Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian Computer Aided Diagnose (CAD) Radiografi Paru pasien dewasa dengan metode Fuzzy C Means (FCM), telah dilakukan dalam keadaan tahap awal. Penelitian ini bertujuan untuk mengetahui apakah metode clustering FCM dapat digunakan untuk membuat perangkat penolong untuk melihat abnormalitas pada paru-paru dari 200 data citra Radiografi sinar-X. Pembuatan perangkat dilakukan dengan menggunakan GUI pada Matlab. Perancangan di bagi menjadi dua metode menggunakan metode FCM otomatis dan manual kemudian untuk mengetahui perbedaan nilai piksel digunakan metode ambang rata-rata. Kedua metode ini berdasarkan intensitas derajat keabuan 0-256. Metode FCM digunakan untuk melihat visualisasi abnormalitas secara cepat dan mengetahui garis besar posisi yang abnormal. Kemudian diteruskan dengan segmen kotak dari metode ambang rata-rata untuk mengetahui perbedaan nilai pixel citra abnormalitas dan yang normal. Hasil penelitian nenujukkan bahwa, Kinerja Metode FCM Akurasi 57,7%, sensitifitas 50,0%, spesifikasi 89,5% , Overal Error 42,3% dan Presisi 95,1%. Sedangkan metode Segmen per kotak Akurasi 56,7%, sensitifitas 51,7%, spesifikasi 88,5% , Overal Error 43,3% dan Presisi 96,7%. berdasarkan penelitian dapat disimpulkan bahwa Metode FCM dalam paru hanya bisa menunjukkan visual secara cepat dan garis besar namun tidak memberikan akurasi yang cukup memuaskan, hal ini di karenakan data input yang random tidak dapat dijadikan patokan untuk ukuran keberhasilan.

---

In the study Computer Aided Diagnose (CAD) Lung Radiography adult patients with Fuzzy C Means (FCM), has been carried out in a state of infancy. This study aims to determine whether the FCM clustering method can be used to make the device helper to see abnormalities in the lungs of 200 image data of X-ray radiography. Making the device is done by using the GUI in Matlab.

The design is divided into two methods using automated and manual methods FCM then to determine differences in pixel value threshold method is used on average. Both methods are based on the intensity of gray 0-256 degrees. FCM method is used for visualizing abnormalities quickly see and know the outline of an abnormal position. Then forwarded to the segment boxes of the average threshold method to determine differences in pixel values abnormalities and normal image.

That research results, performance FCM method Accuracy 57.7%, 50.0% sensitivity, 89.5% specification, Overal Error 42.3% and 95.1% precision. While the method of segment per box Accuracy 56.7%, 51.7% sensitivity, 88.5% specification, Overal Error 43.3% and 96.7% precision. based study concluded that the method of FCM in the lungs can only show rapid visual and outline but does not give a satisfactory accuracy, it is in because random input data can not be used as a benchmark to measure success."

"This title covers the use of high-res computed tomography for diagnosis and assessment of diffuse lung diseases. This reference offers a thorough grounding in HRCT interpretation, offering the latest technical and clinical data, including recent advances in the classification and understanding of diffuse lung diseases and their HRCT appearances.Looking for the seminal guide to HRCT and lung abnormalities? Get the newly revised and updated 5th edition of High-Resolution CT of the Lung, the leading reference on the use of high-res computed tomography for diagnosis and assessment of diffuse lung diseases. Written by leading experts in the field, this comprehensive reference offers a thorough grounding in HRCT interpretation, offering the latest technical and clinical data, including recent advances in the classification and understanding of diffuse lung diseases and their HRCT appearances.Features: new: full-color illustrations of histo."

"Intensitas keabuan yang sangat dekat memungkinkan terjadinya kesalahan dalam menginterpretasikan citra hasil Computed Radiography (CR). Maka diperlukan algoritma yang dapat mempermudah tim medis mendiagnosa kondisi pasien khususnya bagian paru. Penelitian ini menggunakan tingkat keabuan /intensitas citra sebagai dasar clustering dan segmentasi Region of Interest (ROI ) yang akan dilakukan dengan sistem komputerisasi. Sehingga hasil pembacaan lebih akurat dibanding secara manual. Data sampel berupa 100 citra hasil CR pasien paru dewasa Rumah Sakit Pusat Pertamina yaitu 50 citra norma sebagai citra acuan dan 50 citra uji (normal dan abnormal). Pada clustering diuji coba dengan jumlah cluster (k) bervariasi yaitu 3, 4, .., 10. Citra hasil clustering yang terbaik ditunjukkan pada k = 8 karena dapat memvisualisasikan batas warna dengan lebih jelas dibanding dengan k yang lain. Pada segmentasi ROI, citra paru dibagi menjadi 33 daerah sesuai posisi anatomi paru yang terdiri dari 6 daerah apex, 11 daerah hilum dan 16 daerah peripheral. Selanjutnya, masing-masing daerah pembagian diukur intensitasnya. Intensitas citra acuan dijadikan dasar untuk menentukan abnormalitas citra uji, intensitas citra uji yang lebih tinggi dari intensitas citra normal dikategorikan sebagai citra abnormal. Akurasi sistem pada penelitian ini adalah 66%.

---

Gray intensity is very close to allow for errors in interpreting the Computed Radiography (CR) image. It would require an algorithm that can facilitate medical team to diagnose the patient's condition especially the lungs. Clustering k-means clustering and segmentation Region of Interest (ROI) will be done by a computerized system based on the image gray level / intensity. 100 CR image used as the sample data from Rumah Sakit Pusat Pertamina, 50 image as references images and 50 images as tested image. On clustering tested by the number of clusters (k) varies the 3, 4, .., 10. The clustering of the best image results are shown in k = 8 because it can visualize the color boundaries more clearly than the other k. At ROI segmentation, lung image is divided into 33 regions corresponding anatomical position lung consist of 6 regional apex, hilum area 11 and 16 peripheral areas. Furthermore, each regional division of the measured intensity. The intensity of the reference image used as the basis for determining abnormality test images, test image intensity higher than normal image intensity categorized as abnormal image. The system accuracy in this study was 66%."