Segmentasi Nodul Paru pada Citra CT-Scan Menggunakan Metode CNN Aristektur UNET

Ariba, Nida (2020) Segmentasi Nodul Paru pada Citra CT-Scan Menggunakan Metode CNN Aristektur UNET. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
07311640000033-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Kanker paru terjadi karena proses tumbuhnya sel yang tidak terkontrol dan kemudian menjadi awal mula terbentuknya nodul pada paru. Kanker paru tergolong sebagai salah satu penyebab kematian akibat kanker yang tinggi dikarenakan tidak banyak gejala yang tampak pada fase awal. Deteksi nodul paru merupakan langkah signifikan untuk melakukan diagnosis pada penderita kanker paru. Sistem deteksi nodul telah banyak dikembangkan dengan berbagai metode yang berfungsi sebagai pemberi opini kedua radiographer dalam mengambil keputusan. Sehingga proses segmentasi dari lokasi nodul digunakan sebagai langkah awal untuk mendeteksi nodul paru. Metode segmentasi yang digunakan memanfaatkan citra dari gambar CT Scan pada paru-paru. Data CT-Scan paru didapatkan dari dataset LUNA16. Pada pemrosesan awal dilakukan peningkatan kontras dan normalisasi citra serta segmentasi lung region. Segmentasi dari kandidat nodul paru pada citra menggunakan fungsi segmentasi semantik CNN dengan arsitektur UNET pada data citra 2 dimensi. Sehingga hasil akhirnya akan dapat menentukan bagian posisi yang merupakan nodul dari citra. Metode Dice Similarity Coefficient (DSC) digunakan dalam pengujian hasil keluaran gambar segmentasi pada model pembelajaran. Model CNN arsitektur UNET dilatih dengan 2847 data. Proses pengujian sistem menggunakan 711 data dan didapatkan nilai rata-rata skor DSC sebesar 0,4249 yang mengindikasikan 42,49% pixel overlap antara hasil segmentasi dan ground truth. Nilai performansi rendah yang dihasilkan akibat dari keberadaan pixel false positive yang muncul. Hasil keluaran lokasi dari nodul selanjutnya dapat digunakan untuk proses klasifikasi dari nodul yang berpotensi untuk tumbuh menjadi benign atau malignant. ========================================================= Lung cancer occurs because the process of uncontrolled cell growth and then becomes the beginning of the formation of nodules in the lungs. Lung cancer is classified as one of the high causes of cancer deaths because there are not many symptoms that appear in the early phase. Pulmonary nodule detection is a significant step in making a diagnosis in lung cancer sufferers. Nodule detection systems have been developed with various methods that serve as a second opinion provider for the radiographer in making decisions. So the segmentation process from the nodule location is used as a first step to detect pulmonary nodules. The segmentation method used uses images from CT scan images of the lungs. Lung CT-Scan data were obtained from the LUNA16 dataset. In the initial processing, contrast enhancement and image normalization were carried out and lung region segmentation. The segmentation of lung nodule candidates in the image uses the semantic segmentation function of CNN with UNET architecture on 2-dimensional image data. So that the final result will be able to determine the position part which is the nodule of the image. The Dice Similarity Coefficient (DSC) method is used in testing the output image segmentation in the learning model. The CNN model of the UNET architecture is trained with 2847 data. The system testing process used 711 data and obtained an average DSC score of 0.4249 which indicates 42.49% pixel overlap between the segmentation results and ground truth. The low performance value in the sight from the presence of false positive pixels that appeared. The resulting location of the nodules can then be used for the classification process of nodules that have the potential to grow to be benign or malignant.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Arsitektur UNET, CNN, Nodul Paru, CNN, Unet Architecture, Pulmonary Nodules
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
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: Nida Ariba
Date Deposited: 25 Aug 2020 06:15
Last Modified: 25 Aug 2020 06:15
URI: http://repository.its.ac.id/id/eprint/80569

Actions (login required)

View Item View Item