PUBLICASCIENTIFICSOLUTIONPUBLICASCIENTIFICSOLUTION

Jurnal Teknik IndonesiaJurnal Teknik Indonesia

Segmentasi citra medis merupakan salah satu metode penting dalam bidang analisis citra untuk mendukung diagnosis otomatis penyakit. Dalam penelitian ini, aplikasi arsitektur U-Net dalam segmentasi citra ultrasonografi kanker payudara diproposiskan. Dataset yang digunakan adalah kumpulan citra ultrasonografi dengan tiga kategori: benign, malignant, dan normal. Pemrosesan awal dilakukan dengan mengurangi ukuran gambar dan menghilangkan kelas tanpa anotasi. Arsitektur U-Net dibangun dari awal dan dilatih menggunakan fungsi loss binary crossentropy dan metrik akurasi. Evaluasi model dilakukan berdasarkan metrik Mean Intersection over Union (IoU), Precision, Recall, dan F1-Score. Hasil uji menunjukkan bahwa model mampu melakukan segmentasi tumor secara cukup akurat pada citra medis beresolusi rendah. Penelitian ini menunjukkan bahwa U-Net dapat menjadi solusi efisien untuk mendukung deteksi kanker payudara berbasis citra ultrasonografi.

Penelitian ini menunjukkan bahwa arsitektur U-Net efektif digunakan untuk tugas segmentasi tumor dalam citra ultrasonografi payudara.Menggunakan dataset BUSI yang diproses secara sistematis, model berhasil mencapai kinerja evaluasi yang memuaskan, yaitu.Mean IoU 0,80, Skor Akurasi 0,77, Skor Recall 0,80, dan F1-Score 0,78.Hasil ini membuktikan bahwa U-Net mampu menghasilkan segmentasi tumor yang akurat dan dapat dibandingkan dengan anotasi dasar dari data medis.Penggunaan metode ini dapat mendukung proses diagnosis dini kanker payudara secara otomatis, sementara mengurangi ketergantungan pada interpretasi manual oleh radiolog.Secara umum, U-Net terbukti menjadi solusi pembelajaran mendalam yang andal dalam mendeteksi dan memisahkan area penting dalam citra medis, khususnya di bidang kanker payudara.

Penelitian lanjutan dapat fokus pada pengembangan arsitektur U-Net dengan mekanisme perhatian (attention) untuk meningkatkan akurasi segmentasi tumor pada variasi tekstur citra ultrasonografi. Selain itu, penggunaan teknik augmentasi data bisa diterapkan untuk mengatasi ketidakseimbangan jumlah data antara kelas benign dan malignant, serta meningkatkan generalisasi model terhadap data dunia nyata. Terakhir, studi lebih lanjut tentang integrasi U-Net dengan model lain seperti CNN hybrid atau ensemble learning dapat dilakukan untuk memperkuat robustness model dalam menghadapi noise dan variasi data medis.

  1. Automatic Dust Reduction System: An IoT Intervention for Air quality. automatic dust reduction system... thesai.org/Publications/ViewPaper?Volume=15&Issue=2&Code=IJACSA&SerialNo=19Automatic Dust Reduction System An IoT Intervention for Air quality automatic dust reduction system thesai Publications ViewPaper Volume 15 Issue 2 Code IJACSA SerialNo 19
  2. Implementation of U-Net Architecture for Medical Image Segmentation in Breast Cancer Detection Using... jti.publicascientificsolution.com/index.php/rp/article/view/822Implementation of U Net Architecture for Medical Image Segmentation in Breast Cancer Detection Using jti publicascientificsolution index php rp article view 822
  3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/978-3-319-24574-4_28Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 978 3 319 24574 4 28
Read online
File size488.73 KB
Pages6
DMCAReport

Related /

ads-block-test