Blockdit Logo (Mobile)
MVIT Research LAB : Mahidol University
•
30 มิ.ย. เวลา 07:24 • วิทยาศาสตร์ & เทคโนโลยี
มหาวิทยาลัยมหิดล

การวัดการเคลื่อนไหวศีรษะผ่าน Telemedicine ด้วย Deep Learning

งานวิจันนี้นำเสนอผลที่มีความโดดเด่นในด้าน: ความแม่นยำ (accuracy) ความสะดวกสบาย (convenience) ความต้องการในการประมวลผลต่ำ (low computational requirements) ต้นทุนการดำเนินงานต่ำ (low operational costs) ซึ่งทำให้เป็นทางเลือกที่น่าสนใจสำหรับการพัฒนา Telemedicine ในอนาคต
ในบทความ การประยุกต์ทางการแพทย์ของการประมาณท่าทางศีรษะด้วย Deep Learning จากลำดับภาพ RGB (Medical application of deep-learning-based head pose estimation from RGB)
โดย ความร่วมมือ จาก คณะวิศวกรรมศาสตร์ คณะICT คณะแพทยศาสตร์.รพ.รามาธิบดี มหาวิทยาลัยมหิดล 🇹🇭 และ Engineering, National Chung Cheng University 🇹🇼
ในผลงานด้าน Telemedicine ได้เข้ามามีบทบาทสำคัญในการให้คำปรึกษาระหว่างแพทย์กับผู้ป่วย หรือแพทย์กับแพทย์ เพื่อแก้ปัญหาหลายประการ เช่น วิกฤตการณ์โควิด-19, การเข้าถึงบริการทางการแพทย์ในพื้นที่ห่างไกล, ระยะเวลาการใช้บริการที่ยาวนานต่อครั้ง, และการเดินทาง
ปัจจุบันมีงานวิจัยไม่มากนักที่นำ Telemedicine มาประยุกต์ใช้กับการวัดการเคลื่อนไหวของศีรษะด้วย deep-learning-based head pose estimation (HPE) networksได้นำมาใช้สำหรับการประมาณท่าทางศีรษะ (Head Pose Estimation หรือ HPE) ที่พัฒนาขึ้นเมื่อไม่นานมานี้ ได้แสดงให้เห็นถึง ความแม่นยำที่สูงกว่าการใช้วิธีการวัดในผลงานวิจัยที่มีมาก่อน ซึ่งเป็นคุณสมบัติที่น่าสนใจสำหรับการวัด cervical range of motion (CROM) ที่นิยมใช้ใน Telemedicine
อ่านฉบับเต็มได้ที่ 📄
สำหรับการวัดการเคลื่อนไหวศีรษะผ่าน Telemedicine ด้วย Deep Learning นั้น
  • ●
    ในปัจจุบัน Telemedicine หรือ โทรเวชกรรม ได้เข้ามามีบทบาทสำคัญในการให้คำปรึกษาระหว่างแพทย์กับผู้ป่วย หรือแพทย์กับแพทย์ เพื่อแก้ปัญหาดั้งเดิมหลายประการ เช่น วิกฤตการณ์โควิด-19, การเข้าถึงบริการทางการแพทย์ในพื้นที่ห่างไกล, ระยะเวลาการใช้บริการที่ยาวนานต่อครั้ง, และการพึ่งพาผู้ดูแลในการเดินทาง
  • ●
    อย่างไรก็ตาม มีงานวิจัยไม่มากนักที่นำ Telemedicine มาประยุกต์ใช้ในการ วัดการเคลื่อนไหวของศีรษะ ซึ่งเป็นสิ่งจำเป็นสำหรับกิจกรรมในชีวิตประจำวัน แต่กลับลดลงได้จากปัจจัยต่างๆ เช่น อายุที่เพิ่มขึ้น, การบาดเจ็บ, อาการปวด, และโรคเกี่ยวกับความเสื่อมของร่างกาย
  • ●
    ในช่วงไม่กี่ปีที่ผ่านมา ปัญญาประดิษฐ์ (AI) รวมถึงวิธีที่ใช้ การมองเห็น (vision-based methods) ได้ถูกนำมาใช้ในการวัด ช่วงการเคลื่อนไหวของคอ (Cervical Range of Motion หรือ CROM) อย่างไรก็ตาม วิธีการเหล่านี้ยังคงมีข้อจำกัดเรื่อง ข้อผิดพลาดในการวัด (measurement errors) ที่สูง และ ความจำเป็นในการใช้กล้องจับความลึก (depth-camera requirements)
  • ●
    ในทางกลับกัน โครงข่าย Deep Learning สำหรับการประมาณท่าทางศีรษะ (Head Pose Estimation หรือ HPE) ที่พัฒนาขึ้นเมื่อไม่นานมานี้ ได้แสดงให้เห็นถึง ความแม่นยำที่สูงกว่า วิธีการก่อนหน้า ซึ่งเป็นคุณสมบัติที่น่าสนใจสำหรับการวัด CROM ใน Telemedicine
ข้อเสนอทางเทคนิคใหม่สำหรับการประมาณท่าทางศีรษะ
  • ●
    งานวิจัยนี้มีเป้าหมายที่จะนำเสนอการประยุกต์ใช้ โครงข่ายประสาทเทียมเชิงลึก (deep neural network) ที่ประกอบด้วยองค์ประกอบสำคัญดังนี้:
  • ●
    การดึงคุณลักษณะแบบปิรามิดหลายระดับ (multi-level pyramidal feature extraction): ช่วยให้โครงข่ายเรียนรู้คุณลักษณะที่หลากหลายจากภาพ
  • ●
    โครงสร้างการรวมคุณลักษณะแบบปิรามิดสองทิศทาง (bi-directional Pyramidal Feature Aggregation Structure หรือ PFAS): สำหรับการรวมคุณลักษณะต่างๆ เข้าด้วยกัน
  • ●
    โมดูล Atrous Spatial Pyramid Pooling (ASPP) ที่ถูกปรับปรุง (modified Atrous Spatial Pyramid Pooling หรือ ASPP): เพื่อเพิ่มประสิทธิภาพของคุณลักษณะเชิงพื้นที่และเชิงช่อง (spatial and channel feature enhancement)
  • ●
    โมดูลการจำแนกประเภทและถดถอยแบบหลาย Bin (multi-bin classification and regression module): เพื่อใช้ในการหาค่า มุม Euler (Euler angles) ซึ่งเป็นพารามิเตอร์ที่ใช้อธิบายท่าทางของศีรษะ
ผลการประเมินและการประยุกต์ใช้ เราได้ทำการประเมินเทคนิคที่เสนอขึ้นนี้บน ชุดข้อมูลสาธารณะ (public datasets) ได้แก่ 300W_LP, AFLW2000, และ BIWI โดยสามารถทำประสิทธิภาพได้ใกล้เคียงกับอัลกอริทึมก่อนหน้า ด้วยค่า MAE (Mean Absolute Error) เฉลี่ยที่ 3.36°, 3.50° และ 2.16° ตามลำดับ ภายใต้เกณฑ์การประเมินหลายแบบ
สำหรับการวัด CROM ใน Telemedicine เทคนิคของเราได้ผลลัพธ์ที่ดีที่สุด โดยมีค่า MAE เฉลี่ยต่ำที่สุดที่ 3.73° สำหรับ ชุดข้อมูลทางการแพทย์ส่วนตัว (private medical dataset) นอกจากนี้ เทคนิคของเรายังทำ ความเร็วในการอนุมาน (inference speed) ได้อย่างรวดเร็ว ที่ 2.27 มิลลิวินาทีต่อภาพ
บทความอื่นๆ เกี่ยวกับ การแพทย์ทาไลกล Telemedicine/Telehealth จาก MVIT
***บริการ Telehealth สำหรับผู้ป่วยที่ได้รับการฟอกไตทางช่องท้องแบบต่อเนื่อง: การศึกษาเบื้องต้น (Telehealth Service for Patients Receiving Continuous Ambulatory Peritoneal Dialysis: A Pilot Study)
***ปัจจัยที่มีอิทธิพลต่อการใช้บริการ Telehealth และผลลัพธ์ทางสุขภาพในผู้ป่วยที่ได้รับการฟอกไตทางช่องท้องแบบต่อเนื่อง: การศึกษาภาคตัดขวาง (Factors Influencing Telehealth Service Use and Health Outcomes in Patients Undergoing Continuous Ambulatory Peritoneal Dialysis: Cross-Sectional Study)
โฆษณา