<!--[if gte mso 9]><xml>
</xml><![endif]--><!--[if gte mso 9]><xml>
Normal
0
false
false
false
EN-ID
JA
X-NONE
</xml><![endif]--><!--[if gte mso 9]><xml>
</xml><![endif]--><!--[if gte mso 10]>
<style>
/* Style Definitions */
table.MsoNormalTable
{mso-style-name:"Tabel Normal";
mso-tstyle-rowband-size:0;
mso-tstyle-colband-size:0;
mso-style-noshow:yes;
mso-style-priority:99;
mso-style-parent:"";
mso-padding-alt:0in 5.4pt 0in 5.4pt;
mso-para-margin-top:6.0pt;
mso-para-margin-right:0in;
mso-para-margin-bottom:6.0pt;
mso-para-margin-left:0in;
text-align:justify;
text-justify:inter-ideograph;
line-height:150%;
mso-pagination:widow-orphan;
font-size:11.0pt;
font-family:"Calibri",sans-serif;
mso-ascii-font-family:Calibri;
mso-ascii-theme-font:minor-latin;
mso-hansi-font-family:Calibri;
mso-hansi-theme-font:minor-latin;
mso-bidi-font-family:"Times New Roman";
mso-bidi-theme-font:minor-bidi;}
</style>
<![endif]-->Diagnosis
manual Acute Myeloid Leukemia (AML) melalui analisis mikroskopis apusan darah
merupakan proses yang memakan waktu, bersifat subjektif, dan membutuhkan banyak
sumber daya. Untuk mengatasi tantangan ini, pendekatan berbasis deep learning
seperti U-Net telah digunakan karena kemampuannya dalam memberikan akurasi
tinggi dalam segmentasi citra medis. Namun, kompleksitas komputasi dari model
ini menjadi hambatan dalam implementasinya pada sistem tertanam portabel yang
memiliki keterbatasan daya dan sumber daya komputasi.
Penelitian
ini bertujuan mengembangkan sistem segmentasi sel darah putih yang efisien dan
real-time dengan menggunakan arsitektur U-Net yang dimodifikasi. Modifikasi
dilakukan dengan mengganti encoder standar U-Net dengan backbone modern yang
lebih efisien, yaitu EfficientNet-B4 dan RepViT-M1.5. Model dilatih menggunakan
kombinasi dataset citra mikroskopis dari sumber publik dan klinis, dan
dievaluasi pada perangkat Single Board Computer NVIDIA Jetson Orin menggunakan
metrik Intersection over Union (IoU), presisi, recall, serta kecepatan
inferensi (FPS).
Hasil
penelitian menunjukkan bahwa konversi model ke format TensorRT FP16 memberikan
peningkatan signifikan terhadap kecepatan inferensi, dari 4–7 FPS menjadi lebih
dari 45 FPS. Di antara kedua backbone yang diuji, RepViT-M1.5 memberikan
performa terbaik dengan rata-rata IoU diatas 95% serta segmentasi visual
real-time yang unggul. Penelitian ini membuktikan bahwa kombinasi U-Net dengan
RepViT-M1.5 dan optimisasi TensorRT merupakan solusi efektif dan efisien untuk
segmentasi sel AML secara real-time pada perangkat edge.
<!--[if gte mso 9]><xml>
</xml><![endif]--><!--[if gte mso 9]><xml>
Normal
0
false
false
false
EN-ID
JA
X-NONE
</xml><![endif]--><!--[if gte mso 9]><xml>
</xml><![endif]--><!--[if gte mso 10]>
<style>
/* Style Definitions */
table.MsoNormalTable
{mso-style-name:"Tabel Normal";
mso-tstyle-rowband-size:0;
mso-tstyle-colband-size:0;
mso-style-noshow:yes;
mso-style-priority:99;
mso-style-parent:"";
mso-padding-alt:0in 5.4pt 0in 5.4pt;
mso-para-margin-top:6.0pt;
mso-para-margin-right:0in;
mso-para-margin-bottom:6.0pt;
mso-para-margin-left:0in;
text-align:justify;
text-justify:inter-ideograph;
line-height:150%;
mso-pagination:widow-orphan;
font-size:11.0pt;
font-family:"Calibri",sans-serif;
mso-ascii-font-family:Calibri;
mso-ascii-theme-font:minor-latin;
mso-hansi-font-family:Calibri;
mso-hansi-theme-font:minor-latin;
mso-bidi-font-family:"Times New Roman";
mso-bidi-theme-font:minor-bidi;}
</style>
<![endif]-->Manual
diagnosis of Acute Myeloid Leukemia (AML) through microscopic analysis of blood
smears is a time-consuming, subjective process that requires substantial
resources. To address these challenges, deep learning approaches such as U-Net
have been adopted due to their high accuracy in medical image segmentation.
However, the computational complexity of such models poses a significant
barrier to their implementation on portable embedded systems with limited power
and computing resources.
This
study aims to develop an efficient, real-time white blood cell segmentation
system using a modified U-Net architecture. The modification involves replacing
U-Net’s standard encoder with more efficient modern backbones, specifically
EfficientNet-B4 and RepViT-M1.5. The models were trained on a combined dataset
of public and clinical microscopic images and evaluated on the NVIDIA Jetson
Orin Single Board Computer using metrics such as Intersection over Union (IoU),
precision, recall, and inference speed (FPS).
The
results demonstrate that converting the models to the TensorRT FP16 format
significantly boosts inference speed, from around 4–7 FPS to over 45 FPS. Among
the tested backbones, RepViT-M1.5 achieved the best overall performance, with a
mean IoU exceeding 95% and superior real-time visual segmentation quality. This
study confirms that a U-Net model with the RepViT-M1.5 backbone, optimized with
TensorRT, offers an effective and efficient solution for real-time AML cell
segmentation on edge devices.
Kata Kunci : Sel Darah Putih, Segmentasi, U-Net, Sistem Tertanam, TensorRT.
