Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/70310
| Title: | การประยุกต์ใช้โครงข่ายประสาทเพื่อตรวจจับเซลล์หลายชนิดผ่านกล้องจุลทรรศน์เชิงซ้อนด้วยตัวรับรู้ภาพ |
| Other Titles: | The application of neural network to detect multiple cells via compound microscope with image sensor |
| Authors: | ณัทกร เกษมสำราญ |
| Advisors: | สุรีย์ พุ่มรินทร์ นรรัตน์ วัฒนมงคล |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | [email protected] [email protected] |
| Subjects: | นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) การเรียนรู้ของเครื่อง กล้องจุลทรรศน์ Neural networks (Computer science) Machine learning Microscopes |
| Issue Date: | 2562 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | สำหรับงานทางด้านการตรวจหาและนับจำนวนเซลล์ภายในห้องปฏิบัติการ จะให้ความสำคัญในการวิเคราะห์จำนวนเซลล์ เช่น การตรวจเลือด ปัสสาวะ อุจาระ เสมหะ เป็นต้น จากการมองด้วยตาผ่านกล้องจุลทรรศน์นานนับชั่วโมงติดต่อกันและเป็นลักษณะงานทำซ้ำจะส่งผลให้เกิดอาการล้าสายตาจนก่อให้เกิดความคลาดเคลื่อนได้ จึงมีแนวคิดในการสร้างอุปกรณ์ที่ช่วยลดระยะเวลาในการนับคัดแยกเซลล์ขนาดเล็กที่มีความแม่นยำอย่างอัตโนมัติ ซึ่งส่งผลให้การวินิจฉัยโรคทำได้รวดเร็วมากขึ้นเป็น ชุดกล้องอัจฉริยะ “ไมโครซิสดีซีเอ็น” สำหรับกล้องจุลทรรศน์ (“MicrosisDCN” intelligent camera for microscope : Microbes Diagnosis with Deep Convolutional Neural Network) สำหรับแยกชนิดและนับจำนวนเซลล์ขนาดเล็กด้วยโครงข่ายประสาท เป็นชุดอุปกรณ์สำหรับสวมชุดกล้องเข้ากับท่อเลนส์ใกล้ตา (Eyepiece lens tube) ของกล้องจุลทรรศน์เชิงซ้อน (Compound microscope) สามารถบ่งบอกจำนวนเซลล์ขนาดเล็กด้วยโครงข่ายประสาทที่นับได้ในพื้นที่มาตรฐานการมองเห็นของชุดกล้อง จากพื้นที่ขอบเขตการมองเห็นของตัวรับรู้ภาพภายในชุดกล้องมีหน่วยเป็น 11.89 40X “field images” to equal standard area หรือ 11.9 คูณจำนวนเซลล์ต่อ HPF (High Power Field) ระบบมีความสามารถในการจำแนกเซลล์ขนาดเล็ก 3 คลาส ได้แก่ เม็ดเลือดแดง (Red blood cell : RBC) เม็ดเลือดขาว (White blood cell : WBC) และเกล็ดเลือด (Platelets) ที่มีค่า Mean Average Precision (mAP) สูงถึง 0.8681 หรือร้อยละ 86.81 และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error : MAE) ของ RBC 1.06 WBC 0.06 และ Platelets 4.23 |
| Other Abstract: | For the work in the detection and counting of cells in the laboratory, the researchers will focus on the analysis of the number of cells, for example, blood tests, urine, sputum, etc., with the eyesight through a microscope. Those researchers spend hours of continuous work and repetitive work, which can result in eye fatigue that can lead to discrepancies. Therefore, there is the idea of creating a device that reduces the time required for automatic counting of small cells with accuracy, called "MicrosisDCN" intelligent camera for microscope: Microbes Diagnosis with Deep Convolutional Neural Network. It can mount a camera kit into the eyepiece lens tube of a compound microscope. The device can classify and count small cells using neural networks in the standard area of the camera set from the field of view of the image sensor within the camera unit. The unit is 11.89 40X "field images" to the same standard area or 11.9 times the number of cells per HPF (High Power Field). The system can classify three classes: Red blood cell (RBC), White blood cell (WBC), and Platelets with mean average precision (mAP) up to 0.8681 or 86.81 percent. And with the mean absolute error (MAE) of RBC 1.06 WBC 0.06 and Platelets 4.23. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิศวกรรมไฟฟ้า |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/70310 |
| URI: | http://doi.org/10.58837/CHULA.THE.2019.1238 |
| metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2019.1238 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6170169721.pdf | 19.48 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.