Phân đoạn ảnh MRI não 3D tự động và trích xuất chất xám, trắng, dịch não tủy hỗ trợ chẩn đoán bệnh

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 TOÁN 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 • 1.TS Phạm Thế Bao 2.TS Jin Young Kim Tp. Hồ Chí Minh - Năm 2022 Lòi cam đoan Tôi xin cam đoan nội dung cúa luận án là kết qua nghiên cứu cúa chính bán thân tác giả dưới sự hưcíng dẫn cùa các cán bộ hướng dẫn khoa học. Tất cả thông tin tham khảo đều được nêu rõ nguồn gốc trong danh mục các tài liệu tham khao của luận án. Những đóng góp chính của luận án là nghiên cứu cùa tác giả đã công bố trong các bài báo được liệt kê trong danh mục các công trinh nghiên cứu, và chưa được công bố bời tác giả nào khác.

Tác giả luận án Trần Anh Tuấn Lòi cám on Xin gửi lời cám ơn chân thành nhất đến PGS. Phạm Thế Bảo và GS. Jin Young Kim đã tận tình hướng dẫn và tạo diều kiện để tác giả có thế hoàn thành đề tài nghiên cứu. Dưới sự hướng dẫn tận tình của thầy về kiến thức chuyên môn cũng như những góp ý trong cuộc sổng đã giúp tác giá vượt qua rất nhiều khó khăn và thử thách.

Xin gứi lời cám ơn chân thành đến các thầy cô trong Khoa Toán-Tin học, các thầy cô ơ phòng Sau Đại Học, Ban Giám Hiệu nhà trường đã hỗ trợ đế tác gia có thế hoàn tất đề tài nghiên cứu này. Xin chân thành cám ơn quỹ tài trợ Japan-Asia Youth Exchange Program in Science, ASEAN-Korea Exchange Fellowship và Erasmus Mundus Program đà hỗ trợ đê tác giả hoàn tat đề tài nghiên cứu này. Xin chân thành cám ơn quý thầy cô đã nhận xét và gứi những lời góp ý đen luận án. Xin cám ơn gia đình đã hồ trợ trong thời gian học tập, làm việc và nghiên cứu.

II Mục lục Lòi cam đoan. II Danh mục các kỷ hiệu, các chủ' viết tất. V Danh mục các bang. VI Danh mục các hình vẽ, đồ thị.

VII Chương I. Giói thiệu bài toán. Động cơ nghiên cứu. Bài toán phân vùng các chất trong não và hồ trợ chấn đoán bệnh.

Mục tiêu và phạm vi nghiên cứu. Các đóng góp chính của luận án. Bố cục cua luận án. PHÂN VÙNG NÃO TÙ ẢNH NÃO TRÊN MRI3 CHIỀU.1 Tổng quan các nghiên cứu phân vùng não.2 Các thuật toán cho bài toán phân vùng não.2 Thuật toán Otsu.3 Thuật toán Fast Marching.3 Phuong pháp đề xuất phân vùng não.

Phân vùng não bằng phương pháp Adaptive Region Growing. Phân vùng não bàng phương pháp Adaptive Fast Marching.4 Kết chương. 24 Chương 3 PHÂN VÙNG CHẮT TRÂNG, CHẮT XÁM, VÀ DỊCH NÃO TUỶ. Tống quan các nghiên cứu phân vùng ba chất trong não.

Các thuật toán trong bài toán phân vùng các chất trong não. Mô hình U-Net. Gaussian Mixture Model. Phuong pháp đề xuất phân vùng các chất trong não.

Phân vùng các chất trong não sử dụng B-UNet. Phân vùng các chất trong não sử dụng Adaptive U-Nct và Local CNN 34 3. Phân vùng các chất sử dụng CNN 3 chiều thu nhỏ và CNN 2 chiều. Phân vùng các chất trong não sử dụng CNN 2 chiều với R.

Kết chương. 44 Chương 4 PHƯƠNG PHÁP HỎ TRỢ CHẮN ĐOẢN BỆNH ALZHEIMER.1 Tổng quan các nghiên cứu chấn đoán bệnh Alzheimer.2 Các thuật toán ứng dụng trong bài toán chẩn đoán bệnh.1 Thuật toán SVM.2 Thuật toán XGBoost.3 Phương pháp đề xuất hỗ trợ chẩn đoán bệnh Alzheimer.4 Kết chương. 51 Chương 5 KÉT QUẢ CÀ THẮO LUẬN. PhưoTig pháp đánh giá.

Phân vùng ánh não và 3 chất trong não. Kết quả thực nghiệm. Tập dừ liệu thực nghiệm. Kết quả thực nghiệm tách hộp sọ.

Ket qua thực nghiệm phân vùng 3 đối tượng trong não. Kết quả thực nghiệm cho 2 bài toán: phân vùng ba đối tượng trong não và chân đoán AD. Kết chương. 72 Chương 6 KÉT LUẬN VÀ HƯỚNG PHÁT TRIỂN.2 Hưóng phát triển của luận án.

73 DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ. 75 TÀI LIỆU THAM KHẢO.77 IV Danh mục các 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): 1 công cụ phân vùng não Brain Surface Extractor (BSE): I công cụ phân vùng nào FMRIB Software Library (FSL): công cụ phân vùng các chất trong não Convolutional neural network (CNN): Mạng nơ-ron tích chập Statistical Parametric Mapping (SPM): Một công cụ phân vùng não Functional Magnetic Resonance Imaging (fMRI): Một công cụ phân vùng nào 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 toán 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 mất trí nhớ lâm sàng V Danh mục các bảng 1. Minh họa gom nhóm các lát cắt dựa trên hình dạng hộp sọ. Các loại lát cắt dựa trên hình dạng não.

Minh họa kết quả của một lát cắt trong nhóm 3 của cơ sở dữ liệu BrainWeb. Màu sắc thề hiện kết quá bị phân vùng sai trong đó màu xanh là vùng của phương pháp đề xuất và màu hồng là vùng của chuyên gia. Minh họa kết quá cua một lát cắt trong nhóm 3 cua cơ sơ dữ liệu Neurodevelopmental MRĨ. Màu sắc thể hiện kết quâ bị phân vùng sai trong đó màu xanh là vùng của phương pháp đề xuất và màu hồng là vùng của chuyên gia.

So sánh phương pháp đề xuất Adaptive Region Growing với các phương pháp phồ biển (BET và BSE). So sánh phương pháp đề xuất Adaptive Fast Marching với các phương pháp phân vùng não. So sánh phương pháp đề xuất Adaptive Fast Marching với phương pháp BET phân vùng hộp sọ và da đau. So sánh 2 phương pháp đề xuất phân vùng não với phương pháp khác.

Ket quả so sánh phương pháp đề xuất phân vùng 3 đối tượng trong não với các phương pháp khác. Thông tin chi tiết mô hình CNN đề xuất phân vùng 3 đối tượng trong não. Kết quả các phương pháp đề xuất phân vùng 3 đổi tượng trong não và các phương pháp thu được bang phương pháp U-Net truyền thống (Dice). Thông tin chi tiết mô hình CNN đề xuất phân loại lát cắt.

Độ chính xác phương pháp đề xuất chẩn đoán AD và phương pháp khác để chẩn đoán AD từ ánh não sau khi tách hộp sọ trên MRĨ 3 chiều.71 VI Danh mục các hình vẽ, đồ thị 1. Minh họa một số ảnh y khoa trong chân đoán hình ãnh. Từ trái qua phài là ảnh phôi trên X-quang, ảnh phổi trên ảnh CT [24J, và ánh não trên MRI 1. Minh hoạ ba chất bên trong 1 lát cắt ánh não trên MR1 gồm chất xám, chất trắng và dịch não tủy.

Ba bài toán chính của bài toán hồ trợ chấn doán AD từ MRI. Hình 2-1 Hệ thống phân vùng não, hộp sọ và da đầu bàng phương pháp Otsu nhiều lớp và Adaptive Region Growing. Hình 2-2 Minh họa lát cắt trên cùng, lát cắt bôn dưới và 4 nhóm các lát cắt dựa trên hình dạng hộp sọ. Hệ thống phân vùng não, da đầu và hộp sọ từ MRI.

Minh hoạ kết quă sử dụng phương pháp Otsu để phân vùng đầu 19 8. Minh hoạ các mặt phăng 8 bit cua một lát cắt anh não trên MRI (a) BrainWeb (b) Cơ sở dừ liệu MRI NeuronDevelopmental. Hình 2-6 Minh hoạ sừ dụng AFM với ngưỡng T = 0,04. Các phương pháp phân vùng WM, GM và CSF.

Minh hoạ• một • sâu cơ bản. 28 • mô hình học 12. Kiến trúc U-Net (ví dụ cho 32x32 điểm anh ớ layer thấp nhất) 1841. Minh họa cãi tiến Convolution layer trong mô hình B-UNet.

Tống quan về phương pháp đề xuất phân vùng ba đối tượng trong não từ ảnh não trên MRĨ. Phương pháp đề xuất phân vùng “vùng chẳc chắn” và “vùng chưa chắc chắn” dựa trên mô hình CNN. Phương pháp đề xuất phân vùng “vùng chắc chắn” và “vùng không chắc chắn” dựa trên mô hình CNN. Sự kết hợp của 2 kernels với kích cỡ khác nhau và 2 phương pháp giám mẫu khác trong Convolution layer.

Mô hình CNN phân loại “vùng chưa chắc chắn” trong MRI 2 chiều. Minh hoạ cứa sổ trượt với 4 ảnh đầu vào gồm ánh ban đầu, “vùng chắc chắn” của ảnh trước, ảnh đang xét và ảnh sau. Phương pháp đề xuất U-Net 3 chiều thu nhó phân vùng các chất từ ảnh não trên MRI. Phương pháp đề xuất phân vùng các chất từ kết qua CNN 3 chiều thu nhỏ.

Phương pháp đề xuất phân vùng các chất trong não sử dụng CNN 2 chiều với RPP từ ánh não trên MR1. Nhóm các phương pháp hồ trợ chấn đoán AD của nhóm tiêu chuấn về hình anh học của ảnh não trên MRI. Margin của hai lớp là bàng nhau và lớn nhất có thề. Minh hoạ mô hình CNN phân loại anh.

Một phương pháp được đề xuất để dự đoán bệnh Alzheimer bằng cách sử dụng XGBoost từ các chất WM, GM và CSF trong ảnh não trên MR1. Một phương pháp được đề xuất đe chấn đoán AD bằng cách sử dụng SVM với lựa chọn đặc trưng từ XGBoost. Sự phù hợp giữa kết quá phân vùng (A) so với phân vùng của chuyên gia (B). Ket qua độ đo Dice khi sứ dụng phương pháp đề xuất Adaptive Fast Marching cho 20 đổi tượng trong cơ sở dữ liệu BrainWeb.

Ket quả độ đo Dice khi sử dụng phương pháp đề xuất Adaptive Fast Marching cho 7 đối tượng trong cơ sở dữ liệu Neurodevelopmental MRI. Một ví dụ vê kêt quả thu được băng phương pháp đê xuât phân vùng 3 chất trong não. Từ trái sang phải là kết quả cua: U-Net, phương pháp đề xuất và ảnh phân vùng thủ công. Sự khác biệt chính chủ yếu là biên của các đối tượng bên trong hình chữ nhật màu đỏ.

Giói thiệu bài toán 1. Động CO’ nghiên cứu Hệ thần kinh là bộ phận điều khiển mọi chức năng cùa cơ thể, nên khi hệ thần kinh gặp vấn đề sẽ gây anh hưởng lớn đến não bộ, túy sống và các dây thần kinh.