Klasifikasi Penyakit Alzheimer Menggunakan TimeDistributed-Inception-ResNet-LSTM pada Citra 3D MRI

Hananto, R.m. Tejo Rifqi (2024) Klasifikasi Penyakit Alzheimer Menggunakan TimeDistributed-Inception-ResNet-LSTM pada Citra 3D MRI. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023201064-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Alzheimer Disease (AD) merupakan gangguan neurobiologis otak yang bersifat kronis, yang secara berkala merusak sel-sel otak. Penyakit ini menyebabkan gangguan memori dan kemampuan berpikir yang dapat mempercepat kehilangan kemampuan untuk melakukan kegiatan sehari-hari. Perubahan pada otak yang terkait dengan AD bisa dimulai lebih dari usia 20 tahun sebelum gejala muncul. Diagnosis dini AD sangat penting untuk membuat rencana pengobatan sehingga dapat memperlambat perkembangan menjadi AD. Mild Cognitive Impairement (MCI) dikenal sebagai tahap transisi antara normal dan demensia. Sekitar 10-15% individu dengan MCI berkembang menjadi AD per tahun dan 32% dari orang dengan MCI berkembang menjadi AD setelah lima tahun. Oleh karena itu, diperlukan penggunaan model deep learning untuk melakukan klasifikasi kondisi AD guna membantu dalam diagnosis dini. Dalam tugas akhir ini, digunakan citra 3D MRI dari berbagai waktu berbeda untuk setiap subjek yang diperoleh dari database ADNI. Pemilihan citra dari berbagai waktu dilakukan karena adanya ketergantungan waktu pada penyakit Alzheimer. Selanjutnya, citra-citra ini diproses terlebih dahulu dan dataset dibagi menjadi 90% untuk data training, 5% untuk data validasi, dan 5% untuk data testing. Klasifikasi dilakukan menggunakan model TimeDistributed-Inception-ResNet-LSTM yang mampu menggabungkan beberapa citra input menjadi satu input. Model ini mengkombinasikan CNN dari arsitektur Inception-ResNet dan LSTM serta menggunakan layer TimeDistributed untuk menambah dimensi input sehingga model dapat menerima beberapa citra MRI sebagai satu input. Proses pelatihan model dilakukan dengan beberapa hyperparameter terbaik yang sudah dicoba yaitu optimizer “Adam”, nilai learning rate sebesar 1E-6, dan fungsi loss “Categorical Crossentropy” yang diperoleh setelah pengujian. Klasifikasi dengan model TD-Inception-ResNet-LSTM memberikan akurasi sebesar 85,36%. Model ini memberikan hasil yang lebih baik dibandingkan dengan metode 3D CNN-Inception-ResNet yang hanya menggunakan satu citra dari satu waktu untuk setiap subjek. Model 3D CNNInception-ResNet menghasilkan akurasi sebesar 78,04%. Penulis membandingkan metode yang diajukan dengan metode C3d-LSTM yang mempunyai komputasi lebih berat dengan menggunakan data yang sama dan menghasilkan akurasi 92,68%.
==================================================================================================================================
Alzheimer Disease (AD) is a chronic neurobiological disorder of the brain that gradually damages brain cells. This disease causes memory and thinking impairments, which can accelerate the loss of the ability to perform daily activities. Brain changes associated with AD can begin more than 20 years before symptoms appear. Early diagnosis of AD is crucial to plan treatments that can slow the progression to AD. Mild Cognitive Impairment (MCI) is known as a transitional stage between normal aging and dementia. About 10-15% of individuals with MCI progress to AD each year, and 32% of people with MCI develop AD after five years. Therefore, the use of deep learning models is needed to classify AD conditions to assist in early diagnosis. In this final project, 3D MRI images from various time points for each subject, obtained from the ADNI database, were used. The selection of images from different times was done because of the time dependency of Alzheimer’s disease. The images were pre-processed, and the dataset was divided into 90% for training data, 5% for validation data, and 5% for testing data. Classification was carried out using the TimeDistributed-Inception-ResNet-LSTM model, which can combine multiple input images into a single input. This model combines CNN from the Inception-ResNet architecture and LSTM, using the TimeDistributed layer to add input dimensions so the model can receive multiple MRI images as one input. The model training process was conducted with the best hyperparameters tested, namely the "Adam" optimizer, a learning rate of 1E-6, and the "Categorical Crossentropy" loss function obtained after testing. Classification with the TD-Inception-ResNet-LSTM model yielded an accuracy of 85.36%. This model provides better results compared to the 3D CNN-Inception-ResNet method which only uses one image at a time for each subject. The 3D CNN-InceptionResNet model produces an accuracy of 78.04%. The author then compares the proposed method with the C3d-LSTM method which has a heavier computation using the same data and produces an accuracy of 92.68%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penyakit Alzheimer, Klasifikasi, TimeDistributed, Deep Learning, Magnetic resonance imaging, Alzheimer's Disease, Classification
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning T Technology > T Technology (General) > T59.7 Human-machine systems. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	R.M. Tejo Rifqi Hananto
Date Deposited:	27 Aug 2024 04:10
Last Modified:	27 Aug 2024 04:10
URI:	http://repository.its.ac.id/id/eprint/112718

Actions (login required)

View Item