VISUALISASI TIGA DIMENSI CORPUS CALLOSUM DARI SEGMENTASI CITRA MRI OTAK MENGGUNAKAN DEEP LEARNING DAN ENHANCED MARCHING CUBES

Rahmawati, Dewi (2024) VISUALISASI TIGA DIMENSI CORPUS CALLOSUM DARI SEGMENTASI CITRA MRI OTAK MENGGUNAKAN DEEP LEARNING DAN ENHANCED MARCHING CUBES. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111960010010-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (69MB) | Request a copy

Abstract

Operasi bedah otak merupakan prosedur medis yang sangat kompleks dan krusial. Visualisasi 3D dapat menjadi alat yang sangat berguna dalam persiapan dan pelaksanaan operasi bedah otak. Manfaat visualisasi 3D dalam operasi bedah otak adalah adanya perencanaan sebelum operasi, adanya visualisasi 3D yang memungkinkan tim medis untuk memahami secara lebih mendalam struktur dan hubungan antar bagian otak, adanya sistem visualisasi 3D yang memungkinkan untuk melakukan simulasi operasi sebelumnya, adanya visualisasi 3D yang dapat digunakan untuk mendidik pasien dan keluarga mengenai prosedur yang akan dijalani, adanya visualisasi 3D dapat digunakan untuk navigasi real-time selama operasi, adanya bantuan visualisasi 3D agar dokter dapat membuat pemetaan yang lebih akurat dari tumor atau lesi dalam otak, adanya peningkatan tingkat presisi dalam operasi. Teknologi untuk melakukan proses otomatisasi dibutuhkan untuk mendeteksi bagian otak salah satunya adalah Corpus Callosum (CC) pada citra Brain MRI.
Segmentasi citra 2D ke objek 3D pada citra MRI belum banyak dilakukan oleh para peneliti khususnya untuk segmentasi CC. Penelitian ini merekonstruksi kemudian memvisualisasikan objek 3 dimensi dari segmentasi citra 2 dimensi berdasarkan citra MRI otak menggunakan metode deep learning, point cloud dan marching cubes. Input dari penelitian ini adalah citra MRI dengan slice Axial, Coronal dan Sagital. Tahap pertama dilakukan segmentasi 2D terhadap setiap slice menggunakan A New Hybrid Region Based Segmentation (NHRBS) dan UNet++. Tahap kedua dilakukan rekonstruksi 3D menggunakan Modification Rule for Enhanced Marching Cubes pada hasil segmentasi setiap slice. Tahap ketiga dilakukan teknik Automatic Rules untuk meningkatkan performansi dari algoritma marching cubes yang bertujuan untuk memvisualisasikan objek 3D pada CC.
Kontribusi pertama adalah segmentasi 2D terhadap setiap slice menggunakan algoritma A New Hybrid Region Based Segmentation (NHRBS) dan UNet++. Output dari metode NHRBS dan UNet++ adalah citra hasil segmentasi objek CC. Kontribusi kedua adalah visualisasi 3D dari hasil segmentasi objek CC dengan meningkatkan algoritma Marching Cubes sebagai unsur pembentukan mesh 3D agar lebih presisi. Kontribusi ketiga adalah automatic rule untuk algoritma marching cubes dalam memvisualisasi image 3D dari hasil algoritma enhanced marching cubes yang menghasilkan 3D CC.
Hasil penelitian dalam kontribusi pertama menggunakan algoritma A New Hybrid Region Based Segmentation (NHRBS) dan UNet++, dapat ditetapkan kesimpulan, Metode yang diusulkan dapat mencapai akurasi tertinggi dibandingkan dengan akurasi metode lainnya untuk pengembangan penelitian. Sehingga 2D Corpus Callosum yang dihasilkan memiliki hasil yang baik yang selanjutnya akan digunakan untuk rekonstruksi dan visualisasi 3D dengan marching cubes menggunakan marching cubes (35 konfigurasi) dan marching cubes (21 konfigurasi baru).
Hasil penelitian dalam kontribusi kedua menggunakan marching cubes (35 konfigurasi) menunjukkan hasil simulasi 3D algoritma yang diusulkan lebih akurat dalam meningkatkan representasi triangle dan points dan menghilangkan lubang pada mesh sehingga mesh dapat terbentuk solid tanpa lubang seperti pada kenyataannya. Hal ini dibuktikan dengan jumlah faces yang dihasilkan pada algoritma marching cubes (15 konfigurasi) yakni 5960 meningkat pada marching cubes (35 konfigurasi) menjadi sebesar 7826. Angka sisi terbuka pada algoritma marching cubes (15 konfigurasi) adalah 40 sedangkan pada algoritma marching cubes (35 konfigurasi) tidak ada lubang sama sekali (0).
Hasil penelitian dalam kontribusi ketiga pada percobaan dengan dataset corpus callosum MRI sample images pertama dan sample images kedua pada OASIS 2018 menggunakan algoritma marching cubes (21 konfigurasi baru) menunjukkan bahwa jumlah open edges lebih sedikit, hal ini menunjukkan bahwa jumlah open edges pada algoritma marching cubes (21 konfigurasi baru) lebih baik dibandingkan dengan paper dengan algoritma marching cubes (15 konfigurasi). Namun tidak lebih baik dibandingkan dengan algoritma marching cubes (33 konfigurasi) dan marching cubes (35 konfigurasi).
==============================================================
Brain surgery is a very complex and crucial medical procedure. 3D visualization can be a very useful tool in the preparation and implementation of brain surgery. The benefits of 3D visualization in brain surgery are pre-operative planning, 3D visualization that allows the medical team to understand more deeply the structure and relationships between parts of the brain, a 3D visualization system that allows for previous surgery simulations, 3D visualization that can be used to educate patients and families about the procedure to be undergone, 3D visualization can be used for real-time navigation during surgery, 3D visualization assistance so that doctors can create more accurate mapping of tumors or lesions in the brain, and an increase in the level of precision in surgery. One of the technologies for carrying out the automatic process needed to detect parts of the brain is the Corpus Callosum (CC) in Brain MRI images.
Segmentation of 2D images into 3D objects in MRI images has not been widely carried out by researchers, especially for CC segmentation. This study reconstructs and then visualizes 3-dimensional objects from 2-dimensional image segmentation based on brain MRI images using deep learning, point cloud and marching cube methods. The input of this study is MRI images with Axial, Coronal and Sagittal slices. The first stage is 2D segmentation of each slice using A New Hybrid Region Based Segmentation (NHRBS) and UNet++. The second stage is 3D reconstruction using Modification Rule for Enhanced Marching Cubes on the segmentation results of each slice. The third stage is the Automatic Rules technique to improve the performance of the marching cube algorithm which aims to visualize 3D objects in CC.
The first contribution is 2D segmentation of each slice using the A New Hybrid Region Based Segmentation (NHRBS) and UNet++ algorithms. The output of the NHRBS and UNet++ methods is the image of the CC object segmentation results. The second contribution is 3D visualization of the CC object segmentation results by improving the Marching Cubes algorithm as an element of 3D mesh formation to be more precise. The third contribution is an automatic rule for the marching cube algorithm in visualizing 3D images from the results of the Enhanced Marching Cubes algorithm which produces 3D CC.
The results of the research in the first contribution using the A New Hybrid Region Based Segmentation (NHRBS) and UNet++ algorithms, can be concluded, The proposed method can achieve the highest accuracy compared to the accuracy of other methods for research development. So that the 2D Corpus Callosum produced has good results which will then be used for 3D reconstruction and visualization with marching cubes using marching cubes (35 configurations) and marching cubes (21 new configurations).
The results of the research in the second contribution using marching cubes (35 configurations) show that the 3D simulation results of the proposed algorithm are more accurate in improving the representation of triangles and points and eliminating holes in the mesh so that the mesh can be formed solidly without holes as in reality. This is evidenced by the number of faces produced in the marching cubes algorithm (15 configurations) which is 5960 increasing in marching cubes (35 configurations) to 7826. The number of open sides in the marching cubes algorithm (15 configurations) is 40 while in the marching cubes algorithm (35 configurations) there are no holes at all (0).
The results of the study in the third contribution to the experiment with the corpus callosum MRI dataset of the first sample images and the second sample images on OASIS 2018 using the marching cubes algorithm (21 new configurations) show that the number of open edges is less, this shows that the number of open edges in the marching cubes algorithm (21 new configurations) is better than the paper with the marching cubes algorithm (15 configurations). However, it is not better than the marching cubes algorithm (33 configurations) and marching cubes (35 configurations).

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Segmentasi, Rekonstruksi, Visualisasi, Corpus Callosum, UNet++, 2D, 3D, a New Hybrid Region Based Segmentation (NHRBS), Marching Cubes. Segmentation, Reconstruction, Visualization, Corpus Callosum, 2D, 3D, UNet++, a New Hybrid Region Based Segmentation (NHRBS), Marching Cubes.
Subjects:	R Medicine > R Medicine (General) > R857.M3 Biomedical materials. Biomedical materials--Testing. R Medicine > R Medicine (General) > R858 Deep Learning
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	Dewi Rahmawati
Date Deposited:	08 Aug 2024 05:14
Last Modified:	08 Aug 2024 05:14
URI:	http://repository.its.ac.id/id/eprint/114860

Actions (login required)

View Item