SEGMENTASI ULKUS KORNEA PADA CITRA OFTALMOLOGI MENGGUNAKAN GHOST U-NET

Abstract

Ulkus kornea merupakan luka pada permukaan kornea yang dapat menyebabkan gangguan penglihatan permanen apabila tidak ditangani secara tepat. Identifikasi area ulkus pada citra slit-lamp fluorescein secara manual memerlukan waktu dan sangat bergantung pada pengalaman klinis, sehingga diperlukan pendekatan otomatis yang akurat dan efisien. Penelitian ini membandingkan kinerja arsitektur U-Net dan Ghost U-Net dalam melakukan segmentasi ulkus kornea pada citra oftalmologi. Dataset yang digunakan adalah SUSTech-SYSU Corneal Ulcer Dataset yang terdiri dari 354 citra dengan ground truth segmentasi, dan evaluasi dilakukan dengan menggunakan skema 4-fold cross-validation. Kedua model dilatih dengan konfigurasi yang identik untuk memastikan perbandingan yang adil. Evaluasi performa dilakukan secara kuantitatif menggunakan metrik Dice Similarity Coefficient (DSC) dan Intersection over Union (IoU), serta analisis efisiensi berdasarkan jumlah parameter jaringan dan waktu inferensi per citra. Hasil eksperimen menunjukkan bahwa U-Net menghasilkan performa segmentasi yang sedikit lebih tinggi, sedangkan Ghost U-Net mampu mempertahankan performa yang kompetitif dengan pengurangan jumlah parameter yang signifikan. Temuan ini menunjukkan bahwa Ghost U-Net berpotensi menjadi alternatif arsitektur segmentasi yang lebih ringan dan efisien untuk aplikasi segmentasi ulkus kornea berbasis deep learning