3D S-Unet untuk Segmentasi 3 Dimensi Tumor Otak Pada Citra MRI

Wibowo, M Sadewa Wicaksana (2024) 3D S-Unet untuk Segmentasi 3 Dimensi Tumor Otak Pada Citra MRI. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022212001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (28MB) | Request a copy

Abstract

Salah satu penyakit mematikan didunia, adalah tumor otak. Dalam mengidentifikasi penyakit tumor otak, pakar melakukan analisa yang bersifat subjektif, dan membutuhkan waktu yang panjang dalam menganalisanya. Penelitian sebelumnya mengembangkan segmentasi 3 dimensi tumor otak secara otomatis dengan menggunakan pendekatan Deep Learning (DL) seperti 3D UNet dan 3D ResNet. Namun, pendekatan tersebut membutuhkan sumber daya komputasi yang besar dalam mengolah datanya. Pada sumber daya yang terbatas, konsumsi penggunaan memory, kecepatan inferensi, dan nilai akurasi merupakan kriteria yang penting dalam menentukan arsitektur yang terbaik. Oleh karena itu, penelitian ini mengembangkan arsitektur 3D S-UNet yang dibangun dengan mengkombinasikan 3D Shu✏eNet-V2 sebagai encoder, dan 3D UNet yang digunakan sebagai decoder. Penggabungan pemroses data 3D tersebut memungkinkan arsitektur menjadi lebih presisi dalam mengidentifikasi lokasi tumor otak, dan mampu menangkap nilai fitur yang lebih kaya dibandingkan dengan pemrosesan data 2D. Peneliti membandingkan 3D S-UNet dengan 2 arsitektur DL lainnya yaitu 3D UNet, dan 3D ResNet, serta 1 arsitektur Lightweight Deep Learning yaitu 3D Mobile-UNet. Hasilnya, 3D S-Unet memiliki konsumsi penggunaan memory yang lebih kecil yaitu 0.56GB untuk ukuran jumlah memori tertinggi yang dialokasikan, dan 1.71 GB memori yang dicadangkan. Sedangkan pada kecepatan waktu inferensi 3D S-UNet lebih cepat dibandingkan dengan 3 arsitektur lainnya, yaitu 135.881 ms (miliseconds). Hal tersebut dikarenakan jumlah nilai FLOPS (Floating Point Operations Per Second) yang rendah yaitu 46.55 GFLOPS (GigaFLOPS), dan 5.504M (millions) parameter. Sedangkan pada akurasi 3D S-UNet memiliki nilai dice, sensitivity, dan specificity Whole Tumor (WT) sebesar 83%, 85%, dan 88%.
=================================================================================================================================
One of the deadliest diseases worldwide is brain tumors. In identifying brain tumors, experts perform a subjective analysis that requires considerable time. Previous research has developed automatic 3D brain tumor segmentation using Deep Learning (DL) approaches such as 3D UNet and 3D ResNet. However, these approaches demand significant computational resources. In resource-constrained settings, key criteria for determining the best architecture include memory consumption, inference speed, and accuracy. Therefore, this study introduces the development of the 3D S-UNet architecture, constructed by combining 3D Shu✏eNet-V2 as an encoder and 3D UNet as a decoder. The integration of these 3D data processors allows the architecture to be more precise in identifying brain tumor locations and capture richer feature values compared to 2D data processing. The researchers compare 3D S-UNet with two other DL architectures, namely 3D UNet and 3D ResNet, and one Lightweight Deep Learning architecture, 3D Mobile-UNet. The results show that 3D S-Unet has a smaller memory consumption, using 0.56GB for the highest allocated memory and 1.71GB for reserved memory. In terms of inference speed, 3D S-UNet is faster compared to the other three architectures, achieving a speed of 135.881 milliseconds. This is due to its lower Floating Point Operations Per Second (FLOPS) of 46.55 GFLOPS and 5.504M million parameters.Regarding accuracy, 3D S-UNet demonstrates favorable results with a Whole Tumor (WT) dice score, sensitivity, and specificity of 83%, 85%, and 88%, respectively.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Tumor Otak, Deep Learning, Lightweight Deep Learning, Segmentasi 3 Dimensi Tumor Otak
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	M Sadewa Wicaksana Wibowo
Date Deposited:	25 Jan 2024 03:27
Last Modified:	25 Jan 2024 03:27
URI:	http://repository.its.ac.id/id/eprint/105630

Actions (login required)

View Item