Kursus Skripsi Tesis Disertasi Python YOLO ~ Transfer Learning Berbasis YOLO untuk Deteksi Objek Medis pada Citra MRI dan CT Scan

Berikut adalah silabus 10 sesi @1.5 jam untuk topik Transfer Learning Berbasis YOLO untuk Deteksi Objek Medis pada Citra MRI dan CT Scan. Silabus ini dirancang untuk tingkat lanjutan (misalnya mahasiswa S2/S3 atau profesional riset) dengan fokus pada penerapan YOLO untuk deteksi objek medis.

🧠 Silabus 10x Sesi – Transfer Learning YOLO untuk Deteksi Objek Medis

Sesi 1: Pengenalan Deteksi Objek dan YOLO

• Konsep dasar deteksi objek: bounding box, anchor, IoU

• Evolusi YOLO: dari YOLOv1 hingga YOLOv8

• Studi kasus deteksi objek medis (tumor, lesi, dll.)

• Tools: Google Colab, Python, PyTorch

Sesi 2: Dataset Medis & Format Anotasi

• Pengenalan dataset: BraTS, LIDC-IDRI, MosMedData

• Format anotasi: COCO, Pascal VOC, YOLO

• Konversi DICOM → JPEG/PNG + anotasi label

• Praktik: menggunakan LabelImg atau Roboflow

Sesi 3: Instalasi dan Konfigurasi YOLOv5/v8

• Instalasi Ultralytics YOLO via pip/conda

• Struktur direktori dan file YAML (dataset.yaml, model.yaml)

• Latihan: menjalankan YOLOv5 dengan dataset dummy

Sesi 4: Konsep Transfer Learning

• Definisi transfer learning dan fine-tuning

• Pretrained YOLO model dan layer yang dapat dilatih ulang

• Perbandingan transfer learning vs training from scratch

Sesi 5: Pra-pemrosesan Citra Medis

• Teknik pre-processing untuk MRI dan CT scan

  • Normalisasi, cropping, windowing

• Augmentasi khusus medis: rotation, flip, noise

• Praktik augmentasi dengan Albumentations

Sesi 6: Fine-tuning YOLO pada Dataset Medis

• Menentukan jumlah epoch, batch size, learning rate

• Menyesuaikan anchor box untuk objek medis

• Training dan monitoring loss (box loss, obj loss, cls loss)

• Visualisasi hasil bounding box selama training

Sesi 7: Evaluasi Model Deteksi

• Metrik evaluasi: mAP, precision, recall, F1-score

• Perbandingan hasil model dengan ground truth

• Evaluasi per kelas (misalnya tumor benign vs malignan)

Sesi 8: Interpretabilitas dan Validasi Klinis

• Teknik interpretasi model YOLO (Grad-CAM, heatmap)

• Validasi hasil model oleh dokter spesialis (jika tersedia)

• Tantangan regulasi dan etika di bidang medis

Sesi 9: Implementasi Model Realtime/Deployment

• Konversi model ke ONNX atau TensorRT

• Integrasi model dengan web app atau sistem RS

• Contoh mini project: web viewer + hasil deteksi tumor

Sesi 10: Presentasi Proyek Mini dan Diskusi

• Presentasi masing-masing peserta (dataset, hasil deteksi)

• Refleksi tantangan implementasi YOLO di dunia medis

• Diskusi lanjutan: penelitian ke depan, integrasi multimodal

🎓 Output Akhir Kursus:

• Satu model YOLO hasil fine-tuning untuk dataset medis MRI/CT

• Laporan evaluasi dan visualisasi hasil deteksi

• (Opsional) Prototipe aplikasi sederhana untuk visualisasi hasil