Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian skripsi ini meneliti dan menguji penggunaan web-application sebagai sarana antar-muka pengguna untuk menggunakan model segmentasi citra deteksi mikrokalsifikasi Tensorflow dari Hakim, et al. Penelitian ini dilakukan dengan memanfaatkan Flask sebagai backend dari web-application dan Bootstrap untuk mengatur tampilan website yang ditunjukkan ke pengguna. Selain itu, dimanfaatkan beberapa library Python seperti CV2 dan PIL dalam pemrosesan citra di web-application. Digunakan juga layanan komputasi awan Amazon Web Services (AWS) untuk mendeploy web-application agar dapat digunakan secara masif. Hasil penelitian adalah sebuah web-application untuk memprediksi letak, jumlah, dan kecenderungan persebaran mikrokalsifikasi. Dari penggunaan dan evaluasi web-applicationdiperoleh hasil evaluasi model segmentasi citra Hakim, et al. memiliki sensitivitas (86,27%), spesifitas (14%), dan F1-Score (64,23%) untuk keseluruhan citra format TIFF. Hal ini menunjukkan model memiliki kemungkinan besar memberi hasil false positive; waktu rata-rata yang dibutuhkan web-application untuk memprediksi citra berformat TIFF adalah 3 menit 20 detik, citra format DICOM berkisar 55 detik, dan citra format JPG berkisar 16 detik. ......This study is discussed about web-application utilization as user interface to make use Tensorflow image segmentation model for microcalcification detection from Hakim, et al. Study is done by using Flask as website backend also Bootstrap to manage website interface that will be shown. Besides that, some Python libraries such as CV2 and PIL are also applied for image processing in web-application. This study also uses cloud computing platform, which is  Amazon Web Services (AWS) for web-application deployment in order to massive usage. Results of this study are a web application to predict location, sum, and spreads tendency for microcalcification. From web-application utilization and evaluation, obtained Hakim et,al, image segmentation model has sensitivity (86,27%), specificity (14%), and F1-Score (64,23%) for all image in TIFF format. This result shows the model has high probability to return false positive; the average time that web application needs to predict TIFF image is 3 minutes 20 seconds, DICOM image is around 55 seconds, and JPG images is around 16 seconds.

Abstrak :
ABSTRAK
Penelitian ini mengembangkan Computer Aided Diagnosis (CAD) untuk mamografi dengan menggunakan metode segmentasi Markov Random Field (MRF) dan local threshold. Metode local threshold mencari abnormalitas dengan membandingkan segmen citra abnormal dengan normal. Sementara itu, metode MRF mencari abnormalitas berdasarkan nilai piksel dan bentuk cluster. Metode MRF dikerjakan dengan dan tanpa median filter, contrast enhancement histeq dan CLAHE. Metode segmentasi local threshold memiliki sensitivitas 77,8%, akurasi 68,4%, spesifitas 60,4%, presisi 62,5%, dan overall error 31,6%. Rendahnya keberhasilan disebabkan bentuk payudara pada data sampel tidak seragam, sehingga tiap segmen dari tiap citra belum tentu menunjukkan posisi yang sama. Segmentasi citra MRF yang dilakukan tanpa filter dan contrast enhancement, memiliki keberhasilan terendah. Hal ini membuktikan bahwa citra mamografi memiliki kontras yang rendah dan noise yang tinggi. Metode MRF dilengkapi dengan median filter memiliki akurasi tertinggi (87,0%) dan overall error terendah (12,8%), yang berarti metode ini adalah metode yang paling baik dalam melakukan deteksi sesuai dengan diagnosis dokter. Metode histeq+MRF memiliki sensitivitas yang tinggi (95,9%) dan spesifitas yang rendah (76,2%) yang menunjukkan bahwa metode ini berhasil mendeteksi citra abnormal sebagai abnormal, namun banyak mendeteksi citra normal sebagai abnormal. Metode CLAHE+MRF memiliki nilai spesifitas tertinggi (92,2%) dan sensitivitas terendah (73,1%) yang berarti metode berhasil mendeteksi citra normal sebagai normal, namun banyak mendeteksi citra abnormal sebagai normal. Dalam menentukan sifat benign dan maglina dari cluster abnormal, metode histeq+MRF merupakan metode yang paling berhasil dalam memvisualisasi citra dengan diagnosis maglina.

---

ABSTRACT
This research developed Computer Aided Diagnosis (CAD) for mammography using Markov Random Field (MRF) and local thereshold method. The Local thereshold methods finds abnormalities by comparing segments from abnormal image. While, MRF methods find abnormalities based on the pixel value and cluster's shape. In this research, the MRF method carried out with median fiter, histeq, and CHALCE contrast enhancement. MRF without any filter and contrast enhancement also done. The sensitivity, accuracy, specfity, presision and overall error of local thereshold method sequentially are 77.8%, 68.4%, 60.4%, 62.5%, and 31.6%. The low result caused by the diversity of the breast's from in the sample, so that each segment on each image doesn't refer to the same anatomical position. MRF segmentationwithout any filter and contrast enhancement gave the worst result. This result proved that mammography images have poor contrast and lot of noise. MRF method with median filter has the highestaccuracy (87.0%) and the lowest overall error (12.8%). This score shows that median filter + MRF method is the best method that can matches doctor's diagnosis. Histeq+MRF method has the highest sensitivity (95.9%) and the lowest specifity (76.52%). This result indicates that histeq+MRF method succesfully detect abnormal image as abnormal, but detect many the normal images as abnormal. CLAHE+MRF method has the highest specifity (92.2%) and the lowest sensitivity (73.1%). It shows that this method has a good performance in detecting normal image as normal but detect many abnormal images as normal. Histeq+MRF method shows the best performance in visualizing maglina clusters.