Electronic Theses and Dissertation

Diagnosis tumor otak menggunakan Magnetic Resonance Imaging (MRI) memiliki tantangan tersendiri. Salah satunya adalah ketidakmampuan MRI dalam menghasilkan citra yang jelas mengenai bentuk, lokasi, dan batas tumor otak. Selain itu, Pemindaian MRI menghasilkan gambar-gambar 2D yang memerlukan pemeriksaan terpisah oleh ahli radiologi yang dianggap rentan terhadap kesalahan manusia. Oleh karena itu, deep learning dapat dimanfaatkan untuk mengatasi masalah segmentasi citra MRI di bidang medis dengan tujuan memisahkan bagian yang penting dari bagian yang tidak penting dalam citra MRI. Dalam penelitian ini, dilakukan perbandingan metode Convolutional Neural Network (CNN) antara arsitektur U-Net dan Res-UNet untuk mendapatkan metode terbaik dalam segmentasi tumor otak. Dataset yang digunakan adalah Brain Tumor Segmentation Challenge (BraTS) 2020 yang terbagi menjadi data pelatihan, validasi, dan pengujian. Kedua arsitektur dilatih dengan hyperparameter yang sama. Model dari kedua arsitektur diuji dengan memprediksi area-area penting seperti inti tumor, edema, dan tumor yang meningkat. Hasil prediksi dievaluasi dengan membandingkannya dengan data ground truth menggunakan loss function categorical crossentropy, adam optimizer (learning rate 0.001 dan 0.0001), serta beberapa metrik evaluasi seperti akurasi. Hasil evaluasi menunjukkan bahwa model terbaik pada arsitektur U-Net memiliki epoch 35, batch size 64, dan learning rate 0.001. Pada arsitektur Res-UNet model terbaik dengan epoch 35, batch size 64, dan learning rate 0.001. Berdasarkan perbandingan nilai loss dan akurasi, arsitektur U-Net menujukkan performa terbaik dengan loss terendah sebesar 0.0140 dan akurasi sebesar 0.9950 (99%). Meskipun arsitektur Res-UNet juga memiliki akurasi yang tinggi sebesar 0.9930 (99%), nilai loss yang lebih tinggi menunjukkan kinerja yang kurang optimal dibandingkan dengan arsitektur U-Net.

Kata kunci: Magnetic Resonance Imaging (MRI), tumor otak, segmentasi citra, deep learning, U-Net, Res-UNet

Brain tumor diagnosis using Magnetic Resonance Imaging (MRI) has its own challenges. One of them is the inability of MRI to produce clear images of the shape, location, and boundaries of brain tumors. In addition, MRI scans produce 2D images that require separate examinations by radiologists which are considered prone to human error. Therefore, deep learning can be utilized to solve MRI image segmentation problems in the medical field with the aim of separating the important parts from the unimportant parts in MRI images. In this study, a comparison of Convolutional Neural Network (CNN) method between U-Net and Res-UNet architectures is conducted to get the best method in brain tumor segmentation. The dataset used is the Brain Tumor Segmentation Challenge (BraTS) 2020 which is divided into training, validation, and testing data. Both architectures were trained with the same hyperparameters. Models from both architectures are tested by predicting important areas such as tumor core, edema, and tumor enhancement. The prediction results were evaluated by comparing them with ground truth data using loss function categorical crossentropy, adam optimizer (learning rate 0.001 and 0.0001), and several evaluation metrics such as accuracy. The evaluation results show that the best model on U-Net architecture has 35 epochs, batch size 64, and learning rate 0.001. In Res-UNet architecture, the best model has epoch 35, batch size 64, and learning rate 0.001. Based on the comparison of loss and accuracy values, the U-Net architecture shows the best performance with the lowest loss of 0.0140 and accuracy of 0.9950 (99%). Although the Res-UNet architecture also has a high accuracy of 0.9930 (99%), the higher loss value indicates a less optimal performance compared to the U-Net architecture. Keywords: Magnetic Resonance Imaging (MRI), Brain Tumor, Image Segmentation, deep learning, U-Net, Res-UNet