Publication: กระบวนการแยกส่วนประกอบของปอดจากภาพ Chest CT โดยอัตโนมัติ ด้วยวิธีการเรียนรู้เชิงลึก
3
2
Issued Date
2023
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
77
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-อนุญาตแบบเดียวกัน 4.0 (CC BY-SA 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
ศุภกร ธีรมาศมงคล, พิชญาภา ขันสร้อย (2023). กระบวนการแยกส่วนประกอบของปอดจากภาพ Chest CT โดยอัตโนมัติ ด้วยวิธีการเรียนรู้เชิงลึก. สืบค้นจาก: https://hdl.handle.net/20.500.14740/55618
Alternative Title(s)
Automatic Lung Segregation of Transverse CT Images Using Deep Learning
Author(s)
Advisor(s)
Abstract
Lung cancer, characterized by uncontrollable cell division, stands as the leading cause of cancer-related deaths globally. The primary treatment approach typically focuses on radiation therapy. However, accessing this therapy requires radiation treatment planning, wherein radiation oncologists manually delineate tumor and Organ at Risk (OAR) components, notably the lungs, leading to time-intensive processes for each patient. This research aims to reduce time in treatment planning process by applying artificial intelligence technology to segment lung components alongside existing neural network architectures, including FCN, U-Net, and DeepLabV3+. The study utilizes image data from the Lung CT Segmentation Challenge 2017 (LCTSC) dataset, comprising Horizontal CT images from 60 patients, totaling 5,458 images. The workflow consists of three stages: data preparation, model training across all three
mentioned model architectures, and model testing and performance evaluation based
on Dice similarity coefficient (DSC) measurements. The results show that U-Net achieved the highest average DSC of 87.90%, ranging from 71.40% to 93.45% across different lung regions. This advancement promises to significantly expedite treatment planning processes, potentially enhancing patient care and outcomes.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2566