Sintesa Model 3D Implan Otomotis Untuk Bedah Cranioplasty Menggunakan Generative Adversarial Network

Syauqi, Ahmad (2021) Sintesa Model 3D Implan Otomotis Untuk Bedah Cranioplasty Menggunakan Generative Adversarial Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05111740000093-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (3MB) | Request a copy

Abstract

Cranioplasty adalah prosedur bedah saraf yang umum dilakukan untuk merekonstruksi cacat kranial. Seorang pasien trauma kepala biasanya perlu menunggu lama untuk menjalani implan di bagian tulang tengkoraknya, hal ini karena untuk membuat model implan memerlukan waktu yang lama dan memerlukan orang yang ahli pada bidangnya untuk mendesain implan. Generative Adversarial Network (GAN) merupakan salah satu metode pada Deep Learning yang mampu merekonstruksi bagian yang hilang dari objek 3D dengan baik.
Tujuan dari pembuatan Tugas Akhir ini adalah untuk membangun model Generative Adversarial Network yang baik untuk merekonstruksi bagian kepala yang mengalami cedera/berlubang untuk mendapatkan bagian implannya dan mengolahnya menjadi bentuk triangular mesh yang siap untuk dicetak.
Berdasarkan hasil uji coba yang telah dilakukan, model GAN dengan penambahan blok squuze-and-excitation, dengan ukuran batch 16 pada diskriminator dan 8 pada generator, learning rate 1x10-4, dan menggunakan binary crossentropy sebagai fungsi lossnya telah menghasilkan hasil yang baik dalam epoch ke-29 dengan nilai dice similarity 0,96011 dari ground truth. Untuk post-processing yang terbaik menggunakan median filter dengan kernel size 5 pada voxel, dan filter laplacian dengan 100 iterasi pada triangular mesh yang dibuat dengan metode marching cube.
======================================================================================================
Cranioplasty is a common neurosurgical procedure performed to reconstruct cranial defects. A head trauma patient usually needs to wait a long time to have an implant in the skull, this is because to make an implant model takes a long time and requires people who are experts in their fields to design implants. Generative Adversarial Network (GAN) is one method in Deep Learning that is able to reconstruct the missing parts of 3D objects properly.
The purpose of making this Undergraduate Thesis is to build a good Generative Adversarial Network model to reconstruct the injured/perforated head part to get the implant and process it into a triangular mesh shape that is ready to be printed.
Based on the results of the experiments that have been carried out, the GAN model with the addition of squuze-and-excitation blocks, with a batch size of 16 on the discriminator and 8 on the generator, learning rate of 1x10-4, and using binary crossentropy as the loss function has produced good results in the 29th epoch with a dice similarity value of 0.96011 from ground truth. For post-processing, it is best to use a median filter with kernel size 5 on voxel, and a laplacian filter with 100 iterations on a triangular mesh made with the marching cube method.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Automated Implant 3D Model Synthesis, Generative Adversarial Network, Cranioplasty, Sintesa Model 3D Implan Otomatis, Generative Adversarial Network, Cranioplasty
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Ahmad Syauqi
Date Deposited:	26 Aug 2021 06:36
Last Modified:	26 Aug 2021 06:36
URI:	http://repository.its.ac.id/id/eprint/89491

Actions (login required)

View Item