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, satu citra MRI otak diputar, diperbesar, digeser, dan dibalik secara acak, dan garis kuning batas tumor ikut bergerak dengan tepat mengikuti citranya. Inilah augmentasi yang benar untuk segmentasi. Ayo kita mulai. Halo, selamat datang di episode kedua seri segmentasi tumor otak dengan unit yang dioptimasi metaheuristik. Data kita sudah siap dimuat. Sekarang kita menyiapkannya untuk pelatihan. Normalisasi intensitas MRI, dan augmentasi data. Ada satu aturan penting di segmentasi. Setiap transformasi geometris pada citra harus diterapkan persis sama pada masknya.
Langkah 1: Augmentasi citra 4 mask
Buat file dataset underscore otak dot py. Pertama fungsi augmentasi. Dengan peluang 50% citra dan mask dibalik horizontal bersamaan. Lalu kita buat satu matriks transformasi afine dengan rotasi acak plus minus 15 derajat, skala 90-110%, dan geseran kecil. Matriks yang sama dipakai untuk citra dan mask. Citra memakai interpolasi linier, sedangkan mask memakai neares supaya tidak muncul nilai pecahan di tepi tumor. Terakhir kecerahan citra diubah sedikit, hanya citranya, karena kecerahan tidak mengubah letak tumor.
Langkah 2: Normalisasi, Dataset & DataLoader
Berikutnya normalisasi. Intensitas MRI tidak punya skala baku, berbeda antar mesin dan antar pasien. Karena itu kita pakai z-score per citra, dikurangi rata-rata lalu dibagi standar deviasi. Kelas data otak mengembalikan tensor citra 3 kanal dan mask 1 kanal, dengan augmentasi hanya untuk data latih. Fungsi loader membuat data loader untuk bagian latih, validasi, atau uji. Parameter porsi memungkinkan kita memakai sebagian data latih, yang nanti berguna saat optimasi metaheuristik. Sekarang buat file praproses underscore otak dot pye untuk melihat hasilnya.
Langkah 3: Memeriksa normalisasi
Kita pilih irisan dengan tumor terluas. Sebelum normalisasi, piksel bernilai 0 sampai 188. Sesudahnya rata-rata 0 dan standar deviasi 1.
a Langkah 4: Visualisasi augmentasi
Lalu kita tampilkan citra asli dan 4 hasil augmentasi. Perhatikan baris bawah, garis kuning batas tumor selalu menempel tepat di area tumor, walaupun citranya diputar, diperbesar, digeser, atau dibalik. Jika citra dan mask diaugmentasi terpisah dengan angka acak berbeda, label menjadi salah dan model belajar hal yang keliru.
Langkah 5: Batch dan jumlah data
Terakhir kita ambil satu bag dari loader latih. Bentuknya 32 citra, 3 kanal, 96x96, dan mask 1 kanal. Dalam bag ini, piksel tumor hanya sekitar 1%. Jumlah irisannya 2.680 untuk latih, 575 validasi, dan 674 uji.
Selesai!
Selesai. Kita sudah membuat normalisasi Z-score, augmentasi geometris yang identik untuk citra dan mask, serta data set dan data loader PyTor. Di episode berikutnya kita membangun arsitektur unit dari 0, enkoder, dekoder, dan skip connection. 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 data set 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.
