Electronic Theses and Dissertation

ABSTRAK

Penyakit jantung merupakan penyebab utama kematian global dan berisiko menimbulkan komplikasi fatal jika tidak didiagnosis dini. Segmentasi citra MRI jantung berbasis deep learning berperan penting dalam mendeteksi struktur-struktur utama, seperti dinding ventrikel, miokardium dan scar yang menjadi indikator kelainan kardiovaskular. Salah satu arsitektur deep learning yang menjanjikan untuk tugas ini adalah Fully Convolutional DenseNet (FC-DenseNet), yang memiliki keunggulan dalam mempertahankan informasi spasial berkat koneksi antar-layer yang padat. Namun, kinerja FC-DenseNet tetap bergantung pada ketersediaan dan keberagaman data pelatihan, yang dalam konteks medis seringkali terbatas. Penelitian ini mengevaluasi penggunaan teknik augmentasi sebagai solusi untuk meningkatkan performa segmentasi menggunakan FC-DenseNet. Dua kategori augmentasi yang digunakan adalah augmentasi berbasis densitas (gaussian noise dan brightness) serta berbasis geometri (rotate dan flip). Hasil pengujian menunjukkan bahwa penerapan augmentasi dapat meningkatkan akurasi segmentasi, dengan peningkatan nilai Dice score sebesar 2 % sampai 4 % dan nilai IoU sebesar 2 % sampai 6 %. Meskipun peningkatan yang diperoleh tidak tergolong signifikan secara kuantitatif, hasil ini menunjukkan bahwa teknik augmentasi telah memberikan kontribusi positif dalam memperkuat generalisasi model.

Kata Kunci: MRI Jantung, FC-DenseNet, Augmentasi, Dice Score, IoU.

ABSTRACT Heart disease is the leading cause of death worldwide and poses a risk of fatal complications if not diagnosed early. Deep learning-based cardiac MRI image segmentation plays a crucial role in identifying key structures such as the ventricular wall, myocardium, and scar tissue, which serve as indicators of cardiovascular abnormalities. One promising deep learning architecture for this task is the Fully Convolutional DenseNet (FC-DenseNet), which excels at preserving spatial information due to its dense inter-layer connections. However, the performance of FC-DenseNet still depends heavily on the availability and diversity of training data, which is often limited in medical contexts. This study evaluates the use of augmentation techniques as a solution to improve segmentation performance using FC-DenseNet. Two categories of augmentation were applied: intensity-based (Gaussian noise and brightness) and geometry-based (rotation and flipping). The test results indicate that augmentation can improve segmentation accuracy, with Dice score increases ranging from 2% to 4% and Intersection over Union (IoU) improvements between 2% and 6%. Although the improvements are not quantitatively significant, these results suggest that augmentation techniques have contributed positively to enhancing the model’s generalization capabilities. Keyword: Cardiac MRI, FC-DenseNet, Augmentation, Dice Score, IoU.