Klasifikasi Kualitas Embrio Berdasarkan Citra Embrio Pada Hari Ke-3 dan Ke-5 Menggunakan Deep Learning

Ulfa, Sandra (2025) Klasifikasi Kualitas Embrio Berdasarkan Citra Embrio Pada Hari Ke-3 dan Ke-5 Menggunakan Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6022222021_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (2MB) | Request a copy

Abstract

Masalah infertilitas menjadi isu kesehatan global yang signifikan, mempengaruhi banyak pasangan di seluruh dunia. In Vitro Fertilization (IVF) telah menjadi pilihan umum untuk mengatasi infertilitas, tetapi keberhasilannya masih dipengaruhi oleh berbagai faktor, termasuk kualitas embrio. Proses implantasi embrio, terutama pada tahap pembelahan hari ke-3 dan tahap blastokista hari ke-5, menjadi tahap kritis dalam keberhasilan program bayi tabung. Penelitian ini mencoba mengatasi permasalahan dalam penilaian morfologi embrio dengan menerapkan Deep Learning sebagai solusi. Deep Learning memungkinkan analisis otomatis morfologi embrio, mengurangi ketergantungan pada penilaian manual yang bersifat subyektif. Penelitian ini menggunakan dataset open source dari GitHub dan Figshare, yang mencakup citra embrio hari ke-3 dan hari ke-5. Dataset Figshare merupakan bagian dari proyek penelitian yang dilakukan oleh Software Competence Center Hagenberg GmbH (SCCH), sebuah organisasi penelitian di Austria yang fokus pada pengembangan teknologi berbasis kecerdasan buatan untuk aplikasi medis. Hasil pelatihan menunjukkan bahwa ResNet50 mencapai training accuracy terbaik sebesar 89,36% untuk hari ke-3 dan 93,07% untuk hari ke-5. Pada pengujian Xception memberikan performa terbaik untuk hari ke-3 dengan precision 0,91, recall 0,89, F1-score 0,89, dan akurasi 88,8%. Sementara itu, DenseNet121 unggul pada hari ke-5 dengan precision, recall, dan F1-score masing-masing 0,97, serta akurasi 97,3%. Hasil penelitian menunjukkan bahwa sistem klasifikasi yang dirancang mampu meningkatkan konsistensi dan akurasi dalam menentukan kualitas embrio. Sistem ini diharapkan dapat mendukung keberhasilan program bayi tabung dengan membantu memilih embrio terbaik yang akan ditransfer ke rahim.
==================================================================================================================================
Infertility has become a significant global health issue, affecting many couples worldwide. In Vitro Fertilization (IVF) is the most widely used solution to address infertility however its success is influenced by various factors, including embryo quality. The embryo implantation process, particularly at the day-3 cleavage stage and day-5 blastocyst stage, is critical to the success of an IVF program. This research aims to address challenges in the morphological assessment of embryos by utilizing Deep Learning as a solution. Deep Learning enables automated analysis of embryo morphology, reducing reliance on subjective manual assessments. Open-source datasets from GitHub and Figshare were used in this study, including day-3 and day-5 embryo images. The Figshare dataset is part of a research project conducted by Software Competence Center Hagenberg GmbH (SCCH), a research organization in Austria specializing in artificial intelligence-based technologies for medical applications. The experimental results demonstrate that ResNet50 achieved the highest training accuracy, with 89.36% for day-3 and 93.07% for day-5 embryos. On testing, Xception showed the best performance for day-3 embryos with a precision of 0.91, recall of 0.89, F1-score of 0.89, and an accuracy of 88.8%. Meanwhile, DenseNet121 excelled for day-5 embryos with a precision, recall, and F1-score of 0.97 each, and an accuracy of 97.3%. The results showed that the classification system designed is able to improve consistency and accuracy in determining embryo quality. This system is expected to support the success of the IVF program by helping to select the best embryos to be transferred to the uterus.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deep Learning, Embrio, In Vitro Fertilization, Infertilitas, Klasifikasi, Embryo, Infertility, Classification.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Sandra Ulfa
Date Deposited:	25 Jan 2025 01:26
Last Modified:	25 Jan 2025 01:26
URI:	http://repository.its.ac.id/id/eprint/116834

Actions (login required)

View Item