OPTIMASI STRATEGIS INFERENSI U-NET EFISIEN UNTUK SEGMENTASI PEMBULUH DARAH RETINA

Abstract

Segmentasi pembuluh darah retina merupakan tahapan krusial dalam diagnosis penyakit oftalmologi seperti diabetic retinopathy, glaukoma, dan degenerasi makula. Arsitektur U-Net telah terbukti efektif untuk tugas segmentasi pada citra medis, namun implementasi konvensionalnya seringkali memerlukan sumber daya komputasi yang besar dan waktu inferensi yang lama. Penelitian ini mengusulkan serangkaian optimasi pada arsitektur U-Net baseline untuk segmentasi pembuluh darah retina dengan fokus pada efisiensi komputasi tanpa mengorbankan akurasi secara signifikan. Optimasi yang dilakukan meliputi: (1) penerapan Contrast Limited Adaptive Histogram Equalization (CLAHE) pada tahap preprocessing, (2) penggunaan fungsi aktivasi LeakyReLU sebagai pengganti ReLU, (3) reduksi kanal pada bottleneck dari 1024 menjadi 512, (4) perbaikan fungsi loss dengan Binary Cross Entropy with Logits, (5) penerapan Automatic Mixed Precision (AMP) selama pelatihan, dan (6) konvolusi-BatchNorm fusion pada tahap inferensi. Eksperimen dilakukan pada dataset DRIVE (Digital Retinal Images for Vessel Extraction) menggunakan lingkungan Google Colab dengan GPU NVIDIA T4. Hasil menunjukkan bahwa model teroptimasi mencapai peningkatan kecepatan inferensi hingga 3,51 kali (dari 6,90 FPS menjadi 24,26 FPS) dan pengurangan waktu pelatihan sebesar 57,1% (dari 17 menit 11 detik menjadi 7 menit 22 detik) dengan penurunan Jaccard Index yang minimal dari 0,6571 menjadi 0,6404. Temuan ini menunjukkan bahwa optimasi yang diusulkan berhasil menciptakan model yang lebih efisien dan cocok untuk deployment pada perangkat dengan sumber daya terbatas.