Implementasi Deep Learning Convolutional Neural Network untuk Klasifikasi Citra MRI Otak

YUSUF HELMY H, Dr. Indah Soesanti, S.T., M.T.; Hanung Adi Nugroho, Ir., S.T., M.E., Ph.D., IPM

2022 | Skripsi | S1 TEKNOLOGI INFORMASI

Kualitas diagnosis tumor otak dari analisis hasil citra MRI otak pasien akan bergantung dari pengalaman praktisi medis yang melakukannya. Intervensi teknologi dalam bidang diagnostik medis salah satunya adalah sistem CAD atau computer aided diagnosis yang dapat membantu meningkatkan akurasi dari diagnosis serta dapat mendeteksi kelainan yang sulit dideteksi oleh mata manusia. Pada proyek capstone ini akan dikembangkan sebuah sistem CAD berbasis aplikasi desktop dengan mengimplementasikan algoritma convolutional neural network atau CNN untuk melakukan klasifikasi kelas-banyak terhadap citra MRI otak pasien yang akan memberikan output berupa hasil prediksi jenis tumor otak. Prediksi dari sistem CAD yang dikembangkan adalah satu dari empat kemungkinan: tidak ada tumor, terdapat tumor glioma, terdapat tumor meningioma, atau terdapat tumor pituitari. Model CNN dikembangkan dengan mengimplementasikan konsep transfer learning yang menggunakan model pretrained yaitu arsitektur ResNet-50. Kemudian dilakukan pembelajaran model dengan total 7.828 citra dari 3 set data berbeda dengan total 58 skenario pembelajaran untuk mencari konfigurasi model dengan performa terbaik, yang didapatkan pada konfigurasi dengan nilai validation split yaitu 0,2; learning rate yaitu 0,001; epoch yaitu 40; menggunakan reduce learning rate, early stopping, L2 regularizer dengan penalti yaitu 0,001; lapisan dropout, optimizer Adam dan mengimplementasi teknik preprocessing citra Extreme Point Cropping. Model dengan konfigurasi terbaik ini kemudian dievaluasi lebih lanjut dengan 5-Fold Cross Validation dan Pengujian dengan Set Data Pengujian yang mendapatkan akurasi akhir yaitu 98,340%.

Brain tumor diagnostic accuracy from patient’s brain MRI scan will depend on the patient’s medical practitioner experience and skill. In medical diagnosis, a form of technological intervention is the introduction of CAD system which stands fro Computer Aided Diagnosis, this system aims to help improve diagnosis accuracy and detect anomalies that are usually hard to detect with just human eyes. This capstone project will develop a desktop-based CAD system by implementing Convolutional Neural Network(CNN) algorithm to perform a multi-class classification of brain MRI scan which will give the output of the brain tumor type. Prediction from the developed CAD system will be 1 out of 4 possibilities: no tumor, glioma tumor, meningioma tumor, or pituitary tumor. The CNN model is developed by implementing transfer learning concept which use a pre-trained model with the architecture ResNet-50. Model will then learn from 7.828 images collected from 3 different data sets in a total of 58 learning scheme to find the best model configuration with the best performance, which is acquired with the configuration of 0.2 validation split, 0.001 learning rate, 40 epoch, implementing reduce learning rate, early stopping, L2 regularize with 0.001 penalty, dropout layer, Adam optimizer and implementing Extreme Point Cropping preprocessing technique. Model with this best configuration was then evaluated further with 5-Fold Cross Validation and Testing on the Testing Data Set which yields the final accuracy of 98.340%.

Kata Kunci : tumor otak, sistem CAD, machine learning, CNN, ResNet-50