การพัฒนาเทคนิคการตรวจจับและจำแนกเชื้อราด้วยการเรียนรู้เชิงลึก

Abstract

การเรียนรู้เชิงลึก (Deep Learning) ในปัจจุบันมีการนำไปใช้ร่วมกับเทคนิคทางการแพทย์ เนื่องจากความสามารถในการสกัดคุณลักษณะที่ซับซ้อนจากข้อมูลขนาดใหญ่ อย่างไรก็ตามการเรียนรู้ เชิงลึกยังเผชิญกับความท้าทายหลายประการ เช่น ความต้องการทรัพยากรการประมวลผลและข้อมูล จำนวนมาก ปัญหาการตีความผลลัพธ์ของโมเดลที่ซับซ้อน ดังนั้นดุษฎีนิพนธ์นี้จึงมุ่งเน้นการพัฒนาโมเดล การเรียนรู้เชิงลึกสำหรับการตรวจจับและจำแนกเชื้อราทางการแพทย์ การศึกษานี้ได้ทำการออกแบบโมเดลโครงข่ายคอนโวลูชัน (Convolutional Neural Network: CNN) ให้ทำงานร่วมกันแบบขนาน (dual-network) ร่วมกับ Spatial Transformer Network (STN) เพื่อช่วยเพิ่มความเสถียรในการสรุปผลทั่วไป นอกจากนี้ โครงข่ายยังได้รับการหลอม รวมการทำงานร่วมกับ drop block เพื่อคัดกรองข้อมูล และ residual block เพื่อลดปัญหา vanishing gradients ภายใต้ deeper network โมเดลที่ออกแบบนี้ได้ทดลองกับเชื้อรา 5 ชนิด คือ Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus สุดท้ายโมเดลข้างต้นถูกนำมาวัด ประสิทธิภาพในการตรวจจับและจำแนกเชื้อราด้วยเทคนิค Accuracy และ Precision ผลการฝึกอบรมแสดงให้เห็นถึงประสิทธิภาพสูงสุดที่ร้อยละ 98.30, 98.24 และ 98.97 สำหรับ drop block, STN และ residual block ตามลำดับ ในการจำแนกเชื้อรา พบว่า drop block สามารถ จำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 92.89, 93.50, 91.78, 96.61 และ 95.73 ตามลำดับ ในส่วนของ STN สามารถจำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 95.16, 76.96, 89.33, 100.0 และ 77.95 ตามลำดับ และ residual block สามารถจำแนก Absidia, Aspergillus, Fusarium, Penicillium และ Rhizopus โดยมีความถูกต้องร้อยละ 98.91, 82.50, 94.11, 100.0 และ 87.43 ตามลำดับ

Deep learning is widely applied in medical techniques because it can extract complex features from large datasets. However, it still faces several challenges, including the need for substantial computing resources and data and difficulties in interpreting complex model results. Therefore, this dissertation focuses on developing deep learning models for detecting and classifying medical fungi. This study designed a parallel dual-network convolutional neural network (CNN) model incorporating a spatial transformer network (STN) to improve generalization stability. The network was further strengthened by integrating drop blocks to filter data and residual blocks to mitigate vanishing gradients in deeper networks. The model was tested on five fungi species: Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus. Finally, accuracy and precision metrics evaluated the model's fungi detection and classification performance. The training results showed the highest accuracy at 98.30, 98.24, and 98.97% for the drop block, STN, and residual block, respectively. In fungi classification, the drop block achieved precision rates of 92.89, 93.50, 91.78, 96.61, and 95.73% for Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus, respectively. The STN classified Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus with precision rates of 95.16, 76.96, 89.33, 100.0, and 77.95%, respectively. The residual block achieved 98.91, 82.50, 94.11, 100.0, and 87.43% with precision rates for Absidia, Aspergillus, Fusarium, Penicillium, and Rhizopus, respectively.