ABSTRAK
Kanker paru-paru tetap menjadi salah satu penyebab utama kematian terkait kanker, dengan diagnosis dini sangat penting untuk meningkatkan tingkat kelangsungan hidup pasien. Model pembelajaran mendalam yang ada untuk klasifikasi tingkat keparahan nodul paru-paru menghadapi tantangan yang signifikan, termasuk overfitting, inefisiensi komputasi, dan segmentasi nodul yang tidak akurat dari gambar CT. Untuk mengatasi keterbatasan ini, studi ini mengusulkan kerangka kerja pembelajaran mendalam baru yang mengintegrasikan Transformator Konvolusional Berbentuk U Berbasis Quadrangle Attention (QA-UCT) untuk segmentasi dan Jaringan Konvolusi Multi-Skala Berbasis Spatial Attention (SMCN) untuk klasifikasi. Gambar CT disempurnakan menggunakan filter Non-Local Means (RIB-NLM) berbasis Rotationally Invariant Block Matching untuk menghilangkan noise sambil mempertahankan detail struktural. Model QA-UCT memanfaatkan mekanisme perhatian global berbasis transformator yang dikombinasikan dengan lapisan konvolusional untuk melakukan segmentasi nodul paru-paru dengan presisi tinggi. Pengklasifikasi SMCN menggunakan mekanisme perhatian spasial untuk mengkategorikan nodul sebagai padat, sebagian padat, atau tidak padat berdasarkan tingkat keparahan. Model yang diusulkan dievaluasi pada dataset Lung Image Database Consortium dan Image Database Resource Initiative (LIDC-IDRI). Model yang diusulkan ini mencapai skor dadu 98,73% untuk segmentasi dan akurasi klasifikasi 99,56%, mengungguli metode yang ada seperti U-Net, VGG, dan autoencoder. Presisi dan perolehan kembali yang ditingkatkan menunjukkan kinerja yang unggul dalam penilaian nodul paru-paru. Studi ini memperkenalkan kerangka kerja klasifikasi berbasis perhatian spasial dan segmentasi yang ditingkatkan transformator yang secara signifikan meningkatkan akurasi deteksi nodul paru-paru. Integrasi QA-UCT dan SMCN meningkatkan presisi segmentasi dan keandalan klasifikasi. Penelitian mendatang akan mengeksplorasi adaptasi kerangka kerja ini untuk segmentasi hati dan ginjal, serta mengoptimalkan efisiensi komputasi untuk penerapan klinis waktu nyata.
