| ชื่อบทความ |
การเปรียบเทียบประสิทธิภาพของอัลกอริทึมจำแนกภาพสำหรับโรคตาในมนุษย์
|
|
|
|
| ชื่อผู้แต่ง |
ภานุวัฒน์ เมฆะ(1*) และ ณัฐณิชา ตียะสุขเศรษฐ์(2) (Panuwat Mekha(1) and Nutnicha Teeyasuksaet(2))
|
| หน่วยงาน |
สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์มหาวิทยาลัยแม่โจ้(1), สำนักงานปศุสัตว์ เขต5 กรมปศุสัตว์ เชียงใหม่(2) (Department of Computer Science, Faculty of Science, Maejo University(1), The Fifth Regional Livestock Office, Chiang Mai(2)) * ผู้นิพนธ์ประสานงาน: ภานุวัฒน์ เมฆะ อีเมล : panutwat_m@mju.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 10 ฉบับที่ 3 กันยายน – ธันวาคม 2567
|
| บทคัดย่อ |
งานวิจัยนี้ได้ดำเนินการเปรียบเทียบประสิทธิภาพของอัลกอริทึมจำแนกภาพสำหรับโรคตาในมนุษย์ ผ่านโปรแกรมออเรจน์ดาต้าไมนิ่ง ที่ใช้เป็นเครื่องมือสำหรับการเรียนรู้ด้วยเครื่องจักรเพื่อช่วยในการจำแนกภาพของโรคตาแต่ละประเภท ได้แก่โรคต้อกระจก โรคเบาหวานขึ้นจอประสาทตา โรคต้อหิน และตาปกติ จำนวนทั้งหมด 4,217 ภาพ สำหรับใช้เป็นข้อมูลชุดเรียนรู้และข้อมูลชุดทดสอบ โดยมีวัตถุประสงค์ในการเปรียบเทียบประสิทธิภาพความความถูกต้องของอัลกอริทึมสำหรับการจำแนกภาพโรคตาด้วยวิธีการเรียนรู้ด้วยเครื่องจักรแบบมีผู้สอนสำหรับจำแนกข้อมูลแต่ละประเภทได้แก่ Neural Network, Logistic Regression, Gradient Boosting, Support Vector Machine, k-Nearest Neighbor, Random Forest, AdaBoost, Naive Bayes และ Decision Tree ซึ่งจากผลการทดลองพบว่าอัลกอริทึมที่มีประสิทธิภาพในการจำแนกภาพโรคตาได้ดีที่สุด คือ Neural Network ที่ใช้ Activation Function แบบ ReLu ด้วยค่าความถูกต้องของอัลกอริทึม เท่ากับร้อยละ 97.87
|
| คำสำคัญ |
โรคตา ; อัลกอริทึมจำแนกภาพ ; การเรียนรู้ด้วยเครื่องจักร ; การเรียนรู้แบบมีผู้สอน ; การเปรียบเทียบประสิทธิภาพ
|
| ปี พ.ศ. |
2567
|
| ปีที่ (Vol.) |
10
|
| ฉบับที่ (No.) |
3
|
| เดือนที่พิมพ์ |
กันยายน - ธันวาคม
|
| เลขที่หน้า (Page) |
50-65
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0003-0971-3090
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R67034.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
Aamir, M., Irfan, M., Ali, T., Ali, G., Shaf, A., Al-Beshri, A., ... & Mahnashi, M. H. (2020). An adoptive threshold-based multi-level deep convolutional neural network for glaucoma eye disease detection and classification. Diagnostics, 10(8), 602.
|
| |
Acharya, U. R., Kannathal, N., Ng, E. Y. K., Min, L. C., & Suri, J. S. (2006, August). Computer-based classification of eye diseases. In 2006 International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 6121-6124). IEEE.
|
| |
Aggarwal, C. C. (2018). Neural networks and deep learning. Springer, 10(978), 3.
|
| |
Dem?arJanez; CurkToma?; ErjavecAle?; Gorup?rt; Ho?evarToma?; Milutinovi?Mitar; Mo?inaMartin; PolajnarMatija; ToplakMarko; Stari?An?e; ?tajdoharMiha (2013-01-01). "Orange". The Journal of Machine Learning Research.
|
| |
Garc?a-Floriano, A., Ferreira-Santiago, ?., Camacho-Nieto, O., & Y??ez-M?rquez, C. (2019). A machine learning approach to medical image classification: Detecting age-related macular degeneration in fundus images. Computers & Electrical Engineering, 75, 218-229.
|
| |
Johnson, G. J., Minassian, D. C., Weale, R. A., & West, S. K. (Eds.). (2012). Epidemiology Of Eye Disease, The. World Scientific.
|
| |
Kumar, S. M., & Gunasundari, R. (2023). Computational intelligence in eye disease diagnosis: a comparative study. Medical & Biological Engineering & Computing, 61(3), 593-615.
|
| |
Meidelfi, D., Sukma, F., & Kharisma, S. Y. (2023). Analysis of Eye Disease Classification by Comparison of the Random Forest Method and K-Nearest Neighbor Method. International Journal of Advanced Science Computing and Engineering, 5(2), 136-145.
|
| |
Mekha, P., & Teeyasuksaet, N. (2019, January). Deep learning algorithms for predicting breast cancer based on tumor cells. In 2019 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTI DAMT-NCON) (pp. 343-346). IEEE.
|
| |
Mekha, P., & Teeyasuksaet, N. (2021, March). Image classification of rice leaf diseases using random forest algorithm. In 2021 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunication Engineering (pp. 165-169). IEEE.
|
| |
Ravudu, M., Jain, V., & Kunda, M. M. R. (2012, December). Review of image processing techniques for automatic detection of eye diseases. In 2012 Sixth International Conference on Sensing Technology (ICST) (pp. 320-325). IEEE.
|
| |
Saba, T., Bokhari, S. T. F., Sharif, M., Yasmin, M., & Raza, M. (2018). Fundus image classification methods for the detection of glaucoma: A review. Microscopy research and technique, 81(10), 1105-1121.
|
| |
Siddique, M. A. A., Ferdouse, J., Habib, M. T., Mia, M. J., & Uddin, M. S. (2022). Convolutional Neural Network Modeling for Eye Disease Recognition. International Journal of Online & Biomedical Engineering, 18(9).
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|