Pratanjana, Benedicta Sabdaningtyas Pratita (2025) Deteksi Otomatis Pendarahan Mikro Serebral Pada Citra MRI Dengan Two Stage Cascaded Framework. Diploma thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 5023211029-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
5023211029-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy |
Abstract
Perdarahan mikro serebral (Cerebral microbleeds atau CMB) adalah lesi kecil berbentuk bulat dengan ukuran antara 2 hingga 10 mm yang merupakan penanda penting untuk berbagai penyakit serebrovaskular, seperti amyloid angiopati serebral, stroke iskemik, dan demensia. CMB dapat menyebabkan kerusakan struktural pada jaringan otak, yang berujung pada disfungsi neurologis dan gangguan kognitif. Karena sifat paramagnetik produk degradasi darah, CMB dapat lebih jelas terlihat pada citra SWI (Susceptibility Weighted Imaging) dibandingkan dengan MRI (Magnetic Resonance Imaging). Identifikasi dan klasifikasi CMB selama ini mengandalkan interpretasi visual manusia berdasarkan bentuk, ukuran, dan intensitas pada citra SWI. Namun, cara manual ini rentan terhadap bias dan dapat melewatkan CMB yang kecil atau membingungkan dengan mimik CMB lainnya. Oleh karena itu, pengembangan metode otomatis untuk deteksi CMB sangat penting untuk meningkatkan akurasi dan efisiensi diagnosis. Penelitian ini mengembangkan sistem deteksi otomatis CMB pada citra MRI SWI dengan pendekatan two stage cascaded network. Permasalahan utama dalam deteksi CMB adalah tingginya jumlah false positives (FP) yang dapat mengurangi akurasi dan memperumit diagnosis. Solusi yang diajukan adalah framework dua tahap yang menggabungkan model Fully Convolutional Network (FCN) dengan Dual FP Mining untuk tahap screening awal, serta Convolutional Neural Network (CNN) dengan Spatial pyramid pooling (SPP) untuk diskriminasi. Strategi Dual FP Mining diterapkan secara berulang pada model akhir dengan menggunakan FP dari tahap sebelumnya sebagai data hard negative untuk pelatihan ulang, guna meningkatkan kemampuan model dalam mengidentifikasi artefak dan struktur non-lesi. Hasil evaluasi menunjukkan bahwa sistem ini mencapai recall 97,3%, precision 98,6%, dan F1-score sebesar 98,0%. Kesimpulannya, pendekatan ini efektif dalam meningkatkan akurasi deteksi CMB, mengurangi false positives, dan menunjukkan potensi untuk aplikasi klinis dalam diagnosis serta penilaian risiko neurovaskular.
===========================================================
Cerebral microbleeds (CMB) are small, round lesions ranging in size from 2 to 10 mm, which serve as important markers for various cerebrovascular diseases, such as cerebral amyloid angiopathy, ischemic stroke, and dementia. CMB can cause structural damage to brain tissue, leading to neurological dysfunction and cognitive impairment. Due to the paramagnetic properties of blood degradation products, CMB is more clearly visible on SWI images compared to MRI. The identification and classification of CMB have traditionally relied on human visual interpretation based on shape, size, and intensity on SWI images. However, this manual approach is prone to bias and may miss small CMBs or confuse them with CMB mimics. Therefore, developing automatic detection methods for CMB is crucial to improve diagnostic accuracy and efficiency. This study develops an automatic CMB detection system for MRI SWI images using a two-stage approach with the Dual FP Mining strategy. The main challenge in CMB detection is the high number of false positives (FP), which can reduce accuracy and complicate diagnosis. The proposed solution is a two-stage framework combining a Fully Convolutional Network (FCN) model with Dual FP Mining for the initial screening stage, and a Convolutional Neural Network (CNN) with Spatial pyramid pooling (SPP) for discrimination. The Dual FP Mining strategy is applied iteratively to the final model, using FP from the previous stage as hard negative data for re-training, improving the model's ability to identify artifacts and non-lesion structures. Evaluation results show that the system achieves 97.3% recall, 98.6% precision, and an F1-score of 98.0%. In conclusion, this approach is effective in improving CMB detection accuracy, reducing false positives, and shows potential for clinical applications in neurovascular risk diagnosis and assessment.
Actions (login required)
 |
View Item |