Electronic Theses and Dissertation

Dalam peranannya sebagai alat pencernaan dalam tubuh manusia, hati berfungsi sebagai detoksifikasi, sintesis protein, hingga produksi bahan kimia yang diperlukan untuk pencernaan. Beberapa penyakit yang dapat terinfeksi pada hati adalah hepatitis yang bisa disebabkan oleh keturunan, tumor, hingga kanker hati. Segmentasi organ internal dan tumor pada Citra CT (Computed Tomography) scan memiliki peran penting dalam diagnosis dan perencanaan pengobatan penyakit. Pendekatan segmentasi hati dan tumor menggunakan deep learning berguna untuk memudahkan tenaga medis dalam diagnosa awal kelainan pada organ hati. Implementasi deep learning sebelumnya dengan arsitektur U-Net pada bidang medis dapat melakukan segmentasi terhadap objek hati dan tumor. Penerapan U- Net sebelumnya mendapatkan nilai Dice score untuk segmentasi hati sebesar 90,8% dan segmentasi tumor sebesar 65,0%. Dengan hasil tersebut masih memungkinkan untuk dapat meningkatkan hasil atau nilai Dice score untuk segmentasi hati dan tumor menggunakan arsitektur U-Net. Oleh karena itu, penelitian ini dilakukan untuk meningkatkan performa U-Net dalam tugas segmentasi hati dan tumor dan menambahkan tugas U-Net untuk melakukan segmentasi gabungan hati dan tumor. Pada penelitian ini, deep learning berbasis U-Net dikembangkan dan diimplementasikan menggunakan perangkat lunak berbasis Python dengan menggunakan pustaka PyTorch. Model ini dilatih menggunakan dataset yang terdiri dari citra CT Scan yang telah dianotasikan oleh ahli radiologi untuk mendapatkan batas tepi yang tepat dari hati dan tumor. Proses peningkatan performa U-Net ini dilakukan dengan cara tuning hyper-parameter pada proses pelatihan. Hasil dari eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan performa dari arsitektur U-Net. Nilai Dice score (DSC) yang diperoleh menunjukkan model mampu menghasilkan segmentasi yang mendekati hasil yang diberikan oleh ahli radiologi. Hasilnya, penelitian ini memperoleh nilai Dice score untuk objek hati 91,2%, tumor 70,0%, dan hati-tumor 91,5%.

In its role as a digestive tool in the human body, the liver functions for detoxification, protein synthesis, and the production of chemicals needed for digestion. Some diseases that can be infected with the liver are hepatitis which can be caused by heredity, tumors, and liver cancer. Segmentation of internal organs and tumors on CT (Computed Tomography) scan images has an important role in the diagnosis and treatment planning of diseases. The liver and tumor segmentation approach using deep learning is useful for making it easier for medical personnel to diagnose abnormalities in the liver early. Previous deep learning implementations with U-Net architecture in the medical field can segment liver and tumor objects. The previous application of U-Net obtained a Dice score for liver segmentation of 90.8% and tumor segmentation of 65.0%. With these results, it is still possible to improve the results or Dice score values for liver and tumor segmentation using the U-Net architecture. Therefore, this research was conducted to improve the performance of U-Net in liver and tumor segmentation tasks and add a U-Net task to perform combined liver and tumor segmentation. In this study, U-Net-based deep learning was developed and implemented using Python-based software using the PyTorch library. This model is trained using a dataset consisting of CT scan images that have been annotated by a radiologist to get the exact border of the liver and tumor. The process of improving U-Net performance is carried out by means of hyper-parameter tuning in the training process. The results of the experiments show that the proposed method can improve the performance of the U-Net architecture. The Dice score (DSC) obtained shows that the model can produce segmentation that is close to the results the radiologist gave. As a result, this study obtained a Dice score of 91.2% for liver objects, 70.0% for tumors, and 91.5% for liver tumors.