Analisis Kinerja U-Net menggunakan Integrasi Squeeze-and-Excitation dengan Resnet50 dan ResNext50 untuk segmentasi Area Polip

Abstract

Segmentasi polip pada citra kolonoskopi merupakan tahap penting dalam sistem bantu diagnosis kanker kolorektal karena berperan dalam mengidentifikasi area abnormal secara akurat. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa segmentasi menggunakan empat varian arsitektur UNet, yaitu U-Net dengan encoder ResNet50, ResNeXt50, ResNet50 + Squeeze-andExcitation (SE), dan ResNeXt50 + Squeeze-and-Excitation (SE). Evaluasi dilakukan menggunakan metrik Dice coefficient, Jaccard index, Recall, Precision, Accuracy, dan F2-score, serta analisis kompleksitas dan efisiensi komputasi berdasarkan jumlah parameter, GFLOPs, waktu pelatihan, dan waktu inferensi. Hasil penelitian menunjukkan bahwa penambahan modul SE meningkatkan kualitas segmentasi dibandingkan model tanpa SE, dengan performa terbaik diperoleh pada arsitektur U-Net + ResNet50 + SE yang menghasilkan Dice 0,9100, Jaccard 0,8504, Recall 0,9145, Precision 0,9285, Accuracy 0,9744, dan F2-score 0,9173. Dari sisi komputasi, model U-Net + ResNet50 merupakan yang paling efisien, sedangkan arsitektur yang lebih kompleks memerlukan waktu pelatihan dan inferensi yang lebih besar namun masih dalam rentang wajar. Secara keseluruhan, integrasi modul SE mampu meningkatkan representasi fitur dan ketepatan segmentasi polip, sementara pemilihan backbone memengaruhi keseimbangan antara performa dan efisiensi komputasi.