รูปที่ 1 แสดงการกำหนดพื้นที่ที่สนใจ A) ไขมัน B) กล้ามเนื้อ C) ก้อนเนื้องอก และ D)กลุ่มหินปูน
4.วิเคราะห์ความแตกต่างของค่าข้อมูล
4.1 ทำการทดสอบการแจกแจงปกติของข้อมูลค่าข้อมูล โดยใช้ Kolmogorov-Smirnov Test เพื่อให้ทราบลักษณะการกระจายของข้อมูลแล้วจึงทำการทดสอบข้อมูลต่อไป
4.2 ทดสอบความแตกต่างกันของค่าเฉลี่ยของค่าข้อมูลแต่ละชนิดของเนื้อเยื่อเต้านม โดยใช้สถิติ One - Way ANOVA (กรณีข้อมูลเป็นการกระจายแบบปกติ) หรือ ใช้สถิติ Kruskal-Wallis Test (กรณีข้อมูลเป็นการกระจายแบบไม่ปกติ) โดยกำหนดให้ค่า p< 0.05 คำนวณด้วยโปรแกรม Statistical Package for the Social Science for Windows version 22.019
4.3 ทดสอบความแตกต่างของค่าเฉลี่ยของข้อมูล โดยเปรียบเทียบข้อมูล 4 กลุ่ม ระหว่างค่าข้อมูลของกล้ามเนื้อไขมัน กลุ่มหินปูน และก้อนเนื้องอก
4.4 ทดสอบความแตกต่างของค่าเฉลี่ยของข้อมูล โดยเปรียบเทียบข้อมูล 4 กลุ่ม ระหว่างค่าข้อมูลของ หินปูนขนาดเล็กไม่ใช่เนื้องอกร้าย หินปูนขนาดเล็กเนื้องอกร้าย ก้อนเนื้องอกไม่ร้าย และ ก้อนเนื้องอกร้าย
จากการทดสอบข้างต้นจะนำค่าข้อมูลทางสถิติ (ค่าเฉลี่ย ค่ามัธยฐาน ค่าเบี่ยงเบนมาตรฐาน ค่าผลรวมความดำ ค่าความเบ้ และค่าความโด่ง) ที่มีความความแตกต่างกัน มาใช้สำหรับการกำหนดช่วงพยากรณ์รอยโรคในขั้นตอนต่อไป
5. การพยากรณ์รอยโรค
หลังจากทราบความแตกต่างกันของค่าข้อมูลในเนื้อเยื่อตามการทดสอบในข้อที่ 3 และ 4 แล้ว จึงทำการทดสอบความสามารถในการพยากรณ์รอยโรคของค่าทางสถิติ โดยนำภาพที่มีรอยโรค 17 ภาพ และภาพที่ไม่รอยโรค 20 ภาพ (ทุกภาพระบุผลวินิจฉัยการมีรอยโรค และไม่มีรอยโรค อีกทั้งไม่เป็นภาพกลุ่มเดียวกันกับการทดสอบในข้อที่ 3) และเพื่อตรวจสอบผลการวินิจฉัยรอยโรคของค่าข้อมูลทางสถิติ จึงกำหนดผลการตรวจสอบ ดังนี้
True positive (TP) คือ ค่าข้อมูลที่ตรวจพบรอยโรคบนภาพที่มีรอยโรค
False positive (FP) คือ ค่าข้อมูลที่ตรวจพบรอยโรคบนภาพที่ไม่มีรอยโรค
False negative (FN) คือ ค่าข้อมูลที่ตรวจไม่พบรอยโรคบนภาพที่มีรอยโรค
True negative (TN) คือ ค่าข้อมูลที่ตรวจไม่พบรอยโรคบนภาพที่ไม่มีรอยโรค
ตารางที่ 1 แสดงผลการวินิจฉัยรอยโรค
|
Data |
Pathology |
Total |
|
Lesion |
Normal |
|
Positive |
TP |
FP |
TP+FP |
|
Negative |
FN |
TN |
FN+TN |
|
Total |
TP+FN |
FP+TN |
TP+FP+FN+TN |
หลังจากนั้นนำผลจากการทดสอบค่าทางสถิติทั้งหมดไปคำนวณการทดสอบความไวของการทดสอบ (Sensitivity) และความจำเพาะของการทดสอบ (Specificity) โดยกำหนดให้
ผลการศึกษา
1. ผลการศึกษาค่าข้อมูลภาพของภาพเอกซเรย์เต้านม ค่าสถิติจากการวัดค่าข้อมูลของภาพเนื้อเยื่อทั้ง 4 กลุ่ม (89 ภาพ จากกล้ามเนื้อ ไขมัน ก้อนเนื้องอกและกลุ่มหินปูน) แสดงค่าสถิติ ค่าความเบ้ ความโด่ง ค่าเบี่ยงเบนมาตรฐาน ผลรวมความดำ ค่าเฉลี่ย และ ค่ามัธยฐาน (ตารางที่ 2)
ตารางที่ 2 ข้อมูลเชิงสถิติของข้อมูลภาพเนื้อเยื่อปกติและรอยโรคในเต้านม
|
|
Fat |
Muscle |
Mass |
Microcalcification |
|
|
Skewness |
0.036 to 0.945 |
-1.27 to 0.25 |
-1.36 to 0.12 |
-0.95 to -0.23 |
|
|
Kurtosis |
-0.095 to 0.658 |
-0.71 to 1.57 |
-0.55 to 3.59 |
-1.427 to -0.09 |
|
|
Standard Deviation |
2.88 to 8.27 |
1.26 to 12.39 |
3.91 to 16.59 |
3.89 to 13.21 |
|
|
Integrated Density |
847120 to 1039645 |
1019500 to 1406384 |
86440 to 8355388 |
879 to 8277 |
|
|
|
Mean |
82.85 to 160.65 |
167.35 to 230.85 |
154.06 to 218.78 |
142.09 to 212.11 |
|
|
Median |
84 to 170 |
168 to 233 |
157 to 222 |
168 to 212 |
|
จากตารางที่ 2 แสดงได้ว่าค่าเฉลี่ย ค่ามัธยฐาน และ ความเบ้ ของไขมันมีช่วงที่แตกต่างจากเนื้อเยื่อชนิดอื่นอย่างชัดเจน ส่วนเนื้อเยื่อที่เหลือมีช่วงตัวเลขของค่าข้อมูลที่ซ้อนทับกัน ค่าเบี่ยงเบนมาตรฐาน ของทุกเนื้อเยื่อ มีช่วงของค่าข้อมูลที่ซ้อนทับกัน ช่วงค่าผลรวมความดำ และ ความโด่ง ของไขมัน กล้ามเนื้อและกลุ่มหินปูนสามารถแยกออกจากกันอย่างชัดเจน แต่ในค่าข้อมูลของผลรวมความดำ และ ความโด่ง ของก้อนเนื้องอกช่วงของค่าข้อมูลยังซ้อนทับกับไขมันและ กล้ามเนื้อ
ผลการเปรียบเทียบความแตกต่างของค่าเฉลี่ยของข้อมูลภาพของเนื้อเยื่อแต่ละประเภท มีความแตกต่างกันตามค่าทางสถิติ ดังแสดงในตารางที่ 3
ตารางที่ 3 แสดงผลค่าความแตกต่างของค่าเฉลี่ยของค่าเชิงสถิติเทียบระหว่างเนื้อเยื่อปกติและรอยโรค
|
P-value |
Skewness |
Kurtosis |
Standard deviation |
Integrated density |
Mean |
Median |
|
Fat |
Muscle |
0.000* |
0.598 |
0.906 |
0.000* |
0.000* |
0.000* |
|
Mass |
0.000* |
0.194 |
0.000* |
0.030* |
0.000* |
0.000* |
|
Microcalcification |
0.000* |
0.000* |
0.001* |
0.000* |
0.000* |
0.000* |
|
Muscle |
Mass |
0.259 |
0.037* |
0.000* |
0.000* |
0.000* |
0.000* |
|
Microcalcification |
0.217 |
0.000* |
0.014* |
0.000* |
0.000* |
0.001* |
|
Mass |
Microcalcification |
0.679 |
0.000* |
0.122 |
0.000* |
0.148 |
0.931 |
* Significant difference
จากตารางที่ 3 การทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูล ของค่าความเบ้ เปรียบเทียบระหว่างเนื้อเยื่อไขมัน กับเนื้อเยื่ออื่นๆ แสดงความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p< 0.05) ส่วนการเปรียบเทียบเนื้อเยื่อกลุ่มอื่นๆ พบว่าไม่แตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p> 0.05)
การทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูลของค่าความโด่ง ในกลุ่มเนื้อเยื่อไขมัน กับกล้ามเนื้อ และไขมัน กับก้อนเนื้องอก พบว่าไม่แตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p> 0.05)
การทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูลของค่าเบี่ยงเบนมาตรฐาน ระหว่างเนื้อเยื่อไขมัน กับกล้ามเนื้อ และ ก้อนเนื้องอกกับกลุ่มหินปูน พบความไม่แตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p> 0.05)
การทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูลของค่าผลรวมความดำ ข้อมูลภาพทั้งหมดมีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p< 0.05)
การทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูลของค่าเฉลี่ย ของก้อนเนื้องอกกับกลุ่มหินปูน พบความไม่แตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p> 0.05)
และการทดสอบความแตกต่างของเฉลี่ยของค่าข้อมูลของค่ามัธยฐาน ของก้อนเนื้องอกกับกลุ่มหินปูน มีความไม่แตกต่างกันอย่างมีนัยสำคัญทางสถิติ (p> 0.05)
2.ผลการทดสอบความแตกต่างของข้อมูลโดยเปรียบเทียบข้อมูล 4 กลุ่ม ระหว่างค่าข้อมูลของหินปูนขนาดเล็กไม่ใช่เนื้องอกร้าย หินปูนขนาดเล็กเนื้องอกร้าย ก้อนเนื้องอกไม่ร้าย และ ก้อนเนื้องอกร้าย (ตารางที่ 4)
ตารางที่ 4 แสดงข้อมูลเชิงสถิติของ รอยโรคไม่ร้าย และร้าย สำหรับก้อนเนื้องอกและกลุ่มหินปูน
|
|
Benign Mass |
Malignancy Mass |
Benign Microcalcification |
Malignancy Microcalcification |
|
Skewness |
-1.366 to0.12 |
-1.15 to -0.22 |
-0.95 to -0.23 |
-0.9 to -0.26 |
|
Kurtosis |
-0.551 to3.59 |
-0.51 to 1.434 |
-1.42 to -0.26 |
-1.3 to -0.09 |
|
Standard Deviation |
3.91 to16.4 |
5.42 to16.59 |
5.27 to13.21 |
3.89 to6.13 |
|
Integrated Density |
86,440 to8,355,388 |
192,974 to4,190,614 |
1108 to8277 |
879 to3745 |
|
Mean |
154.06 to212.73 |
177.46 to128.78 |
178.75 to197.07 |
142.09 to212.11 |
|
Median |
157 to213 |
179 to222 |
180 to198 |
168 to212 |
จากตารางที่ 4 แสดงได้ว่าค่าข้อมูลทุกค่า (ค่าความเบ้ ความโด่ง ค่าเบี่ยงเบนมาตรฐาน ผลรวมความดำ ค่าเฉลี่ย และ ค่ามัธยฐาน) ของเนื้อเยื่อ หินปูนขนาดเล็กไม่ใช่เนื้องอกร้าย และ หินปูนขนาดเล็กเนื้องอกร้าย มีการซ้อนทับกัน และค่าข้อมูลทุกค่า (ค่าความเบ้ ความโด่ง ค่าเบี่ยงเบนมาตรฐาน ผลรวมความดำ ค่าเฉลี่ย และ ค่ามัธยฐาน) ของเนื้อเยื่อ ก้อนเนื้องอกไม่ร้าย และ ก้อนเนื้องอกร้าย มีการซ้อนทับกัน
ตารางที่ 5 แสดงผลค่าความแตกต่างของค่าเฉลี่ยของค่าเชิงสถิติเทียบระหว่างรอยโรคเนื้อไม่ร้าย และ เนื้อร้าย สำหรับก้อนเนื้องอกและกลุ่มหินปูน
|
P-value |
Skewness |
Kurtosis |
Standard deviation |
Integrated density |
Mean |
Median |
|
Benign vs malignancy mass |
0.435 |
0.826 |
0.005* |
0.015* |
0.399 |
0.372 |
|
Benign vs malignancy microcalcification |
0.943 |
0.892 |
0.004* |
0.908 |
0.82 |
0.722 |
* Significant difference
จากตารางที่ 5 ผลการทดสอบความแตกต่างกันของข้อมูลภาพรอยโรคก้อนเนื้องอก แสดงว่าค่า เบี่ยงเบนมาตรฐาน และ ผลรวมความดำ แสดงว่าค่าข้อมูลในภาพมีความแตกต่างกัน (p < 0.05)
ส่วนค่าข้อมูล ความเบ้ ความโด่ง ค่ามัธยฐาน และ ค่าเฉลี่ย ค่าข้อมูลภาพไม่มีความแตกต่างกัน (p > 0.05)
ผลการทดสอบความแตกต่างกันของข้อมูลภาพรอยโรคกลุ่มหินปูน ค่าข้อมูล ความเบ้ ความโด่ง ผลรวมความดำ ค่ามัธยฐาน และ ค่าเฉลี่ย แสดงค่าข้อมูลภาพไม่มีความแตกต่างกัน (p > 0.05)
ส่วนค่าข้อมูล ค่าเบี่ยงเบนมาตรฐาน มีความแตกต่างกัน (p < 0.05)
3.ผลการทดสอบการพยากรณ์รอยโรค
หลังจากทดสอบความแตกต่างของค่าข้อมูลโดยใช้วิธีการทางสถิติแล้วพบว่ามี 2 ค่าข้อมูลที่ใช้แยก ก้อนเนื้องอกกับ กลุ่มหินปูน ได้ คือ ค่าสถิติ ผลรวมความดำ และ ความโด่ง ค่าที่ใช้แยกเนื้อเยื่อเต้านมปกติได้ คือ ผลรวมความดำ และ ค่าเฉลี่ย ทางคณะผู้วิจัยจึงเลือกใช้ค่าสถิติ ผลรวมความดำ และ ความโด่ง ร่วมกัน เพื่อทดสอบการพยากรณ์รอยโรค โดยคณะผู้วิจัยทำการวัดค่าข้อมูลทางสถิติจากข้อมูลภาพดังที่กล่าวไว้ใน ข้อ 5 ซึ่งเทียบผลของค่าข้อมูลอยู่ในช่วงที่ได้ในตารางที่ 2 (ช่วงของค่าผลรวมความดำ และ ความโด่ง) กับผลจากการระบุรอยโรคของฐานข้อมูล เมื่อได้ผลแล้วนำมาคำนวณค่า Sensitivity และ Specificity ได้ผลดังตารางที่ 6
ตารางที่ 6 แสดงผลการพยากรณ์รอยโรค
|
Lesion |
Sensitivity |
|
Microcalcification |
88.89% |
|
Mass |
87.50%
Specificity |
|
Normal |
100% |
จากตารางที่ 6 แสดงผลการพยากรณ์รอยโรค พบค่า Specificity ในเนื้อเยื่อปกติ มีค่าเท่ากับร้อยละ 100 และค่า Sensitivity ในเนื้อเยื่อที่มีรอยโรค ได้แก่ กลุ่มหินปูน และ ก้อนเนื้องอก มีค่าเท่ากับร้อยละ 88.89 และ 87.5 ตามลำดับ
วิจารณ์
ผู้วิจัยได้ทำการคัดเลือกภาพถ่ายเอกซเรย์เต้านมจากฐานข้อมูลออนไลน์ The mini-MIAS Database of Mammograms ของ International Congress Series 1,069 แล้วคัดเลือกภาพทั้งแบบที่มีรอยโรค และไม่มีรอยโรคสำหรับภาพที่มีรอยโรคจะเลือกเฉพาะกรณีที่มีผลการตรวจวินิจฉัยยืนยัน ระบุชนิดของโรคมะเร็งเต้านม รวมทั้งหมด 89 ภาพ ซึ่งอยู่ในท่า Mediolateral Oblique view (MLO) ประกอบด้วย เนื้อเยื่อปกติ 30 ภาพ กลุ่มหินปูน 15 ภาพ ก้อนเนื้องอก 44 ภาพ มาทำการศึกษาค่าข้อมูล ได้แก่ ค่าความเบ้ ความโด่ง ค่าเบี่ยงเบนมาตรฐาน ผลรวมความดำ ค่าเฉลี่ย และ ค่ามัธยฐาน และทำการแยกความแตกต่างของเนื้อเยื่อทั้ง 3 กลุ่ม (เนื้อเยื่อปกติกลุ่มหินปูนและก้อนเนื้องอก) แล้วทำการเลือกค่าข้อมูลที่สามารถแยกรอยโรคออกจากเนื้อเยื่อปกติได้ เช่นเดียวกับงานวิจัยของ Nithya และ Santhi6 จากนั้นนำค่าข้อมูลที่ได้มาทดสอบค่า Sensitivity และค่า Specificity เพื่อตรวจสอบผลการพยากรณ์รอยโรค
งานวิจัยนี้ทำการวัดค่าข้อมูลด้วยโปรแกรม Image J โดยวาดพื้นที่ที่สนใจตามลักษณะของก้อนสำหรับรอยโรคกลุ่มหินปูนและก้อนเนื้องอก
ผลการทดสอบทางสถิติพบว่าค่าข้อมูลทางสถิติที่มีความสามารถในการบอกความแตกต่างของเนื้อเยื่อก้อนเนื้องอกกับกลุ่มหินปูนคือค่าผลรวมความดำ และ ความโด่ง ทั้งนี้เป็นเพราะค่าผลรวมความดำ เป็นค่าที่บอกผลรวมของข้อมูลภาพภายในบริเวณที่เราสนใจ ค่าข้อมูลของก้อนเนื้องอกและกลุ่มหินปูนมีข้อมูลที่สูงกว่าเนื้อเยื่อชนิดอื่น จึงทำให้ค่าของข้อมูลสามารถแยกค่าข้อมูลออกจากเนื้อเยื่อชนิดอื่นได้ ส่วนของค่าความโด่ง เป็นค่าที่บอกลักษณะการกระจายของข้อมูลในรูปของความโด่งซึ่งในเนื้อเยื่อก้อนเนื้องอกและกลุ่มหินปูนมีค่าข้อมูลที่มีการกระจายไม่แตกต่างกันแต่เมื่อเปรียบเทียบกับเนื้อเยื่อชนิดอื่น สามารถแยกความแตกต่างออกจากเนื้อเยื่อชนิดอื่นได้อย่างชัดเจน
ค่าข้อมูลที่ไม่สามารถแยกความแตกต่างระหว่างก้อนเนื้องอกและกลุ่มหินปูนได้ คือค่าความเบ้ ค่าเบี่ยงเบนมาตรฐาน ค่าเฉลี่ย และ ค่ามัธยฐาน เนื่องจากช่วงของค่าข้อมูลซ้อนทับกัน
ทั้งนี้การที่ค่าสถิติไม่สามารถแยกความแตกต่างของข้อมูลเนื้อเยื่อออกจากกันได้ อาจเกิดจากคุณภาพของภาพที่ได้จากฐานข้อมูล มีความละเอียดของภาพไม่เพียงพอ จากการบีบอัดข้อมูลภาพของฐานข้อมูล นอกจากนี้ยังอาจเป็นผลจากวัดค่าข้อมูล ที่มีพื้นที่ที่สนใจในภาพที่ไม่เท่ากันของขนาดรอยโรคที่แตกต่างกัน จึงส่งผลให้ค่าที่ได้ไม่มีความแตกต่างกัน
ค่าข้อมูลผลรวมความดำ จึงเป็นค่าทางสถิติที่สามารถช่วยแยกความแตกต่างของชนิดเนื้อเยื่อ (ไขมันกล้ามเนื้อกลุ่มหินปูน และก้อนเนื้องอก) ได้ดี และค่าเฉลี่ยสามารถแยกเนื้อเยื่อปกติระหว่างไขมันกับกล้ามเนื้อออกจากกันได้ ส่วนค่าที่สามารถแยกเนื้อเยื่อที่มีรอยโรคระหว่างกลุ่มหินปูน กับก้อนเนื้องอกออกจากกันได้ คือค่าผลรวมความดำ ร่วมกับ ความโด่ง (พิจารณาจากช่วงตัวเลขของข้อมูลสถิติ ดังตารางที่ 2)
ผลการทดสอบการพยากรณ์รอยโรคจากการเลือกใช้ค่าผลรวมความดำ ร่วมกับความโด่ง ของภาพเนื้อเยื่อที่มีรอยโรค สำหรับเป็นช่วงในการพิจารณาการหาค่า Sensitivity โดยใช้ภาพกลุ่มทดสอบที่นอกเหนือจากกลุ่มภาพทดสอบตั้งต้น เป็นภาพที่มีรอยโรคจำนวน 17 ภาพ (รอยโรคก้อนเนื้องอก จำนวน 8 ภาพ และภาพที่มีรอยโรคกลุ่มหินปูน จำนวน 9 ภาพ)
และเลือกใช้ค่าข้อมูล ผลรวมความดำ ร่วมกับ ค่าเฉลี่ย ของเนื้อเยื่อเต้านมปกติเป็นช่วงในการพิจารณาทำการหาค่า Specificity โดยใช้ภาพที่ไม่มีรอยโรคจำนวน 20 ภาพ
ผลการทดสอบพบค่า Sensitivity ของก้อนเนื้องอกและกลุ่มหินปูน เท่ากับร้อยละ 87.5 และ 88.89ตามลำดับ ส่วนค่า Specificity ของเนื้อเยื่อเต้านมปกติเท่ากับร้อยละ 100
จากการศึกษาของ Nithya และSanthi6 ที่ศึกษาการจัดหมวดหมู่ความแตกต่างของข้อมูล ระหว่างส่วนของเนื้อเยื่อปกติและรอยโรคโดยค่าสถิติที่ใช้วัดค่าข้อมูลประกอบด้วยค่าความแปรปรวน (Variance) ค่าส่วนเบี่ยงเบนมาตรฐาน (Standard deviation) ค่ามัธยฐาน (Median) ค่าฐานนิยม (Mode) ช่วงสูงสุดต่ำสุด (Range) ค่าความราบ (Smoothness) ข้อมูลสถิติที่ศึกษามีลักษณะคล้ายกับงานวิจัยนี้ในบางส่วน ผลการวิจัยดังกล่าวพบว่า ประสิทธิภาพของการจัดหมวดหมู่ เมื่อทดสอบ Sensitivity เท่ากับร้อยละ100 ซึ่งมากกว่างานวิจัยของคณะผู้วิจัย และ Specificity เท่ากับร้อยละ3.85 ซึ่งน้อยกว่างานวิจัยของคณะผู้วิจัย
สำหรับการศึกษาของ Krishnan21 ศึกษาการใช้ขั้นตอนวิธี Support Vector Machine (SVM) เพื่อตรวจหามะเร็งเต้านม โดยการจัดหมวดหมู่ และวิเคราะห์ข้อมูลทางสถิติ ได้แก่ ทดสอบความหนาแน่นของข้อมูลภาพเพื่อจำแนกระหว่าง รอยโรคร้าย กับ ไม่ร้าย พบความถูกต้องในการจัดหมวดหมู่เท่ากับร้อยละ99.385 และ 93.726 ตามลำดับ ซึ่งการศึกษาครั้งนี้ไม่ได้ทำการทดสอบความถูกต้องของการจัดหมวดหมู่ระหว่าง รอยโรคร้าย กับ ไม่ร้าย
จากการศึกษาครั้งนี้และการศึกษาก่อนหน้า กล่าวได้ค่าข้อมูลทางสถิติที่นำมาศึกษา สามารถแยกชนิดของเนื้อเยื่อปกติและเนื้อเยื่อที่มีรอยโรคได้ดี จากข้อมูลในการวิจัยครั้งนี้สามารถนำไปสู่การพัฒนาขั้นตอนวิธีต่างๆ เพื่อช่วยให้การวินิจฉัยรอยโรคได้ดียิ่งขึ้น
ข้อจำกัดของการศึกษานี้ คือ ฐานข้อมูลภาพที่นำมาศึกษามีจำนวนภาพค่อนข้างน้อย และจำนวนภาพของแต่ละเนื้อเยื่อหรือรอยโรคของเต้านมมีจำนวนไม่เท่ากัน จึงส่งผลให้ผลการทดสอบที่ได้อาจเกิดความคลาดเคลื่อน การศึกษาในครั้งต่อไปคณะผู้วิจัยจะศึกษาจากข้อมูลรูปภาพที่มีจำนวนมากขึ้น และอาจใช้ค่าสถิติอื่นในศึกษาค่าข้อมูลของเนื้อเยื่อเต้านมเพิ่มเติมอีกด้วย
สรุป
ในการศึกษาครั้งนี้ทำการศึกษาค่าข้อมูลภาพของเนื้อเยื่อเต้านม เพื่อหาความแตกต่างของค่าข้อมูลภาพของเนื้อเยื่อเต้านมโดยการวิเคราะห์ค่าทางสถิติและความแตกต่างของค่าข้อมูล เพื่อหาความแตกต่างของค่าข้อมูลในภาพถ่ายเอกซเรย์เต้านม 4 กลุ่ม (ไขมันกล้ามเนื้อกลุ่มหินปูน และก้อนเนื้องอก) จากไฟล์ภาพของฐานข้อมูลออนไลน์ The Mini-MIAS Database of Mammograms ของ International Congress Series 1069
ค่าที่สามารถแยกความแตกต่างของรอยโรคก้อนเนื้องอก และกลุ่มหินปูนได้ดี อย่างมีนัยสำคัญทางสถิติคือ ค่าผลรวมความดำ และ ความโด่ง (p = 0.000) โดยค่าข้อมูลของผลรวมความดำ ของก้อนเนื้องอกและกลุ่มหินปูน อยู่ในช่วง 86,440 ถึง 8,355,388 และ 879 ถึง 8,277 ตามลำดับ และค่าข้อมูลของ ความโด่ง ของก้อนเนื้องอกและกลุ่มหินปูนอยู่ในช่วง -0.551 ถึง 3.595 และ -1.427 ถึง -0.092 ตามลำดับ
ค่าข้อมูลของผลรวมความดำ ของเนื้อเยื่อเต้านมปกติ อยู่ในช่วง 847,120 ถึง 1,039,645 และค่าข้อมูลของค่าเฉลี่ย ของเนื้อเยื่อปกติอยู่ในช่วง 82.85 ถึง 160.65
สรุปได้ว่าค่าข้อมูลเชิงสถิติของภาพเอกซเรย์เต้านมสามารถแยกความแตกต่างของค่าข้อมูลของเนื้อเยื่อเต้านมไม่ปกติออกจากกันได้โดยใช้ค่าผลรวมความดำ และ ความโด่ง ร่วมกัน และแยกความแตกต่างของค่าข้อมูลของเนื้อเยื่อปกติ โดยใช้ค่าผลรวมความดำ และ ค่าเฉลี่ย ร่วมกัน ข้อมูลค่าทางสถิติที่ได้จากการศึกษาครั้งนี้จะเป็นข้อมูลสำหรับการนำไปใช้ประโยชน์ในการช่วยพยากรณ์รอยโรคและการพัฒนาโปรแกรมช่วยวินิจฉัยรอยโรคบนภาพเอกซเรย์เต้านมได้ต่อไป
กิตติกรรมประกาศ
ขอขอบคุณ ทุนอุดหนุนงานวิจัย เงินรายได้มหาวิทยาลัยนเรศวร ที่สนับสนุนเงินวิจัย (R2559C081) และ Mr. Thomas Elliott สถานบันพัฒนาวิชาการด้านภาษา มหาวิทยาลัยนเรศวรในการตรวจสอบภาษาอังกฤษในส่วนบทคัดย่อ
เอกสารอ้างอิง
1. Editorial. Incident and trends in the occurrence of cancer in Asia. Thai Cancer Journal 2014; 34: 55.
2. National Cancer Institute. Hospital-Based Cancer Registry2012.Bangkok: National Cancer Institute; 2014.
3. Department of Surgery, Faculty of Medicine Siriraj Hospital. Breast Cancer.[Internet].22 February 2015 [cited Feb 22,2015]. Available from: www.si.mahidol.ac.th/th/department/surgery/
4. Oliver A, Freixenet J, Marti J, Perez E, Pont J, Denton ERE, et al. Pattern recognition. A review of automatic mass detection and segmentation in mammographic images. Med Image Anal 2010; 14: 87110.
5. American Cancer Society. Cancer facts and figures 2006. Atlanta, GA: American Cancer Society. [Internet]. 2 February 2015 [cited Feb 2, 2015]. Available from: http://www.cancer.org
6. Nithya R, Santh B. Mammogram analysis based on pixel intensity mean features. J Computer Sci 2012; 8: 329-32.
7. Dubey RB, Hanmandlu M, Gupta SK. A comparison of two methods for the segmentation of masses in the digital mammograms. Comput Med Imaging Graph 2010; 34: 18591.
8. Cheng HD, Shi XJ, Min R, Hu LM, Cai XP, et al. Approaches for automated detection and classification of masses in mammograms. Pattern Recognition.2006; 39: 646 68.
9. Mohamed H, Mabrouk MS, Sharawy A. Computer aided detection system for micro calcification sindigital mammograms. Comput Methods Programs Biomed 2014; 116: 226-35.
10. Lehman CD, Wellman RD, Buist DSM, Kerlikowske K, Tosteson ANA, et al. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med 2015; 175: 1828-37.
11. Fenton JJ, Onega T, Zhu W, Balch S, Smith-Bindman R, Henderson L, et al. Validation of a medicare claims-based algorithm for identifying breast cancers detected at screening mammography. Med Care 2016; 54: e1522.
12. Jebathangam J, Purushothaman S, Rajeswari P. Application of echo state neural network in identification of microcalcification in breast. Digital Image Processing 2016; 8: 45-50.
13. Yudong Z, Xiao JY, Carlo C, Zhengchao D, Ti FY, et al. Abnormal breast detection in mammogram images by feed-forward neural network trained by jayaalgorithm. Fundamenta Informaticae 2017; 151: 191-211.
14. Chiranji LC, Acharjya DP. Breast cancer detection using intuitionistic fuzzy histogram hyperbolization and possibilitic fuzzy c-mean clustering algorithms with texture feature based classification on mammography images. Proceedings of the International Conference on Advances in Information Communication Technology & Computing; New York, USA. 2016.
15. Osman MA, Darwish A, Khedr AE, Ghalwash AZ, Hassanien AE. Enhanced breast cancer diagnosis system using fuzzy clustering means approach in digital mammography. In: Hassanien A, Gaber T, (Eds.). Handbook of Research on Machine Learning Innovations and Trends Hershey, PA: IGI Global. 2017: 925-41.
16. The Mammographic Image Analysis Society. The Mini-MIAS Database of Mammograms. [Internet]. 24 May 2015 [cited May 25, 2015]. Available from:http://www.mammoimage.org/databases/
17. National Institutes of Health (NIH). Image J. [Internet]. 24 February 2015 [cited Feb 24, 2015]. Available from: https://imagej.nih.gov/ij/
18. National Institutes of Health (NIH). ImageJanalzye. [Internet]. 25 June 2015 [cited June 25, 2015]. Available from: https://imagej.nih.gov/ij/docs/guide/146-30.html#toc-Subsection-30.1
19. IBM. IBM SPSS Statistics Base 22.0. [Internet]. 5 March 2015 [cited Mar 5, 2015]. Available from:http://www.ibm.com/software/ analytics/spss/products/statistics/requirements.html.
20. Parikh R, Mathai A, Parikh S, Chandra Sekhar G, Thomas R. Understanding and using sensitivity, specificity and predictive values. Indian J Ophthalmol 2008; 56: 45-50.
21. Muthu Rama Krishnan M, Shuvo Banerjee, Chinmay Chakraborty, Chandan Chakraborty, Ajoy K Ray. Statistical analysis of mammographic features and its classification using support vector machine. Expert Systems with Applications 2010; 37: 470-8.
