Deteksi stroke berbasis citra computed tomography scan menggunakan gray level co-occurrence matrix dan multi layer perceptron

ABSTRAK:

Stroke adalah penyebab kematian kedua terbanyak di dunia dan sering menyebabkan kecacatan pada orang dewasa. Penyakit ini tiap tahunnya akan mengalami peningkatan karena gejala yang ditimbulkan oleh penyakit stroke sifatnya mendadak dan sering terlambat disadari. Deteksi dini terhadap stroke melalui penggunaan teknologi citra medis, khususnya CT scan, berguna dalam diagnosis awal untuk kelangsungan hidup pasien. Penelitian ini bertujuan untuk menganalisis performa Gray Level Co-occurrence Matrix (GLCM) dan model Multi Layer Perceptron (MLP) dalam mendeteksi stroke berdasarkan citra CT scan otak. Metode GLCM digunakan untuk ekstraksi fitur tekstur dengan menguji pengaruh variasi parameter jarak dan sudut terhadap kualitas fitur yang dihasilkan. Selanjutnya, model MLP dengan algoritma backpropagation digunakan untuk deteksi, dengan mengoptimalkan jumlah hidden layer dan jumlah neuron untuk peningkatan performa. Hasil penelitian menunjukkan bahwa variasi parameter pada GLCM dan konfigurasi arsitektur MLP berpengaruh signifikan terhadap performa deteksi stroke, menghasilkan akurasi sebesar 91,13%, presisi sebesar 89,83%, recall sebesar 91,15%, dan f1-score sebesar 90,48% Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan metode berbasis citra untuk diagnosis stroke secara lebih akurat.

ABSTRACT:

Stroke is the second leading cause of death worldwide, and it leads to disability among adult survivors. It is increasing annually since its symptoms come suddenly and unpredictably. The earlier detection of stroke can use medical image technology, particularly CT scans, to provide an early diagnosis of a patient’s life. The research aims to analyze the performance of the Gray Level Co-occurrence Matrix (GLCM) and Multilayer Perceptron Model (MLP) in detecting stroke based on the brain scan CT image. The GLCM method performs texture feature extraction by testing the influence of distance and angle parameter variation on the generated feature quality. Then, the MLP model with a backpropagation algorithm is used for detection by optimizing the number of hidden layers and neurons to increase the performance. The research result shows that the parameter variation of the GLCM and MLP architectural configuration has a significant influence on the performance of stroke detection, generating an accuracy of 91.13%, precision of 89.83%, recall of 91.15%, and f1-score of 90.48%. The research is expected to contribute to the image-based method development for stroke diagnosis accurately.

مستخلص البحث:

السكتة الدماغية هي السبب الرئيسي الثاني للوفاة في العالم وغالبا ما تسبب الإعاقة لدى البالغين. سيزداد هذا المرض كل عام لأن الأعراض التي تسببها السكتة الدماغية مفاجئة وغالبا ما تكون متأخرة جدا لتحقيقها. يعد الكشف المبكر عن السكتة الدماغية من خلال استخدام تقنية التصوير الطبي -وتحديدا التصوير المقطعي المحوسب- مفيدا في التشخيص المبكر لبقاء المريض. هدف هذا البحث إلى تحليل أداء مصفوفة الحدوث المتزامن للمستوى الرمادي (GLCM) ونموذج المستقبلات متعددة الطبقات (MLP) في الكشف عن السكتة الدماغية بناء على صور التصوير المقطعي المحوسب للدماغ. تستخدم طريقة GLCM لاستخراج ميزة النسيج عن طريق اختبار تأثير التباين في معلمات المسافة والزاوية على جودة الميزات الناتجة. علاوة على ذلك، يتم استخدام نموذج MLP مع خوارزمية الانتشار الخلفي للكشف، خلال تحسين عدد الطبقات المخفية وعدد الخلايا العصبية لتحسين الأداء. أظهرت النتائج أن تباين المعلمات في تكوين بنية GLCM و MLP كان له تأثير كبير على أداء الكشف عن السكتة الدماغية، مما أدى إلى دقة 91.13٪، ودقة 89.83٪، واستدعاء 91.15٪، ودرجة ف1 بنسبة 90.48٪.