Segmentasi Dan Klasifikasi Citra Histopatologi Kanker Payudara Dengan Arsitektur U-Net Dan Transfer Learning ResNet50

Sudianjaya, Nella Rosa (2024) Segmentasi Dan Klasifikasi Citra Histopatologi Kanker Payudara Dengan Arsitektur U-Net Dan Transfer Learning ResNet50. Masters thesis, Institut Teknologi Sepuluh Nopember.

	Text SIDANG AKHIR FIX DRAFT PROPOSAL TESIS - NELLA ROSA SUDIANJAYA.pdf Restricted to Repository staff only until 1 April 2027. Download (4MB) | Request a copy
	Text 6025222010-Master_Thesis.pdf Restricted to Repository staff only until 1 April 2027. Download (4MB) | Request a copy

Abstract

Kanker payudara adalah jenis kanker yang paling sering terjadi diantara jenis-jenis kanker lainnya. Sekitar 1 dari 8 wanita di Amerika Serikat (sekitar 13%) meninggal dunia akibat kanker payudara. Skrining dini dan diagnosis yang akurat sangat penting untuk pencegahan dan tindakan pengobatan yang lebih cepat. Histopatologi payudara adalah teknik penting dan merupakan sumber informasi yang kritis dalam mendiagnosis kanker payudara. Saat ini, beberapa metode kecerdasan buatan telah muncul untuk membangun segmentasi, deteksi dan klasifikasi yang efektif untuk mengetahui jenis kanker. Namun, banyak dari pendekatan ini masih menghadapi sejumlah tantangan. Beberapa masalah yang umum dihadapi meliputi segmentasi yang tidak akurat, deteksi objek yang kurang sensitif, dan klasifikasi yang kurang spesifik. Selain itu, ketidakmampuan untuk menangani variasi citra yang luas dan kompleksitas struktural dari jaringan kanker payudara juga menjadi kendala dalam pengembangan solusi yang efektif. Dalam penelitian ini, diusulkan model Deep Learning yang dapat secara otomatis melakukan segmentasi dan klasifikasi area kanker pada citra histopatologi payudara. Model didasarkan pada arsitektur neural network, yaitu Convolutional Neural Network untuk proses ekstraksi fitur berdimensi tinggi dan menggunakan arsitektur U-Net untuk memperoleh segmentasi dan klasifikasi yang akurat serta untuk mengoptimalkan pemahaman konteks spasial dan hierarki fitur pada citra histopatologi. Serta digabungkan dengan model Transfer Learning ResNet50 serta augmentasi yang diharapkan dapat meningkatkan akurasi dalam proses segmentasi dan klasifikasi serta dapat mengatasi masalah komputasi yang tinggi. Evaluasi kinerja model dilakukan dengan menggunakan metrik Dice coefficient dan IoU untuk proses segmentasi serta menggunakan metrik sensitivitas, spesifisitas, F1-Score untuk proses klasifikasi. Hasil eksperimen yang diperoleh pada penelitian ini adalah model yang diusulkan unggul dalam metrik segmentasi dan klasifikasi. Untuk metrik segmentasi, model yang diusulkan memperoleh nilai mean IoU 0.469 dan Dice Coefficient 0.891. Sedangkan untuk hasil klasifikasi, model yang diusulkan memperoleh nilai Precision, Recall dan F1-Score secara berturut-turut sebesar 0.83, 0.73, 0.79 untuk kelas Neoplastic; 0.84, 0.67, 0.75 untuk kelas Epithelial; 0.60, 0.55, 0.57 untuk kelas Inflammatory; 0.59, 0.55, 0.57 untuk kelas Connective; dan 0.20, 0.23, 0.21 untuk kelas Dead Cell.
Kata Kunci: Histopatologi, Kanker, Klasifikasi, Payudara, Pengolahan Citra, ResNet50, Segmentasi, U-Net.
================================================================================================================================
Breast cancer is the most frequently occurring type of cancer among various cancer types. Approximately 1 in 8 women in the United States (about 13%) succumb to breast cancer. Early screening and accurate diagnosis are crucial for prevention and expedited treatment interventions. Breast histopathology is an important technique and a critical source of information in diagnosing breast cancer. Currently, several artificial intelligence methods have emerged to develop effective segmentation, detection, and classification to determine the type of cancer. But, many of these approaches still face several challenges. Some common problems include inaccurate segmentation, less sensitive object detection, and less specific classification. Additionally, the inability to handle a wide variation in images and the complexity of the structural aspects of breast cancer tissue also pose constraints in developing effective solutions. In this study, a Deep Learning model is proposed to automatically perform segmentation and classification of cancerous areas in breast histopathology images. The model is based on a neural network architecture, namely Convolutional Neural Network for high-dimensional feature extraction, and utilizes the U-Net architecture to obtain accurate segmentation and classification to optimize the understanding of spatial context and feature hierarchy in histopathology images. Additionally, Transfer Learning using the ResNet50 and accompanied by augmentation model is employed and expected to give more accurate classification image results and address the issue of high computational requirements. Performance evaluation of the model is conducted using metrics such as the Dice coefficient and IoU (Intersection over Union) for the segmentation process and sensitivity, specificity, and F1-Score for the classification process. The results obtained from this study show that the proposed model outperforms in both segmentation and classification metrics. For segmentation metrics, the proposed model achieved a mean IoU of 0.469 and a Dice Coefficient of 0.891. For classification results, the proposed model obtained Precision, Recall, and F1-Score values of 0.83, 0.73, and 0.79 respectively for the Neoplastic class; 0.84, 0.67, and 0.75 for the Epithelial class; 0.60, 0.55, and 0.57 for the Inflammatory class; 0.59, 0.55, and 0.57 for the Connective class; and 0.20, 0.23, and 0.21 for the Dead Cell class. Keywords: Breast, Cancer, Classification, Image Processing, Histopathology, ResNet50, Segmentation, U-Net.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Histopatologi, Kanker, Klasifikasi, Payudara, Pengolahan Citra, ResNet50, Segmentasi, U-Net. Breast, Cancer, Classification, Image Processing, Histopathology, ResNet50, Segmentation, U-Net.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Nella Rosa Sudianjaya
Date Deposited:	22 Jan 2025 02:53
Last Modified:	22 Jan 2025 02:53
URI:	http://repository.its.ac.id/id/eprint/116570

Actions (login required)

View Item