marazura/deteksi-jantung-acdc-unet

Isi Repositori

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

Tujuan Eksperimen

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

1. Background
2. Right Ventricle (RV)
3. Myocardium (MYO)
4. 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 :
  1. Training = Slices (2D) dengan total file 1912 >> terbagi menjadi : training 80% (1529) dan validation 20% (383)
  2. 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