Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Image transfer learning for image classification using convolutional neural networks: a case study of COVID19-infected chest X-ray images
Year (A.D.)
2021
Document Type
Thesis
First Advisor
อัครินทร์ ไพบูลย์พานิช
Faculty/College
Faculty of Commerce and Accountancy (คณะพาณิชยศาสตร์และการบัญชี)
Department (if any)
Department of Statistics (ภาควิชาสถิติ)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
สถิติ
DOI
10.58837/CHULA.THE.2021.1055
Abstract
เทคนิคการประมวลผลจากภาพถูกนำมาใช้กันอย่างแพร่หลายในหลากหลายอุตสาหกรรมในปัจจุบัน โดยการนำมาประยุกต์ใช้กับทางการแพทย์ก็เป็นอีกหนึ่งอุสาหกรรมที่ได้รับความนิยม ทั้งนี้ปัญหาในการจำแนกภาพสามารถทำได้หลายวิธีด้วยกัน หนึ่งในนั้น คือการนำการเรียนรู้เชิงลึกมาประยุกต์ใช้ในการแก้ไขปัญหา โดยการจำแนกประเภทผ่านการเรียนรู้เชิงลึกสามารถแก้ไขได้อย่างรวดเร็วและแม่นยำผ่านการนำโครงข่ายการเรียนรู้เชิงลึกแบบคอนโวลูชั่น หรือ ซีเอ็นเอ็น (Convolutional Neural Networks หรือ CNN) มาใช้กับเทคนิคการเรียนรู้ถ่ายทอด (Transfer Learning) งานวิจัยนี้จึงนำเสนอวิธีการประยุกต์ใช้เทคนิคการเรียนรู้ถ่ายทอดในการฝึกสอนแบบจำลองโครงข่ายคอนโวลูชั่นเชิงลึกเพื่อจำแนกภาพถ่ายรังสีทรวงอกออกเป็น 3 ประเภท คือ 1) ภาพถ่ายรังสีทรวงอกของผู้ป่วยปกติ 2) ภาพถ่ายรังสีทรวงอกของผู้ป่วยที่ติดเชื้อโควิด19 3) ภาพถ่ายรังสีทรวงอกของผู้ติดเชื้อปอดอักเสบจากไวรัส ผ่านแบบจำลองที่ถูกฝึกมาเรียบร้อย (Pre-trained Model) แล้วสามแบบจำลอง ประกอบด้วย โมไบล์เน็ตวี2 (MobileNetV2) เรสเน็ต50 (Resnet50) และอินเซปชันวี3 (InceptionV3) ซึ่งได้ถูกเลือกมาใช้ในการทดสอบเพื่อสร้างแบบจำลองทั้งหมด 3 ตัว ประกอบด้วย ซีเอ็นเอ็น+โมไบล์เน็ตวี2 ซีเอ็นเอ็น+เรสเน็ต50 และ ซีเอ็นเอ็น+อินเซปชันวี3 ซึ่งพบว่า สมรรถนะแบบจำลองซีเอ็นเอ็น+อินเซปชันวี3 ให้ผลลัพธ์ที่ดีที่สุด จึงถูกเลือกนำไปปรับรายละเอียด การประเมินผลบนชุดข้อมูลทดสอบของแบบจำลองซีเอ็นเอ็น+อินเซปชันวี3 หลังจากทำการปรับรายละเอียด (Fine Tuning) ทั้งหมดด้วยกัน 8 ชั้น คือ ชั้นที่ 280, 250, 230, 200, 160, 150, 130 และ 120 ซึ่งแตกต่างจากบทความวิจัยส่วนใหญ่ที่ทำการละทิ้งการตรึงเพียงชั้นเดียว โดยเห็นได้ว่าการปรับรายละเอียดของแบบจำลองที่ทำการละทิ้งการตรึงตั้งแต่ชั้น 150 ให้ผลการทดสอบการจำแนกภาพถ่ายรังสีทรวงอกของผู้ป่วยที่ติดเชื้อโควิด19 ได้ความแม่นยำที่ดีที่สุดที่ 95% ซึ่งเห็นได้ว่าแนวทางการจำแนกประเภทภาพที่นำเสนอมีความหวังสามารถนำไปพัฒนาต่อยอด เพื่อเป็นประโยชน์ต่ออุตสาหกรรมการแพทย์ได้
Other Abstract (Other language abstract of ETD)
Image processing techniques are widely used in a variety of industries today. In medicine, problems in image classification can be solved quickly and accurately through the application of convolutional neural networks (CNNs) with Transfer Learning. This research, therefore, presents a method for applying transfer learning techniques with an in-depth convolution network model to classify chest radiographs into 3 categories: 1) chest radiographs of Normal patients 2) chest radiographs of patients infected with COVID-19 3) chest radiographs of patients with viral pneumonia, using pre-trained models, and three models: Mobile Net V2, Resnet50, and InceptionV3 (InceptionV3). The following 3 models were selected for comparison: CNN+MobileNetV2, CNN + Resnet50, and CNN + Inception V3. The result shows that the CNN + Inception V3 model gives the best result. After adjustment by fine-tuning in 8 layers in the 280th, 250th, 230th, 200th, 160th, 150th, 130th, and 120th layer which is different from other research that normally chooses one layer to unfreeze, the accuracy of the model is improved. The model unfrozen from the 150th and above gives the best accuracy at 95%. The proposed image classification approach be further developed to benefit the medical field.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
โพธิวัฒน์ธนัต, ธัญญ์ชวิน, "การเรียนรู้การถ่ายทอดสำหรับการจำแนกภาพด้วยโครงข่ายคอนโวลูชัน: กรณีศึกษาภาพถ่ายรังสีทรวงอกของผู้ป่วยที่ติดเชื้อโควิด19" (2021). Chulalongkorn University Theses and Dissertations (Chula ETD). 5597.
https://digital.car.chula.ac.th/chulaetd/5597