Kemajuan dalam pencitraan medis telah merevolusi prosedur diagnostik, dengan Magnetic Resonance Imaging (MRI) menjadi alat yang sangat penting untuk visualisasi anatomi yang akurat. Namun, volume dan resolusi data MRI yang besar menimbulkan tantangan komputasional. Tantangan ini sering kali memerlukan downsampling untuk penyimpanan dan pemrosesan yang efisien. Downsampling melibatkan pengurangan resolusi spasial gambar, namun dampaknya terhadap akurasi analisis selanjutnya tetap menjadi perhatian kritis. Dalam studi ini, kami meneliti dampak downsampling pada penilaian gambar MRI 3D. Khususnya dengan fokus pada metrik evaluasi Jaccard Similarity Index (JSI), Dice Similarity Coefficient Sorensen (DSC), dan Structural Similarity (SSIM).
Metrik-metrik ini, yang banyak digunakan dalam mengukur kesamaan antara gambar, menjadi dasar untuk menilai efek downsampling pada analisis gambar. Studi yang dilakukan oleh penelitian sebelumnya menunjukkan bahwa JSI dan DSC dapat digunakan sebagai metrik untuk mengukur segmentasi pembuluh darah. Pada studi lain juga membuktikan bahwa JSI dan DSC dapat mengukur kinerja segmentasi pembelajaran mesin. Studi lain hanya menggunakan DSC sebagai metrik untuk mengukur hasil segmentasi gambar medis umum. Sementara SSIM digunakan dalam studi lain untuk mengukur hasil segmentasi.
Arsitektur jaringan saraf konvolusi (CNN)
Untuk memprediksi segmen gambar MRI otak, penelitian ini menggunakan arsitektur jaringan saraf konvolusi (CNN), yaitu U-Net, Res U-Net, dan Dense U-Net. Arsitektur ini dan modifikasinya dipilih karena kemampuannya dalam tugas segmentasi semantik, dengan tujuan meniru penanda yang dibuat oleh para ahli medis. Semua arsitektur telah digunakan untuk mensegmentasi gambar biomedis. U-Net telah digunakan dalam beberapa studi baik sebagai model dasar atau secara mandiri. Sementara itu, Dense U-Net, dan Res U-Net sebagai arsitektur modifikasi U-Net juga digunakan dalam berbagai kasus segmentasi.
Prediksi berbasis CNN kemudian dibandingkan dengan segmen ground truth yang dikurasi oleh dokter berpengalaman. Perbandingan ini dilakukan pada tiga tingkat downsampling yang berbeda: 100%, 75%, dan 50% dari resolusi gambar asli. Penting untuk dicatat bahwa dataset yang digunakan dalam studi ini bersumber dari institusi medis, yaitu RS Dr. Soetomo dan National Hospital di Surabaya, Indonesia. Dataset ini terdiri dari serangkaian gambar MRI dalam bentuk irisan, yang menangkap spektrum variasi anatomi otak. Karena dataset yang kami peroleh berbentuk gambar 2D, kami perlu merekonstruksi setiap gambar MRI menjadi gambar MRI 3D menggunakan studi sebelumnya. Tujuan utama penelitian ini adalah sebagai berikut:
i). Menguji ketahanan metrik evaluasi pada tingkat downsampling yang berbeda.
ii). Menguji metrik evaluasi pada hasil segmentasi yang berbeda.
Efek downsampling pada similarity metric
Studi ini menyelidiki efek downsampling pada similarity metric. Sementara studi sebelumnya telah mengeksplorasi dampak penggunaan similarity metric pada hasil segmentasi, mereka belum secara eksplisit membahas pengaruhnya pada gambar yang telah di-downsample. Pada bagian selanjutnya, kami menguraikan metodologi yang digunakan, termasuk penggunaan arsitektur U-Net, Res U-Net, dan Dense U-Net, dataset yang diperoleh dari RS Dr. Soetomo dan National Hospital di Surabaya, Indonesia, dan pengaturan eksperimental spesifik yang dirancang untuk melakukan perbandingan antara segmen yang diprediksi CNN dan ground truth pada berbagai tingkat downsampling.
Penulis: Aziz Fajar, S.Kom., M.Kom.
