Otomatisasi Perhitungan Cardiothoracic Ratio dari Segmentasi Citra X-ray Menggunakan Convolutional Neural Network untuk Deteksi Cardiomegaly

Hamidah, Sylvia (2024) Otomatisasi Perhitungan Cardiothoracic Ratio dari Segmentasi Citra X-ray Menggunakan Convolutional Neural Network untuk Deteksi Cardiomegaly. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 5023201029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Cardiomegaly merupakan sebuah kondisi yang terjadi ketika jantung mengalami pembesaran dari ukuran normalnya. Untuk mendeteksi cardiomegaly, radiolog biasanya memeriksa siluet jantung dan menghitung rasio kardiotorasik atau cardiothoracic ratio (CTR). Pencitraan menggunakan X-ray pada area dada dapat berperan sebagai alat evaluasi yang cepat untuk mendeteksi adanya kelainan pada jantung dan paru-paru. Akan tetapi, citra raw yang dihasilkan oleh X-ray terkadang menghasilkan kualitas yang kurang baik karena adanya noise digital. Selain itu, pada beberapa citra ditemukan bahwa kontras yang diekstraksi sangat rendah sehingga proses pendeteksian tepi objek menjadi lebih sulit. Perhitungan CTR secara manual juga membutuhkan waktu yang lebih lama serta menghasilkan interpretasi yang subjektif. Penelitian mengenai perhitungan nilai CTR secara otomatis yang telah dilakukan sebelumnya memiliki kelemahan dalam penggunaan dataset yang tidak seimbang dan kemampuan yang terbatas untuk mengatasi kasus batas tepi yang kurang jelas, misalnya pada kasus efusi pleura. Tugas akhir ini bertujuan untuk merancang sistem otomatisasi perhitungan CTR untuk mendeteksi cardiomegaly dengan cara melakukan segmentasi jantung dan thorax pada citra X-ray dada yang dapat mengatasi masalah tepi objek yang kurang jelas akibat efusi pleura. Metode preprocessing yang dilakukan meliputi pengubahan ukuran citra, peningkatan kontras, intensity thresholding, deteksi tepi Canny, operasi bitwise OR, dan konversi dataset dari bentuk run-length encoding (RLE) menjadi citra. Selanjutnya dilakukan segmentasi citra menggunakan convolutional neural network (CNN) dengan arsitektur AlbuNet. Citra hasil segmentasi selanjutnya dilakukan post-processing dengan dilasi dan erosi untuk memperhalus hasil segmentasi citra. Kemudian dilakukan perhitungan CTR dari segmentasi jantung dan thorax. Pengujian hasil model segmentasi dengan arsitektur AlbuNet mencapai IoU yang baik dengan jumlah data pengujian. IoU pada model jantung adalah 86,21%, IoU pada model thorax kanan adalah 93,55%, dan IoU pada model thorax kiri adalah 89,04%. Nilai CTR yang diukur juga memiliki error MAE yang kecil yaitu sebesar 0,0207.
==========================================================
Cardiomegaly is a condition that occurs when the heart enlarges beyond its normal size. To detect cardiomegaly, radiologists typically examine the heart silhouette and calculate the cardiothoracic ratio (CTR). X-ray imaging of the chest area serves as a quick evaluation tool to detect abnormalities in the heart and lungs. However, raw X-ray images sometimes exhibit poor quality due to digital noise. Additionally, some images may have low extracted contrast, making object edge detection more challenging. Manual CTR calculations also require more time and yield subjective interpretations. Previous research on automated CTR calculations had drawbacks, such as using unbalanced datasets and limited capabilities in handling extreme edge cases. This final project aims to design an automated system for calculating the Cardiothoracic Ratio (CTR) to detect cardiomegaly by segmenting the heart and thorax in chest X-ray images. This system addresses the issue of unclear object edges caused by pleural effusion. Preprocessing methods include resizing images, contrast enhancement, intensity thresholding, Canny edge detection, bitwise OR operations, and converting datasets from run-length encoding (RLE) to images. Subsequently, image segmentation is performed using a convolutional neural network (CNN) with the AlbuNet architecture. The resulting segmented images undergo post-processing with dilation and erosion to refine the segmentation results. CTR is then calculated from the segmentation of the heart and lungs. The evaluation of the segmentation model using the AlbuNet architecture achieved a good IoU with a testing dataset. The IoU for the heart model is 86,21%, the IoU for the right thorax model is 93,55%, and the IoU for the left thorax model is 89,04%. The measured CTR value also has a small MAE error of 0.0207.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Cardiomegaly, X-ray, Cardiothoracic Ratio, Convolutional Neural Network, AlbuNet
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Electrical Technology > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Sylvia Hamidah
Date Deposited:	01 Aug 2024 06:01
Last Modified:	01 Aug 2024 06:01
URI:	http://repository.its.ac.id/id/eprint/111731

Actions (login required)

View Item