การประยุกต์ใช้การเรียนรู้ของเครื่องในการจำแนกโรคทางสมอง จากภาพ CT scan เพื่อการวินิจฉัยโรคเบื้องต้น

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ต่อตระกูล พิมพะจันทร์, ชนาธิป มณีกระโทก, นัฐวดี เขียวไกร

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

ชวลิต บัวพรม, ธีระวุฒิ จันทะพันธ์

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนวิทยาศาสตร์จุฬาภรณราชวิทยาลัย มุกดาหาร

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2564

บทคัดย่อโครงงานวิทยาศาสตร์

โครงงานเรื่อง การประยุกต์ใช้การเรียนรู้ของเครื่องในการจำแนกโรคทางสมองจากภาพ CT scan เพื่อการวินิจฉัยโรคเบื้องต้น มีวัตถุประสงค์เพื่อ 1) เพื่อออกแบบโค้ด Machine Learning ในการวินิจฉัยโรคทางสมองจากภาพ CT scan 2)เพื่อศึกษาประสิทธิภาพและความแม่นยำในการวินิจฉัยโรคทางสมองจากภาพ CT scan 3) การพัฒนาโมเดลเป็นโปรแกรมสำหรับการวินิจฉัยโรคทางสมองจากภาพ CT scan เบื้องต้น จากโมเดลทั้งหมด 6 โมเดลทำการทดสอบโมเดลทั้งหมด โดยการใช้แยกโรคทางสมองและได้โมเดลที่ดีที่สุดคือการใช้ Nesterov Accelerated Adaptive Moment Estimation, BatchNormalization และ Dropout ในการฝึกโมเดลจะได้ความแม่นยำในการตรวจสอบที่ร้อยละ 92.09 % ในการนำโมเดลที่ดีมี่สุดไปทดลองการวินิจฉัยโรคทางสมองจากภาพ CT scan โดยการทดสอบการแบ่งแยกโรคทางสมอง 300 ครั้ง ด้วยโปรแกรม PyCharm จะได้ประสิทธิภาพในการวินิจฉัยโรคเนื้องอกเยื่อหุ้มสมอง (Meningioma tumor) ได้ค่า F1-score 0.9274 ประสิทธิภาพในการวินิจฉัยโรคเนื้องอกต่อมใต้สมอง (Pituitary tumor) ได้ค่า F1-score 0.8702 และประสิทธิภาพในการวินิจฉัยว่าไม่พบเนื้องอก (No tumor) ได้ค่า F1-score 0.9231 ซึ่งผลการประเมินประสิทธิภาพในการวินิจฉัยโรคทางสมองจากภาพ CT scan แต่ละโรคของโมเดลที่ใช้ Nesterov Accelerated Adaptive Moment Estimation, BatchNormalization และ Dropout มีค่าอ้างอิงทางสถิติสูงกว่าทุกโมเดล จึงสรุปได้ว่าโมเดลที่ใช้ Nesterov Accelerated Adaptive Moment Estimation, BatchNormalization และ Dropout เป็นโมเดลที่ดีที่สุด และมีความเหมาะสมที่จะนำไปพัฒนาต่อเพื่อประสิทธิภาพที่ดีขึ้น ในการวินิจฉัยโรคเนื้องอกเยื่อหุ้มสมอง (Meningioma tumor) โรคเนื้องอกต่อมใต้สมอง (Pituitary tumor) และการวินิจฉัยว่าไม่พบเนื้องอก (No tumor)