Multi Object Tracking pada Citra Jantung Anak menggunakan Deep Learning

Abstract

Penyakit jantung bawaan (PJB) pada anak, seperti kasus atrial septal defect (ASD) dan atrioventricular septal defect (AVSD), memerlukan diagnosis yang akurat melalui analisis dinamis. Namun, metode analisis video ekokardiografi yang ada seringkali terbatas pada analisis per frame dan belum mampu melacak perubahan temporal secara konsisten. Penelitian ini mengusulkan pendekatan pelacakan multi-objek berbasis segmentasi menggunakan deep learning untuk mengatasi keterbatasan tersebut. Metode yang diusulkan mengintegrasikan arsitektur You Only Look Once Versi 8 (YOLOv8) untuk melakukan segmentasi, yang kemudian diikuti oleh algoritma ByteTrack untuk pelacakan objek yang konsisten antar frame pada video ekokardiografi. Pendekatan ini diterapkan pada video kasus ASD, AVSD, dan kondisi jantung normal. Sebagai hasil dari penelitian, hasil kinerja didapatkan dengan matriks Intersection Over Union (IoU) sebesar 68% dan Mean Average Precision Segmentation Mask (mAPmask) 85% untuk segementasi. Adapun evaluasi kinerja pelacakan mencapai hasil terbaik pada kondisi normal dengan Multiple Object Tracking Accuracy (MOTA) sebesar 81,98%, ID F1 Score (IDF1) 80,79%, dan Localization Accuracy (LocA) 80,22%.