Phân loại ba vùng gm, wm, csf từ ảnh não người và xác định điểm bất thường bằng phương pháp em cải tiến

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH LÊ TRẦN TRUNG PHÂN LOẠI BA VÙNG GM, WM, CSF TỪ ẢNH NÃO NGƯỜI VÀ XÁC ĐỊNH ĐIỂM BẤT THƯỜNG BẰNG PHƯƠNG PHÁP EM CẢI TIẾN Chuyên ngành: KHOA HỌC MÁY TÍNH Mã chuyên ngành: 60480101 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, NĂM 2019 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: TS Trần Anh Tuấn Người phản biện 1: PGS.TS Nguyễn Việt Linh Người phản biện 2: TS Lê Thành Sách Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Cơng nghiệp thành phố Hồ Chí Minh ngày 12 tháng 04 năm 2019 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS.TS Huỳnh Trung Hiếu - Chủ tịch hội đồng PGS.TS Nguyễn Việt Linh - Phản biện TS Lê Thành Sách - Phản biện TS Phạm Văn Chung - Ủy viên TS Phạm Thị Thiết - Thư ký CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Lê Trần Trung MSHV: 15001301 Ngày, tháng, năm sinh: 07/11/1992 Nơi sinh: TP.HCM Chuyên ngành: Khoa học Máy tính Mã chuyên ngành: 60480101 I TÊN ĐỀ TÀI: Phân loại ba vùng GM, WM, CSF từ ảnh não người xác định điểm bất thường phương pháp EM cải tiến NHIỆM VỤ VÀ NỘI DUNG: Nghiên cứu phương pháp EM cải tiến để trích xuất ảnh não người thành vùng WM, GM CSF Trích xuất vùng bất thường ảnh não (nếu có) Đưa đánh giá, so sánh vùng trích xuất ảnh não II NGÀY GIAO NHIỆM VỤ: Theo QĐ số 2538/QĐ-ĐHCN ngày 29/12/2016 III NGÀY HOÀN THÀNH NHIỆM VỤ: ngày 29/06/2018 IV NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Trần Anh Tuấn Tp Hồ Chí Minh, ngày … tháng … năm 20 … NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TS Trần Anh Tuấn TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN LỜI CẢM ƠN Trong thời gian làm luận văn tốt nghiệp, nhận nhiều giúp đỡ, đóng góp ý kiến bảo nhiệt tình thầy cơ, gia đình bạn bè Tơi xin gửi lời cảm ơn chân thành đến TS Trần Anh Tuấn, trường Đại học Khoa học Tự nhiên Thành phố Hồ Chí Minh, người tận tình hướng dẫn, bảo tơi suốt q trình thực luận văn Tơi xin chân thành cảm ơn thầy cô giáo trường Đại học Cơng nghiệp Thành phố Hồ Chí Minh nói chung, thầy cô Bộ môn Công nghệ Thông tin nói riêng truyền đạt kiến thức mới, giúp tơi có sở lý thuyết vững vàng tạo điều kiện giúp đỡ tơi suốt q trình học tập Cuối cùng, xin chân thành cảm ơn gia đình bạn bè tạo điều kiện, quan tâm giúp đỡ đợng viên tơi suốt q trình học tập để hồn thành luận văn tốt nghiệp i TĨM TẮT LUẬN VĂN THẠC SĨ Luận văn trình bày phương pháp phân đoạn ảnh MRI (magnetic resonance imaging) não người thành phân vùng Grey Matter (GM), White Matter (WM) Cerebrospinal fluid (CSF), sau xác định điểm bất thường (thường khối u, xuất huyết, phù nề, v.v.) có Phương pháp phân đoạn ảnh não đề tài sử dụng kết hợp thuật toán Expectation Maximization (EM) kết hợp với Particle Swarm Optimization (PSO) với phương pháp EM vốn chưa cho kết quả xác Ground Truth Phương pháp PSO thay bước khởi tạo nhãn EM để giảm thiểu việc tạo nhóm ban đầu khơng xác phương pháp EM ước lượng tham số nhanh hơn; kết quả phân vùng xác Nhờ phân đoạn ảnh MRI não phương pháp đề xuất này, có phân vùng khối u giúp đỡ bác sĩ việc chuẩn đoán bệnh liên quan đến não ii ABSTRACT This thesis presents a human brain magnetic resonance imaging (MRI) image segmentation method, which divide into Grey matter (GM), White Matter (WM) and Cerebrospinal fluid (CSF) segment, then abnormalities (usually tumors, hemorrhage, edema, etc.) are also determined if available Our brain MRI image’s segmentation method combines Expectation Maximization (EM) algorithm with Particle Swarm Optimization (PSO) because EM method has not achieved exactly the same results like Ground Truth results The PSO method will replace labels initiation’s step to minimize incorrect initial groups in EM and the EM method estimates parameters faster; therefore segmentation’s results will be more accurate Brain MRI segmentation (including tumor segment) by our proposed method will help doctors in diagnosing brain-related diseases iii LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu bản thân tơi Các kết quả nghiên cứu kết luận luận văn trung thực, không chép từ mợt nguồn hình thức nào.Việc tham khảo nguồn tài liệu (nếu có) thực trích dẫn ghi nguồn tài liệu tham khảo quy định Học viên Lê Trần Trung iv MỤC LỤC MỤC LỤC v DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG BIỂU ix DANH MỤC TỪ VIẾT TẮT x MỞ ĐẦU 1 Đặt vấn đề Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu 3.2 Phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu 4.1 Phương pháp nghiên cứu tài liệu 4.2 Phương pháp nghiên cứu thực nghiệm 4.3 Phương pháp xử lý số liệu Ý nghĩa thực tiễn đề tài CHƯƠNG TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU 1.1 Tổng quan ảnh MRI não người 1.1.1 Các vùng ảnh MRI não người 1.1.2 Vị trí điểm bất thường ảnh MRI não người 1.1.3 Phân loại ảnh MRI 1.2 Phân tích ảnh não người 13 1.2.1 Các phương pháp xử lý ảnh não người 13 1.2.2 Hướng tiếp cận hỗ trợ bác sĩ việc chẩn đoán bệnh não người 20 CHƯƠNG CƠ SỞ LÝ THUYẾT CÁC PHƯƠNG PHÁP XỬ LÝ ẢNH Y KHOA 23 2.1 Cấu trúc ảnh MRI não 23 2.1.1 Khái niệm ảnh MRI 2D 23 v 2.1.2 Ma trận ảnh phần tử ảnh 24 2.1.3 Mức xám 24 2.2 Mơ hình ngữ cảnh không gian ảnh 25 2.2.1 Hệ lân cận điểm ảnh 25 2.2.2 Các mối liên kết ảnh 26 2.2.3 Mơ hình trường ngẫu nhiên Markov (Markov Random Field) 27 2.3 Phân đoạn ảnh 32 CHƯƠNG PHƯƠNG PHÁP EM CẢI TIẾN ĐỀ XUẤT TRONG PHÂN ĐOẠN ẢNH NÃO NGƯỜI MRI 34 3.1 Phương pháp đề xuất 34 3.2 Phương pháp PSO (Particle Swarm Optimization - Tối ưu hóa theo nhóm bầy) 35 3.2.1 Giới thiệu 35 3.2.2 Thuật toán PSO phân đoạn ảnh 37 3.3 Phương pháp EM/MPM (Expectation Maximization/ Maximization of the Posterior Marginals) 42 3.3.1 Giới thiệu 42 3.3.2 Mơ hình ảnh quan sát 43 3.3.3 Cơ sở thuật toán EM/MPM 47 3.3.4 Mô tả thuật toán EMMPM 50 3.3.5 Phương pháp EM/MPM cải tiến đề tài đề xuất 53 CHƯƠNG KẾT QUẢ THỰC TIỄN VÀ ĐÁNH GIÁ 55 4.1 Cơ sở liệu phương pháp đánh giá kết quả thực nghiệm 55 4.1.1 Giới thiệu nguồn sở liệu thực nghiệm 55 4.1.2 Môi trường phương pháp thực đánh giá kết quả thực nghiệm 57 4.2 Sơ đồ trình phân đoạn ảnh sử dụng phương pháp EM cải tiến đề xuất 58 4.3 Các kết quả thực nghiệm 60 4.3.1 Phân đoạn ảnh MRI não giai đoạn 60 4.3.2 Phân đoạn ảnh MRI não giai đoạn 64 4.3.3 So sánh với phương pháp phân đoạn khác 68 KẾT LUẬN VÀ KIẾN NGHỊ 69 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA HỌC VIÊN 71 vi TÀI LIỆU THAM KHẢO 72 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN 75 vii Hình 4.6 Ảnh vùng có nhãn với hai trường hợp bình thường chứa khối u giai đoan đề tài 4.3.1.1 Kết giai đoạn trích xuất hộp sọ Hình 4.7 Phân vùng hợp sọ trích xuất từ ảnh não bình thường 61 Theo kết quả phân đoạn giai đoạn 1, phân vùng có nhãn lớp vùng có mức xám cao nhất, chứa hợp sọ mợt số vùng khác Do đó, cần phải qua mợt số bước xử lý để trích xuất xác vùng hợp sọ sử dụng thêm giá trị diện tích khung bao chứa vùng Đề tài trích xuất vùng hợp sọ cách lấy phân vùng có nhãn 3; lúc nảy phân vùng chứa: hợp sọ vùng có diện tích lớn (đối với ảnh bình thường) có thêm vùng diện tích nhỏ (đối với ảnh chứa khối u) Sau đó, tính diện tích bounding box diện tích hình chữ nhật nhỏ chứa vùng (Hình 4.8 (b)), hợp sọ vùng nằm ngồi nên có giá trị lớn nên lúc trích xuất riêng vùng hợp sọ (Hình 4.8 (c)) Hình 4.8 Ảnh kết quả trích xuất vùng hợp sọ Theo đánh giá giá trị diện tích bounding box, đề tài ln ln trích xuất phân vùng hợp sọ tương đối xác Kết quả trích xuất phân vùng hộp sọ giai đoạn thuật toán đề tài thực cả CSDL ảnh não bình thường OASIS Data ảnh có bệnh Figshare Data (Hình 4.7) 62 4.3.1.2 Trích xuất điểm bất thường Hình 4.9 Ảnh kết quả phân đoạn giai đoạn với trường hợp có vùng bất thường Đối với ảnh não có bệnh, sau trích xuất hợp sọ cơng đoạn trích xuất vùng điểm bất thường chúng có nhãn ảnh qua giai đoạn Để phân đoạn trích xuất xác điểm bất thường, đề tài đánh dấu gán nhãn vùng này, tính tốn giá trị sau cho chúng:  Số lượng điểm ảnh vùng  Tỉ số số lượng điểm ảnh vùng với diện tích bounding box Qua nhận xét đánh giá giá trị nhiều ảnh não có bệnh, đề tài nhận thấy đề xuất giá trị vùng bất thường có số điểm ảnh lớn 130 tỉ số số lượng điểm ảnh vùng với diện tích bounding box lớn 0.5 Hình 4.10 Ảnh kết quả trích xuất điểm bất thường Đối với khối u thường có mức xám cao nên trích xuất xác dựa vào giá trị đánh giá (Hình 4.10) Bên cạnh đó, liệu đề tài ảnh MRI 2D đánh giá nhận dạng chúng vùng bất thường, thực tế phải đánh 63 giá kết hợp nhiều ảnh chụp lát cắt khác một bệnh nhân đưa kết luận hình dạng xác chúng 4.3.1.3 Trích xuất vùng não Hiện tại, đề tài có kết quả trích xuất phân vùng hộp sọ điểm bất thường (khối u), Nếu loại bỏ phân vùng vùng não Vùng lại chứa phần GM, WM CSF não (xem Hình 4.11) Hình 4.11 Ảnh kết quả trích xuất vùng não với trường hợp có vùng bất thường 4.3.2 Phân đoạn ảnh MRI não giai đoạn Sau thực giai đoạn 1, đề tài loại bỏ vùng hợp sọ bất thường cịn vùng phân vùng não Lúc giai đoạn thực EM/MPM-PSO với ảnh phân vùng não trích xuất giai đoạn Số phân vùng đầu vào thuật toán giai đoạn đề tài nhận thấy lại vùng ảnh phân vùng não bao gồm: Background, GM, WM CSF; đề tài khơng quan tâm vùng Background Các q trình khởi tạo giá trị tham số thực thuật toán tương tự giai đoạn khác biệt ma trận liệu ảnh lấy từ bước tiền phân đoạn thuật toán PSO ảnh kết quả phân vùng não 64 Hình 4.12 Ảnh kết quả sau phân đoạn giai đoạn với bốn lớp - Vùng có nhãn 1: Background bên ngồi - Vùng có nhãn 2: CSF - Vùng có nhãn 3: GM - Vùng có nhãn : WM 4.3.2.1 Kết giai đoạn trích xuất vùng GM, WM CSF Từ ảnh kết quả sau phân đoạn giai đoạn thuật toán đề xuất đề tài, trích xuất vùng theo nhãn lớp 2, ảnh kết quả sau phân đoạn giai đoạn (xem Hình 4.12) thu ảnh chứa phân vùng CSF, GM WM tương ứng Sau để kiểm chúng kết quả trích xuất vùng tương ứng thuật tốn so với ảnh Ground Truth: đề tài đánh giá phân vùng đề tài cách so sánh với ảnh Ground Truth tương ứng số tương tự Dice trình bày mục 4.1.2 Trong trình thực nghiệm để đánh giá so sánh, tất cả ảnh kết quả phân vùng đề tài Ground Truth thay đổi kích cỡ 200 x 200 pixel Trong ảnh kết quả so sánh phân vùng từ trở xuống vùng có màu trắng thể True Positive, vùng có màu hồng sẫm False Nagative vùng có màu xanh False Positive 65 Bảng 4.2 Ảnh kết quả vùng so với ảnh Grouth Truth một ảnh CSDL OASIS Data Ảnh kết Kết vùng WM Chỉ số tương tự DICE score: 0,9058 Kết vùng GM Chỉ số tương tự DICE score: 0,781633333 Kết vùng CSF Chỉ số tương tự DICE score: 0,7667 66 Kết quả phân vùng WM, CSF xác với GM cịn mợt số phân vùng sai hình dạng GM phức tạp Đối với ảnh não có bệnh CSDL Figshare, khơng có ảnh Ground Truth cho phân vùng nên chưa thể đưa kết luận so sánh xác 4.3.2.2 Kết giai đoạn trích xuất vùng bất thường Bảng 4.3 So sánh vùng bất thường trích xuất đề tài với liệu ảnh Ground Truth CSDL Figshare Brain Tumor Ảnh não có vùng bất thường (Nguồn: CSDL Figshare Brain tumor) Ảnh so sánh ảnh Ground Truth Chỉ số tương tự DICE score: 0,8699 Chỉ số tương tự DICE score: 0,9675 Chỉ số tương tự DICE score: 0,8809 67 Kết quả phân vùng khối u đạt đợ xác cao 85% vùng có mức xám cao dễ phân đoạn 4.3.3 So sánh với phương pháp phân đoạn khác Tiếp theo phần này, đề tài tiến hành thực nghiệm một bộ liệu đầu vào cho phương pháp EM/MPM đề tài thuật toán khác để so sánh đánh giá kết quả phân vùng tương ứng ảnh Ground Truth; sau đưa kết luận chúng Đề tài sử dụng số tương tự Dice để đánh giá kết quả thuật toán phân đoạn Bảng 4.4 Chỉ số tương tự Dice phân vùng tḥc thuật tốn khác cần so sánh GM WM CSF EM/MPM cải tiến 0.78 0.91 0.77 HMRF-PSO 0.84 0.95 0.60 K-means 0.76 0.88 0.49 Otsu 0.71 0.87 0.13 MoG 0.23 0.71 0.19 MoGG 0.82 0.92 0.46 Bảng 4.4 cho số tương tự thu từ phân vùng sử dụng thuật toán: Phương pháp đề tài, K-means, Otsu, Mixture Of Gaussians (MOG), Mixture Of Generelized Gausssians (MOGG) Các kết quả so sánh số tương tự Dice chúng đề tài tham khảo từ [16] Thuật toán đề tài cho kết quả tốt xác kết quả phân vùng 68 KẾT LUẬN VÀ KIẾN NGHỊ Chương tổng kết lại kết quả đạt đề tài, đóng góp đề tài hướng phát triển Kết luận Trong đề tài, đề tài đưa phương pháp phân đoạn ảnh não cải tiến dựa phương pháp EM Đề tài kết hợp hai phương pháp EM/MPM PSO với bước bản một phương pháp EM vốn chưa cho kết quả xác Ground Truth Phương pháp PSO thay bước khởi tạo nhãn tham số mơ hình ngẫu nhiên cho ảnh vùng nhãn thuật toán EM để giảm thiểu việc tạo phân vùng ban đầu khơng xác Do đó, phương pháp EM ước lượng tham số nhanh MPM EM/MPM giảm thiểu việc phân loại điểm ảnh sai phân vùng Đánh giá thực nghiệm kết quả tập liệu ảnh não OASIS ảnh não có bệnh từ tập ảnh não Figshare dựa số tương tự Dice cho kết quả xác Thuật tốn đưa phân vùng mơ não ảnh não MRI bao gồm: - Vùng 1: hộp sọ - Vùng 2: WM - Vùng 3: GM - Vùng 4: CSF - Vùng 5: vùng bất thường (nếu có) Với kết quả phân đoạn giúp hỗ trợ bác sĩ việc chẩn đốn xem xét tình trạng bệnh nhân 69 Kiến nghị Phương pháp thực phân đoạn PSO kết hợp EM/MPM chậm thực gán nhãn cho điểm ảnh PSO khởi tạo giá trị ban đầu thuật tốn EM/MPM thay khởi tạo gán nhãn ngẫu nhiên Hướng phát triển luận văn áp dụng vị trí tương đối khác vùng ảnh lát cắt não khác để đánh giá xác Thêm vào đó, nghiên cứu áp dụng kết hợp phương pháp PSO với phương pháp phân loại khác EM/MPM để đạt hiệu quả phân đoạn tốt hơn, vùng GM 70 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA HỌC VIÊN L.T.Trung T.A.Tuan “Phân loại ba vùng GM, WM, CSF từ ảnh não người xác định điểm bất thường phương pháp EM cải tiến,” Kỷ yếu Hội nghị Khoa học Môi trường, Lao động Dinh dưỡng với Sức khỏe Cộng đồng lần năm 2018, Trường Đại học Y khoa Phạm Ngọc Thạch, 03/05/2018 L.T.Trung T.A.Tuan “Phân tích ảnh não người tìm điểm bất thường phương pháp PSO-EM,” Kỷ yếu Hội nghị Khoa học Ứng dụng Công nghệ Sinh – Y sinh điều trị Y khoa lâm sàng lần năm 2019, Bệnh viện Quân y 7A, 30/03/2019, pp 175-183 71 TÀI LIỆU THAM KHẢO [1] I Despotović et al “MRI Segmentation of the Human Brain: Challenges, Methods, and Applications,” Computational and Mathematical Methods in Medicine Vol 2015, pp 1-2, 2015 [2] S Robertson “What is Grey Matter,” News Medical Life Sciences Internet: https://www.news-medical.net/health/What-is-Grey-Matter.aspx, 23/08/2018 [3] C Matute and B.R Ransom “Roles of while matter in central nervous system pathophysiologies,” ASN Neuro Vol 4, no 2, pp 89, 08/02/2012 [4] D.P Agamanolis “The Normal CSF.” Neuropathology Internet: http://neuropathology-web.org/chapter14/chapter14CSF.html, 08/2016 [5] L.M.Ha N.T.Thuy Nhập môn xử lý ảnh số Nhà xuất bản Khoa học kỹ thuật, Hà Nội, 2003, pp 7-9 [6] M.A Balafar et al "Review of brain MRI image segmentation methods,” Artificial Intelligence Review Vol 33, pp 262-263, Jan 2010 [7] D C Preston "Magnetic Resonance Imaging (MRI) of the Brain and Spine: Basics." Internet: http://casemed.case.edu/clerkships/neurology/Web%20Neurorad/ MRI%20Basics.htm, 30/11/2006 [8] "Structural MRI Imaging." Internet: http://fmri.ucsd.edu/Howto/3T/structure html#T1, 09/11/2017 [9] D Selvaraj "Mri Brain Image Segmentation," Indian Journal of Computer Science and Engineering (IJCSE) Vol 4, no 5, pp 364-381, 2013 [10] "Brain Tumours," National Neuroscience Institute, Internet: https://www.singhealth.com.sg/patient-care/conditions-treatments/brain-tumours, 04/02/2018 72 [11] A Mehndiratta and F.L Giesel "Brain Tumour Imaging", Diagnostic Techniques and Surgical, Dr Ana Lucia Abujamra (Ed.), InTech, 2011, pp 27-30 [12] Andrew Blake et al Markov Random Fields for Vision and Image Processing The MIT Press, 2011, pp 20-22 [13] N.G Như et al “A Novel PSO based Algorithm Approach for the cMTS to Improve QoS in Next Generation Networks,” Journal of Future Computer and Communication (IJFCC) Singapore, Vol 2, no 5, pp 413-417, 2013 [14] D.N Le et al “A Novel PSO-Based Algorithm for the Optimal Location of Controllers in Wireless Networks,” International Journal of Computer Science and Network Security Vol.12, no 8, pp 23-27, 08/2012 [15] N.G Như “Mợt số thuật tốn tiến hóa giải tốn tối ưu mạng máy tính,” Luận án Tiến sĩ, Trường Đại học Khoa học Tự nhiên, Hà Nội, 2014 [16] S.Ait-Aoudia et al “Medical Image Segmentation using Particle Swarm Optimization,” 18th International Conference on Information Visualisation, pp 287290, 2014 [17] M.L Comer and E J Delp “The EM/MPM Algorithm for Segmentation of Textured Images: Analysis and Further Experimental Results,” IEEE Transactions On Image Processing Vol 9, no 10, pp 1731-1744, 10/2000 [18] J Marroquin et al “Probabilistic solution of illposed problems in computational vision,” Journal of the American Statistical Association Vol 82, pp 76–89, Mar 1987 [19] M L Comer and E J Delp “Parameter estimation and segmentation of noisy or textured images using the EM algorithm and MPM estimation,” in Proc Proceedings of 1st International Conference on Image Processing, Austin, TX, USA, Nov 1994, pp 650–654 73 [20] J Zhang et al “Maximum-likelihood parameter estimation for unsupervised model-based image segmentation,” IEEE Trans Image Processing Vol 3, pp 404– 420, July 1994 [21] T N Pappas “An adaptive clustering algorithm for image segmentation,” IEEE Trans Signal Processing Vol 40, pp 901–914, Apr 1992 [22] S Geman and D Geman “Stochastic relaxation, Gibbs distribution, and Bayesian restoration of images,” IEEE Trans Pattern Anal Machine Intell Vol PAMI-6, pp 721–741, Nov 1984 74 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN I LÝ LỊCH SƠ LƯỢC: Họ tên: Lê Trần Trung Giới tính: Nam Ngày, tháng, năm sinh: 07/11/1992 Nơi sinh: TP.HCM Email: letrantrung711@gmail.com Điện thoại: 0789657457 II QUÁ TRÌNH ĐÀO TẠO: - Từ 2010-2014: Học Chuyên ngành: Công nghệ Thông tin trường Đại học Mở TP.HCM - 2015 đến nay: Học Thạc sĩ Chuyên ngành: Khoa học Máy tính trường Đại học Cơng nghiệp TP.HCM III Q TRÌNH CƠNG TÁC CHUN MƠN: Thời gian Nơi cơng tác Công việc đảm nhiệm Tp HCM, ngày tháng Năm 201… Người khai 75 ... ĐỀ TÀI: Phân loại ba vùng GM, WM, CSF từ ảnh não người xác định điểm bất thường phương pháp EM cải tiến NHIỆM VỤ VÀ NỘI DUNG: Nghiên cứu phương pháp EM cải tiến để trích xuất ảnh não người. .. quan ảnh MRI não người 1.1.1 Các vùng ảnh MRI não người Bình thường mợt ảnh MRI não người bình thường, mơ não phân thành ba loại (Hình 1.1); vùng xám (GM), vùng trắng (WM) vùng dịch não tủy (CSF) ... ảnh não MRI thu từ máy quét MRI ban đầu, đề tài luận văn phân tách thành ba vùng ảnh não MRI GM, WM CSF thành ba vùng rời rạc Kế tiếp đề tài luận văn xác định điểm bất thường vùng thể ảnh não