Xây dựng công cụ hỗ trợ trích xuất tự động vùng chất xám vùng chất trắng và vùng dịch não từ ảnh não mri

UỶ BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH SỞ KHOA HỌC VÀ CÔNG NGHỆ UỶ BAN NHÂN DÂN THÀNH PHỐ HỒ CHÍ MINH ĐẠI HỌC SÀI GỊN BÁO CÁO CUỐI KỲ NHIỆM VỤ KHOA HỌC VÀ CÔNG NGHỆ XÂY DỰNG CƠNG CỤ HỖ TRỢ TRÍCH XUẤT TỰ ĐỘNG VÙNG CHẤT XÁM, VÙNG CHẤT TRẮNG VÀ VÙNG DỊCH NÃO TỪ ẢNH NÃO MRI Cơ quan chủ trì nhiệm vụ: Đại học Sài Gòn Chủ nhiệm nhiệm vụ: PGS TS Phạm Thế Bảo Thành phố Hồ Chí Minh, 01/2021 MỤC LỤC Danh mục ký hiệu, chữ viết tắt Danh mục hình, bảng Danh mục bảng CHƯƠNG - Thuyết minh đề tài 1.1 Tổng quan vấn đề nghiên cứu 1.2 Mục tiêu nhiệm vụ 12 1.2.1 Mục tiêu tổng quát 12 1.2.2 Mục tiêu cụ thể 12 1.3 Nội dung nghiên cứu khoa học 13 1.4 Phương pháp nghiên cứu, kỹ thuật sử dụng 13 1.5 Đánh giá vùng “chưa chắn” 14 1.6 Danh mục kết quả, sản phẩm KHCN 14 CHƯƠNG - Nội dung 1: Khảo sát nghiên cứu 15 2.1 Bản khảo sát chi tiết phương pháp tách hộp sọ 15 2.2 Khảo sát chi tiết phương pháp phân vùng chất bên não 18 CHƯƠNG - Nội dung 2: Tách hộp sọ 21 3.1 Phân nhóm slices 21 3.2 Phương pháp tách hộp sọ 22 3.2.1 Thuật toán Otsu 22 3.2.2 Học sâu 22 3.2.3 Kiến trúc mạng U-Net 22 3.3 Thực nghiệm 23 3.3.1 Tập liệu thực nghiệm 23 3.3.2 Độ đo 24 3.3.3 Kết thực nghiệm 25 CHƯƠNG - Nội dung 3: Phân vùng chất não 27 4.1 Tiền xử lý (tách hộp sọ) 27 4.2 Tiền xử lý 28 4.3 Phân vùng chất não 29 4.3.1 Phân vùng “vùng chắn” “vùng không chắn” 29 4.3.2 Phân loại điểm ảnh “vùng chưa chắn” 34 4.4 Kết thực nghiệm 35 4.4.1 Tập liệu thực nghiệm 35 4.4.2 Kết thực nghiệm phân vùng chất não 36 CHƯƠNG - Nội dung 3: Phân vùng chất não (2) 47 5.1 Kiến trúc mạng U-Net 3D 47 5.2 Phương pháp đề xuất 47 5.2.1 Mơ hình 3D CNN thu nhỏ để phân vùng chất não 47 5.2.2 Mô đun phân vùng từ kết mơ hình 3D U-Net thu nhỏ 48 5.3 Kết thực nghiệm 50 5.3.1 Tập liệu thực nghiệm 50 5.3.2 Kết thực nghiệm phân vùng chất não 50 CHƯƠNG - Nội dung 5: Xây dựng ứng dụng 61 6.1 Giới thiệu ứng dụng 61 6.2 Phân tích chức 61 6.2.1 Mơ hình hóa chức 61 6.2.2 Mô tả hệ thống 61 6.2.3 Mơ hình nghiệp vụ 62 6.2.4 Flowchart 62 6.2.4.1 Tách hộp sọ 62 6.2.4.2 Phân vùng vùng não 63 6.2.4.3 Tổng hợp 64 6.3 Giao diện ứng dụng 64 6.4 Triển khai hệ thống 65 6.4.1 Nền tảng phát triển: 65 6.4.2 Kiến trúc ứng dụng: 66 6.4.2.1 Giới thiệu: 66 6.4.2.2 Cấu trúc ứng dụng Colab: 67 6.4.2.3 Cấu trúc ứng dụng triển khai web: 67 6.4.2.4 Cài đặt mơ hình 67 CHƯƠNG - Kết luận 71 Tài liệu tham khảo 76 Danh mục ký hiệu, chữ viết tắt Magnetic Resonance (MR) - Cộng hưởng từ Magnetic Resonance Image (MRI) - Ảnh cộng hưởng từ Brain Extraction Tool (BET) - Cơng cụ trích xuất não Brain Surface Extractor (BSE) - Trích xuất bề mặt não FMRIB's Automated Segmentation Tool (FAST) - Công cụ phân vùng tự động FMRIB White Matter (WM) – chất trắng Gray Matter (GM) – chất xám Cerebrospinal Fluid (CSF) - dịch não tuỷ Anisotropic diffusion - lọc khuếch tán bất đẳng hướng Atlas - Bản đồ mẫu Alzheimer Disease (AD) - bệnh Alzheimer Scale-Invariant Feature Transform (SIFT) – Biến đổi đặc trưng bất biến theo tỷ lệ Histogram of Oriented Gradient (HOG) Đặc trưng theo hướng Gradient Support Vector Machine (SVM) – Học máy vector hỗ trợ Convolutional Neural Network (CNN) – Mạng nơ-ron tích chập Morphology - Hình thái học Graphics Processing Unit (GPU): Bộ xử lý đồ họa Encoder-decoder: mã hóa-giải mã dimensional (2D) - Ảnh chiều dimensional (3D) - Ảnh chiều Internet Brain Segmentation Repository 18 (IBSR 18): Cơ sở liệu ảnh não MRI với 18 bệnh nhân Danh mục hình, bảng Hình Ba thành phần bên ảnh não sau tách hộp sọ: Ảnh gốc – CSF (hàng thứ 1) White Matter – Gray Matter (hàng thứ 2) Hình Nhóm phương pháp phân vùng não (tách hộp sọ) 15 Hình Minh hoạ tách hộp sọ sử dụng phương pháp học sâu, BSE ROBEX [28] 18 Hình Nhóm phương pháp hỗ trợ chẩn đoán bệnh AD từ ảnh não MRI nhóm tiêu chuẩn hình ảnh học 18 Hình Kiến trúc U-Net (ví dụ kích thước 32x32 điểm ảnh lớp thấp nhất) [75] 23 Hình Sự phù hợp kết phân vùng (A) so với phân vùng chuyên gia (B) 24 Hình Các slice chạy thực nghiệm nhóm 2,3 sở liệu IBSR 18 26 Hình Kết minh hoạ phương pháp tách hộp sọ sử dụng U-Net 2D lát cắt 129 bệnh nhân số CSDL IBSR 18 27 Hình Minh hoạ xác định vùng cần quan tâm để thu gọn kích cỡ ảnh não 28 Hình 10 Minh hoạ mơ hình tăng cường liệu ảnh 29 Hình 11 Tổng quan phương pháp đề xuất phân vùng ba đối tượng não từ ảnh não MRI 30 Hình 12 Phương pháp đề xuất phân vùng “vùng chắn” “vùng chưa chắn” dựa mơ hình CNN 31 Hình 13 Phương pháp đề xuất phân vùng “vùng chắn” “vùng không chắn” dựa mơ hình CNN 31 Hình 14 Sự kết hợp kernel với kích cỡ khác phương pháp giảm mẫu khác 32 Hình 15 Mơ hình CNN để phân loại “vùng chưa chắn” ảnh MR 2D 34 Hình 16 Minh hoạ cửa sổ trượt với ảnh đầu vào gồm ảnh ban đầu, “vùng chắn” ảnh trước, ảnh xét ảnh sau 35 Hình 17 Tóm lược mơ hình mạng Adaptive U-Net 39 Hình 18 Tóm lược mơ hình mạng phân loại điểm ảnh 43 Hình 19 Biểu đồ minh hoạ phương pháp đề xuất phương pháp khác 45 Hình 20 Minh hoạ kết thu theo phương pháp đề xuất phân vùng lát cắt 54 bệnh nhân số CSDL IBSR 18 46 Hình 21 Một ví dụ minh hoạ kết sử dụng phương pháp đề xuất phân vùng GM Từ trái qua phải lát cắt 30th slice bệnh nhân IBSR_08, hình kết từ phương pháp đề xuất với ảnh phân vùng thủ công từ chuyên gia Màu trắng vùng trùng kết quả, màu xanh ảnh phân vùng thủ công từ chuyên gia màu hồng kết phương pháp đề xuất 46 Hình 22 Phương pháp 3D U-Net thu nhỏ đề xuất để phân vùng chất từ MRI 48 Hình 23 Phương pháp đề xuất để phân vùng chất từ kết CNN 3D thu nhỏ 49 Hình 24 Tóm lược mơ hình mạng 3D U-Net thu nhỏ 54 Hình 25 Tóm lược mơ hình mạng 2D U-Net có đầu vào bao gồm kết mạng 3D thu nhỏ 57 Hình 26 Minh hoa kết thu phương pháp đề xuất Bốn ảnh từ xuống là: 1) lát cắt thứ 65 (Coronal) ảnh IBSR_01 - hình ảnh gốc sau tách hộp sọ, 2) kết sử dụng 3D U-Net thu nhỏ, 3) hình ảnh vùng sau loại bỏ vùng WM có điểm ảnh có xác suất dự đoán cao 4) kết cuối 59 Hình 27 Mơ hình hóa chức ứng dụng 61 Hình 28 Mơ hình nghiệp vụ 62 Hình 29 Sơ đồ luồng liệu tách hộp sọ 62 Hình 30 Sơ đồ luồng liệu phân vùng vùng não 63 Hình 31 Sơ đồ luồng liệu tách hộp sọ phân vùng vùng não 64 Hình 32 Giao diện Colab 64 Hình 33 Giao diện trang chủ ứng dụng web 65 Hình 34 Giao diện trang phân vùng chất não 65 Danh mục bảng Bảng Độ xác theo độ đo Dice 12 Bảng Các loại lát cắt dựa hình dạng não 21 Bảng Kết so sánh phương pháp đề xuất với phương pháp khác 26 Bảng Kết so sánh phương pháp đề xuất với phương pháp khác 27 Bảng Các tham số sử dụng cho mạng Adaptive U-Net 39 Bảng Các tham số sử dụng cho mơ hình mạng phân loại điểm ảnh 43 Bảng Kết phân vùng sử dụng U-Net Adaptive U-Net thông qua số Dice 44 Bảng Kết phân vùng sử dụng phương pháp đề xuất CSDL IBSR 18 44 Bảng Kết so sánh phương pháp đề xuất với phương pháp khác 44 Bảng 10 Các tham số sử dụng cho mơ hình mạng 3D U-Net thu nhỏ 55 Bảng 11 Các tham số sử dụng cho mơ hình mạng 2D U-Net có đầu vào bao gồm kết mạng 3D thu nhỏ 58 Bảng 12 Kết phân vùng thu phương pháp U-Net mơ hình đề xuất hệ số Dice (trung bình ± độ lệch chuẩn) 59 Bảng 13 So sánh phương pháp đề xuất với phương pháp phổ biến 59 CHƯƠNG - Thuyết minh đề tài 1.1 Tổng quan vấn đề nghiên cứu - Làm rõ cần thiết phải nghiên cứu Ảnh y khoa định nghĩa ảnh có áp dụng kỹ thuật để tiếp cận trực quan đến cấu trúc phức tạp bên thể để bác sĩ đánh giá chức chúng mà khơng cần xâm nhập Do đó, ảnh y khoa hỗ trợ nhiều việc giúp bác sĩ chẩn đoán điều trị bệnh nhân Trong phương pháp, chụp cộng hưởng từ phương pháp tiên tiến, đại sử dụng ngày phổ biến [1-2] MR có ưu điểm số phương tiện chẩn đốn hình ảnh khác độ tương phản rõ rệt loại mô mô mềm, dịch tổn thương Tuy nhiên với chất vôi xương, hình xơ vữa động mạch có đóng vơi hình ảnh so với ảnh CT Do ảnh MR có giá trị chẩn đốn tổn thương phần mềm, hệ thống mạch máu, hệ thống thần kinh Hình Ba thành phần bên ảnh não sau tách hộp sọ: Ảnh gốc – CSF (hàng thứ 1) White Matter – Gray Matter (hàng thứ 2) Trong ảnh MR não có nhiều vùng quan trọng, cần thiết cho cơng việc chẩn đốn bệnh liên quan đến não vùng chất trắng (White Matter – WM), vùng chất xám (Gray Matter – GM), vùng dịch não tuỷ (Cerebrospinal Fluid), vùng đồi thị (Thalamus), hạch hạnh nhân (Amygdala) [3] Trong đề tài này, tập trung nghiên cứu vào ba vùng quan trọng bên não [4] vùng chất trắng, vùng chất xám và vùng dịch não tuỷ theo nhiều nghiên cứu vùng có mối liên hệ mật thiết chẩn đốn bệnh trí, bệnh lú lẫn [5-6-7] Các bệnh liên quan đến hệ thần kinh thường dùng ảnh MR để chẩn đoán Tuy nhiên, y bác sĩ đảm nhận tất nhiệm vụ xem xét, phân tích… đặc biệt có q nhiều trường hợp cần chẩn đốn Vì việc nghiên cứu ảnh MR não đặc biệt vấn đề trích xuất thành phần bên não tự động để hỗ trợ chẩn đoán bệnh liên quan não có vai trị quan trọng Các nghiên cứu chẩn đoán ảnh y khoa quan trọng vì: • Giảm thiểu phẫu thuật khơng cần thiết • Giúp phát sớm điều trị bệnh ung thư, bệnh lú lẫn… • Hỗ trợ y bác sĩ đưa định, quy trình điều trị xác • Nghiên cứu tiền đề giúp cho việc nghiên cứu chẩn đốn tự động thơng qua ảnh y khoa nước phát triển - Hiện trạng cơng trình nghiên cứu liên quan đến nhiệm vụ Hiện nghiên cứu phân đoạn ảnh não trích xuất vùng ảnh não MR 3D tự động để hỗ trợ chẩn đốn tự động số bệnh não hướng nghiên cứu nước Trên giới, nhà nghiên cứu tập trung vấn đề có số cơng cụ phân đoạn ảnh não MR sử dụng Statistical Parametric Mapping (SPM) [8], FSL library [9], Brain Suite [10] Trong đó, SPM phần mềm thiết kế chuyên dụng, phổ biến để phân tích ảnh não với mã nguồn viết Matlab FSL thư viện cơng cụ phân tích liệu ảnh não dạng fMRI, MR, DTI Brain Suite tập công cụ hỗ trợ phân đoạn vùng bên não Tuy nhiên cơng cụ gặp nhiều khó khăn việc trích xuất vùng não ảnh hưởng nhiễu, thành phần khác não Hiện có nhiều phương pháp đề xuất để chẩn đoạn bệnh Alzheimer [1120] Cách tiếp cận phổ biến sử dụng phương pháp Voxel-based morphometry (VBM) [21] VBM dựa việc so sánh mật độ thành phần não sau phân tách VBM tách cách thành phần bên não WM, GM, Cerebrospinal Fluid (CSF) [12,22] để chẩn đốn bệnh Ngồi ra, phương pháp khác để chẩn đoán bệnh AD phương pháp dựa việc đo độ dày vỏ não [23, 24] đăng ký đánh giá thay đổi vị trí đánh dấu [25, 26] Scale-Invariant Feature Transform (SIFT) [27] thuật toán thường sử dụng để phát mô tả đặc trưng cục ảnh Các đặc trưng bất biến tỷ lệ, dịch xoay liên kết vị trí ảnh đầu vào Bằng cách sử dụng vị trí này, đặc trưng dễ dàng nhận xác định hình ảnh khác Do đó, SIFT thường sử dụng làm cơng cụ trích xuất đặc trưng để chẩn đoán 10 CHƯƠNG - Kết luận Nghiên cứu hoàn thành mục tiêu đặt đề xuất thuật toán phân vùng não chất não từ ảnh MR não ba chiều để hỗ trợ chẩn đoán bệnh Đề tài giúp bác sỹ việc phân tích, theo dõi điều trị bệnh liên quan đến não, cụ thể đề tài đạt kết sau: • Đề xuất thuật tốn dựa 2D U-Net để tách hộp sọ (phân vùng não) • Đề xuất thuật tốn dựa 2D U-Net để phân vùng chất não • Đề xuất thuật tốn dựa 3D U-Net có kết hợp 2D U-Net để phân vùng chất não • Xây dựng ứng dụng minh họa • Kết phương pháp phân vùng tạp chí hội nghị chấp nhận đăng: Pham The Bao, Tran Anh Tuan (B), Tran Anh Tuan, Le Nhi Lam Thuy An effective approach for White Matter, Gray Matter and Cerebrospinal Fluid Segmentation from 3D Brain MRI Int J of Intelligent Information and Database Systems Tạp chí: International Journal of Intelligent Information and Database Systems: thuộc scopus (https://www.scopus.com/sourceid/15700154703) Q4 (https://www.scimagojr.com/journalsearch.php?q=15700154703&tip=sid &clean=0) ISSN:1751-5858E-ISSN:1751-5866 Pham The Bao, Tran Anh Tuan (B), Tran Anh Tuan, Le Nhi Lam Thuy and Jin Young Kim An Adaptive 3D U-Net for White Matter, Gray Matter and Cerebrospinal Fluid Segmentation from 3D-Brain MRI ICMLSC 2021 (The 5th International Conference on Machine Learning and Soft Computing) Hội nghị: ACM Conference Proceedings (ISBN: 978-1-4503-8761-3) (https://camps.aptaracorp.com/ACM_PMS/PMS/ACM/ICMLSC21/22/f74 3ed40-7ce9-11eb-8d84-166a08e17233/OUT/icmlsc21-22.html#bib5) • Kết đào tạo: 71 01 Thạc sĩ CNTT, Nguyễn Trung Tín, đính kèm định thạc sĩ phụ lục Các thuật toán giải thách thức toán phân vùng chất não trình bày phần tổng quan Trong nghiên cứu tiếp theo, chúng tơi tăng thêm độ xác thuật tốn thơng qua cải tiến mơ hình UNet 72 Tài liệu tham khảo Phần - Thuyết minh đề tài [1] Q Wang (20013) Practical Design of Magnetostatic Structure Using Numerical Simulation Hoboken, NJ, USA: Wiley [2] Y Lvovsky and P Jarvis (2005) Superconducting systems for MRI—present solutions and new trends, IEEE Trans Appl Supercond 15(2): 1317–1325 Doi: 10.1109/TASC.2005.849580 [3] Fischl B, Salat DH, Busa E, Albert M, Dieterich M, et al (2002) Whole brain segmentation: automated labeling of neuroanatomical structures in the human brain Neuron 33: 341-355 Doi: 10.1016/S0896-6273(02)00569-X [4] 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 [5] Barber, R., Scheltens, P., Gholkar, A et al (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 67:66–72 Doi: 10.1136/jnnp.67.1.66 [6] Faith M.Gunning-Dixon and Naftali Raz (2000) The cognitive correlates of white matter abnormalities in normal aging: a quantitative review Neuropsychology 14(2):224-232 Doi: 10.1037/0894-4105.14.2.224 [7] Prins ND, van Dijk EJ, den Heijer T, Vermeer SE, Koudstaal PJ, Oudkerk M, et al Cerebral white matter lesions and the risk of dementia Arch Neurol2004a; 61: 1531-4 [8] Karl J Friston (2007) Statistical Parametric Mapping: The analysis of functional brain images, Amsterdam, Elsevier/Academic Press [9] Stephen M Smith, Mark Jenkinson, Mark W Woolrich, Christian F.Beckmann, Timothy E.J Behrens, Heidi Johansen-Berg, et al (2004) Advances in Functional and Structural MR Image Analysis and Implementation as FSL, NeuroImage, 23(1):S208– 219 Doi: 10.1016/j.neuroimage.2004.07.051 [10] Shattuck, D.W., Leahy, R.M (2002) Brainsuite: An automated cortical surface identification tool Medical Image Analysis 8(2), 129–142 Doi: 10.1007/978-3-54040899-4_6 [11] 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 [12] 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/s10278-015-9847-8 [13] 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): 30-43 doi: 10.1109/TMI.2009.2021941 [14] Lama RK, Gwak J, Park JS, Lee SW (2017) Diagnosis of Alzheimer's Disease Based on Structural MRI Images Using a Regularized Extreme Learning Machine and PCA Features, J Healthc Eng 2017: 5485080 doi: 10.1155/2017/5485080 73 [15] Devvi Sarwinda, Aniati M Arymurthy (2013) Feature selection using kernel PCA for Alzheimer's disease detection with 3D MR Images of brain, Advanced Computer Science and Information Systems (ICACSIS) doi: 10.1109/ICACSIS.2013.6761597 [16] Li M, Oishi K, He X, Qin Y, Gao F, Mori S (2014) An Efficient Approach for Differentiating Alzheimer's Disease from Normal Elderly Based on Multicenter MRI Using Gray-Level Invariant Features, PLoS One 9(8): e105563 doi: 10.1371/journal.pone.0105563 [17] 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 [18] 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 [19] Esther E Bron, Marion Smits, Wiro J Niessen, Stefan Klein (2015) Feature Selection Based on the SVM Weight Vector for Classification of Dementia, IEEE Journal of Biomedical and Health Informatics.19(5): 1617-1626 doi: 10.1109/JBHI.2015.2432832 [20] R Barber, P Scheltens, A Gholkar, C Ballard, I McKeith, P Ince, R Perry, J O'Brien, 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(1)(1999): 66–72 [21] Ashburner J, Friston KJ (2000) Voxel-based morphometry-the methods, Neuroimage 11(6 Pt 1): 805-21 doi: 10.1006/nimg.2000.0582 [22] Hyemin Jang, Hunki Kwon, Jin-Ju Yang, Jinwoo Hong, Yeshin Kim, Ko Woon Kim, Jin San Lee, Young Kyoung Jang, Sung Tae Kim, Kyung Han Lee, Jae Hong Lee, Duk L Na, Sang Won Seo, Hee Jin Kim & Jong-Min Lee (2017) Correlations between Gray Matter and White Matter Degeneration in Pure Alzheimer’s Disease, Pure Subcortical Vascular Dementia, and Mixed Dementia, Scientific Reports 7: 9541 doi: 10.1038/s41598-017-10074-x [23] Querbes O, Aubry F, Pariente J, Lotterie JA, 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/awp105 [24] Hidetaka Arimura, Chiaki Tokunaga, Takashi 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 [25] Duchesne S, Caroli A, Geroldi C, Barillot C, Frisoni GB, Collins DL (2008) MRI-based automated computer classification of probable AD versus normal controls, IEEE transactions on medical imaging 27 (4): 509-520 doi: 10.1109/TMI.2007.908685 [26] Long X, Chen L, Jiang C, Zhang L (2017) Alzheimer’s Disease Neuroimaging Initiative, Prediction and classification of Alzheimer disease based on 74 quantification of MRI deformation, PLoS One 12(3): e0173372 doi: 10.1371/journal.pone.0173372 [27] David G Lowe (1999) Object Recognition from Scale Invariant Features, International Conference of Computer Vision 6365386 DOI: 10.1109/ICCV.1999.790410 [28] 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 [29] Daliri MR (2012) Automated diagnosis of Alzheimer disease using the scaleinvariant feature transforms in magnetic resonance images, Med Syst 36(2): 9951000 doi: 10.1007/s10916-011-9738-6 [30] 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: 10.1007/978-3-319-248882_31 [31] 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 [32] Zhang W, Li R, Deng H, Wang L, Lin W, Ji S, Shen D (2015) Deep convolutional neural networks for multi-modality isointense infant brain image segmentation, Neuroimage 108:214-24, doi: 10.1016/j.neuroimage.2014.12.061 [33] Duy M H Nguyen, Huy T Vu, Huy Q Ung, Binh T Nguyen (2017) 3DBrain Segmentation Us-ing Deep Neural Network and Gaussian Mixture Model, IEEE Winter Conference on Applica-tions of Computer Vision (WACV), USA DOI: 10.1109/WACV.2017.96 [34] Olaf Ronneberger, Philipp Fischer, Thomas Brox (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation, Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS 9351: 234 241 doi: 10.1007/978-3-319-24574-4_28 [35] Frazier, JA, et al (2007) Internet Brain Segmentation Repository (IBSR) 1.5mm dataset, Child and Adolescent NeuroDevelopment Initiative [36] Valverde S, Oliver A, Cabezas M, Roura E, Lladó X (2015) Comparison of 10 brain tissue seg-mentation methods using revisited ibsr annotations, J Magn Reson Imaging 41(1):93-101 doi: 10.1002/jmri.24517 75 Tài liệu tham khảo Stephen M Smith Fast robust automated brain extraction Hum Brain Mapp 2002 Nov;17(3):143-55 S Sandor and R Leahy Towards automatic labelling of the cerebral cortex using a deformable model Proc of Information Processing in Medical Imaging, 1995 Smith SM, Jenkinson M, Woolrich MW, Beckmann CF, Behrens TEJ, JohansenBerg H, Bannister PR, De Luca M, Drobnjak I, Flitney DE, Niazy RK, Saunders J, Vickers J, Zhang Y, De Stefano N, Michael Brady J, Matthews PM, Advances in functional and structural MR image analysis and implementation as FSL, NeuroImage 23:S208–S219, 2004 Angel Torrado-Carvajal, Joaquin L Herraiz, Juan A Hernandez-Tamames, Raul San Jose-Estepar, Yigitcan Eryaman, Yves Rozenholc, Elfar Adalsteinsson, Lawrence L Wald, and Norberto Malpica Multi-Atlas and Label Fusion Approach for PatientSpecific MRI Based Skull Estimation Magn Reson Med 2015 Brummer ME, Mersereau RM, Eisner RL, Lewine RRJ, Caeslles V, Kimmel R, Sapiro G: Automatic detection of brain contours in MRI datasets IEEE Trans Image Process 12(2):153–166, 1993 Smith SM: Fast robust automated brain extraction Hum Brain Mapp 17(3):143, 2002 Zhuang AH, Valentino DJ, Toga AW: Skull stripping magnetic resonance images using a model-based level sets NeuroImage 32(1):79–92, 2006 Tsai C, Manjunath BS, Jagadeesan R: Automated segmentation of brain MR images Pattern Recogn 28(12):1825–1837, 1995 Sandor S, Leahy RM: Surface-based labeling of cortical anatomy using a deformable atlas IEEE Trans Med Imaging 16(1):41–54, 1997 10 Lemieux G, Krakow KH, Woermann FG: Fast, automatic segmentation of the brain in T1-weighted volume magnetic resonance image data Proc SPIE Med Imaging: Image Processing 3661: 152–160, 1999 11 Shanthi KJ, Sasikumar M: Skull stripping and automatic segmentation of brain MRI using seed growth and threshold techniques, Proc International Conference on Intelligent and Advanced Systems, Kuala Lumpur 1:422-426,2007 76 12 Mikheev B, Nevsky G, Govindan S, Grossman R, Rusinek H: Fully automatic segmentation of the brain from T1-weighted MRI using bridge burner algorithm J Magn Reson Imaging 27(6):1235–1241, 2008 13 Park GJ, Lee C: Skull stripping based on region growing for magnetic resonance images NeuroImage 47(4):1394–1407, 2009 14 Gao J, Xie M: Skull stripping MR brain images using anisotropic diffusion filtering and morphological processing, Proc International Symposium on Computer Network and Multimedia Technology, Wuhan 1:1-4,2009 15 Dale AM, Fischl B, Sereno MI: Cortical surface-based analysis I: segmentation and surface reconstruction NeuroImage 9(2):179– 194, 1999 16 Wang Y, Nie J, Yap P-T, Shi F, Guo L, Shen D: Robust deformable-surface-based skull- stripping for large-scale studies, Proc medical image computing and computer assisted intervention (MICCAI) LNCS 6893:635–642, 2011 17 Kobashi S, Moto FY, Ogawa MD, Ando K, Ishikura R, Kando SH, Katy Y: FuzzyASM based automated skull stripping method from infantile brain MR images Proc IEEE Int Conf Granular Comput San Jose California 1:632–635, 2007 18 Mahapatra D: Skull stripping of neonatal brain MRI: using prior shape information with graph cuts J Digit Imaging 25(6):802– 814, 2012 19 Leung KK, Barnes J, Modat M, Ridgway GR, Bartlett JW, Fox NC, Ourselin S: Brain MAPS: an automated, accurate and robust brain extraction technique using a template library NeuroImage 55(3):1091–1108, 2011 20 Hariharan, B.; Arbeláez, P.; Girshick, R.; Malik, J 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, 7–12 June 2015; pp 447–456 21 Ronneberger, O.; Fischer, P.; Brox, T U-Net: Convolutional Networks for Biomedical Image Segmentation In Proceedings of the International Conference on Medical image computing and computer-assisted intervention, Munich, Germany, 5– October 2015; pp 234–241 22 Seyedhosseini, M.; Sajjadi, M.; Tasdizen, T Image Segmentation with Cascaded Hierarchical Models and Logistic Disjunctive Normal Networks In Proceedings of the 77 2013 IEEE International Conference on Computer Vision, Sydney, NSW, Australia, 1–8 December 2013; pp 2168–2175 23 Milletari, F.; Ahmadi, S.A.; Kroll, C.; Plate, A.; Rozanski, V.; Maiostre, J.; Levin, J.; Dietrich, O.; Ertl-Wagner, B.; Botzel, K.; et al Hough-CNN: Deep learning for segmentation of deep brain regions in MRI and ultrasound Comput Vis Image Underst 164:92–102, 2017 24 Salehi, S.S.M.; Erdogmus, D.; Gholipour, A Auto-Context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Imaging IEEE Trans Med Imag 36: 2319–2330, 2017, doi:10.1109/Tmi.2017.2721362 25 Duy M H Nguyen, Huy T Vu, Huy Q Ung, Binh T Nguyen: ‘3D-Brain Segmentation Using Deep Neural Network and Gaussian Mixture Model’, IEEE Winter Conference on Applica-tions of Computer Vision (WACV), USA, 2017 26 Dey, R.; Hong, Y CompNet: Complementary Segmentation Network for Brain MRI Extraction arXiv 2018, preprint arXiv:1804.00521 27 Kleesiek, J.; Urban, G.; Hubert, A.; Schwarz, D.; Maier-Hein, K.; Bendszus, M.; Biller, A Deep MRI brain extraction: A 3D convolutional neural network for skull stripping Neuroimage 2016, 129, 460–469, doi:10.1016/j.neuroimage.2016.01.024 28 Hwang H, Rehman HZU, Lee S 3D U-Net for Skull Stripping in Brain MRI Applied Sciences 2019; 9(3):569 29 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 30 P Kalavathi and V B Surya Prasath, (2016) Methods on Skull Stripping of MRI Head Scan Images—a Review, J Digit Imaging 29(3)(2016): 365–379 doi: 10.1007/s10278-015-9847-8 31 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): 30-43 doi: 10.1109/TMI.2009.2021941 78 32 Lama RK, Gwak J, Park JS, Lee SW (2017) Diagnosis of Alzheimer's Disease Based on Structural MRI Images Using a Regularized Extreme Learning Machine and PCA Features, J Healthc Eng 2017: 5485080 doi: 10.1155/2017/5485080 33 Devvi Sarwinda, Aniati M Arymurthy (2013) Feature selection using kernel PCA for Alzheimer's disease detection with 3D MR Images of brain, Advanced Computer Science and Information Systems (ICACSIS) doi: 10.1109/ICACSIS.2013.6761597 34 Li M, Oishi K, He X, Qin Y, Gao F, Mori S (2014) An Efficient Approach for Differentiating Alzheimer's Disease from Normal Elderly Based on Multicenter MRI Using Gray-Level Invariant Features, PLoS One 9(8): e105563 doi: 10.1371/journal.pone.0105563 35 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 36 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 37 Esther E Bron, Marion Smits, Wiro J Niessen, Stefan Klein (2015) Feature Selection Based on the SVM Weight Vector for Classification of Dementia, IEEE Journal of Biomedical and Health Informatics.19(5): 1617-1626 doi: 10.1109/JBHI.2015.2432832 38 Querbes O, Aubry F, Pariente J, Lotterie JA, 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/awp105 39 Hidetaka Arimura, Chiaki Tokunaga, Takashi 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 79 40 Duchesne S, Caroli A, Geroldi C, Barillot C, Frisoni GB, Collins DL (2008) MRIbased automated computer classification of probable AD versus normal controls, IEEE transactions on medical imaging 27 (4): 509-520 doi: 10.1109/TMI.2007.908685 41 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): e0173372 doi: 10.1371/journal.pone.0173372 42 David G Lowe (1999) Object Recognition from Scale Invariant Features, International Conference of Computer Vision 6365386 DOI: 10.1109/ICCV.1999.790410 43 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 44 Daliri MR (2012) Automated diagnosis of Alzheimer disease using the scaleinvariant feature transforms in magnetic resonance images, Med Syst 36(2): 9951000 doi: 10.1007/s10916-011-9738-6 45 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: 10.1007/978-3-319-248882_31 46 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 47 Enrico Pellegrini, Lucia Ballerini, Maria del C Valdes Hernandez, Francesca M.Chappell, Victor González-Castro, Devasuda Anblagan, Samuel Dansoa, Susana Muñoz 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 48 Jun Shi, Xiao Zheng, Yan Li, Qi Zhang, Shihui Ying (2018) Multimodal Neuroimaging Feature Learning With Multimodal Stacked Deep Polynomial 80 Networks for Diagnosis of Alzheimer's Disease, IEEE J Biomed Health Inform 22(1): 173-183 doi: 10.1109/JBHI.2017.2655720 49 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 50 P Kalavathi and V B Surya Prasath, (2016) Methods on Skull Stripping of MRI Head Scan Images—a Review, J Digit Imaging 29(3)(2016): 365–379 doi: 10.1007/s10278-015-9847-8 51 Ahmed Serag, Manuel Blesa, Emma J Moore, Rozalia Pataky, Sarah A Sparrow, A G Wilkinson, Gillian Macnaught, Scott I Semple & James P Boardman (2016) Accurate Learning with Few Atlases (ALFA): an algorithm for MRI neonatal brain extraction and comparison with 11 publicly available methods, Scientific Reports 6: 23470 doi: 10.1038/srep23470 52 Hyemin Jang, Hunki Kwon, Jin-Ju Yang, Jinwoo Hong, Yeshin Kim, Ko Woon Kim, Jin San Lee, Young Kyoung Jang, Sung Tae Kim, Kyung Han Lee, Jae Hong Lee, Duk L Na, Sang Won Seo, Hee Jin Kim & Jong-Min Lee (2017) Correlations between Gray Matter and White Matter Degeneration in Pure Alzheimer’s Disease, Pure Subcortical Vascular Dementia, and Mixed Dementia, Scientific Reports 7: 9541 doi: 10.1038/s41598-017-10074-x 53 Arnaldo Mayer and Hayit Greenspan (2009) An Adaptive Mean-Shift Framework for MRI Brain Segmentation, IEEE Transactions on Medical Imaging 28(8): 12381250 doi: 10.1109/TMI.2009.2013850 54 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): 30-43 doi: 10.1109/TMI.2009.2021941 55 Kim J, Valdes-Hernandez Mdel C, Royle NA, Park J (2015) Hippocampal Shape modeling based on a Progressive Template Surface De-formation and its Verification, IEEE Trans Med Imaging 34(6): 1242-61 doi: 10.1109/TMI.2014.2382581 81 56 Lama RK, Gwak J, Park JS, Lee SW (2017) Diagnosis of Alzheimer's Disease Based on Structural MRI Images Using a Regularized Extreme Learning Machine and PCA Features, J Healthc Eng 2017: 5485080 doi: 10.1155/2017/5485080 57 Devvi Sarwinda, Aniati M Arymurthy (2013) Feature selection using kernel PCA for Alzheimer's disease detection with 3D MR Images of brain, Advanced Computer Science and Information Systems (ICACSIS) doi: 10.1109/ICACSIS.2013.6761597 58 Li M, Oishi K, He X, Qin Y, Gao F, Mori S (2014) An Efficient Approach for Differentiating Alzheimer's Disease from Normal Elderly Based on Multicenter MRI Using Gray-Level Invariant Features, PLoS One 9(8): e105563 doi: 10.1371/journal.pone.0105563 59 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 60 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 61 Esther E Bron, Marion Smits, Wiro J Niessen, Stefan Klein (2015) Feature Selection Based on the SVM Weight Vector for Classification of Dementia, IEEE Journal of Biomedical and Health Informatics.19(5): 1617-1626 doi: 10.1109/JBHI.2015.2432832 62 22 Dora L, Agrawal S, Panda R, Abraham A: 'State-of-the-Art Methods for Brain Tissue Segmentation: A Review', IEEE Rev Biomed Eng, 2017, 10, pp 235-249 63 23 Yu Huang, Lucas C Parra: 'Fully Automated Whole-Head Segmentation with Improved Smoothness and Continuity, with Theory Reviewed', PLoS ONE, 2015, 1, (5), pp e0125477 64 24 Rashindra Manniesing, Marcel T H Oei, Luuk J Oostveen, Jaime Melendez, Ewoud J Smit, Bram Platel, Clara I Sánchez, Frederick J A Meijer, Mathias Prokop, Bram van Ginneken: 'White Matter and Gray Matter Segmentation in 4D Computed Tomography', Scientific Reports, 2017, 7, (119) 82 65 25 Carlos A S J Gulo, Antonio C Sementille, João Manuel R S Tavares: ‘Techniques of Medical Image Processing and Analysis accelerated by HighPerformance Computing: A Systematic Literature Review’, Journal of Real-Time Image Processing, 2017, pp 1–18 66 Karl J Friston, Statistical Parametric Mapping: ‘The analysis of functional brain images’, (Amsterdam, Elsevier/Academic Press, 2007) 67 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: ‘Advances in functional and structural MR image analysis and implementation as FSL’, Neuroimage, 2004, 23, (1), pp S208-19 68 Liansheng Wang, Cong Xie, Nianyin Zeng, RP-Net: ‘A 3D Convolutional Neural Network for Brain Segmentation From Magnetic Resonance Imaging’, IEEE Access, 2019, pp 39670 - 39679 69 Jiawei Lai, Hongqing Zhu, Xiaofeng Ling: ‘Segmentation of Brain MR Images by Using Fully Convolutional Network and Gaussian Mixture Model with Spatial Constraints’, Mathematical Problems in Engineering, 2019, pp 4625371 70 Nobuyuki Otsu (1979) "A threshold selection method from gray-level histograms" IEEE Trans Sys., Man., Cyber (1): 62–66 doi: 10.1109/TSMC.1979.4310076 71 Poole, David; Mackworth, Alan; Goebel, Randy (1998) Computational Intelligence: A Logical Approach New York: Oxford University Press 72 Bishop, C M (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2 73 Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015) "Deep Learning" Nature 521 (7553): 436–444 Bibcode:2015Natur.521 436L doi:10.1038/nature14539 PMID 26017442 74 Y Lecun, L Bottou, Y Bengio, P Haffner: ‘Gradient-based learning applied to document recognition’, Proceedings of the IEEE, 1998, pp 2278–2324 75 Ronneberger O., Fischer P., Brox T.: ‘U-Net: Convolutional Networks for Biomedical Image Segmentation’, Medical Image Computing and Computer-Assisted 83 Intervention (MICCAI), Lecture Notes in Computer Science, Springer, 2015, pp 234241 76 Frazier, JA, et al.: ‘Internet Brain Segmentation Repository (IBSR) 1.5mm dataset’, Child and Adolescent NeuroDevelopment Initiative, 2007 77 Shaofeng Jiang, Yu Wang, Xuxin Zhou, Zhen Chen and Suhua Yang, Brain Extraction Using Active Contour Neighborhood-Based Graph Cuts Model, Symmetry, 2020 78 L R Dice: ‘Measures of the amount of ecologic association between species’, Ecology, 1945, 26, (3), pp 297–302 79 Chollet, Francois and others, Keras https://keras.io, access Dec 2018 80 Buitinck, L et al., 2013 API design for machine learning software: experiences from the scikit-learn project In ECML PKDD Workshop: Languages for Data Mining and Machine Learning pp 108–122 81 D.P Kingma, L.J.Ba: ‘Adam: a Method for Stochastic Optimization’, International Conference on Learning Representations, 2015 82 Bishop, Christopher M.: ‘Pattern Recognition and Machine Learning’, Springer, 2006 83 G James, D Witten, T Hastie, R Tibshirani: ‘An Introduction to Statistical Learning’, Springer, 2013 84 Valverde S, Oliver A, Cabezas M, Roura E, Lladó X: ‘Comparison of 10 brain tissue segmentation methods using revisited ibsr annotations’, J Magn Reson Imaging, 2015, 41, (1), pp 93-101 85 Duy M H Nguyen, Huy T Vu, Huy Q Ung, Binh T Nguyen: ‘3D-Brain Segmentation Using Deep Neural Network and Gaussian Mixture Model’, IEEE Winter Conference on Applica-tions of Computer Vision (WACV), USA, 2017 86 Lele Chen, Yue Wu, Adora M DSouza, Anas Z Abidin, Axel Wismüller, Chenliang Xu, (2018) 'MRI tumor seg-mentation with densely connected 3D CNN', in Proceedings Medical Imaging 2018: Image Processing, Vol 10574 87 Mohammad Hesam Hesamian, Wenjing Jia, Xiangjian He, Paul Kennedy, (2019) 'Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges', Journal of Digital Imaging, Vol 32, pp 582–596 84 88 Li Sun, Songtao Zhang, Hang Chen, Lin Luo, (2019) 'Brain Tumor Segmentation and Survival Prediction Using Multimodal MRI Scans With Deep Learning', Front Neurosci Vol 13, pp 810 89 Hans E Atlason, Askell Love, Sigurdur Sigurdsson, (2019) 'Vilmundur Gudnason, Lotta M Ellingsen, SegAE: Unsupervised white matter lesion segmentation from brain MRIs using a CNN autoencoder', NeuroImage: Clinical, Vol 24, No 102085\ 90 Zhang W, Li R, Deng H, Wang L, Lin W, Ji S, Shen D, (2015) 'Deep convolutional neural networks for multi-modality isointense infant brain image segmentation', Neuroimage., Vol 108, pp 214-24 91 Christian S Perone, Evan Calabrese, Julien Cohen-Adad, (2018) 'Spinal cord gray matter segmentation using deep dilated convolutions', Scientific Reports, Vol 8, No 5966 92 Wang Y, Wang Y, Zhang Z, Xiong Y, Zhang Q, Yuan C, Guo H, (2018) 'Segmentation of gray matter, white matter, and CSF with fluid and white matter suppression using MP2RAGE', J Magn Reson Imaging 93 Zeynettin Akkus, Alfiia Galimzianova, Assaf Hoogi, Daniel L Rubin, Bradley J Erickson, (2017) 'Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions', Journal of Digital Imaging, Vol 30, No 4, pp 449–459 94 Pedregosa et al., (2011) 'Scikit-learn: Machine Learning in Python', Journal of Machine Learning Research, Vol 12, pp 2825-2830 95 Bumshik Lee,Nagaraj Yamanakkanavar,Jae Young Choi, (2020) 'Automatic segmentation of brain MRI using a novel patch-wise U-net deep architecture', PLoS ONE, Vol 15, No 8, pp e0236493 85