Kanker tulang merupakan penyebab utama kematian secara global, dan pendeteksiannya dalam gambar medis melalui segmentasi semantik menawarkan pendekatan yang lebih baik dibandingkan segmentasi non semantik. Studi ini berfokus pada kinerja U-Net++ untuk segmentasi hotspot pada citra tulang anterior dan posterior, dengan menggunakan konfigurasi 4-segmen dan 3-segmen. Dataset mencakup anotasi untuk segmen tulang normal dan abnormal, dengan model yang dilatih secara terpisah untuk tampilan anterior dan posterior guna mengoptimalkan segmentasi. U-Net++ mencapai akurasi dan stabilitas yang tinggi, dengan F1-score sebesar 0,990 dan IoU sebesar 0,341 untuk hotspot dalam konfigurasi 4-segmen, serta mempertahankan efisiensi komputasi dengan 36,6 juta parameter. Meskipun terdapat tantangan dalam anotasi hotspot menggunakan metode thresholding, U-Net++ terbukti sebagai solusi yang efektif dan andal untuk deteksi lesi tulang dalam skenario segmentasi yang kompleks.