การปรับปรุงประสิทธิภาพแบบจำลองโครงข่ายประสาทเทียมแบบคอนโวลูชันในการจำแนกโรคเนื้องอกในสมองจากภาพ MRI ด้วยการปรับแต่งไฮเปอร์พารามิเตอร์

บทคัดย่อ

เนื้องอกในสมองเป็นโรคร้ายแรงที่พบได้บ่อย การวินิจฉัยและรักษาได้อย่างทันท่วงทีมีความสำคัญต่อการลดอัตราการเสียชีวิตและเพิ่มโอกาสในการรอดชีวิตของผู้ป่วย งานวิจัยนี้นำเสนอวิธีการจำแนกโรคเนื้องอกในสมองโดยใช้โครงข่ายประสาทเทียมเชิงลึก ซึ่งใช้ชุดข้อมูล Br35H จำนวน 3,000 ภาพ แบ่งภาพที่เป็นโรคและไม่เป็นโรคอย่างละ 1,500 ภาพ สำหรับใช้ในการเรียนรู้ของแบบจำลอง แบ่งข้อมูลออกเป็นชุดเรียนรู้ 70%: ชุดตรวจสอบ 20%: ชุดทดสอบ 10% และใช้ชุดข้อมูล Brain MRI Images จำนวน 253 ภาพและ Brian Tumor จำนวน 4,600 ภาพสำหรับการทดสอบความถูกต้องของแบบจำลองที่พัฒนาขึ้น แบ่งการทดลองออกเป็น 3 กลุ่ม กลุ่มที่ 1 นำสถาปัตยกรรมที่ได้รับความนิยมจากบทความต่าง ๆ โดยไม่มีการปรับแต่งและกำหนดค่าไฮเปอร์พารามิเตอร์พื้นฐานสำหรับการทดลองทดลองได้แก่ Optimizer = Adam Learning rate = 0.001 batch size = 32 นำ 5 สถาปัตยกรรมที่ได้ค่าความถูกต้องมากที่สุดไปใช้ในการทดลองถัดไป พบว่าสถาปัตยกรรม DenseNet201, Xception,nceptionResNetV2, MobileNetV2, NasNetMobile มีค่าความถูกต้องร้อยละ (Accuracy) 98.00, 98.00, 98.00, 97.67, 97.33 และค่าความสูญเสีย (Loss) 0.08, 0.06, 0.08, 0.11, 0.11 ตามลำดับ กลุ่มที่ 2 ปรับแต่งส่วนของไฮเปอร์พารามิเตอร์จำนวน 3 ตัวได้แก่ Batch size, Optimizer, Learning rate โดยปรับแต่งไฮเปอร์พารามิเตอร์แต่ละตัว พบว่าสถาปัตยกรรม Xception (Batch size 16) ได้ค่าความถูกต้องมากที่สุดร้อยละ 98.34 และค่าความสูญเสีย 0.08 สถาปัตยกรรม InceptionResNetV2 (Learning rate 0.01) ได้ค่าความถูกต้องมากที่สุดร้อยละ 98.67 และค่าความสูญเสีย 0.13 สถาปัตยกรรม Xception (Optimizer Adamax) ได้ค่าความถูกต้องมากที่สุดร้อยละ 98.67 และค่าความสูญเสีย 0.06 กลุ่มที่ 3 ปรับแต่งส่วนของไฮเปอร์พารามิเตอร์จำนวน 3 ตัวได้แก่ Batch size, Optimizer, Learning rate โดยการจับคู่ไฮเปอร์พารามิเตอร์สองตัวเข้าด้วยกัน พบว่าสถาปัตยกรรม InceptionResNetV2 (Batch size 32, Optimizer Adam, Learning rate 0.01) ได้ค่าความถูกต้องสูงที่สุดร้อยละ 100.00 และค่าความสูญเสีย 0.001