Representasi dan Pencocokan Citra Menggunakan Hypergraph untuk Temu Kembali Citra Medis

Yudha, Ery Permana (2021) Representasi dan Pencocokan Citra Menggunakan Hypergraph untuk Temu Kembali Citra Medis. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
05111950010014-Master_Thesis.pdf
Restricted to Registered users only

Download (4MB) | Request a copy
[img] Text
05111950010014-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2024.

Download (6MB) | Request a copy

Abstract

Perkembangan citra medis mengalami kemajuan yang pesat serta peningkatan kebutuhan yang sangat signifikan. Citra medis sangat diperlukan oleh dokter dan radiologi dalam bekerja. Karena kebutuhan yang sangat tinggi sehingga akan menghasilkan pertumbuhan jumlah citra medis yang besar. Bahkan peningkatan pertumbuhan citra medis diprediksi mengalami pertumbuhan secara eksponensial. Pertumbuhan citra medis yang sangat besar juga diiringi dengan banyaknya penelitian yang terkait dengannya. Hal ini dapat dibuktikan dengan munculnya beberapa penelitian salah satunya temu kembali citra medis. Penelitian sebelumnya terkait dengan temu kembali citra melibatkan pencocokan fitur menggunakan warna, tekstur, keypoints, dan hypergraph. Pendekatan warna dan tekstur dianggap masih memiliki kekurangan karena sifatnya yang sensitif terhadap cahaya dan lingkungan yang berubah salah satunya rotasi spasial. Pendekatan dengan menggunakan keypoints masih memiliki kekurangan karena jumlah fitur yang sangat besar sehingga membutuhkan waktu pencocokan yang lama. Maka dari itu, permasalahan tersebut akan mempengaruhi efisiensi kinerja sistem. Pendekatan hypergraph dilakukan untuk mengatasi masalah tersebut. Namun, dalam citra medis banyak region yang homogen sehingga terdapat noise pada saat pendeteksian keypoints. Penelitian ini mengusulkan metode clustering Soft-DBSCAN pada fitur keypoints untuk mendapatkan vertices pada representasi hypergraph. Metode clustering Soft-DBSCAN pada representasi hypergraph mampu mengatasi noise pada citra medis dan meningkatkan kinerja yang lebih baik pada saat pencocokan. Sistem temu kembali citra medis ini terdiri dari tiga tahapan yaitu: deteksi keypoints, representasi fitur dengan menggunakan hypergraph, dan pencocokan fitur. Uji coba temu kembali akan dilakukan pada dataset citra medis yang dapat diakses secara publik. Dataset dibedakan menjadi citra query dan citra database. Pengujian kinerja dari metode usulan yaitu melakukan pembandingan terhadap metode lain dan pengubahan parameter dalam sistem dengan analisis waktu komputasi, precision, dan recall. Metode yang diusulkan mampu meningkatkan nilai presisi rata-rata (top-5; top-10; top-15) sebesar (6,5 %; 3,98 %; 4,11 %) lebih baik dibandingkan metode cluster matching. =================================================================================================== The development of medical images has progressed rapidly, and the need has increased significantly. Doctors and radiologists need medical images in their work. Because the demand is very high, it will result in the growth of many medical images. Even the increase in image growth is predicted to grow exponentially. The enormous growth of medical imagery is also accompanied by a lot of research related to it. It can be proven by the emergence of several studies, one of which is the retrieval of medical images. Previous research related to image retrieval involves matching features using colors, textures, key-points, and hypergraphs. The color and texture approach is considered to have shortcomings because it is sensitive to light and a changing environment, one of which is spatial rotation. Using key-points still has drawbacks due to the large number of features that require long matching times. Therefore, these problems will affect the efficiency of system performance. The hypergraph approach is used to solve this problem. However, in medical images there are many homogeneous regions, so there is noise when detecting key-points. This study proposes the Soft-DBSCAN clustering method on the keypoints features to get the nodes on the hypergraph representation. Soft-DBSCAN clustering method on hypergraph representation can overcome noise in medical images and improve performance while waiting. This medical image retrieval system consists of three stages: key-point detection, feature representation using hypergraphs, and features. Retrieval trials will be conducted on publicly accessible medical image datasets. The dataset is divided into query images and database images. Testing the performance of the proposed method is to make comparisons with other methods and change parameters in the system by analyzing computational time, precision, and recall. The proposed method can increase the average precision value (top-5; top-10; top-15) by (6.5%; 3.98%; 4.11%) better than the cluster matching method.

Item Type: Thesis (Masters)
Uncontrolled Keywords: sistem temu kembali citra, hypergraph, pencocokan, keypoints, citra medis, image retrieval systems, hypergraphs, matching, keypoints, medical images.
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
R Medicine > R Medicine (General) > R858 Deep Learning
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: Ery Permana Yudha
Date Deposited: 03 Feb 2022 07:12
Last Modified: 03 Feb 2022 07:12
URI: https://repository.its.ac.id/id/eprint/92703

Actions (login required)

View Item View Item