Learning Vector Quantization (LVQ) untuk klasifikasi tumor berdasrkan citra magnetic resonance imaging (MRI)

ABSTRAK:

Tumor otak merupakan jenis tumor paling berbahaya pada manusia dan bertanggung jawab atas 29,5% kematian yang terjadi akibat tumor ganas. Tumor otak berasal dari pertumbuhan abnormal pada jaringan otak atau syaraf pusat yang dapat mempengaruhi kinerja fungsi otak normal. Berdasarkan data yang dirilis oleh Global Cancer Observatory (GCO), terdapat paling sedikit lima ribu kasus tumor otak dan syaraf pusat ganas di Indonesia pada tahun 2020. Data tersebut juga menunjukkan bahwa 88% penderita tumor otak dan syaraf pusat tidak selamat. Klasifikasi tumor otak pada citra MRI merupakan praktik yang membutuhkan waktu yang lama. Penyebabnya antara lain, kompleksitas dari jaringan otak, gejala tumor yang tidak spesifik, dan karakteristik tumor otak yang berbeda-beda. Perbedaan karakteristik tumor tersebut mengakibatkan segmentasi dan klasifikasi jenis tumor sulit dilakukan. Selain itu, kualitas dari citra MRI yang digunakan juga berpengaruh dalam proses diferensiasi tumor otak. Hal tersebut membuat pemeriksaan dan klasifikasi tumor otak secara tradisional tidak efektif. Oleh karena itu, diperlukan cara untuk melakukan klasifikasi tumor otak pada penderita dengan gejala tidak spesifik. Penelitian ini bertujuan untuk menemukan model klasifikasi neural network dengan akurasi yang baik untuk klasifikasi tumor otak, khususnya pada glioma dan meningioma. Metode yang digunakan pada penelitian ini adalah Learning Vector Quantization (LVQ) dan hasil keluaran dari model tersebut adalah klasifikasi gambar glioma dan meningioma. Uji coba yang dilakukan menggunakan 12 skenario uji coba mampu menghasilkan akurasi tertinggi sebesar 82.3%.

ABSTRACT:

Brain tumors are the most dangerous type of tumor in humans and account for 29.5% of deaths caused by malignant tumors. Brain tumors originate from abnormal growth in brain tissue or the central nervous system, which can affect the normal functioning of the brain. According to data released by the Global Cancer Observatory (GCO), there were at least five thousand cases of malignant brain and central nervous system tumors in Indonesia in 2020. The data also indicates that 88% of brain and central nervous system tumor patients do not survive. Classifying brain tumors in MRI images is a time-consuming practice. This is due to the complexity of brain tissue, nonspecific tumor symptoms, and varying characteristics of brain tumors. The differences in tumor characteristics make segmentation and classification of tumor types difficult. Additionally, the quality of the MRI images used also impacts the process of differentiating brain tumors. This renders traditional brain tumor examinations and classifications ineffective. Therefore, there is a need for a method to classify brain tumors in patients with nonspecific symptoms. This research aims to discover a neural network classification model with high accuracy for classifying brain tumors, specifically gliomas and meningiomas. The method employed in this research is Learning Vector Quantization (LVQ), and the output of the model is the classification of glioma and meningioma images. Experimentation conducted using 12 test scenarios resulted in the highest accuracy of 82.3%.

مستخلص البحث:

أورام الدماغ هي أخطر أنواع الأورام في البشر وهي مسؤولة عن 29.5% من الوفيات الناجمة عن الأورام الخبيثة. تأتي أورام الدماغ من نمو غير طبيعي في أنسجة المخ أو الأعصاب المركزية التي يمكن أن تؤثر على أداء وظائف المخ الطبيعية. استنادًا إلى البيانات الصادرة عن المرصد العالمي للسرطان (GCO)، هناك ما لا يقل عن خمسة آلاف حالة من أورام الدماغ والأعصاب المركزية الخبيثة في إندونيسيا في عام 2020. كما أظهرت البيانات أن 88% من المرضى الذين يعانون من أورام الدماغ والأعصاب المركزية لم يكونوا آمنين. تصنيف أورام الدماغ في صور التصوير بالرنين المغناطيسي هو ممارسة تستغرق وقتًا طويلاً. تشمل الأسباب تعقيد أنسجة المخ، وأعراض الورم غير المحددة، والخصائص المختلفة لأورام الدماغ. الاختلافات في خصائص الورم تجعل تجزئة وتصنيف أنواع الأورام أمرًا صعبًا. بالإضافة إلى ذلك، فإن جودة صور التصوير بالرنين المغناطيسي المستخدمة مؤثرة أيضًا في عملية تمايز ورم الدماغ. وهذا يجعل فحص وتصنيف أورام المخ غير فعال تقليديا. لذلك، هناك حاجة إلى طريقة لإجراء تصنيف أورام الدماغ في المرضى الذين يعانون من أعراض غير محددة. تهدف هذه الدراسة إلى إيجاد نموذج تصنيف للشبكة العصبية بدقة جيدة لتصنيف أورام الدماغ، خاصة في الأورام الدبقية والأورام السحائية. الطريقة المستخدمة في هذه الدراسة هي تعلم تكميم المتجهات (LVQ) ونتائج المخرجات للنموذج هي تصنيف الصور للورم الدبقي والورم السحائي. تمكنت التجارب التي أجريت باستخدام 12 سيناريو تجريبي من إنتاج أعلى دقة بنسبة 82.3%.