ระบบการเรียนรู้ของเครื่องสำหรับการระบุลักษณะทางสัณฐานวิทยาแบบอัตโนมัติของอะแคนทามีบาด้วยภาพจากกล้องจุลทรรศน์
Article Sidebar
Main Article Content
บทคัดย่อ
อะแคนทามีบา (Acanthamoeba spp.) เป็นอะมีบาที่ดำรงชีวิตเป็นอิสระในสิ่งแวดล้อม และเป็นโพรโตชัวชนิดฉวยโอกาสที่สามารถก่อให้เกิดผลกระทบต่อสุขภาพร่างกายของมนุษย์เช่น โรคกระจกตาอักเสบ การตรวจสอบชนิดของสายพันธุ์จึงมีความจำเป็นอย่างยิ่งเพื่อให้สามารถทำการวินิจฉัยและรักษาโรคนั้นๆได้อย่างถูกต้อง หนึ่งในวิธีการพื้นฐานคือการระบุลักษณะทางสัณฐานวิทยาของผนังซีสต์ (cyst) โดยสามารถจำแนกกลุ่มของอะแคนทามีบาออกเป็น 3 กลุ่ม อย่างไรก็ตามกระบวนการนี้มีความจำเป็นที่ต้องอาศัยเวลาและผู้เชี่ยวชาญเฉพาะเพื่อให้เกิดความถูกต้องและแม่นยำมากที่สุด งานวิจัยนี้จึงนำเสนอระบบการเรียนรู้ของเครื่องเพื่อทำการระบุและจำแนกลักษณะทางสัณฐานวิทยาแบบอัตโนมัติของอะแคนทะมีบาในระยะซีสต์ด้วยภาพจากกล้องจุลทรรศน์ เครื่องมือที่นำเสนอนี้มีความสามารถในการจำแนกกลุ่มอะแคนทามีบาได้โดยประกอบไปด้วย 3 กระบวนการหลักคือ (1) กระบวนการก่อนการประมวลผลภาพ (2) กระบวนการสกัดคุณลักษณะเด่นของซีสต์ด้วยการผสมผสาน (Combined descriptor) ในระดับคุณลักษณะทางรูปร่างด้วยวิธีการฮิสโตรแกรมของทิศทางตามค่าเกรเดียนท์ (Histogram of Oriented Gradients: HOG) และคุณลักษณะเชิงพื้นผิวด้วยวิธีการโลคอลไบนารีแพทเทิร์น (Local Binary Pattern; LBP) หลังจากนั้นจะเข้าสู่การระบุลักษณะของซีสต์ที่เป็นกระบวนการสุดท้ายนั้นคือ (3) การคัดแยกกลุ่มของซีสต์ด้วยการเรียนรู้ของเครื่อง จากผลการทดลองพบว่าตัวจำแนกชนิดซัพพอร์ตเวคเตอร์แมชชีน (Support Vector Machine : SVM) นั้นให้ค่าความถูกต้องเฉลี่ยสูงที่สุดเมื่อเปรียบเทียบกับตัวจำแนกชนิดอื่นๆ อีกทั้งระบบที่นำเสนอนี้ได้ประสิทธิภาพสูงที่สุดเมื่อทำการเปรียบเทียบประสิทธิภาพความถูกต้องกับวิธีการอื่นซึ่งคิดเป็นค่าความถูกต้องเฉลี่ยที่ 89.81%
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
P. Buppan, C. Meeboon, T. Klamsiri, W. Promyuttana, W. Koamornsup, R. Kosuwin, and P. Srimee, “Survey of Acanthamoeba spp. in water samples from the public park of Thailand,” Journal of Research Unit on Science, Technology and Environment for Learning, vol. 9, no. 1, pp. 36–45, 2018 (in Thai).
C. Suwancharoen and W. Srichoom, “Survey of Acanthamoeba in natural water sources in communities around the university of Phayao, Phayao province, Thailand,” Journal of Public Health, vol. 47, no. 3, pp. 255–263, 2017 (in Thai).
C. Siripanth, “Amphizoic amoebae: Pathogenic free-living protozoa; Review of the literature and review of cases in Thailand,” Journal of the Medical Association of Thailand, vol. 88, no. 5, pp. 1–7, 2005 (in Thai).
C. Bunsuwansakul, T. Mahboob, K. Hounkong, S. Laohaprapanon, S. Chitapornpan, S. Jawjit, A. Yasiri, S. Barusrux, K. Bunluepuech, N. Sawangjaroen, C. C. Salibay, C. Kaewjai, M. L. Pereira, and V. Nissapatorn, “Acanthamoeba in Southeast Asia - overview and challenges,” The Korean Journal of Parasitology, vol. 57, no. 4, pp. 341–357, 2019.
M. Pussard and R. Pons, “Morphologies de la paroi kystique et taxonomie du genre Acanthamoeba (Protozoa, Amoebida),” Protistologica, vol. 13, no. 4, pp. 557–598, 1977.
N. Ruangrungsi and C. Palanuvej, “Acanthamoeba spp. infection's health and risk watch,” Public Health Science, College of Public Health Sciences, Chulalongkorn University, Bangkok, 2011.
J. L. Duarte, C. Furst, D. R. Klisiowicz, G. Klassen, and A. O. Costa, “Morphological, genotypic, and physiological characterization of Acanthamoeba isolates from keratitis patients and the domestic environment in Vitoria, Espirito Santo, Brazil,” Experimental Parasitology, vol. 135, no. 1, pp. 9–14, 2013.
G. C. Booton, G. S. Visvesvara, T. J. Byers, D. J. Kelly, P. A. Fuerst, “Identification and distribution of Acanthamoeba species genotypes associated with nonkeratitis infections,” Journal of Clinical Microbiology, vol. 43, no. 4, pp. 1689–1693, 2005.
J. Rodellar, S. Alférez, A. Acevedo, A. Molina, and A. Merino, “Image processing and machine learning in the morphological analysis of blood cells,” International Journal of Laboratory Hematology, vol. 40, pp. 46–53, 2018.
M. S. Mabrouk, M. A. Sheha, and A. Sharawy, “Automatic detection of melanoma skin cancer using texture analysis,” International Journal of Computer Applications, vol. 42, no. 20, pp. 22–26, 2012.
A. M. Abdeldaim, A. T. Sahlol, M. Elhoseny, and A. E. Hassanien, “Computer-aided acute lymphoblastic leukemia diagnosis system based on image analysis,” Advances in Soft Computing and Machine Learning in Image Processing. vol 730, Springer, Cham, 2018.
A. Vijayalakshmi and B. Rajesh Kanna, “Deep learning approach to detect malaria from microscopic images,” Multimedia Tools and Applications, vol. 79, no. 21–22, pp. 15297–15317, 2019.
T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 971–987, 2002.
M. K. Hu, “Visual pattern recognition by moment invariants,” RE Transactions on Information Theory, vol. IT-8, no. 2, pp. 179–187, 1962.
J. Canny, “A computational approach to edge detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, no. 6, pp. 679–698, 1986.
N. Dalal and B. Triggs, “Histograms of oriented gradients for human detection,” IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), 2005, pp. 886–893.
H. Lahiani and M. Neji, “Hand gesture recognition method based on HOG-LBP features for mobile devices,” Procedia Computer Science, vol. 126, pp. 254–263, 2018.
X. Wang, T. X. Han, and S. Yan, “An HOG-LBP human detector with partial occlusion handling,” in 2009 IEEE 12th International Conference on Computer Vision, 2009, pp. 32–39.
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Information Processing & Management, vol. 45, pp. 427–437, 2009.
T. S. Furey, N. Cristianini, N. Duffy, D. W. Bednarski, M. Schummer, and D. Haussler, “Support vector machine classification and validation of cancer tissue samples using microarray expression data,” Bioinformatics, vol. 16, no. 10, pp. 906–914, 2000.
S. Öztürk and B. Akdemir, “Application of feature extraction and classification methods for histopathological image using GLCM, LBP, LBGLCM, GLRLM and SFTA,” Procedia Computer Science, vol. 132, pp. 40–46, 2018.