Segmentasi tumor otak menggunakan model Lightweight U-Net berbasis citra MRI (Magnetic Resonance Imaging) otak

INDONESIA:

Segmentasi tumor otak pada citra MRI merupakan tahapan penting dalam membantu diagnosis dan perencanaan pengobatan, namun masih menghadapi tantangan dalam menghasilkan segmentasi yang akurat dan efisien. Penelitian ini bertujuan untuk menganalisis performa model Lightweight U-Net dalam melakukan segmentasi tumor otak menggunakan citra MRI berdasarkan metrik Dice Coefficient dan Pixel Accuracy. Metode yang digunakan adalah Lightweight U-Net dengan beberapa skenario pengujian yang melibatkan variasi Learning Rate dan jumlah Epoch. Dataset yang digunakan berupa citra MRI tumor otak yang telah melalui tahap preprocessing. Evaluasi dilakukan menggunakan Dice Coefficient untuk mengukur tingkat kesesuaian area segmentasi dan Pixel Accuracy untuk mengukur ketepatan klasifikasi piksel, serta didukung dengan uji statistik paired sample T-Test untuk mengetahui signifikansi perbedaan performa antar skenario. Hasil penelitian menunjukkan bahwa model mampu menghasilkan nilai Pixel Accuracy di atas 0,99 pada seluruh skenario, serta nilai Dice Coefficient terbaik sebesar 0,7483. Hasil uji T-Test menunjukkan bahwa Learning Rate 0,001 dan 0,0001 tidak memiliki perbedaan performa yang signifikan, sedangkan Learning Rate 0,00001 menghasilkan performa yang secara signifikan lebih rendah. Selain itu, peningkatan jumlah Epoch hingga 200 memberikan pengaruh terhadap peningkatan performa model. Dengan demikian, model Lightweight U-Net yang diusulkan mampu memberikan hasil segmentasi yang baik dan konsisten, dengan kombinasi Learning Rate 0,001 dan 200 Epoch sebagai konfigurasi yang paling optimal.

INGGRIS:

Brain tumor segmentation in MRI images is an important step in supporting diagnosis and treatment planning; however, it still faces challenges in producing accurate and efficient segmentation. This research aims to analyze the performance of the Lightweight U-Net model in segmenting brain tumors using MRI images based on the Dice Coefficient and Pixel Accuracy metrics. It employs Lightweight U-Net with several testing scenarios involving variations in Learning Rate and number of Epochs. The dataset consists of brain tumor MRI images that have undergone preprocessing. Evaluation is conducted using the Dice Coefficient to measure the overlap between segmented areas and Pixel Accuracy to assess pixel classification accuracy, supported by a paired sample T-Test to determine the significance of performance differences between scenarios. The result shows that the model is able to achieve Pixel Accuracy values above 0.99 across all scenarios, with the best Dice Coefficient reaching 0.7483. The T-Test results indicate that learning rates of 0.001 and 0.0001 do not show significant performance differences, while a learning rate of 0.00001 results in significantly lower performance. Additionally, increasing the number of Epochs up to 200 contributes to improved model performance. Thus, the proposed Lightweight U-Net model is capable of producing good and consistent segmentation results, with a learning rate of 0.001 and 200 Epochs identified as the most optimal configuration.

ARAB:

تقسيم الأورام الدماغية في صور التصوير بالرنين المغناطيسي يُعد خطوة مهمة في المساعدة على التشخيص وتخطيط العلاج، ومع ذلك لا يزال يواجه تحديات في تحقيق تقسيم دقيق وفعال. هدف هذا البحث إلى تحليل أداء نموذج يو-نت خفيف الوزن في إجراء تقسيم الأورام الدماغية باستخدام التصوير بالرنين المغناطيسي بناءً على مؤشر معامل دايس (Dice Coefficient) ودقة البكسل (Pixel Accuracy). تعتمد الطريقة المستخدمة على نموذج يو-نت خفيف الوزن مع بعض سيناريوهات الاختبار التي تشمل تغييرات في معدل التعلم (Learning Rate) وعدد الحقبات (Epoch). تستخدم مجموعة البيانات صور التصوير بالرنين المغناطيسي للأورام الدماغية التي خضعت لمرحلة المعالجة المسبقة. تم التقييم باستخدام معامل دايس لقياس درجة توافق منطقة التقسيم ودقة البكسل لقياس دقة تصنيف البكسل، بالإضافة إلى دعمها بالاختبار الإحصائي المزدوج لعينة الاختبار ت لمعرفة دلالة الفروقات في الأداء بين السيناريوهات. أظهرت نتائج البحث أن النموذج قادر على تحقيق قيمة دقة البكسل أكثر من 0.99 في جميع السيناريوهات، وكذلك أفضل قيمة لمعامل دايس بلغت 0.7483. أظهرت نتائج اختبار ت أن معدل التعلم 0.001 و 0.0001 ليس لها فرق أداء كبير، بينما معدل التعلم 0.00001 أدى إلى أداء أقل بشكل ملحوظ. بالإضافة إلى ذلك، فإن زيادة عدد الحقبات إلى 200 كان لها تأثير على تحسين أداء النموذج. وبالتالي، فإن نموذج يو-نت خفيف الوزن المقترح قادر على تقديم نتائج تقسيم جيدة ومتسقة، مع الجمع بين معدل التعلم 0.001 وحقبة 200 كأفضل تكوين.