View/Open

Author

Date Published
22 Jun 2026

Advisor
Rudi Setiawan, S.T., M.T.,
Rafli Filano, S.Si., M.T.,

Subject
Teknik Biomedis

Publisher

Delineasi organ-at-risk (OAR) pada radioterapi kanker serviks merupakan tahap penting dalam perencanaan terapi. Namun, delineasi manual memerlukan waktu lama dan rentan terhadap variasi antar maupun intra-observer, sehingga mendorong pengembangan metode segmentasi otomatis berbasis deep learning. Penelitian ini membandingkan kinerja 2D U-Net standar dan 2D U-Net dengan Attention Gate Mechanism pada segmentasi bladder, rectum, bowel bag, dan femoral heads menggunakan citra CT pelvis dari 100 pasien kanker serviks di RSUD Dr. H. Abdul Moeloek, Lampung. Model dilatih menggunakan kombinasi Soft Dice Loss dan Binary Cross Entropy serta dievaluasi melalui 5-fold cross-validation berbasis pasien (Stratified Group KFold). Hasil menunjukkan bahwa Attention U-Net mencapai performa terbaik pada femoral heads dengan DSC sebesar 0.8772. Uji Wilcoxon Signed-Rank Test (α = 0,05) menunjukkan bahwa pengaruh Attention Gate bersifat terbatas dan organ-spesifik. Perbedaan signifikan hanya ditemukan pada femoral heads (p < 0,05), sedangkan OAR lainnya tidak menunjukkan perbedaan signifikan. Temuan ini menyimpulkan bahwa penambahan Attention Gate belum memberikan peningkatan akurasi segmentasi yang konsisten pada seluruh OAR jaringan lunak.

URI
https://repo.itera.ac.id/depan/submission/SB2606200053

Keyword
Attention gate mechanism Kanker serviks Organ-at-risk Segmentasi otomatis U-Net