Isi Repositori
best_model_4_e1-1.pt: Adalah bobot (weights) dari salah satu model terbaik yang didapatkan setelah proses training.requirements.txt: Daftar library yang dibutuhkan untuk menjalankan kode.patient101_frame.h5.txt: Contoh Testing
Tujuan Eksperimen
- Melakukan segmentasi area jantung pada citra MRI
- Mengevaluasi performa U-Net untuk segmentasi multi-kelas
- Mengurangi overfitting menggunakan dropout dan augmentasi
- Menganalisis performa model menggunakan Dice Score dan IoU
- 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:
- Background
- Right Ventricle (RV)
- Myocardium (MYO)
- 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 :
- Training = Slices (2D) dengan total file 1912 >> terbagi menjadi : training 80% (1529) dan validation 20% (383)
- 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
