เซลลูลาร์ออโตมาตาเป็นระบบซับซ้อนเชิงพลวัตรที่มีการเปลี่ยนแปลงสถานะเชิงพื้นที่และเวลาแบบไม่ ต่อเนื่องโดยอาศัยความสัมพันธ์แบบท้องถิ่น พฤติกรรมของเซลลูลาร์ออโตมาตาได้รับความสนใจไม่ เพียงแต่ในเชิงทฤษฎีเท่านั้น แต่ได้รับความสนใจเพื่อนาไปประยุกต์ใช้งานในด้านต่างๆ โดยเฉพาะอย่างยิ่ง ทางด้านการประมวลผลภาพ โครงการวิจัยนี้นาเสนอตัวแบบการวินิจฉัยโรคมะเร็งเต้านมโดยส่วน ประกอบหลัก 2 ส่วน ได้แก่ 1) ขั้นตอนวิธีการประมวลผลภาพเอกซ์เรย์เต้านม (ภาพแมมโมแกรม) โดยใช้ ตัวแบบเซลลูลาร์ออโตมาตา 2) ขั้นตอนวิธีการวินิจฉัยการเกิดโรคมะเร็งเต้านมโดยใช้ตัวแบบเครือข่าย ความเชื่อเบย์ สาหรับขั้นตอนที่ 2) จะนาข้อมูลผลลัพธ์จากขั้นตอนที่ 1) และ ข้อมูลอื่นๆ ได้แก่ ข้อมูล คลินิก ข้อมูลเชิงกายภาพ มาเป็นตัวแปรสาหรับการสร้างเครือข่ายเบย์ ข้อมูลคลินิกประกอบ ได้แก่ อายุ จานวนญาติพี่น้องที่ป่ วยเป็ นมะเร็งเต้านม อายุการมีประจาเดือนครั้งแรกของผู้ป่ วย อายุการมีบุตร ครั้งแรก ข้อมูลเชิงกายภาพ ได้แก่ อาการที่ได้จากการสังเกตทางกายภาพ เช่น อาการปวดเต้านม การเกิด แผลที่เต้านม การมีของเหลวไหลออกมาจากหัวนม สาหรับข้อมูลจากแมมโมแกรมทางอ้อมได้แก่ องค์ประกอบเต้านม ส่วนข้อมูลจากภาพแมมโมแกรมทางตรงได้แก่ผลจากการประมวลผลภาพตามที่ นาเสนอในขั้นตอนที่ 1) ซึ่งแยกเป็ นขั้นตอนวิธีการคัดกล้ามเนื้อหน้าอกจากภาพแมมโมแกรมออกจากเต้า นมก่อนการนาภาพมาประมวลผลการหาบริเวณที่สงสัยว่าจะเป็นเนื้องอก การหาค่าคุณสมบัติของเนื้องอก จากการเก็บรวบรวมข้อมูลคนไข้ที่เข้ารับการตรวจมะเร็งเต้านมที่โรงพยาบาลศรีนครินทร์ มหาวิทยาลัยขอนแก่น จานวน 500 ราย เพื่อนามาฝึกสอนตัวแบบเครือข่ายความเชื่อเบย์ และใช้ข้อมูล ทดสอบตัวแบบ จานวน 100 ราย แยกเป็น คนไข้ปกติ 50 ราย คนไข้ที่พบเนื้องอกในเต้านมแต่ไม่เป็น มะเร็ง (benign) จานวน 25 คน และคนไข้ที่พบเนื้องอกในเต้านมและเป็นมะเร็ง (malignant) จานวน 25 ราย ระบบเครือข่ายเบย์ที่นาเสนอรายงานความถูกต้องสูงถึงร้อยละ 96.4 และนอกจากนี้ จากการวัดประสิทธิภาพด้วยวิธี k-fold cross validation ที่ระดับ 5-fold และ 10-fold ระบบ ที่นาเสนอสามารถรายงานความถูกต้องถึงร้อยละ 96.2 และ 97.4 ตามลาดับ Cellular Automata (CA) are discrete spatiotemporal systems with local interactions. A behavior of cellular automata is fascinating not only from a theoretical perspective but also from an experimental perspective, especially for digital image processing. This research aims to present a medical diagnosis model. CA-based algorithms for mammogram image processing are proposed. A statistical influence diagram, called Bayesian Belief Network (BBN), was investigated in modeling the medical breast cancer diagnosis under supervision by medical experts. Four types of datasets, namely, historic biodata, physical findings, indirect and direct mammographic findings were taken into consideration for modeling the BBN. Biodata are comprised of age, number of relatives having breast cancer, age at first live birth and age at menarche. Physical findings consist of pain, axilla, inflame and nipple discharge. Indirect mammographic data are breast composition. Direct mammographic findings were information obtained by mammogram image processing using the proposed cellular automata algorithms. In this regard, pectoral muscle representing a predominant density region must be removed by the proposed cellular automata algorithm prior to processing to determine the presence of mass and calcification. A dataset in real case of the breast cancer patients who came to get serviced at Srinakarind Hospital, Khon Kaen University, Thailand was collected. In this respect, a dataset consisting of 500 cases is used for performance evaluation of the proposed model. For training propose, an 80% of data was used for training the model, while the rest, 20%, was for testing. The trained BBN model is tested on 100 patients consisting of 50, 25 and 25 for normal, benign and malignant patients, respectively. It reports the promising result of 96.4% for accuracy. In addition, 5-fold and 10-fold crossvalidation are implemented. The proposed BBN reports the promising results providing 96.2 and 97.4 percentages of accuracy, respectively.