ระบบการเรียนรู้ของเครื่องสำหรับการระบุลักษณะทางสัณฐานวิทยาแบบอัตโนมัติของอะแคนทามีบาด้วยภาพจากกล้องจุลทรรศน์Machine Learning-based System for Automatic Morphological Identification of Acanthamoeba spp. in Microscopic Images

Abstract

อะแคนทามีบา (Acanthamoeba spp.) เป็นอะมีบาที่ดำรงชีวิตเป็นอิสระในสิ่งแวดล้อม และเป็นโพรโตชัวชนิดฉวยโอกาสที่สามารถก่อให้เกิดผลกระทบต่อสุขภาพร่างกายของมนุษย์เช่น โรคกระจกตาอักเสบ การตรวจสอบชนิดของสายพันธุ์จึงมีความจำเป็นอย่างยิ่งเพื่อให้สามารถทำการวินิจฉัยและรักษาโรคนั้นๆได้อย่างถูกต้อง หนึ่งในวิธีการพื้นฐานคือการระบุลักษณะทางสัณฐานวิทยาของผนังซีสต์ (cyst) โดยสามารถจำแนกกลุ่มของอะแคนทามีบาออกเป็น 3 กลุ่ม อย่างไรก็ตามกระบวนการนี้มีความจำเป็นที่ต้องอาศัยเวลาและผู้เชี่ยวชาญเฉพาะเพื่อให้เกิดความถูกต้องและแม่นยำมากที่สุด งานวิจัยนี้จึงนำเสนอระบบการเรียนรู้ของเครื่องเพื่อทำการระบุและจำแนกลักษณะทางสัณฐานวิทยาแบบอัตโนมัติของอะแคนทะมีบาในระยะซีสต์ด้วยภาพจากกล้องจุลทรรศน์ เครื่องมือที่นำเสนอนี้มีความสามารถในการจำแนกกลุ่มอะแคนทามีบาได้โดยประกอบไปด้วย 3 กระบวนการหลักคือ (1) กระบวนการก่อนการประมวลผลภาพ (2) กระบวนการสกัดคุณลักษณะเด่นของซีสต์ด้วยการผสมผสาน (Combined descriptor) ในระดับคุณลักษณะทางรูปร่างด้วยวิธีการฮิสโตรแกรมของทิศทางตามค่าเกรเดียนท์ (Histogram of Oriented Gradients: HOG) และคุณลักษณะเชิงพื้นผิวด้วยวิธีการโลคอลไบนารีแพทเทิร์น (Local Binary Pattern; LBP) หลังจากนั้นจะเข้าสู่การระบุลักษณะของซีสต์ที่เป็นกระบวนการสุดท้ายนั้นคือ (3) การคัดแยกกลุ่มของซีสต์ด้วยการเรียนรู้ของเครื่อง จากผลการทดลองพบว่าตัวจำแนกชนิดซัพพอร์ตเวคเตอร์แมชชีน (Support Vector Machine : SVM) นั้นให้ค่าความถูกต้องเฉลี่ยสูงที่สุดเมื่อเปรียบเทียบกับตัวจำแนกชนิดอื่นๆ อีกทั้งระบบที่นำเสนอนี้ได้ประสิทธิภาพสูงที่สุดเมื่อทำการเปรียบเทียบประสิทธิภาพความถูกต้องกับวิธีการอื่นซึ่งคิดเป็นค่าความถูกต้องเฉลี่ยที่ 89.81%

Acanthamoeba is free-living protozoa. They are the causative agents of granulomatous encephalitis and keratitis in humans. The simplified morphological identification was based on the shape of the inner and outer wall and the size of the cysts according to the standard criteria, which can be classified into group I, group II, and group III. Although morphology is isolated by the shape and the size of the cysts, it requires expert-skilled explicitly of health promoters. This paper proposes developing an automated machine learning-based system for morphological identification of Acanthamoeba spp. in microscopic images. The system can be separated into three processes, i.e. 1) image preprocessing process, 2) feature descriptors using Histogram of Gradient technique (HOG) as shaped-based approach, and Local Binary Pattern (LBP) as texture-based approach, and 3) SVM-based classification. The proposed approach is evaluated by using our dataset comparing with the state-of-the-art methods. The experimental results show that our proposed method can achieve highly accurate performance superior to the other methods with an accuracy of 89.81%.