Beranda Berita Gabung Riset
Kegiatan Penelitian
Hibah Eksternal BIMA 2025

BREAST-Net: Pengembangan Metode Baru Bottleneck Residual EnsembleAttention Swin Transformer untuk Klasifikasi Citra Histopatologi Kanker Payudara pada Dataset Tidak Seimbang

Tim Peneliti / Pelaksana
Catur Supriyanto, Pujiono, Wahyu Adi Nugroho
Skema / Program
Penelitian Tesis Magister

Abstrak / Deskripsi

Kanker payudara menjadi penyebab utama kematian wanita di seluruh dunia sehingga diagnosis dini sangat penting dilakukan. Saat ini, upaya diagnosis masih bergantung pada metode tradisional melalui analisis citra histopatologi secara manual oleh dokter. Proses ini bersifat subjektif, memerlukan waktu lama, dan bergantung pada keahlian individu. Selain itu, keterbatasan sampel data dan ketidakseimbangan distribusi kelas pada dataset menjadi tantangan utama dalam pengembangan sistem berbasis deep learning yang membutuhkan data dalam jumlah banyak dan seimbang. Tantangan lainnya yaitu kebutuhan model yang akurat dan efisien sehingga dapat dijalankan pada perangkat dengan sumber daya terbatas, khususnya untuk mendukung layanan kesehatan yang murah di daerah terpencil dengan infrastruktur terbatas. Tujuan. Penelitian ini bertujuan untuk mengembangkan metode baru BREAST-Net, yaitu sebuah arsitektur model deep learning berbasis Swin Transformer yang dimodifikasi dengan Bottleneck Residual Block dan mekanisme Ensemble Attention. Model ini dirancang untuk meningkatkan akurasi klasifikasi citra kanker payudara serta memiliki efisiensi komputasi yang tinggi sehingga dapat dijalankan pada perangkat dengan biaya rendah seperti Raspberry Pi. Model BREAST-Net dikembangkan dengan memanfaatkan keunggulan dari arsitektur Swin Transformer dalam menangkap informasi spasial lokal dan global melalui mekanisme window-based self-attention. Untuk meningkatkan efisiensi tanpa mengorbankan akurasi, arsitektur ini diperkuat dengan Bottleneck Residual Block guna mengurangi kompleksitas parameter. Selain itu, ditambahkan juga Ensemble Attention Mechanism yang menggabungkan atensi spasial dan channel untuk meningkatkan fokus model pada fitur-fitur penting pada citra kanker. Kombinasi ini memungkinkan BREAST-Net dapat memperoleh performa tinggi sekalipun dengan jumlah parameter yang terbatas. Penelitian ini akan menggunakan dataset publik, BreakHis, yang terdiri dari citra histopatologi kanker payudara dengan dua tipe dan delapan subtipe kanker. Hasil yang diharapkan dari penelitian ini yaitu model yang lebih akurat dan efisien dalam mengklasifikasikan citra kanker payudara pada dataset tidak seimbang. Luaran akan dipublikasikan ke Jurnal Internasional Bereputasi yang terindeks Scopus Q3 atau Q4.