Segmentasi dan Klasifikasi Sel pada Citra Histologi dengan Menggunakan Jaringan Konvolusional Encoder-Decoder

Abstract

Analisis citra histologi merupakan hal yang esensial dalam penelitian medis untuk membantu diagnosis penyakit. Sel pada citra histologi dapat memiliki variasi bentuk dan ukuran yang beragam. Segmentasi dan klasifikasi sel pada citra histologi adalah langkah awal yang penting untuk dilakukan dalam analisis citra histologi untuk mengetahui kondisi dari sel pada jaringan agar dapat dilakukan analisis lebih lanjut. Dataset yang digunakan pada penelitian ini yaitu dataset Lizard yang disediakan secara publik pada kompetisi Conic 2022. Model jaringan konvolusional encoder-decoder arsitektur LinkNet dengan modifikasi pada bagian encoder dibuat untuk melakukan segmentasi dan klasifikasi sel pada citra histologi menjadi enam kelas yaitu sel neutrofil, sel epitel, sel limfosit, sel plasma, sel eosinofil, dan jaringan ikat. Model pretrained Convolutional Neural Network yang digunakan untuk menjadi encoder LinkNet adalah VGG16, DenseNet121, dan EfficientNet-B2. Berdasarkan hasil pengujian dengan menggunakan metric Mean Intersection over Union (mIoU) pada arsitektur LinkNet dengan masing-masing arsitektur encoder didapatkan hasil performansi terbaik dengan menggunakan arsitektur LinkNet dengan encoder DenseNet121 sebesar 0.5791 pada kelas sel epitel, 0.3935 pada kelas sel limfosit, 0.0444 pada kelas sel plasma, dan 0.4342 pada kelas jaringan ikat.