Segmentasi Sel Berbasis Mask R-Cnn Pada Citra Mikroskopis Sel Darah Untuk Klasifikasi Leukemia Limfoblastik Akut

Revanda, Aldinata Rizky (2022) Segmentasi Sel Berbasis Mask R-Cnn Pada Citra Mikroskopis Sel Darah Untuk Klasifikasi Leukemia Limfoblastik Akut. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201030-Master_Thesis.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Leukemia limfoblastik akut akan sangat berbahaya jika tidak dapat dideteksi dan diberikan penanganan dini secara cepat. Klasifikasi manual yang dilakukan oleh dokter tentunya akan membutuhkan banyak waktu dan tenaga. Penerapan pembelajaran mesin dengan menggunakan metode konvensional dapat membantu namun masih membutuhkan proses yang kompleks karena harus melakukan tahap praproses lebih banyak, terutama untuk melakukan segmentasi pada sejumlah sel yang saling bersentuhan atau tumpang tindih. Metode deep learning terbaru seperti Mask R-CNN memiliki kemampuan yang luar biasa untuk melakukan instance segmentation. Mask R-CNN mampu melakukan segmentasi objek, tarmasuk yang saling bersentuhan atau tumpang tindih, kemudian melakukan klasifikasi serta menambahkan masking terhadap setiap objek secara langsung. Oleh karena itu, penulis mengusulkan penggunaan Mask R-CNN pada citra mikroskopis sel darah untuk klasifikasi leukemia limfoblastik akut demi menunjang proses diagnosis oleh ahli patologi secara efisien dan efektif. Tujuan dari penelitian ini adalah mengoptimalkan metode deep learning Mask R-CNN dalam melakukan deteksi dan segmentasi sel limfoblas pada citra mikroskopis sel darah kemudian melakukan klasifikasi leukemia limfoblastik akut. Proses peningkatan kontras menggunakan metode Exposure Fusion Framework ditambahkan untuk mengatasi pencahayaan yang kurang baik pada dataset dan proses augmentasi dilakukan untuk menambah jumlah dataset pelatihan. Kemudian menyesuaikan parameter dari Mask R-CNN untuk dapat mencapai kinerja terbaik. Evaluasi model dilakukan menggunakan dataset citra mikroskopis sel darah yang didapatkan dari rumah sakit. Hasil dari metode yang diusulkan dapat meningkatkan deteksi dan segmentasi sel limfoblas bila dibandingkan dengan metode tanpa menambahkan proses peningkatan kontras. Performa deteksi dan segmentasi sel pada citra mikroskopis sel darah dengan skenario terbaik mampu mendapatkan nilai mAP 83,65%. Performa klasifikasi leukemia limfoblastik akut dengan skenario terbaik mampu mendapatkan nilai akurasi 83,72%, presisi 85,17%, dan sensitivitas 81,61%.
==============================================================================================================================
Acute lymphoblastic leukemia will be very dangerous if it cannot be detected and given early treatment quickly. Manual classification performed by doctors will certainly require a lot of time and effort. The application of machine learning using conventional methods can help but still requires a complex process because it must do more preprocessing stages, especially to segment several cells that touch or overlap. Newer deep learning methods such as Mask R-CNN have incredible capabilities for instance segmentation task. Mask R-CNN can segment objects, including those that touch or overlap, then classify and add masking to each object in the image directly. Therefore, the authors propose the use of Mask R-CNN on microscopic images of blood cells for the task of classifying acute lymphoblastic leukemia to support the pathologist's diagnosis process efficiently and effectively. The purpose of this study was to optimize the deep learning Mask R-CNN method in detecting and segmenting lymphoblast cells on microscopic images of blood cells and then classifying acute lymphoblastic leukemia. The contrast enhancement process using the Exposure Fusion Framework method was added to overcome poor lighting in the dataset and an augmentation process was carried out to increase the number of training dataset. Then adjust the parameters of the Mask R-CNN to achieve the best performance. The evaluation of the model was performed using microscopic images dataset of blood cells obtained from hospital. The results of the proposed method can improve the detection and segmentation of lymphoblast cells when compared to the method without adding a contrast enhancement process. The performance of detection and segmentation of cells on microscopic images of blood cells with the best scenario was able to get mAP value of 83.65%. The classification performance of acute lymphoblastic leukemia with the best scenario was able to get 83.72% accuracy, 85.17% precision, and 81.61% sensitivity.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.42 Rev s-1 2022
Uncontrolled Keywords:	Citra mikroskopis sel darah, Klasifikasi, Leukemia limfoblastik akut, Mask R-CNN, Segmentasi sel. Acute lymphoblastic leukemia, Cell segmentation, Classification, Mask R-CNN, Microscopic image of blood cells.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Jul 2026 06:45
Last Modified:	06 Jul 2026 06:45
URI:	http://repository.its.ac.id/id/eprint/134348

Actions (login required)

View Item