|
การเปรียบเทียบประสิทธิภาพการจำแนกภาพถ่ายเนื้องอกในสมองด้วยแบบจำลองการเรียนรู้ของเครื่องแบบรวมกลุ่มร่วมกับการสกัดคุณลักษณะเวฟเลตส์ทรานสฟอร์ม |
|---|---|
| รหัสดีโอไอ | |
| Creator | ชัชวาลย์ ศรีมนตรี |
| Title | การเปรียบเทียบประสิทธิภาพการจำแนกภาพถ่ายเนื้องอกในสมองด้วยแบบจำลองการเรียนรู้ของเครื่องแบบรวมกลุ่มร่วมกับการสกัดคุณลักษณะเวฟเลตส์ทรานสฟอร์ม |
| Contributor | เสาวลักษณ์ ไทยกลาง, ชัยวิชิต แก้วกลม |
| Publisher | สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ |
| Publication Year | 2568 |
| Journal Title | วารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม มหาวิทยาลัยกาฬสินธุ์ |
| Journal Vol. | 4 |
| Journal No. | 2 |
| Page no. | 122-138 |
| Keyword | การจำแนกภาพถ่ายทางการแพทย์, เนื้องอกในสมอง, เวฟเลตส์ทรานสฟอร์ม, การเรียนรู้ของเครื่องแบบรวมกลุ่ม, การคัดเลือกคุณลักษณะ |
| URL Website | https://li01.tci-thaijo.org/index.php/sci_01/article/view/269319 |
| Website title | วารสารวิทยาศาสตร์ เทคโนโลยี และนวัตกรรม มหาวิทยาลัยกาฬสินธุ์ |
| ISSN | 2821-9406 (Online) |
| Abstract | การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของแบบจำลองการเรียนรู้ของเครื่อง ในการจำแนกภาพถ่ายสมองที่มีภาวะเนื้องอกด้วยภาพถ่ายคลื่นแม่เหล็กไฟฟ้าหรือภาพเอ็มอาร์ไอ โดยกระบวนการเริ่มจากการสกัดคุณลักษณะเชิงพื้นผิวและความถี่หลายระดับด้วยวิธีเวฟเลตส์ทรานสฟอร์มแบบไม่ต่อเนื่องประเภท Daubechies 4 ซึ่งประกอบด้วยข้อมูลประมาณค่าของภาพ (LL) จำนวน 1 ซับแบนด์, ข้อมูลขอบแนวนอน (LH) จำนวน 3 ซับแบนด์, ข้อมูลขอบแนวตั้ง (HL) จำนวน 3 ซับแบนด์, ข้อมูลขอบแนวทแยง (HH) จำนวน 3 ซับแบนด์รวมทั้งสิ้น 10 ซับแบนด์ โดยแต่ละซับแบนด์ประกอบด้วยค่าสถิติเชิงปริมาณ ได้แก่ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน พลังงาน เอนโทรปี ความเบ้ และความสูงชันของพื้นผิว ซึ่งคุณลักษณะดังกล่าวสามารถแสดงรายละเอียดเชิงโครงสร้างของเนื้อเยื่อสมองได้อย่างชัดเจน จำนวนทั้งสิ้น 60 คุณลักษณะ จากนั้นดำเนินการคัดเลือกคุณลักษณะที่มีความสำคัญด้วยวิธีแรนดอมฟอเรสต์โดยกำหนดเกณฑ์คัดเลือกเฉพาะคุณลักษณะที่มีค่าความสำคัญมากกว่า 0.01 เพื่อเพิ่มความแม่นยำและลดมิติของข้อมูลทำให้ได้คุณลักษณะของเวฟเลตส์ทั้งสิ้น 39 คุณลักษณะจากคุณลักษณะทั้งหมด ซึ่งสามารถลดคุณลักษณะที่ไม่จำเป็นลงถึงร้อยละ 35 ในขั้นตอนการสร้างแบบจำลองการเรียนรู้ของเครื่องได้ประยุกต์วิธีการเรียนรู้ของเครื่องแบบรวมกลุ่มได้แก่ แบบจำลอง อาดาบูสต์ (Adaboost หรือ Adaptive Boosting) แบบจำลองเอ็กตรีมกราเดียนบูสต์ (Extreme Gradient Boost หรือ XGBoost) แบบจำลองแรนดอมฟอร์เรสต์ (Random Forest) และแบบจำลองแบกกิ้ง (Bagging หรือ Bootstrap Aggregation) เพื่อนำมาเปรียบเทียบประสิทธิภาพของแบบจำลอง ผลการทดลองพบว่าแบบจำลองอาดาบูสต์มีประสิทธิภาพ ดีที่สุดโดยมีค่าความแม่นยำร้อยละ 93.67 ความไวร้อยละ 94.78 ความจำเพาะร้อยละ 93.00 และประสิทธิภาพโดยรวม ร้อยละ 93.81 สะท้อนให้เห็นว่าแนวทางการสกัดเวฟเลตส์ทรานสฟอร์มและคัดเลือกคุณลักษณะร่วมกับวิธีการเรียนรู้แบบ อาดาบูสต์ มีศักยภาพสูงในการช่วยสนับสนุนการวินิจฉัยทางการแพทย์จากภาพถ่ายสมองได้อย่างมีประสิทธิภาพและแม่นยำสามารถเพิ่มทางเลือกในการวินิจฉัยโรคเนื้องอกในสมอง |
