EXTRA ATTENTION DUAL CHANNEL U-NET UNTUK SEGMENTASI CITRA MEDIS POLIP

Penulis Utama : Andini Rahmawati
NIM / NIP : M0520013
× <p>ABSTRAK</p><p>Medical image segmentation (MIS) merupakan upaya pemberian label untuk setiap <br>piksel dari sebuah objek dalam region of interest (ROI) citra medis. Deteksi awal <br>pada polip akan dapat mengurangi angka kematian akibat kanker kolorektal. <br>Banyak metode deep learning yang berkembang untuk melakukan segmentasi <br>polip, seperti U - Net, ResU-Net, U-Net++, ResU-Net++, dan lain - lain. Penelitian <br>ini mengusulkan Extra Attention Dual Channel U - Net (EADC U - Net) dengan <br>tujuan membangun model segmentasi yang fokus pada ekstraksi fitur di level <br>spasial dan channel sehingga menghasilkan kinerja model yang kuat dengan <br>parameter rendah karena beberapa penelitian terdahulu masih memiliki parameter <br>model yang tinggi. Model ini dibangun menggunakan konsep dual channel U - Net <br>dengan sandglass block sebagai blok penyusunnya untuk mengurangi jumlah <br>parameter karena penggunaan dual channel U-Net dapat menambah parameter, <br>serta memanfaatkan beberapa mekanisme attention untuk meningkatkan performa <br>model. Model diuji untuk dua dataset citra medis polip, yaitu CVC-ClinicDB dan <br>Kvasir-Seg. Melalui model yang diusulkan, didapatkan nilai F1 - Score dan IoU <br>secara berurutan untuk dataset CVC-ClinicDB sebesar 94.0?n 88.67?n <br>untuk dataset Kvasir-Seg sebesar 87.75?n 78.17%. Hasil evaluasi model yang <br>diusulkan ini lebih baik performanya dan memiliki parameter rendah dibandingkan <br>dengan metode - metode penelitian sebelumnya.</p>