การจำแนกโรคอัลไซเมอร์จากภาพเอ็มอาร์ไอโดยใช้การเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
เนื่องจากประชากรมีอายุที่ยืนยาวมากขึ้นทำให้ปัจจุบันประเทศไทยได้เข้าสู่สังคมผู้สูงอายุ และในปี พ.ศ. 2563 พบว่ามีจำนวนประชากรที่มีอายุ 60 ปีขึ้นไปทั้งหมด 11.627 ล้านคนคิดเป็นอัตราส่วนร้อยละ 17.57 ของประชากรทั้งหมดในประเทศไทย และจะมีประชากรอายุ 60 ปีขึ้นไปในอัตราส่วนร้อยละ 28 ของประชากรทั้งหมดในประเทศไทยภายในปี พ.ศ. 2573 โดยปกติร่างกายของทุกคนจะเสื่อมลงตามอายุที่มากขึ้นและหนึ่งในอาการป่วยที่มีอัตราการเกิดมากขึ้น คือ อาการสมองเสื่อม โดยเฉพาะโรคอัลไซเมอร์ยิ่งอายุมากขึ้นก็จะพบผู้ป่วยด้วยโรคนี้เพิ่มมากขึ้นในอัตราส่วนเกือบสองเท่าในทุก 5 ปี โดยโรคนี้ไม่สามารถป้องกันและไม่สามารถรักษาให้หายขาดได้ แต่ถ้าสามารถตรวจเจอโรคอัลไซเมอร์ได้ก่อนก็จะยิ่งมีโอกาสรักษาให้อาการดีขึ้นหรือเสื่อมช้าลง งานวิจัยนี้เป็นการนำโครงข่ายประสาทเทียมแบบลึกมาพัฒนาเพื่อทำการจำแนกโรคอัลไซเมอร์โดยใช้ข้อมูลรูปภาพจากเครื่องตรวจด้วยคลื่นแม่เหล็กไฟฟ้า หรือเอ็มอาร์ไอ และวิธีในการเตรียมข้อมูลอย่างง่าย ข้อมูลที่ใช้ในงานวิจัยนี้ประกอบด้วยรูปเอ็มอาร์ไอของสมองปกติจำนวน 2,560 รูป และรูปเอ็มอาร์ไอของสมองที่เป็นโรคอัลไซเมอร์จำนวน 2,561 รูป รวมรูปเอ็มอาร์ไอที่ใช้ในงานวิจัยนี้ทั้งหมดจำนวน 5,121 รูป ผลการวิจัยพบว่ามีค่าความถูกต้องเท่ากับร้อยละ 97.56 ความแม่นยำเท่ากับร้อยละ 98.22 ค่าความระลึกเท่ากับร้อยละ 96.89 และค่าเฉลี่ยเท่ากับร้อยละ 97.54
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
S. Trakulsithichoke, “Prevention of Dementia in older persons,” (in Thai), J. Nursing and Health Care, vol. 36, no. 4, pp. 6–14, 2018.
S. Mangmee and S. Monkong, “Relationships between mutuality, preparedness, and predictability to care, and caregiver role strain from caregiving activities for older people with Dementia,” (in Thai), J. Thailand Nursing and Midwifery Council, vol. 36, no. 3, pp. 151–164, 2021.
S. Pornudomthap, C. Somthawinpongsai, and P. Piphitpakdee, “The application development of Dementia / Alzheimer patients in daily life,” (in Thai), J. Manage. Sci., Ubon Ratchathani Univ., vol. 11, no. 1, pp. 60–85, 2022.
L. Inklab, “Understanding & approaching the Alzheimer patients,” (in Thai), Christian Univ. Thailand J., vol. 20, no. 3, pp. 439–447, 2014.
W. Kongin, O. Thammson, S. Thipsrinuan, and S. Kaewborrisuth, “How can we help an Alzheimer’s patient and caregivers?,” (in Thai), The Thai J. Nursing Council, vol. 15, no. 3, pp. 65–77, 2001.
P. Anundilokrit, “Dementia,” (in Thai), Regional Health Promotion Center 9 J., vol. 15, no. 37, pp.392–398, 2021.
M. Prince, M. Guerchet, and M. Prina, “Policy brief for heads of government: The global impact of dementia 2013–2050,” Alzheimer's Disease International (ADI), London, U.K., Dec. 1, 2013, [Online]. Available: https://www.alzint.org/u/2020/08/GlobalImpactDementia2013.pdf
P. Prasartkul and N. Satchanawakul, “The essential of ageing in place in Thailand,” (in Thai), Thammasat Rev., vol. 40, no. 2, pp. 1–23, 2021.
C. Kavitha, V. Mani, S. R. Srividhya, O. I. Khalaf, and C. A. Tavera Romero, “Early-stage Alzheimer’s disease prediction using machine learning models,” Frontiers in Public Health, vol. 10, Mar. 2022, Art. no. 853294.
C. Pamarapa, T. Ekjeen, W. Shoombuatong, and Y. Vichianin, “Alzheimer’s disease classification and prediction using T1- weighted MR brain imaging based on SVM algorithm,” The Thai J. Radiological Technol., vol. 46, no. 1, pp. 69–79, 2021.
I. Beheshti, H. Demirel, and H. Matsuda, “Classification of Alzheimer’s disease and prediction of mild cognitive impairment-to-Alzheimer’s conversion from structural magnetic resource imaging using feature ranking and a genetic algorithm,” Comput. Biol. Med., vol. 83, pp. 109–119, Apr. 2017.
A. Farooq, S. Anwar, M. Awais, and S. Rehman, “A deep CNN based multi-class classification of Alzheimer's disease using MRI,” in Proc. IEEE Int. Conf. Imaging Syst. and Techniques (IST), Beijing, China, Oct. 2017, pp. 1–6.
S. Liu et al. “Generalizable deep learning model for early Alzheimer’s disease detection from structural MRIs,” Sci. Rep., vol. 12, pp. 17106–17118, Oct. 2022.
S. S. Kundaram and K. C. Pathak, “Deep learning-based Alzheimer disease detection,” in Proc. 4th Int. Conf. Microelectronics, Comput. and Commun. Syst., Ranchi, India, May 2019, pp. 587–597.
R. Maskeliunas, R. Damasevicius, and T. Krilavicius, “Analysis of features of Alzheimer’s disease: detection of early stage from functional brain changes in magnetic resonance images using a finetuned ResNet18 network,” Diagnostics, vol. 11, no. 6, pp. 1071, Jun. 2021.
E. Mggdadi, A. Al-Aiad, M. S. Al-Ayyad, and A. Darabseh, “Prediction Alzheimer's disease from MRI images using deep learning,” in Proc. 12th Int. Conf. Inform. and Commun. Syst. (ICICS), Valencia, Spain, May 2021, pp. 120–125.
J. Heaton. “The number of hidden layers.” HEATONRESEARCH.com. https://www.heatonresearch.com/2017/06/01/hidden-layers.html (accessed Jan. 19, 2023).
S. Srithongchai, “A PM2.5 prediction model using LSTM neural network in Bangkok area,” J. Eng. Digit. Technol. (JEDT), vol. 10, no. 1, pp. 1–9, 2022.
Y. Bengio, “Practical Recommendations for Gradient-Based Training of Deep Architectures,” in Neural Networks: Tricks of the Trade, G. Montavon, G. B. Orr, and K.-R. Müller, Eds. Berlin, Germany: Springer, 2012, pp. 437–478.
