การจ าแนกภาพแมมโมแกรมโดยใชการประมวลผลภาพ รวมกบซพพอรตเวกเตอรแมชชน

นางเกตกาญจน ไชยขนธ

วทยานพนธนเปนสวนหนงของการศกษาตามหลกสตรปรญญาวศวกรรมศาสตรดษฎบณฑต

สาขาวชาวศวกรรมคอมพวเตอร มหาวทยาลยเทคโนโลยสรนาร

ปการศกษา 2558

 

 

 

 

 

 

 

 

MAMMOGRAPHY IMAGE CLASSIFICATION USING

IMAGE PROCESSING AND

SUPPORT VECTOR MACHINE

Kedkarn Chaiyakhan

A Thesis Submitted in Partial Fulfillment of the Requirements for the

Degree of Doctor of Philosophy in Computer Engineering

Suranaree University of Technology

Academic Year 2015

 

 

 

 

 

 

 

 

การจ าแนกภาพแมมโมแกรมโดยใชการประมวลผลภาพรวมกบ ซพพอรตเวกเตอรแมชชน

*******มหาวทยาลยเทคโนโลยสรนาร อนมตใหนบวทยานพนธฉบบนเปนสวนหนงของการศกษา ตามหลกสตรปรญญาวศวกรรมศาสตรดษฏบณฑต

คณะกรรมการสอบวทยานพนธ

_________________________ (รศ. ดร.กตตศกด เกดประสพ) ประธานกรรมการ

_________________________ (รศ. ดร.นตยา เกดประสพ) กรรมการ (อาจารยทปรกษาวทยานพนธ)

_________________________ (ผศ. ดร.ศภกฤษฏ นวฒนากล) กรรมการ

_________________________ (ผศ. ดร.ปรเมศวร หอแกว) กรรมการ

_________________________ (ผศ. ดร.สายสนย จบโจร) กรรมการ _________________________ _________________________ (ศ. ดร.ชกจ ลมปจ านงค) (รศ. ร.อ. ดร.กนตธร ช านประศาสน) รองอธการบดฝายวชาการและนวตกรรม คณบดส านกวชาวศวกรรมศาสตร

 

 

 

 

 

 

 

 

******เกตกาญจน ไชยขนธ : การจ าแนกภาพแมมโมแกรมโดยใชการประมวลผลภาพรวมกบ ซพพอรตเวกเตอรแมชชน (MAMMOGRAPHY IMAGE CLASSIFICATION USING ******IMAGE PROCESSING AND SUPPORT VECTOR MACHINE) ******อาจารยทปรกษา : รองศาสตราจารย ดร.นตยา เกดประสพ, 110 หนา. การจ าแนกมะเรงเตานมจากภาพแมมโมแกรม มจดประสงคเพอท าการจ าแนกกอนเนอ (Tumor) ภายในภาพแมมโมแกรมวาเปนกอนเนอไมอนตราย (Benign) หรอกอนเนออนตราย (Malignant) เพอประโยชนในการชวยนกรงสวทยาวนจฉยโรคมะเรงเตานม และยงชวยท าใหผปวยไดรผลการวนจฉยเบองตนจากภาพแมมโมแกรมโดยไมจ าเปนตองมความเสยงจากการผาตดเพอน าชนเนอในเตานมไปตรวจสอบ ในปจจบนมนกวจยจ านวนมากพฒนาประสทธภาพของการจ าแนกภาพแมมโมแกรมโดยใชเทคนควธตาง ๆ ของการประมวลผลภาพรวมกบเทคนควธการเรยนรของเครอง เพอเพมความแมนในการจ าแนก การปรบปรงภาพกอนการน าไปจ าแนก (Preprecessing) เปนขนตอนทส าคญเนองจากภาพแมมโมแกรมอาจมความไมชดเจนหรอมสญญาณรบกวนในภาพ ท าใหการจ าแนกไดผลทไมดนก ******ดงนนงานวจยของวทยานพนธฉบบนเสนอวธการปรบปรงภาพคอการก าจดสญญาณรบกวนภายในภาพออกไป แลวจงท าการปรบปรงภาพโดยท าใหความเขมสบรเวณกอนเนอในภาพชดเจนขน จากนนจงใชเทคนคการประมวลผลภาพดวยวธการหาขอบเขตทนาสนใจ โดยใชขนตอนวธในการตดเฉพาะบรเวณกอนเนอในภาพแมมโมแกรมเพอน ามาประมวลผล หลงจากไดบรเวณขอบเขตทสนใจแลว ขนตอนกอนการจ าแนกอกขนตอนหนงคอการหาลกษณะส าคญภายในบรเวณขอบเขตทสนใจ โดยงานวจยนจะพจารณาลกษณะส าคญ 3 ลกษณะ คอ ลกษณะส าคญของลวดลาย ลกษณะส าคญของฮสโตแกรม และ ลกษณะส าคญของรปราง โดยเฉพาะลกษณะส าคญของรปรางไดมการเพมชดขอมลตอทายชดขอมลเดมโดยพจารณาจากความถของกราฟฮสโตแกรมของรอยหยกบรเวณเสนขอบของกอนเนอ และในขนตอนสดทาย ลกษณะส าคญทง 3 แบบจะถกน าไปใชในการจ าแนก ดวยเทคนควธในการจ าแนกขอมลแบบมผสอนทชอวาซพพอรตเวกเตอรแมชชน โดยซพพอรตเวกเตอรแมชชนสามารถใชรวมกบเคอรเนลฟงกชนหลายแบบ งานวจยนจะเปรยบเทยบประสทธภาพการจ าแนกระหวางเทคนควธซพพอรตเวกเตอรแมชชนกบเทคนคการจ าแนกอน ๆ เชน โครงขายประสาทเทยม และ นาอฟเบย

สาขาวชา วศวกรรมคอมพวเตอร ลายมอชอนกศกษา ______________________ ปการศกษา 2558 ลายมอชออาจารยทปรกษา_____________

 

 

 

 

 

 

 

 

******KEDKARN CHAIYAKHAN : MAMMOGRAPHY IMAGE

xxxxxxCLASSIFICATION USING IMAGE PROCESSING AND SUPPORT

xxxxxxVECTOR MACHINE. THESIS ADVISOR : ASSOC. PROF. NITTAYA

xxxxxxKERDPRASOP, Ph.D., 110 PP.

MAMMOGRAPHY CLASSIFICATION/SUPPORT VECTOR MACHINE/

FEATURE SELECTION/IMAGE SEGMENTATION

Mammography is a special type of low-powered x-ray method that has been

used to improve diagnostic and decrease the number of unneeded biopsies. Detection

breast cancer in early stage can help treatment successful. Many researches show that

malignant breast tumors tend to demonstrate irregular and undulated shapes, whereas

benign breast tumors are regularly round and smooth shapes. Consequently, many

researches about tumor shape may help in maintaining diagnosis. Thus, the contour

feature of tumor contour is very significant feature to distinguish between malignant

and benign tumor. In this paper, we propose an approach to automatically appraise the

density and contrast of breast images using gamma correction to increase the intensity

of dense pixels with light intensity and vice versa to decrease the sparse intensity

pixels showing dark intensity. In the segmentation process, we use region growing

technique to get region of interest. We also extract three important features including

texture, shape, and intensity histogram. Especially add data of shape feature into the

original data by considering histogram of serrated contour in each tumor. In the

classification process, we use SVM to classify tumor into two classes: malignant and

benign. Moreover, we also compare between SVM classification with Artificial

 

 

 

 

 

 

 

 

ค

Neural Network and Naïve Bays. The results of classification show that SVM gives

good classification accuracy more than Artificial Neural Network and Naïve Bays.

School of Computer Engineering Student’s Signature _______________

Academic Year 2015 Advisor’s Signature_______________

 

 

 

 

 

 

 

 

กตตกรรมประกาศ

******วทยานพนธนส าเรจลลวงดวยด ผวจยขอกราบขอบพระคณ บคคล และกลมบคคลทไดกรณาใหค าปรกษา แนะน า ชวยเหลออยางดยง ทงในดานวชาการ และดานการด าเนนงานวจย ดงตอไปน ******รองศาสตราจารย ดร.นตยา เกดประสพ อาจารยทปรกษาวทยานพนธ และรองศาสตราจารย ดร.กตตศกด เกดประสพ ทใหค าปรกษาในการท างานวจย การจดรปแบบวทยานพนธ และชวยตรวจทานความถกตองของวทยานพนธ ******คณสายฝน สบพลกรง เลขานการสาขาวศวกรรมคอมพวเตอร ทใหความชวยเหลอในการประสานงานดานเอกสารระหวางศกษา ******ขอขอบคณนกศกษารวมชนเรยนทงปรญญาโทและปรญญาเอก ทใหค าแนะน าและปรกษาดานวชาการและชวยเหลอสนบสนนดวยดมาตลอด ******ขอบคณมหาวทยาลยเทคโนโลยราชมงคลอสาน ทใหการสนบสนนทนการศกษา ทนวจยและคาใชจายตาง ๆ*************************************************************** ******นอกจากนขอขอบคณ คร อาจารย ทงในอดตและปจจบนทใหความรแกผวจยจนประสบความส าเรจในชวต ******ทายทสดขอกราบขอบพระคณ บดา มารดา ทใหก าเนด อบรม เลยงดและสงเสรมการศกษาเปนอยางดท าใหผวจยมความร ความสามารถ มจตใจทเขมแขง รวมทงเปนก าลงใจแกผวจยจนท าใหผวจยประสบความส าเรจในชวต

เกตกาญจน ไชยขนธ

 

 

 

 

 

 

 

 

สารบญ

หนา บทคดยอ (ภาษาไทย) ……………………………………………………….………………………ก บทคดยอ (ภาษาองกฤษ)……………………………………………………….……………………ข กตตกรรมประกาศ…………………………………………………………….……………….……ง สารบญ……………………………………………………..…………………………………….…จ สารบญตาราง………………………………………………………………….…………….……...ซ สารบญรป………………………………………………………………………….………..….......ฌ บทท 1 บทน า………………………………………………………………………………..…........1 1.1 ความส าคญและทมาของปญหาการวจย…………………………….……………..........1 1.2 วตถประสงคของการวจย………………………………………….…………………….3 1.3 ขอบเขตของการวจย…………………………………………………………………….4 1.4 ประโยชนทจะไดรบ…………………………………………………………………….4 2 ปรทศนวรรณกรรมและงานวจยทเกยวของ…………….…………………………..………5 2.1 ทฤษฎการปรบปรงภาพ…………………………….………………...........................…5 2.1.1 ตวกรองมธยฐาน…………………………………………………………….....…5 2.1.2 การแกไขแกมมา………………………………………………………………….6 2.2 การก าหนดขอบเขตของภาพดวยวธการขยายพนท……….…………….....................…8 2.3 การหาลกษณะส าคญของภาพ………………………….……………….......................11 2.3.1 ลกษณะส าคญของลวดลาย……………………………………………………...11 2.3.2 ลกษณะส าคญของฮสโตแกรม…………………………………………………..14 2.3.3 ลกษณะส าคญของรปราง……………………………………………………......16 2.4 การจ าแนกประเภทขอมลดวยซพพอรตเวกเตอรแมชชน………………………...........18 2.4.1 ไฮเปอรเพลน……………………………………………………………………19

 

 

 

 

 

 

 

 

ฉ

สารบญ (ตอ)

หนา 2.4.2 ระยะทางจากจดไปยงไฮเปอรเพลน…………………………………………......20 2.4.3 มารจนและซพพอรตเวกเตอรของไฮเปอรเพลน………………………………...23 2.4.4 การแบงแยกเชงเสน….…………………………………………………….........26 2.4.5 ซพพอรตเวกเตอรแมชชนแบบซอฟตมารจน…………………………………...28 2.4.6 เคอรเนลฟงกชนกบซพพอรตเวกเตอรแมชชน………………………………….29 2.5 เกณฑทใชในการวดประสทธภาพของโมเดล……………………….............................31 2.5.1 เกณฑความแมน…………………………………………………………………31 2.5.2 คา Sensitivity…………………………………..……………………………......32 2.5.3 คา Specificity…………………………………………………………………...32 2.5.4 คา Precision…………………………………………………………………......32 2.5.5 คา F-measure…………………………………………………………………....32 2.5.6 Confusion Matrix…………………………………………………………….....32 2.5.7 กราฟ Receiver Operation Characteristic (ROC)……………………………......33 2.6 งานวจยทเกยวของ………………………......................................................................34 3 วธด าเนนการวจย………………………………………..…………………………..…......40 3.1 ขนตอนวธของการวจย…………………………….…………………..........................40 3.1.1 ภาพแมมโมแกรม…………………………….………………….........................40 3.1.2 การปรบปรงภาพแมมโมแกรม………………………………………………….43 3.1.3 การแบงขอบเขตภาพ…………………………………………………………....44 3.1.4 การดงลกษณะส าคญในภาพ…………………………………………………….46 3.1.5 การจ าแนกมะเรงเตานม………………………………………………………....49 3.2 เครองมอทใชในการวจย……………………………………………………………….49 4 การทดสอบและอภปรายผล…………………………………………………………...…...51 4.1 ขอมลทใชในการทดสอบ……………………………………………………………...51 4.2 การเพมชดขอมลจากลกษณะส าคญของรปราง…………………………………...…...55

 

 

 

 

 

 

 

 

ช

สารบญ (ตอ) หนา 4.3 การทดสอบประสทธภาพการจ าแนกภาพแมมโมแกรม……………………………….56 4.4 ผลการทดสอบประสทธภาพ……………………….………………………………….57 4.4.1 ผลการเปรยบเทยบประสทธภาพความแมนระหวางซพพอรต เวกเตอร

แมชชนโครงขายประสาทเทยม และ นาอฟเบย……….……………………....58 4.4.2 ผลการทดลองการเปรยบเทยบพนทใตกราฟ ROC ระหวางอลกอรทม

3 แบบ…………………………………………………………………………...62 4.5 อภปรายผล………………………………………………………………………….....66 5 สรปผลการวจยและขอเสนอแนะ……………………………………………………….....67 5.1 สรปผลการวจย………………………………………………………………………...68 5.2 ปญหาและขอเสนอแนะ……………………………………………………………......72 รายการอางอง……………………………………………………………………………….73 ภาคผนวก ภาคผนวก ก. รหสตนฉบบโปรแกรม…………………………………………..……….....76 ภาคผนวก ข. บทความวชาการทไดรบการตพมพเผยแพรในระหวางการศกษา……...…....91 ประวตผเขยน………………………………………………………………………………...110

 

 

 

 

 

 

 

 

สารบญตาราง

ตารางท หนา 2.1 แสดงเคอรเนลฟงกชนทนยมใช…………………………………………………..……..…...30 2.2 สรปเปรยบเทยบงานวจยทเกยวของกบการจ าแนกมะเรงเตานมในภาพแมมโมแกรม…..…...38 3.1 แสดงตวอยางลกษณะส าคญของลวดลายในภาพแมมโมแกรม……………………................47 4.1 ตวอยางขอมลภาพแมมโมแกรมจาก DDSM ในมมมองแบบ CC…………………………....52 4.2 ชอคอลมนและความหมายของลกษณะส าคญของภาพแมมโมแกรม………………………..53 4.3 ตวอยางขอมลลกษณะส าคญของภาพแมมโมแกรมจ านวน 16 ตวอยาง……………………...54 4.4 Confusion Matrix ของการจ าแนกดวยซพพอรตเวกเตอรแมชชน โดยใชลกษณะ

ส าคญของรปรางแบบเพมชดขอมล ลวดลาย และกราฟฮสโตแกรม…………………...…..58 4.5 Confusion Matrix ของการจ าแนกดวยโครงขายประสาทเทยม โดยใช และลกษณะ

ส าคญของกราฟฮสโตแกรม……………………...………….….……….……………….…..59 4.6 Confusion Matrix ของการจ าแนกดวยนาอฟเบย โดยใชลกษณะส าคญของรปราง

แบบเพมชดขอมล ลวดลาย กราฟฮสโตแกรม……………….…….……….…………….….59 4.7 Confusion Matrix ของการจ าแนกดวยซพพอรตเวกเตอรแมชชน โดยใชลกษณะ

ส าคญของรปรางแบบไมเพมชดขอมล ลวดลาย กราฟฮสโตแกรม……...……………….…..60 4.8 Confusion Matrix ของการจ าแนกดวยโครงขายประสาทเทยม โดยใชลกษณะ

ส าคญของรปรางแบบไมเพมชดขอมล ลวดลาย กราฟฮสโตแกรม…………………….…….61 4.9 Confusion Matrix ของการจ าแนกดวยนาอฟเบย โดยใชลกษณะส าคญของรปราง

แบบไมเพมชดขอมล ลวดลาย กราฟฮสโตแกรม…………………………………………….61 4.10 เปรยบเทยบคา Accuracy Sensitivity Specificity F-measure และ AUC

ระหวาง 3 อลกอรทม…………………………………………………………...…………….63

 

 

 

 

 

 

 

 

สารบญรป

รปท หนา

2.1 แสดงตวอยางการท างานของตวกรองมธยฐาน………..…………………………...……….…6 2.2 แสดงภาพจ าลองของวธแกมมาคอเรคชน และแสดงการปรบคา ……………………………7 2.3 แสดงการขยายสวนพนทของภาพ……………………………………………………………..8 2.4 แสดงต าแหนงการพจารณาพกเซลใกลเคยง………………………………………………...…9 2.5 แสดงตวอยางการขยายสวนพนทโดยพจารณาพกเซลใกลเคยง 8 พกเซล…………………....10 2.6 ทศทางการนบความสมพนธ 4 ทศทางในการสรางเมตรกซ GLCM…………………….…...12 2.7 ตวอยางการสรางเมตรกซ GLCM……………………………………………………............13 2.8 แสดงตวอยางการหาความนาจะเปนทเกดขนรวมกนของระดบสเทาในทศทาง…………......13 2.9 แสดงลกษณะความเบของกราฟฮสโตแกรม………………………………………………....16 2.10 แสดงลกษณะความโดงของกราฟฮสโตแกรม…………………………………………….....16 2.11 การหาระยะทางจากจดศนยกลางไปยงเสนขอบ…………………………………………......18 2.12 แสดงการจ าแนกขอมล 2 คลาส โดยวธการซพพอรตเวกเตอรแมชชน……………………....19 2.13 แสดงไฮเปอรเพลน 2 มต…………………………………………………………………......21 2.14 แสดงมารจนของไฮเปอรเพลนทเหมาะสม…………………………………………………..25 2.15 แสดงซอฟตมารจนไฮเปอรเพลน…………………………………………………….............28 2.16 ซพพอรตเวกเตอรแมชชนแบบไมเปนเชงเสน…………………………………………….....30 2.17 แสดงตวอยาง Confusion Matrix…………………………………………………………......33 2.18 แสดงกราฟ ROC และพนทใตกราฟ…………………………………………………............34 3.1 ขนตอนวธในการจ าแนกมะเรงเตานมดวยซพพอรตเวกเตอรแมชชน……………………......41 3.2 แสดงภาพแมมโมแกรมในมมมอง MLO และ CC…………………………………………...42 3.3 แสดงภาพกอนและหลงการปรบปรงดวยมเดยนฟลเตอร……………………………............43 3.4 ภาพกอนเนอในเตานม กอนและหลงการปรบปรงดวยแกมมาคอเรคชน…………….............44 3.5 ผลลพธของการขยายสวนพนทของภาพแมมโมแกรม……………………………….............46 3.6 แสดงการวดความหยกของเสนขอบโดยวดจากจดเซนทรอยด………………………............48

 

 

 

 

 

 

 

 

ญ

สารบญรป (ตอ)

รปท หนา

3.7 กราฟแสดงความหยกของกอนเนอรายและกอนเนอไมอนตราย……………………..…........48 3.8 แสดงตวอยางกราฟฮสโตแกรมทพจารณาลกษณะส าคญ 4 คา……………………………....49 4.1 กราฟฮสโตแกรมแสดงความถของจดพคระหวางกอนเนออนตรายและ

กอนเนอไมอนตราย……………………………………………………………………..…...56 4.2 ภาพตวอยางแสดงการเพมชดขอมลจากการพจารณาฮสโตแกรมลกษณะส าคญของรปราง....56 4.3 แผนภาพวธการทดสอบประสทธภาพโมเดลส าหรบการจ าแนกขอมลภาพแมมโมแกรม…...57 4.4 พนทใตกราฟ ROC โดยใชลกษณะส าคญแบบ ADSF-TH…………………………...……...62 4.5 พนทใตกราฟ ROC โดยใชลกษณะส าคญ แบบ TSH……………………………………......63 4.6 กราฟเปรยบเทยบประสทธภาพความแมนในการจ าแนก 3 แบบ…………………………….64 4.7 กราฟเปรยบเทยบคา Sensitivity ในการจ าแนก 3 แบบ……………………………………....64 4.8 กราฟเปรยบเทยบคา Specificity ในการจ าแนก 3 แบบ……………………………………....65 4.9 กราฟเปรยบเทยบคา F-measure ในการจ าแนก 3 แบบ……………………………………....65 5.1 แสดงผลสรปขนตอนการด าเนนงานในงานวจยน…………………………………………...69

 

 

 

 

 

 

 

 

บทท 1 บทน า

1.1 ความส าคญและทมาของปญหาการวจย ******มะเรงเตานม (Breast Cancer) เปนสาเหตส าคญของการเสยชวตมากทสดของประชากรเพศหญงทวโลก เมอเปรยบเทยบอตราการเสยชวตกบมะเรงชนดอน ๆ ทเกดขนในเพศหญง (ผลส ารวจโดยหนวยงาน World Cancer Research Fund International ขอมลจาก http://www.wcrf.org) ทงนเปนททราบกนดวาวธการทจะลดอตราการเสยชวตจากมะเรงเตานมทดทสดคอการตรวจวนจฉย(Diagnosis) กอนเนอ (Tumor) ทมความผดปกตในระยะแรก โดยท าการวนจฉยวากอนเนอทเกดขนในเตานมน นเปนกอนเนอทไมอนตราย (Benign)*หรอเปนกอนเนอราย*(Malignant)๕๕๕ ******กอนเนอทไมอนตราย หมายถง กอนเนอทไมแพรกระจายไปยงอวยวะอน สวนกอนเนอรายเปนกอนเนอทสามารถแพรกระจายไปยงอวยวะอน และกอใหเกดการแบงเซลลทไมสามารถควบคมไดท าใหเกดเปนมะเรง กอนเนอทมความนาจะเปนทจะเปนมะเรงเตานมนนเกดจากความผดปกตของเซลลในรางกายมนษย ซงเซลลทผดปกตนนจะมการเปลยนแปลงและมขนาดใหญขนเรอย ๆ หากปลอยไวโดยไมมการตรวจวเคราะหและรกษาอาจท าใหผปวยเสยชวตได (Huo et al., 2000; Wu*et*al.,*1995) สวนใหญนนเซลลมะเรงจะมลกษณะทเปนกอนเนอทมความหนาแนนสง ตรวจสอบไดดวยการผาตดเพอน าชนเนอไปตรวจสอบ (Biopsy) หรอการวเคราะหจากภาพแมมโมแกรม*(Mammography) (Oliver et al., 2010; Xie et al., 2015; Pak et al., in press) หรอ ภาพอลตราซาวด (Ultrasound) (Shi et al., 2010; Kumar et al., 2015; Zhou et al., 2013) มะเรงเตานมเปนมะเรงทไมแสดงอาการในเบองตน ผหญงสวนใหญจงรสกถงอาการของมะเรงเตานมในขณะทมะเรงไดลกลามไปในขนทสงแลว ดงนนหากมการวเคราะหและวนจฉยกอนเนอวาเปนเนอราย หรอเนอไมอนตรายในเบองตนแลว กจะท าใหผปวยไดมโอกาสในการรกษาและหายจากอาการปวยและรอดชวตคอนขางสง ในการตรวจวเคราะหกอนเนอในเตานมนนมหลายวธ เชนการผาตดน าเอากอนเนอออกมาพสจน ซงวธนจะคอนขางยงยากและคอนขางอนตรายตอคนไข ดงนนอกวธหนงทนยมใชกนมากในปจจบนคอการน าภาพแมมโมแกรม และภาพอลตราซาวดของเตานมมาวเคราะหหาความผดปกตของกอนเนอ (Chen et al., 2015; Dhahbi et al., 2015) ******มะเรงเตานมเปนมะเรงทพบบอยมากกวามะเรงปากมดลก มะเรงเตานมนนสามารถพบไดในผชายเชนกน แตพบในอตราสวนทนอยมาก มะเรงเตานมกอก าเนดขนจากเนอเยอ (Tissue) ใน

 

 

 

 

 

 

 

 

2

ทรวงอก ซงโดยทวไปแลวจะเกดขนภายในตอมน านม (Mammary Gland) การวเคราะหเนอเยอภายในทรวงอกทมประสทธภาพมากในปจจบนคอวธการตรวจภาพรงสเตานมหรอแมมโมแกรม ซงวธนเปนการน าภาพแมมโมแกรมมาวเคราะหโดยนกรงสวทยา (Radiologist) ซงโดยทวไปแลวเนอเยอในทรวงอกทมความผดปกตนน จากการวเคราะหของนกรงสวทยาจะเปนกอนเนอทมความหนาแนนสง (Dense) และมกอนหนปน (Calcified) เกาะอยดวย ซงเนอเยอหรอกอนเนอทมความผดปกตนสามารถเปนไดทงกอนเนอทไมอนตรายและกอนเนอรายทสามารถกอตวเปนมะเรงเตานม การวนจฉยขนอยกบรปรางของกอนเนอทตรวจพบ (Aguiar et al., 2015; Chen et al., 2015) จากความรของนกรงสวทยา สรปไดวากอนเนอทไมอนตรายสวนใหญมกจะมรปรางทเปนทรงกลมหรอทรงรและมขอบทคอนขางเรยบมความหยกนอย ในขณะทกอนเนอรายทกอตวเปนมะเรงเตานมนนจะมขอบบางสวนทเปนทรงกลม และขอบบางสวนทมลกษณะผดรปหรอมรอยหยกคอนขางมาก (Lee et al., 2015) และโดยทวไปแลวกอนเนอทมความผดปกตนนเมอดจากภาพแมมโมแกรมมกจะมความสวางของส และความหนาแนนในบรเวณกอนเนอมากกวาบรเวณขางเคยงหรอบรเวณทเปนไขมน ******อยางไรกตามภาพแมมโมแกรมทไดมานนอาจยงมสงรบกวนภายในภาพ (Noise) ซงจะท าใหภาพไมชดเจน สงผลใหการวเคราะหของนกรงสวทยามความผดพลาดเกดขนได เพราะตองท าการวเคราะหโดยใชสายตาและความเชยวชาญเฉพาะตน เพอลดปญหาความผดพลาด ในปจจบนไดมผพ ฒนาระบบคอมพวเตอรในการตรวจหาและวเคราะหโรค ซงเรยกวา*Computer*Aided Detection (CAD) (Helena et al., 2015; Jalalian et al., 2013) เปนเทคนคทชวยใหนกรงสวทยาวเคราะหผลของมะเรงตาง ๆ ไดแมนย ายงขน เทคนคนเปนการปรบปรงใหภาพถายทางการแพทยมความชดเจนและดงลกษณะส าคญของภาพ (Zyout et al., in press; Wajid et al., 2015) เพอสามารถน ามาวเคราะหไดละเอยดมากยงขน แตเทคนค CAD ยงไมมความสามารถจ าแนกภาพอตโนมต ******ปจจบนจงมผวจยน าเสนองานวจยทเกยวกบการจ าแนกมะเรงเตานมจากภาพแมมโม แกรมโดยใชอลกอรทมทเ กยวกบการเรยนรของเครอง *(Machine*Learning) (Zaki, 2014; Xie et al., in press; Dietzel et al., 2012) รวมกบเทคนคตาง ๆ ของการประมวลผลภาพ (Image Processing) เชน การปรบปรงภาพ (Image Enhancement) (Beranek et al., 1998) การแบงขอบเขตในภาพ (Image Segmentation) (Szeliski, 2010) การดงลกษณะส าคญของภาพ (Image Feature Extraction) เพอมงเนนใหการจ าแนกภาพมความแมนย าและประสทธภาพทสงขน ******ดงนนงานวจยนจงไดเสนอการพฒนาขนตอนวธเพอจ าแนกมะเรงเตานมจากภาพแมมโม แกรมดวยวธการประมวลผลภาพเปนขนตอนกอนการจ าแนก (Pre-classification) และใชวธการ

 

 

 

 

 

 

 

 

3

เรยนรของเครองเพอจ าแนกภาพมะเรงเตานมไดโดยอตโนมต โดยไดเลอกใชเทคนคและอลกอรทมดงน

- การปรบปรงภาพแมมโมแกรมจะใชเทคนค Grey-level Thresholding เพอปรบความเขมสของบรเวณวตถทสนใจภายในภาพใหมความชดเจนขน

- การแบงขอบเขตในภาพจะใชวธการขยายพนทของสวนภาพ (Region Growing) เพอตดเฉพาะขอบเขตของกอนเนอทผดปกต (Region of Interest)

- การดงลกษณะส าคญของภาพจะพจารณาจากลวดลาย (Texture) รปราง (Shape) และความเขมส (Intensity) เพอใชเปนลกษณะส าคญในการจ าแนก (Feature for Classification)

- การจ าแนกขอมลภาพจะใชอลกอรทมซพพอรตเวกเตอรแมชชน (Support Vector Machine)

******ขอแตกตางของงานวจยในวทยานพนธนกบงานวจยอนทเกยวของกบการจ าแนกมะเรง เตานมจากภาพแมมโมแกรม คอ เทคนคการดงลกษณะส าคญของภาพ ในวทยานพนธนจะใชพนความร (Background Knowledge) ทเปนขอสรปจากประสบการณของนกรงสวทยา เกยวกบขอแตกตางระหวางภาพกอนเนอทไมอนตรายและกอนเนอราย เปนพนฐานส าคญในการพฒนาเทคนคการดงลกษณะส าคญทจะชวยใหการจ าแนกภาพมะเรงเตานมมความแมนมากขน ******นอกจากวธทกลาวขางตนแลว งานวจยนยงไดมการทดสอบประสทธภาพของอลกอรทมทพฒนาขนดวยการเปรยบเทยบประสทธภาพในการจ าแนกมะเรงเตานมในภาพแมมโมแกรม กบ อลกอรทมการเรยนรของเครองแบบอน ๆ อก 2 อลกอรทม คอ โครงขายประสาทเทยม (Artificial Neural Networks) และ นาอฟเบย (Naïve Bays) โดยเกณฑทใชในการทดสอบประสทธภาพคอ ความแมน (Accuracy) ในการจ าแนกขอมล

1.2 วตถประสงคของการวจย 1. เพอศกษาและพฒนาขนตอนวธการจ าแนกมะเรงเตานม จากภาพแมมโมแกรมโดยเนน

ในสวนของเทคนคการปรบปรงคณภาพของภาพ การพจารณาหาขอบเขตของภาพ และการพจารณาหาลกษณะส าคญของภาพ

2. เพอศกษาและพฒนาขนตอนวธการปรบปรงภาพกอนการจ าแนก 3. เพอเปรยบเทยบประสทธภาพของวธการทน าเสนอกบอลกอรทมการเรยนรของ

เครองแบบอน ๆ

 

 

 

 

 

 

 

 

4

1.3 ขอบเขตของการวจย 1. การทดสอบใชขอมลภาพแมมโมแกรมจาก Digital Database for Screening

Mammography หรอ DDSM จากเวบไซตของ University of South Florida ประเทศสหรฐอเมรกา (http://marathon.csee.usf.edu/Mammography/Database.html)

2. การเปรยบเทยบประสทธภาพของอลกอรทมในการจ าแนกจะท าการเปรยบเทยบกบ อลกอรทมการเรยนรของเครอง 2 แบบ คอ นาอฟเบย และ โครงขายประสาทเทยม

3. การเปรยบเทยบประสทธภาพจะใชเกณฑรอยละของความแมนในการจ าแนก คา Sensitivity คา Specificity คา F-measure และ พนทใตกราฟ ROC

1.4 ประโยชนทจะไดรบ ******จากการศกษาและพฒนางานวจยน ผวจยคาดวาอลกอรทมทพฒนาขนจะเกดประโยชนตอผใชในการน าไปจ าแนกมะเรงเตานมในภาพแมมโมแกรมในประเดนตาง ๆ ดงน

1. การปรบปรงภาพและการดงลกษณะส าคญจากภาพท าใหได ลกษณะส าคญทมประโยชนชวยใหการจ าแนกมประสทธภาพมากยงขน

2. คาความแมนในการจ าแนกขอมลภาพสงขนเมอเปรยบเทยบกบอลกอรทมอน ๆ 3. ท าใหการวเคราะหมะเรงเตานมจากภาพแมมโมแกรมมความแมนมากยงขนสงผลให

การรอดชวตของผปวยสงขน

 

 

 

 

 

 

 

 

บทท 2 ปรทศนวรรณกรรมและงานวจยทเกยวของ

******เนอหาในบทนประกอบดวยการทบทวนวรรณกรรมและงานวจย ทเ กยวของ*ซงประกอบดวยรายละเอยดทฤษฎการปรบปรงภาพ (Image Enhancement) การก าหนดขอบเขตภาพ (Region of Interest) ดวยวธการขยายพนท การหาลกษณะส าคญจากภาพ (Image Feature Extraction) การจ าแนกประเภทขอมลดวยซพพอรตเวกเตอรแมชชน (Data Classification with Support Vector Machine) และงานวจยทเกยวของ

2.1 ทฤษฎการปรบปรงภาพ 2.1.1 ตวกรองมธยฐาน (Median Filter) *********** ตวกรองมธยฐาน หรอมเดยนฟลเตอร เปนเทคนคการกรองสญญาณภาพแบบไมเปนเชงเสน หรอนอนลเนยร ซงนยมใชกนมากในการก าจดสญญาณรบกวนภายในภาพ เชน ใชในกระบวนการกอนประมวลผลภาพ (Preprocessing) เพอปรบภาพในเรยบ และมความชดเจนมากยงขนกอนน าภาพไปเขาสกระบวนการประมวลผล ซงตวกรองมธยฐานนนสามารถก าจดสญญาณรบกวนทมคาความเขมสทแตกตางจากพกเซลขางเคยงภายในภาพได โดยยงคงรกษาความคมชดของภาพและขอบของวตถ (Edge Contour) ในภาพไวได ************หลกการส าคญของตวกรองมธยฐาน คอ ใชหนาตางขนาดเลก (Window) ท าการประมวลผลในภาพซงขนาดหนาตางทนยมใชกนนนคอขนาด 33 พกเซล โดยหนาตางขนาดเลกนจะเลอนเพอท าการประมวลผลไปในทก ๆ พกเซลในภาพจากซายไปขวาโดยท าการเลอกต าแหนงพกเซลปจจบน (i, j) จากนนจงดคาความเขมสของพกเซลรอบขางอก 8 พกเซล แลวน าคาความเขมสของทง 9 พกเซล (รวมพกเซลปจจบน) มาท าการเรยงล าดบจากนอยไปมาก แลวคดเลอกคากลางหรอคามธยฐาน (Median) เพอน าไปแทนทในต าแหนงพกเซลปจจบน*(i, j) รปท*2.1*แสดงตวอยางการปรบปรงภาพดวยการใชตวกรองมธยฐาน คาในพกเซลปจจบนคอ 117 เมอไดรบการปรบปรงแลวจะถกเปลยนเปนคา 89 ซงเปนคามธยฐานของขอมล*9*พกเซล****************

 

 

 

 

 

 

 

 

6

23 100 45

109 117 90

89 78 34

89

23 100 45 109 117 90 89 78 34

2323 3434 4545 7878 8989 9090 100100 109109 117117

I(i, j) g(i, j)

N(i, j)

N(i, j)Sorted

min median max

รปท 2.1 ตวอยางการท างานของตวกรองมธยฐาน 2.1.2 การแกไขแกมมา (Gamma Correction) ************การปรบปรงภาพแมมโมแกรม หรอ Image Enhancement กอนน ามาจ าแนกวาเปนกอนเนอไมอนตรายหรอกอนเนอรายนนมความจ าเปนอยางมาก ทจะชวยใหผลของการจ าแนกมความแมนและถกตองมากยงขน วธปรบปรงภาพแมมโมแกรมทนยมน ามาใชในปจจบนและเปนวธทไมซบซอน เชน การใชเทคนค Grey-level Thresholding ซงเปนการปรบความเขมของระดบสเทาของบรเวณวตถทสนใจภายในภาพใหมความชดเจนมากยงขน ในท านองเดยวกนกปรบลดความเขมสในสวนของไขมนทเปนพนหลงใหมความเขมสทต าลง เทคนค*Grey-level*Thresholding ทน ามาใชในงานวจยครงนคอ วธปรบปรงภาพดวยเทคนคการแกไขแกมมาหรอแกมมาคอเรคชน ซงเปนวธแบบนอนลเนยร (Nonlinear) ท าหนาทในการแปลงความสวางของภาพใหมความเหมาะสม โดยปรบเปลยนพารามเตอรทชอวา แกมมา (Gamma) โดยท าการพจารณาความเขมของสในทก ๆจดพกเซลในภาพ โดยภาพแมมโมแกรมทใชในงานวจยนจะเปนภาพระดบสเทาซงมคาอยระหวาง 0 ถง 255 โดยท 0 หมายถงจดพกเซลทมความมดสงสง และ 255 หมายถงจดพกเซลทมความสวางสงสด*จงท าใหบรเวณภาพทเปนกอนเนอนนจะมความสวางมากกวาบรเวณภาพทเปนไขมนใน เตานม ซงอปกรณทรบภาพแมมโมแกรมมานนอาจจะแสดงความแตกตางของสระหวางบรเวณกอนเนอและไขมนไมชดเจนนก ดงนนการปรบปรงภาพแมมโมแกรมดวยวธการแกไขแกมมา จะปรบความเขมสใหบรเวณทสวางซงสนนษฐานวาเปนบรเวณกอนเนอใหมความสวางมากยงขน

 

 

 

 

 

 

 

 

7

และในทางกลบกนการแกไขแกมมา กจะท าการปรบความเขมสบรเวณทเปนไขมนซงมความสวางนอยอยแลวใหยงมดลง ท าใหเราไดภาพความแตกตางระหวางบรเวณกอนเนอและบรเวณไขมนชดเจนมากยงขน การค านวณคาแกไขแกมมา ท าไดดงสมการท (2-1)

(2-1)

************เ ม อ **ค อ ค า ท แปลงคว าม เขมของ ส ในภ าพ โด ยถา <1 จ ะ เ ร ย ก ว า EncodingxGamma หรอ Gamma Compression ในทางกลบกนหากคา >1 จะเรยกวา Decoding Gamma หรอ Gamma Expansion โดยผลของการแกไขแกมมา เปนได 2 ลกษณะ คอ ถา >1 จะท าใหสวนทเปนเงาหรอสวนมดภายในภาพยงมความเขมสทนอยลงหรอมดมากขนไปอก และหาก <1 จะท าใหสวนทเปนเงาหรอสวนทมดมความความเขมสทมากขนหรอท าใหบรเวณทมดสวางขนนนเอง รปท 2.2 (ก) แสดงความสมพนธระหวางการแกไขแกมมา จากอปกรณแสดงภาพหรอหนาจอ CRT (Cathode Ray Tube) และรปท 2.2 (ข) แสดงกราฟความสมพนธระหวางภาพกอนการแกไขแกมมากบภาพหลงการแกไขแกมมา โดยแกน X แสดงความเขมสของภาพกอนการแกไขแกมมา และ แกน Y แสดงความเขมสของภาพหลงการปรบแกมมา

top

bottom

low high

top

bottom

low high

< 1 > 1

(ก) (ข)

รปท 2.2 ภาพ (ก) จ าลองวธแกไขแกมมา และ (ข) แสดงผลของความเขมสเมอปรบคา (https://en.wikipedia.org/wiki/Gamma_correction)

 

 

 

 

 

 

 

 

8

2.2 การก าหนดขอบเขตของภาพดวยวธการขยายพนท ******การขยายพนทของสวนภาพ (Region Growing) เปนการแบงสวนภาพบนพนฐานของพนท (Region Based) ทมการก าหนดจดกงกลาง (Seed Point) ในภาพ แลวท าการขยายพนท (Growing) ออกไปยงจดพกเซลใกลเคยง โดยพจารณาจากคาระดบสเทา จนกระทงขอบเขตนนสนสดเมอมความเขมสของพกเซลปจจบนและพกเซลใกลเคยงทตางกนมาก ภายหลงเสรจสนขนตอนการขยายพนท กจะไดจ านวนขอบเขตในภาพหลาย ๆ ขอบเขต ซงแบงแยกจากกนอยางชดเจน ชวยใหขนตอนตอไปสามารถรวมสวนภาพทอยตดกนและมคาระดบสเทาใกลเคยงกนเขาไวดวยกน (Merging) รปท 2.3 แสดงตวอยางของการขยายพนทของสวนภาพโดยการพจารณาพกเซลใกลเคยง ******จดประสงคในการขยายพนทของสวนภาพคอการตดเฉพาะขอบเขตทนาสนใจ (Region of Interest: ROI) หรอบรเวณกอนเนอทมความหนาแนนสง เนองจากภาพแมมโมแกรมทไดนนจะมขนาดใหญและประกอบดวยสวนทเปนไขมนและกอนเนอ แตการน าภาพแมมโมแกรมมาจ าแนกนนจะสนใจเฉพาะบรเวณกอนเนอทมความหนาแนนสง ดงนนจงตองตดบรเวณทไมส าคญหรอบรเวณทเปนไขมนออกไป เพอลดขนาดภาพและลดเวลาในการประมวลผลภาพและการจ าแนกภาพ

Direction of growth

Seed pixel

Pixels begin considered

Grown pixels

รปท 2.3 การขยายสวนพนทของภาพ

******การค านวณเพอการขยายพนทของสวนภาพนน แสดงดงสมการท*(2-2)*ถง*(2-4) โดยท R แทนพนททสนใจ S แทนพกเซลทงหมดทพจารณา และ P แทน Logical Predicate หมายถงการพจารณาพกเซลใกลเคยง ยกตวอยางเชน หากคาพกเซลปจจบนมคาความเขมสคลายหรออยในชวงขดแบง (Threshold) ทก าหนด นนคอ P(Ri) = TRUE แตทงนคา Logical Predicate กอาจขนอยกบการพจารณาดวยวธการหรอคาอน ๆ ไดดวย

⋃

(2-2)

 

 

 

 

 

 

 

 

9

(2-3)

( ) (2-4) * ******จากสมการท (2-2) หมายถงการแบงขอบเขตตองสมบรณ (Completeness) โดย ททก*ๆ*พกเซลจะตองอยภายในขอบเขตใด*ๆ*และแตละขอบเขตจะตองไมซอนทบกน (Disjointness) สมการท (2-3) หมายถง คณสมบตหรอความเขมสในระดบสเทาของพกเซลใด ๆ ทอยในขอบเขตเดยวกนจะตองมคณสมบตทคลายกน (Satisfiability) เชน ความเขมสใกลเคยงกน และสมการท (2-4) หมายถง ขอบเขตใด ๆ ทท าการแบงแยกแลวจะแบงแยกจากกนอยางชดเจน หรอ แตละขอบเขตภายหลงการขยายพนทของสวนภาพจะตองแบงแยกกนอยางสนเชง (Segmentability) ซงในบางกรณ เชน การแบงขอบเขตภาพกอนเนอในเตานม บางขอบเขตทอยตดกนหรอมความหางเพยงเลกนอยกสามารถน าขอบเขตเหลานมาผสานกนได เพอความสะดวกในการน าไปดงลกษณะส าคญตอไป ******การขยายสวนพนทในภาพจะใชการพจารณาคาของพกเซลปจจบนรวมกบคาของพกเซลใกลเคยง (Neighborhood) โดยการพจารณาพกเซลใกลเคยงสามารถพจารณาไดสองแบบ คอ การพจารณาพกเซลใกลเคยงจ านวน 4 พกเซล (4-Neighberhoods) ดงแสดงในรป2.4 (ก) และการพจารณาพกเซลใกลเคยงจ านวน 8 พกเซล (8-Neighberhoods) ดงแสดงในรป 2.4 (ข)

(x, y+1)

(x, y)

(x, y-1)

(x-1, y) (x+1, y)

(ก)

(x, y+1)

(x, y)

(x, y-1)

(x-1, y+1)

(x-1, y)

(x-1, y-1)

(x+1,y+1)

(x+1, y)

(x+1, y-1)

(ข)

รปท 2.4 ต าแหนงการพจารณาพกเซลใกลเคยง (ก) 4 พกเซล (ข) 8 พกเซล ******ส าหรบตวอยางการขยายสวนพนท แสดงในรปท 2.5 โดยท าการพจารณาพกเซลใกลเคยงจ านวน 8 พกเซล เรมตนทรป 2.5 (ก) ก าหนดจดเรมตนในการขยายสวนพนทโดยแทนดวยเครองหมายดอกจน (Asterisk) จากนนท าการพจารณาพกเซลขางเคยงจ านวน 8 พกเซลโดยเปรยบเทยบคาพกเซลปจจบนกบพกเซลใกลเคยงหากมคาความเขมสใกลเคยงกน หรอมคาความ

 

 

 

 

 

 

 

 

10

เขมสอยในชวงขดแบง หรอ Threshold ทก าหนด กใหท าเครองหมายชารป (Sharp) ในพกเซลใกลเคยงเหลานน ดงแสดงในรปท 2.5 (ข) ถง 2.5 (ช) แตหากพกเซลใกลเคยงใดทมความเขมสตางกน หรอมคาความเขมสไมอยในชวงขดเบงกไมตองท าเครองหมายและไมตองน ามาพจารณา จากนนจงท ากระบวนการเดมซ าไปเรอย*ๆ*จนกระทงไมมจดพกเซลใกลเคยงทมความเขมสคลายกนจงหยดการขยายพนท สดทายจะไดบรเวณขอบเขตทสนใจโดยใชวธการขยายพนทดงแสดงในรป 2.5 (ซ) แตหากยงมขอบเขต อน*ๆ*ในภาพทยงไมไดท าการขยายพนทกท าตามกระบวนการเดมคอก าหนดจดเรมตนของขอบเขตอน ๆ และพจารณาพกเซลใกลเคยงตอไปจนครบทงภาพ

*

(ก)

# *

* *

(ข)

# # *

# # *

* * (ค)

*

# # #

# # #

# #

(ง) # *

# # # *

# # #

# #

(จ)

# #

# # # # *

# # # *

# #

(ฉ) # #

# # # # #

# # # #

# #

(ช)

Region1

(ซ)

รปท 2.5 ตวอยางการขยายสวนพนทโดยพจารณาพกเซลใกลเคยง 8 พกเซล

 

 

 

 

 

 

 

 

11

2.3 การหาลกษณะส าคญของภาพ 2.3.1 ลกษณะส าคญของลวดลาย (Texture Feature) ************ลวดลายภายในภาพเปนหนงในลกษณะส าคญทใชในการระบวตถ หรอขอบเขตท นาสนใจในภาพ ไมวาจะเปนภาพถายทางอากาศ (Aerial Photograph) ภาพถายจากดาวเทยม (Satellite Images) หรอภาพถายทางการแพทย (Medical Images) ซงลวดลายในภาพเหลานสามารถอธบายถงคณสมบตของภาพ และสามารถตความหรอบอกความแตกตางของภาพได คณสมบตของลวดลายนนยงสามารถน าไปใชในการจ าแนกภาพทางการแพทยเชน ภาพแมมโมแกรม และ ภาพ อลตราซาวด ลกษณะส าคญหรอคณลกษณะของลวดลายนนจะเปนขอมลทเกยวกบการกระจายของรปแบบโทนส*(Tone) ภายในภาพ ดงนนลกษณะการเปลยนแปลงของโทนสภายในภาพจงเปนขอมลส าคญซงน ามาใชในการจ าแนกภาพได ************ลกษณะส าคญของลวดลายนนสามารถหาไดจากเมตรกซของระดบสเทาทเกดขนรวมกน (Grey-level Co-occurrence Matrix) หรอ GLCM ฟงกชนใน GLCM นนจะท าการค านวณและเปรยบเทยบการเกดขนของระดบสเทาในภาพหรอรปแบบ (Pattern) ของระดบสเทาระหวางพกเซลในภาพ โดยใชความนาจะเปนในการแสดงผลของความชดเจนของลวดลาย (Contrast) การเกดขนรวมกนของลวดลาย (Correlation) และการเปนเนอเดยวกนของลวดลาย (Homogeneity) ซงลกษณะส าคญของลวดลายเหลานจะถกน าไปใชในกระบวนการจ าแนกภาพ ************การสราง GLCM นนมองคประกอบคอ P(i, j, d, ) ซงเปนการหาความนาจะเปนทเกดขนรวมกนของระดบสเทา (Joint Probability) ทต าแหนง i และ j โดยมการก าหนดระยะหางระหวางแตละพกเซลนนคอคา d รวมดวยการก าหนดทศทางทเปนไปไดในการดการเกดขนรวมกนระหวางแตละพกเซลนนคอคา ซงโดยทวไปนนทศทางทใชจะมคา และ

(Horizontal, Vertical, Right Diagonal and Left Diagonal) ดงแสดงในรปท 2.6 และส าหรบคา d นนสวนใหญจะใชเปนการวดระยะหางระหวางจดแบบแมนฮตทน (Manhattan Distance) ส าหรบการหาคา P(i, j, d, ) ของ GLCM ในทศทางทง 4 ทศทางนนสามารถแสดงดงสมการท (2-5) ถง (2-8)

 

 

 

 

 

 

 

 

12

6 7 8

5 * 1

4 3 2

90 degree

0 degree

135 degree 45 degree

รปท 2.6 ทศทางการนบความสมพนธ 4 ทศทางในการสรางเมตรกซ GLCM [{( ) โดยท | | }]

(2-5)

( ) โดยท หรอ

(2-6)

[{( ) โดยท | | }]

(2-7)

( ) โดยท หรอ

(2-8)

************รปท 2.7 แสดงตวอยางการหาลกษณะส าคญของลวดลาย จากรปท 2.7 (ก) เปนรปโทนสเทาขนาด 4 4 พกเซล ซงมคาโทนสคอ 0, 1, 2 และ 3 รปท 2.7 (ข) แสดงรปแบบของเมตรกซของการนบการเกดขนรวมกนของโทนสเทาในภาพ ยกตวอยางเชน จากรปท 2.7 (ข) ต าแหนงท (0, 0) หากท าการนบโทนสเทา (เครองหมาย # คอการนบจ านวน) ทเกดขนรวมกนในแนวนอน (Horizontal) ของโทนส (0,0) และก าหนดคา d=1 ในรปท 2.7 (ก) ผลลพธในการนบโทนสเทาทเกดขนรวมกนในต าแหนง (0, 0) แสดงดงรปท 2.7 (ค) ซงคาทนบได คอ 4 (นบทศทางแนวนอนทงซายและขวา) ในขณะเดยวกน รปท 2.7 (ง) 2.7 (จ) และ 2.7 (ฉ) กคอการนบในทศทาง แนวตง แนวทแยงมมดานซาย และแนวทแยงมมดานขวา ตามล าดบ

0 0 1 1

0 0 1 1

0 2 2 2

2 2 3 3

#(0, 0) #(0, 1) #(0, 2) #(0, 3)

#(1, 0) #(1, 1) #(1, 2) #(1, 3)

#(2, 0) #(2, 1) #(2, 2) #(2, 3)

#(3, 0) #(3, 1) #(3, 2) #(3, 3)

Grey Tone0 1 2 3

0

1

2

3

Gre

y To

ne

(ก) (ข)

 

 

 

 

 

 

 

 

13

PH =

0o

4 2 1 02 4 0 01 0 6 10 0 1 2

PV =

90o

6 0 2 00 4 2 02 2 2 20 0 2 2

(ค) (ง)

PLD =

135o

2 1 3 01 2 1 03 1 0 20 0 2 0

PRD =

45o

4 1 0 01 2 2 00 2 4 10 0 1 0

(จ) (ฉ)

รปท 2.7 ตวอยางการสรางเมตรกซ GLCM

************หลงจากไดเมตรกซทเกบจ านวนนบของการเกดขนรวมกนของโทนสเทาแลว ใหท าการหาความนาจะเปนทเกดขนรวมกนของระดบสเทาในทก*ๆ*ทศทาง*โดยน าผลรวมของคาทงหมดในเมตรกซมาหารกบคาทกต าแหนง (i, j) ในเมตรกซทเกบจ านวนนบ รปท 2.8 แสดงตวอยางการหาความนาจะเปนทเกดขนรวมกนของระดบสเทาในทศทาง หลงจากนนกจะสามารถค านวณหาลกษณะส าคญของลวดลายไดดวยการหา ความเปนเนอเดยวกนของลวดลาย ความชดเจนของลวดลาย และ การเกดขนรวมกนของลวดลายจากสมการท*(2-9)*(2-10) และ (2-11) ตามล าดบ

PH =0o

1/24 * =4 2 1 02 4 0 01 0 6 10 0 1 2

0.167 0.083 0.041 00.083 0.167 0 00.041 0 0.250 0.0410 0 0.041 0.083

รปท 2.8 ตวอยางการหาความนาจะเปนทเกดขนรวมกนของระดบสเทาในทศทาง

∑∑ (

| |)

(2-9)

 

 

 

 

 

 

 

 

14

∑∑

(2-10)

∑∑

(2-11)

************โดยท m และ n คอ ความกวางและความสงของเมตรกซ GLCM P(i, j) คอ ความนาจะเปนทต าแหนง (i, j) ในเมตรกซ GLCM x และ y คอคาเฉลยของเมตรกซ GLCM ตามแถวและคอลมน x และ y คอคาเบยงเบนมาตรฐานของเมตรกซ GLCM ตามแถวและ คอลมน ******2.3.2 ลกษณะส าคญของฮสโตแกรม (Histogram Based Feature) ************ รปรางลกษณะและคณสมบตของฮสโตแกรม เปนลกษะส าคญอกประเภทหนงทนยมน ามาใชเปนลกษณะส าคญในการจ าแนกภาพ ซงกราฟฮสโตแกรมจะใหขอมลสถตของความเขมสทเกดขนในภาพ และสามารถหาความนาจะเปนของความเขมสระดบสเทาทเกดขนในภาพ ดงสมการท (2-12)

(2-12)

โดยท i คอ 0, 1, 2, …….., G-1 h คอ จ านวนพกเซลทเกดขนในแตละความเขมสระดบสเทาเมอ i คอความเขม สระดบสเทามคาตงแต 0 ถง 255 G คอ ระดบโทนสเทาในภาพ N คอ จ านวนพกเซลของภาพในแนวนอน (Width) M คอ จ านวนพกเซลของภาพในแนวตง (Height)

กราฟฮสโตแกรมนนมคณลกษณะส าคญทางสถต (Statistic Feature) ทงหมด 4 คา ไดแก

1. คาเฉลย (Mean) คอ คาเฉลยความเขมส ซงค านวณไดจากสมการท (2-13)

∑

(2-13)

 

 

 

 

 

 

 

 

15

2. คาความแปรปรวน (Variance) คอ การเปลยนแปลงความเขมสรอบคาเฉลย ซงค านวณไดจากสมการท (2-14)

∑

(2-14)

3. ความเบ (Skewness) คอ คาทแสดงถงความสมมาตรของกราฟฮสโตแกรม หากฮสโตแกรมมความสมมาตรแลว ความเบจะมคาเปน 0 ซงสามารถค านวณไดจาก สมการท (2-15)

∑

(2-15)

4. ความโดง (Kurtosis) คอ คาทวดจดสงสดและต าสดภายในกราฟในฮสโตแกรม

ซงมความสมพนธกบการกระจายขอมลแบบปกต (Normal Distribution) ค านวณไดจากสมการท (2-16)

∑

(2-16)

************จากรปท 2.9 แสดงลกษณะความเบของกราฟฮสโตแกรมในลกษณะทแตกตางกนไป โดยรปท 2.9(ก) แสดงกราฟฮสโตแกรมเบทางขวา โดยมคาความเบเปนคาบวก รปท 2.9(ข) แสดงกราฟฮสโตแกรมเบทางซาย โดยมคาความเบเปนคาลบ และรปท 2.9(ค) แสดงกราฟฮสโต แกรมทสมมาตร โดยมคาความเบเขาใกลศนยหรอเทากบศนย

(ก) (ข)

 

 

 

 

 

 

 

 

16

(ค)

รปท 2.9 ลกษณะความเบของกราฟฮสโตแกรม (ก) เบทางขวา (ข) เบทางซาย (ค) สมมาตร (https://www.spcforexcel.com/knowledge/basic-statistics) ************จากรปท 2.10 แสดงลกษณะความโดงของกราฟฮสโตแกรมในลกษณะทแตกตางกนไป โดยรปท 2.10(ก) แสดงกราฟฮสโตแกรมทมคาความโดงนอย โดยมคาความโดงเปนคาลบ สวนรปท 2.10(ข) แสดงกราฟฮสโตแกรมทมคาความโดงมาก โดยมคาความโดงเปนคาบวก

(ก) (ข)

รปท 2.10 ลกษณะความโดงของกราฟฮสโตแกรม (ก) ความโดงนอย (ข) ความโดงมาก (https://www.spcforexcel.com/knowledge/basic-statistics) 2.3.3 ลกษณะส าคญของรปราง (Shape Feature) ************ การหาลกษณะส าคญของรปรางนนเปนองคประกอบทส าคญอยางหนงในการจ าแนกภาพ สมมตวาหากเราตองการทจะจ าแนกวตถสองชนดซงมรปรางตางกนจากภาพ ลกษณะส าคญของรปรางของวตถจะเปนตวระบความแตกตางของวตถแตละชนด ลกษณะส าคญของรปรางทส าคญไดแก พนท (Area) เสนผาศนยกลาง (Diameter) สวนนนของรปราง (Convex Area) โครง

 

 

 

 

 

 

 

 

17

ราง (Skeleton) เสนรอบรป (Perimeter) ระยะทางจากจดศนยกลางไปยงเสนขอบ (Centroid to Distance) ************ในการจ าแนกมะเรงเตานมจากภาพแมมโมแกรมนน โดยทวไปแลวลกษณะรปรางของกอนเนอทไมเปนอนตรายและกอนเนอรายจะมรปรางทตางกน คอ กอนเนอทไมเปนอนตรายจะมลกษณะเปนรปรางคอนขางกลมและขอบของกอนเนอจะมรอยหยกนอย ซงในทางกลบกนกอนเนอรายทมแนวโนมจะเปนมะเรงนนลกษณะรปรางจะไมเปนรปทรง มความบดเบยวและโคงงอมาก และขอบของกอนเนอจะมรอยหยกมาก ดงนนในงานวจยนจงเลอกใชลกษณะส าคญของรปราง โดยท าการวดระยะทางจากจดศนยกลางของกอนเนอไปยงเสนขอบ ซงวธการนจะเปนการดความเปลยนแปลงของความโคงจากจดศนยกลางไปยงเสนขอบ ซงถามการเปลยนแปลงความโคงจากจดศนยกลางไปยงเสนขอบนอยกสนนษฐานไดวาเปนกอนเนอไมอนตราย และหากมการเปลยนแปลงความโคงจากจดศนยกลางไปยงเสนขอบคอนขางมากกสนนษฐานไดวาเปนกอนเนอทมโอกาสเปนมะเรง ซงแสดงการหาระยะทางจากจดศนยกลางไปยงเสนขอบดงสมการท (2-17)

(2-17)

โดยท r(n) คอ ระยะทางจากจดศนยกลางไปเสนขอบใด ๆ ของวตถ x(n) คอ พกด x ของจดพกเซลทเปนเสนขอบ y(n) คอ พกด y ของจดพกเซลทเปนเสนขอบ gx คอ พกด x ของจดกงกลางวตถ gy คอ พกด y ของจดกงกลางวตถ ************นอกจากการหาระยะทางจากจดศนยกลางไปยงเสนขอบแลว คามม (Angle) ระหวางจดสองจดเมอวดจากแกน X กเปนอกคาหนงทส าคญโดยตองมการค านวณหาเพอใชในการ บงบอกลกษณะส าคญของรปราง สมการท *(2-18)*แสดงการหามมระหวางจดสองจด

(

)

(2-18)

************รปท 2.11 แสดงตวอยางการค านวณระยะทาง จากจดศนยกลาง gx = 123 และ gy =150 ไปยงพกดเสนขอบ x(n) = 190 และ y(n) = 80 สามารถค านวณไดดงน

 

 

 

 

 

 

 

 

18

gx=123, gy=150

x(n)=190, y(n)=80

รปท 2.11 การหาระยะทางจากจดศนยกลางไปยงเสนขอบ

2.4 การจ าแนกประเภทขอมลดวยซพพอรตเวกเตอรแมชชน ******ในปจจบนการจ าแนกขอมล (Data Classification) เปนงานวเคราะหขอมลพนฐานทส าคญของการเรยนรของเครอง (Machine learning) และสถต (Statistics) การจ าแนกสามารถน าไปประยกตใชกบขอมลไดหลายประเภท อาทเชน การจ าแนกขอมลจากฐานขอมล (Database) การจ าแนกขอมลภาพ (Image Classification) เปนตน ******ซพพอรตเวกเตอรแมชชน (Support Vector Machine : SVM) เปนวธการส าหรบจ าแนกขอมลทนยมใชอยางแพรหลายในปจจบน ซพพอรตเวกเตอรแมชชนเปนวธการเรยนรแบบมผ แนะน า (Supervised Learning) ซงสามารถน าไปประยกตใชไดกบปญหาการจ าแนกขอมล (Data Classification) และ การวเคราะหการถดถอย (Regression Analysis) การจ าแนกโดยซพพอรตเวกเตอรแมชชนนน มหลกการพนฐานคอจะท าการสรางไฮเปอรเพลนทมขอบทงสองดานกวางมากทสด (Maximum-margin Hyperplane) เพอท าการจ าแนกขอมลทน าเขามา และในขณะเดยวกนเมอไดไฮเปอรเพลนทมขอบทงสองดานกวางมากทสดแลว เสนของขอบแตละดานนนจะตองตดผานหรอครอบคลมขอมลน าเขาใหนอยทสด ดงนนการหาสมการไฮเปอรเพลนและขนาดของมารจนทเหมาะสม จะท าใหสามารถจ าแนกขอมลไดอยางมประสทธภาพ ดงแสดงในรป ท 2.12 เปรยบเสมอนการตดถนนผานบานเรอนประชาชน ซงจะตองสรางถนนใหกวางมากทสดเทาทจะเปนไปได และจะตองท าลายบานเรอนประชาชนใหนอยทสดดวย ตวแปรตางๆ (Parameter) ของวธการหาไฮเปอรเพลนนน ไดมาจากวธการหาค าตอบทดทสดแบบควอดราตกส (Quadratic Programming Optimization Problem)

 

 

 

 

 

 

 

 

19

******ก าหนดให ( ) เปนเซตของขอมลทจะท าการจ าแนก โดยมจ านวนจดซง

แทนขอมลแตละตวเทากบ จด และ มมตขอมลเทากบ มต (d-dimension) และสมมตวาเราจะท าการจ าแนกคลาส (Class) เพยงแคสองคลาส คอ , โดยก าหนดเปนคลาส +1 และคลาส -1 ดงนนขนตอนการท างานหลกของซพพอรตเวกเตอรแมชชน คอ การหาไฮเปอรเพลน การค านวณระยะทางจากจดขอมลไปยงไฮเปอรเพลน การก าหนดมารจนและซพพอรตเวกเตอรของไฮเปอรเพลน

X1

(w.x) +b = 1

(w.x)+b=-1

(w.x)+b=0 (Optimal hyperplane)

Maximum margin

X2

w

รปท 2.12 การจ าแนกขอมล 2 คลาส โดยวธการซพพอรตเวกเตอรแมชชน

2.4.1 ไฮเปอรเพลน (Hyperplane) ************ การจ าแนกเชงเสนดวยไฮเปอรเพลน h กบขอมล x ขนาด d มต นนสามารถแสดงได ดงสมการท (2-19)

(2-19)

************โดย แทนคา Weight Vector หรอเวกเตอรถวงน าหนก ใน d-dimension และ

เปนสเกลาร (Scalar) เรยกวาคาไบแอส (Bias) โดยในแตละจดทอยบนไฮเปอรเพลนนน แสดงดงสมการท (2-20)******************************************************************

(2-20)

 

 

 

 

 

 

 

 

20

************ไฮเปอรเพลน จะท าการแบงแยก d-dimension space ออกอยางละครง ซง เรยกวาการแบงแยกเชงเสน (Linear Separable) โดย และ คอ ตวแปรทใชเบยงเบนเสนทใชแยกคลาส สวน นนเปนอนพทเวกเตอร สวน จะเปนตวระบวาขอมลนนเปนคลาส หรอ ซงถาขอมลทน าเขามาสามารถจ าแนกแบบลเนยรได เรากจะสามารถหาไฮเปอรเพลนทเปนลกษณะของเสนตรงทสามารถแบงแยกขอมลได ส าหรบจดใด ๆ ทมคา จะไดคา และส าหรบจดใด ๆ ทมคา จะไดคา ซงสมการท (2-21) แสดงใหเหนถงวธการท านายวาขอมลนนสงกดอยคลาสใด

{

}

(2-21)

************ก าหนดให a1 และ a2 เปนจดสองจดใด ๆ ทอยบนไฮเปอรเพลน ซงจากสมการท (2-20) จะได

(2-22)

(2-23) ************เมอน าสมการท (2-22) และ (2-23) มาลบกน จะได (2-24) ************ในทนหมายถงเวกเตอรถวงน าหนก คอเสนทลากไปตงฉากกบไฮเปอรเพลน เนองจากเปนเสนตงฉากทลากไปยงเวกเตอรใด ๆ บนไฮเปอรเพลน และเวกเตอรถวงน าหนก ยงเปนตวก าหนดทศทางและปรบความเอยงหรอทศทางของไฮเปอรเพลนดวย สวนคาไบแอส จะเปนตวก าหนดออฟเซทหรอระยะหางของไฮเปอรเพลน ******2.4.2 ระยะทางจากจดไปยงไฮเปอรเพลน (Distance from Point to Hyperplane) ************ส าหรบทศทางของจดใด ๆ ไปยงไฮเปอรเพลนนน ก าหนดจด โดยจด แตละจดนนไมไดอยบนไฮเปอรเพลน ก าหนดให เปนจดบนไฮเปอรเพลนทลากเสนไปตงฉากกบจด ดงนน ดงแสดงในรปท 2.13 และสามารถหาคา ไดดงสมการท (2-25)

 

 

 

 

 

 

 

 

21

‖ ‖

(2-25)

************เมอ เปนระยะทางจากจด ไปยง นนคอ จะใหคาออฟเซต (Offset) ของ จด ไปยง ซงจะอยในเทอมของยนตเวทเวกเตอร

‖ ‖ ซงคาออฟเซต มเปนคาบวก ถา อยใน

ทศทางเดยวกนกบ และ จะมคาลบเมอ อยในทศทางตรงกนขามกบ หากแทนสมการท (2-25) ในสมการไฮเปอรเพลนท (2-22) จะได (

‖ ‖)

‖ ‖

‖ ‖

( ) ‖ ‖ ‖ ‖

(2-26)

************จากรปท 2.13 ส าหรบจดวงกลมทอยในคลาส +1 และจดสามเหลยมอยในคลาส -1 ไฮเปอรเพลน จะเปนเสนทแบงสเปซของแตละคลาสออกจากกน ส าหรบจด พนททระบายสจะอยในสวนของ ในทางตรงกนขาม จด ทอยในพนททไมระบายสจะอยในสวนของ ส าหรบยนตเวทเวกเตอร

‖ ‖ (เสนสเทา) คอเสนทลากไปตงฉากกบไฮเปอร

เพลน สวนทศทางจากจดออรจน (Origin) ไปยงไฮเปอรเพลน คอ

‖ ‖

รปท 2.13 ไฮเปอรเพลน 2 มต (Zaki, 2014)

4

 

 

 

 

 

 

 

 

22

************ในขนตอนสดทายนนจาก ( ) เนองจาก เปนจดทอยบนไฮเปอรเพลน หากใชผลของสมการ*(2-26)*เราจะไดระยะทางของจดแตละจดไปยงไฮเปอรเพลนดงสมการท (2-27)

‖ ‖ (2-27)

************ระยะทางทจะไดนนจะตองไมเปนคาตดลบ ดงนนจงน าเอาคา ไปคณกบ ของแตละจด เนองจาก เปนคลาส -1 และ เปนคลาส +1 ดงนนระยะทางของจด จากไฮเปอรเพลน (แทนระยะทางดวย ) จะไดดงน

‖ ‖

(2-28)

************และส าหรบระยะทางจากจดออรจน จะไดระยะทาง ดงสมการท (2-29)

‖ ‖

‖ ‖

‖ ‖ (2-29)

************พจารณาตวอยางขอมล 2 มต จากรปท 2.13 ไฮเปอรเพลนเปนเสนตรง และก าหนดใหทกจด

จากรป ไฮเปอรเพลนทแสดงจะอยในรปของสมการ (2-30) หากจดสมการใหม จะไดเปน

(2-31)

************เมอ

เปนความชนของเสน และ

เปนตวแบงตามมตท 2 และเมอพจารณา

2 จดใด ๆ บนไฮเปอรเพลน ดงน และ ดงน นความชนจะมคาเปน

(2-32)

5

 

 

 

 

 

 

 

 

23

ซงหมายถง และ ส าหรบจด (4,0) บนไฮเปอรเพลนเราสามารถค านวณคา ไดดงน

(2-33)

ดงนน ( ) คอเวกเตอรถวงน าหนก และ คอคาไบแอส และสมการของไฮเปอร

เพลน เปนดงน (

)

(2-34)

และเราสามารถหาระยะทางจากจดออรจนไปยงไฮเปอรเพลนได ดงน

‖ ‖

√ (2-35)

******2.4.3 มารจนและซพพอรตเวกเตอรของไฮเปอรเพลน (Margin and Support Vector of Hyperplane) ************เมอก าหนดขอมลฝกสอน (Training Dataset) ของแตละจด คอ

โดยทคลาส และไฮเปอรเพลน เราสามารถหาระยะ จากแตละจด ไปยงไฮเปอรเพลน ได ดงน

‖ ‖

‖ ‖

(2-36)

พจารณาทก จด โดยสามารถหามารจนของการจ าแนกแบบลเนยร ซงเปนระยะทางทสนทสดจากจดไปยงไฮเปอรเพลน ดงน

{

‖ ‖}

(2-37)

************ถาก าหนดให คอระยะทางทสนทสดจากจด x ไปยงไฮเปอรเพลน และ

เนองจาก ถกก าหนดใหเปนเสนไฮเปอรเพลนทท าการจ าแนก เราจะเรยกทก ๆ จด หรอเวกเตอรทมคาระยะทางสนทสดจากมารจนไปยงไฮเปอรเพลนวา ซพพอรตเวกเตอร ซงแสดงสมการค านวณระยะทางสนทสดไดดงน

 

 

 

 

 

 

 

 

24

‖ ‖

(2-38)

************จากสมการท (2-38) ตวแปร เปน Class Label ของ โดยท คอจดทเปนซพพอรตเวกเตอร และจากสมการ จะใหคาของระยะทางทแทจรงของซพพอรตเวกเตอรไปยงไฮเปอรเพลน ในขณะทตวหาร ‖ ‖ จะเปน Relative Distance ในเทอมของ เมอพจารณา Canonical Hyperplane ซงมหนวยเปน Scalar จากสมการท (2-39)

(2-39)

************เพอทจะใหได Canonical Hyperplane ทเหมาะสมนน เราจะท าการเลอกคา scalar s ทมระยะทางจากไฮเปอรเพลนไปซพพอรตเวกเตอรทมคาเทากบ 1 นนคอ (2-40) ซงหมายถง

(2-41)

************และตงแตนเปนตนไป เราจะสมมตวา Separating Hyperplane ใด ๆ เปน Canonical นนคอเปนไฮเปอรเพลนทเหมาะสมทใชในการจ าแนก และมารจนสามารถค านวณหาได ดงน

‖ ‖

‖ ‖

(2-42)

************ส าหรบ Canonical Hyperplane และส าหรบ ซพพอรตเวกเตอร (กบ label

) แตละตว จะได

และส าหรบจดใด ๆ ทไมใชซพพอรตเวกเตอร นนคอ

เนองจากจดใด ๆ ทไมใชซพพอรตเวกเตอร จดเหลานนจะมระยะหางจากไฮเปอรเพลนมากกวาจดทเปนซพพอรตเวกเตอรดงนนสมการดานลางนจะเปนการแสดงถงจดใด ๆ ทอยในชดขอมล D

ส าหรบ

(2-43)

************จากรปท 2.14 แสดงซพพอรตเวกเตอรและ มารจนของไฮเปอรเพลน ซงก าหนดสมการของไฮเปอรเพลนดงน

(

)

6

 

 

 

 

 

 

 

 

25

พจารณาซพพอรตเวกเตอร และอยในคลาส จากสมการในการหา Canonical Hyperplane นนเราจะตองท าการแปลงเวกเตอรถวงน าหนก และไบแอส ใหเปน Scalar s โดยใชสมการท (2-41)

( ) ( )

ดงนน จะไดเวกเตอรถวงน าหนก ทแปลงแลว เปน

(

) (

)

และจะไดไบแอส ทแปลงแลว เปน

Canonical ของ ไฮเปอรเพลน แสดงไดดงน

(

)

(

)

และมารจนของ Canonical Hyperplane คอ

‖ ‖

√

√

************ดงนนในตวอยางการค านวณน จากรปท 2.14 จะเหนวามซพพอรตเวกเตอรจ านวน 5 จด (แสดงจดทระบายสทบ) คอ (2,2) และ (2.5, 0.75) สงกดอยในคลาส แสดงเปนรปสามเหลยม และ (3.5, 4.25), (4, 3) และ (4.5, 1.75) สงกดอยในคลาส แสดงเปนรปวงกลม

รปท 2.14 มารจนของไฮเปอรเพลนทเหมาะสม (Zaki, 2014)

 

 

 

 

 

 

 

 

26

******2.4.4 การแบงแยกเชงเสน (Linear Separation) ************การแบงแยกเชงเสนเพอจ าแนกขอมลจะใชไฮเปอรเพลนทมความกวางของ มารจนมากทสด (Maximum Margin Hyperplane) ดวยหลกการของซพพอรตเวกเตอรแมชชนทจะท าการเลอก Canonical Hyperplane ซงถกก าหนดโดยคาเวกเตอรถวงน าหนก w และ ไบแอส b และผลลพธกคอจะไดคามารจนทกวางมากทสดทสามารถจะจ าแนกไดโดยไฮเปอรเพลนทเหมาะสมทสดดงสมการ ถา

คอคามารจนส าหรบไฮเปอรเพลน ดงนนจดมงหมายของการหาไฮเปอรเพลนทดและเหมาะสมทสดคอการหาคา

{

‖ ‖}

(2-44)

************ส าหรบเปาหมายของซพพอรตเวกเตอรแมชชนในการหาไฮเปอรเพลนทมความกวางของมารจนมากทสดนนคอ

‖ ‖ ซงสอดคลองกบสมการท*(2-43)*นนคอ

ส าหรบทกจด ขอสงเกตคอ แทนทเราจะท าการหาคามารจนทกวางทสดดวยคา

‖ ‖ เราก

จะท าการหาคา ‖ ‖ ทนอยสดซงจะไดสตรดงสมการดานลางน

Objective Function: {‖ ‖

}

Linear Constraint:

(2-45) (2-46)

************แนวคดทส าคญอกอยางหนงเพอทจะท าการหาไฮเปอรเพลนทเหมาะสมทสดนน คอการน าคา Lagrange Multiplier เขาไปคณกบสมการท (2-45) โดยอยในเงอนไขของ Karush-Kuhn-Tucker (KKT) ดงนนจากผลการคณจะไดสมการท (2-47)

and

(2-47)

************ส าหรบการหาคาเวกเตอรถวงน าหนก และ คาไบแอส เราจะตองไดคา ส าหรบ i = 1,…,n มากอน และหลงจากนนกจะสามารถหาคาเวกเตอรถวงน าหนก w และ คาไบแอส b ได ซงสอดคลองกบเงอนไขของ KKT ดงสมการท (2-47) และจะไดผลลพธออกมาเปน 2 กรณ คอ

i) หรอ ii)

ซงหมายถง

 

 

 

 

 

 

 

 

27

************ผลลพธทไดมาน มความส าคญมาก เ นองจาก ถา จะท าใหกรณ

เ ปนจ รง โดยจด คอซพพอรตเวก เตอร ในทางกลบกน ถา

จะหมายถงกรณ เปนจรง นนคอถาหากจดใด ๆ ทไมใชซพพอรตเวกเตอร จะได

************เนองจากคา จะตองถกน าไปคณกบทกจดขอมล ดงนนเราสามารถค านวณคาเวกเตอรถวงน าหนก w จากสมการท (2-48) ∑

(2-48)

************กลาวอกนยหนงนนคา w ทไดจะเปน Linear Combination ของซพพอรตเวกเตอรทงหมด ซง แตละตวจะบงบอกถงน าหนกของซพพอรตเวกเตอร ดงนนหากคา นนหมายถงจดนน ๆ ไมใชซพพอรตเวกเตอร จงไมจ าเปนจะตองค านวณหาคา w ************ส าหรบการค านวณหาคาไบแอส b นน เราจะตองค านวณหาคา b ของซพพอรตเวกเตอร แตละตวกอน ดงน

(2-49)

(2-50)

(2-51)

และสามารถหาคาเฉลยของไบแอสจากซพพอรตเวกเตอรทงหมดได ดงน

(2-52)

************การจ าแนกดวยซพพอรตเวกเตอร จดประสงคส าคญคอการหาคาไฮเปอรเพลนทเหมาะสมทสด นนคอ ซงส าหรบจดใหมทเราจะน าเขามาท าการจ าแนกนน เราสามารถท านายไดดงสตรน

( )

(2-53)

เมอคา sign(.) จะไดผล +1 ถาผลลพธเปนบวก และใหคา -1 เมอผลลพธเปนลบ

 

 

 

 

 

 

 

 

28

******2.4.5 ซพพอรตเวกเตอรแมชชนแบบซอฟตมารจน (Soft Margin SVM) ************จากหวขอทผานมาเราไดสมมตวา การจ าแนกแบบลเนยรนนสามารถท าไดอยางสมบรณแบบ โดยซพพอรตเวกเตอรแตละตวจะอยบนเสนของมารจนเทานน แตในความเปนจรงแลว การจ าแนกอาจไมจ าเปนตองสมบรณแบบ ซงอาจจะอนญาตใหจดทเปนซพพอรตเวกเตอร ไมจ าเปนตองอยบนเสนมารจนเสมอไป เราสามารถอนญาตใหซพพอรตเวกเตอรบางจด อยในขอบเขตระหวางมารจนกบไฮเปอรเพลนได ซงท าใหการจ าแนกนนมความยดหยนขน ดงแสดงในรปท 2.15 วธการนจะท าการหาคา Slack Variable เพมเตมในการตดสนความยดหยนของมารจน

รปท 2.15 ซอฟตมารจนไฮเปอรเพลน จดทระบายสทบหมายถงซพพอรตเวกเตอร สวนความ

กวางของมารจนเทากบ

‖ ‖ (Zaki, 2014)

************จากทไดกลาวมาแลวเราสามารถท าการจ าแนกขอมลแบบลเนยรและไดไฮเปอร เพลนทเหมาะสมจากสมการ

ซพพอรตเวกเตอรแมชชนสามารถตดสนจดใด ๆ ทไมสามารถจ าแนกไดดวยการพจารณาคา Slack Variables

ดงสมการท (2-54)

(2-54)

************เมอ คอคา Slack Variable ส าหรบจด ซงคา Slack Variable นจะแสดงถง

ความลวงล าเขตของจดซพพอรตเวกเตอร ภายในบรเวณของมารจน คาของ Slack Variable จะแบงเปน 3 ประเภทดงน ถา

จดขอมลจะอยหางจากไฮเปอรเพลนดวยระยะทางอยางนอย

‖ ‖ ถา

แสดงวาจดนนอยภายในมารจนและถกจ าแนกไดถกคลาสและอยถกฝงของ

13

 

 

 

 

 

 

 

 

29

ไฮเปอรเพลน อยางไรกตามหาก แสดงวาจดนนถกจ าแนกผดคลาสและอยผดฝงของ

ไฮเปอรเพลน ************ในกรณของ Non-separable หรอจดขอมลทไมสามารถจ าแนกคลาสไดอยางสมบรณนน จะใชเทคนค ซอฟตมารจน ซงเปาหมายหลกของซพพอรตเวกเตอรกคอยงตองหาไฮเปอรเพลนทเหมาะสมและมมารจนกวางทสด โดยอนญาตใหม Slack Variable ไดแตตองเปนคาทเหมาะสมไมมากหรอนอยเกนไป โดยแสดงดงสมการ (2-55) และ (2-56)

Objective Function:

{ ‖ ‖

∑

}

Linear Constraints:

(2-55) (2-56)

************เมอ C และ k เปนคาคงทซงเปนตวบงบอกถงคาใชจาย (Cost) ของการจ าแนกทผดพลาด (Misclassification) ตวอยางคอ หากคา C มคาเปน 0 หรอเขาใกล 0 นนหมายถงไมอนญาตใหจดใด ๆ ถกจ าแนกผด ดงนนสมการ (2-55) จงท าการหามารจนทกวางทสดตามปกต ในทางกลบกนหาก C มคามากขน เชน C เขาใกลคา (Infinity) กจะมผลกระทบกบการหาคามารจนทเหมาะสมอยางมาก ส าหรบคาคงท k นนจะมการตงคาเปน 2 คาดวยกน คอ 1 และ 2 ซงถาหาก k=1 จะเรยกวา Hinge Loss จดประสงคคอตองการหาจ านวนผลรวมของคา Slack Variables ทนอยทสด แตหาก k=2 เรยกวา Quadratic Loss จดประสงคคอตองการหาคาผลรวมยกก าลงสองทนอยทสดของ Slack Variables

******2.4.6 เคอรเนลฟงกชนกบซพพอรตเวกเตอรแมชชน (Kernel Function with SVM) ************ในบางกรณการจ าแนกขอมลแบบลเนยรนนไมสามารถทจะจ าแนกขอมลไดอยางถกตอง จงจ าเปนตองน าเคอรเนลฟงกชน (Kernel Function) มาใชรวมกบซพพอรตเวกเตอรแมชชน หลกการคอจะตองท าการแมพ (Map) หรอแปลง d-dimensional ของจด xi ในอนพทสเปซไปเปน จด ∅ ในมตขอมลทสงขน (High-dimensional Feature Space) ************รปท 2.16 แสดงตวอยางลกษณะขอมลทการจ าแนกขอมลแบบลเนยรไมสามารถทจะจ าแนกไดอยางถกตอง อยางไรกตามจากขอมลดงรปท 2.16 นนสามารถใช Quadratic Classifier ในการจ าแนกคลาสสองคลาสได โดยก าหนดใหขอมลในอนพทสเปซขนาด 2 มต

ถกแปลงไปเปนฟเจอรสเปซ (Feature*Space)*ทมหามตเปน*

*โดยใชสตร

การแปลงดงน ∅ √ √

√ ดงนนจงเปนไปไดทจะท าการจ าแนก

 

 

 

 

 

 

 

 

30

ขอมลแบบลเนยรบนขอมลมตทสงขนในฟเจอรสเปซ ซงจากรปท 2.16 จะเหนไดวารปวงรทเปนเสนทบสด า จะสามารถจ าแนกคลาส 2 คลาสออกจากกนได (คลาสแสดงรปสามเหลยมและวงกลม) สวนจดตาง ๆ ทเปนซพพอรตเวกเตอรนนจะแสดงจดทระบายสทบ ซงอยบนเสนมารจน (แสดงดวยเสนประ)

รปท 2.16 ซพพอรตเวกเตอรแมชชนแบบไมเปนเชงเสน จดทระบายสทบคอซพพอรตเวกเตอร (Zaki, 2014)

************ส าหรบเคอรเนลฟงกชนมหลายแบบใหเลอกใชงาน ซงหากลกษณะของขอมลไมสามารถทจะจ าแนกแบบลเนยรแลวสามารถเลอกใชเคอรเนลฟงกชนแตละแบบได เนองจากชดขอมลแตละชดนนมการกระจายและมตขอมลทแตกตางกน ซงสวนใหญแลวนกวจยจะเลอกใชเคอรเนลฟงกชนหลาย ๆ แบบ และน าผลความแมนมาเปรยบเทยบกน ซงอาจบอกไมไดวาเคอรเนลฟงกชนใดเหมาะกบขอมลประเภทใด ดงนนจงตองมการทดลองกบเคอรเนลฟงกชนมากกวาหนงแบบ ส าหรบเคอรเนลฟงกชนทนยมใชกนในปจจบนสามารถแสดงไดดงตารางท 2.1

ตารางท 2.1 เคอรเนลฟงกชนทนยมใชรวมกบซพพอรตเวกเตอรแมชชน Kernel Type Function :

Radial Basis Function (RBF) ‖ ‖

Inverse multiquadratic

√‖ ‖

 

 

 

 

 

 

 

 

31

ตารางท 2.1 เคอรเนลฟงกชนทนยมใชรวมกบซพพอรตเวกเตอรแมชชน (ตอ) Kernel Type Function :

Polynomial of degree d

Sigmoidal

Linear

2.5 เกณฑทใชในการวดประสทธภาพของโมเดล ******2.5.1 เกณฑความแมน (Accuracy) ************เกณฑความแมนเปนเกณฑทใชวดระดบความถกตองหรอความแมนในการจ าแนกประเภทขอมลของโมเดลทเรยนรจากชดขอมลฝก และจะแสดงผลลพธทจ าแนกไดวาเปนคลาสบวก (Positive Class: P) หรอ คลาสลบ (Negative Class: N) ซงผลลพธทไดสามารถมได 4 แบบ คอ

1. True Positive (TP) หมายความวา ผลลพธทไดจากการท านายคอ P และคาจรง ๆ กคอ P ดวย เชน หากโมเดลท านายผปวยคนหนงวาเปนมะเรงเตานมแลวผลการตรวจสอบบอกวาเปนมะเรงเตานมจรง

2. False Positive (FP) หมายความวา ผลลพธทไดจากการท านายคอ P แตวาคาจรง ๆ แลวคอ N เชน หากโมเดลท านายผปวยคนหนงวาเปนมะเรงเตานม แตผลการตรวจสอบบอกวาไมเปนมะเรงเตานม

3. True Negative (TN) หมายความวา ผลลพธทไดจากการท านายคอ N และคา จรง ๆ กคอ N ดวย เชน หากโมเดลท านายผปวยคนหนงวาไมเปนมะเรงเตานมแลวผลการตรวจสอบบอกวาไมเปนมะเรงเตานมจรง

4. False Negative (FN) หมายความวา ผลลพธทไดจากการท านายคอ N แตวาคา จรง ๆ แลวคอ P เชน หากโมเดลท านายผปวยคนหนงวาไมเปนมะเรงเตานม แตผลการตรวจสอบบอกวาเปนมะเรงเตานม

ซงสามารถค านวณคาความแมนไดดงสมการท (2-57)

(2-57)

 

 

 

 

 

 

 

 

32

******2.5.2 คา Sensitivity ************คา Sensitivity หรอคา Recall จะบงบอกถงความสามารถของการทดสอบทสามารถวนจฉยผปวยทเปนโรคมะเรงไดอยางถกตอง โดยพจารณาขอมลท านายทอยในคลาส Positive เทยบกบขอมลจรงทงหมดของคลาส Positive สามารถค านวณหาคา Sensitivity ไดดงสมการท (2-58)

(2-58)

******2.5.3 คา Specificity ************คา Specificity ใชส าหรบบงบอกความสามารถของการทดสอบทสามารถวนจฉยผทไมปวยเปนมะเรงไดอยางถกตอง สามารถค านวณหาคา Specificity ไดดงสมการท (2-59)

(2-59)

******2.5.4 คา Precision ************คา Precision เปนการวดความแมนของโมเดล โดยพจารณาขอมลท านายทอยในคลาส Positive เทยบกบจ านวนขอมลทท านายวาเปนคลาส Positive ทงหมด แสดงไดดงสมการท (2-60)

(2-60)

******2.5.5 คา F-measure ************คา F-measure เปนการวดคา Precision และ Recall พรอมกนของโมเดล หรอคาเฉลยทใหความส าคญกบ Precision และ Recall เทา ๆ กน แสดงไดดงสมการท (2-61)

(2-61)

******2.5.6 Confusion Matrix ************โดยทวไปแลวการจะแสดงประสทธภาพของโมเดลจ าแนกนนนยมทจะใชตาราง Confusion Matrix มาแสดง โดยการเกบขอมลจ านวนแถวทจ าแนกจากกลมขอมลจรงและกลม

 

 

 

 

 

 

 

 

33

ขอมลจากการท านาย ตาราง Confusion Matrix นนจะมขนาด m x m โดยท m คอจ านวนของคลาส ดงแสดงในรปท 2.17 เปนตวอยางในการจ าแนกขอมลทมทงหมด 80 ขอมล

True Positive(TP) = 68

False Positive(FP) = 4

False Negative(FN) = 3

True Negative(TN) = 5

Positive Negative

Positive

Negative

(Predict)

(Actual)

Sensitivity = TP/(TP+FN) = 68/(68+3) = 95.77%

Specificity = TN/(FP+TN) = 5/(4+5) = 55.56%

Accuracy =(TP+TN)/ (TP+TN+FP+FN) = (68+5)/ (68+5+4+3) = 91.25%

รปท 2.17 ตวอยาง Confusion Matrix ******2.5.7 กราฟ Receiver Operation Characteristic (ROC) ************ROC เปนมาตรฐานการวดประสทธภาพอกประเภทหนงซงมวตถประสงคเพอน ามาใชในการประเมนประสทธภาพในการจ าแนกขอมล การสรางกราฟ ROC จะเปนการพลอต (Plot) กราฟ 2 มต โดยใชแกน X แทนคา False Positive Rate (1- Specificity) และ แกน Y แทนคา True Positive Rate (Sensitivity) โดยการแปรคาจดตด (Cut-off point) และหาคาพนทใตกราฟ (Area under Curve) ************เครองมอในการตรวจวนจฉยทดควรมคา Sensitivity สง และม Specificity สง ซงประการหลงจะท าใหมคา False Positive Rate ต า สงผลใหกราฟ ROC เขาชดมมซายบนมากทสดจงท าใหมพนทใตกราฟมาก นอกจากนการสรางกราฟ ROC ยงชวยในการเปรยบเทยบประสทธภาพของการตรวจวนจฉยโดยการใชเครองมอหรอวธการทแตกตางกนไดดวย โดยเปรยบเทยบพนทใตเสนโคงของการตรวจวนยฉยแตละชนด พนทใตโคงทมากกวาแสดงถงประสทธภาพทสงกวา ยกตวอยางเชน การเปรยบเทยบประสทธภาพการจ าแนกมะเรงเตานมจากภาพแมมโมแกรมโดยใชอลกอรทมตางชนดกน สามารถน าผลการจ าแนกของอลกอรทมตาง ๆ มาสรางกราฟ ROC เพอเปรยบเทยบประสทธภาพของแตละโมเดลได รปท 2.18 แสดงตวอยางกราฟ ROC

 

 

 

 

 

 

 

 

34

รปท 2.18 กราฟ ROC และพนทใตกราฟเพอใชในการวดประสทธภาพของโมเดลการจ าแนก (http://www.intechopen.com/books/data-mining-applications-in-engineering-and- medicine)

2.6 งานวจยทเกยวของ ******การวเคราะหภาพแมมโมแกรมเพอจ าแนกมะเรงเตานมนนเปนงานวจยทนาสนใจ เนองจากการวเคราะหดวยภาพนนชวยใหการวเคราะหสะดวกขนโดยคนไขทมกอนเนอผดปกตในบรเวณทรวงอกและตองการทราบวาตนปวยเปนมะเรงเตานมหรอไมนนสามารถเขารบการตรวจวเคราะหได โดยไมตองเขารบการผาตดชนเนอซงมความเสยงมากกวาการถายภาพรงส ดงนนจงมงานวจยทหลากหลายในการพยายามทจะวเคราะหและจ าแนกมะเรงเตานมใหมความแมนและมประสทธภาพสง จากความรของนกรงสวทยาลกษณะรปรางของกอนเนอในทรวงอกทเปนกอนเนอไมอนตราย และกอนเนอรายนนมรปราง ลกษณะ และความหนาแนนทแตกตางกน แตในหลายปทผานมาการวเคราะหของนกรงสวทยาอาจมความผดพลาดได การวเคราะหนนจงตองใชประสบการณ การฝกฝน และความรเฉพาะทาง แตถงกระนนกยงมการส ารวจพบวาประมาณ 10% ของกอนเนอรายทงหมดในภาพแมมโมแกรม ถกอานและวเคราะหผดโดยนกรงสวทยา ซงท าใหมคา False Positive คอนขางสง และกอนเนอสวนใหญทมการวเคราะหผดพลาดนนจะอยในทรวงอกทมความหนาแนนสง (Jackson et al., 1993)

 

 

 

 

 

 

 

 

35

******Sivaramakrishna และ คณะ(2002) ไดท าการสรปความผดพลาดในการวเคราะหภาพแมมโมแกรมของนกรงสวทยาวาเกดจากสาเหตส าคญ 3 ประการ คอ 1.ลกษณะส าคญของกอนเนอจากภาพแมมโมแกรมทจะท าการวนจฉยมความไมชดเจน 2.สญญาณรบกวนภายในภาพแมมโมแกรมซงอาจเกดจากคณภาพของเครองเอกซเรย 3.ลกษณะส าคญบางประการของภาพยงคลมเครอและไมสามารถวเคราะหและวนจฉยไดดวยตาเปลา ดงนนจงมงานวจยทนกวจยหลายคนไดน าเสนอเพอท าการจ าแนกมะเรงเตานมจากภาพแมมโมแกรมใหมความแมนมากยงขน ดงน ******Karmilasari และ คณะ(2014) เสนออลกอรทมการจดกลมภาพแมมโมแกรมทชอวา Sample k-means ซงท าการวเคราะหภาพแมมโมแกรมของผปวยมะเรงเตานมขนท 1 ขนท 2 และขนท 3 โดยใชขนาดพนทของกอนเนอเปนขอมลตดสนการลกลามของกอนเนอมะเรงทง 3 ขน ในขนตอนแรกใชวธ Otsu ในการปรบความเขมสภายในภาพใหบรเวณกอนเนอมความชดเจนมากยงขน และใชวธการขยายสวนพนทของภาพในการหาขอบเขตทสนใจของกอนเนอในภาพแมมโมแกรม หลงจากนนจงใชวธการหาขอบภาพ (Edge Detection Method) จากขอบเขตทสนใจโดยวธตรวจหาขอบแบบแคนน (Canny Edge Detection) และเนองจากขอบภาพทไดจากกอนเนอในภาพ แมมโมแกรมนนอาจมขอบทบาง ดงนนจงมการใชเทคนคการขยายเสนขอบ (Dilation) ในการปรบใหเสนขอบมความหนาและชดเจนขน หลงจากนนจงน าภาพทไดจากขนตอนการหาขอบน ามาหาพนท และน าเขาสกระบวนการจดกลมโดยใชวธการจดกลมดวย k-means ซงผปวยขนท 1 จะมขนาดของกอนเนอระหวาง 3,000 ถง 35,000 พกเซล ผปวยขนท 2 จะมขนาดของกอนเนอระหวาง 35,000 ถง 85,000 พกเซล และ ผปวยขนท 3 จะมขนาดของกอนเนอระหวาง 85,000 ถง 250,000 พกเซล ในงานวจยนไดใชภาพแมมโมแกรมของผทตรวจพบกอนเนอรายจ านวน 33 ภาพจากฐานขอมล MIAS (Mammographic Image Analysis Society) ******Braz และคณะ (2009) เสนออลกอรทมในการจ าแนกภาพแมมโมแกรมชอ Moran’s Index และ Geary’s Coefficient ซงใชเฉพาะภาพบางสวนทเปนบรเวณกอนเนอซงท าการตดมาจากภาพแมมโมแกรมขนาดใหญ โดยท าการจ าแนกกอนเนอในภาพเปน 2 คลาส คอ กอนเนอไมอนตรายและกอนเนอราย โดยในขนตอนแรกจะใชวธการปรบปรงภาพใหมความเขมสบรเวณกอนเนอมความชดเจนขนโดยใชวธ Histogram Equalization จากนนจงน าภาพหลงผานการปรบปรงแลวไปท าการหาลกษณะเดนของลวดลายโดยใชเมตรกซ GLCM รวมกบการดงลกษณะส าคญโดยใชวธ Moran’s Index และ Geary’s Coefficient หลงจากนนจงใชซพพอรตเวกเตอรแมชชนในการจ าแนกรวมกบเคอรเนลฟงกชนเรเดยลเบสส การวดประสทธภาพของอลกอรทมนใชคาความแมน และพนทใตกราฟ ROC เปนเครองมอในการวดประสทธภาพ ในการวจยนไดใชภาพแมมโมแกรมจากฐานขอมล DDSM จ านวน 584 ภาพซงเปนการตดเฉพาะภาพบรเวณกอนเนอมาประมวลผล

 

 

 

 

 

 

 

 

36

******Rouhi และ คณะ (2015) เสนออลกอรทมในการจ าแนกกอนเนอไมอนตรายและกอนเนอรายจากภาพแมมโมแกรม โดยใชวธการขยายสวนพนทของภาพรวมกบ Cellular Neural Network (CNN) โดยในขนตอนแรกจะเปนการก าจดสญญาณรบกวนในภาพโดยใชตวกรอง มธยฐาน หลงจากนนจงท าการหาขอบเขตทสนใจ หรอ ROIโดยใชวธการขยายสวนพนทของภาพ จากนนจงน า ROI มาหาลกษณะส าคญ 3 แบบคอ ลกษณะส าคญของลวดลาย ลกษณะส าคญของฮสโตแกรม และลกษณะส าคญของรปราง และใช Genetic Algorithm ชวยในการคดเลอกลกษณะเดนทเหมาะสม ในขนตอนสดทายจงใช CNN ในการจ าแนก การวดประสทธภาพของอลกอรทมนใชคาความแมน และพนทใตกราฟ ROC เปนเครองมอในการวดประสทธภาพ ในการวจยนไดใชภาพแมมโมแกรมจากฐานขอมล 2 ฐานขอมล คอ ภาพจากฐานขอมล DDSM จ านวน 170 ภาพ และภาพจากฐานขอมล MIAS จ านวน 93 ภาพ ******Oliver และคณะ (2010) เสนออลกอรทมการจ าแนกความหนาแนนของกอนเนอในทรวงอกดวยวธการทางสถต (Statistical for Breast Density Segmentation) โดยพจารณาและประเมนความหนาแนนของจดพกเซลภายในภาพ วธการนจะท าการพจารณาลกษณะเฉพาะของเนอเยอ (Tissue) ในภาพแมมโมแกรม และท าการจ าแนกภาพออกเปนบรเวณทเปนไขมนและบรเวณทเปนเนอเยอทมความหนาแนนสง โดยใชเทคนค PCA และ LDA ในการจ าแนกภาพ และน าผลมาเปรยบเทยบกน ในการวจยนไดใชภาพแมมโมแกรมจากฐานขอมล MIAS จ านวน 125 ภาพ ******Al-Najdawi และคณะ (2015) เสนออลกอรทมส าหรบปรบปรงภาพหลายแบบรวมกบการจ าแนกภาพโดยพจารณาความหนาแนนของกอนเนอ ขนตอนแรกท าการก าจดสญญาณรบกวนในภาพโดยใชตวกรองมธยฐาน ท าการปรบใหภาพมความเนยนขนโดยใชเกาเชยนฟลเตอร (Gaussian Smoothing Filter) หลงจากนนขนตอนในการปรบปรงภาพใชวธ Histogram Equalization เพอท าการเพมความเขมสและเพมความชดเจนในภาพแมมโมแกรม ขนตอไปเปนการหาขอบเขตของภาพหรอ ROI โดยใชวธ Otsu หลงจากได ROI แลวจะเปนขนตอนในการเตมชองวาง (Hole-filling) ภายใน ROI เนองจากภาพแมมโมแกรมบางภาพนน เมอได ROI มาแลวมกมชองวางเกดขนภายในภาพ ซงอลกอรทมนจะตองท าการเตมชองวางโดยพจารณาจากคาเทรสโฮล (Threshold) ทตงไว หลงจากนนจงท าการดงลกษณะส าคญของความหนาแนนในพกเซลของภาพ โดยพจารณาคาเฉลยความหนาแนนของพกเซล ในการวจย นผ วจยไดใชภาพแมมโมแกรมจากฐานขอมลจากโรงพยาบาล King Hussein Cancer จ านวน 1,300 ภาพ ******Shi และ คณะ (2010) เสนออลกอรทมส าหรบตรวจจบกอนเนอและจ าแนกภาพกอนเนอจากภาพอลตราซาวด (Ultrasound Image) ในงานวจยผวจยไดพฒนาอลกอรทมส าหรบวนจฉย กอนเนอในเตานมรวมกบการใชฟซซซพพอรตเวกเตอรแมชชน (Fuzzy Support Vector Machine:

 

 

 

 

 

 

 

 

37

FSVM) โดยในขนตอนแรกจะท าการปรบปรงภาพโดยใชวธ Histogram Equalization หลงจากนนจงท าการหาขอบเขตทสนใจ หรอ ROI ในภาพโดยใชวธ Markov Random Field หลงจากนนจงท าการหาลกษณะส าคญในภาพ ซงในงานวจยนไดใชลกษณะส าคญ 2 แบบ*คอ*ลกษณะส าคญของลวดลาย และ ลกษณะส าคญของฮสโตแกรม และไดใชวธ Stepwise Regression ในการคดเลอกลกษณะส าคญทเหมาะสม ในขนตอนสดทายจะเปนการจ าแนกโดยใช FSVM และผวจยไดใชวธประเมนประสทธภาพของอลกอรทม คอ Accuracy, Sensitivity, Specificity, Positive Predictive Value และ Negative Predictive Value ******Wu และ คณะ (2012) เสนออลกอรทม CSVM ในการจ าแนกมะเรงเตานมโดยใชซพพอรตเวกเตอรแมชชนรวมกนอลกอรทม Genetic โดยใชภาพอลตราซาวดจ านวน 210 ภาพ ในขนตอนแรกจะเปนการหาขอบเขตทนาสนใจในภาพดวยวธ Level Set จากนนจะท าการหาลกษณะส าคญในภาพ ซงในการวจยนจะใชการหาลกษณะส าคญ 2 แบบ คอ การหาลกษณะส าคญของลวดลาย และ การหาลกษณะส าคญของรปราง ตอไปจงใชอลกอรทม Genetic ในการคดเลอกลกษณะส าคญทเหมาะสม หลงจากนนจงน าเขาสกระบวนการจ าแนกดวยซพพอรตเวกเตอรแมชชน ส าหรบการประเมนประสทธภาพของงานวจยนจะใชคา Accuracy, Sensitivity, Specificity, Positive Predictive Value และ Negative Predictive Value รวมทงใชพนทใตกราฟ ROC ในการประเมนประสทธภาพดวย ******Lo และ คณะ (2012) เสนออลกอรทมในการใชซพพอรตเวกเตอรแมชชนจ าแนกภาพ MRI (Magnetic Resonance Imaging) โดยใชลกษณะส าคญของลวดลาย 4 แบบ ภายในภาพ MRI คอ Fatty, Glandular, Tumor และ Muscle เปนลกษณะส าคญทใชในการจ าแนก โดยมการเปรยบเทยบประสทธภาพในการจ าแนกระหวางซพพอรตเวกเตอรแมชชนและซมนส (C-means) ซงจากผลการทดลองซพพอรตเวกเตอรแมชชนมประสทธภาพในการจ าแนกทสงกวาซมนส ******Hassanien และ คณะ (2012) เสนออลกอรทมในการวนจฉยมะเรงเตานมจากภาพ MRI โดยใชซพพอรตเวกเตอรแมชชนรวมกบ Pulse Coupled Neural Networks (PCNNs) โดยใชวธการเวฟเลท (Wavelet-based) ในการดงลกษณะส าคญจากภาพ และขนตอนการปรบปรงภาพกอนจ าแนกไดใชวธฟซซเซต (Fuzzy Sets) ในการท าใหภาพมความคมชดขน ในงานวจยนไดท าการเปรยบเทยบความแมนระหวางอลกอรทมทน าเสนอกบอลกอรทมการจ าแนกอน ๆ ดวย เชน ตนไมตดสนใจ (Decision Trees) และ นวรอลเนตเวรก ******จากการทบทวนงานวจยทเกยวของ (สรปดงตารางท 2.2) พบวางานวจยทเกยวของกบการวเคราะหภาพแมมโมแกรมเพอจ าแนกมะเรงเตานม กลมนกวจยสวนใหญจะเสนอแนวคดไปในทางเดยวกนคอมการท าการปรบปรงภาพกอนดวยวธการประมวลผลภาพทหลากหลาย เชน การก าจด

 

 

 

 

 

 

 

 

38

สญญาณรบกวนภายในภาพและการปรบความเขมส หลงจากนนจงน าภาพทปรบปรงแลวมาท าการแบงแยกขอบเขตเพอจะพจารณเฉพาะบรเวณกอนเนอซงโดยปกตจะมความเขมสและความหนาแนนของพกเซลมากกวาบรเวณพนหลง เชนการหา ROI โดยวธการหาสวนขยายของพนท ตอจากนนจงน า ROI ทได ไปเขากระบวนการหาลกษณะส าคญภายในภาพ ซงเปนการน าเอาลกษณะเฉพาะของ ROI ออกจากภาพ เชนลกษณะส าคญของรปราง ลกษณะส าคญของลวดลาย และลกษณะส าคญของฮสโตแกรม เปนตน สวนขนตอนสดทายคอกระบวนการจ าแนก ซงจากการทบทวนวรรณกรรมทเกยวของการจ าแนกมะเรงเตานมพบวา นกวจยสวนใหญจะใชซพพอรตเวกเตอรแมชชนและนวรอลเนตเวรกในการจ าแนก ******ในงานวจยของวทยานพนธนเสนอขนตอนหลกเปนไปในแนวทางเดยวกบงานวจยอน ๆ คอ ใชการประมวลผลภาพปรบปรงคณภาพ และลดขนาดของภาพ กอนทจะท าการจ าแนกดวยซพพอรตเวกเตอรแมชชน แตในรายละเอยดของขนตอนการประมวลผลภาพ วทยานพนธนจะเนนทกระบวนการหาลกษณะส าคญของภาพทจะชวยใหซพพอรตเวกเตอรแมชชน สรางโมเดลเพอการจ าแนกทมความแมนสง ตารางท 2.2 สรปเปรยบเทยบงานวจยทเกยวของกบการจ าแนกมะเรงเตานมในภาพแมมโมแกรม

กระบวนการท างาน

งานวจยทเกยวของ1

ก ข ค ง จ ฉ ช ซ ฌ ญ2

เทคนคการปรบปรงภาพ ปรบปรงภาพดวย Median Filter

ปรบปรงภาพดวย Gamma Correction

ปรบปรงภาพดวย Histogram Equalization

ปรบปรงภาพดวยเทคนคอน

หาขอบเขตทนาสนใจดวย Region Growing

หาขอบเขตทนาสนใจดวย Otsu Method

หาขอบเขตทนาสนใจดวยวธอน ๆ

หาลกษณะส าคญดวย Texture Feature

หาลกษณะส าคญดวย Histogram Feature

หาลกษณะส าคญดวย Shape Feature

 

 

 

 

 

 

 

 

39

ตารางท 2.2 สรปเปรยบเทยบงานวจยทเกยวของกบการจ าแนกมะเรงเตานมในภาพแมมโมแกรม (ตอ)

กระบวนการท างาน งานวจยทเกยวของ1

ก ข ค ง จ ฉ ช ซ ฌ ญ2

เทคนคทใชในการจ าแนกภาพมะเรงเตานม จ าแนกดวย Support Vector Machine

จ าแนกดวย Neural Network

จ าแนกดวย PCA และ LDA

จ าแนกหรอจดกลมดวยวธอนๆ

ขอมลทใชในการทดสอบ MIAS Database (ภาพแมมโมแกรม)

DDSM Database (ภาพแมมโมแกรม)

อน ๆ (ภาพอลตราซาวด หรอ ภาพ MRI)

1งานวจยทเกยวของประกอบดวย ก แทนงานวจยของ Karmilasari และ คณะ (2014) ข แทนงานวจยของ Braz และ คณะ (2009) ค แทนงานวจยของ Rouhi และ คณะ (2015) ง แทนงานวจยของ Oliver และ คณะ (2010) จ แทนงานวจยของ Al-Najdawi และ คณะ (2015) ฉ แทนงานวจยของ Shi และ คณะ (2010) ช แทนงานวจยของ Wu และ คณะ (2012) ซ แทนงานวจยของ Lo และ คณะ (2012) ฌ แทนงานวจยของ Hassanien และ คณะ (2012) ญ2 แทนงานวจยของวทยานพนธฉบบน

 

 

 

 

 

 

 

 

บทท 3 วธด าเนนการวจย

******งานวจยนมวตถประสงคเพอพฒนาอลกอรทมทใชจ าแนกมะเรงเตานมจากภาพกอนเนอแมมโมแกรมดวยซพพอรตเวกเตอรแมชชนใหมความถกตองในการจ าแนกอยในเกณฑด ในบทนจะกลาวถง วธการวจย เครองมอทใชในการวจย และกระบวนการตาง ๆ ของการวจย โดยมรายละเอยดดงน

3.1 ขนตอนวธของการวจย ******แนวคดหลกของงานวจยน คอ การจ าแนกมะเรงเตานมจากภาพแมมโมแกรม โดยอาศยวธการประมวลผลภาพในเบองตน เพอใหไดลกษณะส าคญของภาพ ซงท าใหประสทธภาพในการจ าแนกขอมลดวยภาพมความแมนมากขน ขนตอนวธของการวจยนประกอบดวย*5*สวนคอ*การปรบปรงรปภาพ การแบงขอบเขตภายในภาพ การดงลกษณะส าคญภายในภาพ การจ าแนกภาพ และ การประเมนความถกตองของการจ าแนก ดงแสดงในรปท 3.1 ******3.1.1 ภาพแมมโมแกรม (Mammogram Images) ************ขอมลทใชในการทดสอบอลกอรทม เปนขอมลภาพจากชดขอมลมาตรฐานของ University of South Florida Digital Mammography Home Page ชอ Digital Database for Screening Mammography (DDSM) (http://marathon.csee.usf.edu/Mammography/Database.html) ขอมลนไดมาจากกลมตวอยางคนไข 2,500 คน โดยในชดขอมล DDSM มการเกบภาพแมมโมแกรมของเตานมดานซายและดานขวา*ในมมมอง*2*แบบ*คอ มมมองแบบ MLO (Mediolateral View) ซงเปนการถายภาพรงสในแนวขวางล าตว เชน จากดานขวาไปดานซาย และ มมมองแบบ CC*(Caudocranial*View)*ทเปนการถายภาพรงสในแนวดง จากสวนบนล าตวพงลงดานลาง โดยมทงภาพแมมโมแกรมของผปวยทมกอนเนอทไมเปนอนตรายและกอนเนอราย*ดงแสดงในรปท3.2****************************************

 

 

 

 

 

 

 

 

41

Segmentation

Pre-Processing

Mammogram Images

Image Enhancement(Gamma Correction)

ROI (Region Growing)

De-noising (Median Filter)

Feature Extraction

Texture Feature

Shape Feature

Intensity Histogram Feature

Classification

SVM

EvaluationMalignant Benign

รปท 3.1 ขนตอนวธในการจ าแนกมะเรงเตานมดวยซพพอรตเวกเตอรแมชชน

 

 

 

 

 

 

 

 

42

(ก) กอนเนอไมอนตรายในมมมอง MLO (ข) กอนเนอไมอนตรายในมมมอง CC

(ค) กอนเนอมะเรงในมมมอง MLO (ง) กอนเนอมะเรงในมมมอง CC

รปท 3.2 ภาพแมมโมแกรมในมมมอง MLO และ CC

************ขอมลภาพทไดจากฐานขอมล DDSM นจะมขนาดภาพประมาณ 3000**4000 พกเซล และเปนภาพระดบสเทา โดยมระดบความเขมของส 0 ถง 255 โดยผเผยแพรขอมลไดใหขอมลของแตละภาพไวดวย เชน ประเภทมมมองของภาพ คลาส ขนาดของภาพ และบรเวณขอบเขตทเปนกอนเนอ เพอใชในการเปรยบเทยบประสทธภาพของอลกอรทม ในงานวจยนผวจยไดคดเลอกภาพแมมโมแกรมเพอใชในการทดสอบอลกอรทมจ านวน 190 ภาพ

 

 

 

 

 

 

 

 

43

******3.1.2 การปรบปรงภาพแมมโมแกรม (Image Enhancement) ************ โดยปกตแลวภาพแมมโมแกรมมกจะมสญญาณรบกวนภายในภาพ ท าใหภาพไมชดเจน สญญาณรบกวนในภาพแมมโมแกรมน นม 2 แบบ คอ สญญาณรบกวนแบบเกาเซยน (Gaussian Noise) และสญญาณรบกวนทเปนจดด าหรอจดขาวเลก ๆ หรอเรยกวาสญญาณรบกวนแบบเกลอและพรกไทย (Salt and Pepper Noise) ในขนตอนนจะเปนการปรบปรงภาพโดยใชวธการก าจดสญญาณรบกวนภายในภาพดวยวธมเดยนฟลเตอร (Median Filter) ซงสญญาณรบกวนทง 2 แบบนเกดจากคณภาพของอปกรณในการรบภาพ หลกการของมเดยนฟลเตอรคอการใชหนาตางขนาดเลกเชน 33 พกเซล หรอ 55 พกเซลเลอนไปบนภาพทตองการก าจดสญญาณรบกวน โดยในขณะทเลอนนนในหนาตางขนาดเลกกท าหนาทใหการค านวณและเปลยนแปลงคาพกเซล ณ จดใด ๆ โดยท าการเรยงคาความเขมสของบรเวณหนาตางทครอบภาพ และท าการเรยงคาจากนอยไปมาก จากนนจงท าการคดเลอกคาทมธยฐานแลวน าคามธยฐานแทนทลงในพกเซลปจจบน ดงนนเมอภาพผานกระบวนการของมเดยนฟลเตอรแลว ภาพจะมความชดเจนขนในระดบหนง โดยยงรกษาความคมชด และขอบของภาพไวได ดงแสดงในรปท 3.3

(ก) ภาพกอนผานมเดยนฟลเตอร (ข) ภาพหลงผานการปรบปรงโดยมเดยน

ฟลเตอร รปท 3.3 ภาพกอนและหลงการปรบปรงดวยมเดยนฟลเตอร

************ขนตอนตอไปจะเปนการปรบปรงความชดเจนของภาพ โดยเพมความเขมสในบรเวณทคาดวาเปนกอนเนอเพอท าใหเหนภาพบรเวณกอนเนอไดชดเจนยงขน ในขณะเดยวกนกท าการปรบลดความเขมสในบรเวณทเปนพนหลงลงดวย ในขนตอนนจะใหวธแกไขแกมมา (Gamma Correction) จากรปท 3.4 แสดงภาพกอนเนอในเตานมทงในกรณทเปนกอนเนอรายและกอนเนอไมอนตราย โดยเมอเปรยบเทยบระหวางรป 3.4(ก) 3.4(ค) และ 3.4(ข) 3.4(ง) แลวจะเหนวาการแกไขแกมมาชวยใหความเขมสในบรเวณทสวางยงมความเขมสทมากขน และในทางตรง

 

 

 

 

 

 

 

 

44

กนขามบรเวณทเปนพนหลงทมความเขมสทคอนขางมดกจะถกปรบลดความเขมสลง สงผลใหบรเวณทเปนกอนเนอมความส าคญชดขนมา โดยสอดคลองกบทนกรงสวทยาไดกลาวไววา บรเวณทเปนกอนเนอทมความผดปกต ความเขมสบรเวณนนจะมมากกวาบรเวณอน ๆ ซงวธการนจะเปนประโยชนในการน าไปเขากระบวนการแบงขอบเขตภาพหรอ ROI ตอไป

(ก) (ข) (ค) (ง)

รปท 3.4 ภาพกอนเนอในเตานม (ก) ภาพกอนเนอราย (ข) ภาพกอนเนอรายหลงจากปรบปรง ดวยแกมมาคอเรคชน (ค) ภาพกอนเนอไมอนตราย (ง) ภาพกอนเนอไมอนตราย หลงจากปรบปรงดวยการแกไขแกมมา

******3.1.3 การแบงขอบเขตภาพ (Image Segmentation) ************ขนตอนการแบงขอบเขตภาพนนเปนขนตอนทส าคญอกขนตอนหนงกอนน าภาพไปท าการจ าแนก เนองจากภาพแมมโมแกรมมขนาดใหญประมาณ 30004000 พกเซล ซงบรเวณทส น ใ จ น น จ ะ เ ป น บ ร เ ว ณ ก อ น เ น อ ท ม ค ว า ม ผ ด ป ก ต เ ท า น น ด ง น น พ น ห ล ง ใ น ภาพแมมโมแกรม และบรเวณภาพทเปนไขมนจงไมจ าเปนตองน าเขาสกระบวนการจ าแนก กระบวนการนจะชวยลดขนาดขอมล ท าใหการจ าแนกท าไดรวดเรวขนและไมเกดปญหาหนวยความจ าเตม ในขนตอนนเราจะใชวธการการขยายพนทของสวนภาพ หรอ Region Growing ซงวธนเปนวธทนยมใชในการแบงสวนภาพภายในภาพแมมโมแกรม โดยในขนตอนแรกนนจะท า

 

 

 

 

 

 

 

 

45

การคดเลอกจดกงกลางของกอนเนอ (Seed Point) โดยใชวธการหาจดเซนทรอยด (Centroid) จากกอนเนอในภาพ โดยใชสมการท (3-1) และ (3-2)

∑∑

(3-1)

(3-2)

โดยท

∑ ∑

∑ ∑

************จากสมการตองท าการหาพนท (Area) ของบรเวณทเปนกอนเนอกอนโดย W คอจ านวนพกเซลสขาวทงหมดในภาพ และ i, j คอต าแหนงของพกเซลสขาว หลงจากนนจงท าการหาต าแหนงจดเซนทรอยดของกอนเนอ หลงจากไดจดเซนทรอยดแลวจะน าจดเซนทรอยดมาใชเปนพกดในการคดเลอกจดกงกลางของกอนเนอ เพอใหกระบวนการขยายพนทของสวนภาพด าเนนการตอไป ************กระบวนการขยายพนทของภาพหรอ Region Growing ท าไดโดยเรมตนพจารณาจดกงกลาง เมอพบจดภาพทเปนบรเวณขอบของ จดกงกลางหรอ Seed Region กจะพจารณาจดภาพขางเคยง (Neighbor) ดวยการวางหนาตางขนาด 33 ครอบจดภาพนน หากจดภาพขางเคยงใดมคาระดบสเทาอยในขอบเขตของการขยายพนท กจะท าการรวมหรอขยายพนทสวนภาพไปยงจดขางเคยงนน แตถาไม กจะพจารณาจดขางเคยงถดไป กระบวนการขยายสวนพนทของภาพน จะกระท ากบทก ๆ Seed Region แบบวนซ าไปเรอย ๆ จนกระทงไมสามารถขยายพนทได ผลจากการใชกระบวนการขยายสวนพนทในภาพแมมโมแกรมทผานการแกไขแกมมาแลว แสดงผลดงรปท 3.5

 

 

 

 

 

 

 

 

46

(ก) (ข) (ค)

รปท 3.5 ผลลพธของการขยายสวนพนทของภาพแมมโมแกรม(ก) ภาพทไดจากกระบวนการ แกไขแกมมา (ข) ภาพหลงจากขยายสวนพนท (ค) ภาพทตดเฉพาะบรเวณกอนเนอ * *****3.1.4 การดงลกษณะส าคญในภาพ (Image Feature Extraction) ************หลงจากได ROI จากการท าการขยายสวนพนทของภาพมาแลวนน หากน าเพยงคาความเขมสไปเขากระบวนการจ าแนก อาจท าใหการจ าแนกไดผลไมดนก ดงนนการดงลกษณะส าคญในภาพ โดยน าคณสมบตของ ROI ทเราตดออกมาจากภาพแมมโมแกรมมาหาลกษณะส าคญ ดงนนกระบวนนจงเปนวธการทนาสนใจและท าใหประสทธภาพในการจ าแนกดขนดวย ส าหรบในงานวจยนไดใชลกษณะส าคญทงหมด 3 ลกษณะ คอ ลกษณะส าคญของลวดลายภายในกอนเนอ (Texture Feature) ลกษณะส าคญของรปรางกอนเนอ (Shape Feature) และ ลกษณะส าคญของความเขมสของกอนเนอ (Intensity Histogram Feature) ************ลกษณะส าคญของลวดลาย หรอ Texture Feature เปนการหารปแบบของลวดลายจาก ROI เทคนคทนยมใชในการดง Texture Feature จากภาพนนคอการใช Gray-Level Co-occurrence Matrix (GLCM) หรออกชอหนงคอ Gray-level Spatial Dependence Matrix ฟงกชนใน GLCM นนจะท าการค านวณและเปรยบเทยบการเกดขนของลวดลายหรอแพทเทนระหวางพกเซลในภาพ โดยใชความนาจะเปนในการแสดงผลของความชดเจนของลวดลาย (Contrast) การเกดขนรวมกนของลวดลาย (Correlation) รวมทงวดคาความเปนเนอเดยวกน (Homogeneity) ของลวดลายในภาพอกดวย (แสดงตวอยางคาทไดจากการค านวณในตารางท 3.1) ในงานวทยานพนธนจะใชลกษณะส าคญของลวดลาย เหลานในการกระบวนการจ าแนกมะเรงเตานมในภาพแมม โมแกรม

 

 

 

 

 

 

 

 

47

ตารางท 3.1 ตวอยางลกษณะส าคญของลวดลายในภาพแมมโมแกรม Direction Homogeneity Contrast Correlation

0o 0.0125 3.0382 0.8074 45o 0.0082 4.0121 0.6369 90o 0.0075 4.0153 0.5988 135o 0.0069 4.7084 0.4613

Average 0.0087 3.9435 0.6261

************ลกษณะส าคญของรปราง หรอ Shape Feature เปนการวดความโคงหรอความหยกของ ROI เนองจากนกรงสวทยาไดกลาววา รปรางของกอนเนอไมเปนอนตรายนนจะมรปรางทคอนขางเปนวงกลมหรอวงรทมขอบคอนขางเรยบหรอมรอยหยกนอย และในทางกลบกนรปรางของเนอรายทจะกอตวเปนมะเรงหรอเนอรายทเปนมะเรงแลวนนจะมรปรางทคอนขางบดเบยวและขอบของกอนเนอจะมรอยหยกคอนขางมาก ดงนนการน าเอาลกษณะส าคญของรปรางขอบของ ROI มาเปนลกษณะส าคญหรอ Feature ในการจ าแนกจงสงผลใหโมเดลในการจ าแนกมประสทธภาพในการจ าแนกคอนขางสง xxxxxxxxxxxxจากรปท 3.6 แสดงการวดความโคงของ ROI ทเปนกอนเนอไมอนตรายและกอนเนอราย โดยท าการโยงเสนจากจดเซนทรอยด ของ ROI และแสดงออกมาเปนกราฟแสดงความโคงงอของเสนขอบ ROI โดยจะสงเกตเหนวากอนเนอรายนนจะมความหยกหรอการเปลยนแปลงความโคงของขอบภาพมากกวากอนเนอไมอนตราย และรปท 3.7 แสดงความแตกตางของกราฟแสดงความหยกของเสนขอบแสดงรปรางของกอนเนอรายและกอนเนอไมอนตราย แกน X แทน องศา ตงแต 0 องศา ถง 360 องศา และ แกน Y แทน ระยะทางทวดจากจดกงกลางไปเสนขอบ โดยมการพจารณาเฉพาะจ านวนจดยอดของกราฟทมการเปลยนแปลงใหมคาเปน 1 ตามองศาการวดระยะทางจากจดเซนทรอยดไปยงเสนขอบตงแต 0 ถง 360 องศา ลกษณะของกราฟในรปท 3.7 จะเปน Background Knowledge ทส าคญในการจ าแนกภาพมะเรงเตานม

 

 

 

 

 

 

 

 

48

(ก) (ข)

รปท 3.6 การวดความหยกของเสนขอบโดยวดจากจดเซนทรอยด (ก) เสนขอบแสดงรปรางของ

กอนเนอราย (ข) เสนขอบแสดงรปรางของกอนเนอไมอนตราย

………..100100110010101001000110111000111011000111………..

(ก)

………..100000000000100000000000100000100000000100………..

(ข) รปท 3.7 กราฟแสดงความหยกของ (ก) กอนเนอราย (ข) กอนเนอไมอนตราย

 

 

 

 

 

 

 

 

49

************ลกษณะส าคญอกอยางหนงคอลกษณะส าคญของฮสโตแกรม โดยเปนคาทใชวดลกษณะของเสนโคงแจกแจงความถของความเขมสวามลกษณะของเสนโคงเปนลกษณะใด รปท 3.8 แสดงตวอยางกราฟฮสโตแกรมทพจารณาลกษณะส าคญ 4 คา เพอใชในการอธบายขอมลสถตของความเขมสทเกดขนในภาพ ไดแก คาเฉลย คาความแปรปรวน ความเบ และ ความโดง

คาเฉลย ความแปรปรวน ความเบ ความโดง

= 0.002196 = 0.020183 = -0.21837 = -0.00766

รปท 3.8 ตวอยางกราฟฮสโตแกรมทพจารณาลกษณะส าคญ 4 คา

******3.1.5 การจ าแนกมะเรงเตานม (Classification) ************ในงานวจยนทางผวจยไดใชซพพอรตเวกเตอรแมชชนในการจ าแนกโดยจะทดลองใชเคอรเนลฟงกชนหลายแบบ ************ส าหรบลกษณะส าคญทใชเปนขอมลในการจ าแนกนนจะใชลกษณะส าคญ 3 แบบทไดจากหวขอ 3.1.4 ไดแก ลกษณะส าคญของลวดลาย ลกษณะส าคญของรปราง และลกษณะส าคญของความเขมสจากฮสโตแกรม ในงานวจยครงนผวจ ยไดใชภาพจาก DDSM ส าหรบการประมวลผลภาพกอนน ามาจ าแนกนน ภาพในขนตอนการสอนและการทดสอบทงหมดตองผานการประมวลผลภาพในแบบเดยวกนคอ การก าจดสญญาณรบกวนภาพ การขยายสวนพนทภาพ และการดงลกษณะส าคญ หลงจากขนตอนการจ าแนกแลว ผวจ ยยงไดน าการจ าแนกอก*2*วธคอ นาอฟเบย และ โครงขายประสาทเทยมมาเปรยบเทยบกบอลกอรทมทน าเสนออกดวย

3.2 เครองมอทใชในการวจย ******เครองมอทใชในการพฒนางานวจยน ประกอบดวย

1) เครองคอมพวเตอรส าหรบการพฒนา มรายละเอยดดงน หนวยประมวลผลกลาง : Intel Core i5 หนวยความจ าหลก : 4 GB

 

 

 

 

 

 

 

 

50

หนวยความจ าส ารอง : 320 GB 2) ระบบปฏบตการและโปรแกรมประยกตส าหรบการพฒนา ประกอบไปดวย

ระบบปฏบตการ : Windows 7 Professional 64 bits เครองมอทใชในการพฒนา : R Language, Matlab2013

 

 

 

 

 

 

 

 

บทท 4 การทดสอบและอภปรายผล

การทดสอบประสทธภาพของระบบนน จะทดสอบประสทธภาพความแมน คา Sensitivity

คา Specificity และ พนทใตกราฟ ROC ในการจ าแนกภาพแมมโมแกรมระหวางกอนเนออนตรายและกอนเนอไมอนตราย โดยเปรยบเทยบกบอลกอรทมในการจ าแนกอก 2 อลกอรทม คอ โครงขายประสาทเทยม และ นาอฟเบย ส าหรบเนอหาในบทนจะประกอบดวย ขอมลทใชในการทดสอบ การทดสอบประสทธภาพการจ าแนกภาพแมมโมแกรม โดยแบงเปนการทดสอบประสทธภาพการจ าแนกดวยคาความแมน คา Sensitivity คา Specificity และ พนทใตกราฟ ROC และในหวขอสดทายเปนการอภปรายผล

4.1 ขอมลทใชในการทดสอบ การทดสอบการจ าแนกภาพแมมโมแกรมดวยการประมวลผลภาพรวมกบซพพอรต

เวกเตอรแมชชนจะใชขอมลมาตรฐานภาพแมมโมแกรม (Digital Database for Screening Mammograpy: DDSM) จากเวบไซตของมหาวทยาลยเซาทฟลอรดา (University of South Florida) ซงเปนขอมลภาพระดบสเทา (Grey Scale Image) มขอมลจากคนไขทงหมด 2,500 ขอมล โดยมขอมลของคนไขทมกอนเนออนตรายและกอนเนอไมอนตราย ซงประกอบดวยขอมลภาพแมมโมแกรมใน 2 มมมอง คอ ภาพแมมโมแกรมในมมมองแบบ MLO และ ภาพแมมโมแกรมในมมมองแบบ CC โดยในการทดสอบนนจะคดเลอกเฉพาะภาพแมมโมแกรมในมมมองแบบ CC มาทงหมด 190 ภาพ เนองจากภาพในมมมองแบบ CC ไมมสวนพนทสขาวในมมบนดานซายและขวาท าใหสะดวกตอการประมวลผลภาพ ภาพในมมมองแบบ CC ทเลอกมานนมคลาสเปาหมายสองกลม คอ Malignant และ Benignโดยแตละภาพจะมความกวางประมาณ 3,000 พกเซล และความสงประมาณ 5,000 พกเซล สามารถดาวนโหลดภาพแมมโมแกรมไดทเวบไซต http://marathon.csee.usf.edu/ Mammography/Database.html โดยรายละเอยดตวอยางขอมลแสดงดงตารางท 4.1xxxxxxxxxxxxxx

 

 

 

 

 

 

 

 

52

ตารางท 4.1 ตวอยางขอมลภาพแมมโมแกรมจาก DDSM ในมมมองแบบ CC Class: Malignant

Size: 3520 5970 Class: Malignant

Size: 2360 4730 Class: Malignant

Size: 2210 4430

Class: Benign Size: 2920 5370

Class: Benign Size: 3080 4600

Class: Benign Size: 2700 4800

xxxxxxเนองจากภาพแมมโมแกรมทใชม คอนขางขนาดใหญ ดงนนจงตองผานกระบวนการการประมวลผลภาพกอนดวยโปรแกรม MATLAB R2013b โดยการผานกระบวนการ มเดยนฟลเตอร แกมมาคอเรคชน และการขยายพนทของภาพ เพอคดเลอกเฉพาะบรเวณภาพกอนเนอทสนใจ หลงจากนนจงท าการดงลกษณะส าคญของภาพ 3 ประเภท ออกมาเปนขอมลตวเลขดงแสดงวธการ

 

 

 

 

 

 

 

 

53

ด าเนนการในบทท 3 โดยประกอบดวยขอมลจ านวน 21 คอลมน โดยคอลมนท 1 –15 เปนลกษณะส าคญของลวดลาย คอลมนท 16 – 19 เปนลกษณะส าคญของกราฟฮสโตแกรม และ คอลมนท 20 เปนลกณษะส าคญของรปราง และคอลมนท 21 เปนหมายเลขคลาส ดงแสดงในตารางท 4.2 และตารางท 4.3 นน แสดงตวอยางขอมลลกษณะส าคญของภาพแมมโมแกรมจ านวน 16 ตวอยาง

ตารางท 4.2 ชอคอลมนและความหมายของลกษณะส าคญของภาพแมมโมแกรม ล าดบท

ชอคอลมน ค าอธบาย

1 Cont0 ความชดเจนของลวดลายในทศทาง 0 องศา 2 Cont45 ความชดเจนของลวดลายในทศทาง 45 องศา 3 Cont90 ความชดเจนของลวดลายในทศทาง 90 องศา 4 Cont135 ความชดเจนของลวดลายในทศทาง 135 องศา 5 Homo0 ความเปนเนอเดยวกนของลวดลายในทศทาง 0 องศา 6 Homo45 ความเปนเนอเดยวกนของลวดลายในทศทาง 45 องศา 7 Homo90 ความเปนเนอเดยวกนของลวดลายในทศทาง 90 องศา 8 Homo135 ความเปนเนอเดยวกนของลวดลายในทศทาง 135 องศา 9 Corr0 การเกดขนรวมกนของลวดลายในทศทาง 0 องศา 10 Corr45 การเกดขนรวมกนของลวดลายในทศทาง 45 องศา 11 Corr90 การเกดขนรวมกนของลวดลายในทศทาง 90 องศา 12 Corr135 การเกดขนรวมกนของลวดลายในทศทาง 135 องศา 13 Avg_Cont คาเฉลยความชดเจนของลวดลาย 14 Avg_Corr คาเฉลยความเปนเนอเดยวกนของลวดลาย 15 Avg_Homo คาเฉลยการเกดขนรวมกนของลวดลาย 16 Hist_Avg คาเฉลยของกราฟฮสโตแกรม 17 Hist_Var คาความแปรปรวนของกราฟฮสโตแกรม 18 Hist_Skew คาความเบของกราฟฮสโตแกรม 19 Hist_Kur คาความโดงของกราฟฮสโตแกรม 20 Peak_No จ านวนจดยอดของกราฟทมการเปลยนโคง 21 Class_No หมายเลขคลาส 0 หมายถง Benign และ 1 หมายถง Malignant

 

 

 

 

 

 

 

 

54

ตารางท 4.3 ตวอยางขอมลลกษณะส าคญของภาพแมมโมแกรมจ านวน 16 ตวอยาง

 

 

 

 

 

 

 

 

55

4.2 การเพมชดขอมลจากลกษณะส าคญของรปราง (Additional Data from Shape Feature : ADSF)

จากตารางท 4.3 จะเหนวาลกษณะส าคญของรปรางจะมเพยงแคคอลมนเดยวคอคอลมนชอ Peak_No โดยคาตวเลขเหลานไดมาจากวธการหาลกษณะส าคญของรปรางในหวขอท 2.3.3 ซงเปนการวดระยะหางจากจดเซนทรอยดไปยงเสนขอบของรปภาพ หลงจากนนจงท าการนบจดเปลยนโคงของเสนขอบแสดงรปรางออกมาเปนตวเลขดงแสดงในตารางท 4.3 เนองจากลกษณะส าคญของรปรางในคอลมน Peak_No เมอน าไปเขากระบวนการจ าแนกรวมกบลกษณะส าคญอน ๆ แลวนน ประสทธภาพการจ าแนกยงไมดเทาทควร ดงนนจงท าการเพมเตมลกษณะส าคญของรปรางโดยท าการหาคา Threshold ทเหมาะสมของขอมลในคอลมน Peak_No ระหวางกอนเนอไมอนตรายกบกอนเนออนตราย วธการหาคา Threshold ทเหมาะสมท าไดดงน

1) น าขอมลจากคอลมน Peak_No จากคลาส Benign มาท าการพลอตกราฟฮสโตแกรม 2) น าขอมลจากคอลมน Peak_No จากคลาส Malignant มาท าการพลอตกราฟฮสโตแกรม 3) ท าการหาคา Threshold ทเหมาะสมโดยดจากบรเวณทกราฟฮสโตแกรมทงสองฝงม

การซอนทบกน (Overlapping) ดงแสดงในรปท 4.1 4) เมอไดคา Threshold แลว น าคา Threshold ไปเปนคาในการเพมชดขอมลลกษณะ

ส าคญของรปราง โดยท าการพจารณาจากคอลมน Peak_no เทยบกบคา Threshold ทหาไดจากการพลอตกราฟฮสโตแกรม หากคา Peak_no มคานอยกวาคา Threshold ใหท าการเพมตวเลข 1 แทนทคอลมน Peak_no ตอทายไปอกเปนจ านวน 20 คอลมน และหากคา Peak_no มคามากกวาหรอเทากบคา Threshold ใหท าการเพมตวเลข 100 แทนทคอลมน Peak_no ตอทายไปอกเปนจ านวน 20 คอลมน ดงแสดงในรปท 4.2

 

 

 

 

 

 

 

 

56

รปท 4.1 กราฟฮสโตแกรมแสดงความถของจดพคระหวางกอนเนออนตราย และกอนเนอไมอนตราย

48 1 1 1 1 1 1 1 1……..

39 1 1 1 1 1 1 1 1……..

42 1 1 1 1 1 1 1 1……..

50 100 100 100 100 100 100 100 100……..

63 100 100 100 100 100 100 100 100……..

114 100 100 100 100 100 100 100 100……..

Peak_no 1 2 3 4 17 18 19 20……..

Threshold = 50

รปท 4.2 ภาพตวอยางแสดงการเพมชดขอมลจากการพจารณาฮสโตแกรมลกษณะส าคญของรปราง

4.3 การทดสอบประสทธภาพการจ าแนกภาพแมมโมแกรม การทดสอบประสทธภาพการจ าแนกนจะท าการเปรยบเทยบประสทธภาพความแมน

(Accuracy) คา Sesitivity คา Specificity คา F-measure และพนทใตกราฟ ROC ในการจ าแนกขอมลภาพแมมโมแกรมของอลกอรทม 3 แบบ ไดแก ซพพอรตเวกเตอรแมชชน (เคอรเนลฟงกชน เรเดยลเบสส) โครงขายประสาทเทยม และ นาอฟเบย ขอมลทใชทดสอบแบงเปน ขอมลทใชในการฝกสอน (Train Data) จ านวน 133 ขอมล (70% จาก 190 ภาพ) โดยแบงเปนภาพกอนเนออนตราย

 

 

 

 

 

 

 

 

57

จ านวน 77 ภาพ (คลาส Malignant) และกอนเนอไมอนตรายจ านวน 56 ภาพ (คลาส Benign) และขอมลทใชทดสอบ (Test Data) จ านวน 57 ขอมล (30% จาก 190 ภาพ) โดยแบงเปนภาพกอนเนออนตรายจ านวน 33 ภาพ และกอนเนอไมอนตรายจ านวน 24 ภาพ โดยน าขอมล 70% ผานขนตอนการฝกสอน หลงจากน าขอมลผานการฝกสอนแลวจะไดโมเดลการจ าแนกเพอน าไปจ าแนกขอมลทดสอบจ านวน 30% หลงจากนนจะท าการประเมนประสทธภาพของระบบดวยการประเมนประสทธภาพ 5 แบบ ดงรปท 4.1 แสดงแผนภาพวธการทดสอบประสทธภาพการจ าแนกภาพแมมโมแกรม

Preprocessed Data

TrainingData

TestingData

70% 30%

Model Development

SVM

Model Assessment

SVM

Prediction Evaluation

Accuracy Sensitivity

Specitivity F-measure

Classifier

ROC

รปท 4.3 แผนภาพวธการทดสอบประสทธภาพโมเดลส าหรบ การจ าแนกขอมลภาพแมมโมแกรม

4.4 ผลการทดสอบประสทธภาพ ส าหรบการทดสอบประสทธภาพของระบบนน จะใชขอมลลกษณะส าคญของภาพ 39

คอลมน (ลกษณะส าคญของลวดลายจ านวน 15 คอลมน ลกษณะส าคญของกราฟฮสโตแกรมจ านวน 4 คอลมน และลกษณะส าคญของรปรางแบบเพมชดขอมล 20 คอลมน) โดยท าการสม

 

 

 

 

 

 

 

 

58

ขอมลทดสอบจ านวน 57 ขอมลจากทง 2 คลาส รายละเอยดการทดสอบประสทธภาพจะแบงออกเปน 2 กรณ ดงตอไปน

4.4.1 ผลการทดลองการเปรยบเทยบประสทธภาพความแมนระหวางซพพอรตเวกเตอรแมชชน โครงขายประสาทเทยม และ นาอฟเบย จากผลการทดลองไดผลลพธดงตอไปน ตารางท 4.4 4.5 และ 4.6 แสดง

ตาราง Confusion Matrix ในการค านวณหาคาความแมน คา Sensitivity คา Specificity และคา F-measureในการจ าแนกภาพแมมโมแกรมดวยซพพอรตเวกเตอรแมชชน โครงขายประสาทเทยม และนาอฟเบย ตามล าดบ โดยใชลกษณะส าคญทง 3 แบบ คอ ลกษณะส าคญของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม (ADSF,Texture, Histogram หรอ ADSF-TH) เปนขอมลน าเขา ผลของการทดสอบคอ การจ าแนกดวยซพพอรตเวกเตอรแมชชนไดผลความแมนทสงสดคอ 92.98% และยงใหคา Sensitivity คา Specificity และคา F-measure สงทสดอกดวยคอ 93.94% 91.67% และ 93.94% ตามล าดบ รองลงมาคอการจ าแนกดวยโครงขายประสาทเทยมใหคาความแมน คา Sensitivity คา Specificity และคา F-measure คอ 89.47% 90.91% 87.50% และ90.91% ตามล าดบ และส าหรบการจ าแนกดวยนาอฟเบย ใหคาความแมน คา Sensitivity คา Specificity และคา F-measure คอ 82.45% 87.10% 79.92% และ 84.38% ตามล าดบ ตารางท 4.4 Confusion Matrix ของการจ าแนกดวยซพพอรตเวกเตอรแมชชน โดยใชลกษณะส าคญxxxxxxxxxxของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญขอ’กราฟxxxxxxxxxxฮสโตแกรม เปนขอมลน าเขา

SVM(ADSF-TH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 31

False Positive (FP) = 2

Accuracy = ((31+22) / (31+22+2+2))*100 = 92.98%

Negative False Negative (FN) = 2

True Negative (TN) = 22

Precision = 31 / (31+2) = 0.9394

Sensitivity = (31/(31+2))*100 = 93.94%

Specificity = (22/(2+22))*100 = 91.67%

F-measure = (20.93940.93944) /

(0.9394+0.9394)

= 0.9394

 

 

 

 

 

 

 

 

59

ตารางท 4.5 Confusion Matrix ของการจ าแนกดวยโครงขายประสาทเทยม โดยใชลกษณะส าคญ xxxxxxxxxxของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟ xxxxxxxxxxฮสโตแกรม เปนขอมลน าเขา

ANN(ADSF-TH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 30

False Positive (FP) = 3

Accuracy = ((30+21) / (30+21+3+3))*100 = 89.47%

Negative False Negative (FN) = 3

True Negative (TN) = 21

Precision = 30 / (30+3) = 0.9091

Sensitivity = (30/(30+3))*100 = 90.91%

Specificity =(21/(3+21))*100 = 87.50%

F-measure = (20.90910.9091) /

(0.9091+0.9091)

= 0.9091

ตารางท 4.6 Confusion Matrix ของการจ าแนกดวยนาอฟเบย โดยใชลกษณะส าคญของรปรางแบบxxxxxxxxxxเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม xxxxxxxxx เปนขอมลน าเขา

Naïve(ADSF-TH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 27

False Positive (FP) = 6

Accuracy = ((27+20) / (27+20+6+4) )*100 = 82.45%

Negative False Negative (FN) = 4

True Negative (TN) = 20

Precision = 27 / (27+6) = 0.8182

Sensitivity = (27/(27+4))*100 = 87.10%

Specificity =(20/(6+20))*100 = 79.92%

F-measure = (20.81820.8710) /

(0.8182+0.8710)

= 0.8438

 

 

 

 

 

 

 

 

60

ตารางท 4.7 4.8 และ 4.9 แสดง Confusion Matrix ในการค านวณหาคา ความแมน คา Sensitivity คา Specificity และคา F-measure ในการจ าแนกภาพแมมโมแกรมดวยซพพอรตเวกเตอรแมชชน โครงขายประสาทเทยม และนาอฟเบย ตามล าดบ โดยใชลกษณะส าคญของรปรางแบบไมเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม (Shape, Texture, Histogram หรอ STH) เปนขอมลน าเขา ผลของการทดสอบคอ การจ าแนกดวยซพพอรตเวกเตอรแมชชนไดผลความแมนคอ 87.27% คา Sensitivity คา Specificity และคา F-measure คอ 90.63% 84.00% และ89.23% ตามล าดบ การจ าแนกดวยโครงขายประสาทเทยมใหคาความแมน คา Sensitivity คา Specificity และคา F-measure คอ 84.21% 87.50% 80.00% และ86.15% ตามล าดบ และส าหรบการจ าแนกดวยนาอฟเบย ใหคาความแมน คา Sensitivity คา Specificity และคา F-measure คอ 78.95% 83.87% 73.08% และ 81.25% ตามล าดบ ตารางท 4.7 Confusion Matrix ของการจ าแนกดวยซพพอรตเวกเตอรแมชชน โดยใชลกษณะส าคญ xxxxxxxxxxของรปรางแบบไมเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของ xxxxxxxxxxกราฟฮสโตแกรม เปนขอมลน าเขา

SVM(STH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 29

False Positive (FP) = 4

Accuracy = ((29+21) / (29+21+4+3))*100 = 87.72%

Negative False Negative (FN) = 3

True Negative (TN) = 21

Precision = 29 / (29+4) = 0.8788

Sensitivity =(29/(29+3))*100 = 90.63%

Specificity =(21/(4+21))*100 = 84.00%

F-measure = (20.87880.9063) /

(0.8788+0.9063)

= 0.8923

 

 

 

 

 

 

 

 

61

ตารางท 4.8 Confusion Matrix ของการจ าแนกดวยโครงขายประสาทเทยม โดยใชลกษณะส าคญ xxxxxxxxxxของรปรางแบบไมเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของ xxxxxxxxxxกราฟฮสโตแกรม เปนขอมลน าเขา

ANN(STH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 28

False Positive (FP) = 5

Accuracy = ((28+20) / (28+20+5+4))*100 = 84.21%

Negative False Negative (FN) = 4

True Negative (TN) = 20

Precision = 28 / (28+5) = 0.8485

Sensitivity = (28/(28+4))*100 = 87.50%

Specificity =(20/(5+20))*100 = 80.00%

F-measure = (20.84850.8750) /

(0.8485+0.8750)

= 0.8615

ตารางท 4.9 Confusion Matrix ของการจ าแนกดวยนาอฟเบย โดยใชลกษณะส าคญของรปรางแบบ xxxxxxxxxxไมเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม xxxxxxxxxxเปนขอมลน าเขา

Naïve(STH) คาความจรง (Actual) Positive Negative

คาท านาย(Predict)

Positive True Positive (TP) = 26

False Positive (FP) = 7

Accuracy = ((26+19) / (26+19+7+5) )*100 = 78.95%

Negative False Negative (FN) = 5

True Negative (TN) = 19

Precision = 26 / (26+7) = 0.7879

Sensitivity = (25/(25+7))*100 =83.87%

Specificity =(17/(8+17))*100 = 73.08%

F-measure = (20.78790.8387) /

(0.7879+0.8387)

= 0.8125

 

 

 

 

 

 

 

 

62

4.4.2 ผลการทดลองการเปรยบเทยบพนทใตกราฟ ROC ระหวางอลกอรทม 3 แบบ จากการทดลองไดผลลพธดงตอไปน ส าหรบการใชขอมลลกษณะส าคญ

แบบ ADSF-TH คอ ลกษณะส าคญของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม อลกอรทมซพพอรตเวกเตอรแมชชน เปนอลกอรทมทใหคาพนทใตกราฟ ROC มากทสด คอ 0.94 รองลงมาเปนอลกอรทมโครงขายประสาทเทยมใหคาพนทใตกราฟ คอ 0.89 และล าดบสดทายคออลกอรทมนาอฟเบย ใหคาพนทใตกราฟ คอ 0.83 ดงแสดงในรปท 4.4

ส าหรบการใชขอมลลกษณะส าคญแบบ STH คอ ลกษณะส าคญของรปราง แบบไมเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม อลกอรทมซพพอรตเวกเตอรแมชชน ใหคาพนทใตกราฟ ROC มากทสด คอ 0.86 รองลงมาเปนอลกอรทมโครงขายประสาทเทยมใหคาพนทใตกราฟ คอ 0.81 และล าดบสดทายคออลกอรทมนาอฟเบย ใหคาพนทใตกราฟ คอ 0.74 ดงแสดงในรปท 4.5

ดงนนจงสรปไดวาอลกอรทมซพพอรตเวกเตอรแมชชนมประสทธภาพใน การจ าแนกดทสดคอไดพนทใตกราฟ ROC มากทสด และใหคา False Positive Rate ต าสดซงสงผลใหกราฟ ROC เขาชดมมซายบนมากทสดจงท าใหมพนทใตกราฟมาก

รปท 4.4 พนทใตกราฟ ROC โดยใชลกษณะส าคญแบบ ADSF-TH

 

 

 

 

 

 

 

 

63

รปท 4.5 พนทใตกราฟ ROC โดยใชลกษณะส าคญแบบ TSH

ส าห รบต า ร า ง ท 4 . 1 0 เ ป นก า รแสดงก า ร เป ร ยบ เ ท ยบ ค า ค ว า ม แม น ค า Sensitivity คา Specificity คา F-measure และ พนทใตกราฟ ROC ระหวาง 3 อลกอรทม จากคาทแสดงในตารางจะใหเหนวาการจ าแนกดวยซพพอรตเวกเตอรแมชชน โดยใชขอมลจากลกษณะส าคญแบบ ADSF-TH ใหคาสงทสดในทกดาน และในรปท 4.6 4.7 4.8 และ 4.9 แสดงกราฟเปรยบเทยบประสทธภาพการจ าแนกโดยแสดงคาความแมน คา Sensitivity คา Specificity และ คา F-measure ของทง 3 อลกอรทม ตารางท 4.10 เปรยบเทยบคา Accuracy Sensitivity Specificity F-measure และ AUC

Algorithm Features Accuracy (%)

Sensitivity (%)

Specificity (%)

F-measure (%)

AUC

SVM

ADSF-TH 92.98% 93.94% 91.67% 93.94% 0.94 STH 87.72% 90.63% 84.00% 89.23% 0.86

ANN

ADSF-TH 89.47% 90.91% 87.50% 90.91% 0.89 STH 84.21% 87.50% 80.00% 86.15% 0.81

Naïve Bayes

ADSF-TH 82.45% 87.10% 79.92% 84.38% 0.83 STH 78.95% 83.87% 73.08% 81.25% 0.74

 

 

 

 

 

 

 

 

64

รปท 4.6 กราฟเปรยบเทยบประสทธภาพความแมนในการจ าแนก 3 แบบ

รปท 4.7 กราฟเปรยบเทยบคา Sensitivity ในการจ าแนก 3 แบบ

 

 

 

 

 

 

 

 

65

รปท 4.8 กราฟเปรยบเทยบคา Specificity ในการจ าแนก 3 แบบ

รปท 4.9 กราฟเปรยบเทยบคา F-measure ในการจ าแนก 3 แบบ

 

 

 

 

 

 

 

 

66

4.5 อภปรายผล จากผลการทดสอบประสทธภาพการจ าแนกภาพแมมโมแกรมโดยใชการประมวลผลภาพ

รวมกบซพพอรตเวกเตอรแมชชน ไดท าการทดสอบกบขอมลภาพแมมโมแกรมจ านวน 190 ภาพโดยประกอบดวยขอมลภาพ 2 คลาส คอ กอนเนออนตราย กอนเนอไมอนตราย กระบวนการประมวลผลภาพไดถกน ามาใช เพอท าการดงเฉพาะลกษณะส าคญของภาพ กอนน าขอมลลกษณะส าคญไปเขากระบวนการจ าแนก และประเมนประสทธภาพ สามารถสรปผลการทดสอบเปรยบเทยบไดดงน

1) การประมวลภาพ โดยใชวธการก าจดสญญาณรบกวนในภาพดวยตวกรองมธยฐาน การแกไขคาแกมมา และ การขยายสวนของพนท มผลท าใหขอมลภาพมขนาดเลกลง และท าใหสามารถดงลกษณะส าคญของภาพออกมาไดงายขน เพอลดมตขอมลในการน าเขากระบวนการจ าแนก เนองจากขอมลความเขมสของภาพเปนขอมลทมขนาดมตใหญมาก ซงสงผลตอประสทธภาพในการจ าแนกโดยตรง

2) ลกษณะส าคญ 3 ประเภททน ามาใชในการจ าแนก ไดแก ลกษณะส าคญของรปราง แบบเพมชดขอมล ลกษณะส าคญของลวดลาย และ ลกษณะส าคญของกราฟฮสโตแกรม และ เปนขอมลทส าคญทท าใหการจ าแนกมประสทธภาพ โดยเฉพาะอยางยง ลกษณะส าคญของรปรางแบบเพมชดขอมล ซงเปนตวบงบอกความหยกของกอนเนอ และเปนลกษณะส าคญทท าใหการจ าแนกมประสทธภาพเพมมากขนอยางมนยส าคญ

3) การจ าแนกภาพแมมโมแกรมดวยอลกอรทมซพพอรตเวกเตอรแมชชนโดยใชเคอรเนล ฟงกชน เรเดยลเบสส โดยใชลกษณะส าคญทง 3 แบบ คอ ลกษณะส าคญของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และ ลกษณะส าคญของฮสโตแกรม ใหประสทธภาพในการจ าแนกดทสด เมอเปรยบเทยบกบอก 2 อลกอรทม คอ โครงขายประสาทเทยม และ นาอฟเบย โดยการจ าแนกดวยซพพอรตเวกเตอรแมชชนไดคาความแมน คา Sesitivity คา Specificity คา F-measure และ พนทใตกราฟ ROC คอ92.98% 93.94% 91.67% และ93.94% ตามล าดบxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

 

 

 

 

 

 

 

 

บทท 5 สรปผลการวจยและขอเสนอแนะ

การจ าแนกมะเรงเตานมจากภาพแมมโมแกรม มวตถประสงคเพอท าการจ าแนกกอนเนอ

ภายในภาพแมมโมแกรมวาเปนกอนเนอไมอนตรายหรอกอนเนออนตราย เพอประโยชนในการชวยนกรงสวทยาวนจฉยโรคมะเรงเตานม และยงชวยท าใหผปวยไดรผลการวนจฉยเบองตนจากภาพ แมมโมแกรมโดยไมจ าเปนตองมความเสยงจากการผาตดเพอน าชนเนอในเตานมไปตรวจสอบ

ในปจจบนมนกวจยจ านวนมากพฒนาประสทธภาพของการจ าแนกภาพแมมโมแกรมโดยใชเทคนควธตาง ๆ ของการประมวลผลภาพรวมกบเทคนควธการเรยนรของเครอง เพอเพมความแมนในการจ าแนกมะเรงเตานมจากภาพแมมโมแกรม การปรบปรงภาพกอนการน าไปจ าแนกเปนขนตอนทส าคญเนองจากภาพแมมโมแกรมอาจมความไมชดเจนหรอมสญญาณรบกวนในภาพ ท าใหการจ าแนกไดผลทไมดนก

ดงนนวตถประสงคของงานวจยวทยานพนธนคอ เสนอวธการปรบปรงภาพ โดยการก าจดหรอลดสญญาณรบกวนภายในภาพออกไป แลวจงท าการปรบปรงภาพโดยท าใหความเขมสบรเวณกอนเนอในภาพชดเจนขน จากน นจงใชเทคนคการประมวลผลภาพดวยวธการหาขอบเขตทนาสนใจ โดยใชขนตอนวธในการตดเฉพาะบรเวณกอนเนอในภาพแมมโมแกรมเพอน ามาประมวลผล หลงจากไดบรเวณขอบเขตทสนใจแลว ขนตอนกอนการจ าแนกอกขนตอนหนงคอการหาลกษณะส าคญภายในบรเวณขอบเขตทสนใจ โดยงานวจยนจะพจารณาลกษณะส าคญ 3 ลกษณะ คอ ลกษณะส าคญของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของฮสโตแกรม และ และในขนตอนสดทาย ลกษณะส าคญทง 3 แบบจะถกน าไปใชในการจ าแนก ดวยเทคนควธในการจ าแนกขอมลแบบมผสอนทชอวาซพพอรตเวกเตอรแมชชน วธซพพอรตเวกเตอรแมชชนนนยมใชในการจ าแนกขอมลภาพ เนองจากขอมลภาพเปนขอมลทมมตขอมลสง และซพพอรตเวกเตอรแมชชนสามารถใชรวมกบเคอรเนลฟงกชนหลายแบบ งานวจยนใชเคอรเนลฟงกชนเรเดยลเบสสซงใหผลความแมนในการจ าแนกดทสด และไดท าการเปรยบเทยบประสทธภาพการจ าแนกระหวางเทคนควธซพพอรตเวกเตอรแมชชนกบเทคนคการจ าแนกอน ๆ เชน โครงขายประสาทเทยม และ นาอฟเบย โดยพบวาการน าลกษณะส าคญของรปรางแบบเพมชดขอมลเขาไปใชในการจ าแนกท าใหประสทธภาพในการจ าแนกดในท ง 3 อลกอรทมxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

 

 

 

 

 

 

 

 

68

5.1 สรปผลการวจย จากผลการทดสอบประสทธภาพของการจ าแนกภาพแมมโมแกรม ดวยชดขอมลมาตรฐาน

DDSM นน สามารถสรปผลการทดสอบเปนขนตอนดงแสดงในรปท 5.1

1) ภาพแมมโมแกรม

ภาพกอนเนออนตราย

ภาพกอนเนอไมอนตราย

2) การปรบปรงภาพ

แมมโมแกรม

ภาพหลงผานการท ามเดยนฟลเตอร

ภาพหลงท าการแกไข แกมมา

ภาพหลงท าการแกไขแกมมา

ขอมลภาพ แมมโมแกรม

มเดยนฟลเตอร

แกไข แกมมา

 

 

 

 

 

 

 

 

69

3) การแบงขอบเขตภาพ

ภาพหลงท าการขยายพนทขอบเขตภาพ

4) การดงลกษณะส าคญในภาพ

Average Variance Skewness Kurtosis 0.002196 0.020183 -0.21837 -0.00766

48 1 1 1 1 1 1 1 1……..

39 1 1 1 1 1 1 1 1……..

42 1 1 1 1 1 1 1 1……..

50 100 100 100 100 100 100 100 100……..

63 100 100 100 100 100 100 100 100……..

114 100 100 100 100 100 100 100 100……..

Peak_no 1 2 3 4 17 18 19 20……..

Threshold = 50

ขอมลทใชในการฝกสอน (Train) จ านวน 133 ภาพ ขอมลทใชในการทดสอบ (Test) จ านวน 157 ภาพ

Accuracy, Sensitivity, Specificity, F-measure และ ROC

รปท 5.1 ผลสรปขนตอนการด าเนนงานในงานวจยน

การขยายพนท ขอบเขตภาพ

ลกษณะส าคญของลวดลาย

ลกษณะส าคญของ ฮสโตแกรม

ลกษณะส าคญของรปรางแบบเพมชด

ขอมล

5) จ าแนกโดย SVM (RBF)

6) ประเมนประสทธภาพ

 

 

 

 

 

 

 

 

70

1) ขอมลภาพแมมโมแกรม (Mammography) ขอมลภาพแมมโมแกรมทมาจากชดขอมลมาตรฐาน DDSM เปนภาพระดบสเทาซงม

ขนาดภาพคอนขางใหญประมาณ 3000 4000 พกเซล โดยผวจยไดท าการคดเลอกภาพแมมโม แกรมในมมมองแบบ CC มาจ านวน 190 ภาพ ประกอบดวยภาพกอนเนออนตรายจ านวน 110 ภาพ และกอนเนอไมอนตรายจ านวน 80 ภาพ ในงานวจยนใชจ านวนภาพในการฝกสอนโมเดล (Test) จ านวน 133 ภาพ ประกอบดวยภาพกอนเนออนตรายจ านวน 77ภาพ กอนเนอไมอนตรายจ านวน 56 ภาพ และใชภาพในการทดสอบ (Test) จ านวน 57 ภาพ ประกอบดวยภาพกอนเนออนตรายจ านวน 33 ภาพ กอนเนอไมอนตรายจ านวน 24 ภาพ

2) การปรบปรงภาพแมมโมแกรม (Preprocessing) - การก าจดสญญาณรบกวนภายในภาพดวยวธมเดยนฟลเตอร (Median Filter) ซง

สญญาณรบกวนนเกดจากคณภาพของอปกรณในการรบภาพ หลกการของมเดยนฟลเตอรคอการใชหนาตางขนาดเลกเชน 33 พกเซล หรอ 55 พกเซลเลอนไปบนภาพทตองการก าจดสญญาณรบกวน โดยในขณะทเลอนนนในหนาตางขนาดเลกกท าหนาทใหการค านวณและเปลยนแปลงคาพกเซล ณ จดใด ๆ โดยท าการเรยงคาความเขมสของบรเวณหนาตางทครอบภาพ และท าการเรยงคาจากนอยไปมาก จากนนจงท าการคดเลอกคาทมธยฐานแลวน าคามธยฐานแทนทลงในพกเซลปจจบน ดงนนเมอภาพผานกระบวนการของมเดยนฟลเตอรแลว ภาพจะมความชดเจนขนในระดบหนง

-วธแกไขแกมมา (Gamma Correction) เปนการปรบปรงความชดเจนของภาพ โดยเพม ความเขมสในบรเวณทคาดวาเปนกอนเนอเพอท าใหเหนภาพบรเวณกอนเนอไดชดเจนยงขน ในขณะเดยวกนกท าการปรบลดความเขมสในบรเวณทเปนพนหลงลงดวย การแกไขแกมมาชวยใหค ว า ม เ ข ม ส ใ น บ ร เ ว ณ ท ส ว า ง ย ง ม ค ว า ม เ ข ม ส ท ม า ก ข น แ ล ะ ใ น ท า ง ต ร ง กนขามบรเวณทเปนพนหลงทมความเขมสทคอนขางมดกจะถกปรบลดความเขมสลง สงผลใหบรเวณทเปนกอนเนอมความส าคญชดขนมา โดยสอดคลองกบทนกรงสวทยาไดกลาวไววา บรเวณทเปนกอนเนอทมความผดปกต ความเขมสบรเวณนนจะมมากกวาบรเวณอน ๆ ซงวธการนจะเปนประโยชนในการน าไปเขากระบวนการแบงขอบเขตภาพหรอ ROI ตอไป

3) การแบงขอบเขตภาพ (Image Segmentation) ขนตอนการแบงขอบเขตภาพนนเปนขนตอนทส าคญอกขนตอนหนงกอนน าภาพไป

ท าการจ าแนก เนองจากภาพแมมโมแกรมมขนาดใหญประมาณ 30004000 พกเซล ซงบรเวณทสนใจนนจะเปนบรเวณกอนเนอทมความเขมส (Intensity) คอนขางสงเทานน ดงนนพนหลงใน ภาพแมมโมแกรม และบรเวณภาพทเปนไขมนจงไมจ าเปนตองน าเขาสกระบวนการจ าแนก

 

 

 

 

 

 

 

 

71

กระบวนการนจะชวยลดขนาดขอมล ท าใหการจ าแนกท าไดรวดเรวขนและไมท าใหเกดปญหาหนวยความจ าเตมระหวางการจ าแนก ในขนตอนนเราจะใชวธการการขยายพนทของสวนภาพ หรอ Region Growing ซงวธนเปนวธทนยมใชในการแบงสวนภาพภายในภาพแมมโมแกรม Region Growing ท าไดโดยเรมตนพจารณาจดกงกลาง เมอพบจดภาพทเปนบรเวณขอบของ จดกงกลางหรอ Seed Region กจะพจารณาจดภาพขางเคยง (Neighbor) ดวยการวางหนาตางขนาด 33 ครอบจดภาพนน หากจดภาพขางเคยงใดมคาระดบสเทาอยในขอบเขตของการขยายพนท กจะท าการรวมหรอขยายพนทสวนภาพไปยงจดขางเคยงนน แตถาไม กจะพจารณาจดขางเคยงถดไป กระบวนการขยายสวนพนทของภาพน จะกระท ากบทก ๆ Seed Region แบบวนซ าไปเรอย ๆ จนกระทงไมสามารถขยายพนทได

4) การดงลกษณะส าคญในภาพ (Image Feature Extraction) ลกษณะส าคญทง 3 แบบทใชในงานวจยน คอ ลกษณะส าคญของรปรางแบบเพมชด

ขอมล (Additional Data from Shape Feature หรอ ADSF) ลกษณะส าคญของลวดลาย (Texture Feature) และลกษณะส าคญของกราฟฮสโตแกรม (Histogram Feature) จากการทดลองพบวา ลกษณะส าคญของรปรางแบบเพมชดขอมล (ADSF) มผลอยางมากในการเพมประสทธภาพการจ าแนก เมอเปรยบเทยบกบ ลกษณะส าคญของรปรางแบบไมเพมชดขอมล ซงลกษณะส าคญของรปรางนนจะเปนตวบงบอกถงความหยกของกอนเนอในภาพแมมโมแกรม ลกษณะส าคญของรปรางแบบเพมชดขอมล ท าใหการจ าแนกมประสทธภาพเพมมากขนอยางมนยส าคญ

5) การจ าแนกภาพแมมโมแกรมดวย SVM (SVM Classification) ในงานวจยนทางผวจยไดใชซพพอรตเวกเตอรแมชชนในการจ าแนกโดยใชเคอรเนล

ฟงกชนเรเดยลเบสสซงใหประสทธภาพในการจ าแนกดกวาเคอรเนลฟงกชนอน ส าหรบลกษณะส าคญทใชเปนขอมลในการจ าแนกนนจะใชลกษณะส าคญ 3 แบบ ไดแก ลกษณะส าคญของรปรางแบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของความเขมสจากฮสโตแกรม ในงานวจยนไดน าการจ าแนกอก*2*วธคอนาอฟเบย และ โครงขายประสาทเทยมมาเปรยบเทยบกบอลกอรทมทน าเสนออกดวย

6) การประเมนประสทธภาพ (Evaluation) ส าหรบเกณฑทใชในการประเมนสทธภาพของโมเดลในงานวจยน ไดแก เกณฑความ

แมน (Accuracy) คา Sensitivity คา Specificity คา F-measure และ กราฟ Receiver Operation Characteristic หรอ กราฟ ROCในกระบวนการจ าแนกดวยอลกอรทม 3 แบบ คอ ซพพอรตเวกเตอรแมชชน โครงขายประสาทเทยม และนาอฟเบย จากผลการทดสอบประสทธภาพพบวา

 

 

 

 

 

 

 

 

72

อลกอรทมซพพอรตเวกเตอรแมชชน (เคอรเนลฟงกชน เรเดยลเบสส) ใหคาความแมน คา Sensitivity คา Specificity คา F-measure และพนทใตกราฟ ROC สงทสด จากการสรปผลการทดสอบประสทธภาพของการจ าแนกภาพแมมโมแกรมจะเหนไดวา การประมวลผลภาพมความจ าเปนอยางมากเพอลดทอนขอมลภาพแมมโมแกรมใหมขนาดเลกลง รวมทงปรบปรงคณภาพของภาพแมมโมแกรมใหมความชดเจนมากยงขน จากการเปรยบเทยบอลกอรทมส าหรบจ าแนกทง 3 แบบ ผลปรากฎวาซพพอรตเวกเตอรแมชชน (เคอรเนลฟงกชน เรเดยลเบสส) มความเหมาะสมและมประสทธภาพดทสดในการจ าแนกขอมลภาพแมมโมแกรม เมอใชขอมลลกษณะส าคญรวมกนทง 3 แบบ คอ ลกษณะส าคญของรปราง แบบเพมชดขอมล ลกษณะส าคญของลวดลาย และลกษณะส าคญของกราฟฮสโตแกรม โดยเฉพาะอยางยงลกษณะส าคญของรปรางแบบเพมชดขอมล สามารถชวยใหการจ าแนกดวยซพพอรตเวกเตอรแมชชนมประสทธภาพมากยงขน

5.2 ปญหาและขอเสนอแนะ เนองจากภาพแมมโมแกรมมขนาดภาพทใหญมาก ท าใหในสวนของการประมวลผลภาพม

ความลาชา เนองจากในงานวจยนไดใชการประมวลผลภาพหลากหลายวธ เพอท าการปรบปรงภาพใหมคณภาพทดขน กอนน าไปเขากระบวนการจ าแนก ซงงานวจยในอนาคตอาจจะพจารณาน าเอาเทคนคการปรบปรงภาพอน ๆ มาใช เพอท าใหกระบวนการปรบปรงภาพมความรวดเรวมากยงขน งานวจยนในขนตอนการคดเลอกลกษณะส าคญนน เปนการทดสอบการผสมผสานลกษณะส าคญ 3 แบบ และน ามาเปรยบเทยบประสทธภาพเพอสรปวาลกษณะส าคญใด มผลท าใหประสทธภาพในการจ าแนกดขน ซงการน าลกษณะส าคญมาผสมผสานกนนนยงไมเปนอตโนมต ท าใหหากมลกษณะส าคญหลาย ๆ แบบจะท าใหสนเปลองเวลาในการทดสอบและเปรยบเทยบ ดงนน ทางผวจยจงเลงเหนวาควรน าเทคนคในการคดเลอกลกษณะส าคญแบบอตโนมตมาใช เพอเพมประสทธภาพในการคดเลอกลกษณะส าคญของภาพแมมโมแกรม

 

 

 

 

 

 

 

 

รายการอางอง

Aguiar, A., Pereira, G., Azevedo, I. and Gomes, L. (2015). Evaluation of axillary dose coverage ********following whole breast radiotherapy: variation with the breast volume and shape. ********Radiotherapy and Oncology. 114(1): 22-27. Al-Najdawi, N., Biltawi, M. and Tedmori, S. (2015). Mammogram image visual enhancement ********mass segmentation and classification. Applied Soft Computing. 35(1): 175-185. Berannek, R., Jakubowski, W., Mazurczak, A., Postolski, M. and Wiazel, W. (1998). Contrast ********enhanced evaluation of the solid lesions in the breast-own experience. European ********Journal of Ultrasound. 7(1): S13. Braz, G., Paiva, C., Silva, A. and Oliveira, A. (2009). Classification of breast tissues using ********moran’s index and geary’s coefficient as texture signatures and SVM. Computers in ********Biology and Medicine. 39(1): 1063-1072. Chen, T., Gao, H., Guo, W., Qing, X., Gao, K., Yu, J. and Deng, Y. (2015). A novel application ********of the automated breast volume scanner (abvs) in the diagnosis of soft tissue tumors. ********Clinical Imaging. 39(3): 401-407. Dhahbi. S., Barhoumi, W. and Zagrouba, E. (2015). Breast cancer diagnosis in digitized ********mammograms using curvelet moments. Computers in Biology and Medicine. 64(1): ********79-90. Dietzel, M., Baltzer, P., Dietzel, A., Zoubi, R., Groschel, T., Burmeister, H., Bogdan, M. and ********Kaiser, W. (2012). Artificial neural networks for differential diagnosis of breast lesions ********in mr-mammography: a systematic approach addressing the influence of network ********architecture on diagnostic performance using a large clinical database. European ********Journal of Radiology. 81(7): 1508-1513. Hassanien, A. and Kim, T. (2012). Breast cancer mri diagnosis approach using support vector ********machine and pulse coupled neural networks. Journal of Applied Logic. 10(1): ********277-284.

 

 

 

 

 

 

 

 

74

Helena, G., Miranda, B. and Felipe, J. (2015). Computer-aided diagnosis system based on fuzzy ********logic for breast cancer categorization. Computers in Biology and Medicine. 64(1): ********334-346. Huo, Z., Giger, M., Vyborny, C., Wolverton, D. and Metz C. (2000). Computerized classification ********of benign and malignant on digitized mammograms: a study of robustness. Academic ********Radiology. 7(12): 1077-1084 Jalalian, A., Mashohor, S., Mahmud, H., Saripan, M., Rahman, A., Ramli, B. and Karasfi, B. ********(2013). Computer-aided detection/diagnosis of breast cancer in mammography and ********ultrasound: a review. Clinical Imaging. 37(3): 420-426. Wajid, S. and Hussain, A. (2015). Local energy-based shape histogram feature extraction ********technique for breast cancer diagnosis. Expert Systems with Applications. 42(20): ********6990-6999. Karmilasari, K., Widodo, S., Hermita, M., Agustiyani, N. and Hanum, Y. (2014). Sample ********k-means clustering method for determining the stage of breast cancer malignancy based ********on cancer size on mammogram image basis. International Journal of Advanced ********Computer Science and Application. 5(3): 86-90. Lee, H. and Chen, Y. (2015). Image based computer aided diagnosis system for cancer detection. ********Expert Systems with Applications. 42(1): 5356-5365. Lo, C. and Wang, C. (2012). Support vector machine for breast mr image classification. ********Computers and Mathematics with Applications. 64(1): 1153-1162. Oliver, A., Llado, X., Perez, E., Pont, J., Denton, E., Freixenet, J. and Marti J. (2010). A statistical ********approach for breast density segmentation. Journal of Digital Imaging. 23(5): 527-537. Oliver, A., Freixenet, J., Marti, J., Perez, E., Pont, J. and Denton E. (2010). A review of automatic ********mass detection and segmentation in mammographic imges. Medical Image Analysis. ********14(1): 87-110.******************************************************** Pak, F., Kanan, H. and Alikhassi, A. (in press). Breast cancer detection and classification in ********digital mammography based on non-subsampled contourlet transform (nsct) and super ********resolution. Computer Methods and Programs in Biomedicine.

 

 

 

 

 

 

 

 

75

Perez, N., Lopez, M. and Silva, A. (2015). Improving the mann-whitney statistical test for feature ********seletion: An approach in breast cancer diagnosis on mammography. Artificial ********Intelligence in Medicine. 63(1): 19-31. Robert, M., Shanmugam, K. and Dinstein, I. (1973). Texture features for image classification. ********IEEE Transactions on Systems, Man, and Cybernetics. 3(6): 610-621 Rouhi, R., Jafari, M., Kasaei, S. and Keshavarzian, P. (2015). Benign and malignant breast ********tumors classification based on region growing and CNN segmentation. Expert Systems ********with Applications. 42(1): 990-1002. Shi, X., Cheng, H.D., Hu, L., Ju, W. and Tian, J. (2010). Detection and classification of masses in ********breast ultrasound images. Digital Signal Processing. 20(1): 824-836. Singh, B., Verma, K. and Thoke, A.S. (2015). Adaptive gradient descent backpropagation for ********classification of breast tumors in ultrasound imaging. Procedia Computer Science. ********46(1): 1601-1609. Szeliski, R. (2010). Computer Vision Algorithms and Applications. Springer. Wu, W., Lin, S. and Moon, W. (2012). Combining support vector machine with genetic algorithm ********to classify ultrasound breast tumor images. Computerized Medical Imaging and ********Graphpics. 36(1): 627-633. Wu, Y., Freedman, M., Hasegawa, A., Zurbier, R., Lo, S. and Mun, S. (1995). Classification of ********microcalcifications in radiographs of pathologic specimens for diagnosis of breast ********cancer. Academic Radiology. 2(3): 199-204. Xie, W., Li, Y. and Ma, Y. (in press). Breast mass classification in digital mammography based ********on extreme learning machine. Neurocomputing. Zaki, M. (2014). Support Vector Machine. Data Mining and Analysis: Fundamental Concepts ********and Algorithms. 566-601. Zhou, S., Shi, J., Cai, J. and Wang, R. (2013). Shearlet-based texture feature extraction for ********classification of breast tumor in ultrasound image. Biomedical Signal Processing and ********Control. 8(6): 688-696. Zyout, I., Czajkowska, J. and Grzegorzek, M. (in press). Multi-scale texture feature extraction and ********particle swarm optimization based model selection for false positive reduction in ********mammography. Computerized Medical Imaging and Graphics.

 

 

 

 

 

 

 

 

ภาคผนวก ก

รหสตนฉบบของโปรแกรม

 

 

 

 

 

 

 

 

77

%ฟงกชนการปรบปรงแกมมา (MATLAB)

% Author: Pranam Janney 02/11/2003 14:30 % Outputs: % Correction = gamma correction for the input image % Inputs: % Image = input image file % GammaValue= gamma correction factor, if not specified gamma = 1 function Y=gamma_correction(X, in_interval, out_interval, gamma); % Default return value % X is an input image. Y is an output image Y=[]; % Parameter check if nargin~=4 disp('Error: The function takes exactly four arguments.'); return; end % Init. Operations X=double(X); [a,b]=size(X); % Map to input interval if ~isempty(in_interval) if length(in_interval)==2 X=adjust_range(X,in_interval); else disp('Error: Input interval needs to be a two-component vector.'); return; end end % Do gamma correction X=X.^gamma;

 

 

 

 

 

 

 

 

78

% Map to output interval if ~isempty(out_interval) if length(out_interval)==2 Y=adjust_range(X,out_interval); else disp('Error: Output interval needs to be a two-component vector.'); return; end end

 

 

 

 

 

 

 

 

79

%ฟงกชนการขยายสวนพนท (MATLB)

% Author: D. Kroon, University of Twente % Outpur % J : logical output image of region %Input % I : input image % x,y : the position of the seedpoint (if not given uses function getpts) % t : maximum intensity distance (defaults to 0.2)

function J=regiongrowing(I,x,y,reg_maxdist) if(exist('reg_maxdist','var')==0), reg_maxdist=0.2; end if(exist('y','var')==0), figure, imshow(I,[]); [y,x]=getpts; y=round(y(1)); x=round(x(1)); end J = zeros(size(I)); % Output Isizes = size(I); % Dimensions of input image reg_mean = I(x,y); % The mean of the segmented region reg_size = 1; % Number of pixels in region % Free memory to store neighbours of the (segmented) region neg_free = 10000; neg_pos=0; neg_list = zeros(neg_free,3); pixdist=0; % Distance of the region newest pixel to the regio mean % Neighbor locations (footprint) neigb=[-1 0; 1 0; 0 -1;0 1]; % Start regiogrowing until distance between regio and posible new pixels become % higher than a certain threshold while(pixdist<reg_maxdist&&reg_size<numel(I)) % Add new neighbors pixels for j=1:4,

 

 

 

 

 

 

 

 

80

% Calculate the neighbour coordinate xn = x +neigb(j,1); yn = y +neigb(j,2); % Check if neighbour is inside or outside the image ins=(xn>=1)&&(yn>=1)&&(xn<=Isizes(1))&&(yn<=Isizes(2)); % Add neighbor if inside and not already part of the segmented area if(ins&&(J(xn,yn)==0)) neg_pos = neg_pos+1; neg_list(neg_pos,:) = [xn yn I(xn,yn)]; J(xn,yn)=1; end end % Add a new block of free memory if(neg_pos+10>neg_free), neg_free=neg_free+10000; neg_list((neg_pos+1):neg_free,:)=0; end % Add pixel with intensity nearest to the mean of the region, to the region dist = abs(neg_list(1:neg_pos,3)-reg_mean); [pixdist, index] = min(dist); J(x,y)=2; reg_size=reg_size+1; % Calculate the new mean of the region reg_mean= (reg_mean*reg_size + neg_list(index,3))/(reg_size+1); % Save the x and y coordinates of the pixel (for the neighbour add proccess) x = neg_list(index,1); y = neg_list(index,2); % Remove the pixel from the neighbour (check) list neg_list(index,:)=neg_list(neg_pos,:); neg_pos=neg_pos-1; end % Return the segmented area as logical matrix J=J>1;

 

 

 

 

 

 

 

 

81

%ฟงกชนลกษณะส าคญของฮสโตแกรม (MATLAB)

function [meanGL varianceGL skew kurtosis] = GetSkewAndKurtosis(GLs, pixelCounts) try % Get the number of pixels in the histogram. numberOfPixels = sum(pixelCounts); % Get the mean gray lavel. meanGL = sum(GLs .* pixelCounts) / numberOfPixels; % Get the variance, which is the second central moment. varianceGL = sum((GLs - meanGL) .^ 2 .* pixelCounts) / (numberOfPixels-1); % Get the standard deviation. sd = sqrt(varianceGL); % Get the skew. skew = sum((GLs - meanGL) .^ 3 .* pixelCounts) / ((numberOfPixels - 1) * sd^3); % Get the kurtosis. kurtosis = sum((GLs - meanGL) .^ 4 .* pixelCounts) / ((numberOfPixels - 1) * sd^4); catch ME errorMessage = sprintf('Error in GetSkewAndKurtosis().\nThe error reported by MATLAB is:\n\n%s', ME.message); uiwait(warndlg(errorMessage)); set(handles.txtInfo, 'String', errorMessage); end return; % from GetSkewAndKurto

 

 

 

 

 

 

 

 

82

%ฟงกชนลกษณะส าคญของรปราง (MATLAB)

% Eli Billauer, 3.4.05 % Output % maxtab: maximum peak % mintab: minimum peak % Input % v: Vector delta: x: function [maxtab, mintab]=detectpeak(v, delta, x) %Detect peaks in a vector maxtab = []; mintab = []; v = v(:); % Just in case this wasn't a proper vector if nargin < 3 x = (1:length(v))'; else x = x(:); if length(v)~= length(x) error('Input vectors v and x must have same length'); end end if (length(delta(:)))>1 error('Input argument DELTA must be a scalar'); end if delta <= 0 error('Input argument DELTA must be positive'); end mn = Inf; mx = -Inf;

 

 

 

 

 

 

 

 

83

mnpos = NaN; mxpos = NaN; lookformax = 1; for i=1:length(v) this = v(i); if this > mx, mx = this; mxpos = x(i); end if this < mn, mn = this; mnpos = x(i); end if lookformax if this < mx-delta maxtab = [maxtab ; mxpos mx]; mn = this; mnpos = x(i); lookformax = 0; end else if this > mn+delta mintab = [mintab ; mnpos mn]; mx = this; mxpos = x(i); lookformax = 1; end end end

 

 

 

 

 

 

 

 

84

%ฟงกชนซพพอรตเวกเตอรแมชชน (MATLAB)

function [outclass, f]=my_svm() outclass = []; %output class f = []; %output score rrow = 190; classcol = 20; dat = csvread('total_shape.csv'); data = dat(1:rrow,1:classcol); groups = dat(1:rrow,classcol+1); groups2 = vertcat(dat(1:56,classcol+1),dat(81:157,classcol+1)); groups3 = vertcat(dat(57:80,classcol+1),dat(158:190,classcol+1)); % Matlab build-in SVM [g, gn] = grp2idx(dat(1:rrow,classcol+1)); % Nominal class to numeric % Split training and testing sets [trainIdx, testIdx] = crossvalind('HoldOut', dat(1:rrow,classcol+1),0.3,'classes',{'0','1'}); pairwise = nchoosek(1:length(gn),2); % 1-vs-1 pairwise models svmModel = cell(size(pairwise,1),1); % Store binary-classifers predTest = zeros(sum(testIdx),numel(svmModel)); % Store binary predictions % classify using one-against-one approach, SVM with rbf for k=1:numel(svmModel) % get only training instances belonging to this pair idx = trainIdx % train svmModel{k} = svmtrain(data(idx,:), g(idx), ... 'Autoscale',true, 'Showplot',false, 'Method','QP', ... 'BoxConstraint',2e-1, 'Kernel_Function','rbf', 'RBF_Sigma',1); % test

 

 

 

 

 

 

 

 

85

predTest(:,k) = svmclassify(svmModel{k}, data(testIdx,:)); [outclass,f] = svmclassify2(svmModel{k}, data(testIdx,:)); end pred = mode(predTest,2); % Voting: clasify as the class receiving most votes % performance cmat = confusionmat(g(testIdx),pred); acc = 100*sum(diag(cmat))./sum(cmat(:)); fprintf('SVM (1-against-1):\naccuracy = %.2f%%\n', acc); fprintf('Confusion Matrix:\n'), disp(cmat)

 

 

 

 

 

 

 

 

86

%ฟงกชนกราฟ ROC (MATLAB)

% Output % Tps: True positive rate Fps: False positive rate % Input % Scores : Score from classification labels: Label of class from classification

function [Tps, Fps] = ROC(scores, labels) % Sort Labels and Scores by Scores sl = [scores; labels]; [d1 d2] = sort(sl(1,:)); sorted_sl = sl(:,d2); s_scores = sorted_sl(1,:); s_labels = round(sorted_sl(2,:));

% Constants counts = histc(s_labels, unique(s_labels)); Tps = zeros(1, size(s_labels,2) + 1); Fps = zeros(1, size(s_labels,2) + 1); negCount = counts(1); posCount = counts(2);

% Shift threshold to find the ROC for thresIdx = 1:(size(s_scores,2)+1) % for each Threshold Index tpCount = 0; fpCount = 0; for i = [1:size(s_scores,2)] if (i >= thresIdx) % We think it is positive if (s_labels(i) == 1) % Right! tpCount = tpCount + 1; else % Wrong! fpCount = fpCount + 1;

 

 

 

 

 

 

 

 

87

end end end Tps(thresIdx) = tpCount/posCount; Fps(thresIdx) = fpCount/negCount; end

% Draw the Curve % Sort [Tps;Fps] x = Tps; y = Fps; % Interplotion to draw spline line count = 100; dist = (x(1) - x(size(x,2)))/100; xx = [x(1):-dist:x(size(x,2))];

% In order to get the interpolations, we remove all the unique numbers [d1 d2] = unique(x); uni_x = x(1,d2); uni_y = y(1,d2); yy = spline(uni_x,uni_y,xx);

% No value should exceed 1 yy = min(yy, 1); plot(x,y,'x',xx,yy);

 

 

 

 

 

 

 

 

88

#ภาษา R เรยกใชฟงกชน plotOverlappingHist

library(EbayesThresh) library(ggplot2) df <- read.csv(file= "C:/Users/Kedkarn/Documents/R_SVR/total_shape.csv",header = TRUE,sep=",") peakk <- df[1:190,20] tfromx(peakk, prior="laplace") bb <- data.frame(df[1:77,20]) mm <- data.frame(df[81:136,20]) threshold <- quantile(peakk, probs=0.48) threshold ggplot(df, aes(x=peakk, color="blue")) + geom_density() + geom_vline(xintercept=threshold) ##################################3 #combine two dataframes into one. First make a new column in each. bb$veg <- 'benign' mm$veg <- 'malignant' colnames(bb) <- c("peak", "veg") colnames(mm) <- c("peak", "veg") #combine into the new data frame vegLengths vegLengths <- rbind(bb, mm) #make your plot ggplot(vegLengths, aes(peak, fill = veg),xlim=NULL,ylim=NULL) + geom_density(alpha = 0.2) ################################## ov <- plotOverlappingHist(bb$peak, mm$peak, colors=c("white","gray20","yellow"), breaks=NULL, xlim=NULL, ylim=NULL)

 

 

 

 

 

 

 

 

89

#ฟงกชนภาษา R แสดงการพลอตฮสโตแกรมทซอนทบกน

# Output # overlap: Overlap value from two histogram # Input # a: vector a b: vector b colors : Colors for histogram1 histogram2 and overlapping area

library(ggplot2) plotOverlappingHist <- function(a, b, colors=c("white","gray20","gray50"), breaks=NULL, xlim=NULL, ylim=NULL){ ahist=NULL bhist=NULL if(!(is.null(breaks))){ ahist=hist(a,breaks=breaks,plot=F) bhist=hist(b,breaks=breaks,plot=F) } else { ahist=hist(a,plot=F) bhist=hist(b,plot=F) dist = ahist$breaks[2]-ahist$breaks[1] breaks = seq(min(ahist$breaks,bhist$breaks),max(ahist$breaks,bhist$breaks),dist ahist=hist(a,breaks=breaks,plot=F) bhist=hist(b,breaks=breaks,plot=F) } if(is.null(xlim)){ xlim = c(min(ahist$breaks,bhist$breaks),max(ahist$breaks,bhist$breaks)) } if(is.null(ylim)){ ylim = c(0,max(ahist$counts,bhist$counts)) } overlap = ahist for(i in 1:length(overlap$counts)){

 

 

 

 

 

 

 

 

90

if(ahist$counts[i] > 0 & bhist$counts[i] > 0){ overlap$counts[i] = min(ahist$counts[i],bhist$counts[i]) } else { overlap$counts[i] = 0 } } xlim = c(30,150) ylim = c(0,20) plot(ahist, xlim=xlim, ylim=ylim, col=colors[1]) plot(bhist, xlim=xlim, ylim=ylim, col=colors[2], add=T) plot(overlap, xlim=xlim, ylim=ylim, col=colors[3], add=T) return(overlap) }

 

 

 

 

 

 

 

 

ภาคผนวก ข

บทความวชาการทไดรบการตพมพเผยแพรในระหวางการศกษา

 

 

 

 

 

 

 

 

92

รายชอบทความวชาการทไดรบการตพมพเผยแพรในระหวางการศกษา

Kedkarn Chaiyakhan, Nittaya Kerdprasop and Kittisak Kerdprasop. (2015). Mammography xxxxxxImagesCategorization with k-Means Clustering. SEATUC’2015 the 9th South East Asia xxxxxxTechnical University Consortium (SEATUC) Symposium 2015, Suranaree University of xxxxxxTechnology, Thailand. 27-30 July 2015.

Kedkarn Chaiyakhan, Nittaya Kerdprasop and Kittisak Kerdprasop. (2016). Feature Selection xxxxxxTechniques for Breast Cancer Image Classification with Support Vector Machine. xxxxxxIMECS’2016, International MultiConference of Engineers and Computer Scientists 2016, xxxxxxHong Kong. 16-18 March 2016.

Kedkarn Chaiyakhan, Nittaya Kerdprasop and Kittisak Kerdprasop. (2016). Mammography xxxxxxImage Classification and Clustering using Support Vector Machine and k-Means. xxxxxxICIC Express Letters, Part B: Applications, International Journal of Research and Surveys, xxxxxx7(5) : 961-967.

 

 

 

 

 

 

 

 

93

 

 

 

 

 

 

 

 

94

 

 

 

 

 

 

 

 

95

 

 

 

 

 

 

 

 

96

 

 

 

 

 

 

 

 

97

 

 

 

 

 

 

 

 

98

 

 

 

 

 

 

 

 

99

 

 

 

 

 

 

 

 

100

 

 

 

 

 

 

 

 

101

 

 

 

 

 

 

 

 

102

 

 

 

 

 

 

 

 

103

 

 

 

 

 

 

 

 

104

 

 

 

 

 

 

 

 

105

 

 

 

 

 

 

 

 

106

 

 

 

 

 

 

 

 

107

 

 

 

 

 

 

 

 

108

 

 

 

 

 

 

 

 

109

 

 

 

 

 

 

 

 

ประวตผเขยน

xxxxxxนางเกตกาญจน ไชยขนธ เกดเมอว นท 7 กมภาพนธ 2519 ทอ าเภอบวใหญ จงหวดนครราชสมา เรมเขาศกษาชนประถมศกษาปท 1 ถง 6 ทโรงเรยนมารยวทยา อ าเภอเมอง จงหวดนครราชสมา จากนนศกษาตอในระดบมธยมตอนตนและตอนปลายทโรงเรยนสรนารวทยา อ าเภอเมอง จงหวดนครราชสมา ในปการศกษา 2534 ไดเขาศกษาระดบประกาศนยบตรวชาชพชนสงในโปรแกรมวชา เทคนคคอมพว เตอร คณะวชาไฟฟา สถาบน เทคโนโลยราชมงคลภาคตะวนออกเฉยงเหนอ และส าเรจการศกษาเมอป พ.ศ. 2537 จากนนในปการศกษา 2538 ไดเขาศกษาตอระดบปรญญาตรในสาขาวชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร ศนยกลางสถาบนเทคโนโลยราชมงคลธญบร และส าเรจการศกษาเมอไป พ.ศ. 2540 ภายหลงส าเรจการศกษาในระดบปรญญาตร ไดเขาท างานในส านกเทคโนโลยสารสนเทศ ศนยกลางสถาบนเทคโนโลยราชมงคลธญบร ในต าแหนงโปรแกรมเมอร เมอป พ.ศ. 2541 – 2542 จากนนไดเขาท างานทบรษทดาตาโกลบ ซอฟตแวร จ ากด ในต าแหนงโปรแกรมเมอร เมอป พ.ศ. 2543 – 2544 หลงจากนนไดสอบบรรจเขารบราชการในต าแหนงอาจารย ประจ าสาขาวศวกรรมคอมพวเตอร มหาวทยาลยเทคโนโลยราชมงคลอสาน ในป พ.ศ. 2544 ในป 2546 ไดรบทนสนบสนนการศกษาจากมหาวทยาลยเทคโนโลยราชมงคลอสาน ไปศกษาตอระดบปรญญาโท ทมหาวทยาลยเทคโนโลยพระจอมเกลาธนบร สาขาวศวกรรมคอมพวเตอร และส าเรจการศกษาในป พ.ศ. 2548 และในปการศกษา 2557 ไดศกษาตอระดบปรญญาเอกในสาขาวศวกรรมคอมพวเตอร มหาวทยาลยเทคโนโลยสรนาร ในระหวางการศกษาไดรบความอนเคระหเปนอยางดจากอาจารยทปรกษาและอาจารยประจ าวชาตาง ๆ และไดรบการตพมพเผยแพรบทความวชาการซงรายละเอยดสามารถดไดทภาคผนวก ข