Hướng nghiên cứu kết hợp xử lý ảnh và xử lý tín hiệu số (Image & Signal Processing) hiện đang đóng vai trò quan trọng trong nhiều ứng dụng thông minh, đặc biệt là trong lĩnh vực y sinh, thị giác máy tính và hệ thống nhúng. Mục tiêu của hướng nghiên cứu này là xây dựng các thuật toán hiệu quả nhằm nâng cao chất lượng xử lý dữ liệu ảnh và tín hiệu, từ đó hỗ trợ các tác vụ như chẩn đoán y khoa, nhận dạng đối tượng, phát hiện bất thường trong tín hiệu sinh học, và phát triển các thiết bị đo lường thông minh.

Trong lĩnh vực xử lý tín hiệu số (DSP – Digital Signal Processing), các nội dung chính bao gồm tiền xử lý tín hiệu (lọc nhiễu, tách biên tần số), phân tích miền tần số (biến đổi Fourier, Wavelet, Hilbert), và các ứng dụng thực tiễn như xử lý ECG, EEG, EMG hay âm thanh y học. Các thuật toán nén tín hiệu (Huffman, SPIHT) và truyền tín hiệu hiệu quả cũng được chú trọng, bên cạnh việc hiện thực hóa các bộ lọc FIR/IIR trên các nền tảng phần cứng như FPGA hoặc Raspberry Pi để phục vụ hệ thống nhúng. Mục tiêu của DSP là nâng cao chất lượng tín hiệu, trích xuất thông tin ẩn chứa, và tối ưu hóa hiệu suất của các hệ thống dựa trên tín hiệu.

Song song đó, xử lý ảnh số (Digital Image Processing) tập trung vào các kỹ thuật tiền xử lý ảnh (khử nhiễu, tăng cường độ tương phản), phân đoạn (thresholding, học sâu như U-Net), trích xuất đặc trưng (GLCM, LBP, CNN) và phân loại hình ảnh y sinh sử dụng các mô hình học máy hoặc học sâu. Đặc biệt, các ứng dụng xử lý ảnh y tế như phân tích ảnh MRI, CT, X-quang, ảnh mô học hay siêu âm đóng vai trò thiết yếu trong hỗ trợ chẩn đoán bệnh. Các ứng dụng của xử lý ảnh vô cùng đa dạng, từ nhận diện khuôn mặt trong an ninh, kiểm tra chất lượng sản phẩm trong công nghiệp, chẩn đoán y tế dựa trên hình ảnh X-quang hay MRI, cho đến hệ thống xe tự lái và thực tế ảo

Hướng nghiên cứu này cũng ứng dụng các công cụ như Python, MATLAB, C++, kết hợp các thư viện chuyên dụng như OpenCV, TensorFlow, PyTorch … 

Ngoài ra, xu hướng mới trong lĩnh vực này là tích hợp mô hình học sâu với kỹ thuật DSP truyền thống để tự động học đặc trưng từ tín hiệu 1D và hình ảnh. Các nghiên cứu hiện đại cũng đang hướng tới AI giải thích được (Explainable AI) trong y học, cũng như học đa phương thức kết hợp ảnh, tín hiệu và văn bản y khoa. Với tiềm năng lớn và tính ứng dụng cao, đây là một hướng nghiên cứu rất giàu triển vọng cho các bạn sinh viên, học viên cao học, hoặc nghiên cứu sinh trong các ngành kỹ thuật và y sinh.