AGU-NET: Attention Ghost U-Net Untuk Segmentasi Penyakit Polip Berbasis Citra Biomedis

Penulis

  • Muhammad Anang Fathur Rohman Fakultas Teknologi Informasi dan Sains Data Universitas Sebelas Maret
  • Hafidh Muhammad Akbar Fakultas Teknologi Informasi dan Sains Data Universitas Sebelas Maret
  • Alfiki Diastama Afan Firdaus Fakultas Teknologi Informasi dan Sains Data Universitas Sebelas Maret
  • Heri Prasetyo Universitas Sebelas Maret

Kata Kunci:

Segmentasi Citra Polip, Deep Learning, Attention Ghost U-Net, Efisiensi Memori

Abstrak

Kolonoskopi adalah salah satu teknik untuk mendeteksi polip yang merupakan salah satu penyebab penyakit kanker kolorektal (CRC).  Kolonoskopi memanfaatkan segmentasi citra polip untuk memperoleh informasi yang berharga dalam proses diagnosis dan pembedahan. Teknik segmentasi yang dilakukan dapat melibatkan metode pembelajaran mendalam (deep learning) di dalamnya. Perkembangan metode deep learning di bidang visi komputer (computer vision) mendorong banyak peneliti melakukan eksperimen yang tidak hanya berfokus pada peningkatan performa metode, namun juga pada peningkatan efisiensi memori pada model. Model dengan efisiensi memori yang tinggi dapat membuat biaya implementasi lebih terjangkau, karena model yang ringan tidak membutuhkan sumber daya (resource) yang besar. Metode-metode sebelumnya secara umum memiliki performa yang baik dalam melakukan segmentasi penyakit polip, namun memiliki jumlah parameter yang besar, sehingga efisiensi memorinya relatif rendah. Berdasarkan permasalahan tersebut, penulis mengajukan metode Attention Ghost U-Net untuk segmentasi citra medis polip. Metode ini menggunakan kerangka dasar U-Net dengan menggunakan Residual Network, Bottleneck, dan Attention untuk mendapatkan kinerja yang sebanding dengan metode-metode sebelumnya. Metode yang diajukan memiliki jumlah parameter yang lebih rendah daripada metode-metode sebelumnya tanpa mengabaikan tingkat akurasi. Hasil uji pada dataset CVC-ClinicDB dan Kvasir-SEG menunjukkan bahwa metode yang diusulkan memiliki parameter yang kecil, yaitu 1,17 juta. Metode yang diusulkan memberikan tingkat kinerja F1-Score sebesar 85,55%, dan nilai Intersection-over-Union (IoU) sebesar 78,22% untuk dataset Kvasir-SEG. Untuk dataset CVC-ClinicDB, tingkat kinerja F1-Score yang diberikan sebesar 92,13% dan IoU sebesar 86,52%. Dengan hasil tersebut, metode ini berhasil mengungguli beberapa metode sebelumnya, di antaranya ResU-Net, ResU-Net++, U-Net, U-Net++, SFA, ColoneSegNet, dan DoubleUNet  dengan jumlah parameter yang lebih rendah.

Referensi

A. I. Cowen-Rivers, W. Lyu, R. Tutunov, Z. Wang, A. Grosnit, R. R. Griffiths, A. M. Maraval, H. Jianye, J. Wang, J. Peters, & H. Bou-Ammar, “HEBO: Pushing The Limits of Sample-Efficient Hyper-parameter Optimisation,” Journal of Artificial Intelligence Research, vol. 74, pp. 1269–1349, 2022. doi:10.1613/jair.1.13643.

C. Cao, R. Wang, Y. Yu, H. Zhang, Y. Yu, & C. Sun, “Gastric polyp detection in gastroscopic images using Deep Neural Network,” PLOS ONE, vol. 16, no. 4, 2021. doi:10.1371/journal.pone.0250632.

C. Chen, P. Zhang, H. Zhang, J. Dai, Y. Yui, H. Zhang, & Y. Zhang, “,” Mobile Information Systems, vol. 2020, pp. 1–19, 2020. doi:10.1155/2020/8454327.

D. Jha, M. A. Riegler, D. Johansen, P. Halvorsen, & H. D. Johansen, “DoubleU-net: A deep convolutional neural network for medical image segmentation,” 2020 IEEE 33rd International Symposium on Computer-Based Medical Systems (CBMS), 2020. doi:10.1109/cbms49503.2020.00111.

D. Jha, P. H. Smedsrud, M. A. Riegler, D. Johansen, T. D. Lange, P. Halvorsen, & H. D. Johansen, “ResUNet++: An Advanced Architecture for Medical Image Segmentation,” 2019 IEEE International Symposium on Multimedia (ISM), 2019. doi:10.1109/ism46123.2019.00049.

D. Jha, S. Ali, N. K. Tomar, H. D. Johansen, D. Johansen, J. Rittscher, M. A. Riegler, & P. Halvorsen, “Real-time polyp detection, localization and segmentation in colonoscopy using Deep Learning,” IEEE Access, vol. 9, pp. 40496–40510, 2021. doi:10.1109/access.2021.3063716.

D.-P. Fan, G.-P. Ji, T. Zhou, G. Chen, H. Fu, J. Shen, & L. Shao, “PraNet: Parallel reverse attention network for polyp segmentation,” Medical Image Computing and Computer Assisted Intervention – MICCAI 2020, pp. 263–273, 2020. doi:10.1007/978-3-030-59725-2_26.

F. Haggar & R. Boushey, “Colorectal cancer epidemiology: Incidence, mortality, survival, and risk factors,” Clinics in Colon and Rectal Surgery, vol. 22, no. 04, pp. 191–197, 2009. doi:10.1055/s-0029-1242458.

H. Liao, S. K. Zhou, & J. Luo, “Introduction,” Deep Network Design for Medical Image Computing, pp. 1–9, 2023. doi:10.1016/b978-0-12-824383-1.00008-3.

J. Bernal, F. J. Sánchez, G. Fernández-Esparrach, D. Gil, C. Rodriguez, & F. Vilariño, “WM-Dova Maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians,” Computerized Medical Imaging and Graphics, vol. 43, pp. 99–111, 2015. doi:10.1016/j.compmedimag.2015.02.007.

J. Cao, B. Chen, C. Sun, L. Hu, S. Wu, & X. Peng, “Understanding performance problems in Deep Learning Systems,” Proceedings of the 30th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering, 2022. doi:10.1145/3540250.3549123.

J. Silva, A. Hiastace, O. Romain, X. Dray, & B. Granado, “Toward embedded detection of polyps in WCE images for early diagnosis of colorectal cancer,” International Journal of Computer Assisted Radiology and Surgery, vol. 9, no. 2, pp. 283–293, 2013. doi:10.1007/s11548-013-0926-3.

K. Han, Y. Wang, Q. Tian, J. Guo, C. Xu, & C. Xu, “Ghostnet: More features from Cheap Operations,” 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2020. doi:10.1109/cvpr42600.2020.00165.

L. Liu, J. Cheng, Q. Quantum F.-X. Wu, Y.-P. Wang, & J. Wang, “A survey on U-shaped networks in medical image segmentations,” Neurocomputing, vol. 409, pp. 244–258, 2020. doi:10.1016/j.neucom.2020.05.070.

O. Ronneberger, “Invited talk: U-net convolutional networks for biomedical image segmentation,” Informatik aktuell, pp. 3–3, 2017. doi:10.1007/978-3-662-54345-0_3.

R. Merjulah and J. Chandra, “Classification of myocardial ischemia in delayed contrast enhancement using machine learning,” Intelligent Data Analysis for Biomedical Applications, pp. 209–235, 2019. doi:10.1016/b978-0-12-815553-0.00011-2.

Y. Fang, C. Chen, Y. Yuan, & K. Tong, “Selective feature aggregation network with area-boundary constraints for polyp segmentation,” Lecture Notes in Computer Science, pp. 302–310, 2019. doi:10.1007/978-3-030-32239-7_34.

Y.-M. Lee, S.-A. Kim, G.-S. Chou, S.-Y. Park, S. W. Jeno, H. S. Lee, S.-J. Lee, S. Heo, & D.-H. Lee., “Association of colorectal polyps and cancer with low-dose persistent organic pollutants: A case-control study,” PLOS ONE, vol. 13, no. 12, 2018. doi:10.1371/journal.pone.0208546

Z. Zhang, Q. Liu, & Y. Wang, “Road extraction by deep residual U-Net,” IEEE Geoscience and Remote Sensing Letters, vol. 15, no. 5, pp. 749–753, 2018. doi:10.1109/lgrs.2018.2802944.

Z. Zhou, M. M. Rahman Siddiquee, N. Tajbakhsh, & J. Liang, “UNet++: A nested U-Net Architecture for Medical Image segmentation,” Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, pp. 3–11, 2018. doi:10.1007/978-3-030-00889-5_1.

Unduhan

Diterbitkan

31-10-2023