ผลกระทบของขนาดภาพเอกซเรย์ทรวงอกต่อกระบวนการเรียนรู้ของเครื่องและประสิทธิภาพของโมเดล การพยากรณ์โรคติดเชื้อไวรัสโคโรนา-2019
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพิสูจน์ว่าขนาดที่แตกต่างกันของภาพเอกซเรย์ทรวงอกส่งผลต่อเวลาและประสิทธิภาพในการเรียนรู้ของเครื่อง กลุ่มตัวอย่างเป็นภาพเอกซเรย์ทรวงอก ซึ่งถูกรวบรวมไว้ในเว็บไซต์ www.kaggle.com จำนวน 15,153 ภาพ โดยภาพทั้งหมดมีขนาด 299x299 พิกเซล ในการทดลองแบ่งออกเป็น 2 แนวทางได้แก่ การลดขนาดของภาพให้มีขนาด 20x20 และ 30x30 พิกเซล และการเพิ่มขนาดของภาพให้มีขนาด 800x800 และ 1,024x1,024 พิกเซล โดยการวิจัยนี้ได้ใช้อัลกอริทึมป่าสุ่ม (Random forest) ในการสร้างโมเดลการเรียนรู้ของเครื่องและวัดประสิทธิภาพ สำหรับการเปรียบเทียบประสิทธิภาพได้ใช้ตัวชี้วัด 2 ค่าได้แก่ ค่าความถูกต้อง (Accuracy) และระยะเวลาการเรียนรู้ (Execution times) ผลการศึกษาพบว่า ภาพเอกซเรย์ทรวงอกต้นฉบับขนาด 299x299 พิกเซล มีค่าความถูกต้องร้อยละ 86.26 ใช้เวลาเรียนรู้เฉลี่ย 9.17 นาที เมื่อปรับลดขนาดภาพเป็น 20x20, 30x30 พิกเซล มีค่าความถูกต้องเป็นร้อยละ 84.83 และ 85.60 ใช้เวลาเรียนรู้ 5.51 และ 8.09 นาทีตามลำดับ และเมื่อเพิ่มขนาดภาพเป็น 800x800 และ 1,024x1,024 พิกเซล มีค่าความถูกต้องเป็นร้อยละ 86.65 และ 86.70 ใช้เวลาเรียนรู้ 28.56 และ 31.06 นาทีตามลำดับ
โดยผลการศึกษาได้พิสูจน์ให้เห็นว่าขนาดของภาพเอกซเรย์ทรวงอกมีผลทำให้เวลาของการเรียนรู้ของเครื่องและประสิทธิภาพการจำแนกภาพแปรผันตาม
Downloads
Article Details
ลิขสิทธิ์บทความวิจัยที่ได้รับการตีพิมพ์เผยแพร่ในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ห้ามนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตจากมหาวิทยาลัยเป็นลายลักษณ์อักษร
ความรับผิดชอบ เนื้อหาต้นฉบับที่ปรากฏในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ เป็นความรับผิดชอบของผู้นิพนธ์บทความหรือผู้เขียนเอง ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
Alghamdi, H. S., Amoudi, G., Elhag, S., Saeedi, K., & Nasser, J. (2021). Deep learning approaches for detecting COVID-19 from chest X-ray images: A survey. IEEE Access, 9, 20235-20254.
Al Imran, A., Amin, M. N., & Johora, F. T. (2018). Classification of chronic kidney disease using logistic regression, feedforward neural network and wide & deep learning. Paper presented at the 2018 International Conference on Innovation in Engineering and Technology (ICIET).
Ausawalaithong, W., Thirach, A., Marukatat, S., & Wilaiprasitporn, T. (2018). Automatic Lung Cancer Prediction from Chest X-ray Images Using the Deep Learning Approach. Paper presented at the 2018 11th Biomedical Engineering International Conference (BMEiCON).
Chakraborty, S., Paul, S., & Hasan, K. A. (2022). A transfer learning-based approach with deep cnn for covid-19-and pneumonia-affected chest x-ray image classification. SN Computer Science, 3, 1-10.
Chowdhury, M. E., Rahman, T., Khandakar, A., Mazhar, R., Kadir, M. A., Mahbub, Z. B., . . . Al Emadi, N. (2020). Can AI help in screening viral and COVID-19 pneumonia? IEEE Access, 8, 132665-132676.
Itoo, F., Meenakshi, & Singh, S. (2021). Comparison and analysis of logistic regression, Naïve Bayes and KNN machine learning algorithms for credit card fraud detection. International Journal of Information Technology, 13(4), 1503-1511.
Khatami, A., Araghi, S., and Babaei, T. (2019). Evaluating the performance of different classification methods on medical X-ray images. SN Applied Sciences, 1(10), 1-7.
Laal, M. (2013). Innovation process in medical imaging. Procedia-Social and Behavioral Sciences, 81, 60-64.
Masadeh, M., Masadeh, A., Alshorman, O., Khasawneh, F. H., & Masadeh, M. A. (2022). An efficient machine learning-based COVID-19 identification utilizing chest X-ray images. IAES International Journal of Artificial Intelligence, 11(1), 356.
Oh, Y., Park, S., & Ye, J. C. (2020). Deep learning COVID-19 features on CXR using limited training data sets. IEEE transactions on medical imaging, 39(8), 2688-2700.
Rahman, T., Khandakar, A., Qiblawey, Y., Tahir, A., Kiranyaz, S., Kashem, S. B. A., . . . Khan, M. S. (2021). Exploring the effect of image enhancement techniques on COVID-19 detection using chest X-ray images. Computers in biology and medicine, 132, 104319.
Rahman, T., Chowdhur, M., and Khandakar, A. (2022). COVID-19 Radiography Database. Retrieved from https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database
Reshan, M. S. A., Gill, K. S., Anand, V., Gupta, S., Alshahrani, H., Sulaiman, A., & Shaikh, A. (2023). Detection of Pneumonia from Chest X-ray Images Utilizing MobileNet Model. Healthcare, 11(11), 1561.
Roy, S., Menapace, W., Oei, S., Luijten, B., Fini, E., Saltori, C., . . . Sentelli, A. (2020). Deep learning for classification and localization of COVID-19 markers in point-of-care lung ultrasound. IEEE transactions on medical imaging, 39(8), 2676-2687.
Salahuddin, Z., Woodruff, H. C., Chatterjee, A., & Lambin, P. (2022). Transparency of deep neural networks for medical image analysis: A review of interpretability methods. Computers in biology and medicine, 140, 105111.
Thambawita, V., Strümke, I., Hicks, S. A., Halvorsen, P., Parasa, S., & Riegler, M. A. (2021). Impact of image resolution on deep learning performance in endoscopy image classification: An experimental study using a large dataset of endoscopic images. Diagnostics, 11(12), 2183.
Veena, H., Sreeja, A. N., Reddy, K. H., Hasmitha, V., & Lavanya, R. (2022). Multiclass Deep Model for Diagnosis of COVID-19 using Chest X-ray. Paper presented at the 2022 6th International Conference on Trends in Electronics and Informatics (ICOEI).
Wang, L., Lin, Z. Q., & Wong, A. (2020). Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest x-ray images. Scientific reports, 10(1), 1-12.
Wang, S., Zha, Y., Li, W., Wu, Q., Li, X., Niu, M., . . . Yu, H. (2020). A fully automatic deep learning system for COVID-19 diagnostic and prognostic analysis. European Respiratory Journal, 56(2).
Waranusast, R., & Pattanathaburt, P. (2022). The Development of Mobile Application for Assisting COVID-19 Antigen Test Kit Results Reading. Paper presented at the 2022 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC).
Wollek, A., Hyska, S., Sabel, B., Ingrisch, M., & Lasser, T. (2023). Exploring the Impact of Image Resolution on Chest X-ray Classification Performance. arXiv preprint arXiv:2306.06051.
Yadav, S. S., & Jadhav, S. M. (2019). Deep convolutional neural network based medical image classification for disease diagnosis. Journal of Big data, 6(1), 1-18.