การศึกษาวิธีจำแนกภาพ PET เพื่อการวินิจฉัยโรคอัลไซเมอร์เบื้องต้น
Article Sidebar
Main Article Content
บทคัดย่อ
ประเทศไทยกำลังอยู่ในช่วงการเปลี่ยนผ่านเข้าสู่สังคมผู้สูงอายุโดยสมบูรณ์ เริ่มเห็นเด่นชัดขึ้นในช่วงที่ผ่านมาเมื่ออัตราส่วนระหว่างประชากรเด็กต่อประชากรผู้ใหญ่ลดลง นอกจากแผนนโยบายของรัฐบาลที่จะต้องดำเนินการแล้ว การบริการด้านสุขภาพสำหรับผู้สูงอายุก็เป็นสิ่งจำเป็นที่จะต้องจัดเตรียมให้พร้อม โรคที่มักจะพบบ่อยในผู้สูงอายุ เช่น โรคความดันสูง โรคไขมันในเส้นเลือดสูง และโรคสมองเสื่อม เป็นต้น ภาวะสมองเสื่อมสัมพันธ์กับอายุที่เพิ่มขึ้น โรคอัลไซเมอร์ก็เป็นสภาวะทางสมองเสื่อมชนิดหนึ่งที่มักเกิดขึ้นในผู้สูงอายุ ผลกระทบที่เกิดขึ้นไม่ได้เกิดกับผู้ป่วยเพียงคนเดียวแต่ยังส่งผลต่อคนรอบข้างด้วย ดังนั้นการตรวจพบโรคตั้งแต่ระยะแรกจะช่วยให้สามารถหาวิธีรักษาเพื่อชะลอความรุนแรงของโรคได้ การวินิจฉัยโรคอัลไซเมอร์สามารถทำได้หลายวิธี เช่น การทำแบบสำรวจทางการแพทย์ การวิเคราะห์จากภาพถ่ายทางการแพทย์ เป็นต้น งานวิจัยฉบับนี้จึงนำเสนอวิธีการจำแนกผู้ป่วยโรคอัลไซเมอร์จากภาพ PET โดยใช้กลุ่มตัวอย่างของคนไทย ขั้นตอนประกอบด้วย การแบ่งภาพสมองออกจากพื้นหลังโดยใช้ K-means การหาคุณลักษณะเด่นของภาพโดยใช้การ์บอร์เวฟเล็ต หลังจากนั้นหาค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานเพื่อลดขนาดของข้อมูลลง ขั้นตอนสุดท้ายคือจำแนกประเภทโดยการเรียนรู้ของเครื่อง ทดสอบการจำแนก 4 วิธีคือ ไอเกนเฟส ซัพพอร์ตเวกเตอร์แมชชีน โครงข่ายประสาทเทียมแบบสังวัฒนาการ และวิธีที่นำเสนอ ผลลัพธ์ที่ได้จากการทดสอบเห็นว่าวิธีที่นำเสนอให้ค่าความถูกต้องมากถึงร้อยละ 87 ซึ่งเหมาะสมสำหรับจำแนกผู้ป่วยโรคอัลไซเมอร์จากกลุ่มคนปกติ
Article Details
เอกสารอ้างอิง
[2] ภาวะสมองเสื่อมพบในผู้สูงอายุมากสุด. สำนักงานกองทุนสนับสนุนการสร้างเสริมสุขภาพ. 3 เมษายน 2558.
[3] Mahmood R, Ghimire B. 2013. Automatic detection and classification of Alzheimer' s Disease from MRI scans using principal component analysis and artificial neural networks. Proceedings of the 20th International Conference on Systems Signals and Image Processing, July 7-9 2013: 133-137.
[4] Dolph, C. V. and et al. 2017. Deep learning of texture and structural features for multiclass Alzheimer's disease classification. Proceedings of International Joint Conference on Neural Networks, May 14-19 2017: 2259 – 2266.
[5] Sarraf, S. and Tofighi, G. Deep learning-based pipeline to recognize Alzheimer's disease using fMRI data, Proceedings of Future Technologies Conference, San Francisco, CA, USA, Dec. 6-7, 2016: 816-820.
[6] Billones, C.D. and et al. 2016. DemNet: A Convolutional Neural Network for the detection of Alzheimer's Disease and Mild Cognitive Impairment. Proceedings of IEEE Region 10 Conference, Nov 22-25, 2016: 3724-3727.
[7] Han, Y. and Zhao, X.M. 2016. A hybrid sequential feature selection approach for the diagnosis of Alzheimer's Disease, Proceedings of International Joint Conference on Neural Networks. July 24-29 2016: 1216-1220.
[8] โยธิน ชินวลัญช์. บทความคลีนิคความจำ. โรงพยาบาลกรุงเทพ.
[9] Tepmongkol, S. 2013. PET Imaging in Alzheimer’s Disease. The Bangkok Medical Journal, 5: 76-79.
[10] Garali I, Adel M, Bourennane S. Guedj E. Region-based brain selection and classification on PET images for Alzheimer's disease computer aided diagnosis. In: Proceedings of IEEE International Conference on Image Processing (ICIP). 2015. p. 1473–1477.
[11] Jiang J, Shu X, Liu X, Huang Z. A Computed Aided Diagnosis tool for Alzheimer's disease based on 11C-PiB PET imaging technique. In: Proceedings of the IEEE International Conference on Information and Automation. 2015. p. 1963–1968.
[12] Wu W, Venugopalan J, Wang M. 11C-PIB PET Image Analysis for Alzheimer’s Diagnosis Using Weighted Voting Ensembles. Proceedings of the IEEE Engineering in Medicine and Biology Society (EMBC). 2017: 3914–3917.
[13] Krashenyi I, Popov A, Ramirez J, Gorriz JM. Fuzzy Computer-aided Diagnosis of Alzheimer’s Disease using MRI and PET Statistical Features. In: Proceedings of the IEEE International Conference on Electronics and Nanotechnology. 2016. p. 187–191.
[14] Das A, Bhattacharya M. Effective Image Fusion Method to Study Alzheimer's Disease using MR, PET Images. 2015. In: Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine. 2015. p. 1603–1607.
[15] Lu Y, et al. Identification of rice diseases using deep convolutional neural networks. Neurocomputing. 2017; 267: 378–384.
[16] Sladojevic S, at al. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience. 2016.
[17] Chen J, et al. Thorax disease diagnosis using deep convolutional neural network. In: Proceedings of the IEEE 38th Annual International Conference of the Engineering in Medicine and Biology Society. 2016. p. 2287–2290.
[18] Yao C, et al. A Convolutional Neural Network Model for Online Medical Guidance. IEEE Access. 2016; 4: 4094–4103.
[19] ชูชาติ ปิณฑวิรุจน์. การประมวลผลภาพดิจิตอลขั้นสูงด้วย MATLAB. กรุงเทพฯ: สำนักพิมพ์ มีน เซอร์วิส ซัพพลาย; 2556. หน้า 33.
[20] Gunn SR. Support Vector Machines for Classification and Regression. University of Southampton. 1998.
[21] Wasserman WW, Fickett JW. Identification of Regulatory Regions which Confer Muscle-Specific Gene Expression. J. Mol. Biol. 1998; 278: 167–181.
[22] Anderson D, McNeil G. Artificial Neural Networks Technology. A DACS State-of-the-Art Report. 1992.
[23] Deng L, Yu D. Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing. 2014; 7 (3–4): 1–199.
