SEGMENTASI TUMOR OTAK PADA CITRA MRI MENGGUNAKAN SQUEEZE-AND-EXCITATION U-NET DENGAN PRAPROSES CLAHE

Abstract

Segmentasi tumor otak pada citra Magnetic Resonance Imaging (MRI) merupakan prosedur diagnosis vital, namun sering terkendala oleh kontras citra yang rendah dan batas tumor yang kabur sehingga menyulitkan model standar seperti U-Net. Penelitian ini bertujuan meningkatkan akurasi segmentasi melalui pendekatan hibrida yang menggabungkan prapemrosesan Contrast-Limited Adaptive Histogram Equalization (CLAHE) untuk mempertegas fitur lokal, dengan arsitektur Squeeze-and-Excitation U-Net (SE U-Net) yang merekalibrasi bobot fitur secara adaptif. Metode ini diterapkan pada dataset publik berisi 3064 citra MRI yang dibagi menjadi data latih, validasi, dan uji, dengan model dilatih selama 50 epoch menggunakan augmentasi data. Hasil pengujian menunjukkan bahwa integrasi CLAHE dan SE U-Net efektif menangani variabilitas morfologi tumor, menghasilkan kinerja yang andal dengan nilai Dice Similarity Coefficient (DSC) sebesar 0.82 dan Intersection over Union (IoU) sebesar 0.70 pada data validasi. Capaian ini membuktikan bahwa sinergi antara optimasi input dan mekanisme atensi mampu menghasilkan segmentasi medis otomatis yang presisi dan konsisten