MVIT Research LAB

พบกับ รศ.ดร.วรพันธ์ คู่สกุลนิรันดร์ 🎤 ร่วมเป็นวิทยากรถ่ายทอดความรู้ในการบรรยายหลักการพื้นฐานโปรแกรมปัญญาประดิษฐ์ และ Ai in Medical Imaging ในการประชุมเชิงปฏิบัติการเรื่อง "การพัฒนาศักยภาพบุคลากรสู่การใช้งานปัญญาประดิษฐ์ใน Clinical Workflow อย่างมีประสิทธิภาพ" โดยภาควิชารังสีวิทยา และหน่วยวิจัยเพื่อขับเคลื่อนนโยบายสุขภาพ คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล ในวันศุกร์ที่ 19 มิถุนายน พ.ศ. 2569 ณ โรงแรมทราเวลลอดจ์ นิมมาน จังหวัดเชียงใหม่

Assoc. Prof. Dr. Worapan Kusakunniran on Ai fundamentals and Ai in Medical Imaging at a workshop in ChiangMai on Friday, June 19, 2026. Held at the Travelodge Hotel Nimman, the event "Developing Personnel Potential to Effectively Use Artificial Intelligence in Clinical Workflow"
🩻 Organized by the Department of Radiology and The Siriraj Health Policy, Faculty of Medicine Siriraj Hospital, Mahidol University.

Congratulations 🎊 to our team Mahidol University and Let's do the lab Chulalongkorn University for The Manuscript was accepted in Discover Artificial Intelligence, “Mangosteen Grading using Image Regression under Multiple Views”

พบกับผลงานตีพิมพ์ของนักศึกษาปริญญาโท
การจับและจำแนกยุง🦟และริ้นด้วยAi 🤖 (Deep Learning-Based Detection and Classification of Mosquitoes and Culicoides)
Krittapong Hongkajorn, Juntra Wattanamethanont, Kittichai Unjit, Sirawich Vachmanus & Worapan Kusakunniran
#มหาวิทยาลัยมหิดล #กรมปศุสัตว์
งานวิจัยนี้นำเสนอแนวทางการประยุกต์ใช้เทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) สำหรับการตรวจจับและจำแนกชนิดของแมลงพาหะนำโรค ได้แก่ ยุง ริ้นรำคาญ (Culicoides midges) และแมลงวัน เพื่อทดแทนวิธีการดั้งเดิมซึ่งใช้เวลานาน ใช้แรงงาน และมีความเสี่ยงต่อความผิดพลาดของคน โดยเฉพาะเมื่อมีแมลงหลายชนิดปะปนกันในภาพเดียว จากผลการทดลองเราสามารถเพิ่มประสิทธิภาพในการเฝ้าระวังทางกีฏวิทยาในห้องปฏิบัติการได้อย่างดี อย่างไรก็ตาม โมเดลยังมีข้อจำกัดในการตรวจจับแมลงขนาดเล็กมากที่ถูกบดบัง หรือการจำแนกสิ่งเจือปน (Artifacts) ผิดพลาด ซึ่งทิศทางของงานวิจัยในอนาคตจะมุ่งเน้นไปที่การขยายความหลากหลายของชุดข้อมูล และการศึกษาแนวทางแบบ Self-supervised หรือ Transformer-based เพื่อเพิ่มขีดความสามารถต่อไป

This study proposes a deep learning-based framework for the automated detection and classification of infectious disease vectors, specifically mosquitoes, Culicoides midges, and flies. The primary objective is to overcome the limitations of conventional manual microscopic inspection, which is labor-intensive, time-consuming, and prone to human error, particularly in complex, multi-species environments. The proposed YOLO-based approach provides a highly effective and scalable solution for entomological surveillance. Despite its success, the model faces minor limitations, such as the occasional misclassification of non-insect artifacts and missed detections of heavily occluded micro-insects. Future work will focus on expanding dataset diversity and exploring self-supervised learning or transformer-based architectures to further refine small-object detection in complex backgrounds.