ABSTRAK ABSTRAK
Nama : Muhammad Noor Dwi Eldiatno
Program Studi : Magister Ilmu Komputer
Judul : Segmentasi White Matter Hyperintesities (WMH) Menggunakan
Probabilistic TransUNet
White Matter Hyperintensities (WMH) adalah area di otak yang memiliki intensitas
yang lebih tinggi dibandingkan dengan area normal lainnya pada hasil pemindaian
Magnetic Resonance Imaging (MRI). WMH seringkali terkait dengan penyakit
pembuluh kecil di otak, sehingga deteksi dini WMH sangat penting. Namun,
terdapat dua masalah umum dalam mendeteksi WMH, yaitu ambiguitas yang tinggi
dan kesulitan dalam mendeteksi WMH yang berukuran kecil. Dalam penelitian ini,
kami mengusulkan metode yang disebut Probabilistic TransUNet untuk mengatasi
masalah segmentasi objek WMH yang berukuran kecil dan ambiguitas yang tinggi
pada citra medis. Kami melakukan eksperimen K-fold cross validation untuk
mengukur kinerja model. Berdasarkan hasil eksperimen, model berbasis
Transformer (TransUNet dan Probabilistic TransUNet) lebih baik dan presisi
dalam melakukan segmentasi pada obyek WMH yang berukuran kecil, hal ini
ditunjukkan oleh nilai Dice Similarity Coefficient (DSC) yang dihasilkan lebih
tinggi dibandingkan dengan model berbasis Convolutional Nueral Networks (CNN)
(U-Net dan Probabilistic U-Net). Penambahan probabilistic model dan pendekatan
berbasis transformer berhasil mendapatkan performa yang lebih baik. Metode yang
kami usulkan berhasil mendapatkan nilai DSC sebesar 0,744 dalam 5-fold cross
validation, lebih baik dari metode sebelumnya. Dalam melakukan segmentasi objek
kecil metode usulan kami mendapatkan nilai DSC sebesar 0,51.
Kata Kunci:
White Matter Hyperintensities (WMH), Medical Image segmentation, Probabilistic
Model, U-Net, TransUNet, Probabilistic U-Net, Probabilistic TransUNet
|
|