|
|
|
| ชื่อบทความ |
การเปรียบเทียบประสิทธิภาพด้วยเครือข่ายประสาทเทียมจากการกำหนดค่าการเรียนรู้แบบต่าง ๆ สำหรับจำแนกภาพประเภทโรคอัลไซเมอร์ในมนุษย์
|
| ชื่อบทความ(English) |
Comparison of Performance Using Neural Networks with Various Learning Configurations for Image Classification of Alzheimer’s Disease in Humans
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
ภานุวัฒน์ เมฆะ(1*) , ณัฐณิชา ตียะสุขเศรษฐ์(2) และ คึกฤทธิ์ โอสถานนต์กุล(3) (Panuwat Mekha(1*), Nutnicha Teeyasuksaet(2) and Khukrit Osathanunkul(3))
|
| หน่วยงาน |
สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้ เชียงใหม่(1), สำนักงานปศุสัตว์ เขต5 กรมปศุสัตว์ เชียงใหม่(2), สาขาวิชาเทคโนโลยีสารสนเทศ วิทยาลัยนานาชาติ มหาวิทยาลัยพายัพ เชียงใหม่(3) (Department of Computer Science, Faculty of Science, Maejo University, ChiangMai(1), The Fifth Regional Livestock Office, Department of Livestock Development, ChiangMai(2), Program of Information Technology, The International College, Payap University, ChiangMai(3)) * ผู้นิพนธ์ประสานงาน: ภานุวัฒน์ เมฆะ อีเมล: panutwat_m@mju.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 10 ฉบับที่ 4 (2567) : วารสารฉบับพิเศษ เนื่องจากในโอกาสครบรอบ 90 ปี การก่อตั้งมหาวิทยาลัยแม่โจ้
|
| บทคัดย่อ |
งานวิจัยนี้มีวัตถุประสงค์ในการจำแนกภาพโรคอัลไซเมอร์ในมนุษย์ ผ่านโปรแกรมทีชเอเบิลแมชชีนที่ใช้เป็นเครื่องมือสำหรับการเรียนรู้ด้วยเครื่องจักรเพื่อดำเนินการจำแนกภาพของโรคอัลไซเมอร์แต่ละระดับ ได้แก่ สมองไม่เสื่อม, สมองเสื่อมเล็กน้อยมาก, สมองเสื่อมเล็กน้อย และสมองเสื่อมปานกลาง จำนวนทั้งหมด 33,984 ภาพ สำหรับใช้เป็นข้อมูลชุดเรียนรู้ ร้อยละ 85 และข้อมูลชุดทดสอบร้อยละ 15 โดยใช้กระบวนการเรียนรู้ด้วยเครื่องจักรแบบมีผู้สอนด้วยวิธีเครือข่ายประสาทเทียม เพื่อสร้างแบบจำลองที่สามารถแยกแยะความแตกต่างระหว่างภาพที่มีลักษณะแตกต่างกัน ซึ่งจากผลการวิจัย พบว่าโปรแกรมทีชเอเบิลแมชชีนมีอัลกอริทึมที่มีประสิทธิภาพในการจำแนกภาพโรคอัลไซเมอร์ในมนุษย์ด้วยค่าความถูกต้องที่ดีที่สุดเท่ากับร้อยละ 89.75 ด้วยการกำหนดค่า Batch Size เท่ากับ 16, Epochs เท่ากับ 150 และ Learning rate เท่ากับ 0.001
|
| คำสำคัญ |
โรคอัลไซเมอร์; การจำแนกภาพ; การเรียนรู้ด้วยเครื่องจักร; การเรียนรู้แบบมีผู้สอน; เครือข่ายประสาทเทียม
|
| ปี พ.ศ. |
2567
|
| ปีที่ (Vol.) |
10
|
| ฉบับที่ (No.) |
4
|
| เดือนที่พิมพ์ |
กันยายน - ธันวาคม
|
| เลขที่หน้า (Page) |
163-180
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0003-0971-3090
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R67049.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
ภานุวัฒน์ เมฆะ, พฤติพงศ์ มุสิกอง, ณัฐภาส ผลากอง, พาสน์ ปราโมกข์ชน และ พยุงศักดิ์ เกษมสำราญ. (2566). การเปรียบเทียบประสิทธิภาพของโมเดลจำแนกภาพสำหรับโรคใบข้าวโพด. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 9(2), 1-16.
|
| |
Ahmed, Ayoub., Achraf, Benba., Jilbab, Abdelilah. (2024). Comparative Classification of Alzheimer’s Disease. doi: 10.1109/isivc61350.2024.10577901
|
| |
Alzheimer's Association. (2010). Alzheimer's disease facts and figures. Alzheimer's & dementia, 6(2), 158-194.
|
| |
Bernick, C. (2022). Alzheimer’s Disease Neuroimaging Initiative. Alzheimer's Disease Drug Development: Research and Development Ecosystem, 455.
|
| |
Cummings, J., Lee, G., Ritter, A., Sabbagh, M., & Zhong, K. (2019). Alzheimer's disease drug development pipeline. Alzheimer's & Dementia: Translational Research & Clinical Interventions, 5, 272-293.
|
| |
Dawood, A. S. A Comparative Study Using Deep Learning Models And Transfer Learning for Detection And Classification of Alzheimer’s Disease.
|
| |
G?ron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media.
|
| |
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
|
| |
Google. (n.d.). Teachable Machine. Retrieved from
https://teachablemachine.withgoogle.com
|
| |
Hogan, D. B., Bailey, P., Carswell, A., Clarke, B., Cohen, C., Forbes, D., ... & Thorpe, L. (2007). Management of mild to moderate Alzheimer’s disease and dementia. Alzheimer's & Dementia, 3(4), 355-384.
|
| |
Hugo, Vega-Huerta., Kevin, Renzo, Pantoja-Pimentel., Sebastian, Yimmy, Quintanilla-Jaimes., Gisella, Luisa, Elena, Maquen-Ni?o., Percy, De-La-Cruz-VdV., Luis, Guerra-Grados. (2024). Classification of Alzheimer’s Disease Based on Deep Learning Using Medical Images. International Journal of Online Engineering (ijoe), doi: 10.3991/ijoe.v20i10.49089
|
| |
McKhann, G., et al. (2011). The Diagnosis of Dementia Due to Alzheimer's Disease Recommendations from the National Institute on Aging-Alzheimer's Association Workgroups on Diagnostic Guidelines for Alzheimer's Disease. Alzheimer's & Dementia, 7(3), 263-269.
|
| |
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.
|
| |
Mekha, P., Teeyasuksaet, N., Sompowloy, T., & Osathanunkul, K. (2022, January). Honey bee sound classification using spectrogram image features. In 2022 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. 205-209). IEEE.
|
| |
Murphy, Kevin P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
|
| |
Liu, C. C., Kanekiyo, T., Xu, H., & Bu, G. (2013). Apolipoprotein E and Alzheimer disease: risk, mechanisms and therapy. Nature Reviews Neurology, 9(2), 106-118.
|
| |
Livingston, G., Huntley, J., Sommerlad, A., Ames, D., Ballard, C., Banerjee, S., ... & Mukadam, N. (2020). Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. The lancet, 396(10248), 413-446.
|
| |
Petersen, R. C., et al. (1999). Mild Cognitive Impairment: Clinical Characterization and Outcome. Archives of Neurology, 56(3), 303-308.
|
| |
Petersen, R. C. (2004). Mild Cognitive Impairment as a Diagnostic Entity. Journal of Internal Medicine, 256(3), 183-194.
|
| |
Peter, Zizler., Roberta, La, Haye. (2024). Neural Networks. Compact textbooks in mathematics,
doi: 10.1007/978-3-031-54908-3_9
|
| |
Qiao, Dong., Xueqin, Chen., Baoshan, Huang. (2024). Neural networks. doi: 10.1016/b978-0-443-15928-2.00009-4
|
| |
Rahul, Singh., Abhishek, Pal., Rahul, Chauhan., Hemant, Singh, Pokhariya., Aakriti, Shory., Arvind, Gulati. (2024). Deep Learning Architectures for Alzheimer's Disease Classification Using Convolutional Neural Networks. doi: 10.1109/icemps60684.2024.10559326
|
| |
Honig, L. S., Vellas, B., Woodward, M., Boada, M., Bullock, R., Borrie, M., ... & Siemers, E. (2018). Trial of solanezumab for mild dementia due to Alzheimer’s disease. New England Journal of Medicine, 378(4), 321-330.
|
| |
Sara, Bouraya., Abdessamad, Belangour. (2024). A comparative analysis of activation functions in neural networks: unveiling categories. Bulletin of Electrical Engineering and Informatics, doi: 10.11591/eei.v13i5.7274
|
| |
van Oostveen, W. M., & de Lange, E. C. (2021). Imaging techniques in Alzheimer’s disease: a review of applications in early diagnosis and longitudinal monitoring. International journal of molecular sciences, 22(4), 2110.
|
| |
Uzer, Altaf, Shaikh., Shraddha, Shinde. (2024). Alzheimer Disease. World Journal of Biology Pharmacy and Health Sciences, doi: 10.30574/wjbphs.2024.18.2.0239
|
| |
|
|
|
กลับสู่ เมนูค้นหา
|
|
|