Perpustakaan Digital ITB

Tugas akhir ini membahas pengembangan lanjutan framework AUCMEDI untuk klasifikasi masalah medis dari citra medis. Permasalahan utama yang dihadapi adalah keterbatasan dalam variasi metode praproses citra, metode augmentasi data, dan metrik evaluasi yang tersedia pada framework AUCMEDI. Untuk mengatasi hal ini, pengembangan dilakukan dengan menambahkan metode praproses citra seperti contrast enhancement menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) dan pengurangan noise menggunakan filter Box, Median, dan Gaussian. Selain itu, augmentasi data menggunakan Generative Adversarial Networks (GAN) ditambahkan untuk memperkaya variasi data pelatihan. Metrik evaluasi baru seperti Positive Likelihood Ratio (LR+) dan Brier Score juga diimplementasikan untuk memberikan evaluasi yang lebih komprehensif terhadap performa model. Metodologi yang digunakan dalam pengembangan ini melibatkan rekayasa domain untuk mengidentifikasi kebutuhan spesifik dalam domain klasifikasi citra medis dan pendekatan hot spot driven framework development untuk meningkatkan fleksibilitas framework. Hasil pengujian menunjukkan bahwa pengembangan lanjutan ini berhasil meningkatkan fleksibilitas dan fungsionalitas AUCMEDI dalam membangun pipeline klasifikasi citra medis dengan berbagai karakteristik dataset.