การออกแบบและสร้างเครื่องตรวจจับเครื่องมือผ่าตัดโดยใช้ Faster R-CNN
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบและพัฒนาเครื่องมือช่วยตรวจจับและนับอุปกรณ์ผ่าตัดด้วยเทคโนโลยีปัญญาประดิษฐ์ เพื่อลดความผิดพลาดจากการนับด้วยมนุษย์และเพิ่มความถูกต้องในกระบวนการทำงานทางการแพทย์ อุปกรณ์ที่ศึกษา ได้แก่ กรรไกรผ่าตัด ด้ามมีดผ่าตัด และคีมหนีบ โดยใช้โมเดลตรวจจับวัตถุ Faster R-CNN บนโปรแกรม MATLAB เป็นแกนหลักของระบบกระบวนการวิจัยประกอบด้วยการจัดเตรียมชุดข้อมูลภาพและกำหนดป้ายกำกับของอุปกรณ์ผ่าตัด การแบ่งข้อมูลสำหรับการฝึกและการทดสอบ และการฝึกโมเดล Faster R-CNN เพื่อให้ระบบสามารถตรวจจับตำแหน่ง จำแนกประเภท และนับจำนวนอุปกรณ์ได้แบบอัตโนมัติ จากนั้นทดสอบประสิทธิภาพภายใต้เงื่อนไขที่แตกต่างกัน ได้แก่ จำนวนและตำแหน่งการวางอุปกรณ์ในภาพ รวมถึงลักษณะพื้นหลัง เพื่อประเมินความสามารถของระบบเมื่อสภาพแวดล้อมมีความซับซ้อนเพิ่มขึ้น ผลการทดลอง พบว่า ระบบสามารถตรวจจับและจำแนกประเภทอุปกรณ์ผ่าตัดได้อย่างมีประสิทธิภาพโดยเฉพาะเมื่อใช้พื้นหลังสีขาวซึ่งให้ความแม่นยำสูงอยู่ที่ 95% อย่างไรก็ตาม เมื่อเพิ่มจำนวนอุปกรณ์ในภาพหรือเปลี่ยนพื้นหลังเป็นสีเขียว ประสิทธิภาพมีแนวโน้มลดลง โดยเด่นชัดด้านความครบถ้วนในการตรวจจับและความถูกต้องในการนับ สะท้อนข้อจำกัดของโมเดลในสภาพแวดล้อมที่ซับซ้อนมากขึ้น ทั้งนี้ ระบบที่พัฒนาขึ้นมีศักยภาพในการประยุกต์ใช้ในสภาพแวดล้อมที่มีการควบคุม และเป็นแนวทาง ต่อยอดสู่ระบบอัจฉริยะด้านการแพทย์ในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
เอกสารอ้างอิง
(1) นภวรี จันทวงศ์. (2559). เครื่องมือผ่าตัดทางสูติศาสตร์และนรีเวช [ออนไลน์], สืบค้นจาก https://w1.med.cmu.ac.th/ obgyn/lecturestopics/ topic-review/4581/ (25 มกราคม 2568).
(2) สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์. (2564). ปัญญาประดิษฐ์ในการให้บริการของภาครัฐ [ออนไลน์], สืบค้นจาก https://www.etda.or.th/th/Useful-Resource/Knowledge-Sharing/ Articles/AI-in-Government-Services.aspx (25 มกราคม 2568).
(3) Ahmed, F. A., Yousef, M., Ahmed, M. A., Ali, H. O., Mahboob, A., Ali, H., Shah, Z., Aboumarzouk, O., Al Ansari, A., & Balakrishnan, S. (2025). Deep learning for surgical instrument recognition and segmentation in robotic-assisted surgeries: A systematic review. Artificial Intelligence Review, 58(1), 1–31.
(4) Dassault Systèmes. (2026). SOLIDWORKS 2026 [Software]. [online], retrieved from https://www.solidworks.com (28 มกราคม 2568).
(5) Deol, E. S., Henning, G., Basourakos, S., Vasdev, R. M. S., Sharma, V., Kavoussi, N. L., Karnes, R. J., Leibovich, B. C., Boorjian, S. A., & Khanna, A. (2024). Artificial intelligence model for automated surgical instrument detection and counting: An experimental proof-of-concept study. Patient Safety in Surgery, 18(24), 1–8.
(6) Gonzalez, R. C., & Woods, R. E. (2018). Digital image processing (4th ed.). Pearson Education.
(7) Hfocus. (2562). แนะ 6 วิธีลดสิ่งแปลกปลอมตกค้างในร่างกายผู้ป่วยหลังผ่าตัด พร้อมเผยที่พบมากสุดคือผ้าก๊อซ. [ออนไลน์], สืบค้นจาก https://www.hfocus.org/content/2019/09/17691 (28 มกราคม 2568).
(8) Lelachaicharoeanpan, J., & Vongbunyong, S. (2021). Classification of surgical devices with artificial neural network approach (pp. 154–159). In 7th International Conference on Engineering, Applied Sciences and Technology (ICEAST). IEEE.
(9) Dynamic Intelligence Asia. (ม.ป.ป.). Machine learning และ deep learning คืออะไร เรียนรู้ต่างกันอย่างไร [ออนไลน์], สืบค้นจาก https://www.dia.co.th/articles/machine-learning-vs-deep-learning/ (28 มกราคม 2568).
(10) MathWorks. (2023). trainFasterRCNNObjectDetector. [online], retrieved from https://www.mathworks.com/help/vision/ref/trainfasterrcnnobjectdetector.html (28 มกราคม 2568).
