Perpustakaan Digital ITB

Tumor otak merupakan sel yang abnormal pada jaringan otak yang dapat berkembang seiring waktu. Segmentasi dilakukan untuk membantu memantau perkembangan tumor serta lokasi tumor. Penggunaan deep learning dapat digunakan untuk melakukan segmentasi pada tumor otak. Salah satu arsitektur yang dapat digunakan adalah U-Net. U-Net dapat dimodifikasi kedalamannya. Pada penelitian ini, dilakukan penggunaan U- Net dengan berbagai kedalaman untuk melakukan segmentasi otak. Kedalaman U-Net berpengaruh terhadap kinerja segmentasi. Meningkatnya kedalaman U-Net menyebabkan peningkatan F1-score. Peningkatan F1- score tes dari level 1 ke 2 sebesar 17.9%. Peningkatan F1-score tes dari level 2 ke level 3 sebesar 3.6%. Peningkatan F1-score tes dari level 3 ke level 4 sebesar 0.7%. Peningkatan F1-score tes dari level 4 ke level 5 sebesar 1.1%. Penambahan kedalaman juga menyebabkan U-Net semakin mengenali fitur tumor. Pada meningioma, faktor intrinsik yang mempengaruhi kinerja segmentasi adalah circularity dan intensitas rata-rata. Pada tumor pituitari, fitur yang mempengaruhi kinerja segmentasi adalah intensitas standar deviasi. Pada glioma, fitur yang mempengaruhi kinerja segmentasi adalah circularity, standar deviasi intensitas, serta intensitas maksimum. Faktor- faktor yang menyebabkan U-Net gagal melakukan segmentasi antara lain akibat inkonsistensi kontur ground truth, karakteristik intensitas tumor, kualitas akuisisi citra, tidak mengenali konteks anatomi otak, serta tumor pituitari yang sulit dikenali.