SYNAPSE
SYS.STATUS — OPERATIONAL

Deteksi Perdarahan Otak dengan Kecerdasan Buatan

Synapse adalah sistem AI dua tahap yang meningkatkan kualitas citra CT scan otak yang buram, lalu mendeteksi perdarahan intrakranial secara otomatis — dalam hitungan detik.

Coba Deteksi Sekarang Pelajari Sistem
0.966
Test AUC
50K
Citra Training
<1s
Waktu Inferensi
NEURAL.SCAN
DET.ENGINE
0%
Akurasi Deteksi (AUC)
0
Citra CT Scan
0
Pipeline Sistem
0
Arsitektur Diuji
Cara Kerja

Tiga tahap menuju diagnosis

Setiap citra CT scan melewati pipeline cerdas yang memastikan kualitas gambar optimal sebelum dianalisis oleh model AI.

TAHAP 01

Quality Gate

Sistem mengukur ketajaman (variance of Laplacian) dan kontras citra untuk menentukan apakah gambar perlu ditingkatkan.

VAR-LAPLACIAN + STD-DEV
TAHAP 02

Enhancement CLAHE

Jika citra buram, algoritma CLAHE meningkatkan kontras lokal secara adaptif tanpa memperkuat noise berlebihan.

CLIP=2.0 · TILE 8×8
TAHAP 03

Deteksi AI

Model MobileNetV4 hasil fine-tuning mengklasifikasikan citra: ada perdarahan intrakranial atau tidak, lengkap dengan tingkat keyakinan.

MOBILENETV4-HYBRID-L
Sumber Data

Dilatih pada data klinis nyata

Model dilatih menggunakan dataset RSNA Intracranial Hemorrhage Detection — salah satu dataset CT scan otak terbesar di dunia.

  • 752.803 slice CT scanDiambil dari kompetisi RSNA 2019 (Radiological Society of North America).
  • Balanced sampling 50.000 citra25.000 positif + 25.000 negatif untuk mencegah bias model terhadap kelas mayoritas.
  • Brain window (WL=40, WW=80)Windowing DICOM standar radiologi, di-resize ke 224×224 piksel.

Komposisi Dataset

Balanced 1:1 · Stratified Split
50% POSITIF
50% NEGATIF
25.000 perdarahan 25.000 normal
TRAIN 34.998
VAL 7.502
TEST 7.500
Arsitektur Sistem

Pipeline dua tahap, dibandingkan secara ilmiah

Kami menguji empat arsitektur CNN modern untuk menemukan yang paling akurat dalam mendeteksi perdarahan intrakranial.

Input CT Scan

Citra DICOM / PNG otak

→

Quality Gate

Cek blur & kontras

→

CLAHE

Enhancement adaptif

→

MobileNetV4

Klasifikasi biner

Perbandingan Varian MobileNetV4

Validation AUC · Dari 224px ke 384px Native

MobileNetV4-Small2.5M · 224px
0.9546
MobileNetV4-Medium9M · 224px
0.9554
Hybrid-L · 384 upscale37M · 224→384
0.9502
Hybrid-L · 384 native37M · 384px
0.9570
Hybrid-L · 384 + reg37M · finalMODEL FINAL
0.9608
Hasil Penelitian

Performa yang terukur

Hasil eksperimen menunjukkan akurasi yang kompetitif dengan penelitian terpublikasi, serta temuan menarik tentang efisiensi data.

Learning Curve

Validation AUC vs Ukuran Dataset

Metrik Final

MobileNetV4-Hybrid-L · Test Set (6.000 citra)
ROC AUC 0.966
Sensitivity 91.2%
Specificity 89.4%
Akurasi 90.3%

Temuan utama: Pada resolusi 224, seluruh varian MobileNetV4 mencapai plateau di sekitar ~0.955. Dengan meregenerasi dataset ke resolusi native 384 (dari DICOM 512×512) ditambah regularisasi yang tepat, MobileNetV4-Hybrid-Large melonjak ke 0.9608 (validasi) dan 0.9656 pada test set. Ini menunjukkan resolusi citra, bukan sekadar ukuran model, yang menjadi kunci performa.

Tutorial

Cara menggunakan Synapse

Dirancang agar mudah digunakan oleh siapa saja, bahkan tanpa latar belakang teknis.

01

Unggah Citra

Pilih atau seret berkas CT scan otak (format gambar) ke area unggah pada scanner.

02

Analisis Kualitas

Sistem otomatis memeriksa kualitas citra dan menerapkan CLAHE bila diperlukan.

03

Proses Deteksi

Model AI menganalisis citra dan menentukan ada-tidaknya perdarahan intrakranial.

04

Lihat Hasil

Tingkat keyakinan dan visualisasi ditampilkan. Konsultasikan ke dokter untuk diagnosis final.

Live Scanner

Coba sistem deteksi

Unggah citra CT scan otak untuk melihat pipeline Synapse bekerja secara langsung.

synapse://detection-engine
READY
1Unggah
2Kualitas
3Deteksi
4Hasil
ct_scan.jpg
Preview CT scan
✓ Quality Gate CLAHE Deteksi
——
—
Ketajaman (blur)
—
Kontras (std)
Citra CT

Memeriksa Kualitas Citra

Sistem sedang menentukan apakah citra perlu ditingkatkan dengan CLAHE.

✓ Quality Gate ✓ CLAHE Deteksi
Citra ditingkatkan dengan CLAHEKontras citra ditingkatkan untuk analisis yang lebih akurat.
—
Kontras Awal
→
—
Setelah CLAHE
Hasil CLAHE
Hasil deteksi
—
Tingkat Keyakinan
⚠ Hasil ini adalah prediksi sistem AI dan bukan diagnosis medis final. Selalu konsultasikan dengan dokter ahli radiologi untuk penafsiran klinis.
Untuk validasi konsistensi web-app vs. pipeline evaluasi. Hasil dapat diunduh sebagai CSV untuk dibandingkan dengan output script.

Memproses Batch

Model menganalisis seluruh citra dalam satu siklus.

0 / 0
#Nama BerkasPrediksiKeyakinanProbabilitas
⚠ Prediksi sistem AI untuk keperluan validasi, bukan diagnosis medis final.