Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker payudara adalah kanker yang paling sering terjadi pada wanita, berdampak pada 2,1 juta wanita setiap tahun, dan juga menyebabkan jumlah terbesar kematian terkait kanker di antara wanita. Deteksi kanker tahap awal dapat mengurangi angka kematian akibat kanker payudara secara signifikan dalam jangka panjang. Ultrasonografi payudara adalah alat screening yang hemat biaya dan tersedia secara luas. Ultrasonografi payudara dapat digunakan untuk wanita yang berisiko tinggi terkena kanker payudara, namun tidak dapat menjalani pemeriksaan MRI atau wanita yang sedang hamil yang tidak boleh terkena sinar-x, dan juga untuk wanita yang memiliki jaringan payudara padat. Meskipun, ultrasonografi dinilai dapat digunakan dalam screening payudara, penggunaanya sangat bergantung pada pengalaman dokter dalam membaca citra. karena itu, untuk mendiagnosa kanker payudara pada ultrasonografi dengan otomatis dapat menggunakan bantuan komputer (CAD). Penelitian ini mengenai sistem CADe berbasis deep learning yaitu convolutional neural network (CNN), CNN diinginkan mengevaluasi beberapa gambar USG untuk membuat diagnosis mikrokalsifikasi. Mikrokalsifikasi merupakan bintik-bintik putih halus, mirip dengan butiran garam. Mereka biasanya bukan kanker, tetapi pola-pola tertentu dapat menjadi tanda awal kanker. Mendeteksi mikrokalsifikasi menggunakan CNN ini dapat digunakan sebagai screening payudara rutin, yang mana dapat membantu dokter untuk menemukan tanda-tanda kanker payudara lebih awal dari yang mungkin saat ini. Di mana, performa pada penelitian adalah dengan sensitivitas 87,85%, akurasi sebesar 87,34% dan presisi 98,505%.

---

Breast cancer is a very common cancer in women, affects millions of women each year, and is also one of the leading causes of cancer deaths among women. Early-stage cancer detection can reduce breast cancer mortality significantly in the long term. Breast ultrasound is a cost-effective and widely available screening tool. Breast ultrasound can be used for women who are at high risk of developing breast cancer but cannot undergo MRI examinations or for pregnant women who should not be exposed to X-rays, and also for women who have dense breast tissue. Although ultrasound is considered to be used for breast screening, its use is highly dependent on the doctor's experience in reading the images. Therefore, to diagnose breast cancer using ultrasound images automatically can use computer assistance, namely Computer-Aided Detection (CADe). This study discusses a deep learning-based CADe system, namely the convolutional neural network (CNN), CNN is desired to evaluate several ultrasound images to make a microcalcification diagnosis. Microcalcifications are fine white spots, similar to grains of salt. They are not usually cancer, but certain patterns can be an early sign of cancer. Detecting microcalcification using CNN can be used as a routine breast screening, which can help doctors find signs of breast cancer earlier than is currently possible. Where, the performance in this study is with a sensitivity of 87.85%, an accuracy of 87.34% and a precision of 98.505%."

"Tuberkulosis (TB) adalah penyakit menular dan dapat berakibat fatal, terutama di negara berkembang. WHO merekomendasikan penggunaan screening yang sistematis dan luas, salah satunya menggunakan citra X-ray dada. Sayangnya, jumlah ahli radiologi masih kurang dan belum terdistribusi dengan baik di negara berkembang seperti Indonesia. Oleh karena itu, penelitian ini mengembangkan sistem Computer-Aided Detection (CAD) untuk membantu mendeteksi TB menggunakan analisis tekstur. Terdapat tiga tahap pada sistem, yaitu segmentasi otomatis, koreksi segmentasi manual, dan deteksi lesi TB. Hasil akhir sistem memberikan visualisasi heatmap berdasarkan probabilitas lesi TB pada citra X-ray dada. Penelitian ini fokus pada tahap deteksi lesi TB. Analisis tekstur diimplementasi menggunakan berbagai kombinasi dari fitur tekstur Hogeweg, Gray-Level Co-occurrence matrix (GLCM), dan Gabor. Selain itu, metode reduksi dimensi juga diimplementasikan untuk mendapatkan representasi optimal. Analisis tekstur ini digunakan pada area lokal patch melalui perhitungan probabilitas untuk klasifikasi patch lesi TB dan patch normal. Klasifikasi ini dilatih menggunakan Logistic Regression, Support Vector Machine (SVM), dan Multilayer Perceptron (MLP). Hasil terbaik dicapai oleh Logistic Regression dengan kombinasi fitur Hogeweg, GLCM, dan Gabor yang diimplementasikan PCA yang mampu mencapai nilai 0.734 sensitivity. Dokter spesialis radiologi menilai bahwa beberapa visualisasi model ini cukup baik dalam mengenali lesi TB, namun masih ada beberapa kesalahan dalam mendeteksi area normal sebagai lesi TB.

---

Tuberculosis (TB) is an infectious disease and can be fatal, especially in developing countries. WHO recommends the use of systematic and broad screening, one of which is using chest X-ray images. Unfortunately, the number of radiologists is still lacking and not well distributed in developing countries such as Indonesia. Therefore, this study developed a Computer-Aided Detection (CAD) system to help detect TB using texture analysis. There are three stages in the system, they are automatic segmentation, manual segmentation correction, and TB lesion detection. The final result of the system provides a heatmap visualization based on the probability of TB lesions on a chest X-ray image.

This study focused on the stage of TB lesion detection. Texture analysis was implemented using various combinations of Hogeweg texture features, Gray-Level Co- occurrence matrix (GLCM), and Gabor. In addition, the dimensional reduction method is also implemented to obtain the optimal representation. This texture analysis is applied to the local area of the patch by calculating the probability for the classification of the TB lesion patch and the normal patch. This classification is trained using Logistic Regression, Support Vector Machine (SVM), and Multilayer Perceptron (MLP).

The best result was achieved by Logistic Regression with a combination of Hogeweg, GLCM, and Gabor features implemented by PCA which was able to reach a value of 0.734 sensitivity. Radiology specialists considered that some of the visualizations of this model were quite good in recognizing TB lesions, but there were still some errors in detecting normal areas as TB lesions."

"Kanker paru merupakan kanker yang paling banyak ditemukan dan paling mematikan di dunia. Penentuan stadium kanker paru umumnya dilakukan oleh dokter radiologi dengan melihat pembesaran kelenjar getah bening (KGB) mediastinal. KGB mediastinal cukup sulit dideteksi secara visual dikarenakan memiliki kontras yang rendah  terhadap jaringan di sekitarnya, ukuran dan bentuknya yang bervariasi, serta tersebar di berbagai lokasi. Oleh karena itu, akhir – akhir ini dikembangkan sistem computer-aided detection (CADe) sebagai alat bantu bagi dokter radiologi untuk mendeteksi KGB mediastinal secara otomatis. Metode terbaik saat ini dalam sistem CADe KGB mediastinal tersebut menggunakan 2D convolutional neural network (CNN) yang diterapkan dari 3 sudut pandang (axial, coronal, sagittal). Namun, sifat 3D dari KGB mediastinal dihipotesakan akan lebih terwakili jika menggunakan 3D CNN. Oleh karena itu, dalam penelitian ini digunakan 3D CNN yang kemudian diubah menjadi 3D fully convolutional network (FCN)  untuk mendeteksi kandidat KGB mediastinal di dalam suatu tumpukkan citra CT. Kandidat KGB mediastinal tersebut kemudian dianalisa untuk mengurangi false positive (FP) menggunakan 3 metode, yaitu perhitungan mean HU, deteksi kontur menyerupai lingkaran, dan klasifikasi menggunakan 3D CNN. Performa terbaik dari sistem CADe KGB mediastinal ini diperoleh ketika menggunakan 3D CNN dalam tahap pengurangan FP dengan sensitivitas 77% dan 12 FP/pasien.

---

Lung cancer is the most common and the deadliest cancer in the world. Lung cancer staging usually was done by radiologist by detecting mediastinal lymph node (LN) enlargement. Mediastinal LN is difficult to be detected visually due to its low contrast to the surrounding tissues, various size and shape, and sparse location. Therefore, computer-aided detection (CADe) system has been developed as a tool for radiologist to detect medistinal LN automatically. The state of the art mediastinal LN CADe system used 2D convolutional neural network (CNN) from 3 planar views (axial, coronal, sagittal). However, the 3D features of mediastinal LN are hypothesized to be more reprenseted if 3D CNN is used. Therefore, in this experiment we used 3D CNN which is converted to 3D fully convolutional network (FCN) to detect mediastinal LN candidate in a stack of CT images. Then, the mediastinal LN candidates were analyzed using 3 methods to reduce the false positive (FP), which are the calculation of the mean HU, the blob detection, and the classification using 3D CNN. The best performance of this CADe system was achieved when the 3D CNN was used in the FP reduction stage which has 77% of sensitivity and 12 FP/ patient."

"Mikrokalsifikasi payudara merupakan salah satu tanda awal dalam deteksi dini kanker payudara. Pencitraan ultrasonografi payudara telah banyak digunakan karena bersifat real time, dan radiasi yang dimanfaatkan bukanlah radiasi ionisasi sehingga lebih aman jika dibandingkan mammografi yang memiliki efek radiobiologi. Namun, citra ultrasonografi payudara ini memiliki keterbatasan resolusi spasial dan noise yang dapat menimbulkan kesalahan dalam pembacaan hasil oleh ahli radiologi. Pada penelitian ini, penulis akan melakukan suatu penelitian terkait pemanfaatan deteksi citra ultrasonografi payudara dengan bantuan komputer, atau yang biasa disebut dengan CADe (Computer Aided Detection). Metode yang akan dilakukan adalah dengan menggunakan metode Convolutional Neural Networking CNN) untuk proses klasifikasi citra. Dan proses segmentasi dengan metode K-means Clustering untuk penentuan letak klasifikasi payudara. Nilai akurasi dari proses klasifikasi dengan sistem CNN adalah sebesar 88.52% dengan sensitivitas 90.32%. Sedangkan untuk segmentasi citra diperoleh sensitivitas 76.72% dengan 3 FP/ pasien.

---

Breast microcalcification is one of the early signs in early detection of breast cancer. Breast ultrasound imaging has been widely used because it is real time, and the radiation used is not ionizing radiation, so it is safer than mammography which has radiobiological effects. However, this breast ultrasound image has limited spatial resolution and noise that can lead to errors in reading the results by the radiologist. In this study, the author will conduct a study related to the use of computer-assisted breast ultrasound image detection, or commonly known as CADe (Computer Aided Detection). The method that will be used is the Convolutional Neural Networking (CNN) method for the image classification process. And the segmentation process using the K-means Clustering method to determine the location of the breast classification. The accuracy value of the classification process with the CNN system is 88.52% with a sensitivity of 90.32%. Meanwhile, for image segmentation, the sensitivity is 76.72% with 3 FP/patient. "