THÔNG TIN TÀI LIỆU
ĐẠI HỌC QUỐC GIA TP HCM ĐẠI HỌC KHOA HỌC TỤ NHIÊN TRẦN ANHTUÁN PHÂN ĐOẠN ẢNH MRI NÃO 3D TỤ ĐỘNG VÀ TRÍCH XƯÁT VỪNG XÁM, VÙNG TRÁNG VÀ DỊCH NÃO TỦY ĐÉ HỎ TRỢ CHÁN ĐOÁN MỘT sỏ BỆNH LUẬN ÁN TIÊN Sĩ TỐN HỌC Tp Hồ Chí Minh - Năm 2022 ĐẠI HỌC ỌUÓC GIA TP HCM ĐẠI HỌC KHOA HỌC TỤ NHIÊN TRÀN ANH TUẤN PHÂN ĐOẠN ẢNH MRI NÃq 3D TỤ ĐỘNG VÀ TRÍCH XUẤT VÙNG XÁM, VÙNG TRÁNG VA DỊCH NÃO TUỶ ĐẾ HỔ TRỌ CHẮN ĐOÁN MỘT sỏ BỆNH Chuyên ngành: Cơ sở toán cho tin học Mã số ngành: 62460110 Phàn biện 1: TS Nguyễn Viết Hưng Phản biện 2: TS Hà Việt Uyên Synh Phán biện 3: TS Trịnh Tấn Đạt Phăn biện độc lập I: TS Lê Thành Sách Phán biện độc lập 2: TS Hà Việt Uyên Synh NGUÔI HƯỞNG DẨN KHOA HỌC • PGS.TS Phạm Thế Bao GS.TS Jin Young Kim Tp Hồ Chí Minh - Năm 2022 Lịi cam đoan Tơi xin cam đoan nội dung cúa luận án kết qua nghiên cứu cúa bán thân tác giả hưcíng dẫn cùa cán hướng dẫn khoa học Tất thông tin tham khảo nêu rõ nguồn gốc danh mục tài liệu tham khao luận án Những đóng góp luận án nghiên cứu cùa tác giả công bố báo liệt kê danh mục công trinh nghiên cứu, chưa công bố bời tác giả khác Tác giả luận án Trần Anh Tuấn Lòi cám on Xin gửi lời cám ơn chân thành đến PGS TS Phạm Thế Bảo GS TS Jin Young Kim tận tình hướng dẫn tạo diều kiện để tác giả hồn thành đề tài nghiên cứu Dưới hướng dẫn tận tình thầy kiến thức chun mơn góp ý sổng giúp tác giá vượt qua nhiều khó khăn thử thách Xin gứi lời cám ơn chân thành đến thầy Khoa Tốn-Tin học, thầy phịng Sau Đại Học, Ban Giám Hiệu nhà trường hỗ trợ đế tác gia hoàn tất đề tài nghiên cứu Xin chân thành cám ơn quỹ tài trợ Japan-Asia Youth Exchange Program in Science, ASEAN-Korea Exchange Fellowship Erasmus Mundus Program đà hỗ trợ đê tác giả hoàn tat đề tài nghiên cứu Xin chân thành cám ơn quý thầy cô nhận xét gứi lời góp ý đen luận án Xin cám ơn gia đình hồ trợ thời gian học tập, làm việc nghiên cứu II Mục lục Lòi cam đoan I Lời cảm ơn II Danh mục kỷ hiệu, chủ' viết tất V Danh mục bang VI Danh mục hình vẽ, đồ thị VII Chương I 1.1 TÔNG QUAN I Giói thiệu tốn 1.1.1 Động nghiên cứu 1.1.2 Bài toán phân vùng chất não hồ trợ chấn đoán bệnh 1.2 Mục tiêu phạm vi nghiên cứu 1.3 Các đóng góp luận án 1.4 Bố cục cua luận án Chương PHÂN VÙNG NÃO TÙ ẢNH NÃO TRÊN MRI3 CHIỀU .7 2.1 Tổng quan nghiên cứu phân vùng não 2.2 Các thuật toán cho toán phân vùng não 10 2.2.1 MặtphắngBit 10 2.2.2 Thuật toán Otsu 10 2.2.3 Thuật toán Fast Marching 12 2.3 Phuong pháp đề xuất phân vùng não 14 2.3.1 Phân vùng não phương pháp Adaptive Region Growing 14 2.3.2 Phân vùng não bàng phương pháp Adaptive Fast Marching 18 2.4 Kết chương 24 Chương PHÂN VÙNG CHẮT TRÂNG, CHẮT XÁM, VÀ DỊCH NÃO TUỶ 25 3.1 Tống quan nghiên cứu phân vùng ba chất não 25 3.2 Các thuật toán toán phân vùng chất não 26 3.2.1 Học sâu 26 3.2.2 Mơ hình U-Net 30 3.2.3 Gaussian Mixture Model 31 III 3.3 Phuong pháp đề xuất phân vùng chất não 32 3.3.1 Phân vùng chất não sử dụng B-UNet 33 3.3.2 Phân vùng chất não sử dụng Adaptive U-Nct Local CNN 34 3.3.3 Phân vùng chất sử dụng CNN chiều thu nhỏ CNN chiều 40 3.3.4 Phân vùng chất não sử dụng CNN chiều với R.PP 43 3.4 Kết chương 44 Chương PHƯƠNG PHÁP HỎ TRỢ CHẮN ĐOẢN BỆNH ALZHEIMER 45 4.1 Tổng quan nghiên cứu chấn đoán bệnh Alzheimer 45 4.2 Các thuật toán ứng dụng toán chẩn đoán bệnh 46 4.2.1 Thuật toán SVM 46 4.2.2 Thuật toán XGBoost 47 4.3 Phương pháp đề xuất hỗ trợ chẩn đoán bệnh Alzheimer 48 4.4 Kết chương 51 Chương KÉT QUẢ CÀ THẮO LUẬN 52 5.1 PhưoTig pháp đánh giá 52 5.1.1 Phân vùng ánh não chất não 52 5.1.2 Chấn đoán bệnh 53 5.2 Kết thực nghiệm 53 5.2.1 Tập dừ liệu thực nghiệm 53 5.2.2 Kết thực nghiệm tách hộp sọ 54 5.2.3 Ket qua thực nghiệm phân vùng đối tượng não 61 5.2.4 Kết thực nghiệm cho toán: phân vùng ba đối tượng não chân đoán AD 64 5.3 Kết chương 72 Chương KÉT LUẬN VÀ HƯỚNG PHÁT TRIỂN 73 6.1 Kết luận 73 6.2 Hưóng phát triển luận án 73 DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ 75 TÀI LIỆU THAM KHẢO 77 IV Danh mục chữ viết tắt Alzheimer Disease (AD): Bệnh Alzheimer Magnetic Resonance Imaging (MRI): Hình ảnh cộng hưởng từ Computed tomography (CT): cắt lớp vi tính Positron Emission Tomography (PET): cắt lớp phát xạ positron White Matter (WM): Chất trắng Gray Matter (GM): Chất xám Cerebrospinal Fluid (CSF): Dịch não tuỷ Brain Extraction Tool (BET): công cụ phân vùng não Brain Surface Extractor (BSE): I công cụ phân vùng FMRIB Software Library (FSL): công cụ phân vùng chất não Convolutional neural network (CNN): Mạng nơ-ron tích chập Statistical Parametric Mapping (SPM): Một cơng cụ phân vùng não Functional Magnetic Resonance Imaging (fMRI): Một công cụ phân vùng Diffusion tensor imaging (DTI): Chụp cộng hưởng từ khuếch tán sức căng Breadth-first search (BFS): Thuật toán tìm kiếm theo chiều rộng Expectation-Maximization (EM): Thuật tốn cực đại hóa kỳ vọng Relationship Probability of Pixel (RPP): Xác suất moi quan hệ diem ành Clinical Dementia Rating (CDR): Bảng đánh giá chứng trí nhớ lâm sàng V Danh mục bảng Bàng 2-1 Minh họa gom nhóm lát cắt dựa hình dạng hộp sọ 16 Bảng 2-2 Các loại lát cắt dựa hình dạng não 20 Bảng 5-1 Minh họa kết lát cắt nhóm sở liệu BrainWeb Màu sắc thề kết bị phân vùng sai màu xanh vùng phương pháp đề xuất màu hồng vùng chuyên gia 55 Bang 5-2 Minh họa kết cua lát cắt nhóm cua sơ liệu Neurodevelopmental MRĨ Màu sắc thể kết quâ bị phân vùng sai màu xanh vùng phương pháp đề xuất màu hồng vùng chuyên gia 56 Báng 5-3 So sánh phương pháp đề xuất Adaptive Region Growing với phương pháp phồ biển (BET BSE) 58 Bảng 5-4 So sánh phương pháp đề xuất Adaptive Fast Marching với phương pháp phân vùng não 59 Bàng 5-5 So sánh phương pháp đề xuất Adaptive Fast Marching với phương pháp BET phân vùng hộp sọ da đau 60 Bâng 5-6 So sánh phương pháp đề xuất phân vùng não với phương pháp khác .61 Bang 5-7 Ket so sánh phương pháp đề xuất phân vùng đối tượng não với phương pháp khác 63 10 Bang 5-8 Thơng tin chi tiết mơ hình CNN đề xuất phân vùng đối tượng não 66 11 Bảng 5-9 Kết phương pháp đề xuất phân vùng đổi tượng não phương pháp thu bang phương pháp U-Net truyền thống (Dice) 68 12 Bang 5-10 Thơng tin chi tiết mơ hình CNN đề xuất phân loại lát cắt 69 13 Bang 5-11 Độ xác phương pháp đề xuất chẩn đốn AD phương pháp khác để chẩn đoán AD từ ánh não sau tách hộp sọ MRĨ chiều 71 VI Danh mục hình vẽ, đồ thị Hình -1 Minh họa số ảnh y khoa chân đốn hình ãnh Từ trái qua phài ảnh phôi X-quang, ảnh phổi ảnh CT [24J, ánh não MRI 1.25] Hình 1-2 Minh hoạ ba chất bên lát cắt ánh não MR1 gồm chất xám, chất trắng dịch não tủy Hình 1-3 Ba tốn tốn hồ trợ chấn dốn AD từ MRI 4 Hình 2-1 Hệ thống phân vùng não, hộp sọ da đầu bàng phương pháp Otsu nhiều lớp Adaptive Region Growing 15 Hình 2-2 Minh họa lát cắt cùng, lát cắt bơn nhóm lát cắt dựa hình dạng hộp sọ 17 Hình 2-3 Hệ thống phân vùng não, da đầu hộp sọ từ MRI 19 Hình 2-4 Minh hoạ kết quă sử dụng phương pháp Otsu để phân vùng đầu 19 Hình 2-5 Minh hoạ mặt phăng bit cua lát cắt anh não MRI (a) BrainWeb (b) Cơ sở dừ liệu MRI NeuronDevelopmental 21 Hình 2-6 Minh hoạ sừ dụng AFM với ngưỡng T = 0,04 24 10 Hình 3-1 Các phương pháp phân vùng WM, GM CSF 25 11 Hình 3-2 Minh hoạ• • mơ hình học • sâu 28 12 Hình 3-3 Kiến trúc U-Net (ví dụ cho 32x32 điểm anh layer thấp nhất) 1841.30 13 Hình 3-4 Minh họa cãi tiến Convolution layer mơ hình B-UNet 34 14 Hình 3-5 Tống quan phương pháp đề xuất phân vùng ba đối tượng não từ ảnh não MRĨ 34 15 Hình 3-6 Phương pháp đề xuất phân vùng “vùng chẳc chắn” “vùng chưa chắn” dựa mô hình CNN 35 16 Hình 3-7 Phương pháp đề xuất phân vùng “vùng chắn” “vùng không chắn” dựa mơ hình CNN 35 17 Hình 3-8 Sự kết hợp kernels với kích cỡ khác phương pháp giám mẫu khác Convolution layer 37 VII 18 Hình 3-9 Mơ hình CNN phân loại “vùng chưa chắn” MRI chiều 38 19 Hình 3-10 Minh hoạ cứa sổ trượt với ảnh đầu vào gồm ánh ban đầu, “vùng chắn” ảnh trước, ảnh xét ảnh sau 40 20 Hình 3-11 Phương pháp đề xuất U-Net chiều thu nhó phân vùng chất từ ảnh não MRI 41 21 Hình 3-12 Phương pháp đề xuất phân vùng chất từ kết qua CNN chiều thu nhỏ 42 22 Hình 3-13 Phương pháp đề xuất phân vùng chất não sử dụng CNN chiều với RPP từ ánh não MR1 43 23 Hình 4-1 Nhóm phương pháp hồ trợ chấn đốn AD nhóm tiêu chuấn hình anh học ảnh não MRI 45 24 Hình 4-2 Margin hai lớp bàng lớn có thề 46 25 Hình 4-3 Minh hoạ mơ hình CNN phân loại anh 49 26 Hình 4-4 Một phương pháp đề xuất để dự đoán bệnh Alzheimer cách sử dụng XGBoost từ chất WM, GM CSF ảnh não MR1.49 27 Hình 4-5 Một phương pháp đề xuất đe chấn đoán AD cách sử dụng SVM với lựa chọn đặc trưng từ XGBoost .50 28 Hình 5-1 Sự phù hợp kết phân vùng (A) so với phân vùng chuyên gia (B) 52 29 Hình 5-2 Ket qua độ đo Dice sứ dụng phương pháp đề xuất Adaptive Fast Marching cho 20 đổi tượng sở liệu BrainWeb 58 30 Hình 5-3 Ket độ đo Dice sử dụng phương pháp đề xuất Adaptive Fast Marching cho đối tượng sở liệu Neurodevelopmental MRI 59 31 Hình 5-4 Một ví dụ vê kêt thu băng phương pháp đê xuât phân vùng chất não Từ trái sang phải kết cua: U-Net, phương pháp đề xuất ảnh phân vùng thủ công Sự khác biệt chủ yếu biên đối tượng bên hình chữ nhật màu đỏ 68 VIII 10 Tabert MH, Liu X, Doty RL, Serby M, Zamora D, Pelton GH, Marder K, Albers MW, Stern Y, Devanand DP (2005) A 10-item smell identification scale related to risk for Alzheimer's disease, Ann Neurol 58(1): 155-60 doi: 10.1002/ana.20533 11 Bature F., Guinn B.A., Pang D„ Pappas Y (2017) Signs and symptoms preceding the diagnosis of Alzheimer’s disease: A systematic scoping review of literature from 1937 to 2016, BMJ Open, 7(8): e015746 doi: 10.1136/bmjopen-2016- 015746 12 Môlsã PK, Marttila RJ, Rinne UK (1986) Survival and cause of death in Alzheimer's disease and multi-infarct dementia, Acta Ncurologica Scandinavica, 74(2): 103-107 DOI: 10.1111/j.l600-0404.1986.tb04634.x 13 Mõlsă PK, Marttila RJ, Rinne UK (1995) Long-term survival and predictors of mortality in Alzheimer's disease and multi-infarct dementia, ActaNeurol Scand, 91(3): 159-64 DOI: 10.1111/j.l600-0404.1995.tb00426.x 14 Tiraboschi p, Hansen LA, Thal LJ, Corey-Bloom J (2004) The importance of neuritic plaques and tangles to the development and evolution of AD Neurology, 62(11):1984-9 doi: 10.1212/01.wnl.0000129697.01779.0a 15 Kumar A, Sidhu J, Goyal A, Tsao JW (2020) Alzheimer Disease In: StatPearls [Internet] Treasure Island (FL): StatPcarls Publishing 16 Anna Laura Cremonini, Irene Caffa, Michele Cea, Alessio Nencioni, Patrizio Odctti, Fiammctta Monacclli (2019) Nutrients in the Prevention of Alzheimer’s Disease, Oxidative Medicine and Cellular Longevity, 2019: 9874159 doi: 10.1155/2019/9874159 17 Grabber BJ (2018) Effects of Alzheimer Disease on Patients and Their Family, J Nucl Med Technol, 46(4):335-340 doi: 10.2967/jnmt 118.218057 18 Thompson CA, Spilsbury K, Hall J, Birks Y, Barnes c, Adamson J (2007) Systematic review of information and support interventions for caregivers of people with dementia, BMC Geriatr, 7:18 doi: 10.1186/1471-2318-7-18 78 19 Schneider J, Murray J, Banerjee s, Mann A (1999) EUROCARE: a cross national study of co-resident spouse carers for people with Alzheimer's disease: I-Factors associated with carer burden, Int J Gcriatr Psychiatry, 14(8):651-61 PM1D: 10489656 20 Diego M Castro, Carol Dillon, Gerardo Machnicki, and Ricardo F Allegri (2010) The economic cost of Alzheimer's disease: Family or public health burden?, Dement Neuropsychol, 4(4): 262-267 doi: 10.1590/S1980- 57642010DN40400003 21 Bernard s Bloom, PhD, Nathalie de Pouvourville, Walter L Straus, MD, MPH (2003) Cost of Illness of Alzheimer's Disease: How Useful Arc Current Estimates? The Gerontologist, 43(2): 158-164 doi: 10.1093/geront/43.2.158 22 Chandra A, Dervenoulas G, Politis M; Alzheimer’s Disease Neuroimaging Initiative (2019) Magnetic resonance imaging in Alzheimer's disease and mild cognitive impairment, J Neurol., 266(6): 1293-1302 doi: 10.1007/s00415-018- 9016-3 23 Paul Suetens, (2009), Fundamentals of Medical Imaging, Cambridge University Press, DOI: https://doi.org/10.1017/CB09780511596803 24 Bell, D COVID-19 Reference article, Radiopaedia.org (accessed on 31 Oct 2021) https://doi.org/10.53347/rID-73913 25 Gaillard, F Normal brain (MRI) Case study, Radiopaedia.org (accessed on 31 Oct 2021) https://doi.org/10.53347/rlD-37605 26 Qiuliang Wang (2013) Practical Design of Magnetostatic Structure Using Numerical Simulation, John Wiley & Sons Singapore Pte Ltd., DOI: 10.1002/9781118398159 27 Y Lvovsky and p Jarvis (2005) Superconducting systems for MRI-present solutions and new trends, in IEEE Transactions on Applied Superconductivity, 15(2): 1317-1325, doi: 10.1109/TASC.2005.849580 28 Fischl B, Salat DH, Busa E, Albert M, Dieterich M, Haselgrove c, van der Kouwe A, Killiany R, Kennedy D Klaveness s, Montillo A, Makris N, Rosen B, Dale 79 AM (2002) Whole brain segmentation: automated labeling of neuroanatomical structures in the human brain, Neuron, 33(3):341-55 doi: 10.1016/s08966273(02)00569-x 29 Fein G, Di Sclafani V, Tanabe J, Cardenas V, Weiner MW, Jagust WJ.Reed BR, Norman D, Schuff N, Kusdra L, Greenfield T, Chui H (2000) Hippocampal and cortical atrophy predict dementia in subcortical ischemic vascular disease, Neurology, 55( 11): 1626-35 doi: 10.1212/WNL.55.11.1626 30 Barber R, Scheltens p, Gholkar A, Ballard c, McKeith I, ĩnce p, Perry R, O'Brien J (1999) White matter lesions on magnetic resonance imaging in dementia with Lewy bodies, Alzheimer's disease, vascular dementia, and normal aging, J Neurol Neurosurg Psychiatry, 67(l):66-72 doi: 10.1136/jnnp.67.l.66 31 Gunning-Dixon FM, Raz N (2000) The cognitive correlates of white matter abnormalities in normal aging: a quantitative review, Neuropsychology, 14(2):224-32 doi: 10.1037//0894-4105.14.2.224 32 Prins ND, van Dijk EJ, den Heijer T, Vermeer SE, Koudstaal PJ, Oudkerk M, Hofman A, Breteler MM (2004) Cerebral white matter lesions and the risk of dementia, Arch Neurol, 61(10):1531-4 doi: io.iooi/archneur.61.10.1531 33 Smith SM (2002) Fast robust automated brain extraction, Hum Brain Mapp, 17(3): 143-55 doi: 10.1002/hbm 10062 34 s Sandor, R Leahy (1995) Towards automatic labelling of the cerebral cortex using a deformable model Proc, of Information Processing in Medical Imaging 35 Smith SM, Jenkinson M, Woolrich MW, Beckmann CF, Behrens TE, JohansenBerg H Bannister PR, De Luca M, Drobnjak I, Flitney DE, Niazy RK, Saunders J, Vickers J, Zhang Y, De Stefano N, Brady JM, Matthews PM (2004) Advances in functional and structural MR image analysis and implementation as FSL, Neuroimage, 23(l):S208-19 doi: 10.1016/j.neuroimage.2004.07.051 36 Brummer ME, Mersereau RM, Eisner RL, Lewine RJ (1993) Automatic detection of brain contours in MRI data sets, IEEE Trans Med Imaging, 12(2):153-66 doi: 10.1109/42.232244 80 37 Smith SM (2002) Fast robust automated brain extraction, Hum Brain Mapp, 17(3): 143-55 doi: 10.1002/hbm 10062 38 Audrey H Zhuang, Daniel J Valentino, Arthur w Toga (2006) Skull-stripping magnetic resonance brain images using a model-based level set, NeuroImage, 32(1): 79-92 doi: 10.1016/j.neuroimage.2006.03.0l9 39 c Tsai, B.s Manjunath R Jagadeesan (1995) Automated segmentation of brain MR images, Pattern Recognition, 28(12): 1825-1837 doi: 10.1016/0031- 3203(95)00047-X 40 Sandor s, Leahy R (1997) Surface-based labeling of cortical anatomy using a deformable atlas, IEEE Trans Med Imaging, 16(l):41-54 doi: 10.1109/42.552054 41 Louis Lemieux, Georg Hagemann, Karsten Krakow, and Friedrich G Woermann (1999) Fast automatic segmentation of the brain in T1-weighted volume MRT data, Proc SPIE 3661, Medical Imaging 1999: Image Processing, doi: 10.1117/12.348561 42 K J Shanthi and M s Kumar (2007) Skull stripping and automatic segmentation of brain MRI using seed growth and threshold techniques, 2007 International Conference on Intelligent and Advanced Systems, Kuala Lumpur, Malaysia, 422-426 doi: 10.1109/ICIAS.2007.465842I 43 Mikheev A, Nevsky G, Govindan s, Grossman R, Rusinek H (2008) Fully automatic segmentation of the brain from Tl-weighted MR1 using Bridge Burner algorithm, J Magn Reson Imaging, 27(6): 1235-41, doi: 10.1002/jmri.21372 44 Jong Geun Park, Chulhee Lee (2009) Skull stripping based on region growing for magnetic resonance brain images, NeuroImage, 47(4): 1394-1407 doi: 10.1016/j neuroimage.2009.04.047 45 J Gao and M Xie (2009) Skull-Stripping MR Brain Images Using Anisotropic Diffusion Filtering and Morphological Processing, 81 2009 International Symposium on Computer Network and Multimedia Technology, Wuhan, China, 1-4 doi: 10.1109/CNMT.2009.5374500 46 Dale AM, Fischl B, Sereno MI (1999) Cortical surface-based analysis Segmentation and surface reconstruction Neuroimage, 9(2): 179-94 doi: 10.1006/nimg.l998.0395 47 Wang Y., Nie J., Yap PT., Shi F., Guo L., Shen D (2011) Robust DeformableSurface-Based Skull-Stripping for Large-Scale Studies In: Fichtinger G., Martel A., Peters T (eds) Medical Image Computing and Computer-Assisted Intervention - MICCAI 2011 MICCAI 2011 Lecture Notes in Computer Science, vol 6893 springer, Berlin, Heidelberg, https://doi.org/10.1007/978-3642-23626-6-78 48 s Kobashi et al (2007) Fuzzy-ASM Based Automated Skull Stripping Method from Infantile Brain MR Images, 2007 IEEE International Conference on Granular Computing (GRC 2007), Fremont, CA, USA, 632-632 doi: 10.1I09/G1-C.2007.63 49 Mahapatra D (2012) Skull stripping of neonatal brain MRI: using prior shape information with graph cuts, J Digit Imaging, 25(6):802-14 doi: 10.1007/s 10278-012-9460-z 50 Leung KK, Barnes J, Modat M, Ridgway GR, Bartlett JW, Fox NC, Ourselin S; Alzheimer's Disease Neuroimaging Initiative (2011) Brain MAPS: an automated, accurate and robust brain extraction technique using a template library, Neuroimage, 55(3): 1091 -108 doi: 10.1016/j.neuroimage.2010.12.067 51 Bharath Hariharan, Pablo Arbelaez, Ross Girshick, Jitendra Malik (2015) Hypercolumns for object segmentation and fine-grained localization, In Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Boston, MA, USA, 447-456 52 Ronneberger o Fischer p., Brox T (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation In: Navab N., Hornegger J., Wells w., Frangi A (eds) Medical Image Computing and Computer-Assisted Intervention - 82 MICCAĨ 2015 MICCAI 2015 Lecture Notes in Computer Science, vol 9351 Springer, Cham, doi: 10.1007/978-3-319-24574-4-28 53 M Scycdhosscini, M Sajjadi and T Tasdizcn (2013) Image Segmentation with Cascaded Hierarchical Models and Logistic Disjunctive Normal Networks, 2013 IEEE International Conference on Computer Vision, Sydney, NSW, Australia, 2168-2175 doi: 10.1109/ICCV.2013.269 54 Fausto Milletari, Seyed-Ahmad Ahmadi, Christine Kroll, Annika Plate, Verena Rozanski, Juliana Maiostre, Johannes Levin, Olaf Dietrich, Birgit Ertl-Wagner, Kai Botzel, Nassir Navab (2017) Hough-CNN: Deep learning for segmentation of deep brain regions in MRI and ultrasound, Computer Vision and Image Understanding, 164: 92-102 doi: 10.1016/j.cviu.2017.04.002 55 Kleesiek J, Urban G, Hubert A, Schwarz D, Maier-Hein K, Bendszus M, Biller A (2016) Deep MRI brain extraction: A 3D convolutional neural network for skull stripping, Neuroimage, 129:460-469 doi: 10.1016/j.neuroimage.2016.01.024 56 s s Mohseni Salehi, D Erdogmus and A Gholipour (2017) Auto-Context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging, in IEEE Transactions on Medical Imaging, 36(11): 23192330 doi: 10.1109/TM 1.2017.2721362 57 D M H Nguyen, H T Vu, H Q Ung and B T Nguyen (2017) 3D-Brain Segmentation Using Deep Neural Network and Gaussian Mixture Model, 2017 IEEE Winter Conference on Applications of Computer Vision (WACV), Santa Rosa, CA, 815-824 doi: 10.1109/WACV.2017.96 58 Dey R Hong Y (2018) CompNet: Complementary Segmentation Network for Brain MRI Extraction In: Frangi A., Schnabel J., Davatzikos c., AlberolaLopez c., Fichtinger G (eds) Medical Image Computing and Computer Assisted Intervention - MICCAI 2018 MICCAI 2018 Lecture Notes in Computer Science, vol 11072 Springer, Cham, https://doi.org/10.1007/978-3030-00931-1 72 83 59 Fausto Milletari, Seyed-Ahmad Ahmadi, Christine Kroll, et al., (2017), HoughCNN: Deep learning for segmentation of deep brain regions in MRI and ultrasound Computer Vision and Image Understanding, 164:92-102, DOI: 10.1016/j.cviu.2017.04.002 60 Kleesiek J, Urban G, Hubert A, Schwarz D, Maier-Hein K, Bendszus M, Biller A., (2016), Deep MRI brain extraction: A 3D convolutional neural network for skull stripping, 129:460-469 Neuroimage, doi: 10.1016/j.neuroimage.2016.01.024 61 R.c Gonzalez, and R.E Woods (2002) Digital Image Processing 2nd ed Prentice Hall, Inc., New Jersey 62 Nobuyuki Otsu (1979) A threshold selection method from gray-level histograms, IEEE Trans Man., Sys., Cyber (1): 62-66 doi: 10.1109/TSMC 1979.4310076 63 J.A Sethian (1999) Level Set Methods and Fast Marching Methods Evolving Interfaces in Computational Geometry, Fluid Mechanics, Computer Vision, and Materials Science, Cambridge University Press 64 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/! 0.4015/S1016237219500339 65 R Adams and L Bischof, (1994), Seeded region growing, in IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(6): 641-647, doi: 10.1109/34.295913 66 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/! 0.1002/ima.22273 67 Karl J Friston (2007) Statistical Parametric Mapping: The analysis of functional brain images, Elsevier/Academic Press, Amsterdam 84 68 Dora L, Agrawal s, Panda R Abraham A (2017) State-of-the-Art Methods for Brain Tissue Segmentation: A Review, IEEE Rev Biomed Eng, 10:235-249 doi: 10.1109/RBME.2017.2715350 69 Li T, Zhou F, Zhu z, Shu H Zhu H (2018) A Label-fusion-aided Convolutional Neural Network for Isointense Infant Brain Tissue Segmentation, Proc IEEE Int Symp Biomed Imaging, 2018:692-695 doi: 10.1109/1SBI.2018.8363668 70 Tongxue Zhou, Su Ruan, Stephane Canu (2019) A review: Deep learning for medical image segmentation using multi-modality fusion Array, Vol 3-4 doi: 10.1016/j.array.2019.100004 71 Lee B, Yamanakkanavar N, Choi JY (2020) Automatic segmentation of brain MRI using a novel patch-wise U-net deep architecture, PLoS ONE 15(8): eO236493 doi: 10.1371/journaLpone.0236493 72 Jiawei Lai, Hongqing Zhu, Xiaofeng Ling (2019) Segmentation of Brain MR Images by Using Fully Convolutional Network and Gaussian Mixture Model with Spatial Mathematical Constraints, Problems in Engineering, 2019:4625371 doi: 10.1155/2019/4625371 73 L Wang, c Xie and N Zeng (2019) RP-Net: A 3D Convolutional Neural Network for Brain Segmentation From Magnetic Resonance Imaging, in IEEE Access, 7: 39670-39679 doi: 10.1109/ACCESS.2019.2906890 74 Saqib Qamar, Hai Jin, Ran Zheng Parvez Ahmad, Mohd Usama (2020) A variant form of 3D-UNet for infant brain segmentation, Future Generation Computer Systems, 108: 613-623 doi: IO.lO16/j.future.2OI9.11.021 75 Russell, s J., Norvig p., & Davis, E (2010) Artificial intelligence: a modern approach 3rd ed Upper Saddle River, NJ: Prentice Hall 76 Bishop, Christopher M (2006) Pattern recognition and machine learning New York: Springer 77 Li Deng and Dong Yu (2014) Deep Learning: Methods and Applications, Foundations and Trends in Signal 10.1561/2000000039 85 Processing, 7(3-4): 1-199 doi: 78 Y LeCun, Y Bengio, and G Hinton (2015) Deep learning, Nature, 521(7553): 436-444 doi: 10.1038/nature 14539 79 Mlynarski, p.; Dclingctte, H.; Criminisi, A.; Ayachc, N Deep learning with mixed supervision for brain tumor segmentation J Med Imaging 2019, 6, 034002 80 Iqbal, s.; Ghani Khan, M.U.; Saba, T.; Mehmood, z.; Javaid, N.; Rehman, A.; Abbasi, R Deep learning model integrating features and novel classifiers fusion for brain tumor segmentation Microsc Res Tech 2019, 82, 1302-1315 81 Kuzina, A.; Egorov, E.; Burnaev, E Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems Front Ncurosci 2019, 13, 844 82 Shorten, c., Khoshgoftaar, T.M (2019) A survey on Image Data Augmentation for Deep Learning J Big Data 6, 60 Doi: 10.1186/s40537-019-0197-0 83 Goodfellow Ian, Pouget-Abadie Jean, Mirza Mehdi, et al (2014) Generative Adversarial Networks Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014) pp 2672-2680 84 Ronncbcrgcr o., Fischer p., Brox T (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation In: Navab N., Hornegger J Wells w., Frangi A (eds) Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015 MICCAI 2015 Lecture Notes in Computer Science, vol 9351 Springer, Cham 85 Christopher M Bishop (2006) Pattern Recognition and Machine Learning, Springer-Verlag, Berlin, Heidelberg 86 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 VipIMAGE 2019 Lecture Notes in Computational Vision and Biomechanics, vol 34 Springer, Cham, https://doi.org/10.1007/978-3-030-32040-9_20 86 87 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, bxabl27 DOI: https://doi.org/10.1093/comjnl/bxabl27 88 Suzuki s., Abe K., (1985) Topological Structural Analysis of Digitized Binary Images by Border Following, Computer Vision, Graphics, and Image Processing, 30, 32-46 89 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 MR I, International Journal of Intelligent Information and Database Systems, 14(4): 315-332 DOI: https://doi.Org/l 0.1504/TJIIDS.2021.118565 90 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 91 Alberdi A, Aztiria A, Basarab A (2016) On the early diagnosis of Alzheimer's Disease from multimodal signals: A survey, Artif Intell Med, 71:1-29 doi: 10.1016/j artmed.2016.06.003 92 P Kalavathi and V B Surya Prasath (2016) Methods on Skull Stripping of MRI Head Scan Images—a Review, J Digit Imaging 29(3):365-379 doi: 10.1007/s 10278-015-9847-8 93 Jonathan H Morra; Zhuowen Tu; Liana G Apostolova: Amity E Green; Arthur w Toga; Paul M Thompson (2010) Comparison of Ada-Boost and Support Vector Machines for Detecting Alzheimer's Disease Through Automated Hippocampal Segmentation, IEEE Transactions on Medical Imaging 29(1): 3043 doi: 10.1109/TMI.2009.2021941 87 94 Ramesh Kumar Lama, Jeonghwan Gwak, Jeong-Seon Park, Sang-Woong Lee (2017) Diagnosis of Alzheimer’s Disease Based on Structural MRI Images Using a Regularized Extreme Learning Machine and PCA Features, Journal of Healthcare Engineering, 2017: 5485080 doi: 10.1155/2017/5485080 95 D Sarwinda and A M Arymurthy (2013) Feature selection using kernel PCA for Alzheimer’s disease detection with 3D MR Images of brain, 2013 International Conference on Advanced Computer Science and Information Systems (ICACSIS), Sanur Bali, Indonesia, 329-333, doi: 10.1109/ICACSIS.2013.6761597 96 Li M, Oishi K He X, Qin Y, Gao F, Mori S, et al (2014) An Efficient Approach for Differentiating Alzheimer's Disease from Normal Elderly Based on Multicenter MR1 Using Gray-Level Invariant Features, PLoS ONE 9(8): el05563 doi: 10.1371/journal.pone.0105563 97 p Padilla, M Lopez, J M Gorriz, J Ramirez, D Salas-Gonzalez, I Alvarez (2012) NMF-SVM based CAD tool applied to functional brain images for the diagnosis of Alzheimer's disease IEEE Trans Med Imaging 31(2): 207-16 doi: 10.1109/TMI.2011.2167628 98 Jun Zhang, Yue Gao, Yaozong Gao, Brent c Munsell, Ding-gang Shen (2016) Detecting Anatomical Landmarks for Fast Alzheimer’s Disease Diagnosis, IEEE Transactions on Medical Imaging, 35(12): 2524-2533 doi: 10.1109/TMI.2016.2582386 99 E E Bron, M Smits, w J Niessen and s Klein (2015) Feature Selection Based on the SVM Weight Vector for Classification of Dementia, in IEEE Journal of Biomedical and Health Informatics, 19(5): 1617-1626 doi: 10.1109/JBHI.2015.2432832 100 Querbes o, Aubry F, Pariente J, Lotterie J A, Démonet JF, Duret V, Puel M, Berry I Fort JC, Celsis p (2009) Early diagnosis of Alzheimer's disease using cortical thickness: impact of cognitive reserve, Brain, 132(8): 2036-2047 doi: 10.1093/brain/a wp 105 88 101 Hidetaka Arimura, Chiaki Tokunaga, Yoshiura, Tomoyuki Ohara, Yasuo Yamashita, Fukai Toyofuku (2013) Automated measurement of cerebral cortical thickness based on fuzzy membership map derived from MR images for evaluation of Alzheimer's disease, International Journal of Computer Assisted Radiology & Surgery 2013:7116-9 doi: 10.1109/EMBC.2013.6611198 102 Duchesne s, Caroli A, Geroldi c, Barillot c, Frisoni GB, Collins DL (2008) MRl-based automated computer classification of probable AD versus normal controls, IEEE transactions on medical imaging 27 (4): 509-520 doi: 10.1109/TML2007.908685 103 Long X, Chen L, Jiang c, Zhang L (2017) Alzheimer’s Disease Neuroimaging Initiative, Prediction and classification of Alzheimer disease based on quantification of MRI deformation, PLoS One 12(3): eOl73372 doi: 10.1371 /journal pone.0173372 104 D G Lowe (1999) Object recognition from local scale-invariant features, Proceedings of the Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, 2:1150-1157 doi: 10.1109/ICCV 1999.790410 105 Chen Y, Storrs J, Tan L, Mazlack LJ, Lee JH, Lu LJ (2014) Detecting brain structural changes as biomarker from magnetic resonance images using a local feature based SVM approach, J Neurosci Methods, 221:22-31 doi: 10.1016/j jneumeth.2013.09.001 106 Daliri MR (2012) Automated diagnosis of Alzheimer disease using the scale invariant feature transforms in magnetic resonance images, Med Syst, 36(2): 995-1000 doi: 10.1007/s10916-011-9738-6 107 Xiaofeng Zhu, Heung-Il Suk, Yonghua Zhu, Kim-Han Thung, Guorong Wu, Dinggang Shen (2015) Multi-view Classification for Identification of Alzheimer’s Disease, Mach Learn Med Imaging, 9352: 255-262 doi: 10.1007/978-3-319-24888-2-31 89 108 Dalal, N and B Triggs (2005) Histograms of Oriented Gradients for Human Detection IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1: 886-893 doi: 10.1109/CVPR.2005.177 109 Enrico Pellegrini, Lucia Ballerini, Maria del c Valdes Hernandez, Francesca M.Chappell, Victor Gonzalez-Castro, Devasuda Anblagan, Samuel Dansoa, Susana Munoz Maniega, Dominic Job, Cyril Pernet, Grant Mair, Tom MacGillivray, Emanuele Trucco, Joanna Wardlaw (2018) Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review, Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring, doi: 10.1016/j.dadm.2018.07.004 110 Jun Shi, Xiao Zheng, Yan Li, Qi Zhang, Shihui Ying (2018) Multimodal Neuroimaging Feature Learning With Multimodal Stacked Deep Polynomial Networks for Diagnosis of Alzheimer's Disease, IEEE J Biomed Health Inform 22(1): 173-183 doi: 10.1109/JBH1.2017.2655720 111 McCrackin L (2018) Early Detection of Alzheimer’s Disease Using Deep Learning, Canadian AI 2018: Advances in Artificial Intelligence, 355-359 doi: 10.1007/978-3-319-89656-4-40 112 Cortes, c & Vapnik, V (1995) Support Vector Networks Machine Learning, 20: 273-297 doi: 10.1023/A: 1022627411411 113 Chen T & Guestrin c (2016) XGBoost: A Scalable Tree Boosting System In KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery Data and Mining, 785-794 doi: 10.1145/2939672.2939785 114 Jang, H., Kwon, H., Yang, JJ et al (2017) Correlations between Gray Matter and White Matter Degeneration in Pure Alzheimer’s Disease, Pure Subcortical Vascular Dementia, and Mixed Dementia Sci https://doi.Org/10.1038/S41598-017-10074-x 90 Rep 7, 9541 DO1= 115 Toews M, Wells w, Collins DL, Arbel T (2010) Feature-based morphometry: Discovering group-related anatomical patterns, NeuroImage, 49(3): 2318-2327 doi: 10.1016/j ncuroi mage.2009.10.032 116 Aubert-Broche B, Griffin M, Pike GB, Evans AC, Collins DL (2006) Twenty new digital brain phantoms for creation of validation image data bases IEEE Trans Med Imaging, 25(11): 1410-6 doi: 10.1109/TMI.2006.883453 117 Sanchez CE, Richards JE, Almli CR (2012) Age-specific MRI templates for pediatric Dev neuroimaging, Neuropsychol, 37(5):379-99 doi: 10.1080/87565641.2012.688900 118 Frazier, JA, el al., (2007) Internet Brain Segmentation Repository (IBSR) 1.5mm dataset, Child and Adolescent NeuroDevelopment Initiative, https://www.nitrc.org/projects/ibsr (accessed December 2020) 119 Marcus DS, Wang TH, Parker J, Csernansky JG, Morris JC, Buckner RL (2007) Open Access Series of Imaging Studies (OASIS): cross-sectional MRI data in young, middle aged, nondemented, and demented older adults, Journal of cognitive neuroscience 19(9): 1498-1507 doi: 10.1162/jocn.2007.19.9.1498 120 Hughes CP Berg L Danziger WL, Coben LA, Martin RL (1982) A new clinical scale for the staging of dementia, Br J Psychiatry 140(1982):566-72 doi: 10.1192/bjp 140.6.566 121 Francisco J Galdames, Fabrice Jaillet, Claudio A Pereza, (2012) An accurate skull stripping method based on simplex meshes and histogram analysis for magnetic resonance images, Journal of Neuroscience Methods 2(206): 103 Doi: 10.1016/j.jneumeth.2012.02.017 122 Huang Yu, Parra, Lucas c., (2015) Fully Automated Whole-Head Segmentation with Improved Smoothness and Continuity with Theory Reviewed, PLoS ONE 10:e0125477 123 Chollet, Francois and others (2015) Keras, https://keras.io, (accessed September 2020) 91 124 Fabian Pedregosa, Gael Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, Jake Vandcrplas, Alexandre Passes, David Coumapeau, Matthieu Brucher, Matthieu Perrot, Edouard Duchesnay (2011) Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, 12: 2825-2830 125 D.p Kingma, L.J.Ba (2015) Adam: A Method for Stochastic Optimization, Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015) 126 G James, D Witten, T Hastie, R Tibshirani (2013) An Introduction to Statistical Learning, Springer-Verlag New York 127 Valverde s, Oliver A, Cabezas M, Roura E, Lladó X, (2015) Comparison of 10 brain tissue segmentation methods using revisited ibsr annotations, J Magn Reson Imaging, 41,93-10, DOI: 10.1002/jmri.24517 128 Li T, Li w, Yang Y, Zhang w (2017) Classification of brain disease in magnetic resonance images using two-stage local feature fusion, PLoS ONE 12(2): C0171749 doi: 10.1371/journaLponc.0171749 92
Ngày đăng: 14/05/2023, 16:51
Xem thêm: