AI phân tích nếp nhăn hoạt động như thế nào?

Điểm quan trọng là ảnh 2D không tự động cho biết “độ sâu thật” của một nếp nhăn theo đơn vị milimet. Một số phương pháp 2D chỉ tạo ra độ sâu hoặc độ nổi bật tương đối từ sự khác biệt cường độ sáng giữa nếp nhăn và vùng da xung quanh. Nghiên cứu về phân tích nếp nhăn trên ảnh 2D cũng cho thấy việc kết hợp thông tin về chiều dài với tín hiệu liên quan đến độ sâu có thể cải thiện mức độ phù hợp với đánh giá lâm sàng.

Ảnh đầu vào được chuẩn hóa trước khi nhận diện nếp nhăn

Trước khi AI tìm nếp nhăn, hệ thống cần làm cho dữ liệu hình ảnh đủ nhất quán để các thay đổi về ánh sáng, góc chụp hoặc nền ảnh không bị hiểu nhầm thành thay đổi trên da.

Quy trình thường xoay quanh việc xác định vùng khuôn mặt hoặc ROI (region of interest) cần phân tích, sau đó xử lý các đặc trưng hình ảnh như độ sáng, tương phản và cấu trúc bề mặt. Trong các phương pháp phân tích ảnh da, tiền xử lý và phân vùng là những bước quan trọng trước khi thực hiện detection, segmentation hoặc classification.

Với phân tích nếp nhăn, điều này có ý nghĩa đặc biệt vì cùng một nếp nhăn có thể trông đậm hoặc mờ hơn chỉ do điều kiện chụp. Vì vậy, một hệ thống muốn so sánh trước và sau theo thời gian cần kiểm soát càng nhiều yếu tố hình ảnh càng tốt.

AI nhận diện nếp nhăn bằng cách tìm các cấu trúc đường đặc trưng

Sau khi ảnh được chuẩn hóa, hệ thống tìm những vùng có đặc trưng hình học và cường độ phù hợp với nếp nhăn.

Các phương pháp truyền thống có thể sử dụng bộ lọc hình ảnh để phát hiện những cấu trúc kéo dài, đồng thời ước lượng hướng và tần suất xuất hiện của các đặc trưng dạng đường. Một nghiên cứu tự động phát hiện nếp nhăn trên ảnh khuôn mặt đã sử dụng chính đặc trưng về orientation và frequency của các cấu trúc kéo dài để nhận diện nếp nhăn.

Các hệ thống AI hiện đại có thể dùng mô hình học sâu để học trực tiếp đặc trưng từ dữ liệu hình ảnh. Trong phân tích ảnh da, deep learning được sử dụng cho nhiều nhiệm vụ như phát hiện, phân vùng và phân loại; các hệ thống AI hình ảnh hiện nay cũng ngày càng chuyển từ những bài toán nhận dạng đơn lẻ sang các mô hình phân tích phức tạp hơn.

Kết quả của bước này không nhất thiết chỉ là “có nếp nhăn” hay “không có nếp nhăn”. Hệ thống có thể tạo ra một vùng đánh dấu cho biết nếp nhăn nằm ở đâu và có hình dạng như thế nào.

Độ sâu được ước lượng từ mức độ nổi bật của cấu trúc trên ảnh

Đây là phần dễ gây hiểu nhầm nhất khi nói về AI phân tích nếp nhăn.

Trên ảnh 2D, hệ thống không nhìn thấy trực tiếp chiều sâu vật lý của rãnh da. Thay vào đó, một số phương pháp ước lượng độ sâu tương đối hoặc độ nổi bật bằng cách so sánh giá trị pixel của vùng nếp nhăn với vùng da xung quanh. Một nghiên cứu về hình ảnh dấu hiệu lão hóa đã mô tả “conspicuous depth” theo cách này và nhấn mạnh rằng thể tích suy ra từ ảnh là apparent volume, không phải thể tích vật lý thật theo mm³.

Có thể hình dung đơn giản:

Độ tương phản giữa nếp nhăn và nền da tăng → nếp nhăn trở nên nổi bật hơn trên ảnh → chỉ số độ sâu tương đối có thể tăng

Điều này giải thích tại sao “nếp nhăn sâu hơn” trong một báo cáo hình ảnh không nhất thiết đồng nghĩa với việc hệ thống đã đo được chính xác độ sâu vật lý của rãnh da.

Nếu cần thông tin hình học 3D thực sự, các hệ thống phân tích khuôn mặt có thể sử dụng 3D reconstruction hoặc các phương pháp tạo bản đồ bề mặt, thay vì chỉ dựa trên ảnh 2D. Công nghệ phân tích da thẩm mỹ hiện nay cũng bao gồm các hệ thống tái tạo khuôn mặt 3D bên cạnh các công cụ chấm điểm khuôn mặt bằng AI.

Mật độ và diện tích giúp mô tả mức độ phân bố của nếp nhăn

Ngoài việc tìm từng đường nếp nhăn, hệ thống có thể tổng hợp chúng thành các đặc trưng ở cấp vùng.

Một số chỉ số có thể được xây dựng từ:

·         Số lượng cấu trúc được phát hiện

·         Tổng chiều dài các đường nếp nhăn

·         Diện tích vùng bị ảnh hưởng

·         Mức độ tương phản hoặc nổi bật

·         Mật độ nếp nhăn trong một vùng ROI

·         Quan hệ giữa diện tích và mức độ nổi bật

Ví dụ, nếu ảnh được phân vùng thành một vùng da cố định, hệ thống có thể xác định bao nhiêu phần của vùng đó chứa cấu trúc được phân loại là nếp nhăn. Các nghiên cứu hình ảnh đã sử dụng segmentation để tách cấu trúc nếp nhăn rồi tính diện tích bề mặt và các đại lượng liên quan đến mức độ nổi bật.

Như vậy, mật độ trả lời một câu hỏi khác với độ sâu tương đối:

·         Mật độ: nếp nhăn xuất hiện dày đến mức nào trong một vùng

·         Độ nổi bật tương đối: đường nếp nhăn tương phản với nền da mạnh đến mức nào

·         Chiều dài/diện tích: cấu trúc nếp nhăn trải rộng đến đâu

Khi kết hợp các nhóm chỉ số này, hệ thống có thể tạo một hồ sơ định lượng hơn thay vì chỉ đưa ra nhận xét “da có nhiều nếp nhăn”.

Kết quả AI phụ thuộc mạnh vào điều kiện chụp và cách hệ thống được huấn luyện

AI không loại bỏ hoàn toàn ảnh hưởng của dữ liệu đầu vào. Ánh sáng, góc mặt, biểu cảm, thiết bị chụp, chất lượng ảnh và sự đa dạng của dữ liệu huấn luyện đều có thể ảnh hưởng đến kết quả phân tích hình ảnh.

Các tổng quan về AI trong da liễu chỉ ra những hạn chế phổ biến như kích thước dữ liệu hạn chế, thiên lệch lựa chọn, thiếu đa dạng dữ liệu và khác biệt giữa hiệu năng trong môi trường kiểm soát với khả năng triển khai ngoài thực tế.

Vì vậy, một chỉ số thay đổi giữa hai lần chụp không nên mặc nhiên được hiểu là da đã thay đổi tương ứng. Muốn theo dõi tiến triển đáng tin cậy, cần giữ điều kiện chụp và quy trình đo đủ nhất quán, đồng thời hiểu rõ hệ thống đang đo đặc trưng hình ảnh nào.

Đặc biệt, cần phân biệt ba mức độ:

Nhận diện: AI xác định vùng hoặc đường có đặc điểm giống nếp nhăn

Định lượng: AI chuyển đặc trưng đó thành chiều dài, diện tích, mật độ hoặc mức độ nổi bật

Đo độ sâu vật lý: cần phương pháp hình ảnh có thông tin hình học phù hợp, không nên suy ra trực tiếp chỉ từ một ảnh 2D

AI phân tích nếp nhăn vì vậy không đơn giản là “nhìn ảnh rồi chấm điểm”. Quy trình hợp lý hơn là chuẩn hóa ảnh → xác định vùng da → phát hiện/phân vùng cấu trúc nếp nhăn → trích xuất đặc trưng → tính các chỉ số → so sánh hoặc theo dõi thay đổi. Với ảnh 2D, các chỉ số về độ sâu thường nên được hiểu là mức độ nổi bật tương đối; còn việc đo hình học 3D đòi hỏi công nghệ hình ảnh phù hợp hơn. Các hệ thống AI trong da liễu nói chung cũng cần được đánh giá bằng dữ liệu đa dạng và kiểm chứng ngoài môi trường kiểm soát trước khi diễn giải hiệu năng như một thước đo thực tế.