Hasil Pencarian  ::  Simpan CSV :: Kembali

"COVID-19 adalah penyakit infeksi menular yang disebabkan oleh virus SARS-CoV-2 dan dapat menyebabkan gangguan pada sistem pernapasan. Pencitraan X-Ray dapat menjadi alternatif dalam mendeteksi COVID-19 karena mampu menggambarkan kondisi paru-paru pasien. Deep learning dapat digunakan untuk menganalisis pola pada citra medis secara otomatis. Untuk itu, digunakan Convolutional Neural Network dengan teknik transfer learning menggunakan arsitektur Xception, EfficientNetB3, dan ensemble dari kedua model secara paralel untuk deteksi COVID-19 dan tingkat keparahannya dari citra X-Ray dada secara otomatis. Klasifikasi COVID-19 dilakukan untuk empat jenis kelas, yaitu: positif COVID-19, normal, pneumonia bakteri dan pneumonia virus. Pada klasifikasi COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 94,44% untuk classifier Xception, 95,28% untuk classifier EfficientNetB3, dan 94,44% untuk classifier paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Klasifikasi tingkat keparahan COVID-19 dilakukan untuk tiga jenis kelas yaitu: ringan, sedang, dan parah. Pada klasifikasi tingkat keparahan COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 70,00% untuk classifier Xception, 67,50% untuk classifier EfficientNetB3 dan paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Secara keseluruhan, ketiga classifier yang diusulkan dapat direkomendasikan sebagai alat yang dapat membantu ahli radiologi dan praktisi klinis dalam diagnosis dan tindak lanjut kasus COVID-19.

---

COVID-19 is a contagious infectious disease caused by the SARS-CoV-2 virus and can cause disorders of the respiratory system. X-Ray imaging can be an alternative in detecting COVID-19 because it is able to describe the condition of the patient's lungs. Deep learning can be used to analyze patterns in medical images automatically. For this reason, Convolutional Neural Network is used with transfer learning techniques using Xception, EfficientNetB3 architecture, and an ensemble of both models in parallel for the detection of COVID-19 and its severity level from Chest X-Ray images automatically. The classification of COVID-19 is carried out for four types of classes, namely: positive COVID-19, normal, bacterial pneumonia, and viral pneumonia. In the COVID-19 classification, the three proposed classifier models achieve overall accuracy for all classes of 94.44% for the Xception classifier, 95.28% for the EfficientNetB3 classifier, and 94.44% for the parallel classifier. The accuracy value is higher than the other classifier accuracy values. The classification of the severity level of COVID-19 is carried out for three types of classes, namely: mild, moderate, and severe. In the classification of the severity level of COVID-19, the three proposed classifier models achieve overall accuracy for all classes of 70.00% for the Xception classifier, 67.50% for the EfficientNetB3 classifier and parallel. The accuracy value is higher than the other classifier accuracy values. Overall, the three proposed classifiers can be recommended as tools that can assist radiologists and clinical practitioners in the diagnosis and follow-up of COVID-19 cases."

"[ABSTRAKRontgen dada atau Chest X-Ray (CXR) merupakan salah satu aplikasi pencitraan medis yang paling sering digunakan dalam pendeteksian kelainan khususnya tumor pada paru – paru. Untuk menentukan diagnosis kelainan tersebut, seorang dokter masih mengandalkan pengamatan visual dalam pembacaan hasil citra CXR sehingga penilaian bersifat subyektif tergantung pada masing – masing dokter. Oleh karena itu, pada penelitian ini dilakukan perancangan sistem pengolahan citra sebagai alat bantu identifikasi kelainan paru – paru. Kategori citra CXR yang digunakan adalah citra pada keadaan normal, tumor, dan kelainan bukan tumor. Tahapan pengolahan yang dilakukan berupa pre-processing menggunakan median filtering dan ekualisasi histogram serta proses segmentasi menggunakan otsu’s thresholding dan active contour : snake. Uji hasil pengolahan citra dengan hasil diagnosis dokter menggunakan jaringan syaraf tiruan backpropagation menghasilkan akurasi sebesar 92,85 %.

---

ABSTRACTChest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %., Chest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %.]"

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis, terus menjadi salah satu penyebab utama kematian di dunia. Deteksi TB dapat dilakukan melalui analisis citra X-Ray dada (CXR), dan berbagai penelitian telah memanfaatkan kecerdasan buatan (AI) untuk mengotomasi serta meningkatkan proses diagnostik. Namun, pendekatan yang ada sering kali hanya berfokus pada deteksi lesi secara parsial atau tidak lengkap, tanpa menyediakan solusi komprehensif untuk klasifikasi multi-label dan multi-kelas dari seluruh spektrum anomali yang terkait TB. Penelitian ini mengembangkan model Artificial Intelligence (AI) dengan arsitektur SwinTransformer Tiny untuk klasifikasi multi-kelas dan multi-label 14 anomali terkait TB secara lebih efisien. Data yang digunakan terdiri dari 133 citra CXR dari RSUPN Dr. Cipto Mangunkusumo (RSCM) dan 360 citra dari dataset National Institutes of Health (NIH). Ketidakseimbangan data diatasi dengan teknik augmentasi data dan penggunaan customized focal loss. Model ini berhasil mencapai AUC sebesar 0.57, Binary Accuracy 0.869, nilai Loss 0.068, dan nilai Hamming Score 0.514. Dibandingkan dengan beberapa arsitektur lainnya seperti Hybrid CNN & ViT, ConvNeXt Tiny, dan EfficientNetB0, model ini menunjukkan performa AUC terbaik. Dalam kasus klasifikasi multi-label dan multi-kelas seperti ini, AUC menjadi metrik utama yang lebih relevan untuk mengevaluasi keberhasilan model. Mengingat kompleksitas dalam menangani data multi-label dan multi-kelas dengan sampel yang terbatas serta ketidakseimbangan data, skor AUC ini mencerminkan tantangan yang ada dalam tugas ini, bukan kekurangan dari model itu sendiri. Dengan mengklasifikasikan label-label TB yang paling spesifik dalam satu studi AI, penelitian ini menyoroti potensi AI untuk meningkatkan akurasi dan efisiensi dalam mendeteksi anomali terkait TB. Selain itu, model ini dilengkapi dengan penerapan Saliency Map sebagai metode Explainable AI (XAI), yang memberikan interpretasi medis yang lebih jelas terhadap prediksi model.

---

Tuberculosis (TB), caused by Mycobacterium tuberculosis, remains one of the leading causes of death worldwide. TB detection can be performed through Chest X-Ray (CXR) analysis, and various studies have leveraged artificial intelligence (AI) to automate and enhance the diagnostic process. However, existing approaches often focus only on partial or incomplete lesion detection, lacking a comprehensive solution for multi-label and multi-class classification of the full spectrum of TB-related anomalies. This study developed an AI model using the SwinTransformer Tiny architecture for efficient multi-class and multi-label classification of 14 TB-related anomalies. The dataset consisted of 133 CXR images from RSUPN Dr. Cipto Mangunkusumo and 360 images from the NIH dataset. Data imbalance was addressed using data augmentation techniques and customized focal loss. The model achieved an AUC of 0.57, an accuracy of 0.869, a Loss value of 0.068, and Hamming Score value 0.514. Compared to other architectures such as Hybrid CNN & ViT, ConvNeXt Tiny, and EfficientNetB0, this model demonstrated the best AUC performance. In multi-label and multi-class classification tasks like this, AUC is the primary metric for evaluating model performance. Given the complexity of handling multi-label and multi-class data with limited and imbalanced samples, the AUC score reflects the challenging nature of this task rather than any shortcomings of the model itself. By classifying the most specific TB-related labels in a single AI study, this research highlights the potential of AI to improve the accuracy and efficiency of detecting TB-related anomalies. Furthermore, the model is equipped with the implementation of Saliency map as an Explainable AI (XAI) method, providing clearer medical interpretations of the model's predictions."