Investigasi Sekuens Magnetic Resonance Imaging yang Paling Dominan Memberi Dampak Akurasi Model VGG19 dan ResNet101 pada Klasifikasi Tumor Otak Primer Ganas dan Metastasis

AKBAR, ADAM FAUZI and Prof. Dr. dr. Yuyun YPW.,, M.Kes., Sp.Rad(K) and Prof. Dr. Eng. Agus Naba,, S.Si., M.T (2023) Investigasi Sekuens Magnetic Resonance Imaging yang Paling Dominan Memberi Dampak Akurasi Model VGG19 dan ResNet101 pada Klasifikasi Tumor Otak Primer Ganas dan Metastasis. Magister thesis, Universitas Brawijaya.

Abstract

Investigasi Sekuens Magnetic Resonance Imaging yang Paling Dominan Memberi Dampak Akurasi Model VGG19 dan ResNet101 pada Klasifikasi Tumor Otak Primer Ganas dan Metastasis. Tesis, Program Studi Magister Ilmu Biomedik, Fakultas Kedokteran Universitas Brawijaya. Komisi Pembimbing Ketua: Prof. Dr. dr. Yuyun YPW., M.Kes., Sp.Rad(K)., Anggota: Prof. Dr. Eng. Agus Naba, S.Si., M.T. Tumor otak merupakan abnormalitas massa pada jaringan di dalam kranium yang disebabkan oleh proliferasi sel tanpa kendali. Jenis tumor otak dibagi menjadi dua kategori utama, yaitu Tumor Otak Primer Ganas (TOPG) dan Tumor Otak Metastasis (TOM). Diagnosis tumor otak memerlukan akurasi tinggi untuk membedakan kedua jenis ini, karena pendekatan terapeutiknya berbeda. Pemeriksaan yang berperan penting dalam diagnosis tumor otak adalah Magnetic Resonance Imaging (MRI). Penggunaan ragam sekuens MRI, seperti T1, T2, T1-contrast (T1C), dan fluid-attenuated inversion recovery (FLAIR), menjadi protokol rutin untuk mendiagnosis tumor otak. Meskipun metode deep learning (DL) menjadi penelitian yang menarik dalam mengklasifikasikan citra tumor otak, belum ada penelitian yang membandingkan berbagai sekuens MRI pada datasetnya. Oleh karena itu, penelitian ini bertujuan untuk menginvestigasi sekuens MRI yang paling berpengaruh terhadap akurasi model VGG19 dan ResNet101 pada klasifikasi TOPG dan TOM. Penelitian ini menggunakan metode observasional analitik dengan pendekatan cross sectional. Sampel didapatkan dari Instalasi Radiologi RSUD Dr. Moewardi Solo pada Januari 2020 hingga Februari 2022. Variabel penelitian meliputi sekuens MRI (T1, T2, T1C, FLAIR), nilai akurasi model VGG19, dan ResNet101. Proses penelitian meliputi persiapan, pengumpulan data, deep learning, dan evaluasi. Analisis data dilakukan untuk menentukan akurasi model dan akurasi rata-rata pada masing-masing jenis tumor, serta perbandingan antara VGG19 dan ResNet101. Hasil penelitian ini menunjukkan bahwa sekuens MRI yang paling dominan memberi dampak akurasi model VGG19 dan ResNet101 pada klasifikasi TOPG adalah T2 dan klasifikasi TOM adalah T1C serta T1. Selain itu, juga terdapat perbedaan akurasi model VGG dan ResNet yang tidak signifikan ketika mengklasifikasikan citra MRI tumor otak pada penelitian lainnya.

English Abstract

Investigation of Magnetic Resonance Imaging Sequences that Most Dominantly Impact the Accuracy of VGG19 and ResNet101 Models in the Classification of Primary Malignant Brain Tumors and Metastasis. Thesis, Master's Program in Biomedical Sciences, Faculty of Medicine, Universitas Brawijaya. Advisory Committee Chair: Prof. Dr. dr. Yuyun YPW., M.Kes., Sp.Rad(K)., Member: Prof. Dr. Eng. Agus Naba, S.Si., M.T. Brain tumors are abnormalities in the mass of tissue inside the cranium caused by uncontrolled cell proliferation. Brain tumors are classified into two main categories: Primary Malignant Brain Tumors (PMBT) and Brain Metastasis Tumors (BMT). The accurate diagnosis of brain tumors is crucial to differentiate between these two types, as they require different therapeutic approaches. Magnetic Resonance Imaging (MRI) plays a crucial role in the diagnosis of brain tumors. Various MRI sequences, such as T1, T2, T1-contrast (T1C), and fluid-attenuated inversion recovery (FLAIR), have become routine protocols for diagnosing brain tumors. Although deep learning (DL) methods are intriguing for classifying brain tumor images, there is currently no research that compares various MRI sequences in their datasets. Therefore, this study aims to investigate the MRI sequences that have the most significant impact on the accuracy of VGG19 and ResNet101 models in the classification of PMBT and BMT. This research utilizes an analytical observational method with a cross-sectional approach. Samples were obtained from the Radiology Installation of Dr. Moewardi Solo Regional General Hospital from January 2020 to February 2022. Research variables include MRI sequences (T1, T2, T1C, FLAIR), accuracy values of VGG19 and ResNet101 models. The research process involves preparation, data collection, deep learning, and evaluation. Data analysis was conducted to determine the accuracy of the models and the average accuracy for each tumor type, as well as a comparison between VGG19 and ResNet101. The results of this study indicate that the MRI sequence that most dominantly impacts the accuracy of VGG19 and ResNet101 models in the classification of PMBT is T2, while for the classification of BMT, it is T1C and T1. Additionally, there is no significant difference in the accuracy of VGG and ResNet models when classifying brain MRI images compared to other studies.

Item Type:	Thesis (Magister)
Identification Number:	042306
Divisions:	S2/S3 > Magister Ilmu Biomedis, Fakultas Kedokteran
Depositing User:	Unnamed user with username ihwan
Date Deposited:	09 Jan 2024 07:47
Last Modified:	09 Jan 2024 07:47
URI:	http://repository.ub.ac.id/id/eprint/206668

Text (DALAM MASA EMBARGO) ADAM FAUZI AKBAR.pdf Restricted to Registered users only until 31 December 2025. Download (3MB)

Actions (login required)

View Item