Explaindable AI for Brain Diseases Classification on MRI Scans using Ensemble Grad-CAM

Wicaksono, Alif Aditya (2025) Explaindable AI for Brain Diseases Classification on MRI Scans using Ensemble Grad-CAM. Masters thesis, Institut Teknologi Sepuluh Nopember.

	Text THESIS FINAL FINAL FINAL- ALIF ADITYA WICAKSONO.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (7MB) | Request a copy
	Text 6022231104-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (7MB) | Request a copy

Abstract

One of the main problems of Artificial Intelligence (AI) is the lack of interpretability, namely how the model arrives at certain conclusions. This results in a lack of transparency in AI implementation and can reduce public trust. For example, an AI could have a very high accuracy in diagnosing diseases via medical images, notes or other parameters, however we cannot explain how the model comes to such decision, or which parts or features the model processes and consider important to get such results. In this study we propose a modified ResNet-18 Architecture, along with an extensive pre-processing method dubbed palapa, for the classification of brain disorders based on Magnetic Resonance Imaging (MRI) Scans. The three types of brain disorder we focused on in this study are Tumors, Stroke, and Alzheimer’s along with a fourth class of Normal brain scans. To train and test our model we used a combination of datasets IXI, ADNI, BraTS2020, and ATLAS on T1 scan modality, using palapa to normalize the spatial size, rotational offset, spatial offset, and intensity, to a volume of 224x224x224, by using multivariate normalization we are able to reduce the computational complexity of the classification tasks, to provide a best case scenario for our model to train and test on. Using our model, with our preprocessing method we are able to get a high, test accuracy of 99.8\% accuracy, using a relatively small batch size of 16, on our ResNet-18 model. When combined with GradCam analysis, it shows the high correlation between the region of interest and the output of the model heatmap. In conclusion, using our modified ResNet-18 combined with Palapa preprocessing shows the effectiveness of the preprocessing method, and the model ability to generalize the type of disease, while also allowing medical professionals confidence in the result, via the GradCam output.
=================================================================================================================================
Salah satu masalah utama Kecerdasan Buatan (AI) adalah kurangnya interpretabilitas, yaitu bagaimana model sampai pada kesimpulan tertentu. Hal ini mengakibatkan kurangnya transparansi dalam implementasi AI dan dapat mengurangi kepercayaan publik. Misalnya, AI dapat memiliki akurasi yang sangat tinggi dalam mendiagnosis penyakit melalui gambar medis, catatan, atau parameter lainnya, namun kami tidak dapat menjelaskan bagaimana model tersebut sampai pada keputusan tersebut, atau bagian atau fitur mana yang diproses dan dianggap penting oleh model untuk mendapatkan hasil tersebut. Dalam studi ini kami mengusulkan Arsitektur ResNet-18 yang dimodifikasi, bersama dengan metode pra-pemrosesan ekstensif yang dijuluki palapa, untuk klasifikasi gangguan otak berdasarkan Pemindaian Pencitraan Resonansi Magnetik (MRI). Tiga jenis gangguan otak yang kami fokuskan dalam studi ini adalah Tumor, Stroke, dan Alzheimer bersama dengan kelas keempat pemindaian otak Normal. Untuk melatih dan menguji model kami, kami menggunakan kombinasi kumpulan data IXI, ADNI, BraTS2020, dan ATLAS pada modalitas pemindaian T1, menggunakan palapa untuk menormalkan ukuran spasial, offset rotasi, offset spasial, dan intensitas, ke volume 224x224x224, dengan menggunakan normalisasi multivariat kami dapat mengurangi kompleksitas komputasi tugas klasifikasi, untuk memberikan skenario kasus terbaik bagi model kami untuk dilatih dan diuji. Dengan menggunakan model kami, dengan metode praproses kami, kami dapat memperoleh akurasi pengujian yang tinggi sebesar 99,8%, menggunakan ukuran batch yang relatif kecil yaitu 16, pada model ResNet-18 kami. Ketika dikombinasikan dengan analisis GradCam, ini menunjukkan korelasi yang tinggi antara wilayah yang diminati dan keluaran peta panas model. Kesimpulannya, penggunaan ResNet-18 yang dimodifikasi dikombinasikan dengan praproses Palapa menunjukkan efektivitas metode praproses, dan kemampuan model untuk menggeneralisasi jenis penyakit, sekaligus memungkinkan para profesional medis yakin terhadap hasilnya, melalui keluaran GradCam.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Biomedical AI, CNN, Deep Learning, Explainable AI, GradCAM
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Alif Aditya Wicaksono
Date Deposited:	07 Jan 2025 02:17
Last Modified:	07 Jan 2025 02:19
URI:	http://repository.its.ac.id/id/eprint/116188

Actions (login required)

View Item