Kursus Segmentasi Citra Medis: U-Net Tumor Otak yang Dioptimasi PSO & Grey Wolf
Di kursus ini Anda membangun sistem segmentasi tumor otak dari MRI dengan PyTorch, mengikuti alur penelitian sungguhan: dataset MRI dengan pembagian per pasien, augmentasi citra + mask, U-Net dari nol, loss BCE-Dice, lalu optimasi hyperparameter dengan metaheuristik PSO dan Grey Wolf Optimizer, dan evaluasi Dice & IoU di data uji.
Materi mengikuti seri video Segmentasi Citra Tumor Otak dengan U-Net yang Dioptimasi Metaheuristik (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- Dice data uji 0,770 dan IoU 0,626 setelah optimasi PSO (U-Net baseline 0,721 / 0,563).
- False positive pada irisan sehat turun dari 5,7% menjadi 3,2%.
- Seluruh eksperimen berjalan di CPU, tanpa GPU.
Apa yang Dipelajari
- Dataset LGG MRI Segmentation (TCGA, 110 pasien) dan ketidakseimbangan piksel tumor.
- Normalisasi z-score dan augmentasi affine yang identik untuk citra dan mask.
- U-Net: encoder, bottleneck, decoder, skip connection, dan uji overfit.
- Dice, IoU, BCE-Dice loss, dan kenapa akurasi piksel menipu.
- Particle Swarm Optimization dan Grey Wolf Optimizer ditulis dari nol.
- Evaluasi data uji, boxplot Dice per irisan, dan overlay hasil segmentasi.
Untuk Siapa?
Mahasiswa S1/S2 yang menyusun skripsi atau tesis segmentasi citra medis, peneliti dan dosen, serta developer AI.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat jasa riset segmentasi citra medis.
