Segmentasi Sub-Struktur Tumor Otak Pada Citra Mri Dan Prediksi Kemampuan Bertahan Hidup Pasien Berbasis Deep Learning

Akbar, Agus Subhan (2022) Segmentasi Sub-Struktur Tumor Otak Pada Citra Mri Dan Prediksi Kemampuan Bertahan Hidup Pasien Berbasis Deep Learning. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111960010009-Doctoral.pdf Restricted to Repository staff only Download (13MB)

Abstract

Glioma merupakan salah satu jenis tumor ganas yang muncul di otak dalam bentuk, ukuran, dan lokasi yang bervariasi. Berdasarkan agresivitasnya, glioma di- kategorikan sebagai High Grade Glioma (HGG) yang sangat agresif dengan ting- kat kemampuan bertahan hidup pasien kurang dari dua tahun dan kelompok Low Grade Glioma (LGG) yang kurang agresif dibanding kelompok HGG dengan ting- kat kemampuan bertahan hidup pasien rata-rata lebih dari dua tahun. Pemindaian magentic resonance imaging(MRI) merupakan salah satu protokol neuroimaging untuk keperluan diagnosis, monitoring perkembangan, perencanaan tindakan, mau- pun evaluasi atas tindakan tersebut. Segmentasi citra 3D MRI merupakan salah satu cara untuk menganalisis bagian-bagian tumor yang terdiri atas Necrosis, Enhanced Tumor (ET), dan Edema. Segmentasi manual citra MRI membutuhkan tenaga ahli, menyita waktu, rawan terhadap kesalahan, dan rumit untuk diduplikasi. Sehingga pemanfaatan hasil segmentasi untuk prediksi tingkat kemampuan bertahan hidup pasien menjadi rumit. Sejumlah penelitian segmentasi otomatis berbasis deep learning memproses citra 3D MRI dengan pendekatan pengelolaan 2D, 3D, dan 2.5D. Pendekatan 2D membutuhkan sumber daya ringan dan cepat tetapi mengesampingkan konektivi- tas voxel dalam ruang 3D. Pendekatan 3D memperhatikan konektivitas voxel dalam ruang 3D tetapi membutuhkan sumber daya tinggi dan lebih lambat. Pendekatan 2.5D berusaha memperhatikan konektivitas voxel di ruang 3D dengan memproses citra dari tiga arah sumbu. Pendekatan 2.5D ini berusaha mempertahankan kece- patan dan kebutuhan sumber daya seperti pendekatan 2D. Penggunaan sejumlah strategi penyusunan blok dan pemrosesan dalam model segmentasi di pendekatan 2.5D maupun 3D bisa mengoptimalkan masing-masing pendekatan. Penelitian terkait prediksi kemampuan bertahan hidup pasien tumor otak telah banyak dilakukan dengan menggunakan sejumlah fitur seperti umur, status pembe- dahan, dan fitur lain yang diekstraksi dari citra MRI. Masing-masing fitur berperan penting dalam menentukan kinerja model prediksi. Ekstraksi fitur dari citra MRI beserta hasil segmentasinya perlu dilakukan dengan tepat untuk mendukung fitur- fitur yang digunakan dalam model prediksi. Kombinasi yang tepat dari fitur-fitur yang tersedia akan sangat menentukan kinerja model prediksi. ix Sejumlah model prediksi seperti regresi linear, random forest, dan multilayer perceptron telah digunakan oleh peneliti-peneliti lain dengan tingkat akurasi yang bervariasi. Model-model prediksi tersebut digunakan secara sendiri-sendiri. Peng- gabungan beberapa model prediksi tentu akan meningkatkan tingkat akurasi pre- diksi. Penelitian disertasi ini mengajukan metodologi untuk menyelesaikan perma- salahan segmentasi dan prediksi kemampuan bertahan hidup pasien. Penyusunan model segmentasi berbasis UNet ditujukan untuk mendapatkan segmentasi sub- struktur tumor yang terdiri atas ET, Tumor Core (TC), dan Whole Tumor (WT). TC merupakan area tumor yang terdiri atas necrosis dan ET, sedangkan WT merupakan area keseluruhan tumor yang terdiri atas TC dan edema. Sejumlah fitur diekstraksi dari hasil segmentasi dan digabungkan dengan fitur klinis (umur dan status pembe- dahan) untuk diseleksi fitur-fitur dan kombinasinya yang berperan penting dalam prediksi. Berdasarkan kombinasi fitur hasil seleksi, model prediksi dikembangkan untuk mendapatkan tingkat akurasi prediksi yang terbaik. Model prediksi yang di- kembangkan merupakan perpaduan dari model klasifikasi random forest dan model regresi xgboost. Luaran model klasifikasi diterjemahkan menjadi luaran kontinyu sebelum digabung dengan luaran model regresi. Luaran akhir model prediksi me- rupakan penggabungan dari luaran dua model yang dimodifikasi berdasarkan nilai standar deviasi dari data latih. Dataset yang digunakan dalam penelitian ini melipu- ti data Brain Tumor Segmentation Challenge(BraTS) tahun 2018, 2019, dan 2020 yang terdiri atas data latih dan uji. Data latih berisi data citra MRI dan kemam- puan bertahan hidup yang disertai dengan anotasi manual sedangkan data uji tidak disertai anotasi manual. Validasi hasil segmentasi dan prediksi data uji dilakukan dengan mengirimkan hasilnya ke alamat yang disediakan. Pengembangan arsitekur segmentasi tumor otak berbasis deep learning ini di- awali dengan memodifikasi arsitektur UNET2D, mengkonversinya menjadi arsi- tektur 3D, dan menamainya dengan Simple MyUNet3D. Pemrosesan citra MRI 3D dilakukan dengan mensegmentasi area WT terlebih dahulu dan dilanjutkan dengan segmentasi area TC dan ET yang lebih kecil. Kinerja validasi pada dataset Bra- TS 2018 masih perlu ditingkatkan, sehingga dikembangkan arsitektur Yaru3DFPN yang mengganti blok-blok pemrosesannya dengan blok ResNet dengan strategi pre- aktivasi, menyambungkan koneksi skip dengan strategi add, dan menambahkan pemrosesan piramida fitur sebelum luaran akhir segmentasi. Pemrosesan akhir menggunakan tiga jenis strategi thresholding yang meliputi simple thresholding, local thresholding, dan combine thresholding. Kinerja dari validasi online arsi- tektur Yaru3DFPN pada dataset BraTS 2015 dan BraTS 2019 sudah cukup bagus tetapi masih bisa ditingkatkan lagi. Pengembangan selanjutnya dengan lebih fo- kus penerapan pada dataset BraTS 2018, BraTS 2019, dan BraTS 2020. Tiga buah arsitektur segmentasi dikembangkan berikutnya dengan pendekatan yang berbe- da. Arsitektur SLUNET3D dikembangkan dengan satu level downsampling un- tuk meminimalkan pengurangan kepresisian informasi spasial target segmentasi, modifikasi blok pemrosesan dengan tiga jalur proses yang dinamakan Multipath Residual Attention Block (MRAB), memanfaatkan sejumlah urutan konvolusi atro- us, penerapan mekanisme atensi, dan menggunakan enam lapisan blok MRAB di x bagian transfer. Arsitektur SDA-UNET2.5D, disisi lain, dikembangkan dengan pendekatan 2.5D yang memproses citra 3D dengan mengambil beberapa irisan- nya dan dikonversi menjadi citra 2D dengan blok konverter 3DTo2D. Arsitektur SDA-UNET2.5D juga menggunakan satu level downsampling, memodifikasi bagi- an transfer dengan tiga lapisan urutan 4 buah blok d-dilated residual dengan faktor dilatasi 1,2,4,8 dan mekanisme atensi. Dan Arsitektur UNET3D merupakan arsi- tektur ketiga yang dikembangkan dengan pendekatan 3D, menggunakan dua level downsampling, memodifikasi blok pemrosesan dengan pilihan jumlah lapisan dari urutan konvolusi atrous dan mekanisme atensi yang disebut Multiple Atrous Convo- lutions Attention Block (MAAB), dan mengganti bagian transfer menjadi dua buah urutan blok MAAB dengan pilihan level 4 dan ukuran filter 16 buah. Kinerja usulan model segmentasi dan prediksi dengan hasil akhir prediksi dica- pai dengan menyambungkan model segmentasi SDA-UNET2.5D dan model pre- diksi perpaduan klasifikasi random forest dan regresi xgboost dengan revisi ber- dasarkan standar deviasi data latih. Kinerja rata-rata dice model segmentasi di dataset uji BraTS 2018 mencapai 75,70%, 77,33%, dan 88,82% untuk area ET, TC, dan WT dengan tingkat akurasi sebesar 67,9% dan MSE sebesar 84226,868. Pengujian pada dataset uji BraTS 2019 menghasilkan kinerja rata-rata dice menca- pai 71,29%, 76,55%, dan 88% untuk area ET, TC, dan WT dengan tingkat akurasi dan MSE sebesar 65,5% dan 111317,889. Sedangkan pengujian di dataset uji Bra- TS 2020 menghasilkan kinerja rata-rata dice sebesar 70,80%, 75,89%, dan 87,95% untuk area ET, TC, dan WT dengan tingkat akurasi dan MSE sebesar 65,6% dan 119592,145 secara berurutan.
==============================================================================================================================
Glioma is a type of malignant tumor that appears in the brain in various sha- pes, sizes, and locations. Based on their aggressiveness, gliomas were categorized into High-Grade Glioma (HGG), an aggressive one with a patient’s survival ra- te of fewer than two years, and the Low-Grade Glioma (LGG) group, which was less aggressive than the HGG group with a survival rate of more than two years. Magentic resonance imaging (MRI) imaging is one of the neuroimaging protocols for diagnostic, developmental monitoring, action planning, and evaluation of the procedure. Segmentation of 3D MRI images is one way to analyze tumor parts consisting of Necrosis, Enhanced Tumor (ET), and Edema. Manual segmentation of MRI images needs experts and is time-consuming, error-prone, and complex to duplicate. So that the use of segmentation results to predict the patient’s survival rate becomes complicated. Many automated segmentation studies based on deep learning process 3D MRI images with 2D, 3D, and 2.5D management approaches. The 2D approach is resource-light and fast but overrides voxel connectivity in 3D space. The 3D app- roach pays attention to voxel connectivity in 3D space but is resource intensive and slower. The 2.5D approach focuses on the connectivity of voxels in 3D space by processing images from three axes. This 2.5D approach attempts to maintain the speed and resource requirements of the 2D approach. The use of some block arra- ngement and processing strategies in the segmentation model in both 2.5D and 3D approaches can optimize each approach. Research related to predicting the survival of brain tumor patients has been carried out using several features such as age, resection status, and other features extracted from MRI images. Each feature plays a vital role in determining the performance of the predictive model. Feature extraction from MRI images and their segmentation results need to be appropriately done to support the features used in the prediction model. The right combination of available features will significantly determine the performance of the predictive model. xiii Many predictive models such as linear regression, random forest, and multila- yer perceptron have been used by other researchers with varying degrees of accu- racy. These predictive models are used separately. The combination of several prediction models will undoubtedly increase the level of prediction accuracy. This dissertation research proposes a methodology to solve segmentation pro- blems and predict patient survival. The preparation of the UNet-based segmenta- tion model is aimed at obtaining segmentation of tumor sub-structures consisting of ET, Tumor Core (TC), and Whole Tumor (WT). TC is the tumor area consis- ting of necrosis and ET, while WT is the entire tumor area consisting of TC and edema. Several features are extracted from the segmentation results and combined with clinical features (age and resection status) to select features and their com- binations that play an important role in prediction. Based on the combination of selected features, a prediction model is developed to get the best level of prediction accuracy. The prediction model developed is a combination of the random forest classification model and the xgboost regression model. The output of the classifi- cation model is converted into a numeric output before being combined with the output of the regression model. The final output of the prediction model is a com- bination of the outputs of the two models that are modified based on the standard deviation of the training data. The dataset used in this study includes data from Bra- in Tumor Segmentation Challenge (BraTS) in 2018, 2019, and 2020 consisting of training and test data. The training data contains MRI image data and survivability accompanied by manual annotations, while manual annotations do not accompany the test data. Validation of segmentation results and prediction of test data is done by sending the results to the address provided. The development of this deep learning-based brain tumor segmentation archi- tecture was initiated by modifying the UNET2D architecture, converting it into a 3D architecture, and naming it Simple MyUNet3D. 3D MRI image processing is done by first segmenting the WT area and then the TC and ET areas. The valida- tion performance of the BraTS 2018 dataset still needs to be improved, so the Ya- ru3DFPN architecture was developed. Yaru3DFPN replaces its processing blocks with ResNet blocks with a pre-activation strategy, connects the skip’s connection with the add strategy, and adds feature pyramid processing before the final output of segmentation. The final processing uses three types of thresholding strategies which include simple thresholding, local thresholding, and combine thresholding. The performance of Yaru3DFPN architecture online validation on BraTS 2015 and BraTS 2019 datasets is quite good but can still be improved. Subsequent develo- pments have been done with a more focused application on the BraTS 2018, BraTS 2019, and BraTS 2020 datasets. Three segmentation architectures were develo- ped next with a different approach. The SLUNET3D architecture was developed with one level of downsampling to minimize the reduction in the precise segmen- tation of target spatial information. The SLUNET3D modified processing block with three processing paths called Multipath Residual Attention Block (MRAB), utilizing some atrous convolution sequences and attention mechanism, and uses a six-layer MRAB block in the transfer section. The SDA-UNET2.5D architecture, xiv on the other hand, was developed with a 2.5D approach that processes 3D ima- ges by taking several slices and converting them into 2D images with a 3DTo2D converter block. The SDA-UNET2.5D architecture also uses a single level down- sampling, modifies the transfer section with a three-layer sequence of 4 d-dilated residual blocks with dilation factors 1,2,4,8 and attention mechanism. Furthermo- re, UNET3D Architecture is the third architecture developed with a 3D approach, using two levels of downsampling. The UNET3D modifies the processing block with a choice of the number of layers from the atrous convolution sequence and an attention mechanism called Multiple Atrous Convolutions Attention Block (MA- AB). It changes the transfer part to two MAAB block sequences with a choice of level 4 and a filter size of 16. The performance of the proposed segmentation model and prediction with the final prediction result is achieved by connecting the SDA-UNET2.5D segmenta- tion model and the combination prediction model of random forest classification and xgboost regression with revisions based on the standard deviation of the trai- ning data. The average dice performance of the segmentation model in the BraTS 2018 validation dataset reached 75,70%, 77,33%, and 88,82% for the ET, TC, and WT areas with an accuracy rate of 67,9% and MSE of 84226,868. Testing on the BraTS 2019 validation dataset resulted in the average dice performance of 71,29%, 76,55%, and 88% for the ET, TC, and WT areas with an accuracy rate and MSE of 65,5% and 111317,889. Meanwhile, testing in the BraTS 2020 validation dataset resulted in the average dice performance of 70,80%, 75,89%, and 87,95% for the ET, TC, and WT areas with an accuracy rate and MSE of 65,6% and 119592,145 respectively.

Item Type:	Thesis (Doctoral)
Additional Information:	RDIf 006.42 Akb s-1 2022
Uncontrolled Keywords:	glioma, segmentasi citra medis, prediksi kemampuan bertahan hidup, pendekatan 2.5d, pendekatan 3d. glioma, medical image segmentation, patient survival rate prediction, 2.5d approach, 3d approach.
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	Mr. Marsudiyana -
Date Deposited:	09 Jul 2026 07:13
Last Modified:	09 Jul 2026 07:13
URI:	http://repository.its.ac.id/id/eprint/134598

Actions (login required)

View Item