Yolov8 untuk klasifikasi penyakit infeksi paru-paru berbasis Citra X-Ray

ABSTRAK:

Kebutuhan diagnosis cepat dan akurat pada penyakit infeksi paru-paru saat ini masih terkendala oleh keterbatasan jumlah tenaga radiolog, tingginya beban kerja, serta risiko subjektivitas interpretasi citra X-ray. Metode dalam penelitian sebelumnya mengguanakan klasifikasi berbasis Convolutional Neural Network konvensional namun memerlukan waktu komputasi yang tinggi. YOLOv8 datang dengan menawarkan kemampuan deteksi cepat juga akurasi tinggi dan efisiensi komputasi yang lebih baik. Penelitian ini bertujuan untuk mengukur dan menganalisis performa akurasi algoritma YOLOv8, khususnya varian YOLOv8n- cls, dalam mengklasifikasikan penyakit infeksi paru-paru berbasis citra X-ray. Dataset yang digunakan adalah Lungs Disease Dataset (4 types) berjumlah 10.000 citra X-ray yang mencakup empat kelas diagnosis (Normal, Pneumonia, Tuberculosis, dan COVID-19) dengan pembagian data 60% pelatihan, 20% validasi, dan 20% pengujian. Tahapan pra-pemrosesan citra meliputi auto-orient, resize, grayscale, dan auto-adjust contrast, yang dilanjutkan dengan pengujian variasi hiperparameter learning rate (0,01; 0,001; dan 0,0001) serta image size (320 x 320, 416 x 416, dan 640 x 640 piksel). Hasil penelitian menunjukkan bahwa model YOLOv8n-cls mencapai performa puncak dengan perolehan Accuracy dan Recall sebesar 98,39%, Precision 98,41%, F1-score 98,40%, serta nilai validation loss terendah sebesar 0,085460 pada konfigurasi image size 416 x 416 piksel dengan learning rate 0,01 tanpa indikasi overfitting. Kesimpulannya, model YOLOv8n-cls layak dan teruji untuk diaplikasikan sebagai sistem pendukung keputusan medis dalam membantu diagnosis penyakit infeksi paru-paru.

ABSTRACT:

The need for rapid and accurate diagnosis of lung infection diseases is currently constrained by the limited number of radiologists, high workloads, and the risk of subjective interpretation of X-ray images, while conventional Convolutional Neural Network-based classification methods require high computational time. This study aims to measure and analyze the Accuracy performance of the YOLOv8 algorithm, specifically the YOLOv8n-cls variant, in classifying lung infection diseases based on chest X-ray images. The dataset used is the Lungs Disease Dataset (4 types) consisting of 10,000 chest X-ray images across four diagnostic classes (Normal, Pneumonia, Tuberculosis, and COVID-19), split into 60% training, 20% validation, and 20% testing data. Image preprocessing steps include auto-orientation, resizing, grayscale conversion, and auto-adjust contrast, followed by hyperparameter testing with varying learning rates (0.01, 0.001, and 0.0001) and image sizes (320 x 320, 416 x 416, and 640 x 640 pixels). The results show that the YOLOv8n-cls model achieved peak performance at a configuration of 416 x 416 pixels image size and a 0.01 learning rate, obtaining an Accuracy and Recall of 98.39%, Precision of 98.41%, F1-score of 98.40%, and the lowest validation loss of 0.085460 without indications of overfitting. In conclusion, the YOLOv8n-cls model is highly effective, precise, and proven reliable to be applied as a medical decision support system in assisting the diagnosis of lung infection diseases

مستخلص البحث:

ل تزال عملية التشخيص السريع والدقيق ألمراض الرئة املعدية تواجه العديد من التحدايت، من بينها حمدودية عدد أخصائيي األشعة، وارتفاع أعباء العمل، واحتمالية وجودتباين يف تفسري صور األشعة السينية.ويف الوقت نفسه، قد تتطلب بعض أساليب التصنيف التقليدية القائمة على الشبكات العصبية االلتفافية وقتا طويال للتدريب واملعاجلة احلاسوبية.هتدف هذه الدراسة إىل تقييم أداء خوارزميةYOLOv8وحتليل دقتها، وال سيما منوذجYOLOv8n-cls، يف تصنيف أمراض الرئة اعتمادا على صور األشعة السينية للصدر.وقد استخدمت الدراسة جمموعة بياانتLungs Disease Dataset (4 Types)، اليت تضم10000صورة لألشعة السينية موزعة على أربع فئات، وهي: الصور الطبيعية، وااللتهاب الرئوي، والسل، ومرض كوفيد-19.وقسمت البياانت إىل ثالث جمموعات، بواقع60%للتدريب، و20% للتحقق، و20%لالختبار.ج الرمادي،ومشلت مراحل املعاجلة املسبقة للصور تصحيح االجتاه تلقائيا، وتغيري حجم الصور، وحتويلها إىل التدر وضبط التباين تلقائيا.كما أجريت جتارب على قيم خمتلفة ملعدل التعلم، وهي0.01و0.001و0.0001، وعلى أحجام خمتلفة للصور، وهي320 × 320و416 × 416و640 × 640بكسل.وأظهرت النتائج أن منوذجYOLOv8n-clsحقق أفضل أداء عند استخدام حجم صورة قدره416 × 416بكسل ومعدل تعلم قدره0.01، إذ بلغت قيمة الدقة الكلية( Accuracy)واالسرتجاع ( Recall) 98.39%، وبلغت قيمة اإلحكام( Precision) 98.41%، يف حني بلغت قيمة مقياس F1-scoreحنو98.40%. كما سجل النموذج أدىن قيمة خلسارة التحقق، بلغت0.085460.ومل تظهر نتائج التقييم مؤشرات واضحة على حدوث فرط التكيف ( Overfitting).وبناء على هذه النتائج، أظهر منوذجYOLOv8n-clsأداء مرتفعا يف تصنيف صور األشعة السينية للصدر ضمن الفئات األربع احملددة يف هذه الدراسة، مما يشري إىل إمكانية االستفادة منه بوصفه أداة مساعدة يف تصنيف الصور الطبية.