PENINGKATAN KUALITAS CITRA FOCAL LIVER DISEASE MENGGUNAKAN CLAHE DAN KLASIFIKASI FOCAL LIVER DISEASE MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Rahmah, Upik Mauludia (2020) PENINGKATAN KUALITAS CITRA FOCAL LIVER DISEASE MENGGUNAKAN CLAHE DAN KLASIFIKASI FOCAL LIVER DISEASE MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07311640000010-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (2MB) | Request a copy

Abstract

Proses diagnosa dan deteksi focal liver diseases seperti Hepatic Hemangioma dan Hepatocellular Carcinoma (HCC), dan kista dapat dilakukan dengan menggunakan modalitas B-Mode ultrasound. Adanya noise dalam citra ultrasound mempengaruhi ekstraksi fitur, dan kemiripan fitur antar penyakit membuat proses klasifikasi menjadi sulit. Selain itu, penyakit HCC, dan hemangioma terkadang memiliki echogenity yang sama, dan HCC juga terkadang dapat berbentuk menyerupai kista, sehingga dibutuhkan metode peningkatan citra untuk memperjelas karakteristik masing-masing penyakit tersebut untuk memudahkan proses klasifikasi. Tugas akhir ini bertujuan untuk merancang perangkat lunak untuk peningkatan citra focal liver diseases dan klasifikasi focal liver diseases dari citra ultrasound. Metode yang digunakan untuk mengurangi noise adalah median filter. Untuk membantu membedakan fitur antar penyakit, dan memperjelas perbedaan kontras lesinya, digunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE). Kemudian, proses klasifikasi penyakit dilakukan menggunakan metode Convolutional Neural Network (CNN). Untuk mengatasi dataset dengan ukuran kecil, dilakukan proses augmentasi data berupa transformasi geometris, dan penambahan noise untuk memperkaya jumlah dan variasi dataset. Dari hasil pengujian didapatkan bahwa median filter dengan window 3 × 3 memiliki nilai PSNR lebih tinggi dibandingkan dengan window 5 × 5, dan window 7 × 7. Augmentasi data dapat menambah jumlah data, menambah variasi, dan mengurangi overfitting model CNN. Peningkatan kualitas kontras citra ultrasound menggunakan metode CLAHE dapat membantu proses klasifikasi, dan nilai clip limit yang paling efektif untuk proses klasifikasi penyakit HCC adalah 0.03, untuk penyakit kista sebesar 0.01, dan penyakit hemangioma tidak di proses menggunakan CLAHE. Penggunaan CNN untuk klasifikasi focal liver diseases yaitu, penyakit HCC, hemangioma, dan kista, memiliki akurasi sebesar 69.70% ketika tidak ditingkatkan kontrasnya menggunakan CLAHE. Setelah ditingkatkan kontrasnya menngunakan CLAHE, akurasinya dapat naik hingga 93.94%. Mekipun akurasi yang didapat bisa mencapai 93.94%, tetapi hasil ini masih dapat berubah-ubah serta nilai clip limit dari CLAHE juga dapat berbeda jika menggunakan dataset lain karena model yang digunakan masih mengalami overfitting. ====================================================================================================== The process of diagnosis and detection of focal liver diseases such as Hepatic Hemangioma, Hepatocellular Carcinoma (HCC), and cysts can be done using the B-Mode ultrasound modality. The presence of noise in ultrasound images affects feature extraction process, and the similarity of features between diseases makes the classification process difficult. In addition, HCC, and hemangioma sometimes have the same echogenity in ultrasound, and HCC can also sometimes be similar to cysts. An image enhancement method is needed to determine the characteristics of each of these diseases to help the classification process. This final project aims to design software for enhancing the image of focal liver diseases and the classification of focal liver diseases from ultrasound images. The method that used to reduce noise is the median filter. To help differentiate between diseases features, and to determine differences in contrast lesions, the Contrast Limited Adaptive Histogram Equalization (CLAHE) method is used. Then, the diseases classification process is carried out using the Convolutional Neural Network (CNN) method. To overcome the small size dataset, a data augmentation process is used in the form of geometric transformations, and the addition of noise to enrich the number and variation of the dataset. From the test results it was found that the median filter with window 3 × 3 has a higher PSNR value compared to window 5 × 5, and window 7 × 7. Data augmentation can increase the amount of data, increase variation, and reduce CNN overfitting. Increasing the contrast quality of ultrasound images using the CLAHE method can help the classification process, and the most effective clip limit value for the HCC disease classification process is 0.03, for cysts by 0.01, and hemangioma disease is not processed using CLAHE. CNN for the classification of focal liver diseases, namely, HCC, hemangioma, and cysts, has an accuracy of 69.70% when the contrast is not enhanced using CLAHE. After increasing the contrast using CLAHE, its accuracy can increase to 93.94%. Even though the accuracy obtained can reach 93.94%, but this result can still change and the clip limit value of CLAHE can also be different if using another dataset because the model used is still experiencing overfitting.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Ultrasound, Image enhancement, CLAHE, Classification, CNN, Ultrasound, Peningkatan Citra, CLAHE, Klasifikasi, CNN
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User: Upik Mauludia Rahmah
Date Deposited: 25 Aug 2020 04:18
Last Modified: 25 Aug 2020 04:18
URI: http://repository.its.ac.id/id/eprint/80450

Actions (login required)

View Item View Item