Attention U-Net untuk Segmentasi Perdarahan Otak Multi-Kelas pada Dataset CT Kepala

Abstrak

Perdarahan otak merupakan kondisi yang mengancam jiwa dan memerlukan penilaian lokasi serta volume hematoma pada citra CT kepala secara cepat dan akurat. Delineasi manual oleh radiolog memerlukan waktu dan berpotensi menimbulkan variasi antar pengamat, sehingga dibutuhkan metode segmentasi otomatis. Penelitian ini mengkaji pemanfaatan model Attention U-Net untuk segmentasi otomatis perdarahan otak pada citra CT. Dataset diperoleh dari Roboflow dalam format segmentasi COCO, kemudian dikonversi menjadi mask biner piksel demi piksel dan dibagi menjadi data latih, validasi, dan uji. Tahap praproses meliputi resize, normalisasi, serta augmentasi untuk meningkatkan kemampuan generalisasi model. Attention U-Net dilatih menggunakan optimizer Adam dengan learning rate 1×10⁻⁴ selama 20 epoch, dengan fungsi loss gabungan Binary Cross Entropy dan Dice loss. Evaluasi kuantitatif pada data uji menghasilkan nilai test loss 0,1935 dan dice coefficient 0,6696. Hasil ini menunjukkan bahwa Attention U-Net merupakan pendekatan yang optimal untuk membantu penilaian perdarahan otak dan masih dapat ditingkatkan dengan dataset yang lebih besar dan beragam.