Publication: การจำแนกภาพเอกซเรย์ในช่องปากเพื่อแยกโรคอะมีโลบลาสโตมา โรคโอดอนโตเจนิก เคอราโตซีสต์และโพรงปากที่ไม่มีรอยโรคด้วยวิธีการเรียนรู้ของเครื่อง
2
2
Issued Date
2023
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
80
Access Rights
restricted access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
บุษรา เจริญพิทักษ์วงศ์, พณสวัสดิ์ ศรีสวัสดิ์ (2023). การจำแนกภาพเอกซเรย์ในช่องปากเพื่อแยกโรคอะมีโลบลาสโตมา โรคโอดอนโตเจนิก เคอราโตซีสต์และโพรงปากที่ไม่มีรอยโรคด้วยวิธีการเรียนรู้ของเครื่อง. สืบค้นจาก: https://hdl.handle.net/20.500.14740/55606
Alternative Title(s)
MACHINE LEARNING-BASED CLASSIFICATION OF AMELOBLASTOMA, ODONTOGENIC KERATOCYST AND NORMAL DENTAL IN PANORAMIC X-RAY IMAGES
Author(s)
Advisor(s)
Abstract
Ameloblastoma (AME) and Odontogenic keratocyst (OKC) are common jaw lesions
in oral surgery, often presenting similar features in panoramic X-ray images. However, their
treatment strategies differ significantly, so emphasizing the critical importance of accurate
diagnosis. This research developed machine learning models for the classification of these
lesions utilizing panoramic x-ray images, comprising 100 normal and 124 diseased cases,
categorized into AME (73) and OKC (51). Initially, a model was trained to classified Normal
dental and diseased cases, followed by a model to distinguish between AME and OKC. In
the preprocessing phase, images augmentation techniques and feature extraction
methods were used, aimed at enhancing model performance. Moreover, various model
architectures were explored to identify the optimal configuration. The achieved accuracy
for classifying AME and OKC images demonstrated an overall accuracy of 74.1% and a
weighted F1 score of 0.75. The highest performing model indicated that focusing on the
lesion area, in feature extraction, markedly improved accuracy compared to others.
Moreover, the model's performance rivaled or surpassed manual classification by dentist
in distinguishing between AME and OKC.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2566