การประมวลผลภาพโรคต้อหิน โดยใช้เทคนิคการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองโครงข่ายประสาทเทียมแบบคอนโวลูชัน สำหรับการจำแนกโรคต้อหินจากภาพถ่ายจอประสาทตาโดยอัตโนมัติ กลุ่มตัวอย่างประกอบด้วยภาพถ่ายดวงตาจำนวน 1,000 ภาพ แบ่งเป็นกลุ่มปกติและกลุ่มที่มีภาวะต้อหิน โดยรวบรวมจากฐานข้อมูลออนไลน์และจากผู้รับบริการตรวจสุขภาพที่โรงพยาบาลราชธานี โรจนะ จังหวัดพระนครศรีอยุธยาโมเดลที่ใช้ในการวิจัยเป็นโครงสร้าง CNN แบบ 5 ชั้น ออกแบบให้เหมาะสมกับข้อมูลภาพสี พร้อมขั้นตอนการเตรียมข้อมูล ได้แก่ การปรับขนาดภาพ การแปลงเป็นภาพขาวดำ และการเสริมข้อมูล เพื่อเพิ่มความหลากหลายของชุดฝึก โดยประเมินประสิทธิภาพโมเดลด้วยเทคนิค K-Fold Cross Validation จำนวน 5 รอบ บนชุด ชุดข้อมูลสำหรับการฝึกฝนข้อมูลและชุดสำหรับการตรวจสอบ จำนวน 800 ภาพ ผลการวิจัยพบว่า ได้ค่า Accuracy อยู่ที่ 87% และเมื่อทดสอบกับชุดข้อมูลใหม่ จำนวน 200 ภาพ ผลการวิจัยพบว่าโมเดลสามารถจำแนกโรคต้อหินได้อย่างมีประสิทธิภาพ โดยมีค่าความ Accuracy เท่ากับ 94.0%, ค่า Precision เท่ากับ 93.1%, ค่า Recall เท่ากับ 95.0%, ค่า F1-Score เท่ากับ 94.0% และค่า AUC เท่ากับ 0.98 แสดงถึงความแม่นยำและความสมดุลในการจำแนกภาพระหว่างกลุ่มปกติและกลุ่มที่มีภาวะต้อหิน ซึ่งสะท้อนให้เห็นว่าประสิทธิภาพของโมเดลสามารถนำไปประยุกต์ใช้จริง โดยเฉพาะในสถานพยาบาลที่มีข้อจำกัดด้านทรัพยากรและบุคลากรเฉพาะทาง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
##default.contextSettings.thaijo.licenseTerms##เอกสารอ้างอิง
จิราภรณ์ บุญประเสริฐ. (2564). ปัจจัยเสี่ยงของโรคต้อหินในประชากรไทย. วารสารวิจัยสุขภาพ, 25(3), 100-110.
ทรงกรด พิมพิศาล, และณัฐวุฒิ ศรีวิบูลย์. (2563). การจำแนกระดับความรุนแรงของโรคเบาหวานขึ้นจอประสาทตาด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน. วารสารวิชาการเทคโนโลยีและสถิติ, 13(1), 15-26. https://doi.org/10.14456/jist.2020.14
ศิริพร วงศ์คำ. (2565). การศึกษาการพบโรคต้อหินในผู้ป่วยหลังผ่าตัดต้อกระจกที่โรงพยาบาลเชียงรายประชานุเคราะห์. โรงพยาบาลเชียงรายประชานุเคราะห์.
สำนักโรคตา. (2563). รายงานสถานการณ์โรคต้อหินในประเทศไทย. สำนักโรคตา กรุงเทพมหานคร.
Ahmed, M., Rahman, S., and Chowdhury, A. (2025). OcuMDNet: A lightweight CNN for robust multi-disease classification using fundus images. Experimental Eye Research, 242, 110278. https://doi.org/10.1016/j.exer.2025.110278
Ehrlich, J. R., Lee, D. J., Friedman, D. S., Boland, M. V., Ramulu, P. Y., and Swenor, B. K. (2024). Prevalence of glaucoma among US adults in 2022. JAMA Ophthalmology, 142(11), 1046-1053. https://doi.org/10.1001/jamaophthalmol.2024.3884
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., and Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118. https://doi.org/10.1038/nature21056
George, R., Ve, R. S., Baskaran, M., Ramesh, S. V., Raju, P., Arvind, H., and Vijaya, L. (2003). The Chennai Glaucoma Study: Prevalence of glaucoma in a rural population. Investigative Ophthalmology & Visual Science, 44(10), 4262-4269. https://doi.org/10.1167/iovs.03-0274
Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., Kim, R., Raman, R., Nelson, P. C., Mega, J. L., and Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402-2410. https://doi.org/10.1001/jama.2016.17216
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv:1704.04861.
Jammal, A. A., Thompson, A. C., Mariottoni, E. B., Berchuck, S. I., and Medeiros, F. A. (2021). Human–machine collaboration for glaucoma detection and visual field prediction. Ophthalmology, 128(11), 1572-1574. https://doi.org/10.1016/j.ophtha.2021.05.002
Jonas, J. B., Aung, T., Bourne, R. R. A., Bron, A. M., Ritch, R., and Panda-Jonas, S. (2017). Glaucoma. The Lancet, 390(10108), 2183-2193. https://doi.org/10.1016/S0140-6736(17)31469-1
Kurmann, T., Antoniadis, I., Wong, T. Y., and Webb, A., (2020). In-depth evaluation of saliency maps for interpreting convolutional neural network decisions in the diagnosis of glaucoma based on fundus imaging. Investigative Ophthalmology & Visual Science, 61(7), 2381-2392. https://doi.org/10.1167/iovs.61.7.2381
Li, Z., He, Y., Keel, S., Meng, W., Chang, R. T., and He, M. (2018). Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology, 125(8), 1199-1206. https://doi.org/10.1016/j.ophtha.2018.01.023
Li, Z., He, Y., Keel, S., Meng, W., Chang, R. T., and He, M. (2020). A comparative study of RGB and grayscale fundus images in glaucoma detection using deep learning. BMC Ophthalmology, 20(1), 245. https://bmcophthalmol.biomedcentral.com/
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van Ginneken, B., and Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. https://doi.org/10.1016/j.media.2017.07.005
Lundervold, A. S., and Lundervold, A. (2019). An overview of deep learning in medical imaging focusing on MRI. Zeitschrift für Medizinische Physik, 29(2), 102-127. https://doi.org/ 10.1016/j.zemedi.2018.11.002
Medeiros, F. A., and Jammal, A. A. (2022). Artificial intelligence and teleophthalmology: Opportunities and challenges for glaucoma care. Current Opinion in Ophthalmology, 33(2), 93-99. https://doi.org/10.1097/ICU.0000000000000822
Oakden-Rayner, L. (2021). Exploring data leakage in medical imaging datasets. PMC.
Prabhakar, K., Sharma, N., and Gupta, R. (2024). A lightweight CNN for multiclass retinal disease detection under constrained environments. BMC Ophthalmology, 24(2), 310. https://pmc.ncbi.nlm.nih.gov/articles/PMC12387214/
Quigley, H. A., and Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British Journal of Ophthalmology, 90(3), 262-267. https://doi.org/ 10.1136/bjo.2005.081224
Ravi, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., and Yang, G. Z. (2017). Deep learning for health informatics. IEEE Journal of Biomedical and Health Informatics, 21(1), 4-21. https://doi.org/10.1109/JBHI.2016.2636665
Saito, T., and Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10(3), e0118432. https://doi.org/10.1371/journal.pone.0118432
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4510-4520.
Shibata, N., Tanito, M., Mitsuhashi, K., Fujino, Y., Matsuura, M., Murata, H., and Asaoka, R. (2018). Development of a deep residual learning algorithm to screen for glaucoma from fundus photography. Scientific Reports, 8, 14665. https://doi.org/10.1038/s41598-018-33013-w
Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., and Summers, R. M. (2016). Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Transactions on Medical Imaging, 35(5), 1285-1298. https://doi.org/10.1109/ TMI.2016.2528162
Shorten, C., and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 1-48. https://doi.org/10.1186/s40537-019-0197-0
Tham, Y. C., Li, X., Wong, T. Y., Quigley, H. A., Aung, T., and Cheng, C. Y. (2014). Global prevalence of glaucoma and projections of glaucoma burden through 2040: A systematic review and meta-analysis. Ophthalmology, 121(11), 2081-2090. https://doi.org/10.1016/j.ophtha.2014.05.013
Thongthong, A. (2021). Prevalence of glaucomatous blindness. Eye South East Asia, 16(2), 69–77. https://he01.tci-thaijo.org/index.php/eyesea/ article/view/248101/171515
Vijaya, L., George, R., Baskaran, M., Arvind, H., Raju, P., Ramesh, S. V., Kumaramanickavel, G., and McCarty, C. (2008). Prevalence of primary open-angle glaucoma in an urban south Indian population and comparison with a rural population: The Chennai Glaucoma Study. Ophthalmology, 115(4), 648-654. https://doi.org/10.1016/j.ophtha.2007.04.062
Zhang, X., Li, Y., and Wong, T. Y. (2023). Artificial intelligence in glaucoma: Opportunities, challenges, and future directions. BioMedical Engineering Online, 22(1), 51. https://doi.org/10.1186/s12938-023-01187-8
