Image segmentation · API aktif
Segmentasi Kanker Kulit dengan U-Net
Unggah citra kulit, lalu bandingkan citra asli, overlay area lesi, dan mask segmentasi yang dihasilkan model.
02 · Output
Mask area lesi
Bandingkan input model dengan hasil segmentasi.
Penting: mask ini merupakan output model eksperimental dan bukan diagnosis kanker kulit. Konsultasikan lesi mencurigakan kepada dokter atau dokter spesialis kulit.
Segmentasi menunjukkan lokasi, bukan hanya kelas.
Berbeda dari klasifikasi, U-Net menghasilkan mask pada tingkat piksel sehingga area prediksi dapat dibandingkan langsung dengan citra asli.
Input grayscale
Citra disiapkan ke ukuran 128 × 128 untuk input model.
Encoder–decoder
U-Net menangkap konteks citra lalu mengembalikan detail spasial.
Mask piksel
Output menunjukkan area yang diprediksi sebagai lesi.
Pemilik portofolio
Machine Learning Indonesia Research
Project semantic segmentation citra lesi kulit.
Tentang model
U-Net menerima citra 128 × 128 grayscale dan menghasilkan mask piksel area lesi. Citra asli, overlay, dan mask dapat dibandingkan langsung setelah inferensi.
Cara membaca performa
Performa segmentasi sebaiknya dibaca melalui IoU dan Dice Score pada data uji. Nilai tersebut tidak disamakan dengan confidence satu citra dan akan ditampilkan setelah evaluasi model dipublikasikan.