[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20d%E1%BB%B1a%20tr%C3%AAn%20c%C6%B0%E1%BB%9Dng%20%C4%91%E1%BB%99{\"limit\":5}":3,"_public_topic_byId_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20d%E1%BB%B1a%20tr%C3%AAn%20c%C6%B0%E1%BB%9Dng%20%C4%91%E1%BB%99":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":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":59,"createUser":72,"publishUser":76,"keywords":77,"keywordCount":88,"enrichTopicLink":89,"status":90,"createTime":91,"updateTime":92,"publishTime":93,"linkEnrichedTime":94,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":95,"wikidataId":10,"relateTopics":96},"phương pháp dựa trên cường độ","Phương pháp dựa trên cường độ là gì? Nguyên lý và ứng dụng","Phương pháp dựa trên cường độ là kỹ thuật tối ưu hóa trong xử lý ảnh, so khớp trực tiếp mức xám voxel để đăng ký ảnh y tế đa thể thức.","\u003Cp>Phương pháp dựa trên cường độ (intensity-based method) là nhóm thuật toán tối ưu hóa trong xử lý ảnh số và thị giác máy tính, thực hiện đăng ký hoặc phân tích ảnh bằng cách so khớp trực tiếp toàn bộ giá trị mức xám của các điểm ảnh hoặc phần tử thể tích (voxel) giữa các tập dữ liệu mà không cần trích xuất trước các đặc trưng hình học tường minh. Kỹ thuật này đóng vai trò nền tảng trong việc đồng chỉnh không gian giữa các ảnh chụp khác thời điểm hoặc từ các thiết bị thu nhận khác nhau trong chẩn đoán y tế và viễn thám. Bài viết này trình bày bản chất toán học, các hàm đo độ tương đồng cường độ, thuật toán tối ưu hóa, phạm vi ứng dụng lâm sàng và các giới hạn kỹ thuật của phương pháp.\u003C\u002Fp>\n\n\u003Ch2>Bản chất và nguyên lý của phương pháp dựa trên cường độ\u003C\u002Fh2>\n\u003Cp>Trong bài toán đăng ký ảnh (image registration), mục tiêu là tìm kiếm một {{topic|%7B%22topic%22%3A%22ph%C3%A9p%20bi%E1%BA%BFn%20%C4%91%E1%BB%95i%22%7D}} {{topic|%7B%22topic%22%3A%22h%C3%ACnh%20h%E1%BB%8Dc%22%7D}} không gian phù hợp nhằm ánh xạ tọa độ của một ảnh nguồn (thường gọi là ảnh di động) sang hệ tọa độ của một ảnh đích (ảnh tham chiếu). Khác với các phương pháp dựa trên đặc trưng hình học vốn đòi hỏi phải phát hiện ranh giới, đường bao giải phẫu hoặc các điểm mốc đánh dấu nhân tạo, phương pháp dựa trên cường độ tiếp cận dữ liệu ảnh dưới góc độ các phân bố giá trị đo lường {{topic|%7B%22topic%22%3A%22quang%20ph%E1%BB%95%22%7D}} hoặc độ cản xạ vật lý.\u003C\u002Fp>\n\u003Cp>Phương pháp này tính toán một chỉ số định lượng {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20t%C6%B0%C6%A1ng%20%C4%91%E1%BB%93ng%22%7D}} hoặc độ sai khác trên toàn bộ miền giao nhau của hai ảnh. Hàm mục tiêu được định dạng như một bài toán {{topic|%7B%22topic%22%3A%22ch%C6%B0%C6%A1ng%20tr%C3%ACnh%20to%C3%A1n%20h%E1%BB%8Dc%22%2C%22text%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20to%C3%A1n%20h%E1%BB%8Dc%22%7D}} liên tục, trong đó các tham số của phép biến đổi hình học được tinh chỉnh lặp qua các bước nhằm cực đại hóa độ tương đồng hoặc cực tiểu hóa sai số cường độ. Do tận dụng toàn bộ thông tin mức xám sẵn có của các voxel, phương pháp dựa trên cường độ hạn chế tối đa sai số tích lũy phát sinh từ giai đoạn phân vùng hoặc trích xuất đặc trưng hình học ban đầu.\u003C\u002Fp>\n\n\u003Ch2>Các độ đo tương đồng cường độ phổ biến\u003C\u002Fh2>\n\u003Cp>Việc lựa chọn hàm đo độ tương đồng phụ thuộc chặt chẽ vào việc hai ảnh thuộc cùng một phương thức thu nhận (đơn phương thức - monomodal) hay từ các nguồn vật lý khác biệt (đa phương thức - multimodal).\u003C\u002Fp>\n\n\u003Ch3>Độ đo cho đăng ký ảnh đơn phương thức\u003C\u002Fh3>\n\u003Cp>Khi hai ảnh được ghi nhận từ cùng một loại thiết bị thu nhận (ví dụ hai lần chụp cộng hưởng từ ở các mốc thời gian khác nhau), mối quan hệ giữa cường độ của các điểm ảnh tương ứng thường được giả định là đồng nhất hoặc có quan hệ tuyến tính.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tổng bình phương sai phân (Sum of Squared Differences - SSD):\u003C\u002Fstrong> Giả định rằng mức xám tại các vị trí tương ứng chỉ khác nhau bởi một thành phần nhiễu Gauss độc lập. Hàm sai số có dạng:\n  \u003Cscript type=\"math\u002Ftex; mode=display\">SSD = \\sum_{x} (I_1(x) - I_2(T(x)))^2\u003C\u002Fscript>\n  Trong đó \u003Cscript type=\"math\u002Ftex\">I_1\u003C\u002Fscript> là cường độ ảnh tham chiếu, \u003Cscript type=\"math\u002Ftex\">I_2\u003C\u002Fscript> là cường độ ảnh di động, và \u003Cscript type=\"math\u002Ftex\">T(x)\u003C\u002Fscript> là phép biến đổi không gian tác động lên tọa độ \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>. Phương pháp tìm kiếm giá trị tham số sao cho \u003Cscript type=\"math\u002Ftex\">SSD\u003C\u002Fscript> đạt cực tiểu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hệ số {{topic|%7B%22topic%22%3A%22t%C6%B0%C6%A1ng%20quan%20ch%C3%A9o%22%7D}} chuẩn hóa (Normalized Cross-Correlation - NCC):\u003C\u002Fstrong> Được áp dụng khi tồn tại sự suy giảm hoặc khuếch đại tuyến tính về cường độ giữa hai lần chụp:\n  \u003Cscript type=\"math\u002Ftex; mode=display\">NCC = \\frac{\\sum_{x} (I_1(x) - \\mu_1)(I_2(T(x)) - \\mu_2)}{\\sqrt{\\sum_{x} (I_1(x) - \\mu_1)^2 \\sum_{x} (I_2(T(x)) - \\mu_2)^2}}\u003C\u002Fscript>\n  Trong đó \u003Cscript type=\"math\u002Ftex\">\\mu_1\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">\\mu_2\u003C\u002Fscript> lần lượt biểu diễn cường độ trung bình của các ảnh trên miền không gian chồng lấn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Độ đo cho đăng ký ảnh đa phương thức\u003C\u002Fh3>\n\u003Cp>Trong các ứng dụng y tế phối hợp hình ảnh chụp cắt lớp vi tính (CT) và cộng hưởng từ (MRI), giá trị cường độ biểu diễn các tính chất vật lý hoàn toàn khác biệt: CT đo mật độ cản tia X của mô xương, trong khi MRI phản ánh mật độ proton và thời gian hồi phục từ tính của mô mềm. Mối quan hệ mức xám giữa hai phương thức này mang tính phi tuyến phức tạp, khiến các độ đo tuyến tính như tương quan chéo hoàn toàn không còn khả năng hoạt động.\u003C\u002Fp>\n\u003Cp>Năm 1995, Maes và cộng sự cùng Wells và cộng sự đã độc lập đề xuất ứng dụng độ đo thông tin tương hỗ (Mutual Information - MI) dựa trên lý thuyết thông tin Shannon trong {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20%E1%BA%A3nh%22%7D}} y tế. Độ đo này xem xét mức xám của hai ảnh như các biến ngẫu nhiên và đo lường mức độ phụ thuộc thống kê giữa chúng.\u003C\u002Fp>\n\u003Cp>Hàm thông tin tương hỗ giữa hai ảnh được tính toán thông qua {{topic|%7B%22topic%22%3A%22entropy%22%7D}} biên và entropy đồng thời:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">I(A, B) = H(A) + H(B) - H(A, B)\u003C\u002Fscript>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">H(A)\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">H(B)\u003C\u002Fscript> là entropy biên biểu diễn mức độ bất định của phân bố mức xám trong từng ảnh, còn \u003Cscript type=\"math\u002Ftex\">H(A, B)\u003C\u002Fscript> là entropy đồng thời được xây dựng từ biểu đồ tần suất mức xám chung (joint histogram). Trong điều kiện miền không gian giao nhau cố định, khi hai ảnh được căn chỉnh chính xác, phân bố mức xám chung trở nên tập trung nhất, dẫn tới entropy đồng thời \u003Cscript type=\"math\u002Ftex\">H(A, B)\u003C\u002Fscript> đạt giá trị cực tiểu. Tuy nhiên, do diện tích vùng giao nhau thực tế luôn biến thiên trong quá trình biến đổi hình học, việc tối đa hóa thông tin tương hỗ \u003Cscript type=\"math\u002Ftex\">I(A, B)\u003C\u002Fscript> giúp bù trừ sự thay đổi của các entropy biên thay vì chỉ tối thiểu hóa entropy đồng thời đơn thuần.\u003C\u002Fp>\n\u003Cp>Năm 1999, Studholme và cộng sự đề xuất biến thể thông tin tương hỗ chuẩn hóa (Normalized Mutual Information - NMI) nhằm khắc phục triệt để sự nhạy cảm của hàm đo trước sự thay đổi diện tích vùng giao nhau giữa hai ảnh:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex; mode=display\">NMI(A, B) = \\frac{H(A) + H(B)}{H(A, B)}\u003C\u002Fscript>\n\u003Cp>Chỉ số \u003Cscript type=\"math\u002Ftex\">NMI\u003C\u002Fscript> này cung cấp tính ổn định cao trước sự thay đổi của miền chồng lấn giữa các khối dữ liệu thể tích.\u003C\u002Fp>\n\n\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Độ đo tương đồng\u003C\u002Fth>\u003Cth>Ký hiệu\u003C\u002Fth>\u003Cth>Giả định về mối quan hệ mức xám\u003C\u002Fth>\u003Cth>Phạm vi áp dụng phù hợp\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Tổng bình phương sai phân\u003C\u002Ftd>\u003Ctd>SSD\u003C\u002Ftd>\u003Ctd>Cường độ giống nhau cộng nhiễu Gauss ngẫu nhiên\u003C\u002Ftd>\u003Ctd>Ảnh đơn phương thức (cùng loại thiết bị)\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tương quan chéo chuẩn hóa\u003C\u002Ftd>\u003Ctd>NCC\u003C\u002Ftd>\u003Ctd>Mối quan hệ biến thiên tuyến tính giữa các mức xám\u003C\u002Ftd>\u003Ctd>Ảnh đơn phương thức có biến thiên độ sáng tuyến tính\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Thông tin tương hỗ\u003C\u002Ftd>\u003Ctd>MI\u003C\u002Ftd>\u003Ctd>Phụ thuộc thống kê chung giữa các phân bố xác suất\u003C\u002Ftd>\u003Ctd>Ảnh đa phương thức (CT - MRI, MRI - PET)\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Thông tin tương hỗ chuẩn hóa\u003C\u002Ftd>\u003Ctd>NMI\u003C\u002Ftd>\u003Ctd>Phụ thuộc thống kê không phụ thuộc tỷ lệ vùng giao nhau\u003C\u002Ftd>\u003Ctd>Ảnh đa phương thức có diện tích chồng lấn biến thiên\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Không gian biến đổi và kỹ thuật tối ưu hóa\u003C\u002Fh2>\n\u003Cp>Quá trình đăng ký ảnh dựa trên cường độ liên tục cập nhật các tham số của mô hình hình học để tìm vị trí cực trị của hàm mục tiêu.\u003C\u002Fp>\n\n\u003Ch3>Mô hình biến đổi hình học\u003C\u002Fh3>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Biến đổi cứng (Rigid transformation):\u003C\u002Fstrong> Bao gồm phép tịnh tiến và phép quay trong không gian ba chiều, bảo toàn khoảng cách giữa các điểm. Thích hợp cho đăng ký ảnh sọ não hoặc các cấu trúc xương cứng không bị biến dạng cơ học.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Biến đổi afin (Affine transformation):\u003C\u002Fstrong> Mở rộng biến đổi cứng bằng cách bổ sung hệ số co giãn và biến dạng trượt, bảo toàn tính song song của các đường thẳng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Biến đổi phi tuyến (Non-rigid \u002F Deformable transformation):\u003C\u002Fstrong> Sử dụng các mô hình trường dịch chuyển tự do dựa trên hàm spline (B-spline Free-Form Deformation) hoặc mô hình vật lý đàn hồi để mô phỏng sự chuyển động và biến dạng của các tạng mềm như gan, phổi hoặc tim trong chu kỳ thở.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Chiến lược tối ưu hóa đa độ phân giải\u003C\u002Fh3>\n\u003Cp>Do hàm tương đồng cường độ thường chứa nhiều điểm cực trị cục bộ (local extrema), các thuật toán tối ưu hóa chuẩn như dốc giảm dần (Gradient Descent), thuật toán Gauss-Newton hoặc phương pháp Powell rất dễ bị mắc kẹt tại các vị trí sai lệch nếu khởi tạo ban đầu cách xa điểm hội tụ toàn cục.\u003C\u002Fp>\n\u003Cp>Để giải quyết thách thức này, phương pháp dựa trên cường độ thường kết hợp chiến lược kim tự tháp đa độ phân giải (multiresolution pyramid). Hình ảnh ban đầu được làm mịn và giảm kích thước ở nhiều mức độ khác nhau. Quá trình tối ưu hóa được thực thi trước tiên trên các phiên bản ảnh có độ phân giải thấp nhằm xác định gần đúng vị trí tổng thể, sau đó kết quả được chuyển tiếp làm điểm khởi tạo cho các tầng có độ phân giải cao hơn. Kỹ thuật này vừa giúp thuật toán thoát khỏi các bẫy cực trị cục bộ vừa tiết kiệm đáng kể thời gian tính toán.\u003C\u002Fp>\n\n\u003Ch2>Bước phát triển hiện đại: Đăng ký ảnh dựa trên cường độ bằng học sâu\u003C\u002Fh2>\n\u003Cp>Theo tổng quan của Zou và cộng sự (2022), sự kết hợp giữa phương pháp dựa trên cường độ truyền thống và kiến trúc mạng nơ-ron tích chập (CNN) đã tạo ra bước đột phá trong tốc độ xử lý. Trong các mô hình học sâu không giám sát hiện đại, mạng nơ-ron nhận đầu vào là cặp ảnh cần đăng ký và trực tiếp dự đoán trường dịch chuyển không gian dày đặc.\u003C\u002Fp>\n\u003Cp>Thay vì cần nhãn chuẩn giải phẫu tốn kém, hàm mất mát (loss function) huấn luyện mạng được thiết lập trực tiếp từ các hàm đo tương đồng cường độ kinh điển như hệ số tương quan chéo cục bộ (Local Cross-Correlation) hoặc thông tin tương hỗ, kết hợp với thành phần phạt độ trơn của trường biến dạng. Khi mô hình đã hoàn tất quá trình huấn luyện ngoại tuyến, thời gian thực thi đăng ký cho một cặp ảnh thể tích ba chiều giảm từ hàng chục phút xuống chỉ còn vài giây, mở ra tiềm năng ứng dụng trực tiếp trong dẫn đường phẫu thuật thời gian thực.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế trong khoa học và kỹ thuật\u003C\u002Fh2>\n\u003Cp>Phương pháp dựa trên cường độ giữ vị trí trung tâm trong nhiều quy trình công nghệ cao:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Định vị và dẫn đường trong phẫu thuật thần kinh:\u003C\u002Fstrong> Căn chỉnh ảnh chụp cộng hưởng từ mô mềm trước phẫu thuật với ảnh chụp cắt lớp vi tính xương trong phòng mổ, giúp bác sĩ phẫu thuật xác định chính xác vị trí ranh giới khối u mà không cần gắn khung cố định cơ học xâm lấn lên đầu bệnh nhân.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Lập kế hoạch xạ trị định vị thân (SBRT):\u003C\u002Fstrong> Tích hợp dữ liệu từ ảnh chụp CT mô phỏng với ảnh cắt lớp phát xạ positron (PET) để vạch rõ thể tích đích sinh học của khối u, giảm thiểu liều phóng xạ tác động lên các mô lành lân cận.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Theo dõi diễn tiến bệnh mạn tính:\u003C\u002Fstrong> Đăng ký {{topic|%7B%22topic%22%3A%22chu%E1%BB%97i%20h%C3%ACnh%20%E1%BA%A3nh%22%2C%22text%22%3A%22chu%E1%BB%97i%20%E1%BA%A3nh%22%7D}} cộng hưởng từ não thu nhận định kỳ để định lượng mức độ teo hồi hải mã hoặc sự tiến triển của các tổn thương mất myelin trong bệnh thoái hóa thần kinh.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Xử lý ảnh viễn thám và trắc địa:\u003C\u002Fstrong> Ghép nối và đồng chỉnh các khung ảnh vệ tinh đa phổ chụp ở các dải tần quang học và radar khẩu độ tổng hợp khác nhau nhằm theo dõi biến động lớp phủ mặt đất và xói lở bờ biển.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ưu điểm và các hạn chế kỹ thuật\u003C\u002Fh2>\n\u003Ch3>Ưu điểm nổi bật\u003C\u002Fh3>\n\u003Cp>Lợi thế lớn nhất của phương pháp dựa trên cường độ là tính tự động hóa hoàn toàn. Phương pháp loại bỏ sự can thiệp thủ công vốn tiềm ẩn nhiều sai số chủ quan của con người trong khâu chấm điểm mốc giải phẫu. Nghiên cứu thực nghiệm kinh điển của Wells và cộng sự (1996) trên ảnh thể tích sọ não đa phương thức đã chứng minh phương pháp cho phép đạt độ chính xác căn chỉnh ở mức dưới một voxel (subvoxel), tạo độ tin cậy cao cho các can thiệp ngoại khoa tinh vi.\u003C\u002Fp>\n\n\u003Ch3>Hạn chế và điều kiện áp dụng\u003C\u002Fh3>\n\u003Cp>Mặc dù có nhiều ưu điểm, phương pháp dựa trên cường độ vẫn tồn tại các giới hạn kỹ thuật cần được cân nhắc kỹ lưỡng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Chi phí tính toán lớn:\u003C\u002Fstrong> Do phải duyệt qua hàng triệu điểm ảnh hoặc voxel trong mỗi bước lặp của hàm mục tiêu, khối lượng phép tính là rất lớn, đặc biệt đối với các mô hình biến đổi phi tuyến nhiều bậc tự do.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ nhạy với trường biến thiên cường độ (Bias field):\u003C\u002Fstrong> Trong chụp cộng hưởng từ, sự không đồng nhất của từ trường thường tạo ra một dải biến thiên mức xám chậm trên toàn bộ thể tích ảnh, làm sai lệch phân bố xác suất của biểu đồ tần suất chung và giảm độ chính xác của hàm thông tin tương hỗ nếu không qua bước chuẩn hóa tiền xử lý.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Yêu cầu về vùng chồng lấn tối thiểu:\u003C\u002Fstrong> Khi hai ảnh ban đầu có khoảng cách lệch quá xa hoặc vùng giao nhau quá nhỏ, các hàm đo thống kê không có đủ lượng mẫu đại diện để ước lượng chính xác mật độ xác suất, dẫn tới thất bại hoàn toàn trong việc tìm hướng hội tụ.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phân biệt với các khái niệm cùng tên trong các ngành khác\u003C\u002Fh2>\n\u003Cp>Cần lưu ý rằng cụm từ \"phương pháp dựa trên cường độ\" còn xuất hiện trong các ngữ cảnh học thuật khác với bản chất khoa học hoàn toàn tách biệt:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Trong quản lý môi trường và kinh tế carbon:\u003C\u002Fstrong> Phương pháp dựa trên cường độ phát thải là cơ chế phân bổ hạn ngạch hoặc đặt mục tiêu giảm phát thải khí nhà kính dựa trên tỷ lệ phát thải trên một đơn vị sản lượng sản xuất (ví dụ tấn khí nhà kính trên một tấn sản phẩm), trái ngược với phương pháp đặt hạn mức trần phát thải tuyệt đối.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trong kỹ thuật cảm biến quang học:\u003C\u002Fstrong> Phương pháp đo dựa trên cường độ là kỹ thuật đo lường tín hiệu thông qua sự thay đổi biên độ công suất quang tán xạ ngược hoặc truyền qua, phân biệt với phương pháp đo giao thoa pha hoặc biến đổi bước sóng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Mục từ này chỉ tập trung phân tích phương pháp dựa trên cường độ trong chuyên ngành xử lý ảnh và {{topic|%7B%22topic%22%3A%22th%E1%BB%8B%20gi%C3%A1c%20m%C3%A1y%20t%C3%ADnh%22%7D}} thuộc nhóm ngành kỹ thuật và công nghệ.\u003C\u002Fp>\n","intensity-based method",[19,20,21],"intensity-based registration","đăng ký ảnh dựa trên cường độ","voxel property based method","Phương pháp dựa trên cường độ (intensity-based method) là nhóm thuật toán tối ưu hóa trong xử lý ảnh số và thị giác máy tính, thực hiện đăng ký hoặc phân tích ảnh bằng cách so khớp trực tiếp toàn bộ giá trị mức xám của các điểm ảnh hoặc voxel giữa các tập dữ liệu mà không cần trích xuất trước các đặc trưng hình học tường minh.","ENGINEERING_TECHNOLOGY",[25,32,38,45,52],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Pluim, J. P. W., Maintz, J. B. A., & Viergever, M. A. (2003). Mutual-information-based registration of medical images: a survey. IEEE Transactions on Medical Imaging, 22(8), 986-1004.","Mutual-information-based registration of medical images: a survey","Pluim, Maintz, Viergever","IEEE Transactions on Medical Imaging",2003,"10.1109\u002Ftmi.2003.815867",{"citationText":33,"title":34,"authors":35,"source":29,"year":36,"doi":37,"url":10},"Maes, F., Collignon, A., Vandermeulen, D., Marchal, G., & Suetens, P. (1997). Multimodality image registration by maximization of mutual information. IEEE Transactions on Medical Imaging, 16(2), 187-198.","Multimodality image registration by maximization of mutual information","Maes, Collignon, Vandermeulen, Marchal, Suetens",1997,"10.1109\u002F42.563664",{"citationText":39,"title":40,"authors":41,"source":42,"year":43,"doi":44,"url":10},"Hill, D. L., Batchelor, P. G., Holden, M., & Hawkes, D. J. (2001). Medical image registration. Physics in Medicine & Biology, 46(3), R1-R45.","Medical image registration","Hill, Batchelor, Holden, Hawkes","Physics in Medicine & Biology",2001,"10.1088\u002F0031-9155\u002F46\u002F3\u002F201",{"citationText":46,"title":47,"authors":48,"source":49,"year":50,"doi":51,"url":10},"Wells, W. M., Viola, P., Atsumi, H., Nakajima, S., & Kikinis, R. (1996). Multi-modal volume registration by maximization of mutual information. Medical Image Analysis, 1(1), 35-51.","Multi-modal volume registration by maximization of mutual information","Wells, Viola, Atsumi, Nakajima, Kikinis","Medical Image Analysis",1996,"10.1016\u002Fs1361-8415(01)80004-9",{"citationText":53,"title":54,"authors":55,"source":56,"year":57,"doi":58,"url":10},"Zou, L., Gao, Y., Song, Y., & Qin, W. (2022). A review of deep learning-based deformable medical image registration. Frontiers in Oncology, 12, 1047215.","A review of deep learning-based deformable medical image registration","Zou, Gao, Song, Qin","Frontiers in Oncology",2022,"10.3389\u002Ffonc.2022.1047215",[60,63,66,69],{"question":61,"answer":62},"Phương pháp dựa trên cường độ khác phương pháp dựa trên đặc trưng như thế nào?","Phương pháp dựa trên cường độ so khớp trực tiếp toàn bộ giá trị mức xám của các voxel mà không cần phân vùng trước, trong khi phương pháp dựa trên đặc trưng yêu cầu trích xuất các điểm mốc, đường biên hoặc bề mặt hình học tường minh.",{"question":64,"answer":65},"Tại sao thông tin tương hỗ được ưu tiên cho đăng ký ảnh đa phương thức?","Thông tin tương hỗ đo lường mức độ phụ thuộc thống kê chung giữa các phân bố xác suất mức xám, hoạt động hiệu quả ngay cả khi mối quan hệ cường độ giữa các phương thức thu nhận như CT và MRI mang tính phi tuyến phức tạp.",{"question":67,"answer":68},"Chiến lược kim tự tháp đa độ phân giải giải quyết vấn đề gì?","Chiến lược đa độ phân giải làm mịn và giảm kích thước ảnh ở nhiều tầng để tối ưu hóa trước trên ảnh độ phân giải thấp, giúp thuật toán tránh mắc kẹt vào các điểm cực trị cục bộ và tăng tốc độ hội tụ.",{"question":70,"answer":71},"Hiện tượng trường biến thiên cường độ (bias field) ảnh hưởng thế nào đến độ chính xác?","Trường biến thiên cường độ tạo ra dải thay đổi mức xám chậm không đồng nhất trên ảnh chụp cộng hưởng từ, làm sai lệch biểu đồ tần suất mức xám chung và làm suy giảm độ chính xác của các hàm đo tương đồng nếu không được khử nhiễu tiền xử lý.",{"id":73,"researcherId":10,"name":74,"imageUrl":75},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":73,"researcherId":10,"name":74,"imageUrl":75},[78,79,80,81,82,83,84,85,86,87],"phép biến đổi","hình học","quang phổ","độ tương đồng","chương trình toán học","tương quan chéo","xử lý ảnh","entropy","chuỗi hình ảnh","thị giác máy tính",10,true,"PUBLISHED","2025-12-01T11:20:48.271+00:00","2026-09-18T01:20:32.310+00:00","2026-09-17T13:20:20.252+00:00","2026-09-18T01:20:31.864+00:00",0,[97,100,103,106,109,112,115,118,121,124],{"id":98,"title":99,"term":98,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nhiệt dung","Nhiệt dung là gì? Các nghiên cứu khoa học về Nhiệt dung",{"id":101,"title":102,"term":101,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"dòng điện xoáy","Dòng điện xoáy là gì? Các công bố khoa học về Dòng điện xoáy",{"id":104,"title":105,"term":104,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"dịch chiết","Dịch chiết là gì? Các nghiên cứu khoa học về Dịch chiết",{"id":107,"title":108,"term":107,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":110,"title":111,"term":110,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thực nghiệm","Thực nghiệm là gì? Các nghiên cứu khoa học Thực nghiệm",{"id":113,"title":114,"term":113,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giáo dục khởi nghiệp","Giáo dục khởi nghiệp là gì? Nghiên cứu khoa học liên quan",{"id":116,"title":117,"term":116,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp đại số","Phương pháp đại số là gì? Các nghiên cứu khoa học liên quan",{"id":119,"title":120,"term":119,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cây phả hệ","Cây phả hệ là gì? Các nghiên cứu khoa học về Cây phả hệ",{"id":122,"title":123,"term":122,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ligand","Ligand là gì? Các nghiên cứu khoa học về Ligand",{"id":125,"title":126,"term":125,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman"]