xỉ này vào hàm mật độ xác suất ban đầu, phân bố Rician suy biến tiệm cận về phân bố chuẩn Gauss thông thường với kỳ vọng tiến gần về \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> và phương sai xấp xỉ bằng \u003Cscript type=\"math\u002Ftex\">\\sigma^2\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">p(M | A, \\sigma) \\approx \\frac{1}{\\sqrt{2\\pi\\sigma^2}} \\exp\\left(-\\frac{(M - A)^2}{2\\sigma^2}\\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Tại vùng mô có tín hiệu dồi dào trên ảnh cộng hưởng từ, nhiễu Rician có thể được xem xét tương đương với nhiễu Gauss cộng thông thường mà không gây ra sai lệch đáng kể cho các phép phân tích định tính của bác sĩ chẩn đoán hình ảnh.\u003C\u002Fp>\n\u003Ch3>Trường hợp nền không có tín hiệu\u003C\u002Fh3>\n\u003Cp>Tại các vùng không gian không có mô giải phẫu, chẳng hạn như vùng không khí bên ngoài cơ thể bệnh nhân, cường độ tín hiệu thực tế hoàn toàn triệt tiêu và đạt giá trị bằng 0. Khi tham số \u003Cscript type=\"math\u002Ftex\">A = 0\u003C\u002Fscript>, vì giá trị hàm Bessel \u003Cscript type=\"math\u002Ftex\">I_0(0) = 1\u003C\u002Fscript>, phân bố Rician suy biến hoàn toàn về phân bố Rayleigh:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">p(M | 0, \\sigma) = \\frac{M}{\\sigma^2} \\exp\\left(-\\frac{M^2}{2\\sigma^2}\\right), \\quad M \\ge 0\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Các đặc trưng thống kê của phân bố Rayleigh ở vùng nền được xác định tường minh bởi các đại lượng giải tích sau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Giá trị kỳ vọng toán học tỷ lệ thuận với độ lệch chuẩn \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> theo hệ số căn bậc hai của pi chia 2 xấp xỉ bằng giá trị số 1.2533:\n  \u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}[M] = \\sigma \\sqrt{\\frac{\\pi}{2}} \\approx 1.2533 \\sigma\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Phương sai của phân bố vùng nền bằng phương sai nhiễu kênh nhân với hiệu số giữa 2 và pi chia 2, tương ứng với hệ số số học xấp xỉ 0.4292:\n  \u003Cscript type=\"math\u002Ftex; mode=display\">\\text{Var}(M) = \\sigma^2 \\left(2 - \\frac{\\pi}{2}\\right) \\approx 0.4292 \\sigma^2\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Hệ quả vật lý cực kỳ quan trọng của hiện tượng này là cường độ điểm ảnh tại vùng nền không bao giờ có kỳ vọng bằng 0, mà luôn bị đẩy lên một mức điện áp dương trung bình bằng 1.2533 lần độ lệch chuẩn \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript>. Đây là nguyên nhân khiến nền đen của ảnh cộng hưởng từ luôn hiển thị lấm tấm các hạt xám sáng.\u003C\u002Fp>\n\u003Ch3>Vùng chuyển tiếp và độ chệch tín hiệu thấp\u003C\u002Fh3>\n\u003Cp>Trong khoảng chuyển tiếp quan trọng khi chỉ số SNR nhỏ hơn 2 hoặc nằm trong dải giá trị từ 1 đến 3, phân bố Rician thể hiện tính phi đối xứng mạnh mẽ. Vì biên độ là đại lượng không âm, các biến thiên âm của nhiễu bị triệt tiêu và phản xạ về phía dương qua phép lấy độ lớn. Điều này tạo nên độ chệch dương (positive bias) cố hữu, khiến giá trị trung bình đo được luôn lớn hơn cường độ thực \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>. Hiện tượng độ chệch tín hiệu này làm giảm độ tương phản giữa các mô có cường độ tín hiệu yếu và làm sai lệch nghiêm trọng các phép đo động học định lượng.\u003C\u002Fp>\n\n\u003Ch2>So sánh nhiễu Rician với các mô hình phân bố thống kê lân cận\u003C\u002Fh2>\n\u003Cp>Để định vị chính xác vị trí của mô hình nhiễu Rician trong lý thuyết xác suất và xử lý ảnh, bảng tổng hợp dưới đây đối chiếu các đặc tính cốt lõi giữa phân bố Rician và các mô hình phân bố liên quan mật thiết:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Mô hình phân bố\u003C\u002Fth>\n      \u003Cth>Biểu thức toán học đặc trưng\u003C\u002Fth>\n      \u003Cth>Tính chất đối xứng\u003C\u002Fth>\n      \u003Cth>Bản chất phụ thuộc tín hiệu\u003C\u002Fth>\n      \u003Cth>Bối cảnh ứng dụng chủ yếu\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Nhiễu Gauss (Gaussian)\u003C\u002Ftd>\n      \u003Ctd>Đối xứng hình chuông quanh kỳ vọng\u003C\u002Ftd>\n      \u003Ctd>Đối xứng hoàn toàn\u003C\u002Ftd>\n      \u003Ctd>Độc lập với cường độ tín hiệu gốc\u003C\u002Ftd>\n      \u003Ctd>Nhiễu nhiệt trên từng kênh phức, tín hiệu có SNR cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nhiễu Rician (Rice)\u003C\u002Ftd>\n      \u003Ctd>Phi đối xứng, chứa hàm Bessel bậc 0\u003C\u002Ftd>\n      \u003Ctd>Lệch phải ở SNR thấp, đối xứng ở SNR cao\u003C\u002Ftd>\n      \u003Ctd>Phụ thuộc phi tuyến vào biên độ tín hiệu gốc\u003C\u002Ftd>\n      \u003Ctd>Ảnh biên độ cộng hưởng từ cuộn đơn, kênh truyền sóng có tia trực tiếp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nhiễu Rayleigh\u003C\u002Ftd>\n      \u003Ctd>Dạng suy biến của Rician khi tín hiệu bằng 0\u003C\u002Ftd>\n      \u003Ctd>Lệch dương mạnh, chặn dưới tại 0\u003C\u002Ftd>\n      \u003Ctd>Không có tín hiệu hữu ích, thuần túy là nhiễu\u003C\u002Ftd>\n      \u003Ctd>Vùng nền ảnh cộng hưởng từ, kênh fading đa đường che khuất hoàn toàn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Nhiễu Chi phi tâm (Non-central Chi)\u003C\u002Ftd>\n      \u003Ctd>Tổng bình phương đa kênh thu nhận\u003C\u002Ftd>\n      \u003Ctd>Phi đối xứng, phụ thuộc số bậc tự do\u003C\u002Ftd>\n      \u003Ctd>Phụ thuộc phi tuyến vào tín hiệu và số lượng cuộn thu\u003C\u002Ftd>\n      \u003Ctd>Hệ thống cộng hưởng từ đa cuộn thu ghép nối tổng bình phương\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Tác động trong thực tiễn chẩn đoán hình ảnh và đo lường định lượng\u003C\u002Fh2>\n\u003Cp>Trong thực hành lâm sàng tại các bệnh viện và trung tâm nghiên cứu y sinh học, các máy quét chụp cộng hưởng từ phổ biến nhất hoạt động ở cường độ từ trường tĩnh tiêu chuẩn là 1.5 T và 3 T. Mặc dù từ trường cao giúp tăng cường đáng kể tỷ số tín hiệu trên nhiễu tổng thể, sự hiện diện của nhiễu Rician vẫn tạo ra nhiều rào cản kỹ thuật nghiêm trọng trong các ứng dụng chẩn đoán chuyên sâu:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Ảnh hưởng đến kỹ thuật chụp cộng hưởng từ khuếch tán (DWI và DTI):\u003C\u002Fstrong> Trong kỹ thuật chụp khuếch tán sức căng, các gradient khuếch tán mạnh được áp dụng để khảo sát sự chuyển động nhiệt của phân tử nước trong mô não. Việc áp dụng gradient mạnh làm suy giảm mạnh mẽ biên độ tín hiệu, đẩy dữ liệu vào vùng SNR thấp dưới ngưỡng giá trị 2. Độ chệch dương Rician làm tăng nhân tạo cường độ tín hiệu bị suy giảm, dẫn đến việc ước lượng sai hệ số khuếch tán biểu kiến (apparent diffusion coefficient, ADC) và làm sai lệch hướng các bó sợi thần kinh chất trắng khi tái tạo đường dẫn truyền.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sai lệch bản đồ thời gian hồi phục T1 và T2:\u003C\u002Fstrong> Để định lượng chính xác các thông số vật lý mô học thông qua kỹ thuật lập bản đồ (mapping) định lượng, các mô hình toán học cần khớp đường cong suy giảm hàm mũ với dữ liệu đo được. Khi mức sàn của nhiễu bị nâng lên do độ chệch Rician ở các thời điểm trễ dài, đường cong suy giảm không còn tiến về 0 mà tiệm cận mức sàn dương, làm cho thời gian hồi phục ước lượng bị ngắn lại hoặc kéo dài bất thường.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nhiễu hạt và suy giảm độ sắc nét đường biên:\u003C\u002Fstrong> Tại các vùng chuyển tiếp ranh giới giữa mô tổn thương và mô lành có tỷ trọng tín hiệu thấp, nhiễu Rician tạo ra hiện tượng nhiễu hạt biến thiên phức tạp, che lấp các vi cấu trúc giải phẫu và làm giảm độ tin cậy của các thuật toán phân vùng tự động (image segmentation).\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các giải pháp lọc và khử nhiễu Rician\u003C\u002Fh2>\n\u003Cp>Do bản chất phi cộng và phụ thuộc tín hiệu của phân bố Rician, việc áp dụng trực tiếp các bộ lọc nhiễu Gauss truyền thống như bộ lọc trung bình tuyến tính hoặc bộ lọc Gauss không gian sẽ làm mờ nghiêm trọng các cạnh giải phẫu và bảo toàn nguyên vẹn độ chệch dương ở vùng nền. Để khắc phục triệt để thách thức này, cộng đồng nghiên cứu xử lý ảnh y tế quốc tế đã phát triển nhiều nhóm phương pháp lọc thích ứng chuyên biệt:\u003C\u002Fp>\n\u003Ch3>Phương pháp lọc trong miền Wavelet\u003C\u002Fh3>\n\u003Cp>Năm 1999, Robert D. Nowak đã công bố nghiên cứu bước ngoặt trên tạp chí quốc tế, phân tích cặn kẽ đặc tính thống kê của nhiễu Rician trong miền biến đổi sóng con (wavelet domain). Công trình của Nowak đã chứng minh rằng việc biến đổi dữ liệu bình phương biên độ cho phép tách biệt thành phần tín hiệu hữu ích khỏi thành phần nhiễu thông qua một hệ thức xấp xỉ tuyến tính hóa. Dựa trên cơ sở này, bộ lọc miền biến đổi wavelet thích ứng đã được thiết lập thành công, cho phép loại bỏ thành phần nhiễu hạt ngẫu nhiên đồng thời khôi phục lại độ sắc nét của các đường biên vi thể mà không làm biến dạng cấu trúc giải phẫu của não bộ.\u003C\u002Fp>\n\u003Ch3>Bộ lọc khối phi cục bộ Non-Local Means 3D\u003C\u002Fh3>\n\u003Cp>Khai thác tính chất tự tương đồng không gian trong thể tích hình học của cơ thể người, năm 2008, Pierrick Coupé và các cộng sự tại Pháp đã phát triển và tối ưu hóa giải thuật bộ lọc khối phi cục bộ (blockwise Non-Local Means filter) cho dữ liệu cộng hưởng từ ba chiều. Bằng cách so sánh độ tương đồng giữa các khối lân cận trong toàn bộ thể tích voxel thay vì chỉ xét từng điểm ảnh đơn lẻ, giải thuật của Coupé đã cải tiến trọng số lọc thích ứng với hàm mật độ xác suất Rician, cho phép triệt tiêu nhiễu vượt bậc ở cả các vùng mô có tỷ số SNR thấp mà vẫn giữ nguyên được độ sắc nét ranh giới mô mềm.\u003C\u002Fp>\n\u003Ch3>Mô hình hoá và ước lượng tham số phương sai\u003C\u002Fh3>\n\u003Cp>Năm 2016, hai nhà khoa học Santiago Aja-Fernández và Gonzalo Vegas-Sánchez-Ferrero đã xuất bản chuyên khảo học thuật toàn diện, hệ thống hóa toàn bộ các mô hình ước lượng tham số thống kê nhiễu trong ảnh cộng hưởng từ. Để giải quyết bài toán hiệu chỉnh độ chệch, các tác giả nhấn mạnh tầm quan trọng của việc ước lượng chính xác tham số phương sai \u003Cscript type=\"math\u002Ftex\">\\sigma^2\u003C\u002Fscript>. Khi tham số độ lệch chuẩn \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> được trích xuất tin cậy từ vùng nền hoặc từ các phương pháp ước lượng moment cục bộ (LMMSE), giá trị tín hiệu thực \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> có thể được tái cấu trúc chính xác thông qua phép hiệu chỉnh bình phương ngược:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{A} = \\sqrt{\\max\\left(M^2 - 2\\sigma^2, 0\\right)}\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Ch2>Điều kiện áp dụng và các hướng phát triển mở\u003C\u002Fh2>\n\u003Cp>Mặc dù mô hình phân bố Rician đã được kiểm chứng chuẩn xác cho các hệ thống thu nhận cuộn đơn truyền thống, sự phát triển vũ bão của công nghệ phần cứng cộng hưởng từ trong kỷ nguyên hiện đại đặt ra những giới hạn mới cho phạm vi áp dụng của mô hình này:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hệ thống cuộn thu đa kênh song song:\u003C\u002Fstrong> Trong các máy quét lâm sàng hiện đại, các kỹ sư sử dụng mảng cuộn thu gồm nhiều kênh độc lập để tăng tốc độ quét ảnh. Khi dữ liệu từ nhiều cuộn thu được kết hợp lại bằng kỹ thuật tổng bình phương (Sum of Squares, SoS), phân bố của ảnh biên độ tổng hợp không còn là phân bố Rician đơn thuần mà chuyển dịch thành phân bố Chi phi tâm (non-central Chi distribution) với số bậc tự do tỷ lệ thuận với số lượng kênh thu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tái tạo ảnh song song và nén cảm nhận:\u003C\u002Fstrong> Khi sử dụng các kỹ thuật chụp ảnh tăng tốc cao cấp như SENSE, GRAPPA hoặc nén cảm nhận (compressed sensing), ma trận tái tạo kết hợp các phép nội suy phức tạp làm cho phương sai nhiễu không còn phân bố đồng đều mà biến thiên theo từng vị trí không gian (spatially variant noise). Trong bối cảnh này, việc áp dụng mô hình Rician đơn biến cố định trên toàn ảnh đòi hỏi phải được mở rộng thành các mô hình Rician thích ứng cục bộ theo bản đồ hình học g-factor.\u003C\u002Fli>\n\u003C\u002Ful>\n","nhiễu Rician","Rician noise",[20,21],"nhiễu Rice","tiếng ồn Rician","Nhiễu Rician là mô hình phân bố xác suất mô tả sự biến thiên ngẫu nhiên của biên độ tín hiệu phức khi cả hai kênh thực và ảo đều chịu tác động của nhiễu Gauss trắng cộng độc lập.","ENGINEERING_TECHNOLOGY",[25,33,41,49],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":32},"Gudbjartsson H, Patz S (1995). The Rician distribution of noisy MRI data. Magnetic Resonance in Medicine, 34(6), 910-914.","The Rician distribution of noisy MRI data","Gudbjartsson, Patz","Magnetic Resonance in Medicine",1995,"10.1002\u002Fmrm.1910340618","https:\u002F\u002Fdoi.org\u002F10.1002\u002Fmrm.1910340618",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":40},"Nowak RD (1999). Wavelet-based Rician noise removal for magnetic resonance imaging. IEEE Transactions on Image Processing, 8(10), 1408-1419.","Wavelet-based Rician noise removal for magnetic resonance imaging","Nowak","IEEE Transactions on Image Processing",1999,"10.1109\u002F83.791966","https:\u002F\u002Fdoi.org\u002F10.1109\u002F83.791966",{"citationText":42,"title":43,"authors":44,"source":45,"year":46,"doi":47,"url":48},"Coupé P, Yger P, Prima S, Hellier P, Kervrann C, Barillot C (2008). An optimized blockwise nonlocal means denoising filter for 3-D magnetic resonance images. IEEE Transactions on Medical Imaging, 27(4), 425-441.","An Optimized Blockwise Nonlocal Means Denoising Filter for 3-D Magnetic Resonance Images","Coupe, Yger, Prima, Hellier, Kervrann, Barillot","IEEE Transactions on Medical Imaging",2008,"10.1109\u002Ftmi.2007.906087","https:\u002F\u002Fdoi.org\u002F10.1109\u002Ftmi.2007.906087",{"citationText":50,"title":51,"authors":52,"source":53,"year":54,"doi":55,"url":56},"Aja-Fernández S, Vegas-Sánchez-Ferrero G (2016). Statistical Analysis of Noise in MRI: Modeling, Filtering and Estimation. Springer International Publishing.","Statistical Analysis of Noise in MRI","Aja-Fernández, Vegas-Sánchez-Ferrero","Springer International Publishing",2016,"10.1007\u002F978-3-319-39934-8","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-3-319-39934-8",[58,61,64,67],{"question":59,"answer":60},"Nhiễu Rician khác với nhiễu Gauss thông thường ở điểm nào?","Nhiễu Gauss là nhiễu cộng tuyến tính, có phân bố đối xứng quanh kỳ vọng và hoàn toàn độc lập với cường độ tín hiệu gốc. Ngược lại, nhiễu Rician là nhiễu phi cộng xuất hiện khi trích xuất biên độ từ tín hiệu phức, có phân bố lệch phải và phụ thuộc phi tuyến vào giá trị tín hiệu thực.",{"question":62,"answer":63},"Tại sao ảnh chụp cộng hưởng từ MRI lại xuất hiện nhiễu Rician?","Trong máy quét cộng hưởng từ, dữ liệu thô thu nhận trên miền tần số không gian k là tín hiệu phức với phần thực và phần ảo độc lập, mỗi phần đều chứa nhiễu nhiệt Gauss. Khi hiển thị ảnh lâm sàng, hệ thống thực hiện phép tính căn bậc hai của tổng bình phương phần thực và phần ảo, biến đổi nhiễu Gauss thành nhiễu Rician.",{"question":65,"answer":66},"Khi nào nhiễu Rician suy biến thành phân bố Rayleigh?","Nhiễu Rician suy biến hoàn toàn thành phân bố Rayleigh khi cường độ tín hiệu thực tế bằng 0, điển hình là tại vùng nền không khí xung quanh cơ thể bệnh nhân trên ảnh cộng hưởng từ. Tại vùng này, giá trị đo được thuần túy là nhiễu và kỳ vọng của cường độ điểm ảnh bị nâng lên mức dương bằng khoảng 1,2533 lần độ lệch chuẩn nhiễu.",{"question":68,"answer":69},"Làm thế nào để khử nhiễu Rician mà không làm mờ ranh giới cấu trúc giải phẫu?","Để khử nhiễu Rician hiệu quả, các nhà nghiên cứu thường áp dụng bộ lọc khối phi cục bộ Non-Local Means 3D thích ứng hoặc bộ lọc trong miền sóng con wavelet kết hợp hiệu chỉnh moment bậc hai. Các phương pháp này tận dụng tính tự tương đồng không gian và đặc tính đại số của moment bậc hai để triệt tiêu nhiễu mà vẫn giữ được độ sắc nét của các đường biên mô mềm.",{"id":71,"researcherId":10,"name":72,"imageUrl":73},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":71,"researcherId":10,"name":72,"imageUrl":73},[13],false,"PUBLISHED","2026-10-20T20:07:55.673+00:00","2026-10-20T20:25:49.689+00:00","2026-10-20T20:25:49.654+00:00",0,[83,93,98,103,108,113,118,123,128,133],{"id":84,"title":85,"term":86,"englishTitle":87,"definition":88,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":94,"title":95,"term":94,"englishTitle":96,"definition":97,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường.",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hệ thống hỗ trợ quyết định","Hệ thống hỗ trợ quyết định là gì? Các nghiên cứu khoa học","decision support system","Hệ thống hỗ trợ quyết định (Decision Support System - DSS) là hệ thống thông tin tích hợp dữ liệu, mô hình phân tích và giao diện tương tác nhằm hỗ trợ con người giải quyết các bài toán ra quyết định phức tạp và bán cấu trúc.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"tổn thất công suất","Tổn thất công suất là gì? Nguyên nhân, công thức và giải pháp","power loss","Tổn thất công suất là hiện tượng tiêu hao năng lượng điện dưới dạng nhiệt hoặc từ trường trong các phần tử của hệ thống điện như dây dẫn, máy biến áp và thiết bị truyền tải trong quá trình vận hành.",{"id":109,"title":110,"term":109,"englishTitle":111,"definition":112,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"khí động học","Khí động học: Khái niệm, nguyên lý và ứng dụng","Aerodynamics","Khí động học là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"trao đổi nhiệt","Trao đổi nhiệt là gì? Các nghiên cứu khoa học liên quan","heat transfer","Trao đổi nhiệt là quá trình truyền năng lượng nhiệt giữa các vật thể hoặc hệ thống vật lý có sự chênh lệch nhiệt độ qua ba cơ chế dẫn nhiệt, đối lưu và bức xạ cho đến khi đạt trạng thái cân bằng nhiệt.",{"id":119,"title":120,"term":119,"englishTitle":121,"definition":122,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"ứng suất nhiệt","Ứng suất nhiệt là gì? Các bài nghiên cứu khoa học liên quan","ung suat nhiet","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học kỹ thuật và công nghệ, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"lực kéo","Lực kéo là gì? Bản chất cơ học, công thức và ứng xử vật liệu","tensile force","Lực kéo (tensile force) là lực tác dụng có xu hướng làm giãn dài hoặc kéo dãn một vật thể dọc theo trục tác dụng, gây ra trạng thái ứng suất kéo và biến dạng kéo trong vật liệu.",{"id":129,"title":130,"term":129,"englishTitle":131,"definition":132,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"np khó","NP-khó là gì? Độ phức tạp, định lý Cook và giải pháp","NP-hard","NP-khó là lớp các bài toán tính toán mà mọi bài toán trong lớp NP đều có thể quy dẫn thời gian đa thức về chúng, bao gồm cả các bài toán tối ưu hóa.",{"id":134,"title":135,"term":134,"englishTitle":136,"definition":137,"discipline":23,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"pendubot","Pendubot là gì? Cấu tạo, động học và điều khiển con lắc ngược","Pendubot","Pendubot là một hệ thống cơ điện tử gồm con lắc ngược hai khâu chuyển động phẳng thiếu cơ cấu chấp hành, đóng vai trò là mô hình chuẩn mực trong nghiên cứu điều khiển phi tuyến."]