Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Arsitektur Transformer untuk Skrining Stroke Otomatis dari Citra MRI

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
2930a861-3ad2-4aad-a7f8-22ec3faf8898
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan studi untuk mengevaluasi model deep learning dalam klasifikasi otomatis kondisi stroke otak menggunakan citra MRI. Kegiatan ini melibatkan Sukmana, Husni Teja; Hasibuan, Zainal Arifin; Rahman, Abdul Wahab Abdul; Bayuaji, Luhur; dan Masruroh, Siti Ummi sebagai peserta. Studi tersebut membahas pentingnya deteksi stroke yang dini dan akurat untuk mendukung intervensi tepat waktu serta peningkatan hasil bagi pasien.

UDINUS menggunakan dataset terkurasi berupa pemindaian MRI otak untuk melatih dan menilai tiga model, yaitu convolutional neural network sebagai model dasar ResNet-18, Vision Transformer standar ViT-Base, dan arsitektur Vision Transformer yang dimodifikasi. Seluruh model disesuaikan melalui transfer learning dengan prapemrosesan, konfigurasi pelatihan, dan protokol evaluasi yang konsisten untuk mendukung perbandingan yang adil. Evaluasi mencakup kinerja klasifikasi, termasuk akurasi, area under the curve, precision, recall, dan F1-score berdasarkan kelas.

ViT yang dimodifikasi menghasilkan kinerja keseluruhan terbaik, dengan akurasi validasi 97,2% dan skor AUC 0,9934. ResNet-18 menghasilkan akurasi 92,6% dan AUC 0,9982, sedangkan ViT-Base menghasilkan akurasi 78,6% dan AUC 0,8278. ViT yang dimodifikasi menunjukkan precision, recall, dan F1-score berdasarkan kelas yang lebih kuat dalam mendeteksi kasus stroke, yang menunjukkan sensitivitas lebih tinggi terhadap fitur citra yang penting. ResNet-18 tetap kompetitif dan efisien, khususnya pada recall stroke sebesar 0,99. ViT-Base memiliki kinerja lebih rendah, yang menunjukkan perlunya adaptasi arsitektur dan pelatihan ketika model Vision Transformer diterapkan pada dataset medis berukuran kecil.

UDINUS juga menggunakan confusion matrix, kurva ROC, integrated gradients, dan attention map untuk menilai ketahanan serta interpretabilitas model ViT yang dimodifikasi. Model berbasis ViT memerlukan sumber daya komputasi yang jauh lebih besar dan waktu pelatihan yang lebih lama dibandingkan baseline CNN, sehingga dapat membatasi penggunaannya dalam pengaturan klinis waktu nyata atau dengan keterbatasan sumber daya. Kegiatan ini merupakan penelitian UDINUS mengenai klasifikasi citra medis berbasis transformer, dengan kajian terhadap klasifikasi otomatis stroke otak serta keseimbangan antara kinerja diagnostik dan kebutuhan komputasi.

Rujukan https://www.scopus.com/pages/publications/105010270958?origin=resultslist