การสกัดคุณลักษณะด้วย CNN ที่ผ่านการฝึกฝนล่วงหน้าเพื่อการระบุลักษณะทางสัณฐานของอะแคนทามีบาแบบอัตโนมัติ
Article Sidebar
Main Article Content
บทคัดย่อ
อะแคนทามีบา (Acanthamoeba spp.) เป็นอะมีบาที่ดำรงชีวิตเป็นอิสระในสิ่งแวดล้อม และเป็นโพรโตซัวชนิดฉวยโอกาสที่มีศักยภาพในการส่งผลกระทบต่อสุขภาพของมนุษย์ การระบุชนิดและสายพันธุ์ของอะแคนทามีบาจึงมีความสำคัญอย่างยิ่งสำหรับการวินิจฉัยและการรักษาโรค หนึ่งในวิธีการพื้นฐานของการจำแนกสายพันธุ์คือการประเมินขนาดและรูปร่างของผนังชั้นใน (endocyst) และผนังชั้นนอก (ectocyst) ของซีสต์ ซึ่งสามารถจำแนกกลุ่มตามคุณลักษณะทางสัณฐานวิทยาออกได้เป็น 3 กลุ่ม (GI, GII, GIII) อย่างไรก็ตาม กระบวนการระบุลักษณะทางสัณฐานนี้มักต้องใช้เวลาและความเชี่ยวชาญเฉพาะด้าน งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาระบบวิเคราะห์ภาพแบบอัตโนมัติสำหรับการจำแนกกลุ่มซีสต์ของ Acanthamoeba spp. โดยใช้เทคนิคการสกัดคุณลักษณะด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันที่ผ่านการฝึกฝนล่วงหน้า (Pre-trained CNN) ร่วมกับตัวจำแนกประเภท Support Vector Machine (SVM) เพื่อเพิ่มความแม่นยำในการวินิจฉัยทางพยาธิวิทยาและลดข้อผิดพลาดในการจำแนกกลุ่ม การสกัดคุณลักษณะนั้นดำเนินการโดยนำโมเดล CNN ที่ผ่านการฝึกฝนล่วงหน้าจาก ImageNet (Xception, EfficientNet-B0, EfficientNet-B1, VGG16, ResNet50, ResNet101, MobileNet, Inception-V3 และ InceptionResNet-V2) มาสกัดคุณลักษณะ จากนั้นนำผ่านตัวจำแนก SVM เพื่อจำแนกกลุ่มซีสต์ (GI, GII, GIII) พร้อมกับมีการเปรียบเทียบประสิทธิภาพกับวิธีการสกัดคุณลักษณะด้วยวิธีดั้งเดิม ผลการทดลองพบว่าระบบที่ใช้ Pre-trained CNN ร่วมกับ SVM สามารถจำแนกซีสต์ของ Acanthamoeba spp. ได้อย่างมีประสิทธิภาพด้วยค่าความถูกต้องสูงกว่า 95% โดยที่ ResNet50 และ ResNet101 แสดงผลลัพธ์ที่ดีที่สุดตามลำดับ ผลลัพธ์ดังกล่าวสามารถยืนยันถึงศักยภาพของการสกัดคุณลักษณะด้วย Pre-trained CNN เพื่อการจำแนกกลุ่มซีสต์ตามลักษณะทางสัณฐานวิทยาที่ซับซ้อน และสามารถนำไปประยุกต์ใช้ในงานวินิจฉัยทางคลินิกได้อย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
จิตรกุล สุวรรณเจริญ, และ วัชรพงษ์ ศรีชุม. (2017). การสำรวจหาอะแคนทามีบาในแหล่งน้ำธรรมชาติจากชุมชนรอบมหาวิทยาลัยพะเยา จังหวัดพะเยา ประเทศไทย. วารสารสาธารณสุขศาสตร์, 47(3), 255–263.
ศรีศุภางค์ ทิ้วสุวรรณ, และ ภัทธกร บุบผัน. (2566). ระบบการเรียนรู้ของเครื่องสำหรับการระบุลักษณะทางสัณฐานวิทยาแบบอัตโนมัติของอะแคนทามีบาด้วยภาพจากกล้องจุลทรรศน์. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 33(4), 1–11.
Atasoy, H., & Kutlu, Y. (2025). CNNFET: Convolutional neural network feature extraction tools. SoftwareX, 30, Article 102088. https://doi.org/10.1016/j.softx.2025.102088
Barata, C., Celebi, M. E., & Marques, J. S. (2019). A survey of feature extraction in dermoscopy image analysis of skin cancer. IEEE Journal of Biomedical and Health Informatics, 23, 1096–1109.
Buppan, P., Meeboon, C., Klamsiri, T., Promyuttana, W., Ko-amornsup, W., Kosuwin, R., & Srimee, P. (2018). การสำรวจอะแคนทามีบาในตัวอย่างน้ำสวนสาธารณะในประเทศไทย. วารสารหน่วยวิจัยวิทยาศาสตร์ เทคโนโลยี และสิ่งแวดล้อมเพื่อการเรียนรู้ (Journal of Research Unit on Science, Technology and Environment for Learning), 9(1), 36–45. https://doi.org/10.14456/jstel.2018.4
Chen, S., Zhao, M., Wu, G., Yao, C., & Zhang, J. (2012). Recent advances in morphological cell image analysis. Computational and Mathematical Methods in Medicine, 2012, 1–10.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1800–1807). IEEE. https://doi.org/10.1109/CVPR.2017.195
Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. In Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05) (Vol. 1, pp. 886–893). IEEE.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. In Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248–255). IEEE.
Furey, T. S., Cristianini, N., Duffy, N., Bednarski, D. W., Schummer, M., & Haussler, D. (2000). Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics, 16, 906–914.
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610–621.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778). IEEE.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv. https://arxiv.org/abs/1704.04861
Hu, M. K. (1962). Visual pattern recognition by moment invariants. IRE Transactions on Information Theory, 8(2), 179–187.
Jogin, M., Mohana, M. S., Madhulika, G. D., Divya, R. K., Meghana, & Apoorva, S. (2018). Feature extraction using convolution neural networks (CNN) and deep learning. In Proceedings of the 2018 3rd IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT) (pp. 2319–2323). IEEE.
Ojala, T., Pietikäinen, M., & Mäenpää, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971–987.
Possamai, C. O., Loss, A. C., Costa, A. O., Falqueto, A., & Furst, C. (2018). Acanthamoeba of three morphological groups and distinct genotypes exhibit variable and weakly inter-related physiological properties. Parasitology Research, 117, 1389–1400. https://doi.org/10.1007/s00436-018-5824-8
Puls, E. da S., Todescato, M. V., & Carbonera, J. L. (2023). An evaluation of pre-trained models for feature extraction in image classification. arXiv. https://doi.org/10.48550/arXiv.2310.02037
Pussard, M., & Pons, R. (1977). Morphologies de la paroi kystique et taxonomie du genre Acanthamoeba (Protozoa, Amoebida). Protistologica, 13, 557–598.
Rainio, O., Teuho, J., & Klén, R. (2024). Evaluation metrics and statistical tests for machine learning. Scientific Reports, 14, Article 6086. https://doi.org/10.1038/s41598-024-56706-x
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4510–4520). IEEE.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv. https://doi.org/10.48550/arXiv.1409.1556
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45, 427–437.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 2818–2826). IEEE.
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. (2017). Inception-v4, Inception-ResNet, and the impact of residual connections on learning. Proceedings of the AAAI Conference on Artificial Intelligence, 31(1).
Tajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., & Liang, J. (2017). Convolutional neural networks for medical image analysis: Full training or fine tuning? arXiv. https://arxiv.org/abs/1706.00712
Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning (PMLR) (Vol. 97, pp. 6105–6114). PMLR.
