Pengembangan Model Segmentasi Lesi Citra Pra-Kanker Serviks Menggunakan YOLOv11-small

Abstract

Segmentasi semantik pada citra pra-kanker serviks merupakan langkah krusial untuk diagnosis dini, namun terhambat oleh tantangan seperti kontras rendah dan batas objek yang tidak jelas. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model segmentasi spesialis menggunakan arsitektur You Only Look Once v11. Pendekatan model spesialis ini diusulkan sebagai alternatif terhadap model multi-kelas tunggal, yang seringkali berpotensi mengalami kesulitan dalam mempelajari dan menyeimbangkan fitur-fitur yang sangat kontras antara kelas anatomis yang besar dengan kelas lesi yang kecil dan subtil. Pendekatan ini membandingkan strategi pelatihan model secara terpisah untuk setiap kelas : Columnar Area, Cervical Area, dan Lesion dengan penelitian sebelumnya yang menggunakan model multi-kelas tunggal. Metodologi penelitian melibatkan pemisahan dataset 307 citra pra-kanker serviks menjadi tiga subset terpisah berdasarkan kelas. Setiap subset digunakan untuk melatih model YOLOv11-small-seg secara independen. Kinerja model dievaluasi menggunakan metrik Intersection over Union dan Dice Coefficient. Hasil penelitian menunjukkan kinerja yang sangat tinggi untuk kelas Cervical Area, dengan IoU mencapai 0,8493 dan Dice 0,8978. Sebaliknya, model spesialis menunjukkan performa yang jauh lebih rendah untuk kelas Lesion (IoU 0,3991) dan kelas Columnar Area (IoU 0,3359). Kesimpulan dari penelitian ini adalah bahwa strategi model spesialis sangat efektif untuk struktur anatomis yang besar dan jelas seperti Cervical Area, namun tidak optimal untuk kelas yang lebih kecil dan kompleks seperti Lesion dan Columnar Area.