Phân Đoạn Ảnh Mri Não 3D Tự Động Và Trích Xuất Vùng Xám, Vùng Trắng Và Dịch Não Tủy Để Hỗ Trợ Chẩn Đoán Một Số Bệnh

ĐẠI HỌC QUỐC GIA TP HCM ĐẠI HỌC KHOA HỌC TỰ NHIÊN TRẦN ANH TUẤN PHÂN ĐOẠN ẢNH MRI NÃO 3D TỰ ĐỘNG VÀ TRÍCH XUẤT VÙNG XÁM, VÙNG TRẮNG VÀ DỊCH NÃO TỦY ĐỂ HỖ TRỢ CHẨN ĐOÁN MỘT SỐ BỆNH Chuyên ngành: Cơ sở toán cho tin học Mã số ngành: 62460110 TÓM TẮT LUẬN ÁN TIẾN SĨ TỐN HỌC Tp Hồ Chí Minh – Năm 2022 ĐẠI HỌC QUỐC GIA TP HCM ĐẠI HỌC KHOA HỌC TỰ NHIÊN TRẦN ANH TUẤN PHÂN ĐOẠN ẢNH MRI NÃO 3D TỰ ĐỘNG VÀ TRÍCH XUẤT VÙNG XÁM, VÙNG TRẮNG VÀ DỊCH NÃO TỦY ĐỂ HỖ TRỢ CHẨN ĐOÁN MỘT SỐ BỆNH Chuyên ngành: Cơ sở toán cho tin học Mã số ngành: 62460110 Phản biện 1: TS Nguyễn Viết Hưng Phản biện 2: TS Hà Việt Uyên Synh Phản biện 3: TS Trịnh Tấn Đạt Phản biện độc lập 1: TS Lê Thành Sách Phản biện độc lập 2: TS Hà Việt Uyên Synh NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS Phạm Thế Bảo GS.TS Jin Young Kim Tp Hồ Chí Minh - Năm 2022 Chương TỔNG QUAN 1.1 Giới thiệu toán 1.1.1 Động nghiên cứu Hệ thần kinh phận điều khiển chức thể, nên hệ thần kinh gặp vấn đề gây ảnh hưởng lớn đến não bộ, tủy sống dây thần kinh Bệnh thần kinh chiếm 1/3 số bệnh tật toàn cầu trở nên phổ biến dân số già [1-3] Ngày có nhiều bệnh hệ thần kinh ảnh hưởng đến hàng triệu người giới u não, tổn thương não, đột quỵ, sa sút trí tuệ [4] Sa sút trí tuệ (Dementia) [5] bao gồm triệu chứng rối loạn ảnh hưởng đến não gây Bệnh sa sút trí tuệ làm ảnh hưởng đến suy nghĩ, hành vi khả thực công việc hàng ngày Chức não bị ảnh hưởng gây cản trở đến sống xã hội hay làm việc bình thường người bệnh Nguyên nhân gây bệnh sa sút trí tuệ tổn thương tế bào thần kinh, kết nối tế bào não Tùy thuộc vào khu vực não bị ảnh hưởng tổn thương, bệnh sa sút trí tuệ ảnh hưởng đến người khác gây triệu chứng khác Bệnh Alzheimer nguyên nhân phổ biến bệnh sa sút trí tuệ phát triển người lớn tuổi Theo tổ chức Alzheimer giới, năm 2019 có 50 triệu người bị chứng sa sút trí tuệ tồn cầu dự kiến tăng lên 152 triệu người vào năm 2050 Hiện nay, năm chi phí cho bệnh sa sút trí tuệ ước tính khoảng nghìn tỷ la Mỹ dự đốn tăng gấp đơi vào năm 2030 [6] Alzheimer Disease (AD) [7] bệnh gây thay đổi bất thường não, chủ yếu ảnh hưởng đến trí nhớ khả trí tuệ Alzheimer loại bệnh, khơng phải phần q trình lão hóa Đối với AD, trí nhớ triệu chứng thường gặp Khi có bệnh, người bệnh khả lý luận, ngôn ngữ, khả định, phán đoán kỹ quan trọng khác khiến người bệnh khơng thể kiểm sốt sống hàng ngày khơng có giúp đỡ người khác Người bệnh có thay đổi tính cách hành vi Mặc dù AD có đặc điểm riêng cá nhân có nhiều triệu chứng xuất tương tự với bệnh liên quan đến tuổi già biểu căng thẳng thần kinh [8] Khi người bệnh nghi ngờ bị AD, chẩn đoán thường thực cách đánh giá hành vi kiểm tra nhận thức kèm theo chụp Magnetic Resonance Imaging (MRI) [9] Khi bệnh tiến triển, triệu chứng bao gồm nhầm lẫn, khó chịu, thay đổi tâm trạng, khả phân tích ngơn ngữ, trí nhớ dài hạn, suy giảm giác quan Sau đó, thể số chức cuối dẫn đến chết AD phát triển tiềm tàng thời gian dài trước xuất triệu chứng Khi triệu chứng biểu người bệnh sống khoảng năm, 3% bệnh nhân sống thêm 14 năm sau phát bệnh [8, 10-13] Hiện khoa học chưa hiểu rõ nguyên nhân tiến triển AD Nghiên cứu cho thấy bệnh có liên quan với chất não [14] Các phương pháp điều trị giúp giảm phần triệu chứng bệnh chưa có phương pháp trị liệu ngăn chặn tiến triển bệnh [15] Một số thói quen sống đưa khuyến cáo nhằm phịng ngừa AD, chưa có đủ sở cho thấy khuyến cáo làm giảm bệnh Tập thể dục chế độ ăn cân đối khuyến cáo nhằm phòng ngừa hỗ trợ chữa trị bệnh [16] Vì AD chữa khỏi nên người bệnh cần phải có người chăm sóc Đây áp lực lớn mặt xã hội, tâm lý, sức khỏe, kinh tế người chăm sóc [17] Ở nước phát triển, AD bệnh tốn cho xã hội [18-21] Đầu tiên, bác sĩ cần xác định sa sút trí tuệ bất thường có triệu chứng phù hợp với AD Sau đó, bác sĩ cần loại trừ bệnh khác gây triệu chứng Sau đó, bác sĩ áp dụng phương pháp chẩn đốn hình ảnh MRI phương pháp hữu hiệu để chẩn đốn MRI cho thấy giảm kích cỡ số vùng não bệnh nhân chuyển sang AD [22] MRI hỗ trợ y bác sĩ quan sát chất não cách trực quan để định xác Đây cơng việc khó khăn cần nhiều kiến thức, kinh nghiệm y bác sĩ Ngoài ra, y bác sĩ đảm nhận tất nhiệm vụ cách hiệu phải xem xét, phân tích đặc biệt có q nhiều vấn đề cần quan tâm Do đó, nghiên cứu ảnh não MRI, đặc biệt để hỗ trợ chẩn đốn AD có vai trị quan trọng vì: • Giảm thiểu phẩu thuật không cần thiết • Giúp phát sớm điều trị AD • Hỗ trợ bác sĩ đưa định, quy trình điều trị xác Do luận án tập trung đề xuất phương pháp hỗ trợ chẩn đoán bệnh Alzheimer từ ảnh não MRI để bác sĩ đưa định, quy trình điều trị cách xác 1.1.2 Bài toán phân vùng chất não hỗ trợ chẩn đoán AD Ảnh y khoa [23] ảnh có áp dụng kỹ thuật tiếp cận đến cấu trúc phức tạp bên thể cách trực quan mà không cần phẩu thuật (Hình 1-1) Hình 1-1 Minh họa số ảnh y khoa chẩn đốn hình ảnh Từ trái qua phải ảnh phổi X-quang, ảnh phổi ảnh CT [24], ảnh não MRI [25] Trong phương pháp nay, chụp MRI phương pháp đại sử dụng ngày phổ biến [26,27] MRI có ưu điểm số ảnh y khoa khác độ tương phản rõ rệt loại mô mô mềm, dịch tổn thương Tuy nhiên, với chất vôi xương, xơ vữa động mạch có đóng vơi hình ảnh so với CT Do MRI có giá trị chẩn đoán tổn thương phần mềm, hệ thống mạch máu, hệ thống thần kinh Trong não có nhiều chất quan trọng cần thiết cho việc chẩn đoán bệnh liên quan đến não vùng chất xám (GM), vùng chất trắng (WM), vùng dịch não tủy (CSF), Đồi thị, hạch Hạnh nhân [28] Trong chất đó, ba chất quan trọng bên não có mối liên hệ mật thiết chẩn đốn bệnh trí, bệnh lú lẫn WM, GM CSF [29-32] (Hình 1-2) Bên cạnh đó, toán liên quan đến phân loại gần thường sử dụng phương pháp liên quan đến học sâu Các phương pháp học sâu cho kết tốt so với phương pháp truyền thống Tuy nhiên, điểm yếu phương pháp học sâu khó giải thích kết Nếu chia tốn phân loại sử dụng phương pháp học sâu thành giai đoạn quan sát theo dõi kết giai đoạn giải thích thể rõ ràng Đặc biệt lĩnh vực y khoa, giải thích đóng vai trị quan trọng Từ trình bày trên, hình thành ba tốn nghiên cứu luận án là: • Bài tốn 1: Bài tốn tách hộp sọ (phân vùng não) từ ảnh não MRI chiều • Bài toán 2: Bài toán phân vùng chất não tự động từ ảnh não MRI chiều • Bài tốn 3: Bài tốn hỗ trợ chẩn đoán bệnh từ vùng WM, GM CSF ảnh não MRI chiều Hình 1-2 Minh hoạ ba chất bên lát cắt ảnh não MRI gồm chất xám, chất trắng dịch não tủy 1.2 Mục tiêu phạm vi nghiên cứu Mục tiêu phạm vi nghiên cứu đề tài đề xuất thuật toán phân vùng chất xám, chất trắng, dịch não tủy chẩn đoán số bệnh từ ảnh não MRI chiều, cụ thể AD 1.3 Các đóng góp luận án Bài tốn 1: • Đề xuất phương pháp tách hộp sọ (phân vùng não) dùng phương pháp mặt phẳng Bit cải tiến thuật tốn Fast Marching [CT1] • Đề xuất phương pháp tách hộp sọ (phân vùng não) cách cải tiến thuật toán Region Growing [CT4] Bài toán 2: • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều cách bổ sung thông tin đầu vào cho mô hình học sâu U-Net chiều [CT2] • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều cách sử dụng Adaptive U-Net chiều Local CNN [CT3] Hình 3-1 Minh họa cải tiến Convolution layer 3.2 Phân vùng chất não sử dụng Adaptive U-Net Local CNN Lưu đồ phương pháp đề xuất trình bày Hình 3-2 [87] Phương pháp bao gồm hai bước chính: (1) Sử dụng CNN để phân vùng “vùng chắn” “vùng không chắn”; (2) Phân loại điểm ảnh “vùng không chắn” cách sử dụng mơ hình CNN khác Hình 3-2 Tổng quan phương pháp đề xuất phân vùng ba đối tượng não từ ảnh não MRI 16 3.3 Phân vùng chất não sử dụng CNN chiều thu nhỏ CNN chiều Mơ hình chúng tơi đề xuất phát triển dựa U-Net chiều đạt kết phân vùng tốt [89] Lợi ích mơ hình chúng tơi (Hình 3-3) có sử dụng mối quan hệ lát cắt để phân vùng có nhiều liệu để huấn luyện so với mơ hình chiều ban đầu (khơng sử dụng augmentation để tăng thêm liệu) Hình 3-3 Phương pháp đề xuất U-Net chiều thu nhỏ phân vùng chất từ ảnh não MRI Từ kết phân vùng mơ hình CNN chiều thu nhỏ, chúng tơi xây dựng mơ-đun loại bỏ vùng chứa chất có khả phân vùng xác cao Sau đó, chúng tơi sử dụng mơ hình CNN chiều để phân vùng chất khác Phương pháp đề xuất trình bày Hình 3-4 17 Hình 3-4 Phương pháp đề xuất phân vùng chất từ kết CNN chiều thu nhỏ 3.4 Phân vùng chất não sử dụng CNN chiều với RPP Trong cách tiếp cận đề xuất, cách tiếp cận sử dụng CNN chiều với bổ sung thông tin đầu vào mối quan hệ lát cắt chúng tơi đánh giá cao độ xác số lượng tham số mơ hình phù hợp Khi sử dụng CNN để phân vùng lát cắt 2D thành m vùng, lát cắt sử dụng làm đầu 18 vào cho CNN phân vùng độc lập đó, mối quan hệ lát cắt MRI chiều bị loại bỏ Để khắc phục nhược điểm này, đề xuất sử dụng Relationship Probability of Pixel (RPP) làm đầu vào bổ sung cho mơ hình CNN [90] RPP tính tốn từ n lát cắt MRI chiều thay tính tốn từ lát cắt điểm ảnh Hình 3-5 trình bày phương pháp đề xuất phân vùng chất Hình 3-5 Phương pháp đề xuất phân vùng chất não sử dụng CNN chiều với RPP từ ảnh não MRI 19 3.5 Kết chương Trong chương này, chúng tơi trình bày bốn đề xuất để giải toán phân vùng ba chất quan trọng não bao gồm: • Phân vùng chất não sử dụng B-UNet • Phân vùng chất não sử dụng Adaptive UNet Local CNN • Phân vùng chất não sử dụng mơ hình CNN chiều thu nhỏ CNN chiều • Phân vùng chất não sử dụng CNN chiều với RPP Trong đề xuất, đánh giá cao đề xuất cải tiến phương pháp phân vùng cách bổ sung thông tin cho đầu vào mơ hình U-Net Các thuật tốn cơng bố cơng trình khoa học [CT2, CT3, CT5, CT6] 20 Chương PHƯƠNG PHÁP HỖ TRỢ CHẨN ĐOÁN BỆNH ALZHEIMER 4.1 Phương pháp hỗ trợ chẩn đoán bệnh Alzheimer Chúng tơi đề xuất sử dụng CNN để tìm đặc trưng bệnh lát cắt Từ đặc trưng tìm lát cắt, thuật tốn XGBoost sử dụng để phân loại ảnh não MRI chiều thành hai lớp: AD bình thường Phương pháp đề xuất để dự đoán bệnh Alzheimer cách sử dụng XGBoost từ chất WM, GM CSF mơ tả Hình 4-1 [90] Hình 4-1 Một phương pháp đề xuất để dự đoán AD cách sử dụng XGBoost từ chất WM, GM CSF ảnh não MRI Lợi ích việc sử dụng phương pháp XGBoost sau xây dựng, thuật tốn tính “điểm” cho đặc trưng “Điểm” cho thấy đặc trưng có giá trị việc xây dựng định 21 tăng cường mơ hình Đây cách chọn lựa đặc trưng trước tiến hành phân loại phương pháp SVM Phương pháp đề xuất để dự đoán bệnh Alzheimer cách sử dụng SVM với lựa chọn đặc trưng từ XGBoost mơ tả Hình 4-2 Hình 4-2 Một phương pháp đề xuất để chẩn đoán AD cách sử dụng SVM với lựa chọn đặc trưng từ XGBoost 4.2 Kết chương Trong chương này, kết hợp mơ hình học sâu CNN với thuật tốn SVM XGBoost để xây dựng thuật toán chẩn đoán AD dựa ba chất não WM, GM CSF Phương pháp cơng bố cơng trình khoa học [CT2] 22 Chương KẾT QUẢ VÀ THẢO LUẬN Tập liệu thực nghiệm 5.1 5.1.1 Cơ sở liệu phân vùng hộp sọ, da đầu não Hiện giới có nhiều sở liệu hình ảnh cơng khai để đánh giá phương pháp phân vùng não Tuy nhiên, bên cạnh việc phân vùng não, phân vùng da đầu hộp sọ Do chúng tơi đề xuất sử dụng sở liệu sau: • Cơ sở liệu BrainWeb [116] sở liệu mô cung cấp 20 mơ hình 20 não bình thường Trong ảnh kết phân vùng chuyên gia, điểm ảnh gán cho nhãn: nền, CSF, chất xám, chất trắng, chất béo, cơ, da / cơ, hộp sọ, mạch, xung quanh chất béo, chất dura, tủy xương Do đó, chúng tơi gom nhóm số đối tượng thành lớp chính: não, da đầu, hộp sọ (ví dụ hộp sọ bao gồm hộp sọ, vật chất dura tủy xương) • Cơ sở liệu Neurodevelopmental MRI [117] sở liệu thực Cơ sở liệu bao gồm MRI người trưởng thành với hộp sọ, da đầu não phân vùng thủ công chuyên gia 23 5.1.2 Cơ sở liệu phân vùng ba đối tượng não Chúng đánh giá phương pháp đề xuất sở liệu Internet Brain Segmentation Repository với 18 bệnh nhân (IBSR 18) [118] Đây sở liệu thực sử dụng nhiều nghiên cứu phân vùng chất não từ MRI Bộ liệu bao gồm 18 MRI T1-weight với độ dày lát cắt 1,5mm Kích cỡ ảnh 256x128x256 Các bệnh nhân đánh số từ 01 đến 18 Một đặc điểm quan trọng IBSR 18 có cung cấp kết phân vùng chuyên gia cho mục đích so sánh Các ảnh phân vùng thủ công chia thành bốn đối tượng khác nhau: não, CSF, GM WM 5.1.3 Cơ sở liệu cho toán: phân vùng ba đối tượng não chẩn đốn AD Hiện giới có nhiều sở liệu hình ảnh cơng khai để đánh giá phương pháp đề xuất sở liệu OASIS [119], ADNI (http://adni.loni.usc.edu/) Tuy nhiên, bên cạnh việc chẩn đốn bệnh, chúng tơi mong muốn đánh giá phương pháp phân vùng ba đối tượng não Do đó, chúng tơi sử dụng sở liệu OASIS bao gồm 98 đối tượng 24 Bình thường 99 đối tượng AD có tuổi từ 60 đến 96 tuổi Ngồi ra, để so sánh với phương pháp khác, bệnh nhân chia thành hai tập hợp theo độ tuổi tình trạng trí nhớ đánh giá theo Clinical Dementia Rating (CDR) [120] CDR thang số thường sử dụng để định lượng mức độ nghiêm trọng triệu chứng sa sút trí tuệ dựa nhận thức chức bệnh nhân sáu lĩnh vực: trí nhớ, định hướng, phán đốn & giải vấn đề, vấn đề cộng đồng, gia đình, sở thích chăm sóc cá nhân Kết hai nhóm xây dựng gồm: • AD-86: Bao gồm 86 đối tượng độ tuổi từ 60 đến 80, bao gồm 20 bệnh nhân mắc AD nhẹ (CDR = 1) 66 đối tượng khỏe mạnh (CDR = 0); • AD-126: Bao gồm 126 đối tượng độ tuổi từ 60 đến 96, bao gồm 28 bệnh nhân mắc AD nhẹ (CDR = 1) 98 đối tượng khỏe mạnh (CDR = 0) 5.2 Kết thực nghiệm Chúng tơi trình bày chi tiết kết thực nghiệm hai thuật toán phân vùng não, bốn thuật toán phân vùng ba chất bên não thuật toán hỗ trợ chẩn đoán AD từ ảnh não MRI chiều Chương luận án 25 5.3 Kết chương Trong chương này, chúng tơi trình bày phương pháp đánh giá kết thực nghiệm hai thuật toán phân vùng não, bốn thuật toán phân vùng ba chất bên não thuật toán hỗ trợ chẩn đoán AD từ ảnh não MRI chiều Các kết cơng bố cơng trình khoa học [CT1, CT2, CT3, CT4, CT5, CT6] 26 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Luận án hoàn thành mục tiêu đặt đề xuất thuật toán phân vùng não, chất não từ ảnh não MRI chiều hỗ trợ chẩn đoán bệnh giúp bác sỹ việc theo dõi điều trị bệnh liên quan đến não AD Cụ thể luận án đạt số kết sau: • Đề xuất phương pháp cho toán tách hộp sọ (phân vùng não) dùng phương pháp mặt phẳng Bit cải tiến thuật toán Fast Marching [CT1] • Đề xuất phương pháp cho tốn tách hộp sọ (phân vùng não) cách cải tiến thuật tốn Region Growing [CT4] • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều cách bổ sung thông tin đầu vào cho mơ hình học sâu U-Net chiều [CT2] • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều 27 cách sử dụng Adaptive U-Net chiều Local CNN [CT3] • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều cách cải tiến Convolution mơ hình học sâu U-Net [CT6] • Đề xuất phương pháp phân vùng chất não tự động từ ảnh não MRI chiều cách sử dụng U-Net chiều thu nhỏ U-Net chiều [CT5] • Đề xuất thuật tốn hỗ trợ chẩn đốn bệnh cách kết hợp CNN XGBoost, SVM [CT2] 6.2 Hướng phát triển luận án Bài toán phân vùng não, chất não hỗ trợ chẩn đốn bệnh từ ảnh não MRI chiều cịn nhiều thách thức thiếu liệu y khoa Trong nghiên cứu tiếp theo, tác giả tập trung nội dung sau: • Phối hợp với trung tâm y khoa có uy tín thu thập liệu để triển khai thực tế • Phối hợp với chuyên gia nhằm tích hợp tri thức chuyên ngành vào mơ hình phân vùng chất não mà luận án đề xuất 28 DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ Các báo đăng tạp chí SCIE: [CT1] Tran Anh Tuan, Jin Young Kim and Pham The Bao, (2018), 3D brain magnetic resonance imaging segmentation by using bitplane and adaptive fast marching, International Journal of Imaging Systems and Technology, 28(3):223-230 DOI: https://doi.org/10.1002/ima.22273 [CT2] Tran Anh Tuan, The Bao Pham, Jin Young Kim & João Manuel R S Tavares, (2020), Alzheimer’s diagnosis using deep learning in segmenting and classifying 3D brain MR images, International Journal of Neuroscience, 1-10, DOI: https://doi.org/10.1080/00207454.2020.1835900 [CT3] Pham The Bao, Tran Anh Tuan, Tran Anh Tuan (A), Le Nhi Lam Thuy, Jin Young Kim, João Manuel R S Tavares, (2021), White Matter, Gray Matter and Cerebrospinal Fluid Segmentation from Brain Magnetic Resonance Imaging Using Adaptive U-Net and Local Convolutional Neural Network, The Computer Journal, bxab127 DOI: https://doi.org/10.1093/comjnl/bxab127 29 Các báo đăng tạp chí Scopus: [CT4] Tran Anh Tuan, Jin Young Kim and Pham The Bao, (2019), Adaptive Region Growing for Skull, Brain, and Scalp segmentation from 3D MRI, Biomedical Engineering: Applications, Basis and Communications, 31(05): 1950033 DOI: https://doi.org/10.4015/S1016237219500339 [CT5] Pham The Bao, Tran Anh Tuan, Tran Anh Tuan (A), Le Nhi Lam Thuy, Jin Young Kim, (2021), An effective approach for white matter, grey matter, and cerebrospinal fluid segmentation from 3D brain MRI, International Journal of Intelligent Information and Database Systems, 14(4): 315-332 DOI: https://doi.org/10.1504/IJIIDS.2021.118565 Các báo đăng hội nghị: [CT6] Tuan T.A., Bao P.T., Kim J.Y., Tavares J.M.R.S (2019) White Matter, Gray Matter and Cerebrospinal Fluid Segmentation from Brain 3D MRI Using B-UNET In: Tavares J., Natal Jorge R (eds) VipIMAGE 2019 Lecture Notes in Computational Vision and Biomechanics, vol 34 Springer, Cham DOI: https://doi.org/10.1007/978-3-030-32040-9_20 30 ... KHOA HỌC TỰ NHIÊN TRẦN ANH TUẤN PHÂN ĐOẠN ẢNH MRI NÃO 3D TỰ ĐỘNG VÀ TRÍCH XUẤT VÙNG XÁM, VÙNG TRẮNG VÀ DỊCH NÃO TỦY ĐỂ HỖ TRỢ CHẨN ĐOÁN MỘT SỐ BỆNH Chuyên ngành: Cơ sở toán cho tin học Mã số ngành:... hộp sọ (phân vùng não) từ ảnh não MRI chiều • Bài tốn 2: Bài tốn phân vùng chất não tự động từ ảnh não MRI chiều • Bài tốn 3: Bài tốn hỗ trợ chẩn đoán bệnh từ vùng WM, GM CSF ảnh não MRI chiều... cắt ảnh não MRI gồm chất xám, chất trắng dịch não tủy 1.2 Mục tiêu phạm vi nghiên cứu Mục tiêu phạm vi nghiên cứu đề tài đề xuất thuật toán phân vùng chất xám, chất trắng, dịch não tủy chẩn đoán