หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2568
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
ระบบตรวจจับเนื้องอกในสมองโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน
ชื่อโครงงานภาษาอังกฤษ
Brain Tumor Detection System Using Convolutional Neural Networks
ผู้พัฒนา
6510503778 วีรภัทร์ อุ่นอบ
อาจารย์ที่ปรึกษาหลัก
ธนาวินท์ รักธรรมานนท์
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
โครงงานนี้ได้นำเสนอการเปรียบเทียบประสิทธิภาพของแบบจำลองเชิงลึกสำหรับการตรวจจับและแบ่งส่วนเนื้องอกในสมองจากภาพ MRI โดยศึกษาทั้งแนวทางการฝึกแบบ Direct Training และ Transfer Learning ภายใต้แบบจำลองหลัก 3 รูปแบบ ได้แก่ U-Net สำหรับการแบ่งส่วนภาพ, YOLO สำหรับการตรวจจับและจำแนกประเภท และแบบจำลองผสมที่นำสถาปัตยกรรม YOLO สำหรับการระบุตำแหน่งเนื้องอกและ U-Net สำหรับการแบ่งส่วนเชิงละเอียด
ผลการทดลองจาก Confusion Matrix แสดงให้เห็นว่า Transfer Learning ช่วยลดจำนวนการจำแนกผิดพลาดในบางคลาส โดยเฉพาะ glioma เมื่อเทียบกับการฝึกแบบปกติ และสำหรับค่า Dice Score และIntersection over Union (IoU) แสดงให้เห็นว่า Transfer Learning ให้ผลลัพธ์ดีขึ้นในบางประเภทเนื้องอกและไม่เกิด bias ในการทำนายผลที่ False Positive ได้อีกด้วย
สำหรับแบบจำลอง Hybrid พบว่าสามารถคงประสิทธิภาพการตรวจจับของ YOLO ไว้ได้ ขณะเดียวกันเพิ่มคุณภาพการแบ่งส่วนภาพจาก U-Net ทำให้ได้ผลลัพธ์เชิงพื้นที่ที่ละเอียดมากขึ้น แม้ค่าเฉลี่ย Dice และ IoU ของโมเดลที่ใช้ Transfer Learning ในบางกรณีจะลดลงเล็กน้อย แต่ประสิทธิภาพโดยรวมนั้นยังคงมีความเสถียรและใกล้เคียงเดิม
ผลการศึกษาแสดงให้เห็นว่าการประยุกต์ใช้ Transfer Learning สามารถเพิ่มประสิทธิภาพของระบบในการตรวจจับและแบ่งส่วนเนื้องอกสมองได้ดีขึ้น ทั้งในด้านความแม่นยำในการจำแนกและคุณภาพของการแบ่งส่วนภาพ ซึ่งมีศักยภาพในการสนับสนุนการวินิจฉัยทางการแพทย์ในอนาคต
Abstract
This project presents a comparison of the performance of deep learning models for brain tumor detection and segmentation from MRI images. The study investigates both Direct Training and Transfer Learning approaches using three main model architectures: U-Net for image segmentation, YOLO for detection and classification, and a hybrid model that combines YOLO for tumor localization and U-Net for detailed segmentation
Experimental results from the Confusion Matrix show that Transfer Learning reduces misclassification in some classes, particularly glioma, compared with direct training. In terms of Dice Score and Intersection over Union (IoU), Transfer Learning also improves performance for certain tumor types and helps reduce bias caused by false positive predictions.
For the hybrid model, the results indicate that it can maintain the detection capability of YOLO while improving the segmentation quality through U-Net, resulting in more precise spatial segmentation. Although the average Dice Score and IoU of the Transfer Learning model slightly decrease in some cases, the overall performance remains stable and comparable.
The study demonstrates that applying Transfer Learning can enhance the effectiveness of brain tumor detection and segmentation systems, improving both classification accuracy and segmentation quality. This approach shows potential for supporting medical diagnosis in the future.
คำสำคัญ (Keywords)
MRI
Convolutional Neural Network
Image Segmentation
U-Net
YOLO
Transfer Learning
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
วีรภัทร์
อุ่นอบ
(b6510503778)
แก้ไขครั้งสุดท้าย
เมื่อ March 13, 2026, 3:49 a.m. โดย
วีรภัทร์
อุ่นอบ
(b6510503778)
สถานะการอนุมัติ
รออนุมัติ