Penerapan Teknik Transfer Learning Dalam Meningkatkan Kinerja Pengenalan Lesi Kanker Pada Citra MRI
Keywords:
Transfer Learning, Deep Learning, Jaringan Saraf Konvolusional, Citra MRI, Deteksi Lesi, Diagnosis KankerAbstract
Dalam beberapa tahun terakhir, teknik deep learning telah menunjukkan keberhasilan yang luar biasa dalam berbagai tugas visi komputer, termasuk analisis citra medis. Paper ini menyelidiki penerapan transfer learning, sebuah teknik deep learning populer, untuk meningkatkan kinerja deteksi lesi pada citra MRI untuk diagnosis kanker. Kami mengeksplorasi efektivitas model Convolutional Neural Network (CNN) yang telah dilatih sebelumnya, seperti VGG16 dan ResNet, dalam mengekstraksi fitur-fitur bermakna dari citra MRI. Hasil eksperimen kami menunjukkan bahwa fine-tuning model CNN yang telah dilatih sebelumnya pada dataset MRI yang relatif kecil dapat secara signifikan meningkatkan akurasi dan keandalan deteksi lesi. Pendekatan yang diusulkan tidak hanya mencapai kinerja yang superior dibandingkan dengan metode tradisional tetapi juga menunjukkan potensi yang menjanjikan untuk diterapkan secara praktis di pengaturan klinis. Penelitian ini berkontribusi pada upaya berkelanjutan dalam memanfaatkan kecerdasan buatan untuk membantu radiolog dalam mendiagnosis kanker secara lebih akurat dan efisien.
References
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., ... & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60-88.
Shen, D., Wu, G., & Suk, H. I. (2017). Deep learning in medical image analysis. Annual review of biomedical engineering, 19, 221-248.
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
Maier, A., Syben, C., Lasser, T., & Riess, C. (2019). A gentle introduction to deep learning in medical image processing. Zeitschrift für Medizinische Physik, 29(2), 86-101.
Ting, D. S. W., Cheung, C. Y. L., Lim, G., Tan, G. S. W., Quang, N. D., Gan, A., ... & Wong, T. Y. (2017). Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA, 318(22), 2211-2223.
