Perpustakaan Digital ITB

Pewarnaan Hematoksilin dan Eosin (H&E) telah menjadi metode standar dalam pemeriksaan histologis tumor di bidang patologi. Meskipun demikian, analisis manual citra H&E masih bergantung pada penilaian kualitatif berdasarkan pengalaman. Segmentasi inti sel pada jaringan tumor dapat menghasilkan informasi penting seperti morfometri nukleus, yang dapat membantu dalam klasifikasi kanker menjadi lebih kuantitatif. Namun, segmentasi manual membutuhkan waktu dan usaha yang signifikan, terutama pada citra dengan ukuran besar dan banyak inti sel. Oleh karena itu, diperlukan metode segmentasi otomatis yang akurat dan efisien. Beragam penampilan inti sel yang disebabkan oleh jenis penyakit, merek pemindai digital, konsentrasi reagen pewarna, dan jenis organ, menambah kompleksitas dalam segmentasi. Algoritma segmentasi seperti teknik Otsu dan watershed sering gagal mengatasi keragaman ini, sehingga diperlukan pendekatan yang lebih baik seperti CNN. Penelitian ini mengkaji penggunaan arsitektur CNN U-Net untuk segmentasi inti sel. Selain itu, pengaruh penambahan metode preprocessing dan postprocessing terhadap kinerja segmentasi juga dianalisis. Penelitian ini menggunakan dataset MONUSEG yang mencakup 9 jenis organ yang berbeda. Setelah optimasi parameter, U-Net menghasilkan f1-score sebesar 0.7811 ± 0.0359 dan AJI sebesar 0.6421 ± 0.0487. Penambahan preprocessing CLAHE meningkatkan f1-score secara signifikan menjadi 0.8010 ± 0.0304 dan meningkatkan AJI secara signifikan menjadi 0.6690 ± 0.0420, sementara penambahan postprocessing operasi morfologi memberikan perbedaan f1-score tidak signifikan namun memberikan peningkatan AJI yang signifikan menjadi 0.6702 ± 0.0421. Perbandingan kinerja segmentasi menunjukkan bahwa segmentasi inti sel pada jaringan tumor organ paru-paru dan otak, meskipun tidak ada dalam data latih, memiliki f1-score yang di atas rata- rata, sementara segmentasi inti sel pada jaringan tumor colon dan breast memiliki f1-score terendah.