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%."

"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."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Latar belakang: Kanker payudara (KPD) mempunyai angka kejadian tertinggi pada wanita di dunia yang apabila tidak terdeteksi secara dini akan mengalami perkembangan menjadi stadium lanjut yang berujung pada metastasis ke organ-organ penting tubuh lainnya terutama di tulang. Keterlambatan pendeteksian akan meningkatkan kerusakan tulang secara permanen. Saat ini berbagai macam studi dilakukan untuk mencari parameter metastasis tulang secara dini dan salah satunya adalah keberadaan mikroklasifikasi pada mamografi sebagai salah satu parameters kejadian metastasis tulang.Tujuan: Penelitian ini bertujuan mencari hubungan gambaran mikrokalsifikasi pada mamografi KPD sebagai parameter terjadinya metastasis tulang dan faktor faktor yang memengaruhinya.Metode Desain studi ini adalah kasus kontrol menggunakan data sekunder pasien kanker payudara yang berobat di poli bedah onkologi RSCM dari Juni Tahun 2019 sampai dengan Juni Tahun 2021. Kelompok kasus adalah pasien KPD yang mengalami metastasis tulang dan kelompok kontrol adalah yang tidak mengalami metastasis tulang yang dilihat berdasarkan pemeriksaan Bone Scan, Ct Scan dan foto polos. Dilihat keberadaan mikroklasifikasi melalui mamografi. Dilakukan uji statistik univariat untuk melihat proporsi (%) dan dilanjutkan dengan uji bivariat yaitu chi square dan fisher jika syarat tidak terpenuhi. Hasil Didapatkan 81 subjek penelitian dengan kriteria inklusi dengan hasil 56,8% pasien dengan di atas 50 tahun, 86,4% IMT dibawah 30, 76,5% premenopause, 71,6% pada stadium lanjut, 70,4% dengan histopatologi NST, 58% luminal B, dan 30,9 % dengan metastasis tulang. Uji bivariat menunjukkan terdapat hubungan yang bermakna antara keberadaan mikroklasifikasi dengan metastasis tulang (OR 3,284 CI 95% 1,212-8,889 p=0,017cs) dan hubungan bermakna antara stadium lanjut dengan keberadaan mikrokalsifikasi (OR 3,74, CI 95% 1,28-10,86 p=0,012cs) .Kesimpulan Keberadaan mikrokalsifikasi pada penderita kanker payudara berhubungan secara bermakna dengan metastasis tulang dan stadium lokal lanjut memiliki hubungan yang bermakna dengan keberadaan mikroklasifikasi.

---

Background: Breast cancer (BC) has the highest incidence in women in the world which if not detected early will develop into an advanced stage which leads to metastasis to other important organs of the body, especially in the bones. Delay in detection will increase morbidity in the form of permanent bone damage. Currently, various studies have been carried out to find parameters of early bone metastases and one of them is the presence of microclassification on mammography as one of the parameters for the incidence of bone metastasis

Objective: The design of this study is a case control using secondary data of breast cancer patients seeking treatment at the RSCM oncology surgery from June 2019 to June 2021. The case group was BC patients who had bone metastases and the control group was those who did not experience bone metastases taken from examination of Bone Scan, CT Scan and plain photo. Seen the existence of microclassification through mammography. Univariate statistical test was conducted to see the proportion (%) and continued with the bivariate test, namely chi square and fisher if the conditions were not met.

Methods The design of this study was a retrospective case-control study. Data were taken from breast cancer patients who were treated at the Oncology Surgery Clinic of RSCM who had undergone histopathological examination, mammography and imaging examinations such as bone prints or other additional investigations that confirmed whether the patient had bone metastases or not. Some of the data collected were age, body mass index, menopausal status, immunohistochemistry, tumor stage and histopathology.

Results There were 81 study subjects with inclusion criteria with results 56,7% of patients with over 50 years, 86,4% BMI below 30, 76,5% premenopausal 71,6% in advanced stages, 70,4% with NST histopathology, 58% luminal B, and 30,9% with bone metastases. The bivariate test showed a significant relationship between the presence of microclassification and bone metastases (OR 3.284 CI 95 1.212-8.899 p 0.017cs) and a significant relationship between the presence of advanced stage and the presence of microcalcifications (OR 3.74, 95% CI 1.28-10.86, p=0.012cs) .

Conclusion The presence of bone metastases in BC was significantly associated with the presence of microcalcification on mammography and locally advanced stages had a significant relationship with the presence of microcalcifications."

"This textbooks demonstrates the application of software tools in solving a series of problems from the field of designing power system structures and systems. It contains four chapters : The first chapter leads the reader through all the phases necessary in the procedures of computer aided modeling and simulation. It guides through the complex problems presenting on the basis of eleven original examples. The second chapter presents application of software tools in power system calculations of power systems equipment design. Several design example calculations are carried out using engineering standards like MATLAB, EMTP/ATP, Excel & Access, AutoCAD and Simulink. The third chapters focuses on the graphical documentation using a collection of software tools (AutoCAD, EPLAN, SIMARIS SIVACON, SIMARIS DESIGN) which enable the complete automation of the development of graphical documentation of a power systems. In the fourth chapter, the application of software tools in the project management in power systems is discussed. Here, the emphasis is put on the standard software MS Excel and MS Project."