Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker servik yang juga sering disebut sebagai kanker leher rahim telah menjadi penyebab sebagian besar kematian wanita di dunia. Salah satu cara untuk mencegah kanker servik ke stadium lebih lanjut adalah dengan melakukan Pap Smear Test. Pap Smear Test merupakan suatu metode pemeriksaan sel-sel yang diambil dari leher rahim dan kemudian diperiksa di bawah mikroskop untuk melihat perubahan-perubahan yang terjadi dari sel tersebut. Citra atau gambar yang dihasilkan dari Pap Smear. Test ini kemudian akan diperiksa oleh ahli patologi untuk diputuskan tentang normal tidaknya sel. Penelitian ini mencoba beberapa metode untuk melakukan segmentasi secara otomatis atau semi otomatis pada citra sel tunggal Pap Smear menjadi tiga obyek: latar belakang, nukleus, dan sitoplasma. Tiga metode segmentasi yang digunakan dalam penelitian ini adalah fuzzy c-means clustering, thresholding, dan transformasi watershed.Data pengujian terdiri atas sejumlah citra sel tunggal Pap Smear beserta masing-masing citra tersegmentasi acuannya. Pengukuran keberhasilan dari metode-metode segmentasi dilakukan dengan membandingkan hasil segmentasi citra sel tunggal Pap Smear berdasarkan metode segmentasi yang digunakan dan citra tersegmentasi acuannya. Citra tersegmentasi acuan yang digunakan merupakan citra hasil segmentasi menggunakan commercial software bernama CHAMP, yang juga telah disupervisi oleh dokter. Sifat otomatis atau semi otomatis atas segmentasi yang dilakukan menggunakan CHAMP tersebut tidak dijelaskan dalam sumber pengambilan data pengujian. Sampai penulisan laporan ini, penulis juga belum berhasil mendapatkan informasi mengenai metode segmentasi yang digunakan oleh CHAMP, yang juga tidak disebutkan dalam sumber pengambilan data.Sebagai indikator keberhasilan secara numerik, digunakan nilai false negative, false positive, dan overall error atas pengidentifikasian daerah nukleus dan sitoplasma, serta probability of error atas pengidentifikasian obyek pada keseluruhan pixel citra sel. Hasil uji coba menunjukkan bahwa metode fuzzy c-means clustering memberikan hasil dengan tingkat kesalahan identifikasi obyek terkecil di antara metode lainnya. Metode watershed dengan marker controlled yang diterapkan dalam penelitian ini masih belum bisa memberikan hasil segmentasi yang lebih bagus dari metode thresholding. Namun demikian, beberapa hasil pengujian menunjukkan bahwa metode watershed masih menjanjikan untuk memperbaiki kelemahan segmentasi thresholding dalam menentukan nilai threshold yang tepat, terutama dalam menghasilkan segmentasi daerah nukleus."

"Retinopati Diabetik adalah salah satu penyakit pada retina disebabkan oleh komplikasi diabetes yang dapat berujung pada kebutaan. Retinopati Diabetik tidak bisa dideteksi langsung secara kasat mata karena tanda-tandanya berada di bagian syaraf retina. Dari beberapa penelitian yang telah dilakukan pendeteksian Retinopati Diabetik dimungkinkan dapat dilakukan dengan melakukan klasifikasi menggunakan data citra retina atau yang biasa disebut sebagai citra fundus. Dalam penelitian ini diterapkan metode segmentasi citra yaitu Watershed dan Efficient Graph-Based beserta metode klasifikasi yaitu K-Nearest Neighbor dan Support Vector Machine dalam pendeteksian Retinopati Diabetik. Dari hasil implementasi, metode untuk segmentasi Efficient Graph-Based menggunakan data citra fundus dari DIARETDB0 diperoleh nilai akurasi, recall, dan precision lebih tinggi dibandingkan dengan metode segmentasi Watershed.

---

Diabetic Retinopathy is one of disease on retina because of Diabetic complication that can cause blindness. Diabetic Retinopathy cant detected directly from the eyes because sign of Diabetic Retinopathy itself is in the eyes nerve. From several research that has been done prove that Diabetic Retinopathy can be detected by using retinas image or usually called fundus image.

In this research use segmentation method that is Watershed and Efficient Graph-Based with classification method that is K-Nearest Neighbor and Support Vector Machine for detection of Diabetic Retinopathy. From the implementation result, the Efficient Graph-Based segmentation method using fundus image data from the DIARETDB0 obtained that the accuracy, recall, and precision score is higher than Watershed segmentation method."

"Penyakit kardiovaskular merupakan penyakit dengan angka kematian tertinggi di dunia. Fungsi jantung perlu diperiksa secara akurat dan efisien agar penyakit kardiovaskular dapat terdeteksi dengan baik. Penilaian fungsi jantung umumnya dilakukan dengan memberi tanda ventrikel kiri secara manual. Hal tersebut memiliki kekurangan karena dapat memakan waktu, rawan kesalahan karena resolusi citra yang rendah, dan memiliki perbedaan hasil yang bervariasi antar pemeriksa. Oleh karena itu, penandaan ventrikel kiri secara otomatis dengan segmentasi sangat penting agar pemeriksaan fungsi jantung dapat dilakukan lebih efektif dan efisien. Dalam penelitian ini, dilakukan pengembangan model deep learning untuk pekerjaan segmentasi ventrikel kiri pada citra ekokardiografi menggunakan encoder yang dimiliki U-Net, ditambahkan dengan modul Atrous Spatial Pyramid Pooling dan decoder yang dimiliki DeeplabV3+. Selanjutnya, ditambahkan Coordinate Attention pada tahap akhir dalam encoder untuk penyempurnaan fitur. Dilakukan uji pada dataset Echonet-Dynamic, Hasil penelitian menunjukkan bahwa melakukan penggabungan antara encoder yang dimiliki U-Net dan decoder yang dimiliki DeeplabV3+ mampu memberikan peningkatan performa dibandingkan model U-Net dan DeeplabV3+, juga memberikan hasil yang lebih baik dibandingkan penelitian sebelumnya, dengan menghasilkan nilai dice similiarity coefficient sebesar 92.91%.

---

Cardiovascular disease is a disease with the highest mortality rate in the world. Heart function needs to be checked accurately and efficiently so that cardiovascular disease can be detected properly. Assessment of cardiac function is generally done by marking the left ventricle manually. This has the drawbacks of being time-consuming, error-prone due to low image resolution, and have inter-observer variability. So that automatic marking of the left ventricle with segmentation is very important so that the examination of cardiac function can be carried out more effectively and efficiently. In this study, a deep learning model was developed for left ventricle segmentation on echocardiographic images using an encoder in U-Net, added with the Atrous Spatial Pyramid Pooling module and an decoder in DeeplabV3+. Furthermore, the Coordinate Attention Module was added at the final stage in the encoder for feature enhancements. Tests were carried out using the Echonet-Dynamic dataset. The results showed that combining the encoder in U-Net and the decoder in DeeplabV3+ was able to provide increased performance compared to the U-Net and DeeplabV3+ models, also gives better results than previous research, by producing a dice similarity coefficient of 92.91%."

"Penelitian ini menerapkan dan menganalisa teknik pengolahan citra untuk deteksi kanker paru-paru. Teknik pengolahan citra banyak digunakan di beberapa masalah medis untuk perbaikan citra dalam deteksi fase dan pengobatan dini. Penelitian ini mengusulkan metode deteksi kanker paru-paru berbasis segmentasi citra. Segmentasi citra adalah salah satu pengolahan tingkat menengah dalam pengolahan citra. Pendekatan wilayah dan watershed digunakan untuk proses segmentasi citra CT scan. Fase deteksi yaitu peningkatan kualitas citra menggunakan filter Gabor, segmentasi citra, dan ekstraksi fitur dengan binerisasi. Dari hasil percobaan, ditemukan efektivitas dari pendekatan tersebut. Fitur utama untuk mendeteksi kanker adalah dengan menggunakan perbandingan yang dilakukan dengan persentase piksel dan penanda citra.

---

In this undergraduate thesis, we implement and analyze the image processing method for detection of lung cancer. Image processing techniques are widely used in several medical problems for repairs picture in the phase detection and early treatment. This research proposed a detection method of lung cancer using image segmentation. Image segmentation is one of intermediate level processing in image processing. Marker control and watershed approach are used to segment of CT scan image. Detection phases are followed by image enhancement using Gabor filter, image segmentation, and features extraction with binarization. From the experimental results, we found the effectiveness of our approach. The main detected features for accurate images comparison are mask labeling with high accuracy and robust."

"Pengolahan citra merupakan salah satu bidang ilmu komputer yang terus mengalami perkembangan. Tujuan utama dan sebagian besar pengolahan citra adalah untuk mengambil /memisahkan feature-feature dari data citra, dimana deskripsi, interpretasi atau pemahaman terhadap citra disediakan oleh mesin computer vision.Dengan berkembang pesatnya Internet dan world wide web saat ini, jumlah data citra yang dapat diakses oleh pengguna menjadi sangat banyak. Akibatnya, database citra menjadi sangat besar dan luas, dan diperlukan suatu sistem yang mampu membagi citra secara efektif dan efisien. Segmentasi citra merupakan proses pembagian citra menjadi beberapa bagian atau objek. Dari hasil segmentasi region of interest (ROI) dan objek-objek pada citra lebih mudah dikenali.Pada skripsi ini ditampilkan suatu algoritma segmentasi citra dengan menggabungkan tiga metoda yaitu nilai ambang (thresholding), deteksi sisi (edge detection) dan wilayah tumbuh (region growing) dan representasi warna Hue­ Saturatian-Value (HSV) untuk membagi citra dengan karakteristik yang berbeda dan menghasilkan citra keluaran berupa objek-objek tunggal pada citra. Beberapa variasi maksmum block size dan small object threshold dilakukan untuk mendapatkan hasil segmentasi yang jelas bagi pengamalan manusia dan waktu proses yang kecil.Hasil simulasi menunjukkan bahwa ukuran blok maksimum 3, 4, 5, dan 6 serta nilai ambang objek kecil 2 dan 6 menghasilkan citra hasil segmentasi yang lebih baik dan jelas dalam pengamatan manusia, objek yang terdapat pada citra tersegmentasi dengan lebih baik, serta waktu proses yang dibutuhkan juga lebih kecil. Selain itu noise sangat mempengaruhi hasil dan waktu proses segmentasi."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin.Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible.

Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images.

A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."