Content Based Image Retrieval untuk Sistem Dengan Komputasi Terbatas Menggunakan Fitur Kompak dari Citra Medis

Edlim, Frederick William (2025) Content Based Image Retrieval untuk Sistem Dengan Komputasi Terbatas Menggunakan Fitur Kompak dari Citra Medis. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231075-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Interpretasi citra medis merupakan keterampilan penting bagi mahasiswa kedokteran dan dokter residen, sehingga diperlukan alat pelatihan yang efektif untuk meningkatkan kemampuan diagnostik. Sistem Content-Based Image Retrieval (CBIR) berbasis web menawarkan solusi yang menjanjikan dengan memungkinkan pengguna untuk mengambil citra yang secara visual serupa berdasarkan input mereka, terutama setelah terjadi kesalahan diagnosis. Umpan balik berupa citra serupa ini membantu pengguna dalam menganalisis kasus-kasus sejenis dan memperbaiki akurasi diagnosis mereka. Namun, penerapan sistem CBIR pada platform web menghadapi kendala teknis karena keterbatasan sumber daya komputasi. Metode ekstraksi fitur berbasis handcrafted memang efisien secara komputasi, tetapi sering kali kurang memiliki daya diskriminatif yang memadai untuk retrieval yang akurat pada citra medis. Sebaliknya, Convolutional Neural Networks (CNN) mampu memberikan kinerja retrieval yang unggul, namun biasanya membutuhkan akselerasi GPU dan ruang penyimpanan besar karena representasi fiturnya berdimensi tinggi, sehingga kurang ideal untuk implementasi di lingkungan web dengan sumber daya terbatas.Untuk menjawab tantangan ini, penelitian ini mengusulkan Compact CBIR (ComCBIR), sebuah sistem CBIR yang ringan dan efisien, dirancang khusus untuk diterapkan pada lingkungan dengan sumber daya terbatas. ComCBIR menggunakan arsitektur CNN yang dimodifikasi dan dilatih dengan pendekatan contrastive learning, yang memungkinkan ekstraksi dan kompresi fitur secara bersamaan dalam satu proses forward pass. Pendekatan representational learning ini memungkinkan model untuk mempelajari embedding yang kompak dan bermakna secara langsung, tanpa perlu proses reduksi dimensi tambahan. Dengan memanfaatkan arsitektur CNN yang dioptimalkan untuk perangkat mobile dan ukuran fitur hanya delapan dimensi, ComCBIR mampu mencapai keseimbangan yang baik antara performa retrieval, efisiensi komputasi, dan penggunaan penyimpanan.Hasil eksperimen pada 14.000 citra endoskopi dan dermatoskopi menunjukkan bahwa ComCBIR memberikan performa retrieval yang kompetitif, dengan nilai mean average precision (mAP) sebesar 0,923 dan 0,809 untuk masing-masing dataset. Representasi fitur yang kompak juga memungkinkan penyimpanan seluruh 14.000 embedding citra hanya dalam ukuran 1,75 MB. Temuan ini menunjukkan potensi ComCBIR sebagai solusi yang praktis dan skalabel untuk retrieval citra medis berbasis web, mendukung pelatihan diagnosis di lingkungan dengan keterbatasan sumber daya komputasi.
==================================================================================================================================
Medical image interpretation is a critical skill for medical students and resident doctors, and effective training tools are essential to enhance diagnostic proficiency. A web-based Content-Based Image Retrieval (CBIR) system offers a promising solution by enabling users to retrieve visually similar images based on their inputs, especially following diagnostic errors. This retrieval feedback allows users to analyze similar cases and refine their diagnostic accuracy. However, deploying CBIR systems on web platforms introduces technical constraints due to limited computational resources. Handcrafted feature extraction methods are computationally efficient but often lack the discriminative power required for accurate retrieval in medical imaging. In contrast, Convolutional Neural Networks (CNNs) provide superior retrieval performance but typically require GPU acceleration and large storage due to high-dimensional feature representations, limiting their practicality for web-based deployment. To address these challenges, this study proposes Compact CBIR (ComCBIR), a lightweight and efficient CBIR system tailored for deployment in limited-resource environments. ComCBIR employs a modified CNN architecture integrated with a contrastive learning objective to simultaneously extract and compress features in a single forward pass. This representational learning approach enables the model to learn compact and meaningful embeddings directly, avoiding the need for separate dimensionality reduction steps. By leveraging a mobile-optimized backbone and a feature embedding size of just eight dimensions, ComCBIR achieves a favorable balance between retrieval performance, computational efficiency, and storage usage. Experimental results on 14,000 endoscopic and dermatoscopic images show that ComCBIR delivers competitive performance, achieving a mean average precision (mAP) of 0.923 and 0.809 for the respective datasets. The compact feature representation also allows for the efficient storage of all 14,000 image embeddings in only 1.75 MB. These findings underscore ComCBIR’s potential as a practical and scalable solution for web-based medical image retrieval, supporting diagnostic training in environments with constrained computational resources.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Pengambilan Gambar Berbasis Konten, Representational Learning, Contrastive Loss, Fitur Kompak, Komputasi Terbatas.
Subjects:	T Technology > T Technology (General) > T385 Visualization--Technique 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:	Frederick William Edlim
Date Deposited:	05 Aug 2025 02:39
Last Modified:	07 Aug 2025 01:29
URI:	http://repository.its.ac.id/id/eprint/126161

Actions (login required)

View Item