Implementasi Segmentasi dan Rekonstruksi 3D Pembuluh Darah Otak pada Citra TOF-MRA Menggunakan Arsitektur 3D U-Net

Timbulong, Yehezkiella Felicia Jeis (2026) Implementasi Segmentasi dan Rekonstruksi 3D Pembuluh Darah Otak pada Citra TOF-MRA Menggunakan Arsitektur 3D U-Net. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025221007-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Laporan ini membahas implementasi sistem segmentasi pembuluh darah otak menggunakan data citra medis Time-of-Flight Magnetic Resonance Angiography (TOF-MRA). Tujuan utama penelitian ini adalah mengembangkan metode yang mampu memisahkan struktur jaringan pembuluh darah serebral dari latar belakang otak secara akurat, yang kemudian diekstraksi menjadi model permukaan tiga dimensi (3D) untuk analisis morfologi lebih lanjut. Penelitian ini mengintegrasikan dua pendekatan komputasi: metode interaktif berbasis kurva evolusi menggunakan Visualization Toolkit (VMTK), dan metode otomasi penuh menggunakan arsitektur deep learning 3D U-Net pada kerangka kerja MONAI dan PyTorch. Eksperimen dan pelatihan model dilakukan menggunakan COSTA dataset di dalam lingkungan ANACONDA dengan bahasa pemrograman Python. Hasil pengujian fungsional menunjukkan bahwa sistem berhasil memuat format data medis dan merekonstruksi 100% sampel uji ke dalam bentuk mesh poligonal 3D menggunakan algoritma Marching Cubes. Lebih lanjut, evaluasi metrik kuantitatif terhadap model deep learning menunjukkan performa klasifikasi voxel yang sangat baik dan memiliki tingkat keselarasan yang tinggi terhadap anotasi pakar. Hasil evaluasi ini memvalidasi bahwa alur kerja yang dibangun mampu menghasilkan visualisasi geometri pembuluh darah yang akurat untuk mendukung analisis medis.
====================================================================================================================================
This report discusses the implementation of a cerebral vascular segmentation system using Time-of-Flight Magnetic Resonance Angiography (TOF-MRA) medical image data. The primary objective of this study is to develop a method capable of accurately separating cerebral vascular structures from the brain background, which are then extracted into a three-dimensional (3D) surface model for further morphological analysis. This study integrates two computational approaches: an interactive method based on evolutionary curves using the Visualization Toolkit (VMTK), and a fully automated method using the 3D U-Net deep learning architecture on the MONAI and PyTorch frameworks. Experiments and model training were conducted using the COSTA dataset within the ANACONDA environment using the Python programming language. Functional testing results show that the system successfully loaded medical data formats and reconstructed 100% of the test samples into 3D polygonal meshes using the Marching Cubes algorithm. Furthermore, quantitative metric evaluation of the deep learning model demonstrated excellent voxel classification performance and a high level of alignment with expert annotations. These evaluation results validate that the developed workflow is capable of producing accurate visualizations of blood vessel geometry to support medical analysis.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Deep Learning, MONAI, Rekonstruksi 3D, Segmentasi Pembuluh Darah, TOF-MRA, VMTK, Deep Learning, MONAI, 3D Reconstruction, Blood Vessel Segmentation, TOF-MRA, VMTK
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Yehezkiella Felicia Jeis Timbulong
Date Deposited:	25 Jun 2026 08:58
Last Modified:	25 Jun 2026 08:58
URI:	http://repository.its.ac.id/id/eprint/134086

Actions (login required)

View Item