Systematic Literature Review: Fungsi Loss pada Segmentasi Pembuluh Darah Retina Berbasis Deep Learning

Abstract

Segmentasi pembuluh darah retina pada citra fundus merupakan komponen penting dalam sistem diagnosis berbantuan komputer untuk mendukung deteksi dan pemantauan berbagai penyakit oftalmologis. Perkembangan metode deep learning telah menghasilkan peningkatan kinerja yang signifikan dibandingkan pendekatan konvensional. Namun, sebagian besar penelitian di bidang ini masih berfokus pada pengembangan arsitektur jaringan, sementara peran fungsi loss sebagai komponen utama dalam proses optimasi model belum banyak dikaji secara sistematis. Artikel ini menyajikan Systematic Literature Review (SLR) yang bertujuan untuk mengidentifikasi dan menganalisis fungsi loss yang digunakan dalam segmentasi khususnya pembuluh darah retina berbasis deep learning. Kajian dilakukan terhadap tiga belas artikel terpilih yang membahas segmentasi pembuluh darah retina berbasis citra fundus menggunakan pendekatan deep learning dan secara eksplisit mengevaluasi fungsi loss. Hasil SLR menunjukkan bahwa fungsi loss konvensional berbasis piksel dan area, seperti Binary Cross-entropy dan Dice Loss, masih banyak digunakan, namun memiliki keterbatasan dalam kondisi ketidakseimbangan kelas dan preservasi struktur vaskular. Oleh karena itu, berbagai penelitian mengusulkan fungsi loss imbalance-aware dan topology-aware untuk meningkatkan sensitivitas terhadap pembuluh darah kecil serta menjaga kontinuitas dan konektivitas struktur vaskular. Temuan ini memberikan landasan ilmiah yang kuat bagi penelitian komparatif fungsi loss pada segmentasi pembuluh darah retina.