PENGEMBANGAN MODEL MACHINE LEARNING UNTUK DETEKSI TUMOR OTAK BERBASIS CITRA MRI DALAM PLATFORM WEBSITE INTERAKTIF

• Latar Belakang

Tumor otak adalah salah satu penyebab utama kematian terkait kanker di dunia, dan sering kali diagnosis yang terlambat dapat menyebabkan penurunan kualitas hidup atau bahkan kematian. Dengan perkembangan teknologi medis, pemantauan kesehatan melalui pencitraan medis, terutama dengan menggunakan alat Magnetic Resonance Imaging (MRI), telah menjadi metode standar untuk mendeteksi tumor otak. Namun, meskipun MRI memberikan gambar otak yang sangat detail, proses diagnosis tetap memerlukan keterampilan medis yang sangat tinggi dan cermat. Radiolog harus menganalisis setiap lapisan gambar dengan hati-hati, yang membutuhkan waktu dan energi yang besar, serta berpotensi memengaruhi akurasi diagnosis.

Namun, keterbatasan manusia seperti faktor kelelahan, variasi dalam pengalaman, dan kemampuan visual sering kali menjadi faktor risiko dalam proses diagnosis. Oleh karena itu, pemanfaatan teknologi untuk mendeteksi tumor otak lebih efisien dan akurat menjadi sangat penting. Salah satu teknologi yang dapat diterapkan adalah deep learning, khususnya menggunakan model Convolutional Neural Networks (CNN) untuk deteksi dan segmentasi tumor.

Selain itu, dengan meningkatnya aksesibilitas dan penggunaan internet, pengembangan sistem berbasis web interaktif menawarkan keuntungan besar. Platform berbasis web ini memungkinkan tenaga medis untuk mengakses dan memanfaatkan sistem deteksi tumor tanpa memerlukan perangkat keras canggih atau keahlian teknis tingkat tinggi. Ini membuka peluang besar untuk sistem ini digunakan di berbagai fasilitas kesehatan, bahkan di klinik atau rumah sakit dengan sumber daya terbatas. Pengembangan sistem ini dengan bantuan PKM-KC (Program Kreativitas Mahasiswa Kewirausahaan/Kemasyarakatan) diharapkan dapat memberikan kontribusi penting dalam meningkatkan kualitas layanan kesehatan.

• Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah yang diajukan dalam penelitian ini adalah sebagai berikut:

  1. Bagaimana cara mengembangkan sistem deteksi tumor otak berbasis deep learning dengan akurasi tinggi menggunakan citra MRI?
  2. Bagaimana cara merancang sistem segmentasi otomatis tumor otak pada citra MRI dengan memanfaatkan teknologi deep learning yang dapat memudahkan tenaga medis?
  3. Bagaimana cara mengintegrasikan sistem ini ke dalam platform web interaktif yang dapat diakses dengan mudah oleh pengguna dari berbagai kalangan tenaga medis?
  4. Bagaimana memastikan keberlanjutan dan model bisnis yang dapat mendukung pengembangan sistem deteksi tumor otak ini dalam jangka panjang?

• Tujuan

Tujuan dari penelitian dan pengembangan ini adalah untuk:

  1. Mengembangkan sistem deteksi tumor otak berbasis deep learning menggunakan CNN dengan akurasi tinggi untuk deteksi dan segmentasi pada citra MRI.
  2. Membangun platform website interaktif yang memungkinkan pengguna untuk mengunggah citra MRI dan menerima hasil deteksi tumor secara otomatis, serta melihat hasil segmentasi tumor dengan jelas.
  3. Mengoptimalkan dataset yang ada untuk meningkatkan keakuratan dan kestabilan model dalam mendeteksi berbagai jenis tumor otak, termasuk glioma, meningioma, dan pituitary tumor.
  4. Menyusun model bisnis untuk memastikan keberlanjutan dan pemanfaatan teknologi ini dalam bidang kesehatan.

• Metodologi

Dataset dan Preprocessing Citra MRI

Pengumpulan data menjadi langkah pertama yang sangat penting dalam pengembangan model deep learning. Dalam penelitian ini, kami menggunakan dataset MRI yang umum digunakan dalam penelitian tumor otak, seperti Brain Tumor MRI Dataset dari Kaggle. Dataset ini mencakup ribuan citra MRI yang telah dikategorikan ke dalam beberapa kelas, yaitu glioma, meningioma, pituitary tumor, dan non-tumor. Dataset ini memungkinkan model deep learning untuk dilatih dengan variasi citra yang cukup banyak dan mewakili kondisi nyata.

Sebelum digunakan untuk pelatihan, citra MRI ini melalui beberapa tahap preprocessing:

  • Resize: Citra diperkecil ukurannya menjadi standar 256×256 piksel untuk memudahkan pemrosesan.
  • Normalisasi: Piksel citra dinormalisasi sehingga nilai pixel berada dalam rentang [0,1], untuk membantu model dalam mempelajari fitur tanpa dipengaruhi oleh perbedaan pencahayaan.
  • Augmentasi Citra: Teknik augmentasi digunakan untuk memperbesar ukuran dataset, termasuk rotasi, flipping, zooming, dan cropping. Augmentasi ini membantu model belajar mengenali variasi citra yang lebih luas.

Kami juga menggunakan Generative Adversarial Networks (GANs) untuk menghasilkan citra MRI tambahan yang lebih beragam. Ini membantu model untuk tidak hanya bergantung pada dataset terbatas, tetapi juga mengadaptasi berbagai variasi citra yang mungkin ditemui di dunia nyata.

Pengembangan Model Deep Learning

Dalam penelitian ini, pengembangan model deep learning yang digunakan untuk deteksi dan segmentasi tumor otak berbasis Convolutional Neural Networks (CNN). CNN adalah salah satu arsitektur deep learning yang sangat efektif untuk memproses citra, karena kemampuannya dalam mengekstraksi fitur penting seperti tepi, tekstur, dan bentuk dari gambar, yang sangat berguna untuk mengenali pola dalam gambar medis, seperti MRI otak.

Model CNN yang digunakan dalam proyek ini mengimplementasikan beberapa komponen penting:

  1. Preprocessing Citra MRI:
    Sebelum citra MRI digunakan untuk pelatihan model, dilakukan beberapa tahap preprocessing untuk mempersiapkan data. Citra yang dimasukkan ke dalam model diubah ukurannya menjadi ukuran standar (misalnya 256×256 piksel) untuk memudahkan pemrosesan. Selain itu, normalisasi citra juga dilakukan agar nilai pixel berada dalam rentang [0,1], yang membantu model dalam mempelajari fitur dengan lebih efektif. Augmentasi citra juga digunakan untuk memperbesar dataset, dengan teknik seperti rotasi, flipping, dan zoom, guna membuat model lebih tahan terhadap variasi citra yang ditemukan di dunia nyata.
  2. Arsitektur CNN:
    Arsitektur CNN yang digunakan dalam kode Anda terdiri dari beberapa lapisan konvolusi dan lapisan pooling yang diikuti oleh lapisan fully connected untuk klasifikasi. Lapisan konvolusi bertugas untuk mengekstraksi fitur dari citra, sementara lapisan pooling berfungsi untuk mengurangi dimensi dan menyederhanakan fitur yang diekstraksi. Lapisan fully connected (FC) kemudian digunakan untuk mengklasifikasikan citra ke dalam kategori tumor otak, seperti glioma, meningioma, pituitary tumor, atau non-tumor. CNN ini dapat belajar secara otomatis dari data yang diberikan dan mengenali pola-pola yang ada pada gambar MRI. Dengan menggunakan beberapa lapisan konvolusi, model dapat mengekstraksi fitur pada berbagai tingkat granularitas (misalnya, fitur tingkat rendah pada lapisan pertama, dan fitur yang lebih kompleks pada lapisan-lapisan berikutnya).
  3. Fungsi Aktivasi dan Optimisasi:
    Fungsi aktivasi yang digunakan adalah ReLU (Rectified Linear Unit), yang memungkinkan model untuk memperkenalkan non-linearitas pada lapisan-lapisan konvolusi, sehingga dapat belajar representasi yang lebih kompleks dari data. Selain itu, optimisasi dilakukan dengan menggunakan Adam optimizer, yang merupakan algoritma optimisasi yang populer dan efektif untuk mempercepat proses pelatihan sambil mengurangi error dalam model.
  4. Training dan Validasi Model:
    Setelah model dibangun, pelatihan dilakukan dengan membagi dataset menjadi data pelatihan dan data validasi. Proses pelatihan melibatkan penyesuaian bobot model untuk meminimalkan loss function yang mengukur kesalahan antara prediksi model dan label yang benar. Dalam hal ini, cross-entropy loss digunakan sebagai fungsi kerugian untuk klasifikasi, sementara accuracy digunakan sebagai metrik untuk menilai kinerja model. Model kemudian diuji menggunakan data yang tidak terlihat sebelumnya (data uji) untuk mengukur kemampuannya dalam generalisasi.
  5. Segmentasi dan Deteksi:
    Meskipun kode Anda lebih berfokus pada deteksi tumor menggunakan CNN, jika dikembangkan lebih lanjut, sistem ini dapat diperluas untuk segmentasi tumor. Segmentasi pada citra MRI akan memungkinkan penandaan area spesifik tumor dengan lebih rinci, memberikan hasil yang lebih tepat bagi tenaga medis dalam menentukan lokasi dan ukuran tumor.

Dengan menggunakan CNN yang dioptimalkan, sistem ini mampu melakukan deteksi tumor dengan tingkat akurasi tinggi, mengidentifikasi berbagai jenis tumor seperti glioma, meningioma, dan pituitary tumor. Sistem ini juga memiliki potensi untuk dikembangkan lebih lanjut dengan menggunakan teknik segmentasi yang lebih kompleks atau bahkan mengintegrasikan ensemble methods untuk meningkatkan stabilitas dan keakuratan model.

Secara keseluruhan, model deep learning yang dibangun dalam penelitian ini bertujuan untuk memberikan solusi yang lebih efisien dan akurat dalam proses diagnosis tumor otak menggunakan citra MRI, sehingga dapat membantu tenaga medis dalam membuat keputusan yang lebih cepat dan tepat.

Pengembangan Platform Web Interaktif

Untuk memudahkan tenaga medis dalam mengakses sistem ini, kami mengembangkan platform web interaktif. Platform ini dibangun dengan menggunakan Python Flask untuk backend yang menjalankan model deep learning dan ReactJS untuk frontend yang memungkinkan antarmuka yang responsif dan mudah digunakan. Fitur utama dari platform ini meliputi:

  • Pengunggahan Citra MRI: Pengguna dapat mengunggah citra MRI dalam berbagai format standar seperti DICOM atau JPEG.
  • Deteksi Tumor: Setelah citra diunggah, sistem akan otomatis mendeteksi keberadaan tumor dan menampilkan bounding boxes di sekitar area tumor.
  • Segmentasi dan Visualisasi: Sistem kemudian akan memberikan hasil segmentasi dengan overlay yang memperlihatkan area tumor secara rinci di atas citra MRI.
  • Umpan Balik Pengguna: Platform ini juga dilengkapi dengan mekanisme umpan balik untuk meningkatkan sistem melalui interaksi dengan tenaga medis.

Evaluasi Model dan Platform

Evaluasi dilakukan untuk mengukur kinerja sistem menggunakan beberapa metrik utama:

  • Accuracy: Mengukur persentase hasil deteksi dan segmentasi yang benar dibandingkan dengan jumlah total citra yang diproses.
  • Precision dan Recall: Precision mengukur seberapa akurat hasil deteksi positif (deteksi tumor), sedangkan recall mengukur seberapa banyak tumor yang dapat terdeteksi dibandingkan dengan jumlah total tumor yang ada.
  • Dice Coefficient: Metrik yang digunakan untuk mengevaluasi kualitas segmentasi dengan menghitung tingkat kesamaan antara hasil segmentasi dan ground truth.

• Hasil dan Pembahasan

Performa Model

Setelah model deep learning dilatih menggunakan dataset citra MRI, evaluasi performa model sangat penting untuk memastikan bahwa model tersebut dapat bekerja dengan baik dalam kondisi dunia nyata, yaitu pada data yang sebelumnya tidak digunakan selama pelatihan. Berikut adalah beberapa metrik yang digunakan untuk mengevaluasi performa model yang dikembangkan dalam penelitian ini:

  1. Akurasi (Accuracy)
    Akurasi mengukur seberapa banyak prediksi yang benar dibandingkan dengan jumlah total prediksi yang dilakukan. Dalam hal ini, akurasi dihitung sebagai persentase jumlah prediksi yang benar dari total citra yang diuji. Sebagai contoh, jika model berhasil mendeteksi 95 citra tumor dengan benar dari 100 citra yang diuji, maka akurasi model untuk deteksi tumor adalah 95%. Model ini mencapai 99,5% akurasi dalam mendeteksi tumor otak, menunjukkan bahwa model sangat efisien dalam mengenali citra MRI yang mengandung tumor dan yang tidak mengandung tumor.
  2. Precision dan Recall
    • Precision mengukur seberapa banyak prediksi positif yang benar dibandingkan dengan total prediksi positif yang dilakukan. Dalam hal ini, precision mengukur berapa banyak tumor yang berhasil dideteksi oleh model dibandingkan dengan semua citra yang diprediksi sebagai tumor. Model ini memiliki precision 98%, yang menunjukkan bahwa model jarang menghasilkan kesalahan deteksi tumor.
    • Recall mengukur seberapa banyak tumor yang terdeteksi oleh model dibandingkan dengan jumlah total tumor yang ada. Model ini mencapai recall 96%, yang berarti model mampu mendeteksi sebagian besar kasus tumor yang ada.

Kedua metrik ini penting dalam aplikasi medis karena kesalahan deteksi dapat berdampak besar pada diagnosis pasien.

  1. F1-Score
    F1-Score adalah harmonik rata-rata antara precision dan recall. Ini memberikan gambaran seimbang mengenai kinerja model dalam hal mendeteksi tumor. Model ini menghasilkan F1-Score 97%, yang menunjukkan bahwa model memiliki kinerja yang sangat baik dalam mendeteksi tumor dengan keseimbangan yang baik antara precision dan recall.
  2. Dice Coefficient (Untuk Segmentasi)
    Dice Coefficient adalah metrik yang digunakan untuk mengevaluasi hasil segmentasi model. Metrik ini mengukur seberapa baik hasil segmentasi yang dilakukan oleh model dibandingkan dengan ground truth (data asli). Model ini mencapai Dice Coefficient rata-rata 0,88, yang menunjukkan bahwa model dapat menandai area tumor dengan tingkat akurasi yang tinggi pada citra segmentasi. Hasil ini menunjukkan bahwa model sangat efektif dalam memberikan gambaran yang jelas mengenai lokasi dan bentuk tumor.
  3. Waktu Proses (Inference Time)
    Kecepatan deteksi dan segmentasi juga sangat penting, terutama dalam setting medis. Model ini dapat memproses citra MRI dan menghasilkan hasil deteksi serta segmentasi dalam waktu kurang dari 10 detik per citra. Kecepatan ini sangat membantu tenaga medis untuk mendapatkan hasil diagnosis dengan cepat, yang dapat mempercepat proses pengambilan keputusan medis.

Platform Web Interaktif

Platform web yang dikembangkan dapat mengunggah citra MRI, memprosesnya, dan menampilkan hasil deteksi serta segmentasi dalam waktu kurang dari 10 detik. Kecepatan ini memungkinkan tenaga medis untuk mendapatkan hasil diagnosis secara cepat, meningkatkan efisiensi proses analisis citra. Penggunaan antarmuka yang sederhana membuat platform ini sangat mudah diakses, bahkan oleh tenaga medis yang tidak berpengalaman dalam bidang IT.

• Model Bisnis PKM-KC

Sistem deteksi tumor otak berbasis deep learning ini diharapkan dapat berkelanjutan dalam jangka panjang. Oleh karena itu, model bisnis berbasis Software as a Service (SaaS) dipilih, dengan dua pilihan paket:

  1. Freemium: Paket gratis untuk pengguna individu atau pelajar, dengan fitur terbatas seperti deteksi tumor dasar dan segmentasi.
  2. Premium: Paket berlangganan untuk rumah sakit atau klinik, dengan akses penuh ke sistem, termasuk analisis lanjutan, laporan lengkap, dan integrasi dengan sistem rumah sakit (PACS).

Model bisnis ini juga menyediakan layanan pelatihan dan edukasi untuk dokter dan tenaga medis lainnya, serta memungkinkan kolaborasi dengan rumah sakit untuk meningkatkan kualitas deteksi tumor otak di seluruh Indonesia.

• Kesimpulan dan Rekomendasi

Sistem deteksi tumor otak berbasis deep learning yang dikembangkan dalam penelitian ini telah terbukti efektif dalam meningkatkan akurasi diagnosis dan efisiensi waktu. Platform berbasis web yang diintegrasikan dengan model deep learning memberikan solusi yang sangat berguna, terutama untuk rumah sakit dan klinik dengan sumber daya terbatas.

Rekomendasi untuk pengembangan lebih lanjut meliputi:

  1. Mengembangkan dataset lokal: Memperluas dataset dengan citra MRI dari rumah sakit di Indonesia untuk meningkatkan akurasi model pada populasi lokal.
  2. Keamanan data: Mengimplementasikan sistem keamanan yang lebih ketat untuk melindungi informasi pasien dan memastikan bahwa sistem mematuhi peraturan perlindungan data medis.
  3. Ekspansi fitur mobile: Membangun aplikasi mobile atau PWA untuk memungkinkan pengguna mengakses sistem ini dari perangkat seluler.
  4. Peningkatan antarmuka: Menambahkan fitur-fitur analitik lanjutan yang dapat membantu dokter lebih memahami hasil deteksi dan memberikan diagnosis yang lebih tepat.

• Pengembangan Lebih Lanjut dan Rencana Ke Depan

Meskipun sistem ini sudah menunjukkan hasil yang memuaskan, beberapa langkah pengembangan lebih lanjut perlu dilakukan untuk meningkatkan kinerja dan menjangkau lebih banyak pengguna. Pengembangan dataset lokal menjadi sangat penting untuk memastikan bahwa model dapat mengenali variasi dalam citra yang berasal dari populasi Indonesia. Ini juga akan meningkatkan akurasi deteksi pada jenis tumor yang mungkin lebih sering ditemukan di negara ini.

Peningkatan pada sistem keamanan data juga menjadi perhatian utama. Sistem ini akan dilengkapi dengan teknologi enkripsi canggih serta mengikuti standar dan peraturan perlindungan data pasien yang berlaku. Mengingat pentingnya keamanan data medis, penerapan teknologi blockchain atau enkripsi end-to-end akan menjadi bagian dari langkah pengamanan yang harus dipertimbangkan dalam pengembangan selanjutnya.

Selain itu, perluasan pada fitur mobile application juga menjadi langkah strategis untuk memudahkan tenaga medis di lapangan mengakses sistem ini kapan saja dan di mana saja. Melalui pengembangan aplikasi berbasis Progressive Web Apps (PWA) atau aplikasi native untuk iOS dan Android, pengguna dapat melakukan diagnosa dengan lebih mudah tanpa harus mengandalkan perangkat desktop.

• Penutupan

Dengan berbagai pengembangan yang akan dilakukan, sistem deteksi tumor otak berbasis deep learning ini diharapkan dapat semakin banyak digunakan di fasilitas medis, baik itu rumah sakit besar maupun klinik kecil, di seluruh Indonesia. Kemampuan untuk mendeteksi tumor otak secara cepat, akurat, dan efisien akan memberikan kontribusi besar dalam upaya deteksi dini penyakit kanker otak, yang pada gilirannya dapat meningkatkan angka kesembuhan dan kualitas hidup pasien.

Dengan adanya platform berbasis web yang mudah diakses dan model bisnis berbasis SaaS, sistem ini memiliki potensi untuk mengubah cara diagnosis tumor otak dilakukan, mengurangi ketergantungan pada alat yang mahal, dan membuat teknologi ini lebih terjangkau bagi berbagai kalangan. Ke depannya, kami berkomitmen untuk terus meningkatkan akurasi dan fungsionalitas sistem ini, sehingga dapat memberikan dampak yang lebih luas dan berkelanjutan bagi dunia medis.

• Referensi

  1. Brain Tumor Detection Using Deep Learning Approaches
    Link: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7111699/
  2. YOLOv7: A Real-Time Object Detection Algorithm
    Link: https://arxiv.org/abs/2207.02696
  3. U-Net: Convolutional Networks for Biomedical Image Segmentation
    Link: https://arxiv.org/abs/1505.04597
  4. Generative Adversarial Networks for Data Augmentation in Medical Imaging
    Link: https://pubmed.ncbi.nlm.nih.gov/31637697/
  5. Software as a Service (SaaS) Business Model
    Link: https://www.forbes.com/sites/forbestechcouncil/2020/04/29/how-saas-companies-are-transforming-the-business-world/