Ai ตรวจวัดการเคลื่อนไหวของลิ้น เพื่อประโยชน์ทางการแพทย์ มหาวิทยาลัยมหิดล
การใช้งาน AI เพื่อช่วยเหลือบุคลากรทางการแพทย์มีหลากหลายสาขา ตั้งแต่ การป้องกันก่อนการเกิดโรค เพื่อวินิจฉัยโรค เพื่อช่วยในระหว่างการรักษา และการติดตาม ฟื้นฟูผู้ป่วย ในครั้งนี้ ICT และ BioMedEG ร่วมกับ Ramathibodi Hospital ขอนำเสนอผลงานวิจัยสำหรับผู้สนใจ Ai เพื่อแยกลิ้นใช้ตรวจการเคลื่อนไหวของลิ้น
ซึ่งลิ้นและการเคลื่อนไหวของลิ้นสามารถใช้งานเกี่ยวข้องกับการแพทย์ได้หลายอย่าง เช่น การวิเคราะห์โรค การติดตามและฟื้นฟูของคนไข้ การจะแยกลิ้นจากรูปภาพ การแบ่งส่วนลิ้นเป็นสิ่งจำเป็นในการคำนวณส่วนที่สนใจสำหรับการวิเคราะห์เพิ่มเติม
บทความนี้เสนอ encoder-decoder CNN-based architecture สำหรับ segmenting ลิ้นในรูปภาพ นอกจากนี้ ยังมีการใช้ Residual Multi-kernel Pooling (RMP) เพื่อช่วย encoding multiple scales of the features
การวิจัยนี้ใช้ public dataset 2 ชุด ที่มีมุมหน้าตรง และท่าทางลิ้น1ท่า จากนั้นนำไปทดสอบกับ Dataset ท่าลิ้น 5 ท่าที่ทีมวิจัยรวบรวมมาใหม่ ผลการวิจัยแสดงให้เห็นว่าวิธีการที่นำเสนอมีประสิทธิภาพดีกว่าวิธีการที่มีอยู่
นอกจากนี้ กระบวนการ re-training สามารถปรับปรุงการนำ trained model ใช้บน unseen dataset ซึ่งจะเป็นขั้นตอนที่จำเป็นในการใช้ trained model ในสถานการณ์จริง
Ai ตรวจการเคลื่อนไหวของลิ้น เพื่อประโยชน์ทางการแพทย์ มหาวิทยาลัยมหิดล
Available Online 📝สามารถเข้าอ่านได้แล้ว🤓
“Encoder-decoder network with RMP for tongue segmentation” in Medical & Biological Engineering & Computing (2023) journal of International Federation of Medical and Biological Engineering .
✒️ Kusakunniran W., Borwarnginn P., Karnjanapreechakorn S., Thongkanchorn K., Ritthipravat P., Tuakta P., Benjapornlert P.
Abstract: Tongue and its movements can be used for several medical-related tasks, such as identifying a disease and tracking a rehabilitation. To be able to focus on a tongue region, the tongue segmentation is needed to compute a region of interest for a further analysis. This paper proposes an encoder-decoder CNN-based architecture for segmenting a tongue in an image.
The encoder module is mainly used for the tongue feature extraction, while the decoder module is used to reconstruct a segmented tongue from the extracted features based on training images. In addition, the residual multi-kernel pooling (RMP) is also applied into the proposed network to help in encoding multiple scales of the features.
The proposed method is evaluated on two publicly available datasets under a scenario of front view and one tongue posture. It is then tested on a newly collected dataset of five tongue postures. The reported performances show that the proposed method outperforms existing methods in the literature. In addition, the re-training process could improve applying the trained model on unseen dataset, which would be a necessary step of applying the trained model on the real-world scenario.
ลิขสิทธิ์ 2 รายการเกี่ยวกับ Software การแยกส่วน และวัดการเคลื่อนไหวของลิ้น โดยมหาวิทยาลัยมหิดล คณะICT
1.โปรแกรมคอมพิวเตอร์วัดการเคลื่อนไหวของลิ้นด้วยเทคนิคออฟติคอลโฟลว์บนพื้นที่แบ่งส่วน
2.โปรแกรมการแยกส่วนของลิ้นในภาพวิดีโอโดยอัตโนมัติ
ลิขสิทธิ์โปรแกรมคอมพิวเตอร์ มหาวิทยาลัยมหิดล
และอีกบทความ ตีพิมในวารสาร Multimedia Tools and Applications (2023)
Automated tongue segmentation using deep encoder-decoder model
Automated tongue segmentation using deep encoder-decoder model, MTA Journal
โดย Worapan Kusakunniran, Punyanuch Borwarnginn, Thanandon Imaromkul, Kittinun Aukkapinyo, Kittikhun Thongkanchorn, Disathon Wattanadhirach, Sophon Mongkolluksamee, Ratchainant Thammasudjarit, Panrasee Ritthipravat, Pimchanok Tuakta & Paitoon Benjapornlert
The research paper proposes a solution of tongue segmentation in images. The solution relies on a convolutional neural network, using deep U-Net with deep layers of encoder-decoder modules. The model is trained with a starting resolution of 512 x 512 pixels.
To enhance the segmentation performances of the trained model across recording environments, three main types of data augmentations are added in the training process, including additive gaussian noise, multiply and add to brightness, and change color temperature. They could also handle an inadequate number of data samples in the limited datasets.
The proposed method is evaluated based on four measurement metrics of Dice coefficient, mean IoU, Jaccard distance, and accuracy. The model is successfully trained on publicly available datasets, and then transferred to be tested with the self-collected dataset in the real-world environment.
อ่านฉบับเต็มได้ที่ https://rdcu.be/c75eY
กิตติคุณ ทองกัญชร คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล
- 9
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
