Hasil Pencarian  ::  Simpan CSV :: Kembali

"White Matter Hyperintensities (WMHs) merupakan neuroradiological features yang dapat dilihat pada T2-FLAIR brain MRI sebagai bagian putih (hyperintensities) dan merupakan karakteristik dari small vessel disease (SVD). Informasi detail terkait WMHs (lokasi, volume, dan distribusi) sangat diperlukan untuk membantu penanganan pasien. Akan tetapi melakukan segmentasi otomatis pada WMHs merupakan tantangan tersendiri karena ukuran, bentuk, dan letak WMHs yang tidak menentu. Hasil evaluasi dapat berubah bila test set berasal dari dataset yang berbeda dari train set, karena setiap dataset akan memiliki karakteristik yang berbeda. Penelitian ini mengusulkan model bernama Probabilistic Multi-compound Transformer (Probabilistic MCTrans) yang menggantikan model U-Net pada Probabilistic U-Net menjadi model MCTrans. Secara penelitian sebelumnya, model MCTrans dapat menyelesaikan permasalahan long-range dependencies dan model Probabilistic U-Net dapat menangkap ambiguitas dari citra medis, serta akan melakukan evaluasi cross-dataset robustness untuk mengetahui performa model bila train set berbeda sumber dari test set. Dari hasil evaluasi menunjukan bahwa Probabilistic MCTrans memiliki performa yang lebih rendah dibandingkan dengan Probabilistic U-Net. Akan tetapi Probabilistic MCTrans memiliki performa lebih baik dibandingkan dengan MCTrans. Hal tersebut dapat terjadi karena ambiguitas yang ditangkap Probabilistic MCTrans lebih banyak dari Probabilistic U-Net dan ambiguitas banyak terjadi di border WMHs. 

---

White Matter Hyperintensities are neuroradiological features that often seen in T2-FLAIR brain MRI as hyperintensities and characteristic of small vessel disease (SVD). Detailed information of WMHs (i.e. location, volume, and distribution) are needed in clinical research to help treat patients. However, automatic segmentation on WMHs is still challenging due to uncertain volume, shape, and location of WMHs. Evaluation results may change if test set came from different dataset as train set, because every dataset have their own characteristic. In this study, we propose a model called Probabilistic Multi-compound Transformer (Probabilistic MCTrans), that replace U-Net from Probabilistic U-Net’s with MCTrans. In previous study, model MCTrans can solved long-range dependencies problem and model Probabilistic U-Net can capture ambiguity in biomedical image, also we would like to evaluate on cross-dataset robustness to determine performance model when the train set differs in source from the test set. The evaluation results show that Probabilistic MCTrans has a lower performance than Probabilistic U-Net. However, Probabilistic MCTrans has better performance than MCTrans. Furthermore, the ambiguity captured by Probabilistic MCTrans is more than Probabilistic U-Net and the ambiguity is around the border of WMHs. "

"White Matter Hyperintensities (WMH) adalah area di otak yang memiliki intensitas yang lebih tinggi dibandingkan dengan area normal lainnya pada hasil pemindaian Magnetic Resonance Imaging (MRI). WMH seringkali terkait dengan penyakit pembuluh kecil di otak, sehingga deteksi dini WMH sangat penting. Namun, terdapat dua masalah umum dalam mendeteksi WMH, yaitu ambiguitas yang tinggi dan kesulitan dalam mendeteksi WMH yang berukuran kecil. Dalam penelitian ini, kami mengusulkan metode yang disebut Probabilistic TransUNet untuk mengatasi masalah segmentasi objek WMH yang berukuran kecil dan ambiguitas yang tinggi pada citra medis. Kami melakukan eksperimen K-fold cross validation untuk mengukur kinerja model. Berdasarkan hasil eksperimen, model berbasis Transformer (TransUNet dan Probabilistic TransUNet) lebih baik dan presisi dalam melakukan segmentasi pada obyek WMH yang berukuran kecil, hal ini ditunjukkan oleh nilai Dice Similarity Coefficient (DSC) yang dihasilkan lebih tinggi dibandingkan dengan model berbasis Convolutional Nueral Networks (CNN) (U-Net dan Probabilistic U-Net). Penambahan probabilistic model dan pendekatan berbasis transformer berhasil mendapatkan performa yang lebih baik. Metode yang kami usulkan berhasil mendapatkan nilai DSC sebesar 0,744 dalam 5-fold cross validation, lebih baik dari metode sebelumnya. Dalam melakukan segmentasi objek kecil metode usulan kami mendapatkan nilai DSC sebesar 0,51.

---

White Matter Hyperintensities (WMH) are areas of the brain that have a higher intensity than other normal brain regions on Magnetic Resonance Imaging (MRI) scans. WMH is often associated with small vessel disease in the brain, making early detection of WMH important. However, there are two common issues in detecting WMH: high ambiguity and difficulty detecting small WMH. In this study, we propose a method called Probabilistic TransUNet to address the precision of small object segmentation and the high ambiguity of medical images. We conducted a k-fold cross-validation experiment to measure model performance. Based on the experiments, Transformer-based models (TransUNet and Probabilistic TransUNet) were found to provide more precise and better segmentation results, as demonstrated by the higher DSC scores obtained compared to CNN-based models (U-Net and Probabilistic U-Net) and their ability to segment small WMH objects. The proposed method obtained a DSC score of 0742 in k-fold cross-validation, better than the previous method. In conducting segmentation of small objects, our proposed method achieved a DSC score of 0,51."

"ABSTRAK Latar belakang: Cerebral small vessel disease CSVD merupakan salah satu subtipe stroke iskemik dengan prevalensi tertinggi 45 .1,2 Penyakit ini menyerang pembuluh darah dengan diameter < 50 ?m.3 Manifestasi klinis CSVD yang tersering adalah gangguan fungsi kognitif 45 . Pada pemeriksaan MRI, salah satu lesi CSVD yang paling sering ditemukan adalah white matter hyperintensities WMH .4 Lesi WMH diketahui berhubungan dengan gangguan aliran vena jugularis interna VJI .5 Penelitian tentang gambaran aliran VJI pada CSVD belum pernah dilakukan. Tujuan penelitian ini adalah untuk menilai gambaran aliran kecepatan dan debit VJI pada CSVD dengan gangguan fungsi kognitif.Metode: Studi potong lintang pada 40 pasien CSVD yang memiliki gangguan fungsi kognitif dan gambaran WMH pada pemeriksaan MRI. Instrumen pemeriksaan kognitif yang digunakan adalah MoCA-Ina, TMT-A, TMT-B dan Grooved Peg Board. WMH diklasifikasikan berdasarkan skala Fazekas. Pemeriksaan aliran VJI bilateral dilakukan menggunakan Ultrasonografi Doppler ada posisi berbaring 0 dan berdiri 90 . Parameter yang dinilai adalah area penampang, kecepatan dan debit aliran. Sebagai pendalaman, hasil pengukuran parameter aliran VJI dibandingkan dengan penelitian terdahulu pada orang sehat.6Hasil: Sebanyak 40 subjek dengan rerata usia 60,8 9,0 tahun ikut serta dalam penelitian. Ranah kognitif yang terganggu pada CSVD adalah memori, fungsi eksekutif, dan kecepatan psikomotor. Berdasarkan derajat lesi, yang terbanyak adalah Fazekas 1 yaitu 67,5 . Area penampang VJI kanan dan kiri lebih kecil pada saat berdiriABSTRACT Background Cerebral Small Vessel Disease CSVD is a subtype of ischemic stroke with the highest prevalence 45 .1.2 It affects blood vessels 50 m in diameter.3 The most common clinical manifestations of CSVD is cognitive dysfunction 45 . On MRI examination, one of the most common CSVD lesions is white matter hyperintensities WMH .4 WMH is known to be associated with internal jugular vein IJV flow abnormalities.5 Studies of IJV flow profile in CSVD have not been performed. The aim of this study is to assess the flow and velocity of the IJV in CSVD.Methods Cross sectional studies of 40 CSVD patients with cognitive dysfunction and WMH lesion on MRI examination. The cognitive instruments used are MoCA Ina, TMT A, TMT B and Grooved Peg Board. WMH is classified based on the Fazekas scale. Bilateral IJV flow examination was performed using Doppler Ultrasound at supine 0 and standing 90 . The parameters assessed are the cross sectional area, flow and velocity. For further analysis, the results of IJV flow in CSVD are compared with previous studies on healthy volunteers.6Results A total of 40 subjects with the age of 60.8 9.0 years participated in the study. Impaired cognitive domains are memory, psychomotor, and executive function. The majority of lesional degrees are Fazekas 1 67.5 . The cross sectional area of the bilateral IJV are smaller at standing p "

"Penyakit Alzheimer merupakan bentuk umum dari gangguan neurodegeneratif yang ditandai dengan rusaknya sel-sel otak, seperti kusutnya neurofibrillary dan adanya plak amiloid yang bersifat progresif. Salah satu ciri fisik seseorang menderita penyakit Alzheimer adalah adanya penyusutan luas daerah hippocampus pada otak. Hippocampus merupakan bagian terkecil dari otak yang berfungsi menyimpan memori. Deteksi penyakit Alzheimer dapat dilakukan dengan menggunakan Magnetic Resonance Image MRI yang merupakan satu teknik non inovasif untuk analisis struktur otak pada penderita Alzheimer. Pada penelitian ini, digunakan metode K-Means Clustering dan Watershed untuk mensegmentasi daerah hippocampus yang merupakan salah satu bagian otak yang diserang ketika terkena penyakit Alzheimer. Analisis yang dilakukan untuk mendeteksi Alzheimer, yaitu membandingkan nilai threshold dengan jumlah piksel putih pada citra. Data yang digunakan pada penelitian ini yaitu Open Acess Series of Image Studies OASIS database dengan menggunakan citra potongan koronal. Berdasarkan hasil percobaan, antara metode K-Means Clustering dan Watershed keduanya dapat mensegmentasi daerah hippocampus untuk mendeteksi penyakit Alzheimer.

---

Alzheimer 39s disease is a common form of neurodegenerative disorders characterized by defective brain cells, such as neurofibrillary tangles and amyloid plaque that is progressive. One of the physical characteristics of someone suffering from Alzheimer 39s disease is shrinking of the hippocampus area of the brain. The hippocampus is the smallest part of the brain that serves to save memory. The detection of Alzheimer 39s disease can be done using a Magnetic Resonance Image MRI which is a technique of non inovasif for an analysis of the structure of the brain in the Alzheimer 39s patient.

In this research, K Means Clustering and Watershed method are used to segment the hippocampus area which is one part of the brain that was attacked by Alzheimer 39s disease. The analysis used to detect Alzheimer 39 s is comparing the value of the threshold with the number of white pixels in the images. The data used in this research are Open Access Series of Image Studies OASIS database by using the image of coronal slice. Based on the our experiment result, both K Means Clustering and Watershed method can segment the samehippocampus area to detect Alzheimers disease."

"Latar belakang dan tujuan : Penurunan fungsi kognitif terjadi seiring bertambahnya usia dengan gangguan kualitas hidup yang menyertai. MRI kepala dapat melihat proses neurodegeneratif struktural dan patologi vaskular otak sebagai faktor etiologis melalui gambaran atrofi, hiperintensitas white matter, dan infark cerebri. Kekuatan korelasi temuan MRI kepala tersebut terhadap nilai fungsi kognitif perlu diteliti lebih lanjut. Metode : Uji korelasi dengan pendekatan potong lintang pada skor derajat temuan atrofi, hiperintensitas white matter, dan infark cerebri pada MRI kepala terhadap nilai fungsi kognitif pada 32 subyek dengan gangguan fungsi kognitif dan penyakit serebrovaskular non hemmorhagik. Hasil : Terdapat korelasi negatif yang signifikan

---

Background and purpose: Cognitive impairment occurs with age along with life quality impairment. Brain MRI detects neurodegenerative and brain vascular pathology associated with cognitive impairment through various findings such as , white matter hyperintensity and infarction. Correlation between those MRI abnormalities to the cognitive impairment value needs to be examined.

Method: Correlative test in cross sectional study on the degree score of cerebral atrophy, white matter hyperintensity, and infarction in brain MRI against cognitive function value in 32 subjects with cognitive function impairment and non hemmorhagic cerebrovascular disease.

Result: There is significant negative correlation p"

"ABSTRAKPeningkatan kualitas citra medis khususnya untuk bagian kepala manusia terus dikembangkan, termasuk dengan pemodelan 3D. Hal ini dilakukan untuk mengurangi kesalahan dalam proses diagnosa dan memfasilitasi pendeteksian tumor otak dengan pendekatan 3D. Dalam prosesnya, citra MRI otak dianalisa secara 3D sehingga diperoleh bagian tumor otak. Citra MRI dikonversi dari citra berformat MINC. Citra diklasifikasi untuk mendeteksi objek menggunakan K-Means Clustering yang akan memisahkan bagian tumor dan otak. Proses filter dilakukan menggunakan Non-Local Means sehingga noise hasil pengolahan dapat berkurang dari proses sebelumnya. Hasil citra pengolahan disegmentasi untuk meningkatkan dan mendukung proses rekonstruksi menggunakan Thresholding. Terakhir adalah merekonstruksi citra dalam bentuk 3D menggunakan metode Marching Cube. Evaluasi akurasi sistem meliputi pengurangan resolusi, pengujian citra normal, uji perbandingan, penggantian format citra dan penambahan noise. Hasil akurasi pendeteksian tumor otak mencapai 100% untuk format PNG dan resolusi 512x512, 97,7% untuk resolusi 256x256, 96,9% untuk citra normal tanpa tumor dan 97,96% berdasarkan perbandingan data olah dengan data referensi. Format PNG memiliki akurasi dibandingkan format JPEG dengan perbedaan sebesar 4%. Pengujian dengan menambahkan noise menghasilkan akurasi 87,6% untuk densitas 0,01, 83,6% untuk 0,05 dan 74,5% untuk 0,09.

---

ABSTRACTMedical image enhancement especially for human brain imageries is rapidly developed, including 3D modeling. This research is aimed to reduce the error of diagnosis process and facilitate brain tumor detection using 3D approach. In the process, 3D brain from MRI imageries is analyzed to detect brain tumors. MRI image is converted from MINC format. Then, the image is classified to detect objects using K-Means Clustering to divide each part of brain. Filtering is performed using Non-Local Means to remove noise from previous processes. The result of imageries are segmented to enhance and support reconstruction process using Thresholding. Finally, 3D image reconstruction is performed using Marching Cube method. The accuracy of brain tumor detection is evaluated of resolution reduction, non tumor image testing, comparison testing, modifying image format, and adding noise. The accuracy rate of brain tumor detection is 100% for PNG format and 512x512 resolution, 97,7% for 256x256 resolution, 96,9% for non tumor image and 97,96% for comparison between ideal image and reference data. PNG format has better accuracy with JPEG by 4% improvement. The accuracy of adding noise is 87,6% for 0,01 density, 83,6% for 0,05 and 74,5% for 0,09."

"Latar belakang dan tujuan: Gangguan fungsi kognitif, mulai dari gangguan ringan hingga demensia, yang prevalensinya semakin meningkat seiring dengan peningkatan angka harapan hidup, akan mempengaruhi kualitas hidup seseorang. Hingga saat ini, minimnya pemanfaatan pemeriksaan patologi untuk menegakkan diagnosis definitif menjadikan pemeriksaan fungsi luhur sebagai pemeriksaan baku emas dengan angka sensitivitas dan spesifisitas yang baik. Seiring kemajuan teknologi kedokteran, MRI kepala mulai digunakan secara luas untuk menilai proses neurodenegeratif dan patologi vaskular otak yang berkorelasi kuat dengan gangguan fungsi kognitif. Penilaian temuan kelainan dengan metode skala pengukuran visual yang menggabungkan temuan atrofi dan lesi vaskular terbukti memberikan hasil yang baik dalam penegakkan diagnosis dan prediksi prognosis gangguan fungsi kognitif. Titik potong baku dan valid untuk menegakkan diagnosis dan memprediksi adanya gangguan fungsi kognitif perlu diteliti untuk meningkatkan peran MRI kepala dalam penilaian fungsi kognitif. Metode: Uji deskriptif dengan pendekatan potong lintang untuk mengetahui nilai titik potong skor atrofi serebri, skor lesi substansia alba, dan skor infark serebri pada pasien dengan demensia dan gangguan fungsi kognitif ringan. Pemeriksaan dilakukan berdasarkan data pemeriksaan fungsi kognitif dan MRI kepala terhadap 76 subjek penelitian dalam kurun waktu Januari 2014 hingga Desember 2016. Hasil: Skala pengukuran visual dapat menggambarkan perubahan struktur otak pada pasien dengan gangguan fungsi kognitif. Dengan perhitungan receiver operation curve ROC dari skor atrofi, lesi vaskular, dan skor visual gabungan pada pasien dengan demensia dan gangguan fungsi kognitif ringan didapatkan bahwa skor visual gabungan memiliki nilai akurasi diagnostik terbaik dengan nilai AUC 78,3 95 IK 68,1 -88,6 . Kemudian didapatkan titik potong skor visual gabungan sebesar 8,5 sensitivitas 55,6 , spesifisitas 82,5 dengan tingkat spesifisitas tertinggi dalam membedakan pasien dengan demensia dan gangguan fungsi kognitif ringan. Kesimpulan: Skor visual gabungan mempunyai nilai akurasi diagnostik sedang dan dapat digunakan pada praktik klinis dalam membedakan pasien dengan demensia dan gangguan fungsi kognitif ringan.

---

Background and objective: Impaired cognitive function, ranging from mild impairment to dementia, whose prevalence increases with increasing life expectancy, will affects the quality of life. Until now, the lack of utilization of pathology examination to make a definitive diagnosis makes the neuropsychological screening instruments as a gold standard examination with good sensitivity and specificity. As medical technology advances, head MRIs are beginning to be widely used to assess neurodegenerative processes and brain vascular pathology that are strongly correlated with cognitive impairment. Assessing findings of abnormalities by a visual measurement scale method that combines the findings of atrophy and vascular lesions proved to provide good results in the diagnosis and prediction of cognitive function impairment prognosis. Standard and valid cutoff points for diagnosis and predicting cognitive dysfunction need to be investigated to improve the role of head MRI in cognitive function assessment.

Methods: A descriptive test with a cross sectional approach to determine the value of the cutoff point of cerebral atrophy, white matter lesion, and cerebral infarct score in patients with dementia and mild cognitive impairment. The examination was performed based on cognitive function and head MRI examination data on 76 subjects in the period from January 2014 to December 2016.

Result: The scale of visual measurements can describe changes in brain structure in patients with cognitive impairment. With the calculation of receiver operation curve ROC of atrophic scores, vascular lesions, and combined visual scores in patients with dementia and mild cognitive impairment, AUC 78.3 95 CI 68.1 88.6 was obtained with cut point cut point 8.5 with the highest level of specificity sensitivity 55.6 , specificity 82.5 in distinguishing patients with dementia and mild cognitive impairment.

Conclusion: The combined visual score cutoff point has a moderate diagnostic value of accuracy and can help to distinguish patients with dementia and mild cognitive impairment in clinical practice. "

"Latar Belakang: Sklerosis multipel (multiple sclerosis/MS) merupakan penyakit inflamasi-demyelinasi sistem saraf pusat yang mengakibatkan atrofi struktur otak penderita. Indeks korpus kalosum (IKK) merupakan salah satu metode pengukuran morfometrik korpus kalosum yang cepat serta dengan reliabilitas interrater yang tinggi. Tujuan: Mengetahui korelasi antara hasil pengukuran IKK dengan volume korpus kalosum, substansi grisea kortikal, substansi grisea subkortikal, dan substansi alba serebri melalui MRI volumetri otak pada penderita MS. Metode : Hasil MRI kepala dari 30 penderita MS dilakukan pengukuran IKK. Nilai IKK kemudian dilakukan analisis korelasional dengan volume korpus kalosum, substansi grisea kortikal, substansi grisea subkortikal, dan substansi alba serebri yang diperoleh menggunakan perangkat lunak FreeSurfer©. Hasil : Terdapat korelasi yang sangat kuat antara IKK dengan volume korpus kalosum (R = 0,797 ; p = 0,001) dan volume substansi alba serebri (R = 0,813 ; p = 0,001). IKK juga berkorelasi kuat dengan volume substansi grisea kortikal (R = 0,642 ; p = 0,001) dan volume substansi grisea subkortikal (R = 0,696 ; p = 0,001). Kesimpulan : Metode pengukuran IKK dapat menjadi parameter morfometrik cepat dan sederhana yang menggambarkan volume korpus kalosum, substansi grisea kortikal, substansi grisea subkortikal, dan substansi alba serebri pada penderita MS.

---

Background: Multiple sclerosis (MS) is an inflammatory-demyelinating disease of the central nervous system which results in atrophy of brain structure. Corpus callosum index (CCI) is a method of morphometric measurement of the corpus callosum using midsagittal slice from MRI which does not require additional sequences with fast processing time and high interrater reliability.

Objectives : To determine the correlation between the CCI measurements with corpus callosum, cortical gray matter, subcortical gray matter, and cerebral white matter volume through brain MRI volumetry in MS patients.

Methods : CCI measurements were obtained from head MRI from 30 MS patients according to the method conceived by Figueroa et al. Correlational analysis was carried out between CCI with corpus callosum, cortical gray matter, subcortical gray matter, and cerebral white matter volume obtained using FreeSurfer©.

Results : Very strong correlation was shown between CCI and corpus callosum volume (R = 0.797; p = 0.001) and cerebral white matter volume (R = 0.813; p = 0.001). CCI also shown strong correlation with cortical gray matter volume (R = 0.642; p = 0.001) and subcortical gray matter volume (R = 0.696; p = 0.001).

Conclusion : CCI can be a fast and simple morphometric parameter that describes the corpus callosum, cortical gray matter, subcortical gray matter, and cerebral white matter volume in MS patients."

"Alzheimer dikategorikan sebagai salah satu dimensia berat dengan bentuk otak yang mengalami penyusutan dan volume otak berkurang secara keseluruhan. Selain itu, Alzheimer juga mengakibatkan terjadinya atrophy pada bagian hippocampus. Korelasi antara penyusutan bentuk otak dan berkurangnya volume juga mempengaruhi perubahan bentuk tekstur. Pada penelitian yang diusulkan, perluasan dari Local Binary Pattern (LBP) sebagai ekstraksi fitur diperkenalkan. Complete Local Binary Pattern of Sign and Magnitude (CLBPSM) dan Complete Local Binary Pattern of Sign and Magnitude from Three Orthogonal Planes (CLBPSM-TOP) diperkenalkan sebagai deskriptor ekstraksi fitur 2D dan 3D. Dikarenakan fitur yang begitu banyak dihasilkan, maka Principal Component Analysis (PCA), kernel PCA dan Factor Analysis (FA) digunakan sebagai salah satu metode seleksi fitur. Selanjutnya, lima buah classifier digunakan untuk klasifikasi binary class dan multiclass dari Alzheimer, mild cognitive impairment dan normal pada bagian keseluruhan otak dan hippocampus. Hasil eksperimen dengan tiga buah skenario menunjukkan bahwa metode CLBPSM dan CLBPSMTOP mampu memberikan hasil akurasi dan performance yang lain dengan nilai rata-rata antara 70% - 100% untuk bagian keseluruhan otak dan hippocampus. Pendekatan CLBPSM-TOP sebagai deskriptor 3D juga menggungguli metode LBP-TOP pada studi literatur dengan rata-rata kenaikan akurasi sebesar 30% untuk semua klasifikasi.

---

Alzheimer`s disease is categorized as one of heavy dementia with the brain forms will shrink, and reduced overall volume of brain. The correlation between brain form shrinkage and reduction of brain volume also affect deformation texture. In the proposed research, the expansion of local binary pattern (LBP) as feature extraction method is introduced. Complete local binary pattern of sign and magnitude (CLBPSM) and complete local binary pattern of sign and magnitude from three orthogonal planes (CLBPSM-TOP) are introduced as a 2D and 3D feature extraction descriptor. Due to so many features are generated, then the principal component analysis (PCA), kernel PCA and Factor Analysis (FA) are used as a method of feature selection. Furthermore, five classifiers are used for binary class and multiclass classification of Alzheimer's, mild cognitive impairment and normal in the whole brain and hippocampus. The experimental results with three scenarios show that CLBPSM and CLBPSM-TOP methods are able to provide accuracy and the other performance results with an average value between of 70% - 100% for the whole brain and hippocampus. CLBPSM-TOP approach as a 3D descriptor also outperformed LBP-TOP method from the previous study with an average accuracy increase 30% for all classifications."