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, citra MRI otak dari 110 pasien, lengkap dengan mas tumor yang digambar dokter, dan garis kuning yang menandai batas tumor di atas citra. Ini langkah pertama seri kita membangun unit yang dioptimasi metaheuristik untuk segmentasi tumor otak. Ayo kita mulai. Selamat datang di seri tutorial riset AI, segmentasi citra tumor otak dengan unit yang dioptimasi metaheuristik. Berbeda dengan klasifikasi yang hanya menjawab ada atau tidak ada tumor, segmentasi menandai piksel mana saja yang merupakan tumor, sehingga dokter tahu letak dan luasnya. Di seri 6 episode ini kita membahas dataset MRI, praproses dan augmentasi, membangun unit dari 0, loss dice dan IOU, optimasi hyperparameter dengan partikles worm optimization dan gray wolf optimizer, sampai evaluasi. Di episode pertama ini kita mengenal datanya.
Langkah 1: Memasang library & dataset
Kita buka terminal lewat menu terminal, new terminal, lalu pasang library yang dibutuhkan, torque, open python, scikit-learn, dan matplotlib. Datasetnya adalah LGGMRI segmentation dari RSIB TCGA, MRI otak 110 pasien glioma tingkat rendah, dengan mas tumor yang digambar manual. Kami sudah mengecilkannya ke 128 piksel dalam folder dataset, satu subfolder per pasien. Folder ini tersedia di file proyek khusus pelanggan premium.
Langkah 2: Fungsi memuat data per pasien
Buat file data underscore otak dot py. Fungsi muat pasien membaca semua irisan MRI seorang pasien beserta masknya, lalu mengubah ukurannya menjadi 96 piksel. Perhatikan, citra diperkecil dengan interpolasi ria, sedangkan mask memakai niare snakebore supaya nilainya tetap 0 atau 1. Fungsi muat semua menggabungkan seluruh pasien dan menyimpan caca CNPZ, sehingga pemuatan berikutnya jauh lebih cepat. Yang paling penting adalah fungsi bagi pasien. Data dibagi 70, 15, 15 persen berdasarkan pasien, bukan berdasarkan irisan.
Langkah 3: Ukuran citra dan mask
Sekarang buat file eksplorasi underscore otak dot py dan jalankan. Ada 110 pasien dengan total 3.929 irisan. Setiap citra berukuran 96x96 dengan 3 kanal, yaitu 3 sekuens MRI, prakontras, flare, dan pasca kontras. Mask hanya berisi 0 dan 1.
i Langkah 4: Ketidakseimbangan piksel tumor
Mari hitung berapa irisan yang berisi tumor. Hanya 1373 irisan, sekitar 35 persen. Dan pada irisan bertumor pun, luas tumor rata-rata hanya 2,9 persen dari citra. Inilah tantangan utama segmentasi medis, piksel tumor sangat sedikit dibanding latar. Model yang selalu menebak tidak ada tumor akan terlihat akurat secara piksel, padahal tidak berguna. Karena itu nanti kita memakai metrik DAIS dan IOU. Lihat pembagian datanya.
Langkah 5: Pembagian data per pasien
77 pasien untuk latih, 16 validasi, dan 17 uji. Kenapa per pasien? Irisan yang bersebelahan dari pasien yang sama sangat mirip. Jika dibagi acap peririsan, model seolah melihat soal ujian saat belajar, dan skornya terlalu optimis. Ini kesalahan yang sering ditemukan deskripsi, jadi pastikan pembagian data Anda per pasien.
Langkah 6: Visualisasi mask dan overlay
Sekarang visualisasi. Baris pertama citra MRI, baris kedua mas tumor berwarna putih, dan baris ketiga overlay, garis kuning menandai batas tumor di atas citra. Tumor terlihat sebagai area terang pada sekuens flare, dengan bentuk dan ukuran yang sangat bervariasi. Garis batas inilah yang nanti harus digambar oleh UNED. Terakhir dua grafik, jumlah irisan tanpa tumor dan bertumor, serta histogram luas tumor.
Langkah 7: Statistik luas tumor
Sebagian besar tumor menempati kurang dari 5% citra, hanya sedikit yang besar. Distribusi ini perlu diingat saat membaca hasil evaluasi, karena tumor kecil jauh lebih sulit disegmentasi.
Selesai!
Selesai. Kita sudah mengenal dataset LGGMRI, memuat citra dan mas per pasien, memahami ketidakseimbangan piksel tumor, dan membagi data tanpa kebocoran. Di episode berikutnya kita melakukan praproses MRI dan augmentasi citra bersama mask-nya. Sedang menyusun skripsi, tesis, atau riset AI di bidang segmentasi citra medis? Cerdas inovasi digital membantu implementasi deep learning, dari segmentasi UNED, optimasi metahoristik PSO dan Grey Wolf, sampai evaluasi DAIS, IOU, dan penulisan hasil, serta membuka kursus deep learning dengan PyTor. Ingin menguasai seluruh seri ini, dari dataset MRI otak sampai UNED yang dioptimasi metahoristik? Semua 6 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.
