PEMANFAATAN DEEP LEARNING UNTUK SEGMENTASI PARU-PARU DARI CITRA X-RAY DADA

Abstract

Pemeriksaan rontgen dada atau thoraks merupakan pemeriksaan penunjang yang paling umum digunakan dalam pendiagnosaan penyakit paru-paru. Selain karena cepat pemeriksaan rontgent lebih ekonomis dibandingkan pemeriksaan CT-scan atau pemeriksaan darah di laborat. Sebelum menentukan penyakir yang tampak dari gambar paru-paru di dalam citra rontgent dada, dokter terlebih dahulu menentukan batas area paru-parunya. Tidak setiap citra X-Ray dada memiliki gambaran paru-paru yang normal, sebagian menampilkan gambaran yang tidak normal terlihat kabut putih atau perubahan morfologi dikarenakan adanya proses penyakit paru-paru. Sebagai salah satu arsitektur dari CNN yang dapat digunakan dalam melakukan segmentasi paru-paru adalah UNET yang merupakan arsitektur encode-decoder. Penelitian ini mencoba untuk melatih model pembelajaran mendalam dengan arsitektur CNN U-Net. Dari hasil percobaan yang kami lakukan model yang diusulkan tersebut dapat menunjukkan kemampuan dalam mengenali batas paru-paru meskipun terdapat gambaran paru-paru yang tidak normal atau berkabut. Performa dari model dihitung dengan mengukur nilai akurasi piksel dan nilai tumpang tindih dengan Jaccard Index (IoU), didapatkan nilai keduanya secara berurutan adalah 98,25% dan 94,54%.