Segmentasi Citra Ultrasound untuk Deteksi Kanker Payudara Menggunakan Double Half-Unet dengan Mekanisme Attention
Penulis Utama
:
Hafidh Muhammad Akbar
NIM / NIP
:
M0521026
×<p>Kanker payudara merupakan kanker dengan insidensi tertinggi kedua di dunia dan pertama di Indonesia pada tahun 2022. Deteksi dini menjadi sangat penting karena kanker payudara pada tahap awal masih memiliki peluang tinggi untuk dapat disembuhkan. Ultrasound adalah teknologi yang umum digunakan dalam proses diagnosis kanker payudara, tetapi metode konvensional sangat bergantung pada kemampuan operator dan memiliki keterbatasan visualisasi. Automated Breast Ultrasound (ABUS) dikembangkan sebagai solusi, tetapi proses ini tetap membutuhkan waktu analisis yang panjang. Untuk itu, penelitian ini mengusulkan Double Half-UNet, arsitektur deep learning yang efisien untuk segmentasi kanker payudara berbasis citra ultrasound. Model ini dikembangkan dari kerangka dasar DoubleU-Net dan diintegrasikan dengan Squeeze-and-Excitation (SE) Block, Multi-scale Residual Attention (MRA), dan Pixel Attention. SE block berperan dalam menekankan fitur penting pada dimensi channel serta menekan jumlah parameter dan kompleksitas komputasi. Sementara itu, MRA dan Pixel Attention mampu memperkaya informasi spasial dan meningkatkan fokus model pada fitur-fitur penting di jalur skip connection. Penelitian ini diawali dengan pengumpulan dan pengolahan data pada dataset Breast Ultrasound Image (BUSI) dan dataset B, dilanjutkan dengan perancangan arsitektur model, tuning hyperparameter, pelatihan, evaluasi, serta perbandingan performa dengan metode lain. Hasil evaluasi menunjukkan bahwa Double Half-UNet mampu menghasilkan F1-Score sebesar 85,83?n IoU sebesar 76,87% pada dataset BUSI, serta F1-Score sebesar 89,13?n IoU sebesar 80,90% pada dataset B. Integrasi antara SE block, MRA, dan Pixel Attention pada Double Half-UNet mampu meningkatkan kedua metrik tersebut sebesar 4,56% sampai 8,87% jika dibandingkan dengan model dasar Double Half-UNet tanpa penambahan dan/atau modifikasi apapun. Model ini mampu menghasilkan jumlah parameter sebesar 0,56 juta dan kompleksitas komputasi sebesar 23,41 GFLOPs, model ini menunjukkan kinerja tinggi dibandingkan metode yang sudah ada sebelumnya.</p>
×
Penulis Utama
:
Hafidh Muhammad Akbar
Penulis Tambahan
:
-
NIM / NIP
:
M0521026
Tahun
:
2025
Judul
:
Segmentasi Citra Ultrasound untuk Deteksi Kanker Payudara Menggunakan Double Half-Unet dengan Mekanisme Attention
Edisi
:
Imprint
:
Surakarta - Fak. Teknologi Informasi dan Sains Data - 2025
Program Studi
:
S-1 Informatika
Kolasi
:
Sumber
:
Kata Kunci
:
kanker payudara, segmentasi citra, deep learning, Double Half-UNet
