YOMEDIA
ADSENSE
Thuật toán DBSCAN trong phân vùng ảnh chụp CT và ứng dụng trong trích xuất đặc trưng não người
60
lượt xem 2
download
lượt xem 2
download
Download
Vui lòng tải xuống để xem tài liệu đầy đủ
Các bài toán phân vùng ảnh y khoa hướng đến mục đích cung cấp những giải pháp hỗ trợ chẩn đoán tổn thương, bệnh lý. Có nhiều ứng dụng thực tế của bài toán phân vùng ảnh y khoa như: Truy xuất hình ảnh dựa trên nội dung, xác định vị trí khối u và bệnh lý , đo khối lượng mô chẩn đoán, nghiên cứu về cấu trúc giải phẫu.
AMBIENT/
Chủ đề:
Bình luận(0) Đăng nhập để gửi bình luận!
Nội dung Text: 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 />
ADSENSE
CÓ THỂ BẠN MUỐN DOWNLOAD
Thêm tài liệu vào bộ sưu tập có sẵn:
Báo xấu
LAVA
AANETWORK
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Chịu trách nhiệm nội dung:
Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA
LIÊN HỆ
Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM
Hotline: 093 303 0098
Email: support@tailieu.vn