การแบ่งส่วนหลายโครงสร้างในภาพ MRI ของบริเวณอุ้งเชิงกรานที่มีเนื้องอกร่วมโดยสถาปัตยกรรม U-Net

Abstract

การแบ่งส่วนภาพทางการแพทย์มีบทบาทสำคัญในการช่วยแพทย์ระบุโครงสร้างทางกายวิภาคและบริเวณที่มีพยาธิสภาพจากภาพถ่ายทางการแพทย์ โดยเฉพาะในภาพถ่ายคลื่นแม่เหล็กไฟฟ้า (MRI) บริเวณอุ้งเชิงกราน ซึ่งการแบ่งส่วนโครงสร้างหลายชนิดร่วมกับบริเวณเนื้องอกมีความสำคัญต่อการวินิจฉัยและการวางแผนการรักษา อย่างไรก็ตาม การแบ่งส่วนแบบ manual ต้องใช้เวลาและอาศัยผู้เชี่ยวชาญเฉพาะทาง จึงมีการนำเทคนิค deep learning มาใช้เพื่อพัฒนาระบบแบ่งส่วนภาพแบบอัตโนมัติ งานวิจัยนี้นำเสนอวิธีการแบ่งส่วนหลายโครงสร้างในภาพ MRI ของบริเวณอุ้งเชิงกรานที่มีเนื้องอก โดยใช้สถาปัตยกรรม U Net ในการพัฒนาแบบจำลอง deep learning สำหรับจำแนกโครงสร้างทางกายวิภาคหลายชนิดร่วมกับบริเวณเนื้องอกจากข้อมูล MRI ของอุ้งเชิงกราน และทำการประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัดด้านการแบ่งส่วนภาพ เช่น Dice similarity coefficient และ Intersection over Union ผลการทดลองพบว่าแบบจำลองสามารถแบ่งส่วนบริเวณเนื้องอกได้อย่างมีประสิทธิภาพ โดยมีค่า Dice score เท่ากับ 0.9468 อย่างไรก็ตาม ประสิทธิภาพในการแบ่งส่วนของโครงสร้างที่มีขนาดเล็กยังคงต่ำกว่าเนื่องจากความไม่สมดุลของข้อมูลและข้อจำกัดของจำนวนข้อมูล ซึ่งชุดข้อมูลที่ใช้ในการศึกษานี้ประกอบด้วยผู้ป่วยประมาณ 15 ราย ในงานวิจัยต่อไปควรมีการเพิ่มจำนวนข้อมูลและปรับสมดุลของคลาสเพื่อปรับปรุงความสามารถในการ generalization ของแบบจำลองให้ดียิ่งขึ้น

Medical image segmentation plays an important role in assisting clinicians in identifying anatomical structures and pathological regions from medical images. In pelvic magnetic resonance imaging (MRI), accurate segmentation of multiple anatomical structures together with tumor regions is essential for diagnosis and treatment planning. However, manual segmentation is time consuming and requires expert knowledge. Therefore, automated segmentation using deep learning has become an important research area. This study proposes a deep learning based approach for multi structure segmentation of pelvic MRI images with tumor using the U Net architecture. The model was trained to segment multiple anatomical structures and tumor regions from pelvic MRI data. The performance of the model was evaluated using common segmentation metrics including Dice similarity coefficient and Intersection over Union. Experimental results show that the proposed model achieved strong performance for tumor segmentation with a Dice score of 0.9468. However, the performance of smaller structures was relatively lower due to class imbalance and the limited dataset size. The dataset used in this study consists of approximately 15 patients. Future work will focus on expanding the dataset and improving class balance to further enhance the generalization ability of the model.