การจำแนกภาพ MRI สำหรับการคัดกรองผู้ป่วยเนื้องอกในสมอง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองสำหรับการคัดกรองผู้ป่วยเนื้องอกในสมองด้วยภาพ MRI โดยใช้ข้อมูลจากเว็บไซต์ www.kaggle.com ซึ่งได้ถูกรวบรวมโดย Chakrabarty (2021) จำนวนข้อมูลทั้งหมด 253 ภาพ และนำมาวิเคราะห์ตามกระบวนการทำเหมืองข้อมูล จากนั้นเปรียบเทียบประสิทธิภาพแบบจำลอง ผลการวิจัยพบว่า เทคนิคต้นไม้ป่าสุ่ม เป็นเทคนิคที่มีความเหมาะสมในการสร้างแบบจำลองการพยากรณ์โอกาสเป็นโรคเนื้องอกในสมอง โดยให้ค่าความแม่นยำสูงที่สุดถึง 76.31% ค่าประสิทธิภาพโดยรวมเท่ากับ 73.48% ค่าความไวเท่ากับ 70.14% และค่าจำเพาะเท่ากับ 82.69% ซึ่งผลการวิเคราะห์ข้อมูลในครั้งนี้สามารถนำไปสร้างเป็นระบบสารสนเทศเพื่อใช้สำหรับการคัดกรองผู้ป่วยเนื้องอกในสมองในอนาคต
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ผู้แต่งจะต้องกรอกข้อมูลเพื่อโอนลิขสิทธิ์ (copyright) ให้กับวารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์ ก่อนเผยแพร่บทความ โดยดูรายละเอียดเพิ่มเติมได้ที่ https://ph01.tci-thaijo.org/index.php/jait/copyrightlicense
References
Armstrong, T. S., Vera-Bolanos, E., Acquaye, A. A., Gilbert, M. R., Ladha, H., & Mendoza, T. (2016). The symptom burden of primary brain tumors: evidence for a core set of tumor- and treatment-related symptoms. Neuro-Oncology, 18(2), 252–260. https://doi.org/10.1093/neuonc/nov166
Back, M., Back, E., Kastelan, M., & Wheeler, H. (2014). Cognitive deficits in primary brain tumours: A framework for management and rehabilitation. Journal of Cancer Therapy, 5(1), 74-81. https://doi.org/10.4236/jct.2014.51010
Bunevicius, A., Deltuva, V., Tamasauskas, S., Tamasauskas, A., Laws, E.R., Jr, & Bunevicius, R. (2013). Low triiodothyronine syndrome as a predictor of poor outcomes in patients undergoing brain tumor surgery: A pilot study. Journal of Neurosurgery, 118(6), 1279–1287. https://doi.org/10.3171/2013.1.JNS121696
Bunevicius, A., Tamasauskas, S., Deltuva, V., Tamasauskas, A., Radziunas, A., & Bunevicius, R. (2014). Predictors of health-related quality of life in neurosurgical brain tumor patients: focus on patient-centered perspective. Acta Neurochirurgica, 156, 367–374. https://doi.org/10.1007/s00701-013-1930-7
Cai, L., Gao, J., & Zhao, D. (2020). A review of the application of deep learning in medical image classification and segmentation. Annals of Translational Medicine. 8(11), 713. https://doi.org/10.21037/atm.2020.02.44
Chakrabarty, N. (2021). Brain MRI images for brain tumor detection. Retrieved 8 December 2022. Retrieved from https://www.kaggle.com/datasets/navoneel/brain-mri-images-for-brain-tumor-detection
Johnson, D.R., Sawyer, A.M., Meyers, C.A., O’Neill, B.P., & Wefel, J.S. (2012). Early measures of cognitive function predict survival in patients with newly diagnosed glioblastoma. Neuro-Oncology, 14(6), 808-816. https://doi.org/10.1093/neuonc/nos082
Klaythong, T. & Srisawat, C. (2023). Forecasting dropout of undergraduates Pibulsongkram Rajabhat University with data mining technique. Journal of Applied Informatics and Technology, 5(1), 1-17. https://doi.org/10.14456/jait.2023.1 [In Thai]
Kumjit, K., Jaikoomkao, D., Phumirang, W., Sattanako, A., & Sukpraser, A. (2022). The efficiency of data mining technique for the prognosis of cerebrovascular disease. Journal of Applied Informatics and Technology, 4(2), 87-98. https://doi.org/10.14456/jait.2022.7 [In Thai]
Lapthanachai, N., Chomthong, A., Waijanya, S., & Promrit, N. (2023). Classification of nail abnormalities using convolutional neural network. Journal of Applied Informatics and Technology, 5(1), 18–35. https://doi.org/10.14456/jait.2023.2 [In Thai]
Mehdy, M.M., Ng, P.Y., Shair, E. F., Md Saleh, N.I., & Gomes, C. (2017). Artificial neural networks in image processing for early detection of breast cancer. Computational and Mathematical Methods in Medicine, 2017, 1-15. https://doi.org/10.1155/2017/2610628
Raza, S. (2021). Brain tumor detector. Retrieved 8 December 2022. Retrieved from https://www.kaggle.com/code/saharraza/preprocessing/notebook
Saisangchan, U., Chamchong, R., & Suwannasa, A. (2022). Analysis of lime leaf dis- ease using deep learning. Journal of Applied Informatics and Technology, 4(1), 71-86. https://doi.org/10.14456/jait.2022.6 [In Thai]
Siegel, R.L., Miller, K.D., & Jemal, A. (2018). Cancer statistics, 2018. CA: A Cancer Journal for Clinicians. 68(1), 7-30. https://doi.org/10.3322/caac.21442
Sikarin. (2022).ปวดหัวบ่อย เห็นภาพซ้อน สัญญาณเตือนเสี่ยงเนื้องอกในสมอง [Frequent headaches, double vision, warning signs of brain tumor]. Retrieved 8 December 2022. Retrieved from https://www.sikarin.com/health/ เนื้องอกในสมอง-brain-tumor [In Thai]
Silva, D. (2021). Brain tumor detector. Retrieved 9 December 2022. Retrieved from https://www.kaggle.com/code/diegosilvadefrana/brain-tumor-detector/notebook
Songhmokholongtun. (2018). Central Limit Theorem (CLT) สำหรับนักลงทุน [Central Limit Theorem (CLT) for investors]. Retrieved from 25 November 2022. Retrieved from https://songhmok-holongtun.com [In Thai]
Srisubat, A. et al. (2017). Effectiveness of gamma knife for patients with brain tumor: A systematic review. Journal of the Department of Medical Services. 42(4), 64-69. http://www.imrta.dms.moph.go.th/imrta/images/65-70%20From4.pdf [In Thai]
Sukprasert, A. (2021). คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio [Guide to mining with RapidMiner Studio]. Mahasakham : Mahasarakham Business School, Mahasarakham University. [In Thai]
Tankumpuan, T., Utriyaprasit, K., Chayaput, P., & Itthimathin, P. (2015). Predictors of physical functioning in postoperative brain tumor patients. The Journal of Neuroscience Nursing, 47(1), E11-E21. https://doi.org/10.1097/JNN.0000000000000113
Yang, X. et al. (2017). Pseudo CT estimation from MRI using patch-based random forest. Proceedings of SPIE—the International Society for Optical Engineering, 10133, 101332Q. https://doi.org/10.1117/12.2253936
Yang, X., Islam, M.S., & Khaled, A.M. (2019). Functional connectivity magnetic resonance imaging classification of autism spectrum disorder using the multisite ABIDE dataset, IEEE EMBS International Conference on Biomedical & Health Informatics (BHI), Chicago, IL, USA, 2019, pp. 1-4. https://doi.org/10.1109/BHI.2019.8834653