Implementasi Deep Learning Untuk Segmentasi Dan Klasifikasi Kanker Payudara Pada Citra Ultrasonografi
Alvin Rosandi Nugroho, Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE.; Ir. Bambang Sugiyantoro, M.T.
2023 | Skripsi | S1 TEKNIK BIOMEDIS
Menurut
Kementerian Kesehatan Republik
Indonesia, tingginya tingkat
kematian pasien kanker
payudara karena terlambatnya pemeriksaan atau skrining sehingga perawatan menjadi tidak optimal. Citra
ultrasonografi berperan dalam skrining kanker payudara untuk mendeteksi adanya sel kanker pada pasien. Skrining
dibutuhkan agar kanker dapat
ditemukan sedini mungkin sehingga perawatan dapat segera dilakukan dan angka kematian
dapat ditekan. Namun, diagnosis
menggunakan citra ultrasonografi hanya dapat
dilakukan oleh dokter dengan keahlian
khusus dan berpengalaman.
Dalam
membantu dokter untuk melakukan diagnosis, beberapa metode komputasi dapat diterapkan. Salah satunya adalah deep learning. Metode ini
diterapkan dalam pengolahan citra
ultrasonografi kanker payudara karena dapat mengekstraksi fitur dari citra secara otomatis sehingga tidak perlu
melakukan ekstraksi fitur manual yang rumit dan
memakan waktu. Salah satu arsitektur deep learning yang baik untuk pengolahan citra adalah U-Net
dan CNN.
Penelitian ini bertujuan untuk membantu
mempercepat dan mempermudah skrining
kanker payudara dengan mengembangkan sistem pengolahan citra ultrasonografi kanker payudara untuk segmentasi dan
klasifikasi citra ultrasonografi payudara berbasis deep learning. Arsitektur U-Net diimplementasikan untuk
segmentasi citra ultrasonografi kanker
payudara dan arsitektur CNN diimplementasikan untuk klasifikasi kanker payudara (jinak, ganas, ataupun normal).
Metodologi yang digunakan meliputi pengumpulan
data, pemilihan metode, perancangan algoritma, pengujian
model, dan evaluasi
performa.
Hasil penelitian menunjukkan bahwa kinerja dari segmentasi U-Net
menunjukkan performa Intersection over Union (IOU) sebesar
0,9857, Dice Coefficient sebesar 0,7771, presisi
sebesar 0,8494, recall sebesar 0,7367, dan akurasi sebesar 0,9651. Sedangkan
kinerja dari klasifikasi CNN
menunjukkan akurasi sebesar 0,87. Kesimpulan
penelitian ini adalah segmentasi dan
klasifikasi citra ultrasonografi kanker payudara berbasis deep learning dapat bekerja dengan baik
dengan performa yang lebih baik dari penelitian sebelumnya.
Ultrasound
images play a role in breast cancer screening to detect the presence of cancer cells in patients.
Screening is needed so that cancer can be found as early as
possible so that treatment can be done immediately and mortality can be
reduced. However, a diagnosis using ultrasound images can only be made by a doctor with special skills
and experience.
In helping
doctors to make a diagnosis, several computational methods can be applied. One of them is deep learning.
This method is applied in processing ultrasound images of breast cancer because it can extract features from
images automatically so there is no
need to perform complicated and time-consuming manual feature extraction. One of the good deep learning architectures for image processing is U-Net and CNN.
This research
aims to help accelerate and simplify breast
cancer screening by developing a breast cancer ultrasound image
processing system for deep learning-based segmentation
and classification of breast ultrasound images. U-Net architecture is implemented for ultrasound image
segmentation of breast cancer and CNN architecture is implemented for breast
cancer classification (benign,
malignant, or normal).
The methodology used includes data collection,
method selection, algorithm design, model testing, and performance evaluation.
The results
showed that the performance of the U-Net segmentation showed an Intersection over Union (IOU) performance
of 0.9857, a Dice Coefficient of 0.7771, a precision of 0.8494, a recall of 0.7367, and an accuracy
of 0.9651. While the performance of the CNN classification shows an accuracy of 0.87. The
conclusion of this study is deep learning-based segmentation and classification of breast cancer
ultrasound images can work well with better performance than previous studies.
Kata Kunci : Kanker payudara, segmentasi, klasifikasi, U-Net, CNN.