พัฒนาต่อยอด Application สำหรับเฝือกจมูก แก่ผู้ป่วยปากแหว่งแพดานโหว่ ศิริราชพยาบาล
จากการพัฒนาตอยอด ผลงานรางวัล วช. ให้ใช้งานจริง กับผู้ป่วยได้มีประสิทธิภาพมากยิ่งขึ้น ทีมผู้พัฒนา ได้ทำการศึกษา ทดลอง และทดสอบ รวมถึงการผลิตและส่งให้ผู้ป่วยใช้งานจริง
ผลงานนี้ เป็นงานตีพิมพ์โดย นักศึกษาปริญญาโท หลักสูตรวิทยาการคอมพิวเตอร์ คณะ ICT มหาวิทยาลัย มหิดล ที่ได้รับการดูแลของอาจารย์ผู้เชี่ยวชาญทั้งจาก คณะ ICT และ คณะแพทยศาสตร์ศิริราชพยาบาล ของอาจารย์ที่ปรึกษาหลัก รศ.ดร.วรพันธ์ คู่สกุลนิรันดร์ เพื่อสร้างสรรค์ผลงานนี้ออกมาในชื่อ “Automatic detection of nostril and key markers in images”
การตรวจหาโพรงจมูกโดยอัตโนมัติในภาพถ่าย เพื่อกำหนดจุดสำคัญ (สำหรับนำไปทำเฝือกจมูก3มิติเฉพาะบุคคล)
โดยมีเนื้อหาสรุปคือ ทางด้านการแพทย์ หนึ่งในความท้าทายที่ซับซ้อนในการการผ่าตัดตกแต่งความผิดรูปของจมูกในผู้ป่วยโรคปากแหว่งเพดานโหว่ จะเกี่ยวข้องกับผิวหนัง กระดูกอ่อน เยื่อเมือก และโครงสร้างกระดูก
สาเหตุของความผิดปกติเกิดจากจมูกส่วนตรงกลางและด้านข้างที่มีลักษณะไม่เหมาะสมกับส่วนยื่นของขากรรไกรในระหว่างการพัฒนาของตัวอ่อน การผ่าตัดเสริมจมูกเบื้องต้นหรือการซ่อมแซมจมูกแหว่งครั้งแรก คือ การผ่าตัดแก้ไขจมูกเพื่อแก้ไขความผิดปกติของจมูกแหว่ง หลังการผ่าตัดแก้ไขจมูก คนไข้ที่เข้ารับการผ่าตัดต้องใช้เฝือกจมูกเพื่อพยุงแผลผ่าตัด
อย่างไรก็ตาม เฝือกจมูกแบบปกติมีราคาแพงและมาพร้อมกับขนาดจมูกมาตรฐานเท่านั้น (เช่น ขนาด S M L XL) ซึ่งจะมีข้อจำกัดการใช้งาน และอาจไม่สามารถรองรับความต้องการของผู้ป่วยเฉพาะรายบุคคลได้ เช่น เด็ก
เป้าหมายของการศึกษานี้คือการใช้โปรแกรมที่สามารถตรวจจับรูจมูกและทำเครื่องหมายสีเขียวในภาพของผู้ป่วยได้โดยอัตโนมัติ เพื่อสร้างเฝือกจมูก 3 มิติ (3D) แบบกำหนดเอง
วิธีการที่นำเสนอนี้สร้างขึ้นโดยใช้ CNN Model และ YOLO Architecture ได้ถูกนำมาใช้เนื่องจากเป็นหนึ่งใน Architecture ของ CNN ที่ทำงานได้ดีกับงานการจดจำใบหน้า
ทั้งนี้ YOLOV5, YOLOV8 และ YOLO-NAS ได้ถูกนำมาเปรียบเทียบในระยะการทำ Training
Model ที่มีประสิทธิภาพสูงสุดได้ถูกคัดเลือก และนำมาปรับแต่งอย่างละเอียดเพื่อให้เข้ากันได้กับชุดข้อมูลผู้ป่วย YOLOV8 ที่ปรับแต่งมาอย่างดีมีค่า mAP ที่ 99.5% โดยทำPredicted images จากแบบจำลอง Model ที่ได้รับการปรับแต่งถูกนำมาใช้ใน Perform body part segmentation คล้ายคลึงกับ Otsu's thresholding และ discover contour เพื่อ locate essential features ดังเช่น เครื่องหมายสีเขียว และ nostril in ellipse และ bounding boxes
โดยระยะห่างของรูจมูกคำนวณโดยใช้ bounding box และ ellipse ในส่วน columella distance หรือช่องว่างของรูจมูกวัดจากระยะห่างระหว่างรูจมูก ใน YOLO predicted label ระยะทางทั้งสองแปลงเป็นหน่วยเซนติเมตรและประเมินด้วย ground truth ในอาสาสมัครและผู้ป่วยจากผู้เชี่ยวชาญทางจมูกเพื่อตรวจสอบประสิทธิภาพระหว่าง bounding box, ellipse, และขนาดของ marker
ซึ่งผลลัพธ์พิสูจน์ว่า Model ที่นำเสนอสามารถตรวจจับคุณลักษณะที่สำคัญโดยมี mean absolute error ที่ 0.102 นอกจากนี้ Model ที่นำเสนอยังบ่งชี้ว่าขนาดเครื่องหมายไม่มีผลต่อการตรวจจับและระยะทาง ตามผลการทดลอง
Automatic detection of nostril and key markers in images
อ่านฉบับเต็มได้ที่ : https://doi.org/10.1016/j.iswa.2024.200327
- 4
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
