Analisis tekstur citra CT-Scan dengan metode GLCM (Gray Level Co-occurence Matrix) dan DNN (Deep Neural Network) untuk deteksi tingkat keparahan stroke

ABSTRAK

Stroke merupakan salah satu dari sekian banyak penyakit mematikan di dunia, dimana diperkirakan ada sebanyak 3.4 juta kasus stroke per tahun antara tahun 2012 sampai 2030 ditunjukkan menggunakan pendekatan yang mengintegrasikan metode Gray Level Co-occurence Matrix(GLCM) dan Deep Neural Network (DNN) untuk mendeteksi tingkat keparahan stroke pada citra CT-SCAN.

GLCM digunakan untuk mengekstrak fitur tekstur dari citra, sementara DNN digunakan untuk memodelkan dan mengklasifikasikan tingkat keparahan stroke. Pada tahap awal, citra CT-SCAN dengan masing-masing klasifikasi diekstraksi menggunakan GLCM untuk didapatkan hasil fitur. Hasil ekstraksi fitur digunakan sebagai masukan untuk jaringan DNN dilatih menggunakan dataset besar citra CT-SCAN dengan berbagai tingkat keparahan stroke untuk memastikan generalisasi yang baik. Hasil eksperimen menunjukan bahwa pendekatan dengan metode yang diusulkan memberikan tingkat akurasi deteksi keparahan stroke yang tinggi. Selain itu, model yang dihasilkan juga mampu mengklasifikasikan tingkat keparahan stroke dengan sensitivitas dan spesifitas yang memuaskan.

Dimana hasil akurasi pada model DNN dengan epoch 500 didapatkan rata-rata akurasi dari jumlah masing-masing klasifikasi sebesar 81.23% sedangkan hasil rata-rata hasil nilai uji presisi didapatkan sebesar 74.2% dan pada hasil rata-rata uji F1-Score didapatkan hasil sebesar 0.73. Dari hasil yang didapatkan pendekatan menggunakan kedua metode ini memiliki potensi untuk digunakan sebagai alat bantu klinis dalam menilai tingkat keparahan stoke pada pasien citra CT-SCAN.

ABSTRACT

Stroke is one of the many deadly diseases in the world, with an estimated 3.4 million cases of stroke per year expected between 2012 and 2030 due to the increasing population approaching the productive age. This research employs an approach that integrates the Gray Level Co-occurrence Matrix (GLCM) method and Deep Neural Network (DNN) to detect the severity level of strokes in CT-SCAN images.

GLCM is used to extract texture features from the images, while DNN is used to model and classify the severity level of strokes. In the initial stage, CT-SCAN images with respective classifications are extracted using GLCM to obtain feature results. The extracted feature results are used as input for the DNN network, which is trained using a large dataset of CT-SCAN images with various severity levels of strokes to ensure good generalization. Experimental results show that the proposed method yields a high accuracy rate in detecting stroke severity. Furthermore, the generated model is capable of classifying the severity level of strokes with satisfactory sensitivity and specificity.

The accuracy results for the DNN model with 500 epochs show an average accuracy of 81.23% for each classification. The average precision test results yield a value of 74.2%, and the average F1-Score test results yield a value of 0.73. Based on these findings, the approach utilizing both methods has the potential to be used as a clinical tool in assessing the severity of strokes in patients' CT-SCAN images.

مستخلص البحث

تعتبر السكتة الدماغية واحدة من الأمراض الفتاكة العديدة في العالم، حيث تشير التقديرات إلى أنه سيكون هناك ٣.٤ مليون حالة إصابة بالسكتة الدماغية سنويًا بين عامي ٢٠١٢ و٢٠٣٠ بسبب اقتراب عدد كبير من السكان من سن الإنتاج يهدف هذا البحث إلى استخدام نهج يدمج مصفوفة الحدوث المشترك للمستوى الرمادي وطرق الشبكة العصبية العميقة للكشف عن شدة السكتة الدماغية في صور يتم استخدام لاستخراج ميزات النسيج من الصور، بينما يتم استخدام لنمذجة وتصنيف شدة السكتة الدماغية. في المرحلة الأولية، يتم استخراج صور مع كل تصنيف باستخدام للحصول على نتائج الميزات تم استخدام نتائج استخراج الميزات كمدخلات لشبكة التي تم تدريبها باستخدام مجموعة كبيرة من صور بمستويات مختلفة من شدة السكتة الدماغية لضمان تعميم جيد وتظهر النتائج التجريبية أن النهج المقترح يوفر مستوى عال من الدقة في الكشف عن شدة السكتة الدماغية وتظهر النتائج التجريبية أن النهج المقترح يوفر مستوى عال من الدقة في الكشف عن شدة السكتة الدماغية بالإضافة إلى ذلك، فإن النموذج الناتج قادر أيضًا على تصنيف شدة السكتة الدماغية بحساسية ونوعية مرضية. حيث أظهرت نتائج الدقة لنموذج بالعصر ٥٠٠ أن متوسط دقة عدد كل تصنيف بلغ ٨١.٢٣ ، في حين بلغ متوسط نتائج اختبار الدقة ٧٤.٢ ومتوسط نتائج اختبار من النتائج التي تم الحصول عليها، فإن النهج الذي

.يستخدم هاتين الطريقتين لديه القدرة على استخدامه كأداة سريرية في تقييم شدة السكتة الدماغية لدى المرضى على صور