Klasifikasi Tumor Otak Pada Citra MRI Menggunakan en-CNN

Tumor otak adalah salah satu penyakit yang paling umum terjadi pada sistem saraf pusat dan sifatnya berbahaya. Diagnosis dini sangat penting untuk perawatan pasien yang tepat. Klasifikasi biner tumor otak yang sering dicirikan dengan tumor otak ganas dan jinak yang melibatkan multi-sekuen MRI (T1, T2, T1CE, dan FLAIR), membuat pekerjaan ahli radiologi membosankan dan rawan terjadinya kesalahan. Pada penelitian ini, dikembangkan metode klasifikasi melalui tahap segmentasi dan metode klasifikasi langsung tanpa mealui tahap segmentasi untuk membantu proses klasifikasi tumor otak oleh ahli. Untuk metode klasifikasi melalui segmentasi, fokus penelitian terdapat pada pengembangan metode segmentasi otomatis untuk segmentasi tumor otak ganas yaitu Glioblastoma (GBM) dan tumor otak jinak yaitu Low Grade Glioma (LGG). Metode segmentasi dikembangkan menggunakan modifikasi U-Net. Arsitektur U-Net dievaluasi berdasarkan jumlah epoch dan nilai drop-out untuk mencapai arsitektur yang paling sesuai. Dari hasil eksperimen, model arsitektur yang paling sesuai untuk segmentasi tumor otak adalah arsitektur modifikasi U-Net atau mU-Net dengan jumlah epoch 90 dan nilai lapisan drop out 0,5. Hasil kinerja segmentasi ditunjukkan dengan nilai dice score sebesar 0,909 yang lebih besar dari penelitian sebelumnya. Metode segmentasi yang diusulkan mampu meningkatkan akurasi klasifikasi tumor otak sebesar 95,65% menggunakan DNN. Nilai akurasi tersebut 2,7% lebih tinggi dari pada jika menggunakan metode SVM yaitu sebesar 92,9%. Dilain pihak, beberapa metode klasifikasi berdasarkan deep learning digunakan untuk mengklasifikasikan tumor otak. Performa masing-masing model sangat bergantung pada arsitektur CNN yang digunakan. Karena kompleksitas arsitektur CNN yang ada, penyetelan hyperparameter menjadi masalah dalam penerapannya. Pada penelitian ini diusulkan metode CNN yang disebut dengan en-CNN untuk mengatasi masalah ini. Metode ini didasarkan pada VGG-16 yang terdiri dari tujuh jaringan konvolusi, empat ReLU, dan empat max-pooling. Metode yang diusulkan digunakan untuk memfasilitasi penyetelan hyperparameter. Metode ini merupakan pendekatan dimana klasifikasi tumor otak dilakukan secara langsung tanpa terlebih dahulu melakukan proses segmentasi. Pendekatan baru terdiri dari tahapan berikut: preproses, augmentasi citra, dan penerapan metode en-CNN. Klasifikasi tumor otak dilakukan menggunakan empat sekuen MRI T1, T1CE, T2, dan FLAIR. Metode yang diusulkan memberikan akurasi pada dataset MRI multi-sekuen BraTS 2018 dengan akurasi 95,5% untuk T1, 95,5% untuk T1CE, 94% untuk T2, dan 97% untuk FLAIR dengan ukuran mini-batch 128 dan epoch 200 menggunakan fungsi optimasi ADAM. Akurasinya 4% lebih tinggi dari penelitian sebelumnya dalam dataset yang sama. ===================================================================================================== Brain tumors are one of the most common diseases of the central nervous system and are dangerous in nature. Early diagnosis is essential for proper patient care. Radiologists need an automated system to identify brain tumor images. The tumor identification process is a tedious and error-prone task. In addition, the binary classification of brain tumors which are often characterized by malignant and benign brain tumors involving multi-sequence MRI (T1, T2, T1CE, and FLAIR), makes the work of radiologists quite challenging. In this study, a classification method was developed through the segmentation stage. and the direct classification method without going through the segmentation stage. For the classification method through segmentation, the research focus is on the development of automatic segmentation methods using U-Net modifications. The U-Net architecture was evaluated based on the number of epochs and drop-out values to achieve the most suitable architecture for automatic segmentation of glioblastoma brain tumors. From the experimental results, the most suitable architectural model for brain tumor segmentation is the mU-Net architecture with 90 epochs and a dropout layer value of 0.5. The results of segmentation performance are indicated by a dice score of 0.909, which is greater than the previous study. Using DNN, the proposed segmentation method can improve the accuracy of brain tumor classification by 95.65%. The accuracy value is 2.7 % higher than 92.9 % when using the SVM method. On the other hand, several classification methods based on deep learning are used to classify brain tumors. The performance of each model is highly dependent on the CNN architecture used. Due to the complexity of the existing CNN architecture, hyperparameter tuning is a problem in its implementation. In this study, a CNN method called en-CNN is proposed to overcome this problem. This method is based on VGG-16 which consists of seven convolution networks, four ReLUs, and four max-poolings. The proposed method is used to facilitate hyperparameter tuning. This method is an approach where the classification of brain tumors is done directly without first doing the segmentation process. The new approach consists of the following stages: preprocessing, image augmentation, and application of the en-CNN method. Brain tumor classification was performed using four MRI sequences T1, T1CE, T2, and FLAIR. The proposed method provides an accuracy of the 2018 BraTS multi-sequence MRI dataset with an accuracy of 95.5% for T1, 95.5% for T1CE, 94% for T2, and 97% for FLAIR with mini-batch sizes of 128 and epoch 200 using the function ADAM optimization. The accuracy is 4% higher than previous studies in the same datase