DETEKSI DINI KANKER PAYUDARA BERBASIS TERMOGRAFI DAN DEEP LEARNING

Penelitian ini telah menghasilkan sistem deteksi dini kanker payudara menggunakan citra termal payudara berbasis deep learning dengan komputasi yang ringan namun memberikan nilai akurasi yang tinggi. Ketersediaan aplikasi deteksi dini kanker payudara diharapkan akan mampu menekan angka penderita kanker payudara dan mengurangi risiko kematian akibat kanker payudara. Sebagaimana data dari WHO yang menyebutkan bahwa pada tahun 2020 terdapat 2,3 juta wanita yang didiagnosis dengan kanker payudara dan 685.000 kematian secara global. Berbagai upaya telah dilakukan untuk menurunkan angka ini. Pemeriksaan fisik dan skrining mammografi menjadi metode utama deteksi dini kanker payudara hingga saat ini. Namun, mekanisme pemeriksaan mammografi tidak efektif pada jaringan payudara dengan densitas yang tinggi. Suatu mekanisme alternatif deteksi dini kanker payudara non-invasif menggunakan termografi atau citra termal inframerah dapat memvisualisasi dan mengkuantifikasi temperatur dari suatu objek tanpa sentuhan. Pada penelitian ini dibangun teknik interpretasi citra termal payudara berbantukan komputer menggunakan algoritma deep learning convolutional neural network (CNN) yang disebut BreaCNet (Breast Cancer neural Network). Model pengklasifikasi BreacNet terdiri atas algoritma segmentasi dan model pengklasifikasi CNN. Algoritma segmentasi yang dibangun dengan menggunakan deteksi tepi mampu mengambil region of interest (ROI) citra termal payudara dari database for mastology research (DMR). Model pengklasifikasi dibangun berdasarkan model terlatih ShuffleNet dengan penyesuaian arsitektur dan fungsi aktivasi untuk klasifikasi citra termal payudara ke dalam kelas normal dan abnormal. BreaCNet membutuhkan parameter pembelajaran sebanyak 6,1 juta dengan ukuran model 22 MegaByte (MB) dan mampu mengklasifikasikan citra termal payudara dengan akurasi 100%. Dengan akurasi yang tinggi dan ukuran yang kecil, model BreaCNet dapat diimplementasikan sebagai aplikasi mobile dengan proses klasifikasi (inferensi) secara real-time pada perangkat mobile. Lokasi inferensi pada perangkat mobile akan menjamin kerahasiaan data pengguna dan memungkinkan dilakukan skrining mandiri tanpa perlu terhubung ke internet