Modifikasi Yolov4 untuk Deteksi Subtipe Leukemia Limfoblastik Akut pada Citra Mikroskopis Darah Multi Sel

Mustaqim, Tanzilal (2023) Modifikasi Yolov4 untuk Deteksi Subtipe Leukemia Limfoblastik Akut pada Citra Mikroskopis Darah Multi Sel. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211017-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (5MB) | Request a copy

Abstract

Hasil ekstraksi informasi citra mikroskopis sel darah mempunyai nilai penting dalam mendukung proses diagnosa leukemia. Salah satu jenis leukimia adalah Acute Lymphoblastic Leukemia (ALL) yang proses infeksinya terjadi secara cepat. ALL dapat dianalisis secara otomatis dengan bantuan komputer. Proses analisis dengan bantuan komputer sebagian besar masih berdasarkan citra sel tunggal yang belum menunjukkan perbedaan subtipe leukemia dan belum melakukan ekstraksi lokasi sel pada citra. Identifikasi masing-masing dari jenis sel leukemia dan lokasinya dalam citra sel darah sangat penting karena berhubungan dengan konsekuensi diagnosa terapi dan pengobatan. Oleh karena itu diperlukan proses analisis yang dapat mendeteksi lokasi dan klasifikasi subtipe ALL pada citra mikroskopis darah multi sel. Analisis citra sel darah metode konvensional dengan bantuan komputer dari penelitian sebelumnya belum efisien karena dilakukan dengan beberapa tahapan seperti pra-pemrosesan, segmentasi, ekstraksi fitur, dan klasifikasi. Metode deep learning sudah dapat mengatasi kelemahan dari metode konvensional namun proses klasifikasinya hanya membedakan antara kelas normal dan kelas leukemia. Metode deep learning juga hanya melakukan klasifikasi tanpa lokalisasi dari sel ALL serta citra yang digunakan masih citra sel tunggal. Selanjutnya, model deteksi objek untuk deteksi ALL dari penelitian sebelumnya masih menggunakan dua kelas yang hanya membedakan antara sel sehat dan sel normal serta belum secara khusus mendeteksi subtipe ALL secara keseluruhan. Sehubungan dengan itu, penelitian sebelumnya belum memperhatikan kompleksitas model serta kecepatan waktu komputasi. Oleh karena itu, diperlukan model deteksi objek yang dapat mendeteksi subtipe ALL pada citra mikroskopis darah multi sel dengan kompleksitas yang rendah serta waktu komputasi yang cepat. Penelitian ini melakukan analisis deteksi lokasi subtipe ALL dan proses klasifikasi pada citra mikroskopis darah multi sel menggunakan modifikasi Yolov4. Proses modifikasi dilakukan pada backbone dengan GhostNet untuk membuat model lebih efisien dalam hal komputasi dan Spatial Pyramid Pooling Cross Stage Partial untuk mendapatkan variasi fitur map. Analisis citra mikroskopis darah multi sel untuk deteksi objek subtipe ALL menggunakan modifikasi Yolov4 bertujuan dapat menghasilkan nilai evaluasi matriks mAP yang lebih baik dan waktu komputasi yang lebih efisien dibandingkan dengan versi tanpa modifikasi terhadap ground truth pada data uji coba. Skenario modifikasi backbone Yolov4 menghasilkan metrik evaluasi yang secara dominan lebih tinggi dibandingkan skenario model lainnya. Keunggulan skenario modifikasi backbone Yolov4 juga menghasilkan nilai GFLOPS dan jumlah parameter yang paling rendah dengan selisih 40% dan 35% secara berurutan. Selanjutnya, skenario modifikasi backbone dan neck Yolov4 menghasilkan waktu komputasi yang lebih cepat dibandingkan skenario model lainnya dengan total waktu komputasi 8,32 ms. Hasil modifikasi Yolov4 dapat mengungguli model Yolov4 tanpa modifikasi dari segi metrik evaluasi, metrik kompleksitas dari nilai GFLOPS dan jumlah parameter serta waktu komputasi.
==============================================================================================================================
The results of extracting microscopic image information of blood cells have important value in supporting the process of diagnosing leukemia. One type of leukemia is Acute lymphocytic leukemia (ALL) where the infection process occurs quickly. ALL can be analyzed automatically with the help of a computer. The analysis process with the help of a computer is still mostly based on single cell images that have not shown differences in leukemia subtypes and have not extracted cell locations in the image. Identification of each of the leukaemic cell types and their location in the blood cell image is very important because it relates to the diagnostic consequences of therapy and treatment. Therefore an analysis process is needed that can detect the location and classification of ALL subtypes on microscopic images of multi-cell blood. Blood cell image analysis using conventional methods with the help of computers from previous studies has not been efficient because it is carried out in several stages such as pre-processing, segmentation, feature extraction, and classification. The deep learning method has been able to overcome the weaknesses of conventional methods but the classification process only distinguishes between the normal class and the leukemia class. The deep learning method also only performs classification without localization of ALL cells and the images used are still single cell images. Furthermore, the object detection model for ALL detection from previous studies still uses two classes that only differentiate between healthy cells and normal cells and have not specifically detected ALL subtypes as a whole. In connection with that, previous research has not paid attention to the complexity of the model and the speed of computation time. Therefore, an object detection model is needed that can detect ALL subtypes on multi-cell blood microscopy images with low complexity and fast computation time. This research analyzed the location detection of ALL subtypes and the classification process on microscopic images of multi-cell blood using Yolov4 modification. The modification process was carried out on the backbone with GhostNet to make the model more efficient in terms of computation and Spatial Pyramid Pooling Cross Stage Partial to get a variety of map features. Analysis of multi-cell blood microscopy images for the detection of ALL subtype objects using Yolov4 modification aims to produce better mAP matrix evaluation values and more efficient computation time compared to the version without modifications to the ground truth in the trial data. The Yolov4 backbone modification scenario produces evaluation metrics that are dominantly higher than other model scenarios. The advantages of the Yolov4 backbone modification scenario also produce the lowest GFLOPS values and number of parameters with a difference of 40% and 35%, respectively. Furthermore, the Yolov4 backbone and neck modification scenario produces faster computation time than other model scenarios with a total computation time of 8.32 ms. The results of the Yolov4 modification can outperform the Yolov4 model without modification in terms of evaluation metrics, complexity metrics from GFLOPS values and the number of parameters and computation time.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Leukemia, Yolov4, GhostNet, SPPCSP
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Tanzilal Mustaqim
Date Deposited:	03 Feb 2023 03:07
Last Modified:	03 Feb 2023 03:07
URI:	http://repository.its.ac.id/id/eprint/96023

Actions (login required)

View Item