Deteksi Dan Klasifikasi Abnormalitas Sel Darah Merah Menggunakan Faster R-Cnn Dan Graph Convolutional Networks

Bramantya, Amirullah Andi (2022) Deteksi Dan Klasifikasi Abnormalitas Sel Darah Merah Menggunakan Faster R-Cnn Dan Graph Convolutional Networks. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111950010008-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (4MB)

Abstract

Penelitian dalam bidang citra medis seperti analisis abnormalitas Sel Darah Merah dapat digunakan untuk membantu Analis dalam penentuan tindakan medis lanjutan. Metode Convolutional Neural Networks (CNN) merupakan metode yang umum digunakan untuk klasifikasi abnormalitas Sel Darah Merah (Red Blood Cells/RBCs) pada citra sel darah. Namun penerapan dari metode CNN ini memerlukan data yang cukup besar sebagai data pelatihan. Penelitian klasifikasi abnormalitas dari sel darah merah dengan hasil yang baik pada data yang terbatas merupakan suatu tantangan.
Penelitian ini menggunakan semi-supervised learning yang didapatkan dari metode Graph Convolutional Networks (GCN) dimana dengan data sampel darah yang terbatas dapat mengklasifikasikan data yang belum memiliki label abnormalitas, yang direpresentasikan sebagai graph. Penelitian ini memiliki 3 tahap, yakni pengambilan Region of Interest (ROI) RBCs dari citra sampel darah menggunakan Faster R-CNN, labelisasi abnormalitas dan klasifikasi abnormalitas menggunakan GCN.
Uji coba dilakukan pada dataset citra sampel darah yang dapat diakses secara publik. Dataset ini terdiri dari citra sampel darah dan label dari citra tersebut yang kemudian diproses oleh Faster R-CNN agar didapatkan ROI RBCs. ROI RBCs tersebut dilakukan labelisasi kelas abnormalitas dan digunakan sebagai ground truth dari GCN. Pengujian dilakukan dengan membandingkan beberapa model CNN (Resnet-101 dan VGG-16) dengan model GCN (GCN+Resnet-101 dan GCN+VGG-16) menggunakan metode evaluasi accuracy, precision dan recall. Metode GCN menghasilkan kinerja dengan akurasi 0.65 pada GCN+Resnet-101 dan 0.95 pada GCN+VGG-16.
=====================================================================================================
Research in medical imagery field such as analysis of Red Blood Cells (RBCs) abnormalities can be used to assist analys in determining further medical actions. Convolutional Neural Networks (CNN) method is commonly used method for the classification of RBCs abnormalities in blood cells images. However, CNN method requires large data as training data. Then, research on RBCs abnormalities classification with good results in limited data is a challenge.
This research uses semi-supervised¬ learning that obtained from Graph Convolutional Networks (GCN) method where with limited blood sample data it can classify data that don’t have an abnormality label, which implicitly represented as graph. this study has 3 stages, extraction of Region of Interest (ROI) RBCs from blood sample images using Faster R-CNN, abnormality labeling and abnormality classification using GCN.
Trial was conducted on a publicly accessible blood sample image dataset. This dataset consists of blood sample images and labels, this images then processed by Faster R-CNN to obtain ROI RBCs. ROI RBCs were labeled with the abnormality class and used as GCN ground truth. The test was carried out by comparing several CNN models (Resnet-101 and VGG-16) with GCN model (GCN + Resnet-101 and GCN + VGG-16) using accuracy, precision and recall evaluation methods. GCN method produces performance accuracy of 0.65 on GCN + Resnet-101 and 0.95 on GCN + VGG-16.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Red Blood Cells, Classification, Convolutional Neural Networks, Faster R-CNN, Graph Convolutional Networks
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA166 Graph theory Q Science > QA Mathematics > QA336 Artificial Intelligence R Medicine > RB Pathology T Technology > T Technology (General) > T58.62 Decision support systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Amirullah Andi Bramantya
Date Deposited:	03 Feb 2022 06:27
Last Modified:	31 Oct 2022 02:24
URI:	http://repository.its.ac.id/id/eprint/92699

Actions (login required)

View Item