Pelatihan ini memberikan pengalaman belajar yang mendalam dan langsung aplikatif tentang penggunaan MATLAB serta teknik deep learning dalam segmentasi citra medis. Sepanjang program, peserta akan memahami alur kerja secara menyeluruh mulai dari akuisisi data, pra-pemrosesan, pelabelan, hingga implementasi model segmentasi untuk organ atau jaringan tertentu. Oleh karena itu, pelatihan ini sangat cocok bagi mahasiswa, peneliti, maupun praktisi yang ingin meningkatkan keterampilan analisis citra medis secara profesional.
Agar pembelajaran berjalan sistematis dan saling terhubung, setiap modul disusun secara bertahap. Peserta tidak hanya mempelajari teori, tetapi juga langsung mengerjakan contoh nyata. Mereka akan mengolah citra dasar, membangun model segmentasi, dan mengevaluasi hasilnya. Selain itu, pengajar menggunakan pendekatan praktik-sentris yang mendorong peserta untuk menerapkan teori secara berurutan, menerima umpan balik langsung, dan berdiskusi berdasarkan studi kasus. Dengan cara ini, kemampuan teknis peserta berkembang secara konsisten dan terarah.
1. Dasar-Dasar MATLAB dan Pengenalan Citra Medis (4 Sesi)
Tahapan awal pelatihan berfokus pada penguasaan MATLAB dan pemahaman citra medis. Secara berurutan, peserta akan:
- Sesi 1: Menginstal MATLAB dan toolboxes terkait, memahami dasar pemrograman seperti variabel, array, dan fungsi, serta mengenal Image Processing Toolbox.
- Sesi 2: Mempelajari jenis-jenis citra medis (CT, MRI, X-Ray, Ultrasound), mengenali format data seperti DICOM dan NIfTI, lalu membaca dan menampilkan citra medis di MATLAB.
- Sesi 3: Melakukan operasi dasar seperti konversi grayscale, resize, cropping, serta menerapkan teknik preprocessing seperti filtering dan noise reduction.
- Sesi 4: Menguasai visualisasi citra medis dalam bentuk 2D dan 3D, termasuk cara menambahkan overlay anotasi.
2. Dasar-Dasar Deep Learning (5 Sesi)
Setelah memahami citra medis, peserta mulai mendalami fondasi deep learning. Secara bertahap, mereka akan:
- Sesi 5: Mengenal konsep dasar deep learning dan arsitektur jaringan seperti CNN, RNN, dan GAN.
- Sesi 6: Menggunakan MATLAB Deep Learning Toolbox dan membandingkannya dengan framework lain seperti TensorFlow dan PyTorch.
- Sesi 7: Mengelola dataset segmentasi citra medis (ISIC, BraTS, DRIVE) dan menerapkan teknik augmentasi data.
- Sesi 8: Memahami struktur CNN—mulai dari lapisan convolution, pooling, hingga fully connected—dan mengimplementasikannya di MATLAB.
- Sesi 9: Melatih jaringan neural dengan memahami loss function, optimizer, metrik evaluasi, serta proses forward dan backward propagation.
3. Segmentasi Citra Medis dengan Deep Learning (15 Sesi)
Pada tahap ini, peserta mulai menerapkan deep learning untuk segmentasi citra medis. Secara progresif, mereka akan:
- Sesi 10: Mengenal teknik segmentasi tradisional seperti thresholding dan edge detection, lalu membandingkannya dengan pendekatan berbasis deep learning.
- Sesi 11: Mempelajari arsitektur U-Net dan mengimplementasikannya di MATLAB.
- Sesi 12: Melakukan preprocessing data, normalisasi, dan pembentukan ground truth.
- Sesi 13: Melatih model U-Net dengan parameter seperti learning rate, batch size, dan epoch, serta memvisualisasikan loss selama pelatihan.
- Sesi 14: Mengevaluasi model menggunakan metrik seperti Dice Score, IoU, Precision, dan Recall.
- Sesi 15: Menerapkan fine-tuning dan transfer learning dengan model pre-trained.
- Sesi 16: Melakukan post-processing menggunakan morphological operations seperti dilation dan erosion, serta smoothing dan penghapusan objek kecil.
- Sesi 17: Mengembangkan segmentasi berbasis ResNet dan memodifikasinya untuk kebutuhan citra medis.
- Sesi 18: Menerapkan SegNet dan menguji performanya di MATLAB.
- Sesi 19: Menganalisis kesalahan model dan menyusun strategi perbaikannya.
- Sesi 20: Mengenal segmentasi 3D dan mengimplementasikannya secara sederhana di MATLAB.
- Sesi 24: Mengoptimasi hyperparameter menggunakan Bayesian Optimization dan mengevaluasi peningkatan kinerja model.
4. Proyek Akhir dan Studi Kasus (16 Sesi)
Sebagai penutup, peserta akan menyelesaikan proyek nyata berbasis studi kasus. Secara bertahap, mereka akan:
- Sesi 25–28: Mengerjakan studi kasus segmentasi lesi pada citra MRI otak, mulai dari preprocessing hingga evaluasi hasil.
- Sesi 29–32: Melakukan segmentasi pembuluh darah retina pada citra fundus menggunakan U-Net dan memvisualisasikan hasilnya.
- Sesi 33–36: Mengerjakan segmentasi tumor pada citra CT paru-paru, termasuk implementasi dan evaluasi model.
- Sesi 37–39: Menyusun proyek akhir secara mandiri, mulai dari pemilihan topik dan dataset hingga pengembangan model segmentasi.
- Sesi 40: Menyampaikan hasil proyek akhir melalui presentasi, lalu berdiskusi untuk mendapatkan masukan dan peluang pengembangan lebih lanjut.
