ใช้ Deep Learning 5 โมเดลร่วมกับ Algorithm การหา Optimal Weight เพื่อประเมินอายุกระดูกจากภาพ X-Ray มือ อย่างแม่นยำ
งานวิจัยนี้พัฒนาระบบประเมินอายุกระดูก (Skeletal Maturity Assessment) จากภาพ X-Ray ของมือและข้อมือ โดยใช้เทคนิค Ensemble Learning ร่วมกับ Algorithm การ Optimize Weight
พัฒนาระบบ AI ที่ช่วยแพทย์รังสีวิทยาในการประเมินอายุกระดูกจากภาพ X-Ray อย่างรวดเร็วและแม่นยำ ลดเวลาและความคลาดเคลื่อนจากการอ่านโดยผู้เชี่ยวชาญ
ใช้ข้อมูล RSNA Bone Age Dataset จำนวน 12,611 ภาพ X-Ray มือของผู้ป่วยอายุ 0–20 ปี พร้อม label อายุกระดูก (หน่วย: เดือน) และเพศ แบ่งเป็น train/val/test
Fine-tune 5 Deep Learning backbone บน X-Ray dataset จากนั้นหา Optimal Weight สำหรับ Ensemble ด้วย Algorithm 1 (Heavy Ball with Extrapolation) เพื่อ minimize MAE
แต่ละโมเดลมีจุดเด่นต่างกัน การรวม Ensemble ช่วยลด bias และเพิ่ม generalization
| โมเดล | Architecture | Feature Dim | MAE (เดือน) | R² | Ensemble Weight |
|---|---|---|---|---|---|
| 🥇 Best DenseNet121 | Dense Connection CNN | 1,024 | 10.77 | 0.927 | 30.7% |
| VGG16 | Deep CNN (16 layers) | 512 | 11.07 | 0.922 | 26.1% |
| EfficientNet-B2 | Compound Scaling CNN | 1,408 | 11.22 | 0.914 | 16.3% |
| ResNet50 | Residual Network (50 layers) | 2,048 | 12.20 | 0.905 | 11.0% |
| ResNet18 | Residual Network (18 layers) | 512 | 12.72 | 0.895 | 15.8% |
| 🏆 Ensemble | Weighted Average | — | 9.41 | 0.941 | 100% |
ใช้ iterative optimization algorithm เพื่อหา optimal weight ที่ minimize ensemble MAE
โดยที่ H คือ matrix ของ predictions จากทุกโมเดล, Y คือ true bone age, β คือ ensemble weight vector ที่ต้องการหา
อัปโหลดภาพ X-Ray มือและรับผลการประเมินอายุกระดูกทันที
🩻 เริ่มวิเคราะห์เลย