ABSTRAK
Medical image segmentation (MIS) merupakan upaya pemberian label untuk setiap
piksel dari sebuah objek dalam region of interest (ROI) citra medis. Deteksi awal
pada polip akan dapat mengurangi angka kematian akibat kanker kolorektal.
Banyak metode deep learning yang berkembang untuk melakukan segmentasi
polip, seperti U - Net, ResU-Net, U-Net++, ResU-Net++, dan lain - lain. Penelitian
ini mengusulkan Extra Attention Dual Channel U - Net (EADC U - Net) dengan
tujuan membangun model segmentasi yang fokus pada ekstraksi fitur di level
spasial dan channel sehingga menghasilkan kinerja model yang kuat dengan
parameter rendah karena beberapa penelitian terdahulu masih memiliki parameter
model yang tinggi. Model ini dibangun menggunakan konsep dual channel U - Net
dengan sandglass block sebagai blok penyusunnya untuk mengurangi jumlah
parameter karena penggunaan dual channel U-Net dapat menambah parameter,
serta memanfaatkan beberapa mekanisme attention untuk meningkatkan performa
model. Model diuji untuk dua dataset citra medis polip, yaitu CVC-ClinicDB dan
Kvasir-Seg. Melalui model yang diusulkan, didapatkan nilai F1 - Score dan IoU
secara berurutan untuk dataset CVC-ClinicDB sebesar 94.0?n 88.67?n
untuk dataset Kvasir-Seg sebesar 87.75?n 78.17%. Hasil evaluasi model yang
diusulkan ini lebih baik performanya dan memiliki parameter rendah dibandingkan
dengan metode - metode penelitian sebelumnya.