Segmentasi Ventrikel Kiri pada Citra Echocardiography Menggunakan Deeplabv3 dengan Metode Contrastive Learning

Abstract

Cardiovascular Disease (CVD) merupakan penyakit tidak menular yang menjadi salah satu penyebab kematian bagi manusia. Secara global sepertiga angka kematian disebabkan oleh penyakit jantung menurut data WHO (Wolrd Health Organization). Prosedur yang sering digunakan untuk melakukan pemeriksaan berbagai penyakit cardiovascular adalah echocardiography. Namun prosedur ini memiliki banyak celah karena berbagai faktor seperti karakteristik pasien, contohnya indeks massa tubuh yang tinggi, kualitas gambar yang rendah, atau berbagai macam operator. Tujuan dari penelitian ini adalah mengetahui hasil segmentasi ventrikel kiri pada citra echocardiography menggunakan DeepLabV3 dengan metode contrastive learning. Penggunaan contrastive learning untuk mendapatkan bobot pelatihan dari dataset tanpa anotasi. Metode contrastive learning yang digunakan pada penelitian ini adalah model SimCLR dan BYOL. Masing masing model akan dilatih menggunakan data tanpa anotasi pada tahap pretraining untuk representasi fitur. Setelah mendapatkan hasil dari tahap pretraining, peneliti melakukan modifikasi pada bagian backbone DeepLabV3 untuk menggunakan bobot dari contrastive learning. Setelah itu dilakukan pelatihan dengan mengukur hasil segmentasi menggunakan matrik Dice Similarity Coefficient (DSC). Hasil dari penelitian ini menunjukkan bahwa metode contrastive learning memiliki kinerja yang baik untuk tugas segmentasi ventrikel kiri pada citra echocardiography. Penggunaan model SimCLR sebagai bobot bacbokne mendapatkan nilai 0.8462 DSC sedangkan model BYOL mendapatkan 0.8538. Nilai tersebut menunjukan bahwa metode contrastive learning hampir setara dengan model terawasi secara penuh.