Thuật toán DBSCAN trong phân vùng ảnh chụp CT và ứng dụng trong trích xuất đặc trưng não người

Nghiên cứu khoa học công nghệ<br /> <br /> THUẬT TOÁN DBSCAN TRONG PHÂN VÙNG ẢNH CHỤP CT VÀ<br /> ỨNG DỤNG TRONG TRÍCH XUẤT ĐẶC TRƯNG NÃO NGƯỜI<br /> Nguyễn Thị Bích Điệp1*, Bùi Thị Hương Thơm1, Đỗ Duy Cốp2<br /> Tóm tắt: Các bài toán phân vùng ảnh y khoa hướng đến mục đích cung cấp<br /> những giải pháp hỗ trợ chẩn đoán tổn thương, bệnh lý. Có nhiều ứng dụng thực tế<br /> của bài toán phân vùng ảnh y khoa như: Truy xuất hình ảnh dựa trên nội dung, xác<br /> định vị trí khối u và bệnh lý , đo khối lượng mô chẩn đoán, nghiên cứu về cấu trúc<br /> giải phẫu. Đối với bài toán này, thuật toán DBSCAN tối ưu hơn so với các thuật<br /> toán phân cụm dùng trong phân vùng ảnh. Dựa trên thuật toán phân vùng này, tác<br /> giả lựa chọn các thông số để trích xuất đặc trưng não như: mô não, cấu trúc<br /> xương, mạch máu... Cấu trúc xương và mạch máu có trị số đậm độ tương đương<br /> nên khi thu nhận ảnh sẽ có mức xám tương đương, do đó việc xây dựng bài toán<br /> phân biệt hai cấu trúc này thông qua kích thước và độ tròn là cần thiết cho việc<br /> xây dựng các ứng dựng hỗ trợ chẩn đoán hình ảnh.<br /> Từ khóa: Xử lý ảnh y tế, Phân vùng ảnh, Thuật toán phân cụm, Ảnh chụp cắt lớp điện toán.<br /> <br /> 1. ĐẶT VẤN ĐỀ<br /> Xử lý ảnh là một lĩnh vực khoa học công nghệ khá mới so với nhiều ngành khoa học<br /> khác. Phân vùng ảnh là một bài toán cơ bản trong toàn bộ quá trình xử lý ảnh. Có nhiều<br /> ứng dụng thực tế của bài toán phân vùng ảnh như: Truy xuất hình ảnh dựa trên nội dung;<br /> Hình ảnh y khoa: xác định vị trí khối u và bệnh lý khác, đo khối lượng mô chẩn đoán,<br /> nghiên cứu về cấu trúc giải phẫu; Phát hiện và nhận dạng: Nhận dạng vân tay, nhận dạng<br /> khuôn mặt… Ảnh y học thường chụp các bộ phận bên trong cơ thể người bằng các thiết bị<br /> chuyên dụng như máy X-Quang chụp hộp sọ, máy chụp cắt lớp vi tính, máy chụp cộng<br /> hưởng từ, máy chụp mạch não...nên ảnh thường không rõ, không sắc nét, gây khó khăn<br /> cho các chuyên gia y học trong việc chẩn đoán bệnh. Mặc dù các thiết bị y tế với công<br /> nghệ ngày càng nâng cao để hỗ trợ cho các chuyên gia y tế phân tích và xử lý thông tin từ<br /> ảnh nhưng vấn đề đặt ra cần phải giải quyết song song là việc nâng cao chất lượng ảnh.<br /> Nếu phân vùng ảnh không tốt sẽ dẫn đến sai lầm trong quá trình nhận dạng ảnh, bởi vậy<br /> người ta xem công đoạn phân vùng ảnh là quá trình then chốt trong quá trình xử lý ảnh nói<br /> chung. Bài báo này đề cập tới việc ứng dụng thuật toán DBSCAN trong phân vùng ảnh<br /> vào việc phân tách ảnh chụp CT não người. Qua đó, tách các vùng ảnh dựa trên các cấu<br /> trúc xương, mô não, mạch máu… để hỗ trợ chẩn đoán tổn thương và bệnh lý.<br /> Những vấn đề liên quan đến phân vùng ảnh trong y tế hiện được nhiều nhà nghiên cứu<br /> trên thế giới quan tâm. Những nghiên cứu mới đây có thể kể đến như “Phân vùng ảnh MRI<br /> não người sử dụng thuật toán DBSCAN mở rộng” [1], “Phân vùng u não từ hình ảnh cộng<br /> hưởng từ (MRI), sử dụng phân nhóm với KMeans và DBSCAN” [2], “Phân đoạn ảnh sử<br /> dụng thuật toán dựa trên mật độ” [3],v.v...các nghiên cứu này đã đạt được một số kết quả<br /> phân tách vùng ảnh tự động và bán tự động dựa trên giám sát của các chuyên gia. Tuy<br /> nhiên, phần lớn các nghiên cứu hướng đến việc phân tách ảnh chụp MRI. Ảnh MRI có ưu<br /> điểm là hình ảnh sắc nét hơn ảnh CT do cơ chế tạo ảnh. Tuy nhiên, với một số chẩn đoán<br /> cụ thể hiện nay, ảnh CT được chỉ định nhiều hơn từ các bác sĩ trong các thăm khám cận<br /> lâm sàng. Do những ưu điểm như: chụp nhanh chóng, không gây tiếng ồn như MRI, giá<br /> thành rẻ.<br /> Bởi vậy, sử dụng một thuật toán phù hợp cho phân tách vùng ảnh CT, từ đó đưa ra một<br /> phương pháp trích xuất đặc trưng não người, là một tiền đề quan trọng cho các hướng<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 223<br />  Điều khiển – Cơ điện tử - Truyền thông<br /> nghiên cứu về trợ giúp chẩn đoán các tổn thương bệnh lý trong não. Với mục đích đó,<br /> nghiên cứu này tập trung vào một số nội dung chính sẽ được trình bày cụ thể dưới đây:<br /> - Đánh giá ưu điểm của thuật toán phân cụm DBSCAN cho phân vùng ảnh y tế.<br /> - Vấn đề về trích xuất đặc trưng dựa trên trị số đậm độ Housfiled – một trị số cơ bản<br /> trong các vấn đề liên quan đến ảnh CT<br /> - Đề xuất thuật toán trích xuất đặc trưng não người ứng dụng DBSCAN.<br /> 2. THUẬT TOÁN DBSCAN VÀ VẤN ĐỀ TRÍCH XUẤT ĐẶC TRƯNG<br /> 2.1. Thuật toán DBSCAN<br /> Thuật toán DBSCAN [5] (Density Based Spatial Clustering of Applications with<br /> Noise) do Martin Ester và các tác giả khác đề xuất là thuật toán gom cụm dựa trên mật độ,<br /> hiệu quả với cơ sở dữ liệu lớn, có khả năng xử lý nhiễu.<br /> Ý tưởng chính của thuật toán là vùng lân cận mỗi đối tượng trong một cụm có số đối<br /> tượng lớn hơn ngưỡng tối thiểu. Hình dạng vùng lân cận phụ thuộc vào hàm khoảng cách<br /> giữa các đối tượng (nếu sử dụng khoảng cách Manhattan trong không gian 2 chiều thì<br /> vùng lân cận có hình chữ nhật, nếu sử dụng khoảng cách Eucler trong không gian 2 chiều<br /> thì vùng lân cận có hình tròn).<br /> Thuật toán sử dụng khái niệm mật độ của các đối tượng để xây dựng các cluster.<br /> DBSCAN sử dụng hai tham số là MinPts và Eps.<br /> Trong quá trình xây dựng các cluster, DBSCAN sẽ kết nối trực tiếp các “siêu cầu” có<br /> bán kính Eps mà ở đó nó chứa ít nhất MinPts đối tượng.<br />  Vùng lân cận Eps: của đối tượng p (kí hiệu NEps(p)) là tập hợp các đối tượng q<br /> sao cho khoảng cách giữa p và q nhỏ hơn Eps.<br /> NEps(p) = {q∈D | dist(p,q) ≤ Eps}.<br />  Minpts: mật độ - số đối tượng tối thiểu trong 1 cụm.<br /> <br /> <br /> <br /> <br /> Hình 1. Quan hệ kết nối theo mật độ trong thuật toán DBSCAN.<br /> 2.2. Đánh giá thuật toán DBSCAN so với các thuật toán phân cụm khác<br /> Với các ảnh đầu vào “image input”, kết quả phân chia vùng ảnh với các thuật toán phân<br /> cụm K-means (k=2 và k=3), Fuzzy-Cmeans (k=3, m=2), DBSCAN (eps=1, min=3), ta<br /> thấy DBSCAN không cần biết trước số cụm mà kết quả đầu ra khám phá được các cụm có<br /> hình dáng bất kỳ. Ngoài ra, một số điểm được coi là nhiễu chỉ bị loại ở thuật toán phân<br /> cụm DBSCAN. Đó là ưu điểm nổi bật của thuật toán này.<br /> <br /> <br /> 224 N. T. B. Điệp, B. T. H. Thơm, Đ. D. Cốp, “Thuật toán DBSCAN… đặc trưng não người.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> <br /> <br /> <br /> Hình 2. Sơ đồ thuật toán DBSCAN.<br /> <br /> <br /> <br /> <br /> Hình 3. Đánh giá các thuật toán phân cụm.<br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 225<br />  Điều khiển – Cơ điện tử - Truyền thông<br /> Với ảnh chụp cắt lớp điện toán não người, các cấu trúc mô não, xương, mạch máu,…<br /> trong ảnh thường có dạng hình tròn. Đặc biệt cấu trúc xương sọ trong ảnh cắt lớp điện toán<br /> có hình dạng khối tròn bao quanh các cấu trúc khác. Ngoài ra, khi phân tách vùng trong<br /> ảnh cắt lớp điện toán thường ảnh hưởng bởi nhiễu. Bởi vậy, việc lựa chọn thuật toán<br /> DBSCAN với ưu điểm nổi bật là khử được nhiễu sẽ là một lựa chọn phù hợp cho bài toán<br /> này.<br /> 2.3. Vấn đề trích xuất đặc trưng<br /> Trong ảnh chụp CT não người, các cấu trúc xương, mô não, mạch máu… trong ảnh CT<br /> được đặc trưng bởi trị số độ đậm Housfiled (HU):<br /> - Đậm độ của khí: -1000 HU (mức xám 0)<br /> - Đậm độ của xương:+1000 HU (mức xám 255)<br /> - Đậm độ của mỡ: -1000 HU<br /> - Đậm độ của mô não: 20-40 HU<br /> - Đậm độ của nước: 0 HU<br /> Khi xử lý các ảnh CT, để phân biệt được những cấu trúc cơ bản, ta quy ra mức xám của<br /> các cấu trúc từ đậm độ.<br /> Ngoài ra, vì cấu trúc xương và mạch máu có mức xám tương đương. Chỉ thông qua tiêu<br /> chí này, ta không thể phân biệt hai cấu trúc. Ta cần dựa trên các tiêu chí sau để phân biệt:<br />  Kích thước (vùng diện tích) của mạch máu nhỏ hơn so với xương.<br />  Độ tròn: mạch máu có dạng gần tròn, còn xương thì hầu như không<br />  Vị trí mạch máu và xương ở một số vùng nhất định trên ảnh<br />  Độ tương phản ở biên của mạch máu lớn hơn đô tương phản ở biên của<br /> xương (nghĩa là biên của mạch máu không rõ ràng như của xương)<br /> Áp dụng hai tiêu chuẩn trong số này cho việc phân loại<br />  Đối với kích thước: Đếm số pixel tạo nên vùng để xác định kích thước. Loại<br /> bỏ cùng nào có số pixel quá vượt trội<br />  Đối với độ tròn: được tính bằng cách so sánh diện tích và chu vi của đối<br /> tượng đó.<br /> Công thức tính độ tròn:<br /> <br /> <br /> Với S là diện tích đối tượng; P là chu vi đối tượng.<br /> 3. MÔ PHỎNG, TÍNH TOÁN VÀ KẾT QUẢ<br /> 3.1. Trích xuất đặc trưng não người dựa trên DBSCAN:<br /> Ảnh có các Ảnh có các<br /> Ảnh Ảnh đa vùng gán nhãn vùng gán nhãn<br /> CT mức xám theo trị số đậm theo cấu trúc<br /> độ<br /> <br /> Hình 4. Trích xuất đặc trưng ảnh chụp CT não người.<br /> Bước 1: Tiền xử lý<br /> Một bức ảnh CT được scan ở dưới định dạng .DCM (chuẩn DICOM). Đây là định dạng<br /> file ban đầu chưa qua một thao tác xử lý nào hết. Các file này đều không được hỗ trợ đọc<br /> hoặc ghi trong các công cụ xử lý ảnh thông thường. Do vậy, luôn có một bước chuyển<br /> .dcm file để tiện cho việc xử lý.<br /> <br /> <br /> 226 N. T. B. Điệp, B. T. H. Thơm, Đ. D. Cốp, “Thuật toán DBSCAN… đặc trưng não người.”<br /> Nghiên cứu khoa học công nghệ<br /> Quan sát các ảnh chụp CT ta đều dễ nhận thấy khoảng màu hầu như nằm trong mức<br /> xám nhiều. Nên quá trình chuyển đổi tiếp từ các ảnh RGB sang ảnh xám vẫn đảm bảo cho<br /> ta các thông tin đầy đủ cho các thao tác phân chia vùng ảnh.<br /> Bước 2: Phân chia ảnh theo cấu trúc dựa trên trị số đậm độ<br /> Hình định vị trong ảnh CT là hình dùng để xác định các vị trí lát cắt. Ở hình định vị có<br /> các đường được đánh số và đặt chồng lên vùng cơ thể khảo sát. Các số được đánh dấu cúa<br /> các đường này sẽ tương ứng với các số của các hình hay lát cắt trình bày trên phim CT. Ta<br /> có thể dùng hình định vị để quan sát nhanh các lát cắt nào cần xem trên phim CT. Hoặc<br /> ngược lại, xác định bất thường trên lát cắt CT nằm ở vị trí nào trên hình định vị.<br /> Dữ liệu ảnh của nghiên cứu là 500 ảnh chụp CT được cung cấp bởi khoa Chẩn đoán<br /> hình ảnh, bệnh viện Đa khoa Trung ương Thái Nguyên. Ta nhận thấy rằng mỗi bệnh nhân<br /> có khoảng 20 đến 50 ảnh tương ứng với số lát cắt. Tương ứng với mỗi lát cắt, ta xác định<br /> trị số độ đậm tương ứng với các mức xám đặc trưng của các cấu trúc: Xương, mô não,<br /> mạch máu,.. Qua đó ta xác định được cấu trúc cần phân vùng. Mục đích của phân chia<br /> vùng ảnh là chia ảnh thành nhiều vùng dựa trên một đặc tính nào đó. Ở đây ta chọn tiêu<br /> chí mức xám làm điều kiện phân chia vùng ảnh.<br /> Bước 3: Phân chia vùng ảnh bằng thuật toán DBSCAN<br /> Các thuật toán phân cụm làm việc trên tập dữ liệu là các điểm rời rạc, trong khi đó dữ<br /> liệu đầu vào cần xử lý của ta là một file ảnh. Vậy ta cần có bước chuyển đổi dữ liệu phù<br /> hợp với bài toán đặt ra.<br /> Khi đọc một file ảnh trong matlab ta dùng lệnh: X= imread (‘ file path’); Khi đó X sẽ<br /> nhận được giá trị là một mảng 3 chiều (với ảnh RGB). Mỗi một điểm ảnh bao gồm 3 thông<br /> số R, G,B. Ta chuyển đổi X thành ảnh xám, X sẽ nhận giá trị là mảng 2 chiều, mỗi tọa độ<br /> biểu diễn một mức xám. Sau đó, với mỗi nhóm đã chia ở bước 2, ta dựa trên vị trí (tọa độ)<br /> của nó trên ảnh mà thực hiện phân chia mỗi điểm ảnh này vào nhóm mới.<br /> Việc lựa chọn các thông số MinPts và Epscho thuật toán DBSCAN có thể được xác<br /> định bằng tay hoặc thông qua thuật toán heuristics xác định thông số Eps và MinPts cho<br /> cụm có mật độ ít dày đặc nhất. Qua thực nghiệm, chúng tôi nhận thấy cấu trúc nhỏ nhất<br /> trong ảnh CT chụp não là mạch máu với số điểm ảnh tối thiểu là 10. Kích thước ảnh cho<br /> việc xử lý cũng là cố định. Vậy, chúng tôi tính toán thông số Eps thông qua thuật toán<br /> heuristics [5] với giá trị Minpts =10.<br /> [Eps]=epsilon(x,Minpts)<br /> [m,n function]=size(x);<br /> Eps=((prod(max(x)-<br /> min(x))*Minpts*gamma(.5*n+1))/(m*sqrt(pi.^n))).^(1/n);<br /> Bước 4: Phân biệt xương và mạch máu<br /> Sau bước 3, ta đã thu được một vùng đặc trưng của não thông qua phân cụm theo mức<br /> xám. Tuy nhiên, chưa phân biệt được cấu trúc xương và mạch máu. Dựa vào mức xám<br /> chung của xương và mạch máu, ta áp dụng phần nghiên cứu về trích xuất đặc trưng phân<br /> biệt xương và mạch máu ở trên. Dựa vào chu vi và diện tích mỗi đối tượng thu được, ta<br /> tính toán độ tròn của đối tượng để phân biệt hai cấu trúc này.<br /> 3.2. Các kết quả<br /> Nhóm tác giả sử dụng 500 hình ảnh chụp cắt lớp điện toán được cung cấp bởi Khoa<br /> chẩn đoán hình ảnh, bệnh viện Đa khoa Trung ương Thái Nguyên cho nghiên cứu này.<br /> Với chương trình cài đặt trên matlab, thuật toán đã thực hiện được việc phân tách vùng đối<br /> với xương và mô não, phân biệt được cấu trúc xương và mạch máu.<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 227<br />  Điều khiển – Cơ điện tử - Truyền thông<br /> Bảng 1. Số liệu tổng hợp cho mô phỏng.<br /> Số lượng ảnh<br /> Số Số lượng Số lượng ảnh Số lượng ảnh<br /> ID tệp được phân tách<br /> hình ảnh mang được phân được phân<br /> file ảnh tự động cấu trúc<br /> định thông tin các vùng cấu trúc vùng cấu<br /> CT xương và mạch<br /> vị cấu trúc não xương. trúc mô não.<br /> máu<br /> Dcm01 50 45 45 21 21<br /> Dcm02 32 30 30 24 24<br /> Dcm03 17 15 15 15 15<br /> Dcm04 34 30 30 13 13<br /> Dcm05 24 24 24 24 24<br /> Dcm06 34 30 30 10 10<br /> Dcm07 34 30 30 9 9<br /> Dcm08 36 35 35 12 12<br /> Dcm09 66 60 60 27 27<br /> Dcm010 34 30 30 15 15<br /> Dcm011 25 22 22 11 11<br /> Dcm012 38 35 35 12 12<br /> Dcm013 32 28 28 10 10<br /> Dcm014 44 41 41 17 17<br /> <br /> <br /> <br /> <br /> Hình 4. Phân tách cấu trúc mô não bằng phương pháp phân vùng<br /> dựa trên thuật toán phân cụm DBSAN.<br /> <br /> <br /> <br /> 228 N. T. B. Điệp, B. T. H. Thơm, Đ. D. Cốp, “Thuật toán DBSCAN… đặc trưng não người.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> <br /> <br /> <br /> Hình 5. Phân tách cấu trúc xương và mạch máu.<br /> 4. KẾT LUẬN<br /> Phương pháp phân chia vùng ảnh dựa trên thuật toán phân cụm DBSCAN hiệu quả với<br /> ảnh chụp CT não người. Ngoài ra, việc phân tích sau phân cụm về trích xuất đặc trưng dựa<br /> trên chỉ số đậm độ của ảnh CT giúp phân tách các vùng thịt và cấu trúc xương, mạch máu.<br /> Hướng phát triển của nghiên cứu này hướng đến mục tiêu có thể phân tích một tệp các<br /> ảnh đầu vào, trích xuất đặc trưng ảnh CT não người, sau đó phân tích và đưa ra các ảnh có<br /> thể có tổn thương giúp cho các bác sĩ nhanh chóng đưa ra được những chẩn đoán chính xác.<br /> Lời cảm ơn: Nhóm tác giả cảm ơn sự giúp đỡ của lãnh đạo Khoa chẩn đoán hình ảnh,<br /> bệnh viên Đa khoa Trung ương Thái Nguyên đã hỗ trợ và cung cấp hình ảnh cho nghiên<br /> cứu này.<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 229<br />  Điều khiển – Cơ điện tử - Truyền thông<br /> TÀI LIỆU THAM KHẢO<br /> [1]. Mir Morteza Mousavi, Ali Farzan. “Brain MRI segmentation by using extended<br /> heuriatic DBSCAN”, Journalsci, Volume 3, Issue 12, 2014, Pages:589-592.<br /> [2] Prof. Samir Kumar Bandyopadhyay, Tuhin Utsab Paul. “Segmentation of Brain<br /> Tumour from MRI image – Analysis of Kmeans and DBSCAN Clustering”. IJRES,<br /> Volume 1, Issue 1, May 2013, Pages: 48-57.<br /> [3] Atrayee Dhua, Debjani Nath Sarma, Sneha Singh, Bijoyeta Roy.“Segmentation of<br /> Images using Density-Based Algorithms”. IJARCCE, Volume 4, Issue 5, 2015.<br /> Pages: 273-277.<br /> [4] R. C. Gonzalez and R. E. Woods. Digital Image Processing, 3rd ed, Prentice Hall,<br /> New Jersey, 2008.<br /> [5] M. Ester, H. Peter Kriegel, J. Sander, X. Xu, “A Density-Based Algorithm for<br /> Discovering Clustersin Large Spatial Databases with Noise”,Proceedings of 2nd<br /> Internation Conference on Knowledge Discovery and Data Mining,1996.<br /> [6] J. Shi and J. Malik, “Normalized cuts and image segmentation”, IEEE Transactions<br /> on Pattern Analysis and Machine Itelligence,2000.<br /> [7] Sunita Jahirabadkar, Parag Kulkarni,“Algorithm to determine” - distance parameter<br /> in density based clustering”, Expert System with Applications, 2013.<br /> [8] V.V. Vu, N. Labroche, and B. Bouchon-Meunier, “Active learning for semi<br /> supervised k-means clustering”, Proceedings of the 22nd International Conference<br /> on Tools with Artificial Intelligence, IEEE ICTAI, pages 12–15, 2010.<br /> ABSTRACT<br /> DBSCAN ALGORITHM IN CT IMAGE SEGMENTATION<br /> AND APPLICATIONS IN THE BRAIN EXTRACT FEATURE<br /> The problem of medical image segmentation aims to provide solutions that<br /> support the diagnosis of lesions, pathological. There are many practical<br /> applications of math, such as medical image segmentation: Retrieve images based<br /> on content, locate the tumor and pathology, diagnostic tissue volume measured,<br /> studied anatomy. DBSCAN optimization algorithm than the clustering algorithms<br /> used in image segmentation. Based on this partition algorithm, the authors selected<br /> parameters specific to extract the brain, such as brain tissue, bone structure, bone<br /> structure of blood vessels ... and vascular attenuation equivalent value should when<br /> receiving grayscale images will be equal, so you need to build math distinguish two<br /> structures through size and roundness are two of the four criteria to distinguish.<br /> Keywords: DBSCAN; Feature extraction; Brain; Clustering; CT.<br /> <br /> Nhận bài ngày 20 tháng 5 năm 2017<br /> Hoàn thiện ngày 10 tháng 07 năm 2017<br /> Chấp nhận đăng ngày 20 tháng 07 năm 2017<br /> <br /> Địa chỉ: 1Đại học Công nghệ Thông tin và Truyền thông, Đại học Thái Nguyên;<br /> 2<br /> Đại học Kỹ thuật Công nghiệp, Đại học Thái Nguyên.<br /> * Email (Corresponding author): ntbdiep@ictu.edu.vn.<br /> <br /> <br /> <br /> <br /> 230 N. T. B. Điệp, B. T. H. Thơm, Đ. D. Cốp, “Thuật toán DBSCAN… đặc trưng não người.”<br />