การพัฒนากระบวนการคัดแยกภาพถ่ายระดับความรุนแรงของแผลกดทับ ด้วย YOLO และการเรียนรู้เชิงลึก
คำสำคัญ:
ภาพแผลกดทับ, ปัญญาประดิษฐ์, การเรียนรู้ของเครื่องบทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบคัดแยกภาพถ่ายแผลกดทับที่สามารถทำนายระดับความรุนแรงของแผลได้อย่างแม่นยำ โดยการใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ซึ่งคณะวิจัยได้ทำการสังเคราะห์และประมวลผลชุดข้อมูลภาพถ่ายแผลกดทับให้มีขนาด 224 x 224 พิกเซล ซึ่งเหมาะสมสำหรับการประยุกต์กับอัลกอริทึมในการเรียนรู้ของเครื่อง งานวิจัยนี้แบ่งออกเป็นสองส่วนหลัก ได้แก่ การจำแนกภาพ (Classification) เพื่อประเมินความรุนแรงของแผล และการแบ่งส่วนภาพ (Segmentation) เพื่อระบุพื้นที่เฉพาะส่วนที่เป็นแผล คณะวิจัยใช้การเรียนรู้เชิงลึกด้วยโมเดล YOLOv8 ในการวิเคราะห์ แบ่งรูปแบบของโมเดลเป็น 5 รูปแบบ คือ n, s, m, l, และ x ผลการวิจัยพบว่าโมเดลรูปแบบ YOLOv8x-cls และ YOLOv8s-cls มีความแม่นยำสูงสุดในการจำแนกภาพ โดยมีค่าความแม่นยำอยู่ที่ 0.8 สำหรับการแบ่งส่วนภาพ โมเดลรูปแบบ YOLOv8n-seg แสดงค่าความแม่นยำ (Precision) สูงสุดอยู่ที่ 0.682 ขณะที่โมเดล YOLOv8x-seg แสดงค่าการเรียกคืน (Recall) สูงสุดที่ 0.69 ผลการทดลองเหล่านี้ ชี้ให้เห็นถึงประสิทธิภาพของโมเดล YOLOv8 ในการจัดการกับความซับซ้อนของภาพและจำแนกความรุนแรงของแผลได้อย่างแม่นยำ อย่างไรก็ตาม การวิจัยในอนาคตควรมุ่งเน้นไปที่การพัฒนาความแม่นยำของโมเดลเพิ่มเติม เพื่อเพิ่มประสิทธิภาพการใช้งานในบริบททางการแพทย์
เอกสารอ้างอิง
Aldughayfiq, B., Ashfaq, F., Jhanjhi, N. Z., & Humayun, M. (2023). YOLO-Based Deep Learning Model for Pressure Ulcer Detection and Classification. Healthcare, 11(9), 1222. [online], Available: https://doi.org/10.3390/healthcare11091222.
Ay, B., Tasar, B., & Utlu, Z. et al. (2022). Deep transfer learning-based visual classification of pressure injuries stages. Neural Computing and Applications 34, 16157–16168 (2022). [online], Available: https://doi.org/10.1007/s00521-022-07274-6.
Brown, L., & Lee, S. (2023). Using YOLO for Medical Image Classification: A Case Study on Pressure Ulcers. Artificial Intelligence in Medicine, 44(3), 210-221. [online], Available: https://doi.org/10.1016/j.artmed.2023.210221.
Chen, H.} & Li, Q. (2022). Segmentation and Classification of Pressure Ulcers Using Deep Convolutional Networks. International Journal of Computer Assisted Radiology and Surgery, 17(1), 123-135. [online], Available: https://doi.org/10.1007/s11548-022-02345-x.
Cicceri, G., Bruna, S., & Foti, D. (2022). Deep learning approach based on superpixel segmentation assisted by wearable inertial sensors for pressure ulcer prevention. PLOS ONE, 17(2), e0264139. [online], Available: https://doi.org/10.1371/journal.pone.0264139.
Fergus, P., Hussain, A., Al-Jumeily, D., & Abdel-Aziz, K. (2022). Pressure Ulcer Categorisation using Deep Learning: A Clinical Trial to Evaluate Model Performance. arXiv preprint arXiv:2203.06248. [online], Available: https://arxiv.org/abs/2203.06248.
Kim, T., Park, J., & Choi, Y. (2023). Diagnosis of Pressure Ulcer Stage Using On-Device AI. Applied Sciences, 14(16), 7124. [online], Available: https://doi.org/10.3390/app14167124.
Lau, C. H., Yu, K. H. O., Yip, T. F., Luk, L. Y. F., Wai, A. K. C., Sit, T. Y., Wong, J. Y. H., & Ho, J. W. K. (2022). An artificial intelligence-enabled smartphone app for real-time pressure injury assessment. Frontiers in Medical Technology, 4, 905074. [online], Available: https://doi.org/10.3389/fmedt.2022.905074.
Liu, Y., Zhao, X., & Wang, H. (2023). Advancing Medical Image Analysis with YOLOv5 and YOLOv4: Applications in Pressure Ulcer Assessment. IEEE Access, 11, 34567-34578. [online], Available: https://doi.org/10.1109/ACCESS.2023.3456789.
Singh, A., & Reddy, K. (2023). Pressure Ulcer Classification Using Deep Learning Techniques: A Comprehensive Review. Journal of Medical Imaging and Health Informatics, 13(6), 2305-2318. [online], Available: https://doi.org/10.1166/jmihi.2023.230523.
Zhang, L., & Wu, D. (2023). Integration of YOLOv5 for Enhanced Pressure Ulcer Classification in Clinical Settings. Journal of Biomedical Engineering, 45(7), 567-580. [online], Available: https://doi.org/10.1016/j.jbiomech.2023.567580.
ดาวน์โหลด
เผยแพร่แล้ว
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2024 วารสารวิชาการวิทยสารบูรณาการเทคโนโลยีอุตสาหกรรมและวิศวกรรมประยุกต์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
