Brain Tumor Segmentation Based on Magnetic Resonance Imaging Images Using the U-NET Method
| Main Authors: | Suta, Ida Bagus Leo Mahadya, Sudarma, Made, Satya Kumara, I Nyoman |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Universitas Udayana
, 2020
|
| Online Access: |
https://ojs.unud.ac.id/index.php/jte/article/view/59975 https://ojs.unud.ac.id/index.php/jte/article/view/59975/37900 |
Daftar Isi:
- Brain tumor is a deadly disease where 3.7% per 100,000 patients have malignant tumors. To analyze brain tumors can be done through magnetic resonance imaging (MRI) image segmentation. Automatic image analysis process is needed to save time and improve accuracy of doctor diagnoses. Automatic segmentation can be done with deep learning. U-NET is one of the methods used to segment medical images because it works at pixel level. By applying the ReLU and Adam Optimizer activation function, this method can solve the problem of segmenting brain tumors. Dataset for the training and validation process using BRATS 2017. Several hyperparameters are applied to this method: learning rate (lr) = 0.0001, batch size (bz) = 5, epoch = 80 and beta (b_1) = 0.9. From a series of processes carried out, accuracy of the U-NET method is calculated by Dice Coefficient formula and results in following accuracy values, during training of 90.22% (Full Tumor), 78.09% (Core Tumor) dan 80.20% (Enhancing Tumor).
- Tumor otak merupakan salah satu penyakit yang mematikan dimana 3.7% per 100.000 pasien mengidap tumor ganas. Untuk menganalisa tumor otak dapat dilakukan melalui segmentasi citra Magnetic Resonance Imaging (MRI). Proses analisa citra secara otomatis dibutuhkan untuk menghemat waktu dan meningkatkan akurasi dari diagnosa yang dilakukan. Segmentasi secara otomatis dapat dilakukan dengan deep learning. U-NET merupakan salah satu metode yang digunakan untuk melakukan segmentasi citra medis karena bekerja dapa pixel level. Dengan menerapkan fungsi aktivasi ReLU dan Adam Optimizer, metode ini dapat menyelesaikan permasalahan segmentasi tumor otak. Dataset untuk proses training dan validation menggunakan BRATS 2017. Beberapa hyperparameter diterapkan pada metode ini yaitu, learning rate (lr) = 0.0001, batch size (bz) = 5, epoch = 80 dan beta ( ) = 0.9. Dari serangkaian proses yang dilakukan, akurasi metode U-NET dihitung dengan rumus Dice Coefficient dan menghasilkan nilai akurasi sebagai berikut: 90.22% (Full Tumor), 78.09% (Core Tumor) dan 80.20% (Enhancing Tumor).