การเปรียบเทียบสถาปัตยกรรมโครงข่ายประสาทคอนโวลูชัน 3 มิติ โดย การจำแนกโรคหลอดเลือดสมองจากภาพการฉายรังสีเอกซเรย์สมอง
Keywords:
การเรียนรู้เชิงลึก, โครงข่ายคอนโวลูชั่น, ภาพการฉายรังสีเอกซเรย์สมองAbstract
แบบจำลองโครงข่ายคอนโวลูชั่น หรือ ซีเอ็นเอ็น (Convolutional Neural Networks หรือ CNN) ได้รับการนำมาใช้กันอย่างแพร่หลายในการจำแนกภาพ, การตรวจจับ, การแบ่งส่วนภาพ และอื่นๆ โดยเฉพาะการนำมาประยุกต์ใช้ทางการแพทย์ในปัจจุบันที่ได้รับความนิยมอย่างมาก ซึ่งงานวิจัยส่วนใหญ่ที่นำโครงข่ายคอนโวลูชั่นมาประยุกต์ใช้กับโรคที่เกี่ยวกับสมอง นิยมใช้เทคนิคการตรวจจับภาพ หรือการแบ่งส่วนรอยโรคของสมอง แต่มีงานวิจัยน้อยชิ้นที่ใช้วิธีการจำแนกภาพกับโรคที่เกี่ยวกับสมอง ซึ่งผู้วิจัยเล็งเห็นว่าการจำแนกภาพทางการแพทย์เป็นวิธีการที่มีความสำคัญ และสามารถพัฒนาต่อยอดได้ ทั้งนี้ปัญหาในการจำแนกภาพสามารถทำได้หลากหลายวิธี หนึ่งในนั้นคือการจำแนกภาพผ่านโครงข่ายการเรียนรู้เชิงลึกด้วยโครงข่ายคอนโวลูชั่น 3 มิติ ที่สามารถช่วยแก้ไขปัญหาได้อย่างรวดเร็ว และแม่นยำ งานวิจัยนี้นำเสนอการประยุกต์ใช้โครงข่ายคอนโวลูชั่น 3 มิติ ร่วมกับการประมวลผลภาพล่วงหน้า (Image Preprocessing) เพื่อจำแนกโรคหลอดเลือดสมองจากภาพฉายรังสีเอกซเรย์สมอง (CT-Scan) แบ่งออกเป็น 2 ประเภท 1) ภาพของคนเป็นโรคหลอดเลือดสมอง 2) ภาพของคนไม่เป็นโรคหลอดเลือดสมอง โดยมีการนำโครงข่ายคอนโวลูชั่น 3 มิติมาประยุกต์ร่วมกับแบบจำลองที่ถูกฝึกมาเรียบร้อยแล้ว 4 แบบจำลอง ประกอบไปด้วย อเล็กซ์เน็ต วีจีจี-16 กูเกิลเน็ต และเรสเน็ต หลังจากนั้นจะมีการปรับรายละเอียดโดยการนำจุดเด่นของแต่ละแบบจำลองนำมาใช้ และเพิ่มชั้นความลึกที่เป็นจุดเด่นของการค้นหาคุณลักษณะสำคัญของรูปแบบ 3 มิติ จากนั้นงานวิจัยชิ้นนี้ได้นำเทคนิค K-Fold Cross validation มาใช้เพื่อแก้ไขปัญหาการมีอคติต่อแต่ละแบบจำลอง ก่อนที่จะใช้ Confusion matrix เป็นเครื่องมือในการประเมินประสิทธิภาพของแบบจำลอง ซึ่งพบว่าสมรรถนะแบบจำลองโครงข่ายคอนโวลูชั่นกูเกิลเน็ต 3 มิติให้ผลลัพธ์ที่ดีที่สุดจากการประเมินผลลัพธ์ โดยผลการทดสอบการจำแนกโรคหลอดเลือดสมองจากภาพฉายรังสีเอกซเรย์ ให้ค่าความแม่นยำที่ 92.00% ซึ่งงานวิจัยนี้เห็นได้ว่าการนำโครงข่ายคอนโวลูชั่นรูปแบบ 3 มิติมาใช้ร่วมกับการจำแนกภาพที่นำเสนอมีความหวังที่สามารถนำไปพัฒนา และเป็นประโยชน์ต่อทางการแพทย์ได้
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.