Publication: การศึกษาอิทธิพลของลักษณะชุดข้อมูลที่ใช้ในการฝึกสอนและติดฉลากโมเดลการเรียนรู้ของเครื่องในการประมาณกราฟแสดงปริมาณรังสีต่อปริมาตร จากการรักษาด้วยรังสีของโรคเนื้องอกเส้นประสาทหู
8
1
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
109
Access Rights
restricted access
Rights
ผลงานนี้สงวนสิทธิ์โดยมหาวิทยาลัยศรีนครินทรวิโรฒ ห้ามทำซ้ำ คัดลอก หรือนำไปเผยแพร่ตัดต่อโดยมิได้รับอนุญาตเป็นลายลักษณ์อักษร
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
พรปวีณ์ จันทร์สุวรรณ, รมย์ชลี บุญมี การศึกษาอิทธิพลของลักษณะชุดข้อมูลที่ใช้ในการฝึกสอนและติดฉลากโมเดลการเรียนรู้ของเครื่องในการประมาณกราฟแสดงปริมาณรังสีต่อปริมาตร จากการรักษาด้วยรังสีของโรคเนื้องอกเส้นประสาทหู. สืบค้นจาก: https://hdl.handle.net/20.500.14740/21261
Alternative Title(s)
Study on effect of input and label structure used in DVH estimation machine learning model training in Vestibular Schwannoma radiation therapy
Author(s)
Advisor(s)
Abstract
เนื้องอกเส้นประสาทหู (Vestibular Schwannoma) เป็นโรคที่สามารถรักษาด้วยรังสีรักษา ซึ่งต้องมีการวิเคราะห์ Dose Volume Histogram (DVH) เพื่อควบคุมปริมาณรังสีที่เนื้องอกได้รับและลดผลกระทบต่ออวัยวะข้างเคียง งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาผลของลักษณะชุดข้อมูลนำเข้าและฉลากที่ใช้ในการฝึกสอนโมเดลการเรียนรู้ของเครื่อง พร้อมทั้งวิธีการจัดการข้อมูลต่อประสิทธิภาพของโมเดล Convolutional Neural Network (CNN) ในการทำนาย DVHs ของเนื้องอก (TV), คอเคลีย (Cochlea) และกะโหลกศีรษะ (Skull) โดยใช้ข้อมูลผู้ป่วย 103 ราย จากฐานข้อมูล The Cancer Imaging Archive (TCIA) โมเดลถูกฝึกโดยใช้ชุดข้อมูล 6 รูปแบบ รวม 12 กรณีศึกษา และเปรียบเทียบวิธีการจัดการพิกัดของภาพ Segmentation ระหว่างเทคนิค Zero Padding และ Linear Interpolation ผลการศึกษาพบว่า การฝึกแยกอวัยวะช่วยเพิ่มความแม่นยำของโมเดลในการทำนาย DVH โดยสำหรับ เนื้องอก (TV) มีค่า Mean Absolute Error (MAE) ของ D95 เท่ากับ 49.53 cGy (Mean Relative Error: 4.02%) และ Dmean เท่ากับ 67.30 cGy (3.90%) ขณะที่การนำเข้าข้อมูลคอเคลียร่วมกับเนื้องอกช่วยให้การทำนาย DVH ของคอเคลียแม่นยำขึ้น (MAE: 58.95 cGy, MRE: 19.65%) และสำหรับค่า Dmax การใช้อินพุตจากทุกอวัยวะรวมกันให้ผลลัพธ์ที่ดีที่สุด ส่วนกะโหลกศีรษะมีค่าความคลาดเคลื่อนสูง เนื่องจากเป็นอวัยวะที่ได้รับรังสีต่ำบนปริมาตรขนาดใหญ่ ผลการศึกษานี้แสดงให้เห็นว่า โครงสร้างข้อมูลอินพุตและวิธีการจัดการขนาดของข้อมูลมีผลโดยตรงต่อความแม่นยำของโมเดล โดยเฉพาะการใช้ Linear Interpolation ซึ่งช่วยรักษาความสัมพันธ์เชิงโครงสร้างของข้อมูลได้ดีกว่า
Vestibular Schwannoma is a condition treatable with radiation therapy, which requires Dose Volume Histogram (DVH) analysis to control radiation doses to the tumor while minimizing effects on surrounding organs. This research aims to study the impact of input dataset characteristics and labels used in machine learning model training, along with data management methods on the performance of Convolutional Neural Networks (CNN) in predicting DVHs for tumors, cochlea, and skull. The study utilized data from 103 patients from The Cancer Imaging Archive (TCIA). Models were trained using 6 data formats, comprising 12 case studies, and compared coordinate management methods of segmentation images between Zero Padding and Linear Interpolation techniques. Results showed that organ-specific training improved model accuracy in DVH prediction. For tumor volume (TV), the Mean Absolute Error (MAE) of D95 was 49.53 cGy (Mean Relative Error: 4.02%) and Dmean was 67.30 cGy (3.90%). Incorporating cochlea data with tumor data improved cochlea DVH prediction accuracy (MAE: 58.95 cGy, MRE: 19.65%). For Dmax, using combined inputs from all organs yielded the best results. The skull demonstrated higher error rates due to being a large-volume organ receiving low radiation doses. This study demonstrates that input data structure and data size management methods directly affect model accuracy, particularly Linear Interpolation, which better preserves the structural relationships within the data.
Vestibular Schwannoma is a condition treatable with radiation therapy, which requires Dose Volume Histogram (DVH) analysis to control radiation doses to the tumor while minimizing effects on surrounding organs. This research aims to study the impact of input dataset characteristics and labels used in machine learning model training, along with data management methods on the performance of Convolutional Neural Networks (CNN) in predicting DVHs for tumors, cochlea, and skull. The study utilized data from 103 patients from The Cancer Imaging Archive (TCIA). Models were trained using 6 data formats, comprising 12 case studies, and compared coordinate management methods of segmentation images between Zero Padding and Linear Interpolation techniques. Results showed that organ-specific training improved model accuracy in DVH prediction. For tumor volume (TV), the Mean Absolute Error (MAE) of D95 was 49.53 cGy (Mean Relative Error: 4.02%) and Dmean was 67.30 cGy (3.90%). Incorporating cochlea data with tumor data improved cochlea DVH prediction accuracy (MAE: 58.95 cGy, MRE: 19.65%). For Dmax, using combined inputs from all organs yielded the best results. The skull demonstrated higher error rates due to being a large-volume organ receiving low radiation doses. This study demonstrates that input data structure and data size management methods directly affect model accuracy, particularly Linear Interpolation, which better preserves the structural relationships within the data.