Model Cerdas Segmentasi dan Klasifikasi Menggunakan Enhanced Optimization-Based Attentive Mask RCNN dan Recurrent MobileNet dengan LSTM untuk Jenis Multiple Sclerosis dengan MRI Otak Klinis

ABSTRAK
Di sektor perawatan kesehatan, citra pencitraan resonansi magnetik (MRI) diambil untuk penilaian, klasifikasi, dan penanganan multiple sclerosis (MS). Akan tetapi, menafsirkan pemindaian MRI memerlukan keterampilan yang luar biasa karena kelainan pada pemindaian sering kali tidak sesuai dengan gejala klinis, sehingga sulit untuk mengubah temuan menjadi strategi pengobatan yang efektif. Lebih jauh lagi, MRI merupakan proses yang mahal, dan penggunaannya yang sering untuk memantau suatu penyakit meningkatkan biaya perawatan kesehatan. Untuk mengatasi kekurangan ini, penelitian ini menggunakan pendekatan teknologi canggih untuk mengembangkan sistem pembelajaran mendalam untuk mengklasifikasikan jenis-jenis MS melalui pemindaian MRI otak klinis. Inovasi utama dari model ini adalah memengaruhi jaringan konvolusi dengan konsep perhatian dan pembelajaran mendalam berbasis berulang untuk mengklasifikasikan gangguan; ini juga mengusulkan algoritma pengoptimalan untuk menyetel parameter guna meningkatkan kinerja. Awalnya, total gambar sebanyak 3427 dikumpulkan dari basis data, di mana sampel yang dikumpulkan dikategorikan untuk fase pelatihan dan pengujian. Di sini, segmentasi dilakukan oleh jaringan saraf konvolusi regional berbasis topeng adaptif dan perhatian (AA-MRCNN). Pada fase ini, parameter MRCNN disetel dengan baik menggunakan algoritma pengoptimalan kerucut pinus yang disempurnakan (EPCOA) untuk menjamin efisiensi yang luar biasa. Selanjutnya, citra tersegmentasi diberikan ke MobileNet berulang dengan memori jangka pendek (RM-LSTM) untuk mendapatkan hasil klasifikasi. Melalui analisis eksperimental, model pembelajaran mendalam ini memperoleh akurasi 95,4%, sensitivitas 95,3%, dan spesifisitas 95,4%. Oleh karena itu, hasil ini membuktikan bahwa model ini memiliki potensi tinggi untuk mengklasifikasikan gangguan sklerosis dengan tepat.