Optimasi Model MobileNetV2 untuk Deteksi Kanker Paru dan Kolorektal

Main Article Content

Ni Putu Sutramiani

Abstract

Kanker kolorektal merupakan kanker paling umum ketiga setelah kanker prostat dan paru-paru pada pria, sering kali menyebar ke paru-paru, disebut metastasis paru. Pengobatan untuk kasus ini berbeda dari kanker paru-paru primer. Biasanya, kanker kolorektal yang menyebar ke paru-paru diobati melalui pembedahan invasif minimal dan kadang-kadang melibatkan kemoterapi. Penting untuk mendeteksi kanker kolorektal dan paru-paru secara dini agar pasien dapat menerima perawatan yang sesuai. Penelitian ini mengusulkan penggunaan citra histopatologi untuk mendeteksi kanker kolorektal dan paru-paru, membantu dokter dalam diagnosis. Metode yang digunakan dalam mendeteksi kanker Paru dan Kolorektal menggunakan Convolutional Neural Network (CNN). Arsitektur CNN menggunakan model pre-trained MobileNetV2. MobileNetV2 adalah arsitektur CNN yang dirancang untuk tugas-tugas visi komputer, seperti klasifikasi gambar dan deteksi objek. Pada penelitian ini dilakukan optimasi model untuk menghasilkan model deteksi yang paling optimal. Berdasarkan eksperimen, model berhasil melakukan deteksi dengan tingkat akurasi sebesar 97%. Tujuan penelitian ini adalah menghasilkan model CNN yang dapat melakukan deteksi kanker kolorektal dan paru-paru.

Article Details

How to Cite
SUTRAMIANI, Ni Putu. Optimasi Model MobileNetV2 untuk Deteksi Kanker Paru dan Kolorektal. Prosiding Seminar Nasional Sains dan Teknologi (Senastek), [S.l.], v. 8, n. 1, p. 269-273, dec. 2023. Available at: <https://ojs.unud.ac.id/index.php/senastek/article/view/108712>. Date accessed: 28 feb. 2024.
Section
Articles

References

[1] D. Sarwinda, R. H. Paradisa, A. Bustamam, and P. Anggia, “Deep Learning in Image Classification using Residual Network (ResNet) Variants for Detection of Colorectal Cancer,” Procedia Comput. Sci., vol. 179, pp. 423–431, 2021, doi: 10.1016/j.procs.2021.01.025.
[2] C. Zhou et al., “Histopathology classification and localization of colorectal cancer using global labels by weakly supervised deep learning,” Comput. Med. Imaging Graph., vol. 88, p. 101861, 2021, doi: https://doi.org/10.1016/j.compmedimag.2021.101861.
[3] R. Pandian, V. Vedanarayanan, D. N. S. Ravi Kumar, and R. Rajakumar, “Detection and classification of lung cancer using CNN and Google net,” Meas. Sensors, vol. 24, p. 100588, 2022, doi: https://doi.org/10.1016/j.measen.2022.100588.
[4] S. Hosseinzadeh Kassani, P. Hosseinzadeh Kassani, M. J. Wesolowski, K. A. Schneider, and R. Deters, “Deep transfer learning based model for colorectal cancer histopathology segmentation: A comparative study of deep pre-trained models,” Int. J. Med. Inform., vol. 159, p. 104669, 2022, doi: https://doi.org/10.1016/j.ijmedinf.2021.104669.
[5] S. Mehmood et al., “Malignancy Detection in Lung and Colon Histopathology Images Using Transfer Learning with Class Selective Image Processing,” IEEE Access, vol. 10, pp. 25657–25668, 2022, doi: 10.1109/ACCESS.2022.3150924.
[6] N. Kumar, M. Sharma, V. P. Singh, C. Madan, and S. Mehandia, “An empirical study of handcrafted and dense feature extraction techniques for lung and colon cancer classification from histopathological images,” Biomed. Signal Process. Control, vol. 75, p. 103596, 2022, doi: https://doi.org/10.1016/j.bspc.2022.103596.
[7] M. A. Talukder, M. M. Islam, M. A. Uddin, A. Akhter, K. F. Hasan, and M. A. Moni, “Machine learning-based lung and colon cancer detection using deep feature extraction and ensemble learning,” Expert Syst. Appl., vol. 205, p. 117695, 2022, doi: 10.1016/j.eswa.2022.117695.
[8] J. Civit-Masot, A. Bañuls-Beaterio, M. Domínguez-Morales, M. Rivas-Pérez, L. Muñoz-Saavedra, and J. M. Rodríguez Corral, “Non-small cell lung cancer diagnosis aid with histopathological images using Explainable Deep Learning techniques,” Comput. Methods Programs Biomed., vol. 226, p. 107108, 2022, doi: https://doi.org/10.1016/j.cmpb.2022.107108.