Pengembangan Model Dual-branch CNN untuk Klasifikasi Autisme pada Citra MRI

Autism Spectrum Disorder (ASD) adalah gangguan perkembangan saraf yang diagnosisnya seringkali bergantung pada observasi subjektif. Klasifikasi citra Magnetic Resonance Imaging (MRI) menggunakan Deep Learning menjadi solusi objektif, namun model CNN dengan satu jalur ekstraksi sering gagal menangkap fitur spasial lokal dan global secara bersamaan. Penelitian ini mengusulkan arsitektur Dual-Branch CNN untuk membedakan Autism Spectrum Disorder (ASD) dan Typical Control (TC). Model ini menggabungkan jalur VGG-19 dengan transfer learning untuk mengekstraksi fitur global, serta Custom CNN untuk menangkap fitur lokal. Dataset bersumber dari ABIDE I yang diproses melalui tahapan skull stripping, pemilihan irisan berdasarkan area terbesar pada bidang axial, coronal, sagittal, resizing, konversi RGB dan normalisasi. Penggabungan fitur dilakukan menggunakan concatenate setelah melalui hasil output kedua model melalui proses GlobalAveragePooling2D. Pengujian dengan metode 5-Fold Cross Validation membuktikan arsitektur usulan mengungguli model tunggal. Model Dual-Branch mencapai rata-rata akurasi 80,60% dengan tingkat kestabilan tinggi yang dibuktikan dari rendahnya standar deviasi sebesar 0.0332. Performa tertinggi diraih pada irisan axial dengan konfigurasi dropout 0.3, menghasilkan akurasi tertinggi 85,50%. Temuan ini menunjukkan bahwa penggunaan Dual-Branch CNN terbukti efektif mengatasi kelemahan model tunggal dan menekan angka kesalahan klasifikasi, sehingga sangat potensial diimplementasikan sebagai alat bantu pendukung diagnosis dini ASD yang objektif.