Salah satu jenis tumor otak yang sering kali tidak disadari oleh orang yang terinfeksi adalah tumor meningioma. Pada stadium awal kasus tumor meningioma sebagian besar tidak menunjukkan gejala yang berarti. Menurut Organisasi Kesehatan Dunia (WHO), tumor meningioma terletak di lapisan meningeal antara otak dan sumsum tulang belakang. Tumor meningioma memiliki tiga tingkatan: tingkat pertama – tumor jinak, tingkat kedua – tumor atipikal, dan tingkat ketiga – tumor ganas. Sebuah penelitian menyebutkan bahwa penduduk Indonesia menderita meningioma dengan jumlah kasus lebih dari 36% diantara tumor otak lainnya.
Selanjutnya dengan memperhatikan kesadaran akan gejala meningioma dini, kita harus memperhatikan gejala meningioma jinak untuk mencegahnya menyebar ke keadaan ganas. Untuk melakukannya, diperlukan analisis pencitraan resonansi magnetik otak pasien dengan mensegmentasi bagian meningioma, yang dikenal dengan analisis segmentasi MRI. Pada dasarnya segmentasi bermaksud untuk mengambil citra tumor meningioma pada lapisan meningeal.
Analisis segmentasi MRI akhir-akhir ini tidak hanya terfokus pada pengamatan setiap potongan MRI tetapi lebih jauh lagi pada bagaimana memprediksi volume tumor. Artinya, kita perlu bermain dengan data MRI tiga dimensi (3D) dari pada data MRI dua dimensi (2D) secara konvensional. Sejauh yang kami ketahui, ketersediaan dataset meningioma MRI 3D di publik sangat jarang. Ahli radiologi mungkin memiliki MRI 2D tetapi ahli bedah menginginkan gambar volumetrik dari tumor meningioma. Penelitian ini mengusulkan model pembelajaran mendalam mengenai segmentasi gambar 3D untuk bekerja dengan meningioma MRI 2D.
Dengan mengetahui volume tumor meningioma, dokter bedah dapat menentukan langkah operasi dalam pertemuan pra operasi (pre-op). Faktanya, hanya beberapa rumah sakit yang memiliki alat untuk merekam pasien MRI 3D karena mahal dalam hal waktu dan biaya pemindaian. Dalam kasus kami, kami berusaha untuk membantu ahli bedah selama pra operasi mereka dengan mengusulkan model pembelajaran mendalam untuk membangun tumor meningioma pseudo-3D dari potongan MRI 2D-nya. Model yang diusulkan umumnya menginterpolasi setiap irisan MRI 2D menggunakan teknik interpolasi untuk mendapatkan MRI pseudo-3D. Kemudian, kami melakukan segmentasi MRI pseudo-3D untuk menangkap tumor meningioma. Di sisi lain, segmentasi tumor otak diperoleh dari tiga rangkaian MRI: T1, T2, dan Flair.
Namun, saat itu ahli radiologi sepenuhnya mengerjakan analisis segmentasi MRI secara manual. Langkah manual merupakan tugas yang melelahkan karena memeriksa satu per satu irisan MRI, dimana setiap pasien memiliki lebih dari 100 irisan untuk satu jenis urutan. Dengan keterbatasan manusia dapat memberikan kemungkinan besar bahwa analisis akan tertunda atau bahkan salah diagnosis.
Metode pembelajaran mesin konvensional umumnya bekerja berdasarkan kerajinan tangan dengan mencari homogenitas piksel dari intensitas, warna, dan teksturnya, atau teknik pengelompokan dengan menggunakan k-Means atau fuzzy c-means untuk menentukan region-based sebagai bagian segmentasi. Tapi, metodenya terlalu sensitif terhadap kebisingan. Untuk mengurangi kebisingan dalam proses pembelajaran, kami memiliki hutan acak, jaringan saraf tiruan, dan mesin vektor dukungan. Namun, biasanya menumpuk pada masalah optimal lokal bahkan menambahkan lebih banyak data.
Kami mengusulkan model segmentasi tiga dimensi irisan pseudo untuk membantu membangun MRI 3D tumor meningioma dari beberapa irisan MRI 2D. Model yang diusulkan terintegrasi antara pendekatan irisan pseudo dan model segmentasi volumetrik. Irisan pseudo adalah pendekatan untuk membuat potongan MRI 2D semu dengan menginterpolasi setiap potongan MRI yang diberikan ke dalam versi 3D dan memperbesar hasilnya. Kemudian, kami melakukan segmentasi volumetrik tumor meningioma dari MRI 3D semu. Selain itu, model yang diusulkan ditentang oleh potongan MRI 2D yang sangat kecil, yaitu paling banyak delapan potongan gambar dan hanya satu jenis urutan MRI, yaitu T1. Model yang diusulkan diuji pada 27 MRI pasien dari rumah sakit Airlangga.
Awalnya, kami memiliki irisan MRI 2D dari setiap jenis urutan, dan jumlah irisan tidak memenuhi dimensi gambar 3D. Oleh karena itu, konsep utama dari model yang diusulkan adalah dengan mengintegrasikan model deep learning 3D dengan pendekatan interpolasi. Singkatnya, kami mengadopsi Vox2Vox sebagai model untuk segmentasi 3D. Kemudian, kami awalnya menerapkan teknik interpolasi untuk melakukan resampling setiap irisan MRI 2D hingga dimensinya bertemu dengan gambar 3D. Dalam penelitian ini, kami mengikuti tiga fungsi interpolasi untuk mengambil sampel ulang setiap irisan MRI 2D, yaitu fungsi interpolasi terdekat, bilinear, dan sinc. Sebagai hasilnya, kami mengambil sampel ulang meningioma MRI 3D. Setelah itu, kami melakukan Vox2Vox dari gambar sampel ulang untuk membuat gambar volumetric meningioma.
Kami mengevaluasi model yang diusulkan pada aspek kualitatif dan kuantitatif. Evaluasi menunjukkan hasil segmentasi tumor otak mirip dengan kebenaran dasar. Selain itu, model yang diusulkan mengungguli model SOTA. Selanjutnya, hasil segmentasi tumor otak dapat diterima oleh pemeriksaan radiologis.
Penulis: Dr. Anggraini Dwi Sensusiati, dr., Sp.Rad(K)
