Otitis Media is an infection of the middle ear that can occur in individuals of all ages. Diagnosis typically involves analyzing images taken with an otoscope by specialized physicians, which relies heavily on medical experience to expedite the process. This research introduces computer vision technology to assist in the preliminary diagnosis, aiding expert decision-making. By utilizing deep learning techniques and convolutional neural networks, specifically the YOLOv8 and Inception v3 architectures, the study aims to classify the disease and its five characteristics used by physicians: color, transparency, fluid, retraction, and perforation. Additionally, image segmentation and classification methods were employed to analyze and predict the types of Otitis Media, which are categorized into four types: Otitis Media with Effusion, Acute Otitis Media with Effusion, Perforation, and Normal. Experimental results indicate that the classification model performs moderately well in directly classifying Otitis Media, with an accuracy of 65.7%, a recall of 65.7%, and a precision of 67.6%. Moreover, the model provides the best results for classifying the perforation characteristic, with an accuracy of 91.8%, a recall of 91.8%, and a precision of 92.1%. In contrast, the classification model that incorporates image segmentation techniques achieved the best overall performance, with an mAP50-95 of 79.63%, a recall of 100%, and a precision of 99.8%. However, this model has not yet been tested for classifying the different types of Otitis Media.
โรคหูน้ำหนวกเป็นโรคที่เกิดจากการอักเสบของหูชั้นกลาง โดยมีอาการปวดหู หูอื้อ และมีน้ำไหลซึมออกมาจากหู ในบางกรณีที่ได้รับการรักษาไม่ถูกต้องหรือไม่ทันการ อาจพบว่ามีน้ำหนองซึมรวมอยู่ด้วย นอกจากนี้หากอาการอักเสบเกิดความรุนแรงเพิ่มมากขึ้น อาจส่งผลให้ผู้ป่วยสูญเสียการได้ยินและเกิดภาวะแทรกซ้อนซึ่งเป็นสาเหตุอันนำไปสู่การเกิดโรคอื่น ๆ ในกระบวนการรักษาโรคหูน้ำหนวกจำเป็นต้องมีแพทย์ผู้เชี่ยวชาญทำการวินิจฉัย โดยสอดกล้องออโตสโคปเข้าไปในรูหูเพื่อตรวจสอบ อย่างไรก็ตาม ในขั้นตอนนี้มักพบปัญหาและข้อจำกัดบางประการ เช่น ทักษะและประสบการณ์ของแพทย์ผู้ตรวจอาจไม่ชำนาญพอจะวินิจฉัยได้อย่างถูกต้องแม่นยำ ความพร้อมของเครื่องมือและอุปกรณ์ซึ่ง ในบางครั้งจำเป็นต้องมีการวินิจฉัยเพิ่มด้วยการวัดขนาดแก้วหูหรือการถ่ายภาพ ดังนั้นแล้วในขั้นตอนการรักษานี้สามารถพัฒนาเครื่องมือร่วมกับการประยุกต์ใช้ศาสตร์องค์-ความรู้ทางด้านคอมพิวเตอร์เข้ามาเพื่อแก้ปัญหา รวมทั้งช่วยลดภาระงานของบุคลากรทางการแพทย์ โดยเฉพาะอย่างยิ่งคือการขาดแคลนบุคลากรซึ่งมีไม่เพียงพอต่อปริมาณผู้ป่วย นอกจากนี้เพื่อให้การรักษามีประสิทธิภาพ ยังต้องคำนึงถึงความพร้อมของแพทย์ผู้รักษาซึ่งไม่ใช่เพียงทักษะหรือเครื่องมือ แต่รวมไปถึงสภาพร่างกายที่อาจเกิดจากความเหนื่อยล้าและโอกาสเกิดข้อผิดพลาดจากการวินิจฉัย หัวข้อปัญหาพิเศษนี้จึงได้นำเสนอแนวทางการแก้ไขปัญหาโดยการนำทฤษฎีการเรียนรู้เชิงลึก(Deep Learning) มาประยุกต์ใช้ เพื่อเป็นเครื่องมือช่วยในการจำแนกอาการผิดปกติของโรคหูน้ำหนวกจากภาพถ่ายและภาพเคลื่อนไหว ซึ่งเก็บรวบรวมจากแพทย์ผู้เชี่ยวชาญ ทั้งนี้ ปัจจัยสำคัญที่เป็นจุดสังเกตในการวินิจฉัยโรค ได้แก่ ปริมาณของเหลวในหูชั้นกลาง การหดตัวของเยื่อหูชั้นกลาง สีของของเหลวในหูชั้นกลาง ความโปร่งใสของเยื่อหูชั้นกลาง การทะลุของเยื่อหู และการขยับของเยื่อ-แก้วหูเมื่อเป่าลมทดสอบ ทั้งหมดนี้สามารถนำไปวิเคราะห์และจำแนกเป็นอาการได้ดังนี้ หูปกติ เยื่อ-แก้วหูยุบ เยื่อแก้วหูทะลุ มีของเหลวขังในเยื่อแก้วหู เยื่อแก้วหูอักเสบเฉียบพลัน และหูชั้นกลางทะลุ
คณะเทคโนโลยีการเกษตร
This research aims to evaluate the efficiency of nano-type oxygen diffusers at different pump power levels in sea bass nursery ponds. The study examines how varying power levels affect dissolved oxygen distribution in the water and their impact on the health, growth, and survival rates of sea bass. The findings indicate that pump power levels influence dissolved oxygen concentration, with the optimal power level improving oxygen distribution in the pond. This enhancement leads to higher survival and growth rates for sea bass. The results provide valuable insights for selecting appropriate oxygen diffusers and pump power levels in fish nursery pond systems. The experiment consisted of two conditions: 1. Without fish – This condition assessed the oxygenation capacity, oxygen transfer coefficient, oxygen transfer rate, and oxygen transfer efficiency of pumps at three different power levels. 2. With fish – This condition evaluated whether the oxygen supplied by pumps at three power levels was sufficient, based on the growth rate and survival rate of the fish in the pond. Blood counts were conducted to assess the immune response. The collected data were statistically analyzed using the RCBD method for the condition without fish and the CRD method for the condition with fish, employing SPSS software.
คณะวิทยาศาสตร์
The species Enterococcus lactis is closely related to E. faecium and is known for its beneficial and probiotic effects. In this study, strain RRS4 was isolated from Raphanus sativus Linn. and identified based on both phenotypic and genotypic characteristics. Strain RRS4 exhibited cell viability in environments with 2-8% NaCl, pH ranging from 4 to 9, and temperatures between 4°C and 45°C. Through comprehensive genomic analysis, strain RRS4 was confirmed to be E. lactis. E. lactis RRS4 demonstrated inhibitory effects against Vancomycin-resistant E. faecalis JCM 5803. Safety assessments via in silico methods, including KEGG annotation, indicated the absence of virulent and undesirable genes in E. lactis RRS4. VirulenceFinder analysis aligned virulence-related genes with those from three strains of E. lactis and four strains of E. faecium. While antibiotic resistance genes were found to be conserved, they did not correlate with key pathogenicity traits. Furthermore, safety evaluations highlighted that E. lactis RRS4 is generally safe, despite the presence of genes associated with antibiotic resistance. Lastly, we propose guidelines for assessing the safety of microbial strains using whole-genome analysis. These findings represent advancements in probiotic research.
คณะวิศวกรรมศาสตร์
Jaundice, a common condition in infants that results from high bilirubin levels in the blood, often requires early diagnosis and monitoring to prevent severe complications, especially in newborns. Traditional diagnostic methods can be time-consuming and subject to human error. This study proposes an approach for real-time jaundice detection using advanced image processing techniques and machine learning algorithms. By analyzing images captured in RGB color spaces, pixel values are extracted and processed through Otsu’s thresholding and morphological operations to detect color patterns indicative of jaundice. A classifier model is then trained to distinguish between normal and jaundiced conditions, offering an automated, accurate, and efficient diagnostic tool. The system’s potential to operate in real-time makes it particularly suited for clinical settings, providing healthcare professionals with timely insights to improve patient outcomes. The proposed method represents a significant innovation in healthcare, combining artificial intelligence and medical imaging to enhance the early detection and management of jaundice, reducing reliance on manual interventions and improving overall healthcare delivery.