Otak manusia merupakan organ yang sangat rumit yang mengatur hamper semua aspek perilaku, emosi, dan pengalaman manusia. Penyakit otak dapat mengganggu fungsi otak serta dapat mengganggu aktivitas sehari-hari, dan dalam kasus yang parah, bahkan dapat menyebabkan kematian. Saat ini, diagnosis penyakit otak dilakukan secara intensif karena diagnosis dini dan tepat waktu sangat penting untuk memberikan pengobatan yang tepat. Diagnosis dini membantu mencegah penyakit berkembang lebih jauh atau bahkan menghentikan perkembangannya. Sebaliknya, keterlambatan deteksi penyakit otak bisa berakibat fatal. Teknik pencitraan non-invasif telah membuat diagnosis penyakit otak lebih cepat dan nyaman.
Magnetic resonance imaging (MRI) adalah salah satu teknik pencitraan yang aman dan tidak memancarkan radiasi berbahaya. Teknik ini tidak meningkatkan risiko kanker, berlawanan dengan CT scan dan sinar-X. Selain itu, MRI dapat menghasilkan gambar jaringan lunak, saraf, ligamen, otot, serta otak. Namun sayangnya, diagnosis manual menggunakan gambar MR memakan waktu dan membingungkan. Dokter harus benar-benar mempertimbangkan berbagai parameter dari gambar MR otak untuk memberikan diagnosis akhir.
Baru-baru ini, banyak peneliti telah berfokus pada diagnosis berbantuan komputer (CAD) berdasarkan gambar MR yang dapat digunakan sebagai alat verifikasi untuk membantu menyederhanakan pekerjaan radiolog. Awalnya, peneliti menggunakan teknik klasifikasi pembelajaran mesin seperti jaringan syaraf tiruan (JST), hutan acak (RF), dan mesin vektor pendukung (SVM) untuk mengklasifikasikan penyakit otak menggunakan gambar MR. Namun, algoritma pembelajaran mesin mungkin tidak optimal untuk masalah klasifikasi gambar seperti itu karena membutuhkan waktu lebih lama untuk mencapai konvergensi dan memerlukan ekstraksi fitur manual, yang memakan waktu dan rentan terhadap kesalahan saat diterapkan pada dataset besar.
Tidak seperti pembelajaran mesin konvensional, algoritma Convolutional Neural Network (CNN) dari deep learning mampu melakukan ekstraksi fitur secara otomatis dan dapat dilatih dengan massive dataset. Oleh karena itu, CNN telah banyak diterapkan pada masalah klasifikasi citra medis, termasuk klasifikasi citra MR otak. Beberapa penelitian telah menunjukkan kinerja CNN yang sangat baik dalam mengklasifikasikan gambar MR otak sebagai normal atau abnormal (klasifikasi biner). Model CNN yang dalam namun lebih ringan untuk tujuan yang sama juga telah dikembangkan dan mencapai akurasi yang lebih tinggi, hingga 97,50%. Demikian pula, studi lain melakukan pembelajaran transfer menggunakan CNN pra-terlatih yang ringan, MobileNetV2, dan mencapai akurasi 99,10%.
Penggunaan CNN dalam klasifikasi penyakit otak multi-kelas dalam studi ini telah menunjukkan peningkatan akurasi yang signifikan dibandingkan dengan penggunaan algoritma pembelajaran mesin. Hasil ini menunjukkan bahwa CNN sangat cocok untuk klasifikasi penyakit otak menggunakan gambar MR. Tetapi, model CNN yang dikembangkan pada studi sebelumnya adalah pengklasifikasi tipe tunggal yang hanya terdiri dari satu algoritma dasar, dan keluarannya tidak digabungkan dengan algoritma tambahan.
Pengklasifikasi tunggal dalam domain analisis citra medis mengalami beberapa tantangan. Pertama, jumlah data yang dianotasi dan diberi label masih rendah untuk membuat ekstrak jaringan tunggal dan mempelajari fitur gambar MRI otak yang sangat kompleks. Kedua, data yang tidak seimbang di antara kelas mungkin ada. Tantangan-tantangan ini dapat menyebabkan varian yang lebih tinggi dalam model jaringan dalam, yang menyebabkan generalisasi dan kinerja klasifikasi yang buruk. Ketiga, terkait dengan objektivitas diagnosis yang dapat dipengaruhi secara mendalam oleh variabilitas citra medis yang disebabkan oleh perbedaan kualitas citra, modalitas pencitraan, dan karakteristik pasien, sehingga menyulitkan pengklasifikasi tunggal untuk secara akurat menangkap semua fitur yang diperlukan dan pola.
Sejumlah penelitian menunjukkan bahwa menggabungkan keluaran prediksi dari algoritma yang berbeda, juga dikenal sebagai metode ansambel, membantu mengurangi varian dalam pembelajaran mendalam dan memberikan hasil yang lebih baik daripada pengklasifikasi tunggal. Metode ansambel biasanya dikategorikan sebagai homogen dan heterogen. Metode ansambel homogen menggabungkan keluaran dari algoritma basis tunggal, sedangkan metode ansambel heterogen menggabungkan keluaran dari algoritme basis berbeda dan telah terbukti unggul.
Beberapa penelitian telah menerapkan metode ansambel heterogen menggunakan CNN untuk tugas klasifikasi citra medis, tetapi hanya sedikit yang ditujukan untuk klasifikasi multi-kelas. Selain itu, penelitian ini menerapkan metode ansambel berdasarkan pendekatan rata-rata. Metode generalisasi tumpukan adalah contoh ansambel heterogen yang tampil lebih unggul dibandingkan dengan pendekatan rata-rata. Meskipun meningkatnya minat pada CNN untuk klasifikasi citra medis, penggunaan metode generalisasi bertumpuk khusus untuk klasifikasi penyakit otak multikelas belum dieksplorasi hingga saat ini.
Oleh karena itu, penelitian ini mengusulkan pendekatan baru metode deep heterogeneous ensemble learning berdasarkan stacked generalization untuk mengatasi tantangan yang terkait dengan pengklasifikasi tunggal dalam analisis citra medis. Metode yang diusulkan bertujuan untuk meningkatkan kinerja dan ketahanan tugas klasifikasi penyakit otak multi-kelas, terutama dalam kasus dengan data sampel terbatas dan tidak merata. Selain itu, bertujuan untuk mengurangi jumlah parameter dan sumber daya komputasi.
Metode yang diusulkan terdiri dari dua tingkat proses pembelajaran yang digunakan untuk mengklasifikasikan gambar MR otak menjadi lima kelas. Pada tingkat pertama, pengklasifikasi dasar dari model ansambel heterogen dikembangkan menggunakan CNN pra-pelatihan yang berbeda melalui pembelajaran transfer. Pengklasifikasi dasar ini memiliki sifat yang berbeda seperti ahli dengan pengetahuan khusus, yang dapat memberikan keragaman pada hasil diagnosis. Pada tingkat yang lebih tinggi, pembelajar dasar yang berbeda tertanam dalam meta-pelajar berdasarkan jaringan saraf bekerja untuk membentuk satu model susun besar tunggal, yang kemudian dilatih pada kumpulan data yang tidak digunakan untuk menghasilkan prediksi akhir. Model ini mendapat manfaat dari peningkatan generalisasi untuk mencapai kebijaksanaan para ahli.
Pendekatan pembelajaran mendalam, khususnya jaringan saraf convolutional (CNN), telah menunjukkan harapan besar dalam mengotomatiskan diagnosis kelainan otak. Namun, salah satu tantangan di bidang ini adalah terbatasnya ketersediaan data berlabel, yang dapat menghambat pengembangan model diagnostik yang efektif. Untuk mengatasi masalah ini, dilakukan penyelidikan kemungkinan memanfaatkan beberapa pengklasifikasi berbasis CNN. Penerapan teknik generalisasi bertumpuk dilakukan untuk meningkatkan kinerja klasifikasi. Studi ini berfokus pada pengembangan model Deep-Stacked CNN yang dirancang untuk mengklasifikasikan gambar MR otak ke dalam lima kategori berbeda: normal, neoplastik, cerebrovaskular, degeneratif, dan inflamasi atau infeksi.
Studi ini menemukan bahwa lipatan data memengaruhi kinerja pengklasifikasi tunggal dan ansambel. Namun demikian, percobaan menunjukkan bahwa metode ansambel umumnya mengungguli pengklasifikasi tunggal terlepas dari lipatan data, menunjukkan kemampuan mereka untuk menangkap hubungan yang kompleks dan menggeneralisasi lebih baik ke data baru. Oleh karena itu, sangat penting untuk memilih lipatan data dengan hati-hati dan mempertimbangkan manfaat dari pembelajaran ansambel untuk meningkatkan kinerja model dan meningkatkan generalisasi. Sementara pemungutan ansambel bukanlah metode ansambel yang paling menonjol, masih lebih baik daripada mengandalkan satu pengklasifikasi, terutama jika menggabungkan lebih dari dua pengklasifikasi.
Namun, ansambel rata-rata tidak meningkatkan akurasi model secara signifikan terlepas dari jumlah pengklasifikasi yang digabungkan. Di sisi lain, Deep-Stacked yang diusulkan Model CNN menunjukkan hasil yang luar biasa, karena menggabungkan hanya dua pengklasifikasi untuk membentuk model bertumpuk secara signifikan meningkatkan akurasi. Ini menyoroti pentingnya memilih dan menggabungkan pembelajar berbasis CNN dengan hati-hati saat
mencapai akurasi yang lebih tinggi daripada baseline CNN dan metode ansambel lainnya.
Deep-Stacked MobileNets, berdasarkan MobileNetV1 dan MobileNetV2, berperforma paling efisien di antara kombinasi CNN lainnya, membutuhkan lebih sedikit parameter dan lebih sedikit daya komputasi sambil mempertahankan akurasi luar biasa sebesar 99,14%. Selain itu, model ini mengungguli metode canggih dan mencapai akurasi tinggi saat diuji pada kumpulan data baru tanpa pelatihan tambahan. Evaluasi kualitatif menunjukkan bahwa model Deep-Stacked CNN dapat mengidentifikasi fitur yang signifikan namun tidak diperhatikan dengan mengumpulkan fitur subjektif dari para ahli atau pengklasifikasi yang berbeda, yang mengarah ke keputusan yang lebih objektif dan akurat, memanfaatkan kebijaksanaan para ahli.
Secara keseluruhan, penelitian ini menampilkan potensi model Deep-Stacked CNN sebagai alat yang berharga untuk meningkatkan akurasi analisis citra medis dalam pengaturan klinis. Temuan ini memberikan wawasan penting tentang faktor-faktor yang dapat memengaruhi kinerja model pembelajaran mendalam dalam konteks ini. Dengan terus menyempurnakan dan meningkatkan model pembelajaran mendalam sehingga dapat membantu memastikan bahwa pasien menerima diagnosis dan perawatan yang lebih akurat, yang pada akhirnya meningkatkan hasil dan kualitas hidup mereka.
Penulis: Dr. Anggraini Dwi Sensusiati, dr., Sp.Rad(K)
source
https://unair.ac.id/