Segmentasi Citra Magnetic Resonance Imaging Tumor Otak Menggunakan Model Gabungan Multi Input Generative Adversarial Networks dan Deep Fusion Semantic Edge

Darmadi, Sadiah Safirah Fatimah (2024) Segmentasi Citra Magnetic Resonance Imaging Tumor Otak Menggunakan Model Gabungan Multi Input Generative Adversarial Networks dan Deep Fusion Semantic Edge. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201066-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (12MB) | Request a copy

Abstract

Pemindaian Magnetic Resonance Imaging (MRI) sangat penting dalam proses pemeriksaan seseorang memiliki penyakit dalam atau tumor melalui citra MRInya. Pada kasus tumor otak, pemindaian citra MRI otak menghasilkan empat sequence yang diistilahkan: T1, T1ce, FLAIR, dan T2. Disisi lain, proses deteksi tumor otak dapat dilakukan secara otomatis melalui segmentasi citra tiga dimensi (3D) tumor otak. Untuk hasil segmentasi yang akurat, diperlukan pelatihan model menggunakan keempat citra MRI sequence. Namun dalam praktik klinis, keempat citra MRI sequence tidak selalu dapat disediakan dikarenakan kondisi pasien yang tidak memungkinkan sebagai alasan utama. Sehingga, penelitian Tugas Akhir ini mengusulkan sebuah model deep learning yang merupakan gabungan dari model Multi Input Generative Adversarial Networks (MIGAN) yang bertujuan untuk membangkitkan citra MRI sequence yang tidak tersedia dan model Deep Fusion Semantic Edge (DFSE) yang bertugas untuk segmentasi citra 3D MRI tumor otak. Penelitian Tugas Akhir ini bertujuan untuk melakukan segmentasi citra 3D MRI tumor otak dengan baik meskipun dari data citra MRI sequence yang tidak lengkap. Eksperimen pada penelitian Tugas Akhir ini dilakukan pada data publik untuk segmentasi citra MRI tumor otak. Hasil eksperimen yang telah dilakukan model yang diusulkan mampu melakukan segmentasi citra 3D MRI dengan baik hanya dari mempelajari citra MRI sequence-nya yang tidak lengkap. Bahkan, proses segmentasi yang dilakukan berhasil sampai sub-region seperti tumor core dan enhancing tumor.
========================================================================================================================
Magnetic Resonance Imaging (MRI) scanning is important for observing patients with chronic diseases or tumors. In brain tumor cases, the scanning outcomes are four MRI sequences: T1, T1ce, FLAIR, and T2. On the other hand, brain tumor detection can be done automatically through three-dimensional (3D) MRI segmentation. We need to train a model from four MRI sequences for accurate segmentation. However, in clinical series, the MRI sequences may not all be available, as the primary reason is the patient condition. Therefore, this study proposes a deep-learning model from integration between Multi Input Generative Adversarial Networks (MIGAN) to synthesize the missing MRI sequence(s) and Deep Fusion Semantic Edge (DFSE) to perform 3D MRI brain tumor segmentation. This study compiled the experiments using a public dataset for brain tumors. The experiments showed that the proposed model performed well in the 3D MRI brain tumor segmentation with one missing MRI sequence. Moreover, the segmentation is successfully up to sub-regions like tumor core and enhancing tumor.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Segmentasi citra MRI, Tumor otak, citra MRI sequence sintesis, generative adversarial networks, MRI segmentation, Brain tumor, synthetic MRI sequences.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Sadiah Safirah Fatimah Darmadi
Date Deposited:	07 Aug 2024 07:11
Last Modified:	07 Aug 2024 07:11
URI:	http://repository.its.ac.id/id/eprint/113730

Actions (login required)

View Item