Identifikasi Karakteristik Tumor Peritoneal Carcinomatosis pada Citra Laparoskopi dengan Alur Deteksi Objek dan Segmentasi Terpandu Berbasis Deep Learning

Rachmadi, Hilmi Zharfan (2026) Identifikasi Karakteristik Tumor Peritoneal Carcinomatosis pada Citra Laparoskopi dengan Alur Deteksi Objek dan Segmentasi Terpandu Berbasis Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025241056-Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Peritoneal carcinomatosis (PC) adalah penyebaran kanker pada permukaan peritoneum yang umumnya menandakan penyakit stadium lanjut. Penilaian tingkat keparahannya membutuhkan informasi tentang jumlah, ukuran, dan karakteristik visual tumor. Namun, tumor berukuran kecil dapat terlewat pada citra laparoskopi. Ukuran tumor yang terlihat juga dapat berubah karena perbedaan jarak dan sudut kamera. Selain itu, penilaian secara manual masih bergantung pada pengalaman dokter bedah. Penelitian ini mengembangkan alur berbasis deep learning untuk memisahkan area tumor serta mengklasifikasikan ukuran dan karakteristik visual tumor PC pada citra laparoskopi. Data yang digunakan berasal dari dataset privat yang telah divalidasi secara klinis oleh Institut de Cancérologie de l’Ouest, Prancis. Alur penelitian terdiri atas segmentasi terpandu, klasifikasi karakteristik, dan klasifikasi ukuran tumor. YOLO digunakan untuk mendeteksi kandidat tumor, sedangkan Slicing Aided Hyper Inference (SAHI) digunakan untuk membantu mendeteksi tumor kecil. Bounding box hasil deteksi kemudian digunakan sebagai box prompt pada Segment Anything Model (SAM) untuk menghasilkan segmentation mask. Citra hasil box crop dan mask crop digunakan untuk mengklasifikasikan lima karakteristik biner, yaitu Color, Adherant, Mucinex, Nodulaire, dan Retractile. Model ResNet50 dan VGG19-BN dibandingkan menggunakan metode klasifikasi independen dan berantai. Untuk klasifikasi ukuran, penelitian ini membandingkan metode berbasis threshold, CNN independen, dan CNN berantai. Masukan yang digunakan meliputi citra tumor, luas segmentation mask, dan konteks karakteristik tumor. Karena ukuran tumor dalam satuan metrik tidak tersedia, tumor diklasifikasikan ke dalam kategori kecil, sedang, atau besar. Hasil penelitian menunjukkan bahwa SAHI membantu meningkatkan deteksi tumor kecil. Kombinasi YOLO26s, SAHI, dan SAM2.1-S dipilih sebagai konfigurasi segmentasi terbaik, dengan nilai F1 sebesar 0,673 dan Dice sebesar 0,818. Pada klasifikasi karakteristik, mask crop dengan metode berantai memberikan hasil agregat terbaik, dengan macro F1 sebesar 0,7347 dan AUROC sebesar 0,8611. Namun, konfigurasi terbaik tetap berbeda untuk setiap karakteristik. Pada klasifikasi ukuran, VGG19 independen dengan masukan citra tumor dan luas piksel memberikan hasil terbaik, dengan balanced accuracy sebesar 0,8245 dan macro F1 sebesar 0,6783. Penambahan konteks karakteristik tidak meningkatkan hasil klasifikasi ukuran. Hal ini menunjukkan bahwa informasi karakteristik kemungkinan telah terwakili dalam citra tumor. Dengan demikian, hubungan antarkarakteristik berguna dalam klasifikasi karakteristik visual, sedangkan klasifikasi ukuran lebih efektif dilakukan secara independen menggunakan citra dan luas tumor.
=================================================================================================================================
Peritoneal carcinomatosis (PC) is the spread of cancer across the peritoneal surface and usually indicates advanced disease. Severity assessment requires information on tumor number, size, and visual characteristics, but small tumors may be missed in laparoscopic images and apparent size changes with camera distance and angle. Manual assessment also depends on surgeon experience. This study developed a deep learning workflow to isolate PC tumors and classify their size and visual characteristics in laparoscopic images from a clinically validated private dataset provided by the Institut de Cancérologie de l’Ouest, France. The workflow combines guided segmentation, characteristic classification, and size classification. YOLO detects tumor candidates, and Slicing Aided Hyper Inference (SAHI) preserves small-tumor detail. Detection boxes prompt the Segment Anything Model (SAM) to generate masks. Box and mask crops were used to classify five binary characteristics: Color, Adherant, Mucinex, Nodulaire, and Retractile. ResNet50 and VGG19-BN were evaluated with independent and chained classifiers. Size classification compared a threshold-based method, independent CNN, and chained CNN using tumor images, segmentation-mask area, and characteristic context. Because continuous metric measurements were unavailable, tumors were classified as small, medium, or large. SAHI improved small-tumor detection. YOLO26s with SAHI and SAM2.1-S was selected for segmentation, achieving an F1 score of 0.673 and a Dice score of 0.818. Mask crops with chained classification produced the best aggregate characteristic performance, with a macro F1 of 0.7347 and an AUROC of 0.8611, although the best configuration differed by characteristic. Independent VGG19 using tumor images and pixel area achieved the best size classification, with a balanced accuracy of 0.8245 and a macro F1 of 0.6783. Characteristic context did not improve size classification, suggesting that its relevant information was already represented in tumor images. Characteristic relationships therefore supported visual-characteristic classification, whereas size classification performed better independently with image and area information.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	citra laparoskopi, klasifikasi karakteristik tumor, klasifikasi ukuran tumor, peritoneal carcinomatosis, segmentasi terpandu, guided segmentation, laparoscopic images, peritoneal carcinomatosis, tumor characteristic classification, tumor size classification
Subjects:	T Technology > T Technology (General) > T11 Technical writing. Scientific Writing T Technology > T Technology (General) > T57.5 Data Processing 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:	Hilmi Zharfan Rachmadi
Date Deposited:	31 Jul 2026 09:43
Last Modified:	31 Jul 2026 09:43
URI:	http://repository.its.ac.id/id/eprint/140608

Available Versions of this Item

• Identifikasi Karakteristik Tumor Peritoneal Carcinomatosis pada Citra Laparoskopi dengan Alur Deteksi Objek dan Segmentasi Terpandu Berbasis Deep Learning. (deposited 31 Jul 2026 09:43) [Currently Displayed]
  • Identifikasi Karakteristik Tumor Peritoneal Carcinomatosis pada Citra Laparoskopi dengan Alur Deteksi Objek dan Segmentasi Terpandu Berbasis Deep Learning. (deposited 31 Jul 2026 04:33)

Actions (login required)

View Item