Yolandari, Bhetri Sonia (2021) Segmentasi Lesi Hypodense pada Citra CT Scan Otak Menggunakan CNN Arsitektur UNet untuk Deteksi Awal Stroke Iskemia. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
07311740000029-Undergraduate_Thesis.pdf - Accepted Version Download (3MB) | Preview |
Abstract
Stroke atau cedera cerebrovascular merupakan penyakit yang terjadi ketika pembuluh darah yang membawa oksigen dan nutrien ke otak mengalami penyumbatan atau pecah sehingga menyebabkan sel otak mati. Sebanyak 87% dari keseluruhan kejadian stroke merupakan stroke iskemia. Salah satu komponen diagnosis stroke dilakukan dengan menganalisis citra CT scan pasien. Dalam pencitraan CT, stroke iskemia ditandai dengan adanya daerah yang gelap (hypodense). Namun, pada pendeteksian awal stroke iskemia menggunakan CT scan, daerah hypodense pada otak pasien tidak bisa terlihat secara jelas. Oleh sebab itu, dibutuhkan suatu metode yang mampu mengenali daerah hypodense dari citra CT scan otak. Pada penelitian ini dilakukan segmentasi otomatis pada lesi hypodense dengan menggunakan CNN. Kerangka kerja dari penelitian ini dapat dibagi menjadi 2 bagian utama yaitu: (1) pemrosesan awal pada dataset citra CT scan otak yang akan digunakan sebagai masukan model CNN serta bagian (2) perancangan CNN dengan arsitektur U-Net untuk mendeteksi lesi hypodense. Pemrosesan awal menghasilkan citra yang sudah ditingkatkan dengan metode DWT-CLAHE. Berdasarkan perhitungan kuantitatif terhadap beberapa metrik diperoleh citra dengan penggunaan mother wavelet jenis Biorthogonal 5.5 serta dekomposisi level 1 pada DWT menghasilkan citra yang paling baik. Peningkatan citra ini juga berpengaruh terhadap proses learning CNN. Berdasarkan percobaan yang dilakukan, CNN dengan input berupa citra yang telah ditingkatkan memiliki nilai DSC yang lebih besar daripada CNN dengan input berupa citra tanpa peningkatan. Percobaan dilakukan terhadap hyperparameter epoch untuk menentukan jumlah epoch yang tepat untuk proses learning model. Berdasarkan nilai Dice Similarity Coefficient (DSC) yang diperoleh pada masing-masing epoch, dapat disimpulkan bahwa epoch 100 memberikan hasil segmentasi yang paling baik. Hasil pengujian terhadap hasil akhir sistem menunjukkan nilai DSC sebanyak 0.932 yang menunjukkan bahwa citra hasil prediksi dan ground truth 93.2% sama. Pengembangan lebih lanjut dapat dilakukan untuk klasifikasi stroke iskemia dan stroke hemoragik.
========================================================================================================
Stroke or cerebrovascular accident is a condition that occurs when blood vessels that carry oxygen and nutrients to the brain are blocked or ruptured, that lead brain cells to die. 87% of all strokes are ischemic stroke. Strokes are usually diagnosed by doing physical tests and studying images of the brain produced during a scan by using CT scan. In CT imaging, ischemic stroke indicated by the presence of dark areas (hypodense). However, in the early detection of ischemic stroke using a CT scan, the hypodense areas of the patient's brain cannot be clearly seen. Therefore, a method that can recognize hypodense areas from CT scan images of the brain is needed. In this study, automatic segmentation of hypodense lesions was performed using CNN. The framework of this research can be divided into 2 main parts: (1) preprocessing of the CT scan image dataset of the brain which will be used as input for the CNN model and (2) the design of CNN with U-Net architecture to detect hypodense lesions. Preprocessing produces an image that has been enhanced using DWT-CLAHE method. Based on quantitative calculations on several metrics, mother wavelet Biorthogonal 5.5 and level 1 decomposition on DWT produces the best enhanced image. This image enhancement also affects the CNN learning process. Based on experiments, CNN with input enhanced images has a higher DSC value than CNN with input images without enhancement. Experiments were carried out on the epoch hyperparameter to determine the right number of epochs for the learning process. Based on Dice Similarity Coefficient (DSC) values obtained for each epoch, it can be concluded that epoch 100 provides the best segmentation results. Result resting of the system obtained a DSC value of 0.932 which indicates that the predicted image and ground truth are 93.2% identical. Further research can be done to classify ischemic stroke and hemoragic stroke.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Computed Tomography, stroke iskemia, segmentasi citra, Convolutional Neural Network, ischemic stroke, image segmentation |
| Subjects: | Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. Q Science > QA Mathematics > QA336 Artificial Intelligence T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis |
| Depositing User: | Bhetri Sonia Yolandari |
| Date Deposited: | 17 Aug 2021 05:19 |
| Last Modified: | 04 Jun 2024 01:46 |
| URI: | http://repository.its.ac.id/id/eprint/87106 |
Actions (login required)
 |
View Item |