Evaluasi Segmentasi Otak dan Prediksi Overall Survival pada Dataset BRATS 2020

Annisa Maizano Fahlevi; Riko Saragih

doi:10.28932/jste.v2i1.13880

Penulis

Annisa Maizano Fahlevi Universitas Kristen Maranatha
Riko Saragih Universitas Kristen Maranatha

DOI:

https://doi.org/10.28932/jste.v2i1.13880

Kata Kunci:

Segmentation, Otak, Tumor, Glioma, MRI

Abstrak

Penilaian Overall Survival (OS) pada pasien dengan glioma merupakan aspek penting dalam analisis citra medis berbasis MRI. OS membantu strategi dan proses dalam terapi terhadap pasien. Salah satu tantangan utama dalam pengembangan model prediksi berbasis citra adalah kebutuhan segmentasi tumor yang akurat. Penelitian ini bertujuan untuk membangun model prediksi OS berbasis MRI dari dataset Brain Tumor Segmentation 2020 (BraTS2020), dengan memanfaatkan dua jenis masked image, yaitu ground truth mask dan mask hasil segmentasi (predicted mask) yang menggunakan arsitektur 3D U-Net. Klasifikasi OS dilakukan menjadi tiga kategori waktu (< 10 bulan, 10-15 bulan, dan > 15 bulan). Akurasi yang dihasilkan model prediksi menggunakan ground truth mask mencapai 0.9792, sedangkan predicted mask menghasilkan akurasi 0.9583. Temuan ini mengindikasikan bahwa pipeline otomatis berbasis segmentasi deep learning berpotensi menggantikan segmentasi manual dalam aplikasi klinis skala besar.

Referensi

P. Y. Wen and S. Kesari, “Malignant gliomas in adults,” New England Journal of Medicine, vol. 359, no. 5, pp. 492–507, 2008, doi: 10.1056/NEJMra0708126.

B. H. Menze et al., “BRATS 2020: Benchmarking Brain Tumor Segmentation and Survival Prediction,” Proc. Int. MICCAI Conf., 2020. Available: https://zenodo.org/records/3718904

F. Isensee et al., “nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation,” Nat. Methods, vol. 18, pp. 203–211, 2018. Available: https://arxiv.org/abs/1809.10486

S. van Griethuysen et al., “Computational Radiomics System to Decode the Radiographic Phenotype,” Cancer Res., vol. 77, no. 21, pp. 104–113, Nov. 2017. Available: https://pubmed.ncbi.nlm.nih.gov/29092951/

S. Bakas et al., “Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BraTS challenge,” arXiv:1811.02629, 2018. Available: https://arxiv.org/abs/1811.02629

A. Shaheen et al., “Overall Survival Prediction of Glioma Patients With Multiregional Radiomics,” Front. Neurosci., vol. 16, p. 911065, Jul. 2022, doi: 10.3389/fnins.2022.911065. Available: https://pubmed.ncbi.nlm.nih.gov/35873825/

B. Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox, and O. Ronneberger, “3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation,” in Proc. MICCAI, 2016, pp. 424–432. Available: https://arxiv.org/abs/1606.06650

D. Nguyen, “3D U-Net on BRATS 2020 Model V2,” Kaggle Notebook, 2020. [Online]. Available: https://kaggle.com/code/duynguyen3213213123/3d-u-net-on-brats-2020-model-v2

L. Breiman, “Random Forests,” Mach. Learn., vol. 45, pp. 5–32, 2001, doi: http://dx.doi.org/10.1023/A:1010933404324

P. Soleimani and N. Farezi, “Utilizing deep learning via the 3D U-net neural network for the delineation of brain stroke lesions in MRI image,”

Scientific Reports, vol. 13, no. 19808, 2023, doi: 10.1038/s41598-023-47107-7. Available: https://www.nature.com/articles/s41598-023-47107-7