การจำแนกโควิด 19 จากภาพ CT Scan ด้วยการเรียนรู้แบบรวมกลุ่ม
10.14416/j.ind.tech.2025.08.004
คำสำคัญ:
การจำแนกโควิด 19, ภาพเอกซเรย์ CT Scan, เทคนิคการเรียนรู้แบบรวมกลุ่ม, โครงข่ายประสาทเทียมบทคัดย่อ
การระบาดใหญ่ของเชื้อไวรัสโควิด 19 ได้เน้นย้ำถึงความจำเป็นอย่างยิ่งในการพัฒนาเครื่องมือวินิจฉัยที่มีประสิทธิภาพซึ่งสามารถช่วยบุคลากรทางการแพทย์ในการประเมินผู้ป่วยได้อย่างรวดเร็วและแม่นยำมากยิ่งขึ้น งานวิจัยนี้นำเสนอการพัฒนาแบบจำลองสำหรับการจำแนกเชื้อไวรัสโควิด 19 จากภาพเอกซเรย์คอมพิวเตอร์ทรวงอก (CT Scan) ด้วยเทคนิคการเรียนรู้แบบรวมกลุ่ม (Ensemble Method) ด้วยชุดข้อมูล COVID-19 Radiography จำนวน 7,232 ภาพ แบ่งเป็นเชื้อโควิด 3,616 ภาพ ไม่มีเชื้อโควิด 3,616 ภาพ แบ่งชุดข้อมูลสำหรับการทดลองเป็นชุดสำหรับเรียนรู้ร้อยละ 70 (Training set) จำนวน 2,531 ภาพ ชุดสำหรับการตรวจสอบการเรียนรู้ร้อยละ 20 (Validation set) จำนวน 723 ภาพ ชุดสำหรับการทดสอบการเรียนรู้ร้อยละ 10 (Test set) 362 ภาพ และใช้ร่วมเทคนิคการแบ่งข้อมูล (K-Fold Cross Validation) จำนวน 5 ชุด (K=5) การทดลองได้แบ่งออกเป็น 3 กลุ่ม กลุ่มที่ 1 ใช้แบบจำลองที่ได้รับความนิยม 38 แบบจำลอง เลือกแบบจำลองที่ได้รับค่าความถูกต้อง (Accuracy) มากที่สุด 3 ลำดับนำไปใช้กับกลุ่มการทดลองที่ 2 และ 3 กลุ่มที่ 2 เชื่อมแบบจำลองโดยใช้เทคนิค Bagging ร่วมกับชุดข้อมูล 5 ชุด จำนวน 3 รูปแบบการทดลอง กลุ่มที่ 3 เชื่อมแบบจำลองโดยใช้เทคนิค Bagging โดยใช้แบบจำลองที่มีค่าความถูกต้องมากที่สุดในแต่ละแบบจำลอง จำนวน 2 รูปแบบการทดลอง พบว่าการทดลองในกลุ่มที่ 3 แบบจำลอง MobileNet ร่วมกับ DenseNet121 มีค่าความถูกต้องร้อยละ 99.30 เมื่อเปรียบเทียบกับแบบจำลองพื้นฐานในกลุ่มที่ 1 มีค่าความถูกต้องร้อยละ 97.23 พบว่ามีค่าความถูกต้องที่สูงขึ้นร้อยละ 2.07
เอกสารอ้างอิง
M.M. Hossain, Md.A.A. Walid, S.M.S. Galib, M.M. Azad, W. Rahman, AS.M. Shafi and M.M. Rahman, COVID-19 detection from chest CT images using optimized deep features and ensemble classification, Systems and Soft Computing, 2024, 6, 200077.
M.A. Ganaie, M. Hu, A.K. Malik, K. Tanveer and P.N. Suganthan, Ensemble deep learning: A review, Engineering Applications of Artificial Intelligence, 2022, 115, 105-151.
H.-C. Kim, S. Pang, H.-M. Je, D. Kim and S.-Y. Bang, Support vector machine ensemble with bagging, Pattern Recognition with Support Vector Machines, 2002, 397-408.
M. LesBlanc and R. Tibshirani, Combining estimates in regression and classification, Journal of the American Statistical Association, 1996, 91(436), 1641-1650.
L. Breiman, Bagging predictors, Machine learning, 1997, 24, 123-140.
S. Chaurasia, A.K. Gupta, P.P. Tiwari, A. Smirti and M. Jangid, DSENetk: An efficient deep stacking ensemble approach for COVID-19 induced pneumonia prediction using radiograph images, SN Computer Science, 2025, 6, 68.
G.N. Chandrika, R. Chowdhury, P. Kumar, K. Sangamithrai, E. Glory and M.D. Saranya, Ensemble learning based convolutional neural network – depth fire for detecting COVID-19 in chest X-Ray images, Journal of Electronics Electromedical Engineering, and Medical Informatics, 2024, 7(1), 47-55.
T. Geroski, V. Rankovic, O. Pavic, L. Dasic, M. Petrovic, D. Milovanovic and N. Filipovic, Enhancing COVID-19 disease severity classification through advanced transfer learning techniques and optimal weight initialization schemes, Biomedical Signal Processing and Control, 2025, 100, Part C, 107103.
S. Kumar and H. Kumar, Efficient-VGG16: A novel ensemble method for the classification of COVID-19 X-ray images in contrast to machine and transfer learning, Procedia Computer Science, 2024, 235, 1289-1299.
S. Asif, M. Zhao, F. Tang and Y. Zhu, LWSE: a lightweight stacked ensemble model for accurate detection of multiple chest infectious diseases including COVID-19, Multimedia Tools and Applications, 2024, 83(8), 23967-24003.
S. Wang, J. Ren and X. Guo, A high-accuracy lightweight network model for X-ray image diagnosis: A case study of COVID detection, PLoS ONE, 2024, 19(6), e0303049.
https://www.kaggle.com/datasets/tawsifurr-ahman/covid19-radiography-database/. (Accessed on 10 January 2025)
P. Chedsom and W. Kanarkard, Analysis of student engagement in online classroom using convolutional neural networks (CNN), ECTI Transaction on Application Research and Development, 2023, 3(3), 39-52. (in Thai)
D.P. Kingma and J. Ba, Adam: A method for stochastic optimization, The 3rd International Conference for Learning Representations, Proceeding, 2015.
A.G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand M. Andreetto and H. Adam, Mobilenets: Efficient convolutional neural networks for mobile vision applications, arXiv, 2017, 1704.04861.
G. Huang, Z. Liu, L. Maaten and Q. Weinberger, Densely connected convolutional networks, IEEE conference on computer vision and pattern recognition, Proceedings, 2017, 4700-4708.
