Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Diabetik retinopati adalah komplikasi dari penyakit diabetes yang dapat mengakibatkan gangguan penglihatan bahkan kebutaan. Penyakit ini menjadi tidak dapat disembuhkan jika telah melewati fase tertentu, sehingga diagnosa sedini mungkin menjadi sangat penting. Namun, diagnosa oleh dokter mata memerlukan biaya dan waktu yang cukup besar. Oleh karena itu, telah dilakukan upaya untuk meningkatkan efisiensi kerja dokter mata dengan bantuan komputer. Deep learning merupakan sebuah metode yang banyak digunakan untuk menyelesaikan masalah ini. Salah satu arsitektur deep learning yang memiliki performa terbaik adalah residual network. Metode ini memiliki kelebihan dalam menghindari masalah degradasi akurasi, sehingga memungkinkan penggunaan jaringan yang dalam. Di sisi lain, metode persistent homology juga telah banyak berkembang dan diaplikasikan pada berbagai masalah. Metode ini berfokus pada informasi topologi yang terdapat pada data. Informasi topologi ini berbeda dengan representasi data yang didapatkan dari model residual network. Penelitian ini melakukan analisis terhadap penerapan persistent homology pada kerangka kerja residual network dalam permasalahan klasifikasi diabetik retinopati. Dalam studi ini, dilakukan eksperimen berkaitan dengan informasi topologi dan proses pengolahannya. Informasi topologi ini direpresentasikan dengan betti curve atau persistence image. Sementara itu, pada proses pengolahannya dilakukan ujicoba pada kanal citra, metode normalisasi, dan layer tambahan. Hasil eksperimen yang telah dilakukan adalah penerapan persistent homology pada kerangka kerja residual network dapat meningkatkan hasil klasifikasi penyakit diabetik retinopati. Selain itu, penggunaan betti curve dari kanal merah sebuah citra sebagai representasi informasi topologi memberikan hasil terbaik dengan skor kappa 0.829 pada data test. ......Diabetic retinopathy is a complication of diabetes which can result in visual disturbance and even blindness. This disease becomes incurable after reaching certain phases, thus immidiate diagnosis is highly important. However, diagnosis by a professional ophthalmologist requires a great amount of time and cost. Therefore, efforts to increase the work efficiency of ophthalmologists using computer system has been done. Deep learning is a method that widely used to solve this particular problem. Residual network is one of deep learning architecture which has the best performance. The main advantage of residual network is its ability to prevent accuracy degradation, thus enabling the model to go deeper. On the other hand, persistent homology is also rapidly developing and applied in various fields. This method focus on the topological information of the data. This information are different with the data representation that extracted by neural network model. This study analyze the incorporation of persistent homology to residual networks framework for diabetic retinopati classification. In this study, experiments regarding about topological information and its process were carried out. The topological information is represented as betti curve or persistence image. Meanwhile, the experiments are analyzing the impact of image colour channel, normalization method, and additional layer. According to the experiments, application of persistent homology on residual network framework could improve the outcome of diabetic retinopathy classification. Moreover, the application of betti curve from the red channel as a representation of topological information has the best outcome with kappa score of 0.829.

Abstrak :
Penelitian ini melakukan klasifikasi stadium penyakit Diabetik Retinopati (DR) menjadi 2 hirarki, yaitu Global dan Lokal. Hirarki Global hanya terdiri dari normal (0) dan abnormal (1). Sedangkan klasifikasi lokal terdiri dari 4 kategori yaitu kategori normal (R0), early NPDR (R1), advanced NPDR (R3), dan PDR (R4). Kategori early NPDR adalah stadium mild NPDR, sedangkan advanced NPDR adalah gabungan dari moderate dan severe NPDR. Secara umum penelitian ini dilakukan untuk menyelesaikan masalah yang timbul akibat adanya kemiripan citra per kenaikan stadium yang tidak bisa dinilai secara kasat mata. Sehingga membutuhkan sebuah penanganan dimana citra retina dapat digolongkan ke dalam kategori yang tepat. Berdasarkan masalah tersebut, dilakukan 2 mekanisme percobaan untuk setiap hirarki, yaitu melalui pendekatan computer vision yang hanya fokus untuk mengolah citra secara keseluruhan dan pendekatan yang dilakukan oleh medis dimana sebelum menentukan kategori citra, terlebih dahulu dilakukan deteksi fitur penanda DR seperti eksudat, mikroaneurisma, dan pembuluh darah. Data yang digunakan ada 2 jenis yaitu data citra dari RSCM Jakarta dan database publik Diaretdb0. Metode klasifikasi ELM yang diusulkan mampu memberikan performansi yang cukup baik dari sisi waktu dan akurasi, dimana rata-rata klasifikasi menggunakan cross validation mencapai 50% untuk data RSCM dan 60% untuk data DB0. Sedangkan untuk klasifikasi lokal mencapai 50% untuk data RSCM dan 40% untuk data DB0. ......This study determined the classification of the stage of disease Diabetic retinopathy (DR) into two hierarchies , namely the Global and the Local . Global hierarchy consisting only of normal (0) and abnormal (1). While local classification consists of 4 categories: normal category (R0), early NPDR (R1), advanced NPDR (R3), and PDR (R4). Categories early stages of NPDR is Mild NPDR, whereas advanced NPDR is a combination of moderate and severe NPDR. In general, this study was conducted to resolve the problems arising from the similarity image that stage increments can not be assessed by naked eye . Thus require a treatment in which the retinal image can be classified into appropriate categories . Based on these issues, conducted 2 experiments for each hierarchy mechanism, namely through the computer vision approach that only focuses on the image of the overall process and the approach taken by a medical before determining which image category , first detection of features such as bookmarks DR exudates, microaneurysms, and blood vessels . The data used there are 2 types of image data from public databases RSCM Jakarta and Diaretdb0. The proposed classification method ELM is able to provide good enough performance in terms of time and accuracy , where the average classification using cross validation to achieve 50 % for data RSCM and 60 % for data DB0. Whereas for the local classification, data RSCM achieve 50 % and 40 % for data DB0.

Abstrak :
Tujuan: Mengetahui pengaruh fotokoagulasi laser terhadap kadar Hypoxia-inducible Factor-1α (HIF-1α) vitreus dan kadar Intercellular Adhesive Molecule-1 (ICAM-1) vitreus pada Retinopati Diabetik Proliferatif. Metode: Penelitian ini adalah uji klinis acak terbuka. Desain penelitian adalah uji klinis acak terbuka. Dua puluh dua mata dirandomisasi menjadi 2 kelompok, yaitu yang mendapatkan fotokoagulasi laser panretinal 1-2 minggu pre-vitrektomi dan kontrol. Kadar HIF-1α dan ICAM-1 dihitung menggunakan enzyme-linked immunosorbent assay (ELISA). Central macula thickness (CMT) diukur saat baseline, pre-vitrektomi, follow-up 2, 4, dan 12 minggu paska vitrektomi. Hasil: Analisis hasil didapatkan rerata kadar HIF-1α vitreus (dalam ng/mL) pada kelompok kontrol dan fotokoagulasi laser masing-masing 0,152±0,015 dan 0,164±0,033 sedangkan kadar ICAM-1 vitreus(dalam ng/mL) adalah 17,840±14,140 dan 27,027±10,452. Tidak terdapat perbedaan bermakna rerata kadar HIF-1α dan ICAM-1 vitreus serta CMT di setiap waktu follow up antara kedua kelompok. Terdapat korelasi antara kadar HIF-1α dan HbA1c (r=0,463, p=0,03). Pengukuran CMT pre-vitrektomi dan kadar HIF-1α vitreus pada penelitian ini mempunyai korelasi positif pada kedua kelompok (r = 0,447 dan r = 0,32). Simpulan: Fotokoagulasi laser 1-2 minggu pre-vitrektomi tidak menyebabkan kadar HIF-1α dan ICAM-1 yang lebih rendah dibandingkan dengan yang tidak mendapatkan laser. Kadar HIF-1α vitreus berkorelasi dengan tebalnya CMT, sedangkan kadar ICAM-1 vitreus tampak tidak berhubungan. Kontrol glikemik yang lebih buruk pada kelompok fotokoagulasi laser mempengaruhi hasil dari kadar HIF-1α maupun ICAM-1 vitreus. ...... Purpose: to determine the effect of pre-treatment of laser panretinal photocoagulation (PRP) before vitrectomy to Hypoxia-inducible Factor-1α (HIF-1α) and Intercellular Adhesive Molecule-1 (ICAM-1) in the vitreous fluid of patients with diabetic retinopathy proliferative. Methods: This is post-test only randomized clinical trial open label study. Twenty two eyes were recruited, and 11 eyes had pre-treatment of PRP pre-vitrectomy and other 11 eyes were served as control. HIF-1α and ICAM-1 were measured by enzyme-linked immunosorbent assay (ELISA). At the beginning of PRP and just before vitrectomy (1-2 week after PRP), and at the time of follow-up of 2,4, and 12 week after vitrectomy, central macular thickness (CMT) was measured. Results: Mean of HIF-1α(ng/mL) were 0,152±0,015 and 0,164±0,033in control and photocoagulation group, respectively. Mean of ICAM-1(ng/mL) were 17,840±14,140 and 27,027±10,452. There were no statistically significant differences in the comparison of both HIF-1α and ICAM-1 in each group and CMT at each time of follow up. The positive correlation between ICAM-1 in the vitreous body and HbA1c was clinically significant (r=0,463, p=0,03). The positive correlation between both level of HIF-Iα the vitreous body of both groups and CMT was found (r = 0,447 dan r = 0,32). Conclusion: Laser photocoagulation 1-2 weeks before vitrectomy did not cause lower concentration of vitreous level of HIF-1α dan ICAM-1. Glycemic control status that worse in laser photocoagulation group could influence the level of HIF-1α and ICAM-1 vitreus.

Abstrak :
ABSTRAK
Diabetik Retinopati adalah kelainan retina akibat komplikasi diabetes yang menyebabkan kebutaan. Seiring berkembangnya teknologi pengolahan citra, pendeteksian Diabetik Retinopati DR dimungkinkan melalui gambar retina yang disebut citra fundus dengan menggunakan ekstraksi ?tur. Dalam penelitian ini, diusulkan metode ekstraksi ?tur menggunakan Gray Level Co-occurrence Matrix GLCM . Penelitian ini mengusulkan sebuah metode dengan enam ?tur tekstur GLCM dengan klasi?kasi Naive Bayes. Dengan menggunakan tiga metode pengujian dan offset GLCM untuk dibandingkan, offset GLCM menghasilkan hasil yang lebih baik dengan accuracy 82.05 pada metode pengujian 70 train 30 test, accuracy 80 pada metode pengujian 5-Fold Cross Validation, accuracy 80.77 pada metode pengujian 10-Fold Cross Validation. Hasil ini akan menjelaskan seberapa akurat Naive Bayes untuk mengklasi?kasikan citra fundus normal atau citra DR.

---

ABSTRAK
Diabetic Retinopathy is retinal disorders resulting from diabetes complications that lead to blindness. As the development of technology in image processing, detection of Diabetic Retinopathy DR was possible through retinal images called fundus image using feature extraction. In this paper, a feature extraction method using Gray Level Co occurrence Matrix GLCM is proposed. This paper proposed a method with six textural features of GLCM with Naive Bayes classifier. Using three testing methods and offset of GLCM to compare with, the offset of GLCM achieves a better result with an Accuracy of 82.05 for 70 training data and 30 testing data method, Accuracy of 80.00 for 5 fold Cross Validation method, Accuracy of 80.77 for 10 fold Cross Validation method. These results will explain how accurate Naive Bayes to classify normal fundus image or DR fundus image.