SEGMENTASI SEL PADA CITRA HISTOPATOLOGI KANKER MENGGUNAKAN ALGORITMA DEEP LEARNING STUDI KASUS: CITRA PAYUDARA

Penerapan teknologi visi komputer dalam analisis citra medis, khususnya dalam
bidang histopatologi, menawarkan peluang signifikan untuk melakukan analisis sel
secara kuantitatif. Namun, tantangan sering muncul ketika sel-sel berdekatan,
berdempetan, atau saling tumpang tindih yang menyulitkan identifikasi objek
secara individu sehingga mempengaruhi hasil perhitungan objek. Hal ini sering
menimbulkan masalah under segmentation dan over segmentation dalam proses
segmentasi sel. Penelitian ini bertujuan untuk meningkatkan kinerja segmentasi sel
dengan menggunakan model U-Net yang memanfaatkan ResNet50 sebagai
backbone. Penelitian ini melibatkan pembuatan dataset baru yang terdiri dari 106
citra dengan 3.383 sel serta ground truth yang sesuai. Model U-Net dengan
ResNet50 dioptimalkan melalui penerapan teknik augmentasi data dan penyesuaian
hyperparameter. Selain itu, penambahan tahapan modifikasi ground truth pada
tahap pra-pemrosesan dilakukan untuk meningkatkan kinerja model. Hasil
penelitian menunjukkan bahwa penambahan tahapan modifikasi ground truth
berkontribusi dalam meningkatkan kinerja segmentasi sel. Modifikasi ground truth
membantu model mengenali batas antar objek dengan lebih akurat, sehingga objek
dapat dikenali secara individu yang mengurangi masalah under segmentation, dan
meningkatkan pemahaman model terhadap morfologi objek yang berkontribusi
pada pengurangan masalah over segmentation. Model tanpa modifikasi ground
truth mendeteksi 515 objek merupakan jumlah yang jauh melebihi jumlah objek
sebenarnya (327), sedangkan model dengan modifikasi GT mendeteksi 301 objek,
mendekati jumlah objek sebenarnya. Peningkatan kinerja ini tercermin dari
peningkatan nilai Intersection over Union (IoU) dari 0,7947 menjadi 0,8366, serta
penurunan nilai rata-rata kesalahan deteksi (MAE) dari 0,0832 menjadi 0,0580.
Perbaikan metrik-metrik ini menunjukkan bahwa penambahan tahapan modifikasi
ground truth efektif dalam mengurangi kesalahan segmentasi dan meningkatkan
akurasi segmentasi secara keseluruhan