Segmentasi Dinding Ventrikel Kiri pada Citra Ekokardiografi Jantung Menggunakan U-Net dan Link-Net

Fahira, Miftah (2024) Segmentasi Dinding Ventrikel Kiri pada Citra Ekokardiografi Jantung Menggunakan U-Net dan Link-Net. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201040-Undergraduate-Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Penyakit jantung dan pembuluh darah atau cardiovascular diseases (CVDs) merupakan salah satu penyebab utama kematian di dunia. Myocardial Infarction (MI) atau yang sering dikenal sebagai serangan jantung merupakan salah satu jenis penyakit kardiovaskular. Pada tahun 2023 Kemenkes menyebutkan bahwa serangan jantung merupakan penyebab kematian tertinggi kedua di Indonesia setelah strok dengan 14,38% dari total kematian di Indonesia (Kemenkes RI, 2023b). Deteksi dini MI perlu dilakukan agar dapat menekan jumlah kematian yang disebabkan oleh penyakit ini. Salah satu alat yang dapat digunakan untuk mendeteksi MI adalah ekokardiografi. Ekokardiografi merupakan alat pemeriksaan non-invasif untuk menilai struktur dan fungsi jantung yang beroperasi dengan prinsip ultrasound. MI dapat diidentifikasi dengan melihat dinding ventrikel kiri jantung. Namun, kelainan-kelainan pada jantung tidak mudah dideteksi bahkan dengan teknologi pencitraan terbaru karena keputusan akhir sangat bergantung pada operator, sehingga dibutuhkan teknik diagnostik otomatis yang dapat membantu mengatasi masalah ini. Dalam pembuatan teknik diagnostik otomatis pada video ekokardiografi jantung, akan dilakukan pemanfaatan machine learning. Machine learning adalah suatu cabang dari Artificial Intellifence (AI) yang fokus pada pengembangan algoritma dan model komputer yang memungkinkan sistem untuk belajar dari data. Algoritma dalam machine laearning terbagi menjadi dua kategori, yaitu supervised learning dan unsupervised learning. Convolutional Neural Network (CNN) merupakan metode klasifikasi supervised learning dalam machine learning yang sesuai dengan data citra karena sering digunakan untuk mendeteksi objek benda. Dalam CNN terdapat arsitektur yang dirancang khusus untuk segmentasi citra medis seperti U-Net dan Link-Net. Maka, pada penilitian ini akan diperoleh hasil segmentasi dinding ventrikel kiri menggunakan pendekatan Convolutional Neural Network (CNN) pada data video hasil ekokardiografi jantung menggunakan arsitektur U-Net dan Link-Net. Model Link-Net menunjukkan hasil lebih baik dibandingkan U-Net, dengan 59,49% dari 237 data testing memiliki nilai F1-Score yang lebih besar.
=========================================================================================
Heart and blood vessel diseases, or cardiovascular diseases (CVDs), are among the leading causes of death worldwide. Myocardial Infarction (MI), commonly known as a heart attack, is a type of cardiovascular disease. In 2023, the Ministry of Health in Indonesia reported that heart attacks were the second-highest cause of death in the country after stroke, accounting for 14.38% of total deaths (Kemenkes RI, 2023b). Early detection of MI is crucial to reduce the number of deaths caused by this disease. One tool that can be used for MI detection is echocardiography, a non-invasive examination to assess the structure and function of the heart based on ultrasound principles. MI can be identified by examining the left ventricular wall of the heart. However, abnormalities in the heart are not easily detected, even with the latest imaging technology, as the final decision heavily relies on the operator. Therefore, there is a need for automatic diagnostic techniques to address this issue. In the development of automatic diagnostic techniques for cardiac echocardiography videos, machine learning will be utilized. Machine learning, a branch of Artificial Intelligence (AI), focuses on developing algorithms and computer models that enable systems to learn from data. Machine learning algorithms are categorized into supervised learning and unsupervised learning. Convolutional Neural Network (CNN) is a supervised learning classification method in machine learning suitable for image data, commonly used for object detection. Within CNN, there are architectures designed specifically for medical image segmentation, namely U-Net and Link-Net. Therefore, this study aims to obtain segmentation results of the left ventricular wall using a Convolutional Neural Network (CNN) approach on cardiac echocardiography video data, employing U-Net and Link-Net architectures. The Link-Net model achieved better results compared to the U-Net model, with 59,49% of the 237 testing data showing a higher F1-Score for Link-Net.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	CNN, Link-Net, Segmentasi, U-Net, CNN, Link-Net, Segmentation, U-Net.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Miftah Fahira
Date Deposited:	09 Aug 2024 01:19
Last Modified:	09 Aug 2024 01:19
URI:	http://repository.its.ac.id/id/eprint/114947

Actions (login required)

View Item