PENERAPAN METODE U-NET DALAM SEGMENTASI CITRA ULTRASONOGRAFI UNTUK VISUALISASI TUMOR PAYUDARA

Agung Kridoyono
Elvianto Dwi Hartono
Bagus Winarno


DOI: https://doi.org/10.29100/jipi.v10i2.7775

Abstract


Tumor payudara merupakan benjolan dipayudara. Timbulnya benjolan pada payudara dapat merupakan indikasi adanya jenis tumor atau kanker payudara. Namun, untuk memastikan perlu dilakukan pemeriksaan patalogis. Tumor payudara adalah kondisi yang disebabkan oleh pertumbuhan sel yang tidak normal pada kelenjar, jaringan ikat, maupun saluran ASI di payudara. Tumor payudara dapat bersifat jinak ataupun Ganas ( Kanker). Penggunaan citra digital telah dimanfaatkan dalam berbagai bidang, termasuk dalam bidang medis. Salah satu contohnya adalah penggunaan citra digital untuk mendeteksi lokasi organ vital dalam tubuh manusia. Tujuan dari penelitian ini adalah untuk menghasilkan bentuk potongan area Payudara dengan menerapkan metode segmentasi deep learning dan memvisualisasikan hasil-nya. Tahapan penelitian ini dilakukan dengan akuisisi citra USG, diikuti oleh proses image preprocessing untuk meningkatkan kualitas citra agar hasil proses segmentasi menjadi lebih baik, dilanjutkan dengan menerapan metode segmentasi. Penelitian ini berfokus pada penggunaan metode U-Net untuk segmentasi tumor payudara pada citra ultrasound ( USG ) dan memvisualisasikan-nya. Dengan menggunakan arsitektur U-Net dalam penelitian mendalam untuk segmentasi tumor payudara pada citra ultrasound ( USG ), penelitian ini diharapkan dapat memberikan visualisasi yang lebih presisi. Segmentasi tumor payudara pada citra ultrasound ( USG ) dapat digunakan sebagai referensi bagi dokter spesialis kesehatan dan professional lainnya untuk melakukan penelitian lebih lanjut. Dari hasil implementasi, dilakukan training terhadap dataset tumor payudara dan menghasilkan akurasi training sebesar 88.79%. Berdasarkan hasil yang didapatkan, metode U-Net dapat digunakan pada segmentasi tumor payudara pada citra ultrasound ( USG ).

Keywords


Segmentasi citra; Citra Ultrasound ( USG ); Tumor Payudara; Arsitektur U-Net; Image Preprocessing.

Full Text:

PDF

Article Metrics :

References


Agung and Adisusilo, A.K. (2020) ‘Pemanfaatan 3D U-Net untuk Segmentasi 3 Dimensi Gelembung Penyebab Kanker Paru-paru (Nodule) pada Lapisan Citra CT Scan’, Journal of Intelligent System and Computation, 2(2), pp. 74–85. Available at: https://doi.org/10.52985/insyst.v2i2.159

Al-Dhabyani, W. et al. (2020) ‘Dataset of breast ultrasound images’, Data in Brief, 28, p104863. Available at: https://doi.org/10.1016/j.dib.2019.104863

Alfarisi, H.M. (2020) ‘Mengenal Perbedaan Artificial Intelligence, Machine Learning, Neural Network & Deep Learning (Part II)’, 21 March 2020, pp. 1–1. Available at: http://sistem-komputer s1.stekom.ac.id/informasi/baca/Mengenal-Perbedaan-Artificial-Intelligence-Machine-Learning-Neural-Network-Deep-Learning-Seri-3/a115e35a62282ce8927b9bf6b0d4261fda07051c%0Ahttps://medium.com/@hai qalmuhamadalfarisi/mengenal-perbedaan-a

Ayana, G., Dese, K. and Choe, S. (2021) ‘Transfer Learning in Breast Cancer Diagnoses via’, Transfer Learning in Breast Cancer Diagnoses via Ultrasound Imaging, pp. 1–15

Badawy, S.M. et al. (2021) ‘Automatic semantic segmentation of breast tumors in ultrasound images based on combining fuzzy logic and deep learning — A feasibility study’. Available at: https://doi.org/10.1371/journal.pone.0251899.

Byra, M. et al. (2020) ‘Breast mass segmentation in ultrasound with selective kernel U-Net convolutional neural network’, Biomedical Signal Processing and Control, 61. Available at: https://doi.org/10.1016/j.bspc.2020.102027.

Darenoh, N.V. et al. (2014) ‘Segmentasi Semantik Citra Dengan Convolutional Neural Network Menggunakan Arsitektur U-Net’, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), x, No. x(30), p. 2. Available at: https://doi.org/10.25126/jtiik.

Diah Irawati, P.A. and Hermawati, F.A. (2022) ‘Klasifikasi Kanker Payudara Berbasis Citra Ultrasound Menggunakan Metode Transfer Learning Canny’

Fadlur Rochman and Junaedi, H. (2020) ‘Implementasi Transfer learning Untuk Identifikasi Ordo Tumbuhan Melalui Daun’, jurnal Health Sains, 1(6), pp. 672– 679. Available at: https://doi.org/10.46799/jsa.v1i6.103.

Gongping Chen, Lei Li, Yu Dai, Jianxun Zhang, and Moi Hoon Yap (2022) AAU-net: An Adaptive Attention U-net for Breast Lesions Segmentation in Ultrasound Images, ieee transactions on medical imaging.

Narinder Singh Punn*, Sonali Agarwal (2022) RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging

Donya Khaledyan*, Thomas J. Marini, Timothy M. Baran, Avice O’Connell, Kevin Parker (2023) Enhancing breast ultrasound segmentation through fine-tuning and optimization techniques: Sharp attention UNet

Jiadong Chen, Xiaoyan Shen, Yu Zhao, Wei Qian, He Ma, Liang Sang (2024) Attention gate and dilation U-shaped network (GDUNet): an efficient breast ultrasound image segmentation network with multiscale information extraction

Golla Madhu, Avinash Meher Bonasi, Sandeep Kautish, Abdulaziz S. Almazyad, Ali Wagdy Mohamed, Frank Werner, Mehdi Hosseinzadeh and Mohammad Shokouhifar (2024) UCapsNet: A Two-Stage Deep Learning Model Using U-Net and Capsule Network for Breast Cancer Segmentation and Classifi cation in Ultrasound Imaging

Payel Pramanik, Ayush Roy, Erik Cuevas, Marco Perez-Cisneros, Ram Sarkar (2024) DAU-Net: Dual attention-aided U-Net for segmenting tumor in breast ultrasound images

Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2018: GLO-BOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: a cancer journal for clinicians. 2018; 68(6):394–424

Pramanik P, Mukhopadhyay S, Kaplun D, Sarkar R. A deep feature selection method for tumor classification in breast ultrasound images. In: International conference on mathematics and its applications in new computer systems. Springer; 2021. p. 241–252.

Muhammad M, Zeebaree D, Brifcani AMA, Saeed J, Zebari DA. Region of interest segmentation based on clustering techniques for breast cancer ultrasound images: A review. Journal of Applied Science and Technology Trends. 2020; 1(3):78–91. https://doi.org/10.38094/jastt20201328

Huang Q, Luo Y, Zhang Q. Breast ultrasound image segmentation: a survey. International journal of computer assisted radiology and surgery. 2017; 12:493–507. https://doi.org/10.1007/s11548-016-1513-1

Oktay O, Schlemper J, Folgoc LL, Lee M, Heinrich M, Misawa K, et al. Attention u-net: Learning where to look for the pancreas. arXiv preprint arXiv:180403999. 2018;