Kanker payudara (tumor ganas), penyakit mematikan yang paling umum ditemukan pada perempuan, deteksi dini melalui skrining sebagai faktor kunci dalam meningkatkan tingkat kelangsungan hidup. Meskipun pencitraan ultrasonografi (USG) telah menjadi standar dalam skrining pra-klinis, pemeriksaan manual citra USG biaya yang cukup besar dan memerlukan waktu lama bahkan bagi radiolog berpengalaman. Kemajuan dalam teknologi deep learning telah memberikan kontribusi signifikan pada pengembangan analisis citra biomedis. UNet dan varian-varian lainnya mendominasi bidang segmentasi citra medis dengan kinerja yang baik. Namun, model-model tersebut masih memiliki beberapa tantangan yang belum terpecahkan. Termasuk blok konvolusionalnya terlalu sederhana dan memiliki keterbatasan dalam mengakses informasi pada skala global. Selain itu, skip connection yang sekedar menyatukan fitur encoder dan decoder kurang efektif dalam menekan fitur yang tidak relevan. Untuk mengatasi kekurangan-kekurangan tersebut, diusulkan jaringan segmentasi tumor payudara, CMAUNeXt. Model ini menggabungkan Short Residual ConvNeXt (srCX) dengan Multi-Dimensional Attention Module (MDAM). Blok srCX dirancang khusus dengan konvolusi depthwise dengan large kernel, dan dua konvolusi pointwise dengan desain inverted bottleneck untuk mengekstrak informasi konteks global secara efisien. Sementara itu, modul MDAM dirancang untuk memperkuat fitur yang berharga dan meminimalkan informasi yang kurang relevan. Hasil percobaan pada dua dataset ultrasonografi payudara, yaitu Dataset B dan BUSI, menunjukkan kinerja yang unggul dibandingkan dengan enam model popular terkini berbentuk U lainnya. CMAUNeXt berhasil mencapai 79,53% IoU, 87,78% Dice dan 99,54?curacy pada Dataset B, serta 76.23% IoU, 84.36% Dice dan 97.02?curacy pada dataset BUSI, melebihi performa model-model terkini lainnya. Selain itu, metode ini hanya memiliki 2.73 juta parameter dan 6.68 giga FLOPs, yang lebih rendah dari metode segmentasi lainnya.
