Segmentasi Wilayah Abnormalitas Kanker Paru-Paru Menggunakan Residual Attention U-Net pada Citra Chest X-Ray

Abstract

Kanker paru-paru merupakan salah satu penyakit dengan tingkat kematian tertinggi secara global. Deteksi dini menjadi langkah penting untuk meningkatkan peluang keberhasilan pengobatan. Namun, keterbatasan akses terhadap modalitas pencitraan seperti CT-scan mendorong perlunya alternatif berbasis citra rontgen toraks (chest X-ray), yang lebih murah dan tersedia secara luas. Meski demikian, penggunaan citra X-ray masih memiliki tantangan dalam akurasi deteksi, khususnya dalam mengenali keberadaan lesi abnormal yang kecil. Penelitian ini bertujuan mengembangkan model segmentasi wilayah abnormalitas paru menggunakan arsitektur Residual Attention U-Net serta menganalisis pengaruh teknik anotasi, strategi pelatihan, dan resolusi input terhadap performa model. Data yang digunakan terdiri atas dataset publik JSRT dan dataset lokal dari Rumah Sakit di Jember. Tiga teknik anotasi diterapkan pada dataset JSRT, yaitu anotasi berbasis metadata, anotasi yang dikoreksi menggunakan metadata, dan anotasi yang diperbaiki berdasarkan interpretasi visual yang lebih realistis. Model kemudian dilatih menggunakan pelatihan dasar dan strategi pelatihan bertahap (curriculum learning) berdasarkan tingkat subtlety nodul. Eksperimen tambahan dilakukan dengan skema progressive input learning (PIL) serta pendekatan lung field segmentation