การปรับปรุงวิธีการตรวจรู้มะเร็งผิวหนังโดยวิธีการเรียนรู้ของเครื่อง
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอวิธีการปรับปรุงการตรวจรู้มะเร็งผิวหนังโดยการหาขอบของบริเวณผิวหนังด้วยอัลกอริทึมแบบงูร่วมกับวิธีการเรียนรู้ของเครื่องหลายแบบวิธีเพื่อการวิเคราะห์โรคมะเร็งผิวหนัง โดยทำการออกแบบกลุ่มข้อมูลและใช้โมเดลของการเรียนรู้ของเครื่องด้วยวิธีการเพื่อนบ้านใกล้ที่สุด (KNN) โครงข่ายประสาทเทียม (ANN) Adaptive Boosting (AdaBoost) Stochastic Gradient Descent (SGD) และการถด ถอยโลจิสติกส์ โดยวิธีการดังกล่าวนี้ได้นำเทคนิคการผูกมวลน้ำหนักมาใช้จากค่าของน้ำหนักที่มอบหมายจากข้อมูลการเรียนรู้และได้ค่าคะแนน แนวทางการประเมินแบบเมทริกซ์ วิธีการของอัลกอริทึมแบบงูและค่าพารามิเตอร์เซตเพื่อหาขอบภาพมะเร็งผิวหนัง โดยกำหนดรูปทรงพื้นฐานทางเรขาคณิตมาช่วยแก้ปัญหา พบว่ามาตรฐานความแม่นยำ การเรียกคืน คะแนน F1 และพื้นที่ใต้เส้นโค้งเพื่อนำมาสร้างเป็นเวกเตอร์น้ำหนักเพื่อหาแนวทางในการเรียนรู้ กลุ่มการเรียนรู้และผลการทดสอบโดยอาศัยชุดของข้อมูลภาพถ่ายผิวหนังมาใช้ในการทดสอบ โดยแบ่งภาพของผิวหนังปกติจำนวน 1,372 ภาพ ภาพมะเร็งผิวหนังจำนวน 1,432 ภาพ ภาพผิวหนังอักเสบจำนวน 254ภาพ ใช้เป็นชุดข้อมูลสำหรับการเรียนรู้ และภาพที่ใช้ในการทดสอบอีกกลุ่มหนึ่งใช้เป็นชุดข้อมูลทดสอบจำนวน 600 ภาพเพื่อใช้สำหรับเพิ่มประสิทธิภาพการตรวจรู้ จากผลการวิจัย โปรแกรมที่พัฒนาสามารถวิเคราะห์ภาพทดสอบด้วยความรวดเร็วและให้ผลการแยกแยะความถูกต้องของข้อมูลที่อยู่ในฐานการเรียนรู้และนอกฐานการเรียนรู้ที่ 99.74 % และ 83.3 % ตามลำดับ
Article Details

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
References
P. Kraipiboon, “มะเร็งผิวหนัง (Skin Cancer),” Haamor.com, Oct. 09, 2018. https://haamor.com/มะเร็งผิวหนัง (Accessed Dec. 06, 2022). http://www.who.int/.
National Cancer Institute, Databased of Cancer Patient Unit 2022, Thailand, 2022.
G. A. Holmes, J. M. Vassantachart, B. A. Limone, M. Zumwalt, J. Hirokane, S.E. Jacob. “Using Dermoscopy to Identify Melanoma and Improve Diagnostic Discrimination,” Fed Pract, vol. 35, pp. S39-S45. 2018.
P. Bumrungkun, K. Chamnongthai and W. Patchoo, “Initial Geometrical Templates with Parameter Sets for Active Contour on Skin Cancer Boundary Segmentation,” Journal of Healthcare Engineering, vol. 2021, no. 9528460, pp. 1-30, 2021.
K. Chinnapong, “ABCD Feature Extraction for Melanoma Screening Using Image Processing: A review,” The Journal of Chulabhorn Royal Academy, vol. 3, no. 4, pp. 230-245, 2021.
P. Bumrungkun, W. Patchoo, and K. Chamnongthai, “Detection skin cancer using SVM and snake model,” in 2018 International Workshop on Advanced Image Technology (IWAIT), Chiang Mai, Thailand, pp. 1-4, 2018.
K. Dittakan, P. Nulek and K. Prutsachainimmit, “Skin Cancer Detection from Smartphone Imagery using Convolutional Neural Network,” Journal of Information Science and Technology, vol. 12, no. 2, pp. 73–86, 2022.