Segmentasi Tumor Otak Pada Citra MRI Menggunakan 2D ResNeXt

Rudiyanto, Rudiyanto (2025) Segmentasi Tumor Otak Pada Citra MRI Menggunakan 2D ResNeXt. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022222023-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (2MB) | Request a copy

Abstract

Penelitian ini mengusulkan penggunaan arsitektur 2D Residual Networks with Exponential Number of Transformations (ResNeXt) untuk segmentasi tumor otak pada gambar Magnetic Resonance Imaging (MRI). Penelitian ini bertujuan untuk meningkatkan akurasi dan mempercepat efisiensi komputasi selama pelatihan. Model 2D ResNeXt memiliki keunggulan dalam hal akurasi dan efisiensi waktu komputasi yang dapat dimanfaatkan untuk tugas segmentasi, karena memanfaatkan keunggulan dari struktur residual dan konsep kardinalitas. Kami melatih model 2D ResNeXt dan membandingkannya dengan model ResNet lainnya menggunakan dataset MRI yang sama. Dataset yang digunakan dalam penelitian ini adalah BraTS2020, yang telah diubah dari 3D menjadi 2D. Hasil eksperimen menunjukkan bahwa 2D ResNeXt unggul dalam beberapa metrik evaluasi, dengan nilai Accuracy pada data training} 99,5000% dan 99,0989% pada data validasi. Nilai Loss 0,0198% pada data training dan 0,0466% pada data validasi. Dice Accuracy 99,3606% pada data training dan 98,9745% pada data validasi. Nilai Dice Loss 0,0063% pada data training dan 0,0102% pada data valiasi. Nilai Mean IoU 0,8863. Sementara waktu komputasi dalam proses pelatihan adalah 51 menit dan 8 detik dengan 100 epoch. Hasil eksperimen ini meningkatkan akurasi sebesar 0,0208% dan akurasi dice sebesar 0,0424%. Pada saat yang sama, waktu komputasi meningkat 9 menit dan 57 detik lebih cepat. Eksperimen yang telah dilakukan menunjukkan bahwa model 2D ResNeXt dapat diterapkan untuk tugas segmentasi tumor otak dengan kinerja yang sangat baik, dan hasil yang diperoleh lebih akurat dalam memprediksi gambar.
==================================================================================================================================
This study proposes using 2D Residual Networks with Exponential Number of Transformations (ResNeXt) architecture for brain tumor segmentation in Magnetic Resonance Imaging (MRI) images. This research aims to improve accuracy and speed up computational efficiency during training. The 2D ResNeXt model has advantages in accuracy and computational time efficiency that can be utilized for segmentation tasks, as it utilizes the advantages of residual structure and cardinality concepts. We trained the 2D ResNeXt model and compared it with other ResNet models using the same MRI dataset. The dataset used in this study is BraTS2020, which has been converted from 3D to 2D. Experimental results show that 2D ResNeXt outperforms in several evaluation metrics, with accuracy values on training data 99,5000% and 99,0989% validation data. Loss value 0,0198% on training data and 0,0466% on validation data. Dice accuracy 99,3606% training data and 98,9745% validation data. Dice Loss 0,0063% data training and 0,0102% data validation. Mean IoU 0,8863. While the computation time in the training process is 51 minutes and 8 seconds with 100 epochs. The results of this experiment increase the accuracy by 0,0208% and dice accuracy 0,0424%. At the same time, the computation time increased by 9 minutes and 57 seconds faster. The experiments that have been conducted show that the 2D ResNeXt model can be applied to brain tumor segmentation tasks with excellent performance, and the results obtained are more accurate in predicting images.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	brain tumor, deep learning, medical, resnext, segmentation, deep learning, medis, segmentasi, tumor otak.
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer) R Medicine > RC Internal medicine > RC78.7.N83 Magnetic resonance imaging. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Rudiyanto Rudiyanto
Date Deposited:	22 Jan 2025 03:45
Last Modified:	22 Jan 2025 03:45
URI:	http://repository.its.ac.id/id/eprint/116518

Actions (login required)

View Item