Publisher

UNKLABUNKLAB

Journal CogITo Smart JournalCogITo Smart Journal Abstract

Fokus utama penelitian ini adalah mengembangkan arsitektur MobileNet untuk menghasilkan model klasifikasi tumor ginjal yang akurat, tahan terhadap overfitting, dan tetap konsisten dengan variasi dataset serta parameter pelatihan. Studi ini bertujuan untuk mengembangkan arsitektur MobileNet guna menghasilkan model perangkat lunak yang dapat mengidentifikasi secara tepat dengan akurasi tinggi, melakukan klasifikasi tumor ginjal, dan menghindari kegagalan dalam menggeneralisasi data baru yang disebut overfitting, serta mengevaluasi perbedaan akurasi yang dihasilkan dari beberapa variasi dataset dan parameter. Metode yang digunakan dalam penelitian ini adalah MobileNet dengan penyetelan hyperparameter (hyperparameter tuning) dan fine-tuning, yang kemudian dibandingkan dengan metode MobileNet Baseline. Dataset terdiri dari 12.446 gambar yang diklasifikasikan sebagai Normal, Kista, Batu, dan Tumor, yang dikumpulkan dari Kaggle. Temuan penelitian ini pada pembagian data gambar rasio 80:10:10 dari metode yang diusulkan menghasilkan akurasi 100%, presisi 100%, recall 100%, dan F1-Score 100%. Studi ini diharapkan dapat menghasilkan modifikasi arsitektur yang mampu mengklasifikasikan tumor ginjal dengan akurasi tinggi, sehingga hipotesis dapat tercapai. Selain itu, berbagai pendekatan dalam analisis citra medis menggunakan deep learning telah menunjukkan hasil yang lebih baik dalam mengidentifikasi berbagai tumor, khususnya dalam penelitian ini, dalam klasifikasi dan deteksi tumor ginjal.

Conclusion

Penelitian ini menekankan pentingnya penyetelan hyperparameter yang tepat dalam arsitektur Convolutional Neural Network (CNN) untuk diagnosis tumor ginjal.Metode yang diusulkan, yang menerapkan penyetelan hyperparameter pada MobileNet, menunjukkan kinerja superior dengan mencapai akurasi, presisi, recall, dan F1-score 100% pada dataset 80-10-10, jauh melampaui MobileNet Baseline.Keberhasilan ini menegaskan bahwa optimisasi parameter sangat krusial untuk meningkatkan kemampuan generalisasi model dalam tugas klasifikasi citra medis, sekaligus memberikan kontribusi signifikan dalam bidang pencitraan medis.

Future Research

Untuk memaksimalkan dampak penelitian ini dalam konteks diagnostik medis, terdapat beberapa arah studi lanjutan yang penting. Pertama, perluasan validasi model MobileNet yang telah dioptimalkan ini tidak hanya pada citra CT-scan, tetapi juga pada modalitas pencitraan ginjal lainnya seperti MRI, USG, atau bahkan histopatologi, akan sangat berharga untuk menilai adaptabilitas dan generalisasi model di berbagai skenario klinis. Selain itu, pengembangan kemampuan model untuk melakukan segmentasi tumor secara akurat, yaitu mengidentifikasi dan menandai batas-batas tumor, dapat memberikan informasi yang lebih detail dan krusial bagi perencanaan terapi atau bedah. Kedua, untuk memastikan ketahanan dan kepercayaan dalam implementasi nyata, investigasi mendalam terhadap robustansi model terhadap variasi kualitas citra, keberadaan noise, atau artefak yang umum terjadi pada data klinis adalah esensial. Hal ini termasuk pengujian pada dataset yang lebih luas dan representatif dari kondisi dunia nyata, serta eksplorasi metode data augmentation yang lebih canggih untuk mensimulasikan tantangan tersebut. Ketiga, integrasi elemen interpretasi model yang canggih, seperti teknik XAI (Explainable AI) yang dapat memvisualisasikan area fokus model atau memberikan alasan di balik keputusannya, akan sangat meningkatkan penerimaan dan kepercayaan dari komunitas medis. Kemampuan ini tidak hanya membantu para ahli radiologi memahami logika model, tetapi juga membuka peluang untuk penyempurnaan arsitektur model agar lebih selaras dengan penilaian diagnostik manusia, sekaligus memungkinkan identifikasi pola-pola visual yang mungkin terlewatkan oleh mata telanjang. Terakhir, optimalisasi lebih lanjut melalui teknik kompresi model atau kuantisasi sangat direkomendasikan untuk memungkinkan deployment pada perangkat keras dengan sumber daya komputasi terbatas, mempercepat waktu inferensi real-time, dan memperluas aksesibilitas alat diagnostik berbasis AI ini di berbagai fasilitas kesehatan.

References

1. An Efficient and Optimal Deep Learning Architecture using Custom U-Net and Mask R-CNN Models for Kidney... thesai.org/Publications/ViewPaper?Volume=13&Issue=6&Code=IJACSA&SerialNo=39An Efficient and Optimal Deep Learning Architecture using Custom U Net and Mask R CNN Models for Kidney thesai Publications ViewPaper Volume 13 Issue 6 Code IJACSA SerialNo 39
2. Effects of Automatic Hyperparameter Tuning on the Performance of Multi‐Variate Deep Learning‐Based... agupubs.onlinelibrary.wiley.com/doi/10.1029/2022WR032789Effects of Automatic Hyperparameter Tuning on the Performance of MultiyAAAaVariate Deep LearningyAAAaBased agupubs onlinelibrary wiley doi 10 1029 2022WR032789
3. Frontiers | Tumour-associated macrophages: versatile players in the tumour microenvironment. frontiers... doi.org/10.3389/fcell.2023.1261749Frontiers Tumour associated macrophages versatile players in the tumour microenvironment frontiers doi 10 3389 fcell 2023 1261749
4. National health policies and strategies for addressing chronic kidney disease: Data from the International... journals.plos.org/globalpublichealth/article?id=10.1371/journal.pgph.0001467National health policies and strategies for addressing chronic kidney disease Data from the International journals plos globalpublichealth article id 10 1371 journal pgph 0001467
5. Kidney Tumor Detection and Classification Based on Deep Learning Approaches: A New Dataset in CT Scans.... hindawi.com/journals/jhe/2022/3861161Kidney Tumor Detection and Classification Based on Deep Learning Approaches A New Dataset in CT Scans hindawi journals jhe 2022 3861161

Metadata

File size	542.77 KB
Pages	15
DMCA	Report