Segmentasi Paru Tuberkulosis Pada Citra X-Ray Dada: Eksperimen Model Empat Arsitektur CNN Berbasis Deep Learning

Abstrak

Tuberkulosis (TB) masih menjadi salah satu penyakit infeksi menular utama di dunia, dengan sekitar 10 juta kasus baru setiap tahun. Segmentasi paru secara otomatis dari citra chest X-ray (CXR) merupakan tahap prapemrosesan penting bagi sistem diagnosis berbantuan komputer. Penelitian ini menyajikan analisis komparatif empat arsitektur deep learning untuk segmentasi paru TB pada dataset CXR Shenzhen Hospital (n=662), dengan mengevaluasi lebih dari 30 metrik kinerja yang mencakup klasifikasi, kualitas segmentasi, dan metrik lanjutan. Empat arsitektur yang dibandingkan adalah U-Net klasik, U-Net+ResNet, RNGU-Net, dan MobileNetV2-UNet, menggunakan validasi silang 5-fold serta uji signifikansi statistik. Hasil penelitian menunjukkan bahwa RNGU-Net memberikan kinerja paling seimbang di antara keempat arsitektur, dengan akurasi 97,38%, recall 92,89%, dan F1-Score 94,59%, disertai tingkat false negative terendah (7,11%) dan kalibrasi kepercayaan terbaik (ECE=0,0385). U-Net menawarkan waktu pelatihan tercepat (4,20 menit) dengan pengorbanan akurasi yang minimal, sedangkan MobileNetV2-UNet menunjukkan penurunan recall yang signifikan (81,35%) sehingga membatasi kesesuaiannya untuk konteks klinis. Temuan ini memberikan rekomendasi berbasis bukti untuk penerapan segmentasi TB berbasis AI pada fasilitas layanan kesehatan dengan sumber daya terbatas.

Identifier

• DOI: https://doi.org/10.36080/kresna.v6i1.319
• OpenAlex: https://openalex.org/W7169834165