การแยกโรคเชื้อราที่เล็บ และภาวะเล็บผิดรูปจากภยันตรายภายนอก ด้วยการประมวลผลภาพถ่ายโดยใช้แบบจำลองโครงข่ายประสาทเทียมสังวัตนาการ

Detecting onychomycosis and traumatic onychodystrophy in nail images with convolutional neural networks

Name: วรนิษฐา กรัณยเดช

ThaSH: มหาวิทยาลัยเกษตรศาสตร์ -- วิทยานิพนธ์. วศ.ม. (วิศวกรรมอุตสาหการ) 2566

Classification :.LCCS: TA1637

ThaSH: มหาวิทยาลัยเกษตรศาสตร์. สาขาวิศวกรรมอุตสาหการ -- วิทยานิพนธ์

ThaSH: การประมวลผลภาพ

ThaSH: เล็บ -- โรค

ThaSH: โรคเชื้อราที่เล็บ

Abstract: งานวิจัยมีวัตถุประสงค์ดังนี้ (1) เพื่อพัฒนาแบบจำลองที่สามารถแยกโรคเชื้อราที่เล็บ และภาวะเล็บผิดรูปจากภยันตรายภายนอกออกจากกันด้วยการใช้ภาพถ่ายได้ และ (2) เพื่อพัฒนาแบบจำลองที่สามารถแยกโรคเชื้อราที่เล็บชนิดเชื้อกลากแท้ และเชื้อกลากเทียมออกจากกันด้วยการใช้ภาพถ่ายได้ โดยดำเนินการวิจัยด้วยข้อมูลจากคลินิกเชื้อราที่เล็บ โรงพยาบาลศิริราช งานวิจัยครั้งนี้ได้พัฒนาแบบจำลองโครงข่ายประสาทเทียมสังวัตนาการ ด้วยแบบจำลองที่ผ่านการฝึกฝนมาแล้วอย่าง Xception InceptionV3 VGG19 และ ResNet152 มาเป็นส่วนหนึ่งของแบบจำลองที่สร้างขึ้น แล้วนำแบบจำลองทั้งหมดมาวางซ้อนทับกันด้วยการ Ensemble Stacking และประเมินผลแบบจำลองด้วย Confusion Matrix ที่พิจารณาค่า Overall Accuracy Precision Recall Specificity F1-score และพื้นที่ใต้เส้นโค้ง ROC ผลการวิจัยพบว่าแบบจำลองสามารถวินิจฉัยแยกโรคเชื้อราที่เล็บกับภาวะเล็บผิดรูปจากภยันตรายภายนอกออกจากกันด้วยการใช้ภาพถ่ายได้ โดยมีค่า Overall Accuracy อยู่ที่ 0.8178 และสามารถวินิจฉัยแยกโรคเชื้อราที่เล็บชนิดเชื้อกลากแท้กับเชื้อกลากเทียมออกจากกันด้วยการใช้ภาพถ่ายได้ โดยมี Overall Accuracy อยู่ที่ 0.7987 The objectives of this study were two-fold: (1) to develop models for diagnosing onychomycosis in conjunction with traumatic onychodystrophy using image data, and (2) to create a model capable of distinguishing between dermatophyte and non-dermatophyte onychomycosis. Patient data were collected from individuals visiting Siriraj Hospital, Thailand. Convolutional neural network models were constructed utilizing pre-trained weights from architectures such as Xception, InceptionV3, VGG19, and ResNet152. These models were then merged using Ensemble Stacking and assessed using various performance metrics, including the Confusion Matrix, overall accuracy, precision, recall, specificity, F1-score, and area under the ROC curve. Results demonstrated an accuracy of 0.8178 in classifying onychomycosis in the presence of traumatic onychodystrophy and 0.7987 in distinguishing between dermatophyte and non-dermatophyte onychomycosis through image analysis.

มหาวิทยาลัยเกษตรศาสตร์. สำนักหอสมุด

Address: กรุงเทพมหานคร

Email: tdckulib@ku.ac.th

Name: พาพิศ วงศ์ชัยสุวัฒน์

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์หลัก

Created: 2566

Modified: 2569-06-27

Issued: 2569-06-27

วิทยานิพนธ์/Thesis

application/pdf

URL: https://www.lib.ku.ac.th/KUthesis/2566/woranitha-kara-all.pdf

CallNumber: TA1637.ว171

tha

DegreeName: วิศวกรรมศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมอุตสาหการ

Grantor: มหาวิทยาลัยเกษตรศาสตร์

©copyrights มหาวิทยาลัยเกษตรศาสตร์

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	woranitha-kara-all.pdf	3.11 MB

ใช้เวลา

0.069699 วินาที