Otomasi Skoring Kalsium Arteri Koroner Dari Citra CT-Scan Menggunakan CNN Untuk Asesmen Risiko Penyakit Jantung

Wardianto, Aditya (2023) Otomasi Skoring Kalsium Arteri Koroner Dari Citra CT-Scan Menggunakan CNN Untuk Asesmen Risiko Penyakit Jantung. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 07311940000001-Undergraduate_Thesis.pdf] Text
07311940000001-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Penyakit jantung merupakan masalah kesehatan yang cukup serius di Indonesia dengan prevalensinya yang mencapai 1,5% menurut Laporan Nasional Riskesdas tahun 2018. Coronary Artery Calcium scoring (skoring CAC) merupakan metode yang dapat digunakan untuk mengukur penumpukan kalsium pada pembuluh darah jantung, yang terkait erat dengan risiko penyakit jantung. Namun, proses skoring CAC terbatas oleh keterbatasan sumber daya, terutama sumber daya ahli dan laboratorium khusus. Dengan perkembangan teknologi deep learning, otomasi analisis citra medis dapat mengoptimalkan proses serta membantu tenaga medis dalam melakukan analisis. Penelitian sebelumnya yang menerapkan deep learning dalam otomasi skoring CAC belum membahas terkait efisiensi model yang digunakan. Penelitian ini mengembangkan sistem dengan model CNN berbasis UNet++ dengan pretrained encoder MobileNetV2 untuk melakukan skoring CAC pada citra 2D CT-Scan gated. Model dikembangkan menggunakan dataset COCA dari Stanford AIMI yang berisikan data CT-Scan gated 789 pasien. Varian model terbesar (DS4) memiliki 4,1 juta parameter, dice coefficient bernilai 0,9378; Kappa bernilai 0,813; precision bernilai 0,9354; recall bernilai 0,6203; dan waktu rata-rata prediksi pasien bernilai 2,59 ± 0,4 detik menggunakan 1 GPU RTX 3090. Turunan dari model terbesar, khususnya varian DS3 memiliki parameter dan waktu rata-rata prediksi lebih rendah dibandingkan model DS4 dengan sedikit penurunan pada performa. Model pada penelitian ini memiliki performa precision dan waktu rata-rata prediksi pasien yang lebih baik dibandingkan dengan penelitian sebelumnya dengan penurunan pada performa dice coefficient, recall dan Kappa yang masih berada pada rentang kategori klasifikasi yang hampir sempurna serta bersaing dengan model UNet++ biasa. Arsitektur model CNN yang diusulkan pada penelitian ini dapat melakukan stratifikasi risiko penyakit jantung pasien.
==================================================================================================================================
Heart disease is a significant health issue in Indonesia with a prevalence rate of 1.5% according to the National Riskesdas Report in 2018. Coronary Artery Calcium scoring (CAC scoring) is a method used to measure calcium buildup in the hearts blood vessels, which is closely related to the risk of heart disease. However, the CAC scoring process is limited by resource constraints, particularly expert resources, and specialized laboratories. With the development of deep learning technology, automated medical image analysis can optimize the process and assist healthcare professionals in analysis. Previous research applying deep learning to automate CAC scoring has not discussed the efficiency of the models used. This study developed a system using a UNet++-based CNN model with a pretrained MobileNetV2 encoder for CAC scoring on 2D gated CT-Scan images. The model was developed using the COCA dataset from Stanford AIMI, which includes gated CT-Scan data from 789 patients. The largest model variant (DS4) had 4.1 million parameters, a dice coefficient of 0.9378, a Kappa value of 0.813, a precision value of 0.9354, a recall value of 0.6203, and an average patient prediction time of 2.59 ± 0.4 second using 1 GPU RTX 3090. Derivatives of the largest model, particularly the DS3 variant, had lower parameters and average prediction times compared to the DS4 model, with a slight decrease in performance. The model in this study demonstrated better performance in precision, and average patient prediction time compared to previous research, with a decrease in dice coefficient, recall and Kappa performance that still falls within the range of nearly perfect classification while still competitive with the regular UNet++ model. The proposed CNN model architecture in this study can stratify the risk of heart disease in patients

Item Type: Thesis (Other)
Uncontrolled Keywords: CAC, penyakit jantung, deep learning, CAC scoring, heart disease
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
R Medicine > R Medicine (General) > R858 Deep Learning
R Medicine > RA Public aspects of medicine > RA0421 Public health. Hygiene. Preventive Medicine
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User: Aditya Wardianto
Date Deposited: 08 Aug 2023 02:11
Last Modified: 13 Jun 2024 07:34
URI: http://repository.its.ac.id/id/eprint/103770

Actions (login required)

View Item View Item