Evaluasi Efektivitas Model U-Net untuk Segmentasi Citra Renal Scintigraphy pada Penilaian Fungsi Ginjal

Gitawiarsa, I Putu Pande Wahyu
Guruh, Bambang
Dartini, Dartini
Mulyantoro, Donny Kristanto
Masrochah, Siti
Wibowo, Gatot Murti

MAHESA : Malahayati Health Student Journal
Vol 6, No 4 (2026): Volume 6 Nomor 4 (2026)

ABSTRACT Renal scintigraphy is a nuclear medicine procedure commonly used to quantitatively assess kidney function and monitor various clinical conditions. Image analysis requires segmentation of the kidney’s region of interest (ROI), which is typically performed manually by experienced operators. This manual approach is time-consuming and prone to inter-observer variability. This study develops and evaluates a Convolutional Neural Network (CNN) U-Net model to perform automated ROI segmentation of the kidneys in Tc-99m DTPA–based renal scintigraphy images. The image dataset underwent preprocessing, normalization, and data augmentation, and was then split into training, validation, and testing sets. Model performance was evaluated using the Dice Coefficient on both validation and testing datasets. The results showed an average Dice Coefficient of 0.900 on the validation set and 0.889 on thetesting set. Frame-by-frame analysis demonstrated stable model performance across all acquisition phases, with Dice Coefficient values ≥ 0.87. These findings demonstrate that the U-Net model can accurately and consistently segment kidney ROIs, and has the potential to be integrated into clinical decision-support systems to enhance the efficiency and consistency of renal scintigraphy interpretation. Keywords: U-Net, Medical Image Segmentation, Renal Scintigraphy, Nuclear Medicine, Deep Learning.  ABSTRAK Renal scintigraphy merupakan prosedur kedokteran nuklir yang umum digunakan untuk menilai fungsi ginjal secara kuantitatif dan memantau berbagai kondisi klinis. Proses analisis citra memerlukan segmentasi region of interest (ROI) ginjal, yang umumnya dilakukan secara manual oleh operator berpengalaman. Metode manual ini memakan waktu dan rentan terhadap variabilitas antar- pengamat. Penelitian ini mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) U-Net untuk melakukan segmentasi otomatis ROI ginjal pada citra renal scintigraphy berbasis radiofarmaka Tc-99m DTPA. Dataset citra yang digunakan melalui proses pra-pemrosesan, normalisasi, dan data augmentation, kemudian dibagi menjadi data latih, validasi, dan uji. Evaluasi kinerja model menggunakan metrik Dice Coefficient pada dataset validasi dan uji. Hasil menunjukkan nilai rata-rata Dice Coefficient sebesar 0,900 pada data validasi dan 0,889 pada data uji. Analisis per frame menunjukkan stabilitas performa model di seluruh faseperekaman, dengan Dice Coefficient ≥0,87. Temuan ini membuktikan bahwa model U-Net mampu melakukan segmentasi ROI ginjal secara akurat dan konsisten, serta berpotensi diintegrasikan dalam sistem pendukung keputusan klinis untuk meningkatkan efisiensi dan konsistensi interpretasi citra renal scintigraphy. Kata Kunci: U-Net, Segmentasi Citra Medis, Renal Scintigraphy, Kedokteran Nuklir, Deep Learning.