Please use this identifier to cite or link to this item: https://ir.swu.ac.th/jspui/handle/123456789/25013
ชื่อเรื่อง: ระบบตรวจคัดกรองผู้ป่วยที่มีภาวะสมองบาดเจ็บไม่รุนแรงด้วยเทคโนโลยีปัญญาประดิษฐ์
ชื่อเรื่องอื่นๆ: Artificial intelligence based mild traumatic brain injury screening
Advisor : สุชาดา ตันติสถิระพงษ์
ผู้แต่ง: ธันยกานต์ ซื่อสัตย์สกุล
ศรัณยพงศ์ คุณากรพัฒนาการ
Keywords: ภาวะสมองบาดเจ็บ
ภาพเอกซเรย์คอมพิวเตอร์
วันที่เผยแพร่: 2564
สำนักพิมพ์: ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
Abstract(TH): การบาดเจ็บที่สมองอันเนื่องมาจากอุบัติเหตุจราจรเป็นสาเหตุสำคัญที่นำไปสู่ความพิการและเสียชีวิตของคนทั่วโลก ในจำนวนผู้ป่วยที่ได้รับบาดเจ็บที่ศีรษะทั้งหมด พบว่ามีผู้ป่วยสมองบาดเจ็บชนิดไม่รุนแรงถึงร้อยละ 70-90 ซึ่งสามารถเข้ารับการรักษาในโรงพยาบาลปฐมภูมิได้ แต่ด้วยข้อจำกัดในด้านความรู้และประสบการณ์ของบุคลากร ทำให้โรงพยาบาลปฐมภูมิไม่สามารถวินิจฉัยและตัดสินใจในการรับผู้ป่วยเข้ารักษาหรือส่งต่อไปยังโรงพยาบาลเฉพาะทางได้ ดังนั้นโครงงานวิศวกรรมนี้จึงมีวัตถุประสงค์เพื่อศึกษาพยาธิสภาพของภาวะสมองบาดเจ็บไม่รุนแรงจากการวิเคราะห์ภาพเอกซเรย์คอมพิวเตอร์ รวมถึงศึกษาวิธีการออกแบบระบบการคัดกรองผู้ป่วยสมองบาดเจ็บไม่รุนแรงโดยใช้เทคโนโลยีปัญญาประดิษฐ์ ภาพฃีทีสแกนสมองจะให้อยู่ในรูปของภาพระดับสีเทาในหน่วยฮาวน์สฟิลด์ จากนั้นทำการปรับปรุงคุณภาพของภาพและคัดเลือกภาพตัดขวางของผู้ป่วยจำนวน 11 ราย โดยแบ่งออกเป็นผู้ป่วยปกติจำนวน 3 รายและผู้ป่วยที่มีความผิดปกติจำนวน 8 ราย ซึ่งจะได้ข้อมูลภาพตัดขวางทั้งหมด 178 ภาพ เพื่อใช้เป็นข้อมูลในการนำไปสกัดคุณลักษณะของภาพในเทคนิคต่างๆ ได้แก่ Histogram Analysis Grey Level Cooccurrence Matrices (GLCM) Grey Level Run-Length Matrices (GLRLM) และ Fractal Dimension (FD) จากนั้นทำการคัดเลือกคุณลักษณะที่สำคัญด้วยวิธี ตัวเต็ม Maximum Relevance and Minimum Redundancy (ทาRMR) นอกจากนี้ทำการคัดเลือกชุดคุณลักษณะด้วยเทคนิค Sequential Forward Selection (SFS) และ Sequential Backward Elimination (SBE) ซึ่งจากการคัดเลือกคุณลักษณะและชุดคุณลักษณะ ทำให้การทดลองได้แบ่งออกเป็น 3 ชุดได้แก่ 1.ชุดข้อมูลที่ไม่ผ่านการคัดเลือกคุณลักษณะเด่น 2.ชุดข้อมูลที่ถูกคัดเลือกคุณลักษณะเด่นแบบ SFS และ 3.ชุดข้อมูลที่ถูกคัดเลือกคุณลักษณะเด่นแบบ SBE จากนั้นนำชุดข้อมูลไปสอนและทดสอบการคัดแยกผู้ป่วยสมองบาดเจ็บไม่รุนแรงด้วยเทคนิค Support Vector Machine (SVM ) Logistic Regression (LR) และ K-nearest neighbours (KNN) จากผลการทดลองพบว่า การใช้ชุดข้อมูลที่ถูกคัดเลือกคุณลักษณะเด่นแบบ SBE คัดแยกผู้ป่วยสมองบาดเจ็บไม่รุนแรงด้วยเทคนิค KNN ให้ผลลัพธ์ที่มีประสิทธิภาพมากที่สุด โดยมีค่าความถูกต้องที่ร้อยละ 97.54 ค่าความแม่นยำที่ร้อยละ 99.00 ค่าความไวที่ร้อยละ 93.00 และค่าความจำเพาะที่ร้อยละ 99.60
บทคัดย่อ: Traumatic brain injuries (TBI) caused by road traffic accidents have led to high rate of mortality and morbidity worldwide. Statistically, 70% to 90% of patients with mild TBI (mTBI) have been referred to primary care hospitals, where number of practitioners are limited for diagnosing a large number of cases. As a result, primary care hospitals are unable to diagnose patients and provide appropriate referrals to specialized hospitals. Therefore, this engineering project aims to study the pathology of mild traumatic brain injury from CT scans of the brain and investigate how to design an Al screening system for mild traumatic brain injury patients to be precise and effective. We acquired CT scan dataset from 8 normal and 3 abnormal cases and converted the CT images to grayscale using Hounsfield units. Image enhancement methods were applied prior to feature extraction which includes histogram analysis, grey level co-occurrence matrices (GLCM), grey level run-length matrices (GLRLM) and fractal dimension (FD). All generated features were filtered by using Maximum Relevance and Minimum Redundancy (mRMR) method to select the top-ten features. To obtain the optimal feature set, we investigated the two feature selection methods based on the Sequential Forward Selection (SFS) and Sequential Backward Elimination (SBE). The three classifiers: support vector machine (SVM), logistic regression (LR), and k-nearest neighbors (KNN) were employed to evaluate the performance of the binary outcome. The results showed that the processing workflow derived from mRMR, SBE, and KNN models produced the most effective Al system with the accuracy, precision, sensitivity, and specificity of 97.54%, 99.00%, 93.00%, and 99.60%, respectively.
URI: https://ir.swu.ac.th/jspui/handle/123456789/25013
Appears in Collections:BioEng-Senior Projects

Files in This Item:
File Description SizeFormat 
Eng_Thanyakarn_S.pdf
  Restricted Access
55.65 MBPDFView/Open Request a copy


Items in SWU repository are protected by copyright, with all rights reserved, unless otherwise indicated.