Autism Spectrum Disorder (ASD) adalah gangguan perkembangan saraf yang diagnosisnya seringkali bergantung pada observasi subjektif. Klasifikasi citra Magnetic Resonance Imaging (MRI) menggunakan Deep Learning menjadi solusi objektif, namun model CNN dengan satu jalur ekstraksi sering gagal menangkap fitur spasial lokal dan global secara bersamaan. Penelitian ini mengusulkan arsitektur Dual-Branch CNN untuk membedakan Autism Spectrum Disorder (ASD) dan Typical Control (TC). Model ini menggabungkan jalur VGG-19 dengan transfer learning untuk mengekstraksi fitur global, serta Custom CNN untuk menangkap fitur lokal. Dataset bersumber dari ABIDE I yang diproses melalui tahapan skull stripping, pemilihan irisan berdasarkan area terbesar pada bidang axial, coronal, sagittal, resizing, konversi RGB dan normalisasi. Penggabungan fitur dilakukan menggunakan concatenate setelah melalui hasil output kedua model melalui proses GlobalAveragePooling2D. Pengujian dengan metode 5-Fold Cross Validation membuktikan arsitektur usulan mengungguli model tunggal. Model Dual-Branch mencapai rata-rata akurasi 80,60% dengan tingkat kestabilan tinggi yang dibuktikan dari rendahnya standar deviasi sebesar 0.0332. Performa tertinggi diraih pada irisan axial dengan konfigurasi dropout 0.3, menghasilkan akurasi tertinggi 85,50%. Temuan ini menunjukkan bahwa penggunaan Dual-Branch CNN terbukti efektif mengatasi kelemahan model tunggal dan menekan angka kesalahan klasifikasi, sehingga sangat potensial diimplementasikan sebagai alat bantu pendukung diagnosis dini ASD yang objektif.


Deskripsi Lain

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder where diagnosis frequently relies on subjective observation. Magnetic Resonance Imaging (MRI) classification using Deep Learning provides an objective solution; however, single-branch Convolutional Neural Network (CNN) models often fail to capture local and global spatial features simultaneously. This study proposes a Dual-Branch CNN architecture to distinguish between Autism Spectrum Disorder (ASD) and Typical Control (TC). The model combines a VGG-19 branch utilizing transfer learning to extract global features, alongside a Custom CNN to capture local texture features. The dataset is sourced from ABIDE I and processed through several stages, including skull stripping, slice selection based on the largest area (axial, coronal, sagittal), resizing, RGB conversion, and normalization. Feature fusion is performed using concatenation and Global Average Pooling 2D. Testing with the 5-Fold Cross Validation method demonstrates that the proposed architecture outperforms single-branch models. The Dual-Branch model achieved an average accuracy of 80.60% with high stability, evidenced by a low standard deviation (0.0332). Peak performance was attained on the axial slice with a dropout configuration of 0.3, yielding the highest accuracy of 85.50%. These findings indicate that the Dual-Branch CNN is highly effective in overcoming the limitations of single models and reducing misclassification rates, demonstrating significant potential for implementation an objective support tool for the early diagnosis of ASD.

• KLASIFIKASI CITRA PENYAKIT BATANG TANAMAN JAGUNG MENGGUNAKAN VGG-19
• Klasifikasi Citra Kualitas Daun Tembakau Menggunakan Transfer Learning MobileNet
• KLASIFIKASI PENYAKIT PADA DAUN TANAMAN CABAI MERAH DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS WEB
• 210411100039
• 210411100125