Công nghệ phân tích da bằng hình ảnh hoạt động thế nào?

Điểm quan trọng nằm ở chất lượng của toàn bộ chuỗi xử lý. Ánh sáng, góc chụp, khoảng cách, màu sắc do camera ghi nhận, thuật toán phân vùng và dữ liệu dùng để xây dựng mô hình đều có thể ảnh hưởng đến kết quả. Các hướng dẫn về hình ảnh da cũng nhấn mạnh việc kiểm soát ánh sáng, nền, trường nhìn, tiêu cự, độ phân giải, tỷ lệ và hiệu chuẩn màu để tạo ảnh có khả năng so sánh tốt hơn.

Từ ánh sáng phản xạ trên da đến dữ liệu mà máy có thể phân tích

Khi ánh sáng chiếu vào da, một phần được phản xạ ở bề mặt, một phần đi vào mô rồi bị hấp thụ hoặc tán xạ. Melanin, hemoglobin và những thành phần khác của mô có đặc tính hấp thụ ánh sáng khác nhau theo bước sóng. Camera hoặc cảm biến ghi lại tín hiệu quang học này dưới dạng pixel.

Với ảnh màu thông thường, mỗi pixel chủ yếu chứa thông tin của các kênh đỏ, xanh lá và xanh dương. Hệ thống có thể chuyển các giá trị RGB sang những không gian màu thích hợp hơn cho việc định lượng, chẳng hạn CIELAB, rồi đánh giá độ sáng, sắc đỏ hoặc các thay đổi màu trong một vùng da xác định.

Tuy nhiên, ảnh RGB không phải lựa chọn duy nhất. Một số hệ thống thay đổi kiểu chiếu sáng hoặc sử dụng nhiều dải bước sóng nhằm làm nổi bật các đặc điểm khác nhau của da. Imaging đa phổ, chẳng hạn, thu nhận đồng thời thông tin không gian và phổ; tín hiệu phản xạ ở những dải bước sóng khác nhau có thể cung cấp thêm thông tin liên quan đến các chromophore như melanin và hemoglobin.

Nói cách khác, máy không trực tiếp nhìn thấy một khái niệm như “sắc tố cao” hay “vùng da đỏ”. Nó nhận các giá trị ánh sáng trước, sau đó thuật toán mới biến những giá trị đó thành đặc trưng có thể đo và diễn giải.

Hệ thống phải chuẩn hóa hình ảnh trước khi đánh giá da

Một thay đổi trên ảnh chưa chắc đồng nghĩa với thay đổi thực sự trên da. Nếu ánh sáng mạnh hơn, cân bằng trắng khác đi hoặc khuôn mặt xoay sang một góc khác, giá trị pixel cũng có thể thay đổi.

Do đó, các hệ thống phân tích cố định thường kiểm soát một số điều kiện ngay từ lúc chụp: vị trí khuôn mặt, khoảng cách camera, góc nhìn và nguồn sáng. Ở bước xử lý, ảnh còn có thể được hiệu chỉnh màu, cân bằng độ sáng hoặc căn chỉnh với ảnh tham chiếu.

Đây là lý do hai ảnh selfie chụp ở hai căn phòng khác nhau không nhất thiết phù hợp để so sánh trực tiếp. Đồng thuận chuyên môn về hình ảnh da đã xác định nhiều thành phần cần chuẩn hóa, gồm ánh sáng, màu nền, trường nhìn, hướng ảnh, tiêu cự, độ phân giải, tỷ lệ và hiệu chuẩn màu. Một báo cáo đồng thuận về màu trong hình ảnh y khoa cũng chỉ ra rằng màu ghi nhận được chịu tác động của cả thiết bị, phương pháp chụp và môi trường ánh sáng.

Đèn cũng không hoàn toàn trung tính. Nghiên cứu về nguồn sáng trong dermoscopy cho thấy phổ phát xạ giữa các nguồn LED có thể khác nhau, khiến cùng một chromophore xuất hiện khác nhau. Điều đó đặc biệt đáng chú ý khi màu trở thành đầu vào của thuật toán thị giác máy tính.

Vì thế, khả năng chụp lặp lại trong điều kiện gần giống nhau là một phần của phép đo, chứ không đơn thuần là vấn đề làm cho ảnh đẹp hơn.

Các chế độ ánh sáng giúp tách những tín hiệu khác nhau của da

Một hệ thống có thể thu nhiều ảnh của cùng khuôn mặt dưới những điều kiện quang học khác nhau thay vì cố rút toàn bộ thông tin từ một ảnh duy nhất.

Ánh sáng nhìn thấy thông thường cung cấp dữ liệu gần với diện mạo da mà mắt quan sát được, thích hợp cho màu sắc và nhiều đặc điểm bề mặt.

Phân cực chéo sử dụng cấu hình phân cực để giảm thành phần phản xạ chói từ bề mặt. Khi bớt ánh sáng phản xạ trực tiếp, các biến đổi màu nằm bên dưới bề mặt có thể được thể hiện rõ hơn. Kỹ thuật này đã được sử dụng để phân tích những tín hiệu liên quan đến melanin và hemoglobin cũng như giảm một số nhiễu do glare.

Ảnh UV hoặc các dải phổ riêng khai thác sự khác biệt trong tương tác giữa mô và từng vùng bước sóng. Các hệ thống đa phổ còn có thể lần lượt chiếu nhiều dải ánh sáng hoặc lọc ánh sáng phản xạ trước khi tín hiệu đi đến cảm biến.

Mỗi chế độ vì vậy tạo một “góc nhìn dữ liệu” khác nhau. Ghép nhiều chế độ có thể giúp thuật toán phân biệt những tín hiệu vốn khó tách nếu chỉ dùng ảnh màu thông thường.

Điều này cũng giải thích tại sao không nên hiểu một ảnh được tăng tương phản hoặc một bản đồ màu giả như hình ảnh trực tiếp của cấu trúc nằm dưới da. Đó thường là kết quả xử lý hoặc mô hình hóa tín hiệu quang học, được tạo ra để một đặc điểm trở nên dễ định lượng hơn.

Thuật toán tìm vùng da rồi trích xuất màu sắc, kết cấu và hình thái

Sau khi có ảnh phù hợp, phần mềm phải xác định đâu là vùng cần phân tích. Các bước có thể bao gồm phát hiện khuôn mặt, xác định các mốc giải phẫu, loại bỏ vùng mắt, môi hoặc tóc và chia khuôn mặt thành những region of interest nhất quán.

Từ các vùng này, thuật toán bắt đầu tìm đặc trưng.

Với sắc tố hoặc vùng đỏ, thông tin màu có thể được biến đổi sang không gian màu khác hoặc kết hợp với mô hình quang học để tạo chỉ số liên quan đến melanin và erythema. Một phương pháp sử dụng ảnh phân cực chéo, chẳng hạn, đã khai thác các thành phần của không gian CIELAB để tăng tương phản của vùng sắc tố và vùng đỏ.

Với nếp nhăn, bài toán thiên nhiều hơn về hình thái và kết cấu. Đường tối, cạnh, chiều dài, diện tích hoặc độ tương phản của cấu trúc có thể trở thành đặc trưng phân tích.

Với lỗ chân lông, phần mềm có thể làm nổi bật các cấu trúc nhỏ tối màu, loại bỏ biến thiên ánh sáng ở tần số thấp rồi dùng tiêu chí về kích thước và hình dạng để phân biệt chúng với các cấu trúc khác. Một nghiên cứu xử lý ảnh khuôn mặt đã sử dụng quy trình phân đoạn riêng cho nếp nhăn và lỗ chân lông, qua đó cho thấy cùng một bức ảnh có thể cần những pipeline khác nhau tùy đặc điểm cần đo.

Các hệ thống hiện đại cũng có thể dùng mạng học sâu để thực hiện segmentation trực tiếp. Thay vì lập trình thủ công toàn bộ quy tắc nhận diện, mô hình được huấn luyện bằng các ảnh đã gắn nhãn để học cách xác định pixel nào thuộc nếp nhăn, lỗ chân lông hoặc một lớp đặc trưng khác. Một nghiên cứu segmentation khuôn mặt sử dụng kiến trúc dựa trên U-Net đã tạo đồng thời bản đồ phân vùng cho nếp nhăn và lỗ chân lông từ ảnh RGB.

Như vậy, “AI phân tích da” không nhất thiết là một thuật toán duy nhất. Một hệ thống có thể kết hợp xử lý ảnh truyền thống, mô hình quang học, quy tắc hình thái và mạng học sâu trong các bước khác nhau.

Từ vùng được nhận diện đến chỉ số tình trạng da

Sau segmentation hoặc feature extraction, hệ thống có thể tính những đại lượng như số lượng vùng phát hiện, diện tích, mật độ, độ dài, độ tương phản hoặc tỷ lệ diện tích bị ảnh hưởng. Với dữ liệu phổ, đầu ra còn có thể là bản đồ biểu diễn tín hiệu liên quan đến từng chromophore.

Bước tiếp theo phụ thuộc thiết kế của từng hệ thống. Giá trị đo có thể được giữ ở dạng số tuyệt đối, chuẩn hóa theo diện tích khuôn mặt, chuyển thành thang điểm hoặc so sánh với một tập dữ liệu tham chiếu.

Đây là một khác biệt quan trọng: phát hiện đặc trưng và diễn giải điểm số không phải cùng một bước. Ví dụ, thuật toán có thể xác định một số vùng có đặc điểm hình thái phù hợp với lỗ chân lông. Việc chuyển số lượng hoặc diện tích đó thành mức “thấp”, “trung bình”, “cao” lại cần thêm quy tắc hoặc phân bố tham chiếu.

Tương tự, bản đồ sắc tố không có nghĩa camera đã trực tiếp đo từng phân tử melanin. Trong nhiều hệ thống, đó là ước lượng được suy ra từ tín hiệu quang học và mô hình xử lý. Một nghiên cứu năm 2024 về tạo ảnh phân cực chéo và bản đồ sắc tố bằng deep learning báo cáo hệ số tương quan 0,923 đối với hemoglobin và 0,897 đối với melanin khi pipeline tích hợp được so với hệ thống chuyên dụng. Kết quả cho thấy khả năng ước lượng có thể khá mạnh trong một thiết lập cụ thể, nhưng đồng thời nhấn mạnh rằng đây vẫn là đầu ra của mô hình chứ không phải phép đo trực tiếp tuyệt đối.

Do đó, cùng tên gọi “điểm lỗ chân lông” hoặc “điểm sắc tố” chưa chắc có cùng định nghĩa giữa các hệ thống. Muốn hiểu đúng kết quả cần biết thiết bị đang đo tín hiệu nào, dùng thuật toán nào và điểm số được chuẩn hóa theo cơ sở tham chiếu nào.

Vì sao kết quả phân tích da có thể thay đổi?

Độ ổn định của kết quả phụ thuộc đồng thời vào dữ liệu đầu vào và mô hình xử lý. Ánh sáng, cân bằng trắng, tiêu cự, góc đầu, biểu cảm, vật cản trên mặt và cách lựa chọn vùng phân tích đều có khả năng làm thay đổi đặc trưng mà thuật toán nhìn thấy.

Sai số cũng có thể xuất hiện ngay tại bước segmentation. Một vùng tối trên ảnh có thể bị nhận nhầm là lỗ chân lông; một đường bóng có thể giống nếp nhăn. Ngược lại, đặc trưng thật có thể bị bỏ sót. Vì thế, số lượng đối tượng máy đánh dấu không nên mặc định được xem là “sự thật tuyệt đối” về cấu trúc da.

Với mô hình học máy, dữ liệu huấn luyện tạo thêm một giới hạn khác. Một tổng quan hệ thống về deep learning trong hình ảnh da cho thấy nhiều nghiên cứu có hạn chế về tính đại diện của dữ liệu; thông tin về màu da hoặc Fitzpatrick skin type cũng thường được báo cáo chưa đầy đủ, làm giảm khả năng đánh giá tính khái quát của mô hình trên các nhóm dân số khác nhau.

Kết quả vì vậy có giá trị nhất khi điều kiện thu nhận ảnh được kiểm soát và phép đo được sử dụng nhất quán. Khi theo dõi thay đổi theo thời gian, việc giữ cùng thiết bị, chế độ ánh sáng, vị trí và quy trình chụp giúp giảm khả năng nhầm biến thiên của hệ thống với biến đổi thực sự của da.

Một điểm số từ công nghệ phân tích hình ảnh cũng không tự động tương đương với chẩn đoán y khoa. Nó mô tả những đặc trưng mà hệ thống được thiết kế để phát hiện hoặc ước lượng từ hình ảnh. Ý nghĩa của kết quả luôn bị giới hạn bởi loại tín hiệu đã thu, thuật toán được sử dụng và dữ liệu mà mô hình đã được kiểm chứng.

Cốt lõi của công nghệ phân tích da bằng hình ảnh là biến ánh sáng phản xạ từ da thành dữ liệu có cấu trúc. Camera thu tín hiệu; hệ quang học làm nổi bật những đặc điểm cần quan sát; phần mềm chuẩn hóa và chia vùng; thuật toán trích xuất màu sắc, kết cấu hoặc hình thái; cuối cùng các phép tính hay mô hình AI chuyển chúng thành vùng đánh dấu, bản đồ và chỉ số.

Vì toàn bộ quá trình phụ thuộc vào cả khâu chụp lẫn thuật toán, chất lượng phân tích không thể đánh giá chỉ bằng việc hệ thống có “AI” hay không. Khả năng chuẩn hóa ảnh, định nghĩa rõ đặc trưng cần đo, kiểm chứng mô hình và duy trì điều kiện chụp nhất quán mới quyết định điểm số có phản ánh ổn định tín hiệu trên da hay chỉ phản ánh sự thay đổi của ảnh đầu vào.

Công nghệ phân tích da có nhìn xuyên qua da không?

Không theo nghĩa một camera thông thường nhìn trực tiếp thấy các lớp mô bên trong. Một số chế độ phân cực hoặc đa phổ có thể khai thác ánh sáng tương tác với mô ở những mức độ khác nhau rồi dùng thuật toán suy ra thêm thông tin. Bản đồ kết quả vì vậy là dữ liệu được xử lý hoặc ước lượng từ tín hiệu quang học, không phải ảnh chụp trực tiếp cấu trúc dưới da.

Vì sao cùng một khuôn mặt có thể cho điểm khác nhau ở hai lần chụp?

Thay đổi ánh sáng, góc mặt, vị trí camera, cân bằng trắng và các điều kiện thu ảnh có thể làm thay đổi giá trị pixel trước khi thuật toán phân tích. Để so sánh theo thời gian có ý nghĩa hơn, điều kiện chụp cần được chuẩn hóa và tái lập càng nhất quán càng tốt.

Điểm do máy phân tích có phải là chẩn đoán tình trạng da không?

Không mặc định. Điểm số thường phản ánh đặc trưng hình ảnh hoặc tín hiệu mà một hệ thống cụ thể được thiết kế để phát hiện, định lượng hay so sánh. Giá trị đó chỉ nên được diễn giải trong phạm vi mà phương pháp và mô hình đã được xây dựng, hiệu chuẩn và kiểm chứng.