IMPLEMENTASI ENHANCED PREPROCESSING PADA SEGMENTASI AREA TUMOR OTAK CITRA MRI MENGGUNAKAN YOLOV8-SEG

Abstract

Tumor otak membutuhkan diagnosis akurat melalui pencitraan Magnetic Resonance Imaging (MRI) T1-CE. Namun, tingginya noise intensitas dan batas lesi bergradasi halus (fuzzy boundaries) pada citra tersebut sering menurunkan akurasi algoritma segmentasi otomatis. Penelitian ini bertujuan mengevaluasi dampak teknik enhanced preprocessing (kombinasi CLAHE, Bilateral Filter, Z-Score) pada arsitektur YOLOv8-SEG terhadap tingkat akurasi segmentasi. Metode penelitian menggunakan 3.064 citra dari 233 pasien yang dipartisi melalui Patient-Level Split untuk mencegah kebocoran data. Pemodelan dieksekusi dalam dua skenario: Baseline (citra mentah) dan Enhanced (citra berfilter). Hasil pengujian menunjukkan fenomena trade-off performa. Skenario Enhanced unggul dalam Precision (0.86026) yang secara efektif menekan deteksi palsu. Sebaliknya, skenario Baseline lebih superior pada metrik spasial dengan Dice Similarity Coefficient (0.7583), Recall (0.84461), dan mAP50 (0.89718) karena sukses mempertahankan piksel transisi batas lesi yang pudar. Kesimpulannya, model Enhanced andal sebagai penapis deteksi awal, sementara model Baseline optimal untuk mendelineasi batas poligon secara presisi