Segmentasi Otomatis Gumpalan Darah pada Deep Vein Thrombosis menggunakan UNet

Alqaiyum, Fradipta (2021) Segmentasi Otomatis Gumpalan Darah pada Deep Vein Thrombosis menggunakan UNet. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 07211740000005-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (3MB) | Request a copy

Abstract

Deep Vein Thrombosis (DVT) pada pembuluh darah vena dapat menyebabkan penyakit fatal,hingga menyebabkan kematian. Penggunaan Ultrasonography (USG) sebagai alat diagnosis manual masih memiliki berbagai kelemahan, seperti pengulangan diagnosis untuk memastikan area DVT, dan hasil subjektif yang dipengaruhi oleh pengalaman tenaga medis untuk memastikan area gumpalan. Untuk mengatasi berbagai kelemahan tersebut, penelitian ini mengusulkan penggunaan Deep Learning (DL) untuk membantu proses diagnosis yang lebih baik. Pada penelitian ini dilakukan Segmentasi Otomatis pada Gumpalan Darah menggunakan Convolutional Neural Network (CNN) dengan arsitektur U-Net. Adapun dataset di dapatkan dari citra video rekaman USG yang kemudian di ubah per frame menjadi data gambar. Arsitektur U-Net yang digunakan terdiri dari 75 layer utama dan 1 layer lainnya sebagai input U-Net. Tahap training akan dijalankan terhadap dua Stage, Stage 1 yaitu Pembuluh Darah Vena, dan Stage 2 yaitu Gumpalan Darah. Dengan menerapkan Early Stopping, tahap pelatihan Stage 1 berhenti pada epoch 14, sedangkan Stage 2 berhenti pada epoch 23. Untuk menguji kualitas model yang di hasilkan, Dice Coecient digunakan sebagai metode untuk mengukur performa model, Adapun Dice Score yang dihasilkan pada Stage 1 yaitu 82.6%, sedangkan Dice Score pada Stage 2 yaitu 64.6%. Untuk waktu yang dibutuhkan model melakukan segmentasi yaitu 48.37ms untuk Stage 1, dan 71.43ms untuk Stage 2
=====================================================================================================
Deep Vein Thrombosis (DVT) in the veins can cause fatal disease,even death. The use of Ultrasonography (USG) as a manual diagnostic tool still has various weaknesses, such as dental diagnosis to confirm the area of DVT, and the results of examinations carried out by experienced personnel to confirm the area. To overcome these weaknesses, this study proposes the use of Deep Learning (DL) to help a better diagnosis process. In this study, Automatic Segmentation of Blood Clots was performed using Convolutional Neural Network (CNN) with U-Net architecture. The dataset is obtained from video images of ultrasound recordings which are then converted per frame into image data. The U-Net architecture used consists of 75 main layers and 1 other layer as input for U-Net. The training phase will be carried out in two stages, Stage 1, namely Veins, and Stage 2, namely Blood Clots. By implementing Early Stopping, the Stage 1 training phase stops at epoch 14, while Stage 2 stops at epoch 23. To test the quality of the resulting model, the Dice Coecient is used as a method to measure the model's performance, while the Dice Score generated at Stage 1 is 82.6.%, while the Dice Score at Stage 2 is 64.6%. The time required for the model to segment is 48.37ms for Stage 1, and 71.43ms for Stage 2.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Segmentasi, Deep Vein Thrombosis, U-Net, Segmentation
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Fradipta Alqaiyum
Date Deposited:	02 Sep 2021 23:47
Last Modified:	02 Sep 2021 23:47
URI:	http://repository.its.ac.id/id/eprint/91401

Actions (login required)

View Item