Perbandingan Model U-Net dan ELU-Net untuk Segmentasi Semantik Citra Medis Kanker Pankreas

Abstract

Analisis citra medis untuk melakukan segmentasi semantik menggunakan teknologi deep learning masif dikembangkan saat ini. Salah satu pengembangannya adalah arsitektur U-Net, yang dapat menghasilkan akurasi yang baik. Pengembangan dilanjutkan menghasilkan ELU-Net dengan fokus membuat model makin efisien. ELU-Net menghasilkan akurasi yang cukup baik, tetapi perlu adanya kajian lebih lanjut mengenai perbandingan kedua model. Kedua model akan dibandingkan berdasarkan akurasi, penggunaan penyimpanan, dan waktu proses dalam melakukan segmentasi semantik citra kanker pankreas. Citra kanker pankreas yang digunakan pada penelitian ini berasal dari sebuah challenge PAIP 2023 yang berisi sebuah citra dengan pewarnaan haematoxylin dan eosin (H&E). Eksperimen dilakukan dengan mengubah jumlah filter dan kedalaman model untuk kedua arsitektur. Evaluasi dilakukan terhadap dataset citra kanker pankreas yang berjumlah 57 citra. Dari serangkaian percobaan yang dilakukan, diperoleh hasil bahwa U-Net memiliki akurasi terbaik sebesar 92,8%, sedikit lebih unggul dibandingkan ELU-Net yang mencapai 89,7%. Namun, ELU-Net lebih efisien dari segi penggunaan penyimpanan (8,1 MB untuk ELU-Net dan 93,31 MB untuk U-Net) dan waktu proses (4,0 s untuk ELU-Net dan 5,3 s untuk U-Net). Akurasi yang diperoleh ELU-Net memang lebih kecil daripada U-Net, tetapi dari penggunaan penyimpanan dan waktu proses, ELU-Net jauh unggul dengan selisih 85,21 MB dan 1,3 detik. Dari hasil tersebut, model ELU-Net tidak lebih baik daripada U-Net, terutama dari segi akurasi. Namun, dengan perbandingan ELU-Net terhadap U-Net pada ukuran penyimpanan sebesar 1:11,51 dan waktu proses 1:1,325, selisih akurasi 3,1% merupakan trade-off yang cukup logis.