marazura/deteksi-jantung-acdc-unet

Isi Repositori

1. 1.best_model_4_e1-1.pt: Adalah bobot (weights) dari salah satu model terbaik yang didapatkan setelah proses training.
2. 2.requirements.txt: Daftar library yang dibutuhkan untuk menjalankan kode.
3. 3.patient101_frame.h5.txt: Contoh Testing

Tujuan Eksperimen

1. 1.Melakukan segmentasi area jantung pada citra MRI
2. 2.Mengevaluasi performa U-Net untuk segmentasi multi-kelas
3. 3.Mengurangi overfitting menggunakan dropout dan augmentasi
4. 4.Menganalisis performa model menggunakan Dice Score dan IoU
5. 5.Menentukan konfigurasi terbaik untuk segmentasi citra medis jantung

Arsitektur Model

• —Model:U-Net
• —Tugas:Image Segmentation
• —Framework:PyTorch
• —Input:Citra MRI jantung grayscale ukuran 256×256 (Slices/2D)
• —Output: Mask segmentasi multi-kelas area jantung:
• —Background
• —Right Ventricle (RV)
• —Myocardium (MYO)
• —Left Ventricle (LV)

Detail Dataset

Model ini dilatih menggunakan dataset ACDC (Automated Cardiac Diagnosis Challenge)

• —Ukuran Gambar Input: 256x256 pixel
• —Jumlah Data Training: 1.529 gambar file Slices 2D
• —Jumlah Data Validasi: 383 gambar file Slices 2D
• —Jumlah Data Testing: 100 file Volume 3D

Detail Eksperimen (Training)

• —Epoch: 100 (early stop)
• —Batch Size: 4, 8, 12, 16, 32
• —Learning Rate : 0.1, 0.01, 0.001, 0.0001, 0.00001
• —Split Data :
• —Training = Slices (2D) dengan total file 1912 >> terbagi menjadi : training 80% (1529) dan validation 20% (383)
• —Testing = Volumes (3D) dengan total file 100

Teknik Augmentasi Data

Model menggunakan augmentasi data untuk meningkatkan generalisasi dan mengurangi overfitting, yaitu:

• —Horizontal Flip
• —Random Rotation 90°
• —Random Rotation 180°
• —Random Rotation 270° Augmentasi dilakukan secara acak selama proses training.

Evaluasi Model

Model dievaluasi menggunakan:

• —Dice Score
• —mIoU (Intersection over Union)
• —Precision
• —Recall
• —Validation Loss