Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan. Penelitian dilakukan untuk mengetahui gambaran CT scan toraks kanker paru pasien yang merokok berdasarkan jenis sitologi / histologinya.Metode. Penelitian deskriptif analitik dengan desain potong lintang atau cross sectional, menggunakan data sekunder hasil pemeriksaan CT scan toraks. Sampel adalah pasien kanker paru yang merokok dan telah tegak diagnosis kanker paru secara sitologi/histopatologi serta memiliki hasil pemeriksaan CT scan toraks sebelum mendapatkan terapi.Hasil dan diskusi. Kanker paru paling banyak ditemukan berbentuk massa, baik pada adenokarsinoma maupun KSS, sedemikian besar mengisi rongga toraks dengan lokasi terbanyak di daerah sentral paru paru sebelah kanan. Keterlibatan kelenjar getah bening N2, N3 dan efusi pleura paling banyak ditemukan namun tidak dapat dijelaskan keterkaitannya dengan jenis sitologi/histologi sel kanker.Kesimpulan. Jumlah sampel tidak berimbang diantara adenokarsinoma dan KSS sehingga sulit mengetahui gambaran CT scan toraks kanker paru berdasarkan jenis sitologi/histologinya. Kanker paru yang paling banyak ditemukan pada pasien perokok berdasarkan index Brinkman dan sitologi / histologisnya adalah adenokarsinoma dengan gambaran radiologi berupa massa, lokasi di sentral paru paru sebelah kanan, keterlibatan kelenjar getah bening N2, N3 dan efusi pleura.

---

Aim. The study was conducted to describe CT scan of thorax lung cancer?s patients who smoke based on cytology / histology type.Methode. Descriptive analytic research with cross sectional design, using secondary data from thorax CT scan. Sample are lung cancer patients who smoke, diagnosed as lung cancer based on cytology / histopathology and has a thoracic CT scan results before getting treatment.Results and discussion. Lung cancer type most commonly found is mass, both in adenocarcinoma and SCC, filled the thoracic cavity with most commonly location in central area of the right lung. Involvement of lymph nodes N2, N3 and pleural effusion are most finding yet unexplained association with cytology / histology type. .Conclusion. The number of samples are not balanced between adenocarcinoma and KSS so difficult to get an overview of thoracic CT scan for lung cancer based on cytology / histology type. Lung cancer most commonly found is adenocarcinoma which forming mass, central location in the right lung, involved N2, N3 lymph nodes and pleural effusion."

"Latar Belakang : Merokok masih merupakan masalah kesehatan utama di Indonesia. Merokok menjadi faktor risiko bagi penyakit kanker paru dan PPOK. Hubungan antara kanker paru dan PPOK masih terus dikaji. Komorbiditas PPOK pada kanker paru dapat mempengaruhi proses diagnostik, tatalaksana serta managemen akhir kehidupan pasien kanker paru.Metode : Penelitian ini adalah studi potong lintang analitik yang dilakukan di poliklinik onkologi paru RSUP Persahabatan selama periode Agustus 2018 sampai dengan April 2019 terhadap pasien kanker paru kasus baru yang telah memenuhi kriteria inklusi dan eksklusi.Hasil : terdapat 52 subjek yang diteliti dan didapatkan 76,9% adalah laki-laki dan perokok (71,2%), jenis kanker paru yang paling banyak ditemukan ialah kanker paru karsinoma bukan sel kecil (98,1%), sebagian besar stage 4 (88%) dan tampilan klinis 1 (50%). Prevalens PPOK berdasarkan pemeriksaan spirometri menurut kriteria PNEUMOMOBILE ialah 46,2% dan prevalens emfisema berdasarkan pemeriksaan CT-scan toraks ialah 30,8%.. Subjek kanker paru yang menderita PPOK 91,7% termasuk kedalam obstruksi derajat sedang (GOLD 2) serta memiliki kelainan faal paru campuran obstruksi dan restriksi ( 70,8%). Subjek yang menderita emfisema terbanyak menderita emfisema jenis sentrilobular (43,7%). Terdapat hubungan antara letak lesi sentral terhadap beratnya obstruksi yang diukur melalalui nilai VEP1 pada subjek PPOK dan emfisema.Kesimpulan : PPOK pada kanker paru terutama ditemukan pada laki-laki, perokok serta jenis kanker yang paling banyak diderita ialah adenokarsinoma. Emfisema yang paling banyak diderita ialah jenis sentrilobular yang secara umum banyak didapatkan pada perokok.

---

Background: Smoking is one of risk factors in both of lung cancer and chronic obstructive pulmonary disease (COPD). Comorbidity of COPD among lung cancer patients generally influenced outcome of their quality of life, diagnostic procedures, treatments, and end of life managements.

Methods:This analytical cross-sectional study involved newly diagnosed lung cancer cases admitted to the oncology clinics of Persahabatan Hospital Jakarta, Indonesia between August 2018 and April 2019. Patients who met the study criteria were consecutively included. Spirometric evaluation of airway obstruction and COPD was based on PNEUMOBILE and GOLD criteria. Radiological evaluation of emphysema was based on thorax CT-scan.

Results:Subjects were 52 lung cancer patients and most of them were males (76.9%) and smokers (71.2%). Most of them were diagnosed as non-small cell lung cancer (NSCLC) (98.1%), were in end-stage of the disease (88.0%) and were in performance status of 1 (50.0%). The prevalence of COPD and emphysema was 46.2% and 30.8%, respectively. Most of the COPD subjects (91.7%) experienced moderate airway obstruction (GOLD 2), along with mixed obstruction-restriction spirometric results (70.8%). Centrilobular emphysema was common (43.7%) radiological finding in this study. Degree of obstruction by spirometry (VEP1)and detection of central tumor lesion by thorax CT-scan in COPD and emphysema subjects was found to be correlated.

Conclusion:COPD in lung cancer was found in males, smokers, and NSCLC patients. Centrilobular emphysema was commonly found in this study, particularly in smoker sub-group."

"

Kanker merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Kanker adalah penyakit ketika sel-sel abnormal tumbuh tidak terkendali yang dapat menyerang organ tubuh yang berdampingan atau menyebar ke organ lain. Untuk mendiagnosis kanker paru-paru dapat dilakukan dengan pengambilan gambar rontgen, CT scan, dan biopsi jaringan paru. Tujuan dari penelitian ini adalah untuk memprediksi apakah pasien menderita kanker paru-paru atau tidak, dengan menggunakan data gambar CT scan mereka. Oleh sebab itu, dalam penelitian ini digunakan ekstraksi fitur dari gambar CT scan sebagai data untuk mengklasifikasi kanker paru-paru. Data yang digunakan merupakan data gambar CT scan yang didapat dari SPIE-AAPM Lung CT Challenge 2015. Gambar CT scan paru-paru dengan ukuran 512x512 sebelumnya dilakukan pre-processing 2D crop dan filtering. Dengan mengekstraksi fitur dari data gambar seperti ukuran nodul, Gray Level Co-occurrence Matriks (GLCM), dan Local Binary Pattern (LBP) dapat mengubah data gambar menjadi numerik. K-Fold Cross Validation digunakan untuk memisahkan data menjadi data training dan data testing. Fuzzy C-Means (FCM) dan Fuzzy Kernel C-Means (FKCM) diterapkan untuk pengklasifikasian. Didapatkan performa FKCM lebih baik dibandingkan FCM, dengan rata-rata akurasi 75.60%, precision 83.05%, dan specificity 87.80%. Oleh karena itu, penambahan kernel pada metode Fuzzy C-Means dapat meningkatkan performa dari metode tersebut

---

Cancer is one of the diseases with the highest mortality rate in the world. Cancer is a disease when abnormal cells grow out of control that can attack the body's organs side by side or spread to other organs. To diagnose lung cancer can be done by taking x-ray images, CT scans, and lung tissue biopsy. The purpose of this study is to classify whether patients have lung cancer or not using their CT scan image data. Therefore, in this study feature extraction from CT images was used as data to classify lung cancer. The data used in the form of CT scan image obtained from SPIE-AAPM Lung CT Challenge 2015. Previously, a CT scan of the lung with a size of 512x512 was pre-processed 2D crop and filtering. By extracting features from image data such as nodule size, Gray Level Co-occurrence Matrix (GLCM), and Local Binary Pattern (LBP) can convert image data to numeric. K-Fold Cross Validation is used to separate data into training data and testing data. Fuzzy C-Means (FCM) and Fuzzy C-Means (FKCM) are applied for classification. FKCM performed better than FCM, with 75.60% average accuracy, 83.05% average precision, and 87.80% average specificity. Therefore, adding a kernel to the Fuzzy C-Means method can improve the performance of the method.

"

"Latar belakang: Infeksi COVID-19 menyebabkan terjadinya pandemik diseluruh dunia. Pemeriksaan rRT-PCR merupakan pemeriksaan yang di rekomendasikan dari WHO untuk penegakkan diagnosis dari COVID-19. Faktor-faktor yang mempengaruhi akurasi dari pemeriksaan rRT-PCR untuk diagnosis COVID-19, membuat pemeriksaan penunjang berupa radiografi toraks dan CT-scan toraks juga sangat dibutuhkan guna membantu diagnosis COVID-19. CT-scan toraks lebih sensitif untuk membantu mengarahkan diagnosis COVID-19 namun kurang praktis dalam hal desinfeksi dan dekontaminasi serta transportasi pasien ke ruang CT-scan, dan limitasi ketersediaannya pada fasilitas kesehatan. Di sisi lain, radiografi toraks dengan sensitifitas yang lebih rendah dibandingkan CT-scan, namun memiliki beberapa keunggulan terkait ketersediaan alat serta tidak tidak terkendala masalah transportasi dan dekontaminasi. Metode: Penelitian ini menggunakan data sekunder pemeriksaan radiografi dan CT-scan toraks pasien-pasien dengan hasil rRT-PCR positif yang tersedia di PACS Departemen Radiologi RSCM mulai bulan Maret 2020 hingga Juli 2021, dengan total 41 sampel. Kemudian dilakukan analisis dengan konkordansi dan Kohen Kappa. Hasil: Pada analisis Kappa Cohen, terdapat kesesuaian sedang (0,55) antara penebalan pleura, kesesuaian lemah antara gambaran opasitas ground glass (GGO) (0,32), konsolidasi (0,38), efusi pleura (0,36) , distribusi lesi perifer (0,39), fokus lesi yang multifokal (0,32), zona paru yang terkena (atas 0,32, tengah 0,24, bawah 0,36), dan keterlibatan paru bilateral (0,27) serta tidak terdapat kesesuaian antara gambaran opasitas retikuler (0,06) dan lesi sentral (-0,10) pada radiografi dan CT-scan toraks. Pada analisis Konkordansi terdapat kesesuaian kuat antara gambaran GGO(80,5%), penebalan pleura (90,2%), efusi pleura (92,6%), lokasi lesi di perifer(82,9%), kesesuaian sedang antara konsolidasi (68,2%), lesi multifokal (73,1%), Zona bawah(78%), zona tengah (65,8%) dan keterlibatan paru bilateral (70,7%) dan lemah antara lesi di zona bawah (63,4%) serta tidak ada konkordansi antara opasitas retikuler (48,7%) dan lesi di sentral (51,2%) pada radiografi dan CT-scan toraks.

---

Background: COVID-19 infection causes a worldwide pandemic. The rRT-PCR examination is recommended by WHO for the diagnosis of COVID-19. Factors that affect the accuracy of the rRT-PCR examination for the diagnosis of COVID-19, making supporting examinations of chest radiography and chest CT-scan also needed to help diagnose the COVID-19 infection. Chest CT scan is more sensitive to help direct the diagnosis of COVID-19 but is less practical in terms of disinfection and decontamination and transportation of patients to CT-scan rooms, and limited availability in health facilities. On the other hand, chest radiography has a lower sensitivity than CT scan, but has several advantages related to the availability of tools and transportation and decontamination problems. Methods: This study uses secondary data from chest radiographic and chest CT-scans examinations of patients with positive rRT-PCR results available at the PACS of the RSCM Radiology Department from March 2020 to July 2021, with a total of 41 samples. The analysis was carried out by using Kappa Cohen and concordance. Results: In Kappa Cohen's analysis, there was moderate agreement (0.55) between pleural thickening, weak agreement between ground glass opacity (GGO) images (0.32), consolidation (0.38), pleural effusion (0.36), lesion distribution peripheral (0.39), multifocal lesion foci (0.32), affected lung zones (upper 0.32, middle 0.24, below 0.36), and bilateral lung involvement (0.27) and no agreement between reticular opacity (0.06) and central lesion (-0.10) on chest radiograph and CT scan. In the Concordance analysis there was a strong concordance between the appearance of GGO (80.5%), pleural thickening (90.2%), pleural effusion (92.6%), the location of the lesion in the periphery (82.9%), moderate concordance between consolidation ( 68.2%), multifocal lesions (73.1%), lower zone (78%), middle zone (65.8%) and bilateral lung involvement (70.7%) and weak between lesions in the lower zone (63, 4%) and there was no concordance between reticular opacities (48.7%) and central lesions (51.2%) on chest radiographs and CT scans. Conclusion: From all the lesion assessments on chest radiographs and chest CT-scans, reticular opacity lession and the central location of the lesion had no agreement between chest radiographic findings and chest CT scan. The other lesions had moderate to weak agreement on chest radiographs and chest CT scans"

"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."

"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."

"Sinus maksilaris merupakan struktur kraniofasial yang dapat digunakan untuk perkiraan jenis kelamin berdasarkan pengukuran morfometriknya dari gambaran CT-scan. Pada penelitian-penelitian sebelumnya didapakan ukuran morfometrik berbeda-beda pada setiap populasi, karena dipengaruhi oleh faktor ras. Tujuan penelitian ini adalah mencari nilai diagnostik dari ukuran morfometrik panjang, lebar, tinggi dan volume sinus maksilaris terhadap perkiraan jenis kelamin berdasarkan gambaran CT-Scan Maksilofasial pada suatu populasi dewasa di Indonesia. Penelitian ini menggunakan desain potong lintang terhadap 420 sinus maksilaris yang didapatkan dari hasil randomisasi data CT-Scan Maksilofasial pada populasi usia 20-50 tahun di RSUPN Dr. Cipto Mangunkusumo, Jakarta. Analisis bivariat menggunakan uji t tidak berpasangan dan analisis multivariat menggunakan uji regresi logistik. Hasil penelitian ini didapatkan nilai rerata masing-masing laki-laki dan perempuan sebesar 3,90 ± 0,3 cm dan 3.74 ± 0,3 cm pada panjang; 3.42 ± 0,6 cm dan 3.32 ± 0.5 cm pada lebar; 4.29 ± 0,6 cm dan 3.78 ± 0,4 pada tinggi; dan 7.02 ± 1.8 cc dan 6.52 ± 1.3 cc pada volume. Berdasarkan ukuran panjang, lebar, dan tinggi, didapatkan rumus y = -10,760 + 1,319*(P) – 1,647*(L) + 2,796*(T); dengan nilai cut-off sebesar 0,0606 poin, yang memberikan nilai akurasi 79,2%. Berdasarkan ukuran volume didapatkan rumus y = -1,444 + 0,213*(Volume); dengan nilai cut-off sebesar 0,2845 poin, yang memberikan nilai akurasi 58,3%. Dari penelitian ini didapatkan pengukuran morfometrik panjang, lebar, tinggi, dan volume sinus maksilaris dari gambaran CT-Scan maksilofasial dapat digunakan untuk perkiraan jenis kelamin.

---

Maxillary sinus is one of maxillofacial structure which can be used in sex estimation based on its morphometric measurement from CT image. Based on the previous studies, the morphometric of maxillary sinus were different in each population, because it was influenced by race. The aim of this study is to find diagnostic value from the morphometric of length, width, height and volume of maxillary sinus from maxillofacial CT image in Indonesian adult population to estimate sex. This study uses a cross-sectional design of 420 maxillary sinus obtained from randomized CT images data in population aged 20-50 years at Cipto Mangunkusumo Hospital, Jakarta. Bivariate analysis using independent T-test and multivariate analysis using logistic regression test. In this study, mean score for men and women is (3.90 ± 0.3) cm and (3.74 ± 0.3) cm on length; (3.42 ± 0.6) cm and (3.32 ± 0.5) cm on width; (4.29 ± 0.6) cm and (3.78 ± 0.4) on height; and (7.02 ± 1.8) cc and (6.52 ± 1.3) cc on volume, respectively. Based on length, width and height, estimation formula is y = -10.760 + 1.319*(L) – 1.647*(W) + 2.796*(H); with cut-off 0,0606 point, given accuracy score of 79,2%. Based on volume, estimation formula is y = -1.444 + 0.213*(volume); with cut-off point 0,2845 point, given accuracy score of 58,3%. The study showed that the morphometric measurement of maxillary sinus from CT image can be used to estimate sex."

"Tuberkulosis (TBC) tetap menjadi salah satu penyebab utama kematian dari berbagai macam infeksi kuman yang ada di dunia meskipun banyak kemajuan pada diagnosis dan pengobatannya. Patogenesis tuberkulosis pada pasien - pasien dengan infeksi HIV (Human Immunodefficiency Virus) berbeda dengan pasien tuberkulosis biasa. Gambaran radiologi pasien yang menderita tuberkulosis dan HIV dapat memberikan gambaran seperti tuberkulosis primer dan tuberkulosis post primer. Pada pasien dengan penyakit HIV lanjut, penyakit tuberkulosis post primer secara radiografi dapat terlihat seperti tuberkulosis primer. Tujuan penelitian ini adalah untuk mengetahui karakteristik gambaran radiografi toraks dan lokasi lesi pasien HIV dengan tuberkulosis paru berdasarkan nilai CD4 di Rumah Sakit Cipto Mangunkusumo, ini dilakukan dengan pemeriksaan radiografi toraks pada pasien HIV dengan tuberkulosis positif baik secara pemeriksaan BTA sputum atau PCR (Polymerase Chain Reaction) atau kultur atau genexpert pada 80 orang pasien HIV yang telah terbukti menderita tuberkulosis berdasarkan pemeriksaan diatas yang dihubungkan dengan nilai CD4 nya. Pasien yang masuk dalam penelitian yang didiagnosis HIV yang berusia diatas 18 tahun, dan tidak sedang dalam terapi obat anti tuberkulosis, telah diperiksa nilai CD4 nya berdasarkan metode ELISA (Enzyme-Link Immunesorbent Assay), telah di periksa radiografi toraksnya dan terdaftar di PACS Departemen Radiologi RS Cipto Mangunkusumo. Kemudian dilakukan penilaian karakteristik gambaran radiografi toraks dan lokasi lesi pada pasien tersebut dan dilihat hubungannya dengan nilai CD4. Statistik deskriptif disajikan berupa karakteristik gambaran radiografi toraks pasien HIV dengan tuberkulosis serta lokasi lesi berdasarkan nilai CD4. Didapatkan gambaran radiografi toraks terbanyak pada pasien HIV dengan tuberkulosis adalah infiltrat pada 23 orang (62.2%) dari 37 subyek HIV dengan tuberkulosis dengan nilai CD4+ ≤ 50 sel/μL, infiltrat pada 7 orang (38.9%) dari 18 subyek HIV dengan tuberkulosis dengan nilai CD4+ 51 - 100 sel/μL, infiltrat pada 5 orang (50.0%) dari 10 subyek HIV - tuberkulosis dengan nilai CD4+ 101 - 200 sel/ μL dan pasien HIV dengan tuberkulosis dengan nilai CD4+ > 200 sel/μL juga terbanyak terdapat infiltrat pada 12 orang (80.0%) dari 15 subyek. Tidak terdapat gambaran radiografi toraks yang khas untuk nilai CD4+ tertentu.

---

Optic nerve as the second cranial nerve which inervates the eye balls, consists of nerve sheath and optic nerve fibers within. Optic nerve diameter varies, and is influienced by various factors namely age, ethnicity, gender or other conditions such as inflammation, tumor, trauma or mass pressing the optic nerve. Nerve sheath and optic nerve ratio can be measured and is influenced by increase of intracranial pressure.

The aim o+f this research is to see characteristic of chest radiographic findings in HIV - tuberculosis patients and location of the lesion based on CD4+ at Cipto Mangunkusumo hospital. Radiograph findings from chest radiographics done to the patients in whom BTA smear positive or culture positive or PCR ( Polymerase Chain Reaction) positive or Genexpert positive to patients which is proven tuberculosis from one of the examination . determine the mean optic nerve diameter and sheath-optic nerve ratio by MRI on subjects older than 18 years, of 64 optic nerves and 32 patients (16 male and 16 female) to determine the difference of male and female. Patient is interviewed to ensure no history of orbital trauma nor orbital disease which decrease the visual field, and improvement of visus on pinhole test. Only patient with no orbital nor intracranial mass on MRI examination is included in this research. Further additional MR sequence is acquired on coronal optic nerve plane on T2 fat suppression sequence, parasagital plane on T1 fat suppression to measure intraorbital and intracanalicular optic nerve diameter, and T2 axial to measure intracranial segment.

Descriptive statistic is provided as mean with standard deviation of optic nerve diameter as well as sheath to optic nerve ratio. Intraorbital segmen of optic nerve sheath diameter of normal adult on proximal side is 4,54 mm (SD 0,28 mm), middle part 3,49 mm (SD 0,19 mm), distal part 3,26 mm (SD 0,17 mm), intracanalicular segment optic nerve 3,03 mm (SD 0,17 mm), intracranial segment of optic nerve 4,22 mm (SD 0,32 mm), proximal optic nerve diameter 2,54 mm (SD 0,28 mm). Mean of normal nerve to sheath ratio is 1,81:1 (SD 0,11). Analytic statistic which utilize unpaired t test demonstrate no difference of male and female optic nerve and nerve sheath diameter."

"COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%.

---

COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%."