Meningkatkan Kualitas Rekonstruksi Magnetic Resonance Imaging Otak Tiga Dimensi dengan Super Resolution menggunakan Residual Variational Autoencoder

Supriyanto, Muhammad Ibadurrahman Arrasyid (2023) Meningkatkan Kualitas Rekonstruksi Magnetic Resonance Imaging Otak Tiga Dimensi dengan Super Resolution menggunakan Residual Variational Autoencoder. Masters thesis, Institut Teknologi Sepuluh November.

Text 6025201011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (2MB) | Request a copy

Abstract

Citra medis magnetic resonance imaging atau (MRI) adalah salah satu metode pemeriksaan tubuh yang sangat akurat untuk mendapatkan citra organ, tulang, dan jaringan di dalam tubuh manusia secara rinci. Kemudian divisualisasikan ke dalam tiga potongan axial, coronal dan sagittal. Visualisasi citra medis biasanya dilakukan dalam bentuk 3D. Pemrosesan citra 3D pada graphics processing unit (GPU) biasanya menimbulkan masalah karena ketidakmampuan resource memory yang digunakan sehingga sering terjadi crash pada saat proses training atau proses segmentasi citra yang dilakukan. Permasalahan itu dapat ditangani dengan menggunakan solusi patching. Teknik patching ini adalah membagi beberapa bagian citra 3D menjadi bagian kecil. Teknik ini memungkinkan untuk melakukan training dengan efisien meskipun menggunakan GPU dengan resource yang tidak terlalu besar. Namun untuk merekonstruksi dari citra yang telah di patching menjadi citra dengan dimensi awal dapat menggunakan teknik interpolasi. Tetapi metode interpolasi menghasilkan citra yang blur khususnya pada bagian sisi yang halus menyebabkan informasi penting yang hilang. Residual variational autoencoder super resolution merupakan sebuah neural network yang dapat merekonstruksi citra medis 3D dari low resolution menjadi high resolution. Metode ini terdiri dari 3 komponen yaitu encoder, decoder dan latent vector. Layer encoder digunakan untuk melakukan ekstrasi fitur dari citra low resolution. Ekstrasi fitur yang dilakukan encoder akan menghasilkan latent space yang akan di sampling secara random sehingga diperoleh mean dan variance. Kemudian dilakukan reparamization agar dapat dilakukan backpropagation sehingga dapat mengestimasi fitur untuk melakukan rekonstruksi ke dimensi citra awal pada layer decoder. Hasil penelitian menunjukkan bahwa metode diusulkan residual variational autoencoder yang diusulkan mengungguli metode the state of art seperti variational autoencoder, multi-level densely connected super-resolution network, dan interpolasi. Metrik nilai structural similarity index measure dan peak signal noise ratio yang diperoleh lebih tinggi baik pada dataset ADNI maupun lokal untuk sigma 1 dan 1.5. Secara rata-rata, metode yang diusulkan mencapai peningkatan structural similarity index measure sekitar 5-10% dan peningkatan peak signal noise ratio sekitar 10-15% jika dibandingkan dengan metode the state of art. Meskipun model residual variational autoencoder memilik nilai metrik evaluasi yang tinggi terdapat beberapa kekurangan diantaranya hasil rekonstruksi dari 32 x 32 x 32 menjadi 256 x 256 x 256 menyebabkan terjadinya artifact atau bentuk seperti garis bayang kotak pada rekonstruksi citra.
==============================================================================================================================
Magnetic resonance imaging (MRI) is one of the most accurate body examination methods to obtain detailed images of organs, bones and tissues within the human body. It is then visualized into three cuts axial, coronal and sagittal. Medical image visualization is usually done in 3D. Processing 3D images on a graphics processing unit (GPU) usually causes problems due to the inability of the memory resources used so that crashes often occur during the training process or the image segmentation process performed. The problem can be handled by using a patching solution. The patching technique is to divide some parts of the 3D image into smaller parts. This technique makes it possible to train efficiently even though it uses a GPU with a small amount of resources. However, to reconstruct from the patching image into an image with the initial dimensions, an interpolation technique can be used. But the interpolation method produces a blurred image, especially on the smooth side, causing important information to be lost. Residual variational autoencoder super resolution is a neural network that can reconstruct 3D medical images from low resolution to high resolution. This method consists of 3 components namely encoder, decoder and latent vector. The encoder layer is used to perform feature extraction from low resolution images. Feature extraction performed by the encoder will produce a latent space that will be sampled randomly so that the mean and variance are obtained. Then reparamization is done so that backpropagation can be done so that it can estimate features to reconstruct to the initial image dimension in the decoder layer. The results show that the proposed residual variational autoencoder method outperforms state of the art methods such as variational autoencoder, multi-level densely connected super-resolution network, and interpolation. The structural similarity index measure and peak signal noise ratio metrics obtained are higher on both ADNI and local datasets for sigma 1 and 1.5. On average, the proposed method achieves structural similarity index measure improvement of about 5-10% and peak signal noise ratio improvement of about 10-15% when compared with the state of art method. Although the residual variational autoencoder model has a high evaluation metric value, there are several shortcomings including the reconstruction results from 32 x 32 x 32 to 256 x 256 x 256 causing artifacts or shapes such as box shadows on the reconstructed image.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Magnetic Resonance Imaging, 3D, Super Resolution, Rekonstruksi, Deep Learning ,Reconstruction
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RC Internal medicine > RC78.7.N83 Magnetic resonance imaging. T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Muhammad Ibadurrahman Arrasyid Supriyanto
Date Deposited:	06 Feb 2023 08:08
Last Modified:	06 Feb 2023 08:08
URI:	http://repository.its.ac.id/id/eprint/96249

Actions (login required)

View Item