Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Real-time gastric intestinal metaplasia semantic segmentation using deep learning approach
Year (A.D.)
2020
Document Type
Thesis
First Advisor
พีรพล เวทีกูล
Faculty/College
Faculty of Engineering (คณะวิศวกรรมศาสตร์)
Department (if any)
Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์คอมพิวเตอร์
DOI
10.58837/CHULA.THE.2020.1026
Abstract
ติ่งเนื้อชนิดเซลล์แบ่งตัวแบบผิดปกติในกระเพาะอาหารจัดอยู่ในประเภทรอยโรคชนิดหนึ่ง เนื่องจากรอยโรคชนิดนี้ตรวจพบได้ยาก ทำให้บ่อยครั้งทีมแพทย์มักจะตรวจไม่พบ และมีโอกาสสูงที่จะพัฒนากลายเป็นมะเร็งกระเพาะอาหาร ในปัจจุบัน กระบวนการการเรียนรู้เชิงลึกนั้น ไม่สามารถตรวจจับบริเวณที่เป็นตามเวลาจริงได้ ทำให้งานวิจัยส่วนใหญ่จะตรวจหลังจากทำหัถการ ทางผู้จัดทำ จึงเสนอแนวทางในการทำโมเดลใหม่ โดยเน้นไปที่การใช้งานตามเวลาจริง โดยนำภาพถ่ายรอยโรคความละเอียดสูง 802 ภาพ จากศูนย์ส่องกล้องโรงพยาบาลจุฬาลงกรณ์ มาทำการปรับปรุงโมเดล BiSeNet จากงานแข่งขัน โดยเพิ่มเทคนิคเพื่อช่วยเพิ่มความแม่นยำของโมเดล โดยการใช้การเรียนรู้แบบโอนถ่ายจากภาพการส่องกล้องทางเดินอาหารส่วนล่าง ใช้การปรับภาพแคลชเพื่อช่วยเพิ่มรายละเอียดของภาพ และใช้การเพิ่มข้อมูลเพื่อให้โมเดลมีความแม่นยำโดยที่มีภาพจำนวนน้อย โดยโมเดลที่ถูกปรับปรุงของผู้จัดทำนั้น สามารถรองรับการใช้งานจริงได้ โดยมีการประมวลผลอยู่ที่ 31.53 เฟรมต่อวินาจึงสาที และสามารถทำนายภาพที่มีรอยโรคได้แม่นยำถึงร้อยละ 93 ดั้งนั้น โมเดลของผู้จัดทำ จึงสามารถใช้งานได้ระหว่างการทำหัตถการ และสามารถทำนายรอยโรคได้แม่นยำใกล้เคียงกับโมเดลยอดนิยม ในตลาดปัจจุบัน
Other Abstract (Other language abstract of ETD)
Gastric intestinal metaplasia (GIM) is a premalignant lesion that is difficult to detect and has a high chance to evolve to gastric cancer diseases. Now, deep learning approach failed to detect GIM lesion in real-time due to slow inference speed. Then, most of the paper in GIM is focus on post-surgery. We proposed the new model adapted from real-time competition "BiSeNet" trained by 802 GIM images and its label from Chulalongkorn Hospital. With 3 techniques, transfer learning from lower gastrointestinal tract image, CLAHE pre-processing, and data augmentation, the model can perform real-time environment with 31.53 frames per second and can predict with 93% highest sensitivity. Thus, our BiSeNet model can perform in real-time with high accuracy equivalent to the baseline model in the market.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
ศิริพบพร, วิชยะ, "การจำแนกรูปภาพเชิงความหมายของภาพติ่งเนื้อชนิดเซลล์แบ่งตัวแบบผิดปกติในกระเพาะอาหารตามเวลาจริงโดยใช้กระบวนการการเรียนรู้เชิงลึก" (2020). Chulalongkorn University Theses and Dissertations (Chula ETD). 3684.
https://digital.car.chula.ac.th/chulaetd/3684