Electronic Theses and Dissertation

Segmentasi semantik yang akurat pada citra magnetic resonance imaging (MRI) jantung sangat penting untuk mendukung penilaian anatomi dan fungsi jantung secara andal, karena memungkinkan delineasi rongga ventrikel dan miokardium secara presisi, yang pada akhirnya berperan dalam mendukung evaluasi fungsi jantung. Namun, pencapaian performa segmentasi yang akurat masih menjadi tantangan karena adanya variasi skala yang substansial pada struktur ventrikel. Selain itu, sebagian besar jaringan yang ada masih bergantung pada prosedur upsampling sederhana yang menghasilkan peta fitur hasil upsampling dengan kualitas rendah dan ketidakkonsistenan informasi spasial selama proses rekonstruksi peta fitur, sehingga menyebabkan kontur batas ventrikel menjadi tidak beraturan. Tantangan tersebut mendorong penelitian ini untuk mengusulkan Dense Spatial Pyramid Pooling – Geometric Feature-Alignment Upsampling Network (DeSPP-GFAUNet), yaitu suatu kerangka kerja deep learning yang dikembangkan untuk segmentasi semantik MRI jantung. Pertama, model dikembangkan dengan konektivitas dense melalui integrasi Dense Module (DM), yaitu blok yang menggabungkan peta fitur dari lapisan-lapisan sebelumnya untuk mendorong penggunaan ulang fitur dan memperkaya representasi fitur. Selanjutnya, encoder multiskala dirancang menggunakan Pyramid Pooling Dense Module (PPDM), yang mengagregasi informasi kontekstual dari berbagai skala receptive field. Pada tahap kedua, decoder yang ditingkatkan diperkenalkan untuk memperbaiki rekonstruksi fitur dengan secara eksplisit menyusun ulang fitur lingkungan lokal selama proses upsampling. Mekanisme ini memungkinkan terbentuknya representasi yang lebih konsisten secara spasial dan lebih mampu mempertahankan kontur batas ventrikel. Mekanisme penyusunan ulang channel juga diintegrasikan untuk mengorganisasi kembali fitur multiskala dari bottleneck ke dalam representasi yang lebih kompatibel, sehingga memungkinkan integrasi yang lebih efektif selama proses rekonstruksi peta fitur. Selanjutnya, pembesaran spasial yang lebih baik dicapai melalui penerapan metode geometric feature-alignment upsampling, yang merekonstruksi fitur beresolusi tinggi melalui penyusunan ulang terstruktur, bukan hanya bergantung pada pendekatan interpolasi. Model yang diusulkan dievaluasi menggunakan dataset publik Automated Cardiac Diagnosis Challenge (ACDC), yang memuat citra cine MRI jantung dari 100 pasien untuk dataset pelatihan dan 50 pasien untuk dataset pengujian. Setiap pasien berkontribusi sebanyak 28 hingga 40 frame temporal, dengan total 1.462 citra pada fase end-diastole dan end-systole. Seluruh data dilengkapi dengan anotasi manual ahli untuk struktur left ventricle, right ventricle, dan myocardium. Hasil evaluasi eksperimental yang ekstensif pada dataset ACDC menunjukkan bahwa DeSPP-GFAUNet mampu melampaui performa enam model segmentasi deep learning pembanding, dengan memperoleh rata-rata DSC sebesar 0,7925, rata-rata IoU sebesar 0,7287, rata-rata akurasi sebesar 0,9907, rata-rata HD sebesar 2,8289, dan rata-rata ASSD sebesar 0,7157. Secara keseluruhan, integrasi encoder multiskala dengan decoder berbasis geometric feature-alignment menghasilkan fitur beresolusi tinggi yang lebih kompak dan selaras secara spasial, sehingga mampu mempertahankan kontur batas ventrikel yang lebih halus dan meningkatkan performa segmentasi MRI jantung.

Accurate semantic segmentation of cardiac magnetic resonance imaging (MRI) is essential for reliable assessment of cardiac anatomy and function, as it enables precise delineation of the ventricular cavities and myocardium, which in turn supports cardiac functional assessment. However, achieving accurate segmentation performance remains a challenging task due to substantial scale variation across ventricle structures. Moreover, most existing networks rely on a simple upsampling procedure that produces low-quality upsampled feature maps with spatial information inconsistency during feature maps reconstruction, leading to irregular ventricle boundary contours. These challenges motivate this study to propose Dense Spatial Pyramid Pooling – Geometric Feature-Alignment Upsampling Network (DeSPP-GFAUNet), a deep learning framework proposed for cardiac MRI semantic segmentation. Firstly, the model was developed with dense connectivity by integrating a Dense Module (DM), a block that concatenates feature maps from preceding layers to promote feature reuse and enrich feature representations. Subsequently, multiscale encoder is designed using the Pyramid Pooling Dense Module (PPDM), which aggregates contextual information of multiple receptive-field scales. In the second stage, an enhanced decoder is introduced to improve feature reconstruction by explicitly reassembling local neighborhood features during upsampling, allowing more spatially consistent representations that better preserve ventricle boundary contours. A channel rearrangement mechanism is incorporated to reorganize bottleneck multiscale features into a more compatible representation, enabling effective integration during feature maps reconstruction. Next, enhanced spatial enlargement is achieved by applying a geometric features-alignment upsampling method, which reconstructs high-resolution features through structured reassembly rather than relying solely on an interpolation approach. The proposed model was evaluated using the public Automated Cardiac Diagnosis Challenge (ACDC) dataset, which contains cine cardiac MRI images from 100 patients for the training dataset and 50 patients for the testing dataset, with each patient contributing 28 to 40 temporal frames with a total of 1462 images in both end-diastole and end-systole phases. All data come with expert manual annotations of the left ventricle, right ventricle, and myocardium. Extensive experimental evaluations on the ACDC dataset demonstrated that the DeSPP-GFAUNet outperformed six benchmarked deep learning segmentation models performance, achieving an average DSC of 0.7925, an average IoU score of 0.7287, an average accuracy of 0.9907, an average HD of 28289 and an average ASSD of 0.7157. Overall, an integrated multiscale encoder with a geometric feature-alignment decoder produces compact, well-aligned high-resolution features that preserve smooth ventricle boundary contours, thereby improving cardiac MRI segmentation.