การวินิจฉัยโรคจากภาพอัลตร้าซาวด์ของก้อนในตับโดยเทคนิค convolutional neural network

ยิ่งลักษณ์ ศรีธัญรัตน์

dc.contributor.advisor	รุ่งฤดี ชัยธีรกิจ
dc.contributor.author	ยิ่งลักษณ์ ศรีธัญรัตน์
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะแพทยศาสตร์
dc.date.accessioned	2020-11-11T10:07:25Z
dc.date.available	2020-11-11T10:07:25Z
dc.date.issued	2562
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/69484
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562
dc.description.abstract	วัตถุประสงค์: เพื่อศึกษาการทำงานของ Convolutional Neural Network (CNN) ในการตรวจหาและวินิจฉัยโรคจากภาพอัลตร้าซาวด์ของก้อนในตับในเวชปฏิบัติ โดยผ่านตัวชี้วัดได้แก่ ความไว (sensitivity), ความจำเพาะ (specificity) และ ความถูกต้อง (accuracy) วิธีการศึกษา: เก็บภาพอัลตร้าซาวด์ตับในผู้ป่วยที่มีความเสี่ยงต่อการเกิดมะเร็งตับปฐมภูมิที่มารับการตรวจรักษาคลินิกโรคตับ โรงพยาบาลจุฬาลงกรณ์ ในช่วง 8 เดือน โดยใช้เครื่องอัลตร้าซาวด์ 4 เครื่อง บันทึกข้อมูลก้อนในตับและพื้นหลังที่เป็นเนื้อตับ จากนั้นทำการลงผลการวินิจฉัยสุดท้ายของก้อนที่ตับ อ้างอิงจากผลเอกซเรย์คอมพิวเตอร์ เอกซเรย์คลื่นแม่เหล็กไฟฟ้า หรือ การเจาะ/ตัดก้อนที่ตับมาตรวจทางพยาธิวิทยา หลังจากนั้นนำภาพก้อนในตับที่รวบรวมได้ไปทดสอบการทำงานของ CNN ผลการศึกษา: ผู้ป่วยที่ตรวจพบก้อนในตับทั้งหมด 156 คน เป็นผู้ป่วยตับแข็ง 79 คน และไม่เป็นตับแข็ง 77 คน ภาพก้อนในตับทั้งหมด 569 lesions แบ่งเป็น HCC 138 lesions, cyst 177 lesions, hemangioma 113 lesions, focal fat infiltration (FFI) 47 lesions และ focal fat sparing (FFS) 94 lesions อัตราการตรวจพบก้อนในตับของ CNN เท่ากับร้อยละ 52 โดยอัตราการตรวจพบก้อนในตับในกลุ่มที่เป็นตับแข็งสูงกว่าในกลุ่มที่ไม่เป็นตับแข็งอย่างมีนัยสำคัญ คือร้อยละ 61 เทียบกับร้อยละ 45 (p= 0.0002) การวินิจฉัยชนิดของก้อนในตับพบว่า CNN มีความไวร้อยละ 87, ความจำเพาะร้อยละ 97 และ ความถูกต้องร้อยละ 95 สรุปผล: CNN สามารถวินิจฉัยชนิดของก้อนในตับที่พบบ่อยได้เป็นอย่างดี โดยพื้นหลังของเนื้อตับไม่ส่งผลต่อการวินิจฉัยชนิดของก้อนในตับ
dc.description.abstractalternative	Background: Ultrasonography is the primary tool for HCC surveillance. In this study, we aimed to validate the performance of our CNN for diagnosis of FLL. Methods: We enrolled patients at our liver clinic from January 2019 to August 2019. USG images were retrieved from 4 different USG machines. Definitive diagnoses of FLL were confirmed by CT, MRI and/or pathology reports. Results: We enrolled 156 patients, 79 had cirrhosis while 77 did not have cirrhosis. 569 FLLs were retrieved and diagnosed as 138 HCC, 177 cyst, 113 hemangioma, 47 focal fat infiltration and 94 focal fat sparing. There were 250 images in cirrhosis and 319 images in non-cirrhosis. The overall FLL detection rate was 52%. Detection rate in cirrhosis was greater than in non-cirrhosis (61% VS 45%; P< 0.05). Overall, the CNN was able to diagnose FLL with the sensitivity, specificity and accuracy of 87%, 97% and 95%, respectively. We also found that cirrhosis background had no influence on the diagnosis performance. Conclusion: In our validation cohorts, the good diagnosis performance of our CNN still held true in various images from different USG machines.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2019.1495
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.classification	Medicine
dc.title	การวินิจฉัยโรคจากภาพอัลตร้าซาวด์ของก้อนในตับโดยเทคนิค convolutional neural network
dc.title.alternative	Convolutional neural network for diagnosis of focal liver lesions from ultrasound images
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	อายุรศาสตร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2019.1495