🤖Ai ช่วยแพทย์👨⚕️วิเคราะห์และรักษาโรค❤️แยกส่วน Epicardial Fat จากภาพเอ็กซเรย์
Ai กับการอ่านภาพเอ็กซเรย์🩻 และแยกส่วนของอวัยวะ🫀หรือจุดโรคที่ต้องการออกมา เป็นการนำเอาAiขั้นสูงและความรู้ทางการแพทย์ที่ลึกซึ้งเฉพาะทางมาใช้ เพื่อได้ข้อมูลที่ถูกต้อง สำหรับนำไปใช้วิเคราะห์ทางการแพทย์ เป็นอีกศาสตร์ที่ MViT Lab ได้ดำเนินการร่วม และสนับสนุนจาก ภาควิชารังสีวิทยา คณะแพทยศาสตร์ ศิริราชพยาบาล มาอย่างต่อเนื่อง
กับผลงาน🎖รางวัลผลงานวิจัย จาก วช. เรื่อง “การใช้การเรียนรู้เชิงลึกแบบสามมิติในการแยกส่วนไขมันภายในเยื่อหุ้มหัวใจในภาพเอกซเรย์คอมพิวเตอร์ก่อนและหลังฉีดสารทึบรังสี” (A 3D Deep Learning Approach to Epicardial Fat Segmentation in Non-Contrast and Post-Contrast Cardiac CT Images)
T. Siriapisith, W. Kusakunniran, P. Haddawy, A 3D Deep Learning Approach to Epicardial Fat Segmentation in Non-contrast and Post-contrast Cardiac CT Images, PeerJ - Computer Science, 7(e806):1-18, December 2021
🏆 More about MVIT Lab Awards:https://sites.google.com/mahidol.edu/mvit-ict-mahidol/awards
บทความนี้แสดงให้เห็นถึง ไขมันอีพิคาร์เดียล Epicardial fat (ECF) ที่เป็นไขมันเฉพาะที่ อยู่รอบกล้ามเนื้อหัวใจ หรือกล้ามเนื้อหัวใจที่ถูกห่อหุ้มด้วยเยื่อหุ้มหัวใจชั้นบางๆ และการแยก ECF ออกมาเป็นหนึ่งในงานทางการแพทย์ที่ยากที่สุด เนื่องจาก ECF แทรกซึมเข้าไปในร่องระหว่างห้องหัวใจและอยู่ติดกับกล้ามเนื้อหัวใจ การทำ Segmentation จึงต้องใช้ตำแหน่งและความเข้มของ voxel ซึ่ง Deep Learning ได้ถูกนำมาใช้อย่างมีประสิทธิภาพเพื่อแก้ปัญหาการทำ Segmentation ของภาพทางการแพทย์ในหลาย ๆ โดเมนได้อย่างมีประสิทธิภาพ
A 3D deep learning approach to epicardial fat segmentation in non-contrast and post-contrast cardiac CT images
การวิจัยนี้นำเสนอแนวทางใหม่ในการทำ Segmentation 3 มิติของ ECF โดยการรวม attention gates และ deep supervision เข้ากับสถาปัตยกรรม 3D U-Net วิธีการที่นำเสนอนี้แสดงให้เห็นถึงการปรับปรุงประสิทธิภาพของการทำ Segmentation อย่างมีนัยสำคัญ เมื่อเปรียบเทียบกับ 3D U-Net มาตรฐาน
การทดลองแสดงประสิทธิภาพที่ดีเยี่ยมในชุดข้อมูล non-contrast CT dataset โดยมี Dice scores เฉลี่ย 90.06% ต่อด้วยกระบวนการ Transfer learning จาก pre-trained model ของ non-contrast CT ไปยัง contrast-enhanced CT dataset โดย Accuracy ของการทำ Segmentation บน contrast-enhanced CT dataset สูงถึง 88.16%
ยังให้เห็นถึง concept ของการ training และ retraining models สามารถที่จะนำไป applied กับการทำ segmentation ที่จะไปช่วยแก้ปัญหากับกลุ่มของ medical image ได้
จากผลงานรางวัลจากสำนักงานวิจัยแห่งชาติ ของเราที่
ขอเชิญร่วมงานวันนักประดิษฐ์ 2566 โดย วช. วันที่ 2-6 กพ. 2566 Hall 100-102 BITEC
วันนักประดิษฐ์ไทย2566
📝ลงทะเบียนเข้างานที่ https://inventorsdayregis.com/
กิตติคุณ ทองกัญชร คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล
- 5
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
