Syafira, Putri Amanda and Dr. Eng. Novanto Yudistira, S.Kom., M.Sc. and Dr. Diva Kurnianingtyas, S.Kom (2024) Klasterisasi Citra X-Ray Dada Menggunakan Convolutional Autoencoder Untuk Deteksi Penyakit Paru-Paru. Sarjana thesis, Universitas Brawijaya.
Abstract
Dalam bidang Kesehatan citra medis banyak digunakan untuk melakukan cek Kesehatan. Salah satu jenis citra medis yang paling umum digunakan adalah, hasil ronsen citra X-Ray. Salah satu bagian yang cukup sering melalui pemeriksaan dengan media ini adalah paru-paru, tenaga medis akan menggunakan citra X-ray sebagai media dan bantuan dokter sebagai bantuan untuk menafsirkan hasil gambar. Namun, interpretasi hasil ronsen yang berkepanjangan yang dilakukan oleh tenaga medis, ditambah dengan aktivitas kerja lainnya, dapat menyebabkan kelelahan dan berpotensi menghasilkan identifikasi penyakit yang tidak valid. Diperlukan adanya suatu sistem yang dapat mengelompokkan hasil deteksi dari gambar-gambar tersebut untuk memudahkan tugas tenaga medis. Banyak metode yang dapat digunakan seperti, klasifikasi, clustering, segmentasi, dan masih banyak lagi. Namun, untuk pelabelan data memerlukan sumber daya dan biaya yang cukup besar terutama apabila jumlah data mencapai skala besar. Dalam mengatasi hal ini, maka solusi yang dapat dilakukan adalah dengan menggunakan pendekatan unsupervised learning. Salah satu metode yang termasuk unsupervised learning adalah, metode clustering. Metode ini akan memungkinkan sistem memproses dan memahami pola data tanpa memerlukan anotasi ataupun pelabelan manual. Autoencoder digunakan dalam penelitian ini, sebagai subkategori dari unsupervised learning, hal ini dikarenakan autoencoder dapat secara otomatis mengekstrak fitur yang relevan dari data tanpa adanya panduan label eksternal. Dalam penelitian ini digunakan dataset sebanyak 700 file citra X-Ray pada dada, yang terdiri dari 500 citra x-ray dada yang terjangkit penyakit dan 200 file citra X-Ray normal. Penelitian ini bertujuan untuk mengetahui efektivitas metode clustering menggunakan model autoencoder dalam pengelompokkan hasil citra X-ray. Hasil penelitian ini melakukan dua percobaan, percobaan pertama menggunakan autoencoder dengan 18 layer, menghasilkan hasil terbaik pada nilai K =15 dengan hasil rand index sebesar 74%, untuk percobaan kedua masih menggunakan autoencoder namun terdapat pengurangan layer menjadi 11 layer yang mendapatkan hasil terbaik pada nilai K=15 dengan hasil rand index sebesar 87%.
English Abstract
In the field of healthcare, medical imaging is commonly used for health assessments. One of the most commonly used types of medical imaging is X-Ray imaging. One area that often undergoes examination using this modality is the lungs, where healthcare professionals use X-ray images as a tool to interpret the results. However, prolonged interpretation of X-ray results by healthcare professionals, coupled with their other work activities, can lead to errors and potentially result in invalid disease identification. There is a need for a system that can classify the detection results from these images to assist healthcare professionals in their tasks. There are various methods that can be used for this purpose, such as classification, clustering, segmentation, and many more. However, data labeling requires significant resources and costs, especially when dealing with large-scale datasets. To address this, one possible solution is to use an unsupervised learning approach. One method that falls under unsupervised learning is clustering, which allows the system to process and understand data patterns without the need for external annotations or manual labeling in this research, an autoencoder is used as a subcategory of unsupervised learning. This is because autoencoders can automatically extract relevant features from the data without the need for external label guidance. The research utilizes a dataset consisting of 700 X-Ray images of the chest, including 500 images showing disease and 200 normal X-Ray images. The objective of this research is to determine the effectiveness of clustering methods using an autoencoder model in grouping X-Ray image results. The research conducted two experiments. In the first experiment, a autoencoder with 18 layers was used, resulting in the best performance with a value of K=15 and an rand index of 74%. In the second experiment, a autoencoder with a reduced number of layers (11 layers) was used, and it achieved the best performance with a value of K=15 and an rand index of 87%.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | 0524150203 |
Uncontrolled Keywords: | Autoencoder, Citra medis, X-ray.Autoencoder, Citra medis, X-ray. |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | soegeng sugeng |
Date Deposited: | 01 Apr 2024 07:32 |
Last Modified: | 01 Apr 2024 07:32 |
URI: | http://repository.ub.ac.id/id/eprint/216237 |
Text (DALAM MASA EMBARGO)
Putri Amanda Syafira.pdf Restricted to Registered users only Download (7MB) |
Actions (login required)
View Item |