Segmentasi Gambar MRI Tumor Otak Glioma dengan U-Net++

Ihsan Danendra, Raka (2023) Segmentasi Gambar MRI Tumor Otak Glioma dengan U-Net++. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (429kB)
	PDF BAB_I.pdf Download (224kB)
	PDF BAB_II.pdf Download (377kB)
	PDF BAB_III.pdf Download (420kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (896kB)
	PDF BAB_V.pdf Download (218kB)
	PDF DAFTAR_PUSTAKA.pdf Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (401kB)

Abstract

Tumor otak merupakan ancaman serius terhadap kehidupan manusia, dengan lebih dari 100 jenis yang mempengaruhi populasi global. Glioma, sebagai jenis tumor ganas paling umum, menyumbang sekitar 80% dari total kasus. Pertumbuhan sel tidak terkendali di otak menjadi penyebab utama, membedakan tumor otak menjadi ganas dan jinak, dengan glioblastoma (GBM) sebagai kategori utama yang menunjukkan tingkat agresivitas yang kompleks.Menggunakan Magnetic Resonance Imaging (MRI) dianggap sebagai pilihan terbaik untuk mendeteksi tumor otak secara dini, memberikan informasi akurat melalui berbagai sekuens MRI. Namun, proses diagnosa memerlukan waktu lama karena segmentasi wilayah tumor otak dilakukan secara manual, rentan terhadap kesalahan manusia dan variabilitas ahli radiologi. Oleh karena itu, segmentasi otomatis dengan deep learning menjadi solusi, mempercepat proses diagnosa. Pada penelitian ini akan digunakan dataset BraTS 2021 yang dinormalisasi dan rescallling menjadi gambar 2D yang tadinya merupakan gambar 3D agar mengurangi komputasi, serta digunakan juga model U-Net ++ untuk deep learning. Hasil dice score yang segmentasi berdasarkan masing ­ masing kelas Necrotic, Edema, Enhancing: 65.12 %, 52.82%, 73.62%.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Tumor Otak, U-Net, Glioma
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Nov 2024 12:22
Last Modified:	12 Nov 2024 12:22
URI:	https://kc.umn.ac.id/id/eprint/34883

Actions (login required)

View Item