การเปรียบเทียบประสิทธิภาพการจำแนกภาพถ่ายเนื้องอกในสมองด้วยแบบจำลอง การเรียนรู้ของเครื่องแบบรวมกลุ่มร่วมกับการสกัดคุณลักษณะเวฟเลตส์ทรานสฟอร์ม
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของแบบจำลองการเรียนรู้ของเครื่องในการจำแนกภาพถ่ายสมองที่มีภาวะเนื้องอกด้วยภาพถ่ายคลื่นแม่เหล็กไฟฟ้าหรือภาพเอ็มอาร์ไอ 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
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของลิขสิทธิ์ (สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์) ผู้เขียน ตกลงว่าการทำสำเนาบทความหรือส่วนใดส่วนหนึ่งของบทความดังกล่าวในรูปแบบสิ่งพิมพ์หรืออิเล็กทรอนิกส์ตามที่ได้รับอนุญาต จะต้องระบุประกาศลิขสิทธิ์ตามที่กำหนดไว้ในวารสาร พร้อมทั้งอ้างอิงข้อมูลฉบับสมบูรณ์ของบทความที่ตีพิมพ์ในวารสารที่จัดทำโดย สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ อย่างครบถ้วนทุกครั้ง
เอกสารอ้างอิง
พิมพญาภรณ์ ทรัพย์มีชัย, สุนทรา เลี้ยงเชวงวงศ์ และ ภัทรวิทย์ รักษ์กุล. ปัจจัยทำนายสภาวะส่วนบุคคลความทุกข์ทรมานจากอาการและพฤติกรรมการจัดการอาการต่อคุณภาพชีวิตของผู้ป่วยเนื้องอกสมอง. วารสารพยาบาลศาสตร์จุฬาลงกรณ์มหาวิทยาลัย. 2561; 33(2): 1-12. สืบค้น จาก https://he01.tci-thaijo.org/index.php/CUNS/
article/view/254383
Mukdaprawat P, Danaidutsadeekul S, Chanruangvanich W, Itthimathin P. Relationships between brain tumor grading, severity of neurological deficit, nutritional status and functional status in brain tumor patients during hospital stay. Nurs Sci J Thail [Internet]. 2012 Sep 28 [cited 2025 Sep.27] ; 30(3): 46-54. Available from: https://he02.tci-thaijo.org/index.php/ns/article/view/10468
Neugut AI, Sackstein P, Hillyer GC, Jacobson JS, Bruce J, Lassman AB, et al. Magnetic resonance imaging-based screening for asymptomatic brain tumors: a review. Oncologist. 2019; 24(3): 375-84.
Gopi Krishna T, Sunitha KVN, Mishra S. Detection and classification of brain tumor from MRI medical image using wavelet transform and PSO based LLRBFNN algorithm. Int J Comput Sci Eng. 2018; 6(1): 18-23. doi: 10.26438/ijcse/v6i1.1823. Available from: https://www.ijcseonline.org/full_paper_view.php?paper_id=1627
Nayak DR, Dash R, Majhi B. Brain MR image classification using two-dimensional discrete wavelet transform and AdaBoost with random forests. Neurocomputing. 2016;177:188-97.
Nayak DR, Dash R, Majhi B. Stationary wavelet transform and AdaBoost with SVM based pathological brain detection in MRI scanning. CNS Neurol Disord Drug Targets. 2017; 16(2): 137-49.
Yadav AK, Yadav V. Brain tumor recognition from multimodal magnetic resonance images using wavelet texture features and optimized artificial neural network. Multimed Tools Appl. 2024; 83: 72975-96.
Patil S, Kirange D. Ensemble of deep learning models for brain tumor detection. Procedia Comput Sci. 2023; 218: 2468-79.
อนุพงศ์ สุขประเสริฐ. คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio. พิมพ์ครั้งที่ 3. มหาสารคาม: ภาควิชาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม; 2563. น. 16-41.
Hamada A. Br35H: brain tumor detection 2020 [Internet]. Kaggle; 2020 [cited 2025 Apr 9]. Available from: https://www.kaggle.com/datasets/ahmedhamada0/brain-tumor-detection
นราทิพย์ ณ ระนอง. การจำแนกภาพขวดแบบเซ็ตเปิดด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน [วิทยานิพนธ์วิทยาศาสตรมหาบัณฑิต สาขาเทคโนโลยีสารสนเทศ]. กรุงเทพมหานคร: มหาวิทยาลัยศรีนครินทรวิโรฒ; 2562.
Naknaem K, Kaewlek T. A comparative study of pre-processing methods to improve glioma segmentation performance in brain MRI using deep learning. J Assoc Med Sci. 2024; 57(2): 132-40.
OpenCV. opencv-python [Internet]. PyPI; [cited 2025 Feb 19]. Available from: https://pypi.org/
project/opencv-python/
Scikit-Image. Scikit-image: image processing in python [Internet]. PyPI; [cited 2025 Feb 6]. Available from: https://pypi.org/project/scikit-image
SciPy. SciPy: scientific computing tools for python [Internet]. PyPI; [cited 2025 Feb 14]. Available from: https://pypi.org/project/scipy
Pandas development team. Pandas: python data analysis library [Internet]. [cited 2025 Jul 9]. Available from: https://pandas.pydata.org
Mathew AR, Anto PB. Tumor detection and classification of MRI brain image using wavelet transform and SVM. In: 2017 International Conference on Signal Processing and Communication (ICSPC); 2017 Jul 28-29; Coimbatore, India. Piscataway (NJ): IEEE; 2017. p. 75-8.
Altair. Altair AI Studio [Internet]. [cited 2025 Mar 7]. Available from: https://altair.com/altair-ai-studio
เดช ธรรมศิริ และ พยุง มีสัจ. การเรียนรู้แบบรวมกลุ่มด้วยโครงข่ายประสาทเทียมเอดาบูทสำหรับการจำแนกข้อมูล. วารสารเทคโนโลยีสารสนเทศมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. 2554; 7(2) :7-12. สืบค้น จาก https://ph01.tci-thaijo.org/index.php/IT_Journal/article/view/54513
พชร ดอกชะเอม. แบบจำลองทำนายโรคหลอดเลือดสมองด้วยเทคนิคการเรียนรู้ของเครื่อง [วิทยานิพนธ์
วิทยาศาสตรมหาบัณฑิต สาขาวิชาวิทยาการข้อมูล]. กรุงเทพมหานคร: มหาวิทยาลัยศรีนครินทรวิโรฒ; 2566.
กฤตกนก ศรีพิมพ์สอ และ กิตติพล วิแสงวิแสง. การพยากรณ์โรคเบาหวานด้วยเทคนิคเหมืองข้อมูล. วารสารการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม. 2023; 10(1): 51-63. สืบค้น จาก https://ph02.tci-thaijo.org/index.php/itm-journal/article/view/248575
ปพิชญา กลางนอก และ จารี ทองคำ. การประยุกต์ใช้เทคนิคแบบรวมเพื่อเพิ่มประสิทธิภาพของแบบจำลองตามกฎ ในเหมืองข้อมูล. วารสารเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี. 2562; 9(1): 97-108. สืบค้น จาก https://ph01.tci-thaijo.org/index.php/jitubru/article/view/183422
Allgaier J, Pryss R. Cross-validation visualized: a narrative guide to advanced methods. Mach Learn Knowl Extr. 2024; 6(2): 1378-88. doi: 10.3390/make6020065. Available from: https://www.mdpi.com/2504-4990/6/2/65
Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceedings of the 14th International Joint Conference on Artificial Intelligence; 1995. p.1137-45.
Rodriguez JD, Perez A, Lozano JA. Sensitivity analysis of k-fold cross validation in prediction error estimation. IEEE Trans Pattern Anal Mach Intell. 2010; 32(3): 569-75. doi: 10.1109/
tpami.2009.187. Available from: https://www.researchgate.net/publication/224085226
_Sensitivity_Analysis_of_k-Fold_Cross_Validation_in_Prediction_Error_Estimation
Varoquaux G, Raamana PR, Engemann DA, Hoyos-Idrobo A, Schwartz Y, Thirion B. Assessing and tuning brain decoders: cross-validation, caveats, and guidelines. NeuroImage. 2017; 145: 166-79.
