U thần kinh đệm (glioma) là một trong những bệnh u não phổ biến trên toàn thế giới. Ngày nay, việc xác định và phân đoạn u thần kinh đệm là điều cần thiết khi đưa ra quyết định lâm sàng. Trong khi phân đoạn thủ công tốn nhiều thời gian và mang tính chủ quan, cùng lúc đó nhiệm vụ này cũng rất khó giải quyết đối với các phương pháp phân đoạn tự động. Kiến trúc U-net là một trong những kỹ thuật học sâu phổ biến để phân đoạn trong hình ảnh y sinh. Nghiên cứu này triển khai một mô hình học sâu dạng mạng thần kinh tích chập 2 chiều dựa trên kiến trúc U-net. Mô hình đề xuất này được huấn luyện chỉ với các ảnh 2 chiều (slices) từ bộ dữ liệu MRI 3 chiều để phân đoạn các vùng u não khác nhau. Bên cạnh đó, một số phương pháp được áp dụng ở bước tiền xử lý để giúp giảm sự ảnh hưởng của việc mất cân bằng trong dữ liệu giữa các vùng u não khác nhau và áp dụng thêm phần tăng cường dữ liệu mở rộng giúp tránh hiện tượng khớp quá mức (overfitting) khi huấn luyện với bộ dữ liệu nhỏ. Kết quả đánh giá dựa trên bộ dữ liệu Multimodal Brain Tumor Segmentation Challenge (BraTS) 2018 cho thấy độ chính xác cao của mô hình được huấn luyện với điểm Dice cho toàn bộ khối u (whole tumor), khối u lõi (tumor core) và khối u ngấm thuốc (enhancing tumor) lần lượt là 0,88, 0,81 và 0,76. Từ kết quả trên cho thấy khả năng nhận dạng các vùng khối u trên rất tốt khi so sánh với các nghiên cứu khác. Nghiên cứu này đã đưa ra một quy trình phân tích cho u não thần kinh đệm, từ tiền xử lý đến huấn luyện mô hình, từ đó tiến hành đánh giá các yếu tố có thể ảnh hưởng đến kết quả đạt được.