Brain Tumor Segmentation

U-Net adalah arsitektur Convolutional Neural Network (CNN) yang dikembangkan pada tahun 2015 khusus untuk segmentasi citra biomedis. Ia memiliki struktur simetris berbentuk huruf "U" yang terdiri dari jalur kontraksi (encoder) untuk mengekstraksi fitur dan konteks spasial gambar, serta jalur ekspansi (decoder) untuk melokalisasi detail secara presisi. U-Net sering dijadikan gold standard atau baseline dalam segmentasi MRI karena kemampuannya menghasilkan segmentasi akurat meski dilatih dengan data yang terbatas.

Diperkenalkan oleh Kaiming He et al. (2015), ResNet memecahkan masalah degradasi performa (vanishing gradient) pada jaringan saraf tiruan yang sangat dalam. ResNet menggunakan koneksi pintas (skip connections) yang melompati beberapa lapisan. Hal ini memungkinkan model untuk mengekstraksi fitur visual yang sangat kompleks tanpa kehilangan informasi penting dari lapisan-lapisan awal, menjadikannya arsitektur ekstraktor fitur yang sangat tangguh.

ResNet 18 dan ResNet 34 adalah varian dari keluarga ResNet yang masing-masing memiliki 18 dan 34 lapisan saraf. Membandingkan keduanya bertujuan untuk mengevaluasi kompromi (trade-off) antara kompleksitas model dan akurasi segmentasi. Model yang lebih dalam (ResNet 34) secara teoritis mampu mempelajari representasi fitur dan batas tumor yang lebih rumit, namun membutuhkan daya komputasi dan memori yang lebih besar dibandingkan ResNet 18.

Retinex (singkatan dari Retina dan Cortex) adalah algoritma peningkatan kualitas citra yang didasarkan pada model persepsi warna visual manusia. Algoritma ini memisahkan komponen pencahayaan (iluminasi) dan pantulan objek (reflektansi) dari sebuah gambar. Pada citra medis seperti MRI, Retinex sangat berguna untuk menormalkan ketidakkonsistenan pencahayaan dan meningkatkan kontras jaringan tumor yang gelap agar teksturnya lebih terlihat jelas.

Dalam penelitian ini, Retinex diaplikasikan sebagai langkah prapemrosesan (preprocessing). Sebelum citra MRI dimasukkan ke dalam model klasifikasi ResNet, gambar tersebut akan difilter menggunakan Retinex untuk menonjolkan batas jaringan dan menekan noise. Model Deep Learning kemudian dilatih pada gambar hasil peningkatan ini untuk menguji apakah asupan gambar yang lebih tajam dapat meningkatkan akurasi jaringan AI (seperti Dice Score atau IoU).

Tujuan utama dari penelitian ini adalah mencari kombinasi arsitektur dan prapemrosesan yang paling optimal untuk mengidentifikasi area tumor otak. Riset ini membandingkan arsitektur dasar (Baseline U-Net) dengan arsitektur ekstraksi yang lebih mutakhir (ResNet 18 & 34), sekaligus membuktikan secara empiris apakah penggunaan metode filter visual berbasis manusia (Retinex) berkontribusi signifikan dalam meningkatkan presisi AI membedakan tumor dan jaringan otak yang sehat.