Please enable JavaScript.

Coggle requires JavaScript to display documents.

Article Doing 2023 Finding a Chest X-ray Image Size Suitable - Coggle…

- - - - นักวิจัยหลายคนจึงได้พัฒนาเทคนิคอัจฉริยะหลายอย่าง เช่น การเรียนรู้เชิงลึก (DL) และการเรียนรู้ของเครื่อง (ML) ซึ่งสามารถช่วยภาคส่วนการดูแลสุขภาพในการวินิจฉัย COVID‐19 ได้อย่างรวดเร็วและแม่นยำ
      - โดยสรุป สำหรับการวินิจฉัยและคาดการณ์การระบาดของ COVID‐19 SVM เป็นกลไกการเรียนรู้ของเครื่องที่ใช้กันอย่างแพร่หลายมากที่สุด และ CNN เป็นกลไกการเรียนรู้เชิงลึกที่ใช้กันอย่างแพร่หลายมากที่สุด
      - COVID‐19 เป็นโรคที่เกิดจากไวรัสโคโรนาสายพันธุ์ใหม่ที่เรียกว่ากลุ่มอาการทางเดินหายใจเฉียบพลันรุนแรง coronavirus 2 (SARS‐CoV‐2) // เมื่อเร็ว ๆ นี้ COVID‐19 ได้กลายเป็นโรคระบาดโดยมีผู้ติดเชื้อมากกว่า 152 ล้านคนในกว่า 216 ประเทศและดินแดน //
        จำนวนผู้ติดเชื้อที่เพิ่มขึ้นแบบทวีคูณทำให้เทคนิคการวินิจฉัยแบบดั้งเดิมไม่มีประสิทธิภาพ
    - - ในช่วงไม่กี่ปีที่ผ่านมา โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) ได้ก่อให้เกิดภัยคุกคามต่อชีวิตของมนุษย์ทั่วโลก ซึ่งทำให้มีผู้เสียชีวิตหลายล้านคน
      - ตามรายงานขององค์การอนามัยโลก (WHO) จนถึงเดือนพฤษภาคม 2565 มีผู้ป่วยยืนยันแล้วกว่า 513 ล้านรายครอบคลุมหลายร้อยประเทศ (สามารถตรวจสอบข้อมูลแบบเรียลไทม์ได้ที่ https://covid19.who.int)
      - ดังนั้นจึงมีการมุ่งเน้นอย่างต่อเนื่องและเพิ่มมากขึ้นเกี่ยวกับกลไกในการรับมือกับภัยพิบัตินี้ เช่น การพัฒนาและการใช้เครื่องมือวินิจฉัย การรักษา และโปรแกรมการฉีดวัคซีนที่มีประสิทธิภาพ ส่วนหนึ่งของสิ่งนี้ บทบาทของการตรวจหา COVID-19 ในระยะเริ่มต้นเป็นพื้นฐานในการอำนวยความสะดวกในการรักษาอย่างทันท่วงทีและลดการแพร่เชื้อผ่านการแยก (Shaban et al., 2021, Vianello et al., 2021, Yu et al., 2021) .
  - - - 2022: Development of a computer-aided tool for detection of COVID-19 pneumonia from CXR images using machine learning algorithm
      - 2021: COVID‑Classifer: an automated machine learning model to assist in the diagnosis of COVID‑19 infection in chest X‑ray images
    - - 2021: Finding an Efficient Image Size for Covid-19 Diagnosis using Chest X-Ray (https://dl.acm.org/doi/pdf/10.1145/3472813.3473217?casa_token=IxBKZQsggsUAAAAA:wSVFr18rcJUxbJ5IYg1xugOhGOmdMkAlX_KuYB0RtN3HnDMCm837E12-s8tW78Mfr1phc-Kpbm0)
    - - 2019: X-ray chest image classification by a small-sized convolutional neural network
- - - - @ COVID-19 เป็นตัวย่อของโรคไวรัสโคโรนา 2019 ในขั้นต้นเรียกว่า 2019-nCoV และต่อมาคณะกรรมการระหว่างประเทศว่าด้วยอนุกรมวิธานของไวรัส (ICTV) เรียกมันว่า SARS-CoV-2
        @ เมื่อวันที่ 30 มกราคม 2020 องค์การอนามัยโลก (WHO) ได้ประกาศให้เป็นโรคระบาด
        @ ด้วยจำนวนผู้ป่วย COVID-19 ที่เพิ่มขึ้น โครงสร้างพื้นฐานทางการแพทย์ที่มีอยู่จึงมีความจำเป็นในการตรวจหาผู้ป่วยที่ต้องสงสัย
        @ เทคนิคการถ่ายภาพทางการแพทย์ เช่น การตรวจเอกซเรย์คอมพิวเตอร์ (CT) การถ่ายภาพรังสีทรวงอกสามารถมีบทบาทสำคัญในการตรวจคัดกรองและตรวจหาผู้ป่วย COVID-19 ในระยะเริ่มต้น
        @ สิ่งสำคัญคือต้องระบุและแยกกรณีเพื่อหยุดการแพร่กระจายของไวรัส
        @ ปัญญาประดิษฐ์สามารถมีบทบาทสำคัญในการตรวจจับ COVID-19 และลดภาระงานในโครงสร้างพื้นฐานทางการแพทย์ที่พังทลาย
        @ ในบทความนี้ มีการเสนอสถาปัตยกรรมที่ใช้โครงข่ายประสาทเทียมแบบดีพคอนโวลูชันนัลสำหรับการตรวจหาโควิด-19 โดยใช้ภาพถ่ายรังสีทรวงอก
        @ ชุดข้อมูลที่ใช้ในการฝึกและทดสอบโมเดลมีอยู่ในที่เก็บข้อมูลสาธารณะต่างๆ
        @ แม้ว่าจะมีความแม่นยำสูงของแบบจำลอง แต่การตัดสินใจเกี่ยวกับ COVID-19 ควรได้รับการปรึกษาหารือกับแพทย์ที่ผ่านการฝึกอบรม
    - - @ ปัจจุบัน ไวรัสโคโรนาสายพันธุ์ใหม่ที่เรียกว่า COVID-19 เป็นความท้าทายที่ยิ่งใหญ่ที่สุดของมนุษย์ในศตวรรษที่ 21
        @ ตอนนี้ การแพร่กระจายของไวรัสนี้ทำให้อัตราการตายเพิ่มขึ้นอย่างมากในทุกเมืองของประเทศ
        @ จึงจำเป็นต้องคิดหาทางออกเพื่อจัดการกับโรคโดยการวินิจฉัยที่รวดเร็วและทันท่วงที
        @ บทความนี้เสนอวิธีการที่ใช้ภาพเอกซเรย์ทรวงอกเพื่อแบ่ง 2-4 คลาสออกเป็น 7 สถานการณ์ที่แตกต่างกัน รวมถึงคลาสแบคทีเรีย ไวรัส สุขภาพดี และ COVID-19
        @ จุดมุ่งหมายของการศึกษานี้คือการนำเสนอวิธีการที่ใช้ภาพถ่ายเอกซเรย์ทรวงอกเพื่อแบ่ง 2-4 คลาสออกเป็น 7 สถานการณ์ที่แตกต่างกัน ได้แก่ คลาสแบคทีเรีย ไวรัส สุขภาพดี และโควิด-19
    - - @ COVID-19 เป็นโรคไวรัสที่แพร่กระจายอย่างรวดเร็วและส่งผลกระทบต่อกว่า 100 ประเทศทั่วโลก
        @ จำนวนผู้เสียชีวิตและจำนวนผู้ติดเชื้อเพิ่มขึ้นโดยเฉพาะในประเทศที่มีระบบการรักษาพยาบาลที่อ่อนแอ
        @ อย่างไรก็ตาม หลักฐานในปัจจุบันบ่งชี้ว่าผู้ป่วยที่ติดเชื้อ COVID-19 ส่วนใหญ่จะถูกกระตุ้นจากการติดเชื้อในปอดหลังจากสัมผัสกับไวรัสนี้
        @ ดังนั้น การเอกซเรย์ทรวงอก (เช่น การถ่ายภาพรังสี) และ CT ทรวงอกสามารถเป็นตัวแทนได้ในบางประเทศที่ PCR ไม่พร้อมใช้งาน
    - - @ การแพร่กระจายอย่างรวดเร็วของโรคไวรัสโคโรนาได้ก่อให้เกิดความหวาดกลัวไปทั่วโลกตั้งแต่เดือนธันวาคม 2019-ปัจจุบัน การตรวจจับปฏิกิริยาลูกโซ่โพลิเมอเรสตามเวลาจริง (RT-PCR) ของกรดนิวคลีอิกของไวรัสเป็นหนึ่งในเครื่องมือตรวจหาโควิด-19 มาตรฐานทางคลินิกที่ยอมรับได้และทำงานได้ [1, 2].
        @ การระบาดใหญ่ของโควิด-19 ทวีความรุนแรงขึ้นอย่างรวดเร็ว โดยมีผู้เสียชีวิตหลายร้อยรายและติดเชื้อหลายพันรายเกิดขึ้นทุกวันในสถานที่ต่างๆ ก่อให้เกิดปัญหาสำคัญในการต่อสู้กับไวรัส
        @ ภูมิภาคหรือประเทศที่มีการแพร่ระบาดสูงจำนวนมากไม่สามารถส่งการทดสอบ RT-PCR ที่เหมาะสมให้กับผู้ป่วยที่ต้องสงสัยหลายหมื่นราย
        @ วิธีการเหล่านี้ใช้เวลานานและน่าเบื่อมาก โดยไม่คำนึงว่าจะเข้าถึงได้ง่ายในทุกพื้นที่ที่มีการระบาดหรือไม่-อย่างไรก็ตาม เป็นขั้นตอนที่ใช้เวลานานและมีผลลบเท็จจำนวนมาก [3].
        @ นอกจากนี้ การศึกษาจำนวนมากได้แสดงให้เห็นว่าวิธีการตรวจหาโรคแบบดั้งเดิมส่วนใหญ่ไม่ได้ผล [4, 5] ซึ่งนำไปสู่การรักษาที่ไม่ได้ผลและไม่เหมาะสมสำหรับผู้ป่วย
    - - @ COVID-19 เกิดจากไวรัสโคโรนาชื่อ SARS-Cov-2 ซึ่งอยู่ในตระกูล β-coronavirus
        @ ไวรัสนี้สามารถแพร่เชื้อได้สูงเมื่อเทียบกับไวรัสที่ก่อให้เกิดโรคทางเดินหายใจตะวันออกกลาง (MERS) และโรคทางเดินหายใจเฉียบพลันรุนแรง (SARS) ได้แก่ MERS-Cov และ SARS-Cov
        @ การวิเคราะห์ลำดับจีโนมของ SARS-Cov-2 เปิดเผยว่าลำดับยีนของไวรัสนี้มีความคล้ายคลึงกันถึง 95% กับลำดับของไวรัส SARS ของค้างคาว ซึ่งหมายความว่าค้างคาวอาจเป็นแหล่งกำเนิดของไวรัสนี้ (Chen et al., 2020).
      - ผลงานที่สำคัญของงานวิจัยนี้คือ:
        (1) ในแบบจำลองการถ่ายโอนการเรียนรู้ที่เสนอ มีการเพิ่มเลเยอร์ชุดใหม่ด้วยการรวมการปรับพารามิเตอร์อย่างละเอียดสำหรับการจำแนกภาพเอกซเรย์ทรวงอกของ COVID-19 กรณีปกติและกรณีปอดอักเสบ
        (2) ต่อจากนั้น การปรับอีควอไลเซชันฮิสโตแกรมแบบปรับแบบคลิป (CLAHE) ถูกใช้เป็นเทคนิคการประมวลผลล่วงหน้าสำหรับการเพิ่มความคมชัดโดยใช้รูปภาพ
        (3) เนื่องจากชุดข้อมูลมีขนาดจำกัด จึงมีการเพิ่มข้อมูลเพื่อหลีกเลี่ยงปัญหาการล้นเกินของแบบจำลอง
        (4) วิเคราะห์เปรียบเทียบรูปแบบการเรียนรู้การถ่ายโอนที่เสนอ เช่น MobileNetV2, ResNet50, InceptionV3, NASNetMobile, VGG16, Xception, InceptionResNetV2 และ DenseNet121
        (5) ผลลัพธ์ของแบบจำลองต่างๆ ได้รับการเปรียบเทียบและประเมินตามความแม่นยำ การเรียกคืน (ความไว) ความจำเพาะ ความแม่นยำ และคะแนน F1
    - - @ การวินิจฉัยที่ถูกต้องของ COVID-19 ระยะเริ่มต้นเป็นสิ่งจำเป็นสำหรับการลดอัตราการแพร่กระจาย
        @ แพทย์มักจะแนะนำให้ทำการทดสอบ RT-PCR; สิ่งนี้รุกราน ใช้เวลานาน และไม่มีประสิทธิภาพในการลดอัตราการแพร่ระบาดของ COVID-19
        @ อย่างไรก็ตาม สิ่งนี้สามารถลดลงได้โดยใช้วิธีการเรียนรู้ของเครื่องที่ไม่รุกล้ำและรวดเร็ว ซึ่งได้รับการฝึกฝนทั้งจากอาการของผู้ป่วยที่ติดฉลากหรือภาพทางการแพทย์
        @ วิธีการแมชชีนเลิร์นนิงที่ฝึกฝนเกี่ยวกับอาการของผู้ป่วยที่ติดฉลากไม่สามารถแยกความแตกต่างระหว่างโรคปอดบวมประเภทต่างๆ เช่น โควิด-19 ปอดอักเสบจากไวรัส และปอดอักเสบจากแบคทีเรีย เนื่องจากมีอาการคล้ายคลึงกัน เช่น ไอ มีไข้ ปวดศีรษะ เจ็บคอ และหายใจลำบาก
        @ วิธีการแมชชีนเลิร์นนิงที่ได้รับการฝึกอบรมเกี่ยวกับภาพทางการแพทย์ของผู้ป่วยที่ติดฉลากมีศักยภาพในการเอาชนะข้อจำกัดของวิธีการตามอาการ อย่างไรก็ตาม วิธีการเหล่านี้ไม่สามารถตรวจหาเชื้อโควิด-19 ในระยะแรกได้ เนื่องจากเชื้อโควิด-19 จะใช้เวลา 3 ถึง 12 วันจึงจะปรากฏ
        @ งานวิจัยนี้นำเสนอระบบตรวจหาเชื้อโควิด-19 ที่มีศักยภาพในการตรวจหาเชื้อโควิด-19 ในระยะเริ่มต้น โดยใช้โมเดลการเรียนรู้เชิงลึกเกี่ยวกับอาการของผู้ป่วยและภาพเอกซเรย์ทรวงอก
    - - @ การถ่ายภาพทางการแพทย์ เช่น การเอ็กซ์เรย์และการตรวจเอกซเรย์คอมพิวเตอร์ (CT) สามารถมีบทบาทสำคัญในการทำนายผู้ป่วย COVID-19 ได้ตั้งแต่เนิ่นๆ ซึ่งจะช่วยให้การรักษาผู้ป่วยเป็นไปอย่างทันท่วงที
        @ ภาพเอ็กซเรย์จากผู้ป่วย COVID-19 เผยให้เห็นการติดเชื้อปอดบวมที่สามารถใช้เพื่อระบุผู้ป่วย COVID-19
        @ การศึกษานี้นำเสนอการใช้ Convolutional Neural Network (CNN) ที่แยกคุณลักษณะจากภาพเอ็กซเรย์ทรวงอกเพื่อการทำนาย มีการใช้ตัวกรองสามตัวเพื่อให้ได้ขอบจากภาพที่ช่วยให้ได้เป้าหมายที่แบ่งส่วนที่ต้องการด้วยพื้นที่ที่ติดไวรัสของเอ็กซเรย์ เพื่อรับมือกับขนาดที่เล็กลงของชุดข้อมูลการฝึกอบรม คลาส ImageDataGenerator ของ Keras จึงถูกใช้เพื่อสร้างภาพเพิ่มเติมหนึ่งหมื่นภาพ
        @ การจำแนกจะดำเนินการเป็น 2, 3 และ 4 คลาส โดยปัญหา 4 คลาสจะมีภาพเอกซเรย์จาก COVID-19, คนปกติ, ปอดอักเสบจากไวรัส และปอดอักเสบจากแบคทีเรีย ผลลัพธ์แสดงให้เห็นว่าโมเดล CNN ที่นำเสนอสามารถทำนายผู้ป่วย COVID-19 ได้อย่างแม่นยำสูง
        @ สามารถช่วยคัดกรองผู้ป่วยโดยอัตโนมัติสำหรับ COVID-19 โดยมีการสัมผัสน้อยที่สุด โดยเฉพาะอย่างยิ่งบริเวณที่ไม่สามารถรักษาผู้ป่วยที่ไหลบ่าเข้ามาโดยเจ้าหน้าที่ทางการแพทย์ที่มีอยู่ได้