Model Transformer Berbasis Deep Learning Untuk Segmentasi Citra Jantung Janin Dengan Kardiomegali

Abstract

Peran segmentasi ruang jantung janin yang akurat sangat krusial untuk diagnosis dini penyakit jantung bawaan. Namun, segmentasi manual pada citra ultrasonografi (USG) masih menghadapi tantangan signifikan, seperti subjektivitas operator serta kualitas citra yang rendah akibat noise dan kontras yang lemah. Penelitian ini mengusulkan penggunaan arsitektur SegFormer-B3, yaitu model pembelajaran dalam berbasis Transformer, untuk melakukan segmentasi otomatis pada area Heart Circumference (HC) dan Chest Circumference (CC) citra ultrasonograpi jantung janin dengan indikasi kardiomegali. Model ini menggabungkan hierarchical encoder yang mampu mengekstraksi fitur multi-skala dan MLP decoder ringan untuk menghasilkan peta segmentasi yang efisien. Dataset penelitian terdiri dari 509 citra ultrasonografi yang digunakan untuk pelatihan dan pengujian model. Evaluasi dilakukan menggunakan metrik Intersection over Union (IoU) dan Dice Coefficient untuk menilai kesesuaian hasil prediksi terhadap ground truth. Hasil menunjukkan nilai IoU dan Dice Coefficient masing-masing sebesar 0.6859 dan 0.8137 untuk kelas HC dan untuk kelas CC sebesar 0.5834 dan 0.7369. Temuan ini menunjukkan bahwa SegFormer-B3 mampu melakukan segmentasi citra jantung janin dengan tingkat konsistensi yang memadai, serta berpotensi digunakan sebagai alat bantu analisis morfologi awal dalam skrining kardiomegali prenatal.