Efficient Modified 3D U-Net untuk Segmentasi Tumor Otak pada Citra 3D Magnetic Resonance Imaging
Penulis Utama
:
Reni Setyaningsih
NIM / NIP
:
M0520067
×<p class="MsoNormal" xss=removed><a name="_Hlk178174024"><span lang="EN-US">Tumor otak merupakan penyakit mematikan dengan tingkat mortalitas yang
tinggi. Segmentasi tumor otak melalui pencitraan <i>magnetic resonance imaging</i>
(MRI) sangat penting untuk penggambaran yang tepat, terutama pada jenis tumor
agresif seperti <i>high-grade glioma</i> (HGG) dan l<i>ow-grade glioma </i>(LGG).
Namun, proses segmentasi glioma menantang karena keragaman ukuran, bentuk, dan
kontras tumor, serta variasi dalam skala voxel MRI. Penelitian ini bertujuan
mengembangkan arsitektur <i>Efficient Modified</i> 3D U-Net, yang menggabungkan
model <i>Modified</i> 3D U-Net dengan <i>Efficient</i> nnU-Net serta <i>k-fold
cross validation,</i> untuk meningkatkan performa dengan mengurangi jumlah
parameter dan <i>floating point operations per second</i> (FLOPs). Arsitektur
ini menerapkan <i>depthwise separable</i> <i>convolution</i> (DSC) untuk
mengurangi parameter serta menambahkan blok <i>Spatial and Channel Squeeze
& Excitation</i> (scSE). Pada dataset BraTS 2020, model mencapai <i>dice
score</i> 82,82%, 94,02%, dan 93.16% untuk kelas <i>enhancing tumor</i> (ET), <i>whole
tumor</i> (WT), dan <i>tumor core</i> (TC) dengan 0,397 juta dan FLOPs sebesar
16,404G, yang menjadikan model ini efisien dalam penggunaan memori dibandingkan
<i>Modified</i> 3D U-Net, <i>Efficient</i> nnU-Net, <i>Depthwise Separable
Convolution</i>, 3D dResU-Net, SA-Net, H<sup>2</sup>NF-Net, DMFNet, <i>Multi-path
Adaptive Fusion Network</i>, HDC-Net, PANet, dan nnU-Net.<o></o></span></a></p>
×
Penulis Utama
:
Reni Setyaningsih
Penulis Tambahan
:
-
NIM / NIP
:
M0520067
Tahun
:
2024
Judul
:
Efficient Modified 3D U-Net untuk Segmentasi Tumor Otak pada Citra 3D Magnetic Resonance Imaging
Edisi
:
Imprint
:
Surakarta - Fak. Teknologi Informasi dan Sains Data - 2024
