Analisis Performansi Parameter pada Arsitektur U-Net untuk Segmentasi Nukleus pada Citra Kanker Serviks
Article Sidebar
Main Article Content
Abstract
Pap Smear adalah salah satu metode untuk memeriksa sel-sel serviks. Sel-sel tersebut diperiksa dengan mikroskop untuk mengamati perubahan atau ketajaman sel epitel serviks sebagai tanda awal adanya keberadaan kanker. Namun, pemeriksaan Smear Pap secara manual memiliki beberapa kekurangan, yaitu membutuhkan waktu yang relatif lama dan peluang terjadinya kesalahan selama analisis besar karena bersifat subjektif. Namun, citra mikroskopis Pap Smear sulit untuk diinterpretasi, karena terdapat sel-sel yang berkelompok, tumpang tindih, adanya sel-sel inflamasi, bekas darah, kontras rendah, dan variasi dalam pencahayaan yang terjadi karena metode pewarnaan yang tidak konsisten seperti konsentrasi zat pewarna. Salah satu model dalam melakukan interpretasi citra adalah dengan segmentasi citra, maka penelitian ini berfokus pada pengembangan metode segmentasi menggunakan pendekatan model semantic segmentation U-Net dengan arsitektur dari Roonerberger. Penelitian ini menganalisis beberapa penggunaan hyperparameter untuk mengetahui performansi dari arsitektur model U-NET khususnya untuk mengsegmentasi AF. Adapun tuning hyperparameter terdapat pada optimizer, loss function, learning rate serta jumlah epoch. Performa terbaik U-Net dalam melakukan segmentasi cairan ketuban adalah dengan kombinasi parameter optimizer RMSprop, Loss function adalah Binary cross entropy, nilai learning rate 0.00001 dengan Epoch sebesar 31 dengan DSC sebesar 0.82 dan IoU sebesar 0.70, akurasi sebesar 0.8, presisi 0.78, recall 0.81.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Sistem dan Informatika (JSI) bersifat open access, yaitu dapat diakses secara umum tanpa dikenakan biaya. Penulis yang menerbitkan artikelnya di JSI setuju dengan ketentuan berikut:- JSI menggunakan perjanjian lisensi ekslusif, yaitu penulis memegang hak cipta atas artikel dan memberikan hak publikasi kepada Jurnal Sistem dan Informatika (JSI).
- JSI mempunyai hak ekslusif untuk mempublikasi dan mendistribusikan artikel secara sebagian atau keseluruhan, dan memberikan hak kepada orang lain sesuai dengan lisensi yang digunakan.
- JSI berhak untuk menyediakan artikel dalam berbagai bentuk dan media, sehingga artikel dapat digunakan untuk teknologi terbaru bahkan setelah dipublikasikan.
- JSI berhak untuk menegakkan hak-hak atas nama penulis pada artikel terhadap pihak ketiga. Misalnya dalam kasus plagiarisme atau pelanggaran hak cipta.
- Artikel harus dirujuk, link terhadap lisensi harus disediakan, dan jika terdapat bagian artikel yang diubah harus ditandai.
- Jika artikel disadur sehingga terdapat perubahan, hasil saduran harus didistribusikan menggunakan lisensi yang sama.
- Tidak diperkenankan untuk membatasi orang lain terhadap apa yang diperbolehkan oleh lisensi.
References
A. A. Esmaeilzadeh and F. Nasirzadeh, “Original Article: Uterus Cancer,” Eurasian Journal of Chemical, Medicinal and Petroleum Research, vol. 2, no. 5, pp. 63–83, 2023.
A. Rozy, “JITE (Journal of Informatics and Telecommunication Engineering) Diagnosing Achalasia,” vol. 7, no. July, pp. 308–316, 2023.
R. Kurniawan, I. Muhimmah, A. Kurniawardhani, and I. Indrayanti, “Segmentation of Overlapping Cervical Cells in Normal Pap Smear Images Using Distance-Metric and Morphological Operation,” CommIT (Communication and Information Technology) Journal, vol. 11, no. 1, p. 25, 2017, doi: 10.21512/commitlv11i1.1957.
C. Yang, L. hui Qin, Y. en Xie, and J. yuan Liao, “Deep learning in CT image segmentation of cervical cancer: a systematic review and meta-analysis,” Radiation Oncology, vol. 17, no. 1, pp. 1–14, 2022, doi: 10.1186/s13014-022-02148-6.
Y. Liu, B. Bai, H. C. Chen, P. Liu, and H. M. Feng, “Cervical Image Segmentation using U-Net Model,” Proceedings - 2019 International Symposium on Intelligent Signal Processing and Communication Systems, ISPACS 2019, pp. 4–5, 2019, doi: 10.1109/ISPACS48206.2019.8986384.
J. Liu, Q. Chen, J. Fan, and Y. Wu, “HSIL Colposcopy Image Segmentation Using Improved U-Net,” Proceedings - 2021 36th Youth Academic Annual Conference of Chinese Association of Automation, YAC 2021, pp. 891–897, 2021, doi: 10.1109/YAC53711.2021.9486581.
M. Han et al., “Automatic segmentation of human placenta images with u-net,” Journal EEE Access, vol. 7, pp. 180083–180092, 2019, doi: 10.1109/ACCESS.2019.2958133.
C. Chu, J. Zheng, and Y. Zhou, “Ultrasonic thyroid nodule detection method based on U-Net network,” Comput Methods Programs Biomed, vol. 199, p. 105906, Feb. 2021, doi: 10.1016/J.CMPB.2020.105906.
H. Shin, R. Agyeman, M. Rafiq, M. C. Chang, and G. S. Choi, “Automated segmentation of chronic stroke lesion using efficient U-Net architecture,” Biocybern Biomed Eng, vol. 42, no. 1, pp. 285–294, Jan. 2022, doi: 10.1016/J.BBE.2022.01.002.
O. Ronneberger, P. Fischer, and T. Brox, “U-net: convolutional networks for biomedical image segmentation,” Lecture Notes in Computer Science, vol. 9351, pp. 234–241, 2015, doi: 10.1007/978-3-319-24574-4_28.
P. D. Wulaning Ayu and G. A. Pradipta, “U-Net Tuning Hyperparameter for Segmentation in Amniotic Fluid Ultrasonography Image,” 2022 4th International Conference on Cybernetics and Intelligent System, ICORIS 2022, 2022, doi: 10.1109/ICORIS56080.2022.10031294.
S. Ruder, “An overview of gradient descent optimization algorithms,” pp. 1–14, 2016, [Online]. Available: http://arxiv.org/abs/1609.04747
M. D. Zeiler, “ADADELTA: An Adaptive Learning Rate Method,” 2012, [Online]. Available: http://arxiv.org/abs/1212.5701
D. P. Kingma and J. L. Ba, “Adam: A method for stochastic optimization,” 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, pp. 1–15, 2015.
S. Ruder, “An overview of gradient descent optimization algorithms,” pp. 1–14, 2016.
