Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, tiga baris rondgen dada. Baris atas citra asli, baris tengah setelah CLAHI yang membuat struktur paru jauh lebih jelas, dan baris bawah hasil augmentasi berupa rotasi, zoom, geser, dan kecerahan acak. Semua dibungkus dalam data set PITORC yang siap dipakai untuk melatih model. Ayo kita mulai. Halo, selamat datang di episode kedua seri model hybrid CNN LSTM untuk deteksi dini penyakit paru. Citra medis sering punya kontras rendah dan variasi kecerahan antar mesin rondgen. Praproses yang tepat membantu model fokus pada pola penyakit, bukan perbedaan alat. Di episode ini kita menerapkan CLAHI, normalisasi, dan augmentasi data, lalu menyiapkan data set dan data loader PITORC.
Langkah 1: CLAHE untuk kontras lokal
File data underscore paru.py dari episode sebelumnya sudah ada. Buat file baru praproses.py. Kita mulai dengan CLAHI, singkatan dari Kontras Limited Adaptive Histogram Equalization. Berbeda dengan ekualisasi histogram biasa yang berlaku untuk seluruh citra, CLAHI meratakan kontras per peta kecil, di sini 4x4, dengan batas klip limit 2 supaya noise tidak ikut diperkuat. Teknik ini standar untuk citra rondgen.
Langkah 2: Fungsi augmentasi
Berikutnya fungsi augmentasi. Data latih kita hanya ribuan citra, jadi kita perbanyak variasinya secara acak setiap kali citra dibaca. Rotasi sampai 10 derajat, zoom 90 sampai 110 persen, geser 3 piksel, dan kecerahan 85 sampai 115 persen. Kita memakai warp affine dari OpenCN6 dengan border reflex supaya tepi citra tidak hitam. Augmentasi sengaja ringan, karena posisi organ di rondgen cukup konsisten. Sekarang terapkan CLAHI ke seluruh data latih, validasi, dan uji,
Langkah 3: Menyimpan data siap pakai
lalu simpan ke satu file data underscore siap.npz yang terkompresi, supaya episode berikutnya tidak perlu mengulang praproses. Kita juga cek nilai setelah normalisasi kerentang 0 sampai 1, rata-rata sekitar 0,65.
Langkah 4: Asli vs CLAHE vs augmentasi
Lihat perbandingannya. Baris atas citra asli, baris tengah setelah CLAHI, tulang rusuk, batas jantung, dan corak paru tampak jauh lebih tegas. Baris bawah adalah versi augmentasi dari citra CLAHI yang sama, sedikit berputar, bergeser, dan berubah kecerahan. Bagi model, setiap versi adalah contoh latih yang baru.
Langkah 5: Dataset dan DataLoader PyTorch
Terakhir, bungkus data dalam dataset PyTorpe. Buat file dataset underscore paru.py. Kelas round ke dataset membaca file npz, dan di metode getite mengubah citra menjadi tensor float dengan satu kanal, serta menjalankan augmentasi hanya bila diminta, yaitu untuk data latih. Fungsi loader membuat data loader dengan B64 dan pengacakan untuk data latih. Kita uji dengan mengambil satu bag, bentuknya 64, 1, 64, 64. Selesai.
Selesai!
Kita sudah menerapkan CLAHI, normalisasi, augmentasi dengan OpenCNM, menyimpan data siap pakai, dan menyiapkan dataset serta data loader PyTorpe. Di episode berikutnya kita melatih model pembanding, yaitu CNN baseline, untuk klasifikasi normal versus pneumonia. Sedang menyusun skripsi, tesis, atau riset AI di bidang citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari CNN, LSTM, model hybrid, sampai interpretasi grade cam dan penulisan hasil, serta membuka kursus deep learning dengan PyTorpe. Ingin menguasai seluruh seri ini, dari dataset Rondgen sampai evaluasi dan grade cam? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, Sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
