Source Code
Kursus/Jasa Matlab | “Implementasi Algoritma Deep Learning untuk Segmentasi Citra Medis Menggunakan MATLAB”

Berikut Silabus 40 Sesi: Implementasi Algoritma Deep Learning untuk Segmentasi Citra Medis Menggunakan MATLAB
1. Dasar-Dasar MATLAB dan Pengenalan Citra Medis (4 Sesi)
- Sesi 1: Pengantar MATLAB untuk Pengolahan Citra
- Instalasi MATLAB dan toolboxes terkait
- Dasar pemrograman MATLAB (variabel, array, fungsi)
- Pengenalan MATLAB Image Processing Toolbox
- Sesi 2: Pengantar Citra Medis
- Jenis-jenis citra medis (CT, MRI, X-Ray, Ultrasound)
- Format data citra medis (DICOM, NIfTI)
- Membaca dan menampilkan citra medis di MATLAB
- Sesi 3: Dasar-Dasar Pemrosesan Citra
- Operasi dasar (konversi grayscale, resize, cropping)
- Teknik preprocessing citra (filtering, noise reduction)
- Sesi 4: Visualisasi Data Citra Medis
- Visualisasi 2D dan 3D citra medis
- Overlay anotasi pada citra medis
2. Dasar-Dasar Deep Learning (5 Sesi)
- Sesi 5: Pengantar Deep Learning
- Konsep dasar deep learning
- Arsitektur umum jaringan neural (CNN, RNN, GAN)
- Sesi 6: Framework Deep Learning di MATLAB
- MATLAB Deep Learning Toolbox
- Perbandingan dengan framework lain (TensorFlow, PyTorch)
- Sesi 7: Dataset untuk Deep Learning
- Dataset segmentasi citra medis (ISIC, BraTS, DRIVE)
- Teknik augmentasi data
- Sesi 8: Pengenalan Convolutional Neural Networks (CNN)
- Lapisan CNN: Convolution, Pooling, Fully Connected
- Implementasi dasar CNN di MATLAB
- Sesi 9: Pelatihan Jaringan Neural
- Loss function, optimizer, dan metrik evaluasi
- Proses forward dan backward propagation
3. Segmentasi Citra Medis dengan Deep Learning (15 Sesi)
- Sesi 10: Pengenalan Segmentasi Citra
- Segmentasi berbasis thresholding dan edge detection
- Konsep segmentasi berbasis deep learning
- Sesi 11: Arsitektur U-Net untuk Segmentasi
- Penjelasan U-Net dan variannya
- Implementasi U-Net dasar di MATLAB
- Sesi 12: Preprocessing Data untuk Segmentasi
- Normalisasi data
- Anotasi dan pembentukan ground truth
- Sesi 13: Pelatihan Model U-Net
- Parameter pelatihan (learning rate, batch size, epoch)
- Visualisasi loss selama pelatihan
- Sesi 14: Evaluasi Model Segmentasi
- Metrik evaluasi (Dice Score, IoU, Precision, Recall)
- Implementasi evaluasi di MATLAB
- Sesi 15: Fine-Tuning dan Transfer Learning
- Konsep transfer learning
- Menggunakan model pre-trained untuk segmentasi citra medis
- Sesi 16: Post-Processing Segmentasi
- Morphological operations (dilation, erosion)
- Smoothing dan removal of small objects
- Sesi 17: Segmentasi Berbasis ResNet
- Pengenalan ResNet
- Modifikasi ResNet untuk segmentasi
- Sesi 18: Segmentasi Berbasis SegNet
- Pengenalan SegNet
- Implementasi SegNet di MATLAB
- Sesi 19: Analisis Kesalahan dan Perbaikan Model
- Identifikasi kelemahan model
- Strategi perbaikan model
- Sesi 20: Segmentasi 3D untuk Citra Medis
- Konsep segmentasi 3D
- Implementasi sederhana di MATLAB
- Sesi 24: Optimasi Hyperparameter dengan MATLAB
- Penggunaan Bayesian Optimization
- Evaluasi kinerja setelah optimasi
4. Proyek Akhir dan Studi Kasus (16 Sesi)
- Sesi 25-28: Studi Kasus 1: Segmentasi Lesi pada Citra MRI Otak
- Preprocessing data MRI
- Implementasi model segmentasi
- Evaluasi hasil segmentasi
- Sesi 29-32: Studi Kasus 2: Segmentasi Pembuluh Darah Retina pada Citra Fundus
- Pengolahan citra fundus
- Penggunaan model U-Net
- Visualisasi hasil segmentasi
- Sesi 33-36: Studi Kasus 3: Segmentasi Tumor pada Citra CT Paru-Paru
- Preprocessing citra CT
- Implementasi dan evaluasi model segmentasi
- Sesi 37-39: Proyek Akhir
- Pemilihan topik dan dataset
- Implementasi lengkap model segmentasi
- Sesi 40: Presentasi Proyek dan Diskusi
- Penyampaian hasil proyek akhir
- Diskusi dan masukan untuk pengembangan lebih lanjut