มาทำความรู้จัก 5 นศ. ปริญญาเอก ของอาจารย์เอ ที่สำเร็จไปแล้วกันครับ @ ICT Mahidol

ตั้งแต่ปี 2015 ถึงปัจจุบัน 2025 กว่า 10 ปี ที่อาจารย์วรพันธ์ เป็นอาจารย์ที่ปรึกษาหลัก Main Advisor ให้กับนักศึกษาปริญญาเอก หลักสูตร Ph.D. in ICT มหาวิทยาลัยมหิดล มีนักศึกษาที่สำเร็จแล้วรวม 5 ท่านวันนี้ เรามาทำความรู้จัก และความถนัดทางด้านการศึกษาวิจัยของแต่ละท่านกันครับ
อาจารย์เอ วรพันธ์ คู่สกุลนิรันดร์
1. ศ.นพ.ทนงชัย สิริอภิสิทธิ์
Ph.D. in Computer Science, Faculty of ICT Mahidol University (2015-2019)
Research Topic: 2D and 3D Segmentation of Grayscale Medical Images using Variable Neighborhood Search
2. นายศรัฐฐา กาญจนปรีชากร
Ph.D. in Computer Science, Faculty of ICT Mahidol University (2018-2022)
Research Topic: Accelerating MR Imaging using Deep Learning on Spatial Frequency Data
3.นางสาวปุณยนุช บวรจิณณ์
Ph.D. in Computer Science, Faculty of ICT Mahidol University (2018-2024)
Royal Golden Jubilee (RGJ) Ph.D. Scholarship Research Topic: Face Image Recognition for Dog Identification using Deep Learning Techniques
4.นายกฤตณัฐ สุทัศนานนท์
Ph.D. in Computer Science, Faculty of ICT Mahidol University(2019-2024)
Cotutelle PhD Programs Mahidol University – Macquarie University
Research Topic: Whole Heart Segmentation with Convolutional Neural Networks
และ ล่าสุด ท่านที่ 5.นายรางวัล กสานติกุล
Ph.D. in Computer Science, Faculty of ICT Mahidol University (2021-2025)
Royal Golden Jubilee (RGJ) Ph.D. Scholarship
Research Topic:  Human Biometrics in Surveillance
1. ศาสตราจารย์ นายแพทย์ ธนงชัย สิริอภิสิทธิ์ (Prof. Thanongchai Siriapisith, MD)
ศาสตราจารย์ นายแพทย์ ธนงชัย สิริอภิสิทธิ์
ศาสตราจารย์ นายแพทย์ ธนงชัย สิริอภิสิทธิ์ เป็นศาสตราจารย์ด้านรังสีวิทยาที่คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล การที่ท่านเป็นแพทย์ผู้เชี่ยวชาญด้านรังสีวิทยาและมีพื้นฐานปริญญาเอกด้านวิทยาการคอมพิวเตอร์ ทำให้งานวิจัยของท่านมีความโดดเด่นอย่างยิ่งในการเชื่อมโยงความรู้ทางการแพทย์เข้ากับเทคโนโลยีปัญญาประดิษฐ์ งานวิจัยของท่านมุ่งเน้นไปที่การประมวลผลภาพทางการแพทย์และการเรียนรู้ของเครื่อง เช่นการแบ่งส่วนภาพ 3 มิติ (3D segmentation) ในการถ่ายภาพหัวใจและหลอดเลือด
ผลงานที่น่าสนใจอื่นๆ:
* การแบ่งส่วนไขมันรอบหัวใจ (Epicardial Fat Segmentation): ใช้แนวทาง Deep Learning 3 D ในภาพ CT หัวใจ  
* การแบ่งส่วนหลอดเลือดแดงใหญ่ในช่องท้องโป่งพอง (Abdominal Aortic Aneurysm - AAA Segmentation): ใช้Deep Learning 3D เพื่อปรับปรุงการแบ่งส่วน AAA ทั้งก่อนและหลังการผ่าตัด
* การสร้างภาพ MRI ใหม่ (MRI Reconstruction): พัฒนาเครือข่ายประสาทเทียมแบบเข้ารหัส-ถอดรหัส (encoder-decoder CNN) ที่มีการรวมระดับหลายชั้น (multi-level pooling) เพื่อเร่งกระบวนการสร้างภาพ MRI
* การตรวจจับ COVID-19: เสนอแนวทาง CNN สำหรับการตรวจจับ COVID-19 ในภาพเอกซเรย์ทรวงอก  
* การวัดอัตราส่วนหัวใจต่อทรวงอก (Cardiothoracic Ratio - CTR): พัฒนาโซลูชัน AI สำหรับการวัด CTR ในภาพเอกซเรย์ทรวงอกเพื่อวินิจฉัยภาวะหัวใจโต  
* การแบ่งส่วนเลือดออกในสมอง (Brain Hemorrhage Segmentation): ใช้ Deep Learningในการแบ่งส่วนเลือดออกในสมองจากภาพ CT  
* การออกแบบแบบจำลองการผ่าตัดจำลอง: ใช้การประมวลผลภาพทางการแพทย์และเทคโนโลยีการพิมพ์ 3 มิติเพื่อฝึกอบรมแพทย์ประจำบ้านด้านโสต ศอ นาสิก
ความโดดเด่นทางวิชาการของท่านอยู่ที่การผสานความเชี่ยวชาญทางการแพทย์เข้ากับเทคโนโลยี AI ซึ่งช่วยให้งานวิจัยมีผลโดยตรงต่อการวินิจฉัยและการรักษาทางการแพทย์ การมีส่วนร่วมในการพัฒนาเครื่องมือและแบบจำลองที่ช่วยปรับปรุงประสิทธิภาพและความแม่นยำในการดูแลสุขภาพเป็นสิ่งที่สำคัญอย่างยิ่ง
2. นายศรัฐฐา กาญจนปรีชากร (Sarattha Karnjanapreechakorn)
นายศรัฐฐา กาญจนปรีชากร
นายศรัฐฐา กาญจนปรีชากร สำเร็จการศึกษาระดับปริญญาโทสาขาเทคโนโลยีเกมและเกมมิฟิเคชัน และจบศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ หัวข้อวิจัยระดับปริญญาเอกของเขามุ่งเน้นไปที่การเร่งการสร้างภาพ MRI โดยใช้ Deep Learning กับข้อมูลความถี่เชิงพื้นที่ (Accelerating MR Imaging using Deep Learning on Spatial Frequency Data) ซึ่งเป็นส่วนสำคัญในการปรับปรุงประสิทธิภาพของกระบวนการวินิจฉัยทางการแพทย์
ผลงานที่น่าสนใจ:
* การสร้างภาพ MRI ใหม่: ร่วมพัฒนาเครือข่ายประสาทเทียมแบบเข้ารหัส-ถอดรหัส (encoder-decoder CNN) ที่มีการรวมระดับหลายชั้น (multi-level pooling) สำหรับการสร้างภาพ MRI ใหม่  
* การระบุตัวตนพนักงานรักษาความปลอดภัยด้วยภาพใบหน้า: เป็นหัวข้อวิจัยระดับปริญญาโทของเขา  
* การตรวจจับ COVID-19: ร่วมเขียนผลงานเกี่ยวกับการตรวจจับ COVID-19 ในภาพเอกซเรย์ทรวงอก  
* การระบุสายพันธุ์สุนัข: ร่วมพัฒนาโซลูชันดีปเลิร์นนิงสำหรับการระบุสายพันธุ์สุนัขจากภาพใบหน้า
* การตรวจจับและจัดระดับโรคเบาหวานขึ้นจอประสาทตา: ร่วมพัฒนาโซลูชัน CNN สำหรับการตรวจจับและจัดระดับโรคเบาหวานขึ้นจอประสาทตาในภาพจอประสาทตา
ความโดดเด่นของนายศรัฐฐาอยู่ที่การประยุกต์ใช้ดีปเลิร์นนิงในงานด้านชีวมิติและการประมวลผลภาพทางการแพทย์ ซึ่งแสดงให้เห็นถึงความสามารถในการพัฒนาโซลูชันที่มีประสิทธิภาพสำหรับปัญหาในโลกจริง
3. นางสาวปุณยนุช บวรจิณณ์ (Punyanuch Borwarnginn)
นางสาวปุณยนุช บวรจิณณ์
นางสาวปุณยนุช บวรจิณณ์ เธอมีพื้นฐานการศึกษาที่แข็งแกร่ง โดยสำเร็จการศึกษาระดับปริญญาโทด้านสารสนเทศจาก University of Edinburgh, UK และปริญญาตรีด้านเทคโนโลยีสารสนเทศและการสื่อสารจากมหาวิทยาลัยมหิดล งานวิจัยของเธอครอบคลุมหลายด้านที่เกี่ยวข้องกับการประมวลผลภาพ ชีวมิติ คอมพิวเตอร์วิชัน การรู้จำรูปแบบ และการเรียนรู้ของเครื่อง
ผลงานที่น่าสนใจ:
* การตรวจจับ COVID-19: เสนอโซลูชัน Deep Learning สำหรับการตรวจจับ COVID-19 ในภาพเอกซเรย์ทรวงอก โดยใช้ InceptionV3 ที่ปรับปรุงแล้วพร้อมเลเยอร์ self-attention  
* การแบ่งส่วนลิ้นอัตโนมัติ: พัฒนาโซลูชันการแบ่งส่วนลิ้นในภาพโดยใช้เครือข่าย U-Net CNN แบบเข้ารหัส-ถอดรหัส ซึ่งมีประโยชน์ในงานทางการแพทย์ที่เกี่ยวข้องกับสุขภาพช่องปาก  
* การระบุสายพันธุ์สุนัข: พัฒนาโซลูชัน Deep Learning สำหรับการระบุสายพันธุ์สุนัขจากภาพใบหน้า โดยใช้เทคนิค transfer learning และ image augmentation
* การคาดการณ์ระดับน้ำในแม่น้ำ: นำเสนอแบบจำลองการคาดการณ์ระดับน้ำโดยใช้ข้อมูลเซ็นเซอร์ในอดีตและเทคนิค Deep Learning  
* การแบ่งส่วนภาพหิมะจากกล้องวงจรปิด: เสนอวิธีการ CNN สำหรับการตีความภาพจากกล้องวงจรปิดเพื่อแบ่งส่วนฉากหิมะ  
ผลงานของนางสาวปุณญานุชแสดงให้เห็นถึงความสามารถในการประยุกต์ใช้ Deep Learning เพื่อแก้ไขปัญหาที่หลากหลาย ตั้งแต่การวินิจฉัยทางการแพทย์ไปจนถึงการเฝ้าระวังสิ่งแวดล้อมและชีวมิติของสัตว์
4. นายกฤตณัฐ สุทัศนานนท์ (Krittanat Sutassananon)
นายกฤตณัฐ สุทัศนานนท์
นายกฤตณัฐ สุทัศนานนท์ สำเร็จปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ โดยมีหัวข้อวิจัยหลักเกี่ยวกับการแบ่งส่วนหัวใจทั้งหมดด้วยเครือข่ายประสาทเทียมแบบคอนโวลูชัน (Whole Heart Segmentation with Convolutional Neural Networks) เขายังเป็นส่วนหนึ่งของโครงการปริญญาเอกร่วม (Cotutelle PhD Programs) ระหว่างมหาวิทยาลัยมหิดลและ Macquarie University ประเทศออสเตรเลีย ซึ่งสะท้อนถึงการมีส่วนร่วมในเครือข่ายวิจัยระดับนานาชาติ
ผลงานที่น่าสนใจ:
* การแบ่งส่วนหัวใจทั้งหมด: ศึกษาผลของการตั้งค่าการหมุนที่แตกต่างกันเพื่อเพิ่มปริมาตรหัวใจจากชุดข้อมูล Multi-modality Whole Heart Segmentation เพื่อปรับปรุงประสิทธิภาพการแบ่งส่วน  
* การตรวจจับ COVID-19: ร่วมเขียนผลงานเกี่ยวกับการตรวจจับ COVID-19 และการสร้าง heatmap ในภาพเอกซเรย์ทรวงอก  
* การควบคุมโรคพิษสุนัขบ้า: พัฒนาแบบจำลองเชิงระบาดวิทยาเชิงพื้นที่เพื่อจำลองการระบาดของโรคพิษสุนัขบ้าและเครื่องมือบนเว็บและมือถือสำหรับการควบคุมโรค
* แบบจำลองการแพร่กระจายของไวรัสนิปาห์: ร่วมศึกษาการระบุพื้นที่เสี่ยงสูงและการสร้างแบบจำลองการแพร่กระจายของไวรัสนิปาห์ในเครือข่ายการค้าสุกรในประเทศไทย  
* การประเมินคุณภาพและการแบ่งส่วนภาพเบาหวานขึ้นจอประสาทตาอัตโนมัติ: เป็นผลงานก่อนหน้าของเขา  
ความโดดเด่นของนายกฤตณัฐอยู่ที่การประยุกต์ใช้ดีปเลิร์นนิงในงานทางการแพทย์ โดยเฉพาะอย่างยิ่งการประมวลผลภาพหัวใจ และการสร้างแบบจำลองทางระบาดวิทยาเพื่อแก้ไขปัญหาสาธารณสุขที่สำคัญ
5. นายรางวัล กสานติกุล (Rangwan Kasantikul)
นายรางวัล กสานติกุล
นายรางวัล กสานติกุล ใหม่ๆร้อนๆในการสอบเพื่อสำเร็จการศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ โดยมีหัวข้อวิจัยหลักเกี่ยวกับชีวมิติของมนุษย์ในระบบเฝ้าระวัง (Human Biometrics in Surveillance) ผลงานวิจัยของเขามุ่งเน้นไปที่การระบุตัวบุคคลซ้ำ (Person Re-Identification หรือ Re-ID) ข้ามรูปแบบ (cross-modality) เช่น การเปรียบเทียบภาพจากกล้องในเวลากลางวันกับภาพจากกล้องที่ใช้การมองเห็นในเวลากลางคืน ซึ่งเป็นสิ่งสำคัญอย่างยิ่งสำหรับการใช้งานด้านการเฝ้าระวัง
งานของเขายังสำรวจเทคนิคการระบุตัวบุคคลซ้ำโดยใช้การเดิน (Gait Re-ID) เพื่อจัดการกับการเปลี่ยนแปลงของมุมมอง โดยพบว่าการเพิ่มภาพสะท้อนแนวนอนเข้าไปในกระบวนการเสริมสามารถเพิ่มประสิทธิภาพได้อย่างน่าพอใจ  
นอกเหนือจากงานด้านชีวมิติแล้ว นายรางวัลยังได้ประยุกต์ใช้เครือข่ายเบย์เซียน (Bayesian networks) ในการสร้างแบบจำลองเพื่อคาดการณ์การระบาดของโรคมาลาเรีย โดยเฉพาะอย่างยิ่งในพื้นที่ชนบทของประเทศไทย
แบบจำลองเหล่านี้มีความสามารถในการแสดงความไม่แน่นอน สร้างความสัมพันธ์แบบหน่วงเวลาและไม่เป็นเชิงเส้น และให้คำอธิบายการอนุมานได้ การประเมินแบบจำลองแสดงให้เห็นว่าเครือข่ายเบย์เซียนมีความแม่นยำในการคาดการณ์ที่ดีขึ้น โดยเฉพาะอย่างยิ่งสำหรับการคาดการณ์ในระยะยาวของการแพร่เชื้อที่มีอุบัติการณ์สูง
นอกจากนี้ ผลงานก่อนหน้าของเขายังรวมถึงการใช้ดีปเลิร์นนิงสำหรับการแบ่งส่วนไมโครแอนิวริซึม (microaneurysm segmentation) ในภาพจอประสาทตา ซึ่งมีความสำคัญในการตรวจจับและวินิจฉัยโรคเบาหวานขึ้นจอประสาทตา ความหลากหลายของหัวข้อวิจัยนี้สะท้อนให้เห็นถึงความสามารถในการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องขั้นสูงเพื่อแก้ไขปัญหาที่ซับซ้อนในหลายสาขา ทั้งด้านความปลอดภัยและสาธารณสุข
โฆษณา