AI phân tích độ đỏ da hoạt động như thế nào?

Điểm quan trọng là “da đỏ hơn” không chỉ được hiểu là có nhiều pixel màu đỏ hơn. Một hệ thống đáng tin cậy còn phải phân biệt màu da nền, độ sáng, vùng không phải da và những thay đổi do điều kiện chụp ảnh. Các nghiên cứu về phân tích ban đỏ trên khuôn mặt đã sử dụng cả RGB và CIELAB; trong đó trục a* của CIELAB biểu diễn xu hướng từ xanh lá sang đỏ và thường được dùng để định lượng erythema.

Computer vision biến ảnh khuôn mặt thành dữ liệu độ đỏ như thế nào?

Một quy trình điển hình có thể hình dung theo chuỗi:

Ảnh khuôn mặt → xác định vùng da → chuẩn hóa ảnh → phân tích màu → xác định vùng đỏ → tính chỉ số → so sánh kết quả

Trước hết, hệ thống cần biết pixel nào thuộc vùng da và pixel nào không nên đưa vào phép đo. Đây là bước quan trọng vì tóc, mắt, môi, trang sức, nền ảnh hoặc các vật thể trên khuôn mặt có thể làm sai kết quả nếu bị tính chung với da.

Sau đó, ảnh được biểu diễn trong một không gian màu. RGB trực tiếp mô tả giá trị đỏ, xanh lá và xanh dương của pixel, nhưng các giá trị này cũng chịu ảnh hưởng bởi độ sáng. CIELAB tách độ sáng L* khỏi trục màu a* và b*, trong đó a* biểu diễn trục xanh lá–đỏ. Vì vậy, trong các bài toán định lượng ban đỏ, a* có thể cung cấp một cách biểu diễn phù hợp hơn cho mức độ đỏ.

Cuối cùng, hệ thống không nhất thiết chỉ trả về một con số cho toàn khuôn mặt. Nó có thể tạo bản đồ vùng đỏ, đo từng ROI hoặc chia khuôn mặt thành các khu vực để xem đỏ ở đâu, đỏ bao nhiêu và chiếm bao nhiêu diện tích.

AI đo độ đỏ của da bằng màu sắc như thế nào?

Có hai cách tiếp cận thường gặp: phân tích trực tiếp các kênh RGB và chuyển ảnh sang một không gian màu như CIELAB.

Với RGB, hệ thống có thể tính giá trị trung bình hoặc tỷ lệ giữa các kênh trong một vùng da. Một số phương pháp nghiên cứu đã sử dụng cường độ tương đối của kênh đỏ hoặc các tỷ lệ giữa R và G để định lượng erythema. Các nghiên cứu trên ảnh đỏ VISIA cũng cho thấy cường độ tương đối của thành phần đỏ có thể liên quan đến mức độ ban đỏ.

Tuy nhiên, RGB có một hạn chế rõ ràng: thay đổi ánh sáng có thể làm thay đổi giá trị pixel ngay cả khi màu da thực tế không thay đổi. Vì vậy, một khuôn mặt được chụp sáng hơn có thể tạo ra giá trị RGB khác với cùng khuôn mặt trong điều kiện ánh sáng khác.

CIELAB xử lý vấn đề này theo hướng khác. Trong hệ này:

·         L* biểu diễn độ sáng

·         a* biểu diễn trục xanh lá–đỏ

·         b* biểu diễn trục xanh dương–vàng

Do đó, nếu mục tiêu là theo dõi xu hướng đỏ của da, giá trị a* hoặc sự thay đổi Δa* giữa vùng đỏ và vùng da tham chiếu có thể được sử dụng. Các nghiên cứu định lượng ban đỏ trên khuôn mặt đã áp dụng chính cách tiếp cận này.

Điều này cho thấy AI không nhất thiết “nhìn thấy màu đỏ” giống mắt người. Nó chuyển màu sắc thành các giá trị số rồi sử dụng những giá trị đó để tính toán.

Hệ thống xác định vùng da đỏ trên khuôn mặt bằng cách nào?

Đo màu chỉ là một phần của bài toán. Hệ thống còn phải xác định vùng nào thực sự đang đỏ hơn.

Một phương pháp đơn giản có thể đặt ngưỡng trên giá trị màu: những pixel có đặc điểm màu nằm trong khoảng được xác định là vùng đỏ sẽ được đánh dấu. Từ mặt nạ này, hệ thống có thể tính:

·         Số pixel thuộc vùng đỏ

·         Tỷ lệ vùng đỏ trên tổng vùng da

·         Cường độ đỏ trung bình

·         Giá trị đỏ cao nhất

·         Kích thước và hình dạng các vùng đỏ

·         Vị trí tương đối của vùng đỏ trên khuôn mặt

Các nghiên cứu computer-aided image analysis đã sử dụng cả cường độ đỏ tương đối và phần trăm diện tích ban đỏ để định lượng mức độ erythema.

Ở mức phức tạp hơn, AI có thể sử dụng mô hình phân đoạn để xác định vùng da trước, sau đó phân tích màu bên trong vùng đó. Khi đó, hệ thống không chỉ hỏi “ảnh này có đỏ không?” mà có thể trả lời câu hỏi cụ thể hơn: “vùng má trái có bao nhiêu phần trăm diện tích mang đặc điểm đỏ và cường độ đỏ trung bình là bao nhiêu?”

Đây cũng là lý do phân tích màu sắc và phân bố vùng đỏ quan trọng hơn việc chỉ lấy một giá trị trung bình cho toàn khuôn mặt.

Vì sao AI phải so sánh vùng đỏ với vùng da nền?

Một người có thể có màu da nền khác nhau, vì vậy cùng một giá trị màu tuyệt đối không nhất thiết có cùng ý nghĩa đối với mọi người.

Cách tiếp cận hợp lý là tạo vùng tham chiếu rồi so sánh. Ví dụ, hệ thống có thể lấy giá trị a* của vùng nghi ngờ đỏ và so với vùng da không đỏ hoặc vùng da nền. Chênh lệch này có thể được biểu diễn dưới dạng Δa*.

Nhờ đó, hệ thống tập trung vào câu hỏi:

“Vùng này đỏ hơn vùng da tham chiếu bao nhiêu?”

thay vì chỉ hỏi:

“Pixel này có giá trị đỏ bao nhiêu?”

Một nghiên cứu định lượng ban đỏ trên bệnh nhân rosacea đã sử dụng cả giá trị a* tại vùng tổn thương và vùng không tổn thương, sau đó tính Δa* để theo dõi thay đổi.

Cách so sánh tương đối cũng giúp giảm một phần vấn đề do khác biệt màu da nền. Tuy nhiên, nó không tự động loại bỏ ảnh hưởng của ánh sáng, camera hoặc cân bằng trắng. Vì vậy, chuẩn hóa điều kiện chụp vẫn là yếu tố quan trọng.

AI có thể đánh giá “độ đỏ” chính xác đến mức nào?

AI có thể biến độ đỏ từ một nhận định trực quan thành dữ liệu định lượng, nhưng định lượng từ ảnh không đồng nghĩa với đo lường tuyệt đối trong mọi điều kiện.

Độ tin cậy phụ thuộc mạnh vào quá trình thu nhận ảnh. Ánh sáng môi trường, nhiệt độ màu, cân bằng trắng, camera, phơi sáng và xử lý ảnh có thể làm thay đổi màu pixel. Chính vì RGB chịu ảnh hưởng của độ sáng, một số phương pháp sử dụng CIELAB hoặc các bước chuẩn hóa màu để tăng khả năng so sánh.

Ngoài ra, ban đỏ cũng không phải lúc nào chỉ là một thay đổi màu đơn giản. Một nghiên cứu về chỉ số erythema từ ảnh kỹ thuật số ghi nhận rằng mức tương ứng giữa chỉ số hình ảnh và đánh giá lâm sàng có thể giảm ở tình trạng ban đỏ rất mạnh, cho thấy các yếu tố khác của viêm da có thể ảnh hưởng đến biểu hiện hình ảnh.

Vì vậy, kết quả AI nên được hiểu là một phép đo hình ảnh được chuẩn hóa, không mặc nhiên là chẩn đoán bệnh.

AI phân tích độ đỏ da tạo ra những chỉ số nào?

Từ dữ liệu màu và vùng phân đoạn, hệ thống có thể xây dựng nhiều loại chỉ số khác nhau.

Cường độ đỏ cho biết mức độ vùng da lệch về phía đỏ. Với CIELAB, a* là một đại lượng thường được sử dụng cho mục đích này. Giá trị a* cao hơn thường tương ứng với xu hướng đỏ hơn trong cùng điều kiện đo.

Diện tích vùng đỏ cho biết vùng có đặc điểm ban đỏ chiếm bao nhiêu phần trăm diện tích da được phân tích. Chỉ số này quan trọng vì hai khuôn mặt có thể có cùng cường độ đỏ trung bình nhưng một người có vùng đỏ nhỏ, người còn lại có vùng đỏ lan rộng.

Phân bố vùng đỏ cho biết vị trí và hình thái của vùng đỏ, chẳng hạn tập trung ở má, quanh mũi hay phân bố rộng trên mặt. Computer-aided image analysis có thể kết hợp thông tin về màu, kích thước, tỷ lệ và vị trí của các vùng trên khuôn mặt để phát hiện bất thường.

Khi kết hợp các chỉ số này, hệ thống có thể tạo ra một mô tả giàu thông tin hơn:

đỏ bao nhiêu chiếm bao nhiêu diện tích nằm ở đâu thay đổi thế nào theo thời gian.

Đó mới là giá trị chính của computer vision trong bài toán phân tích độ đỏ da.

Tóm lại, AI phân tích độ đỏ da hoạt động bằng cách biến ảnh khuôn mặt thành dữ liệu màu và dữ liệu không gian. Hệ thống trước tiên xác định vùng da, sau đó phân tích màu bằng RGB hoặc các không gian màu như CIELAB, trong đó a* là một đại lượng hữu ích để biểu diễn xu hướng đỏ. Tiếp theo, AI xác định các pixel hoặc vùng có đặc điểm đỏ, tính cường độ và diện tích, rồi so sánh giữa các vùng hoặc giữa các thời điểm.

Điểm quyết định độ tin cậy không nằm ở việc AI có thể “nhận ra màu đỏ”, mà ở khả năng kiểm soát điều kiện chụp, phân đoạn đúng vùng da, chọn cách biểu diễn màu phù hợp và giữ nhất quán phương pháp đo khi so sánh. Vì vậy, computer vision có thể hỗ trợ định lượng và theo dõi ban đỏ khách quan hơn đánh giá bằng mắt, nhưng kết quả hình ảnh vẫn cần được diễn giải trong đúng phạm vi của phép đo và không nên tự động đồng nhất với chẩn đoán lâm sàng.