Deteksi Jantung Acdc Unet
bestmodel4e1-1.pt: Adalah bobot (weights) dari salah satu model terbaik yang didapatkan setelah proses training. requirements.txt: Daftar library yang dibutuhkan untuk menjalankan kode. patient101frame.h5.txt: Contoh...
Fuente del modelo
- Tipo
- Other
- Tamaño del archivo
- 7,40 MB
- Versión
- vRevision 30295e5
- Actualizado
- 16 sept 2026
- Descargas
- 0
- Fuente
- Hugging Face
Descripción de la fuente
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
Fuentes
1 fuente
Fuentes
1 fuenteVerificado 1 sept
Download files
Artefactos del modelo
25 artefactos
Artefactos del modelo
25 artefactosExtractos de fuentes
2 extractos
Extractos de fuentes
2 extractos--- license: mit language: - id pipeline_tag: image-segmentation tags: - image-segmentation - object-detection - u-net --- # Isi Repositori 1. `best_model_4_e1-1.pt`: Adalah bobot (weights) dari salah satu model terbaik yang didapatkan setelah proses training. 2. `requirements.txt`: Daftar library yang dibutuhkan untuk menjalankan kode. 3. `patient101_frame.h5.txt`: Contoh Testing # Tujuan Eksperimen 1. Melakukan segmentasi area jantung pada citra MRI 2. Mengevaluasi performa U-Net untuk segmentasi multi-kelas 3. Mengurangi overfitting menggunakan dropout dan augmentasi 4. Menganalisis performa model menggunakan Dice Score dan IoU 5. 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: 1. Background 2. Right Ventricle (RV) 3. Myocardium (MYO) 4. 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 : 1. Training = Slices (2D) dengan total file 1912 >> terbagi menjadi : training 80% (1529) dan validation 20% (383) 2. 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
Source context: 0 downloads · 0 likes · Pipeline image-segmentation · Repo marazura/deteksi-jantung-acdc-unet
