Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Ultrasonografi (USG) merupakan modalitas utama untuk evaluasi nodul tiroid. Dependensi operator yang tinggi membuat nilai diagnostik USG relatif rendah terutama bagi operator yang minim pengalaman. Computer Aided Diagnosis (CAD) merupakan sistem terkomputerisasi yang mampu melakukan penilaian USG nodul tiroid dengan objektif, konsisten dan diharapkan dapat meningkatkan akurasi diagnostik USG dalam penilaian nodul tiroid. AmCAD adalah aplikasi CAD untuk penilaian nodul tiroid yang sudah tersedia saat ini, namun belum ada data mengenai penggunaan AmCAD di Indonesia, sehingga diperlukan penelitian untuk melihat kesesuaian penilaiannya dengan kriteria penilaian yang selama ini sudah digunakan Tujuan: Menilai kesesuaian AmCAD dan ACR TI-RADS dalam menentukan nodul jinak dan ganas tiroid berdasarkan gambaran USG. Metode: Data sekunder hasil USG pasien dengan nodul tiroid di Departemen Radiologi RSCM dari tahun 2015-2019 dilakukan penilaian oleh peneliti sesuai kriteria ACR TI-RADS, kemudian gambar yang sama dilakukan penilaian terpisah menggunakan aplikasi AmCAD. Kesesuaian AmCAD dan ACR TI-RADS dalam menentukan nodul jinak dan ganas tiroid dianalisis. Hasil: Sampel penelitian ini sebanyak 85 nodul tiroid (jenis kelamin terbanyak wanita, rerata usia 49,8 ± 13,9 tahun). Hasil analisis menunjukkan AmCAD dan ACR TI-RADS memiliki kesesuaian yang baik dalam membedakan nodul jinak dan ganas tiroid berdasarkan gambaran USG dengan nilai konkordans 87,1 % , Kappa Cohen R 0,570 (p 0,001). Kesimpulan: AmCAD dan kriteria ACR TI-RADS memiliki kesesuaian yang baik dalam melakukan penilaian nodul tiroid.

---

Background: Ultrasonography (USG) is the main modality for evaluation of thyroid nodules. High operator dependency makes the diagnostic value of ultrasound relatively low especially for operators who lack experience. Computer Aided Diagnosis (CAD) is a computerized system that is able to carry out ultrasound assessment of thyroid nodules objectively, consistently and is expected to improve the diagnostic accuracy of ultrasound in the assessment of thyroid nodules. AmCAD is a CAD application for the assessment of thyroid nodules that are currently available, but there is no data regarding the use of AmCAD in Indonesia, so research is needed to see the appraisal of the assessment with the assessment criteria that have been used so far. Objective: Assess the suitability of AmCAD and ACR TI-RADS in determine benign and malignant thyroid nodules based on ultrasound images. Methods: Secondary data on the ultrasound results of patients with thyroid nodules in the Department of Radiology RSCM from 2015-2019 were assessed by researchers according to the ACR TI-RADS criteria, then the same image was assessed separately using the AmCAD application. The suitability of AmCAD and ACR TI-RADS in determining benign and malignant thyroid nodules was analyzed. Results: The sample of this study was 85 thyroid nodules (most female sex, mean age 49.8 ± 13.9 years). The results of the analysis showed that AmCAD and ACR TI-RADS were well-suited in distinguishing benign and malignant thyroid nodules based on ultrasound images with concordance values ​​of 87.1%, Kappa Cohen R 0.570 (p 0.001). Conclusion: AmCAD and ACR TI-RADS criteria are well-matched in assessing thyroid nodules."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Particle Swarm Optimization PSO untuk membantu dokter mendeteksi paru yang abnormal. Metode PSO mencari abnormalitas berdasarkan nilai piksel. Metode PSO dikerjakan dengan dua variasi metode yaitu FCM Wienerfilter PSO dan FCM Adaphisteq PSO. Evaluasi dilakukan dengan menghitung ROC Receiver Operating Characteristics citra segmentasi tiap metode terhadap citra acuan evaluasi dokter. Metode FCM Wienerfilter PSO memiliki nilaiROC paling baik. Overall error metode ini yaitu 11.43 1.6 dibanding dengan metode FCM Adapthisteq PSO yaitu 28.57 1,6. Hal ini menggambarkan bahwa banyak kesalahan deteksi yang dilakukan pada metode FCM Adapthisteq PSO. Metode FCM Wienerfilter PSO ini memiliki nilai akurasi 88,57, sensitifitas 90,00, spesifitas 85,00, dan presisi 93,75 lebih tinggi dibanding dengan semua parameter ROC metode FCM Adaphisteq PSO yaitu akurasi 71,43, Sensitivitas 80,00, Spesifitas 50,00, dan Presisi 80.00. Hal ini membuktikan bahwa hasil deteksi metode FCM Wienerfilter PSO lebih banyak memiliki tingkat keberhasilan yang sesuai dengan evaluasi dokter dan lebih baik dalam mendeteksi citra abnormal. Pada citra abnormal nilai piksel metodeFCM wienerfilter PSO memiliki rentang 209-255, dan nilai piksel metodeAdapthisteq PSO memiliki rentang 206-255.

---

The study developed Computer Aided Diagnosis CAD children pulmonary radiography using Particle Swarm Optimization PSO segmentation method to help doctors detect abnormal lung. The PSO method searched abnormalities by value of the image pixel. PSO method used two variations method, namely FCM Wienerfilter PSO and FCM Adaphisteq PSO. The evaluation was done by calculating the ROC Receiver Operating Characteristics segmentation of each image against the reference image evaluation doctors. FCM Wienerfilter PSO method has better ROC value. Overall error of this method is 11.43 1.6 compared with the method of FCM Adapthisteq PSO is 28.57 1.6. This explain that many of the error detection on FCM Adapthisteq PSO method.

ROC FCM Wienerfilter PSO results show the value of accuracy 88,57, sensitivity 90,00, specificity 85,00, and precision 93,75 is relatively higher than all parameter of ROC FCM Adaphisteq PSO method that isaccuracy 71,43, sensitivity 80,00, specificity 50,00, and precision 80.00. This proves that the results of the detection method of FCM Wienerfilter PSO has more success rates in accordance with doctor rsquo s evaluation and better at detecting abnormal image. Abnormal lung pixel values by the method of FCM wienerfilter PSO is 209 255, andAbnormal lung pixel values by the FCM Adapthisteq PSO methodis 206 255."

"Penelitian ini mengembangkan Uji Korelasi Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Markov Random Field MRF untuk membantu mendeteksi abnormalitas paru dengan kecenderungan infeksi. Metode MRF mencari abnormalitas berdasarkan nilai piksel citra. Metode MRF dikerjakan dengan empat variasi yaitu MRF tanpa filter, median filter MRF, wiener filter MRF dan adapthisteq MRF. ROC hasil segmentasi wiener filter relatif lebih tinggi dari tanpa filter. Hasil ROC wiener filter menunjukkan nilai akurasi akurasi akurasi 81,4 , sensitivitas 82,0 , spesifitas 80,0 , presisi 91,1 dan overall error 18,6 . Sedangkan ROC untuk tanpa filter maupun filter yang lain menunjukkan lebih rendah dari nilai ROC wiener filter. Namun perbedaan ROC untuk setiap jenis tingkat keberhasilan tidak lebih dari 5 , artinya keempat metode MRF masih dapat diimplementasikan. Nilai piksel paru abnormal dengan metode MRF tanpa filter, median filter MRF, dan adapthisteq MRF sama yaitu 205-255. Nilai piksel paru abnormal dengan metode wiener filter MRF yaitu 197-255. Citra paru belum dapat menentukan secara definitif penyakit infeksi paru pada anak.

---

This study developed a correlation test Computer Aided Diagnosis CAD radiographic of children pulmonary using segmentation Markov Random Field MRF method to detect lung abnormalities with infection trends. MRF method searched abnormalities by value of the image pixel. MRF method used four variations, namely MRF without a filter, median filter MRF, wiener filter MRF, and adapthisteq MRF. ROC segmentation results wiener filter is relatively higher than without a filter. ROC wiener filter results show the value of accuracy 81.4 , sensitivity 82.0 , specificity 80.0 , precision 91.1 and overall error of 18.6 . While the ROC for unfiltered and filter others show lower than the value of ROC wiener filter. However, differences in ROC for any kind of success rate is not more than 5 , meaning that all four methods MRF can still be implemented. Abnormal lung pixel value with MRF method without filter, median filter MRF, and adapthisteq MRF same namely 205 255. Abnormal lung pixel values by the method of wiener filter MRF is 197 255. Radiographic of children pulmonary can not definitively determine lung infections in children."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Deformable Models untuk membantu mendeteksi abnormalitas. Metode Deformable Models mencari abnormalitas berdasarkan nilai piksel citra. Metode Deformable Models dikerjakan dengan dua variasi yaitu median filter Deformable Models dan wiener filter Deformable Models. Nilai piksel paru-paru abnormal dengan segmentasi wiener filter Deformable models adalah 186-255 dan median filter Deformable Models adalah 191-255. Metode wiener filter Deformable models menghasilkan nilai ROC lebih tinggi dibandingkan metode median filter dengan nilai akurasi 78,5, sensitivitas 74,5, spesifitas 80, presisi 90,0 dan overall error 21,0.

---

This study developed a correlation test Computer Aided Diagnosis CAD radiographic of children pulmonary using segmentation Deformable Models method for detecting Abnormalities. Deformable models method searched abnormalities by value of the image pixel. Deformable models method used two variations, namely median filter Deformable Models and wiener filter Deformable Models. Abnormal result lung pixel values with segmentation Wiener filter Deformable models is 186 255 and median filter Deformable Models is 190 255. Wiener filter Deformable models method have ROC result relatively higher than median filter Deformable models with value of accuracy 78,5, sensitivity 74,5, specificity 80.0, precision 90,0 and overall error of 21,0."

"Pemeriksaan yang paling tepat dalam menentukan volume jaringan lemak visceral dilakukan dengan menggunakan modalitas CT-scan. Namun karena setiap slice citra memiliki bentuk dan lokasi lemak visceral yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Sehingga, Computer Aided Diagnosis (CAD) dapat dijadikan salah satu solusi untuk membantu tenaga ahli dalam pembacaan citra dan menganalisa area lemak terutama area lemak visceral pada citra abdomen dengan lebih akurat. Dalam penelitian ini, sistem CAD dikembangkan dengan menggunakan metode segmentasi Thresholding, ekstrasi ciri berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra lemak visceral menggunakan Multilayer Perceptron (MLP). Penelitian ini mengolah data 665 citra CT-scan abdomen dari 38 pasien yang diperoleh dari Rumah Sakit Persahabatan Jakarta. Data tersebut dibagi menjadi 70% citra sebagai data pelatihan dan 30% citra sebagai data pengujian. Hasil performa sistem CAD yang direpresentasikan sebagai tingkat keakurasian dengan nilai sebesar 98.73% untuk data pelatihan dan 95.58% untuk data pengujian. Selain itu, juga diperoleh informasi bahwa hasil kalkulasi volume area jaringan lemak visceral dengan nilai terbesar yaitu sebesar 1238.89 dengan tebal slice sebesar 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 1072.91 Sementara untuk hasil kalkulasi volume area jaringan lemak visceral terkecil sebesar 107.57 pada ketebalan 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 47.43 . Evaluasi pada proses segmentasi dilakukan menggunakan metode SSIM dengan mengahasilkan nilai rata-rata SSIM untuk keseluruhan data sebesar 0.843 pada data latih dan 0.838 pada data uji. Dari hasil penelitian ini, sistem CAD berhasil dikembangkan untuk membantu dalam proses mengestimasi volume area jaringan lemak visceral. Namun, tingkat keakurasian antara kalkulasi volume lemak visceral menggunakan sistem CAD dan software CT-scan belum dapat diperoleh dengan baik.

---

The most precise examination in determining the volume of abdominal fat tissue is using a CT-scan modality. However, because each slice image has a different shape and location of visceral fat, it is not easy to determine the volume. So that, Computer Aided Diagnosis (CAD) can be used as a solution to assist experts in reading images and analyzing fat areas, especially visceral fat areas on abdominal images more accurate. In this study, a CAD system was developed using the Thresholding segmentation method, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) for the identification of abdominal fat. Next, in the classification process, the visceral fat area is separated from the subcutaneous fat area using Multilayer Perceptron (MLP). This study processed data from 665 abdominal CT-scan images from 38 patients obtained from Persahabatan Hospital. The data is divided into 70% images as training data and 30% images as test data. The results of the CAD system performance are represented as the level of accuracy with a value of 98.73% for training data and 95.58% for test data. In addition, information was also obtained that the calculation of the volume of visceral fat tissue areas with the largest value of 1238.89 with a slice thickness of 5 mm. While the thickness of 10 mm obtained a volume of 1072.91 Calculation of the volume of the volume area of ​​the smallest visceral fat tissue of 107.57 at 5 mm thickness. While the thickness of 10 mm obtained a volume of 47.43 . Evaluation of the segmentation process was carried out using the SSIM method by producing an average SSIM value for the entire data of 0.843 in the training data and 0.838 in the test data. From the results of this study, a CAD system was successfully developed to assist in the process of estimating the volume of visceral fat tissue area. However, the level of accuracy between the calculation of visceral fat volume using CAD systems and CT-scan software has not been obtained properly.

"

"Modalitas pencitraan yang sering digunakan pada diagnosis kanker kandung kemih adalah Computed Tomography (CT). Informasi dari hasil pembacaan citra CT diharapkan berupa volume pada jaringan abnormal yang berguna untuk penentuan tindakan medis selanjutnya. Namun karena pada setiap slice citra memiliki ukuran, bentuk dan lokasi kanker kandung kemih yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Oleh karena itu untuk meningkatkan keakuratan dan konsistensi penentuan diagnosa dan volume jaringan abnormalnya maka diperlukan bantuan Computer-Aided Diagnosis (CAD). CAD dapat dikembangkan menjadi perhitungan volume jaringan abnormal berdasarkan segmentasi dan klasifikasi citra. Pada penelitian ini, sistem CAD yang dikembangkan menggunakan metode segmentasi, fitur ekstrasi berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra normal dan abnormal menggunakan k-Nearest Neighbors (kNN). Data yang digunakan pada penelitian ini adalah 300 citra CT kandung kemih dari Rumah Sakit Kanker Dharmais, terdiri dari 100 citra normal dan 200 citra abnormal dengan 210 citra digunakan sebagai data pelatihan dan 90 citra digunakan sebagai data pengujian. Hasil performa sistem klasifikasi citra berupa akurasi sebesar 94,28% untuk data pelatihan dan 91,22% untuk data pengujian. Pada penelitian ini dilakukan kalkulasi volume jaringan abnormal kandung kemih terhadap 6 pasien dan hasilnya diperoleh volume terkecil 4,15 cm³ dan terbesar 77,40 cm³. Selain itu ditunjukkan pula volume jaringan abnormal terkecil yang dapat dideteksi adalah sekitar 0,03 cm³.

---

The most frequency using in the diagnosis of bladder cancer is computed tomography (CT). Information from CT image reading is expected to be in in the form abnormal tissue volume that is useful for determining the next treatment. However, the resulting image slices has a different size, shape and location of bladder cancer, determining the volume is not easy. Therefore, to improve the accuracy and consistency of reading medical images and abnormal tissue volume, Computer-Aided Diagnosis (CAD) can be assisted. CAD can be developed into abnormal tissue volume calculations based on image segmentation and classification. In this study, the CAD system was developed using preprocessing, segmentation, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) and normal and abnormal image classification using k-Nearest Neighbors (kNN). The data used in this study are 300 bladder CT images from Dharmais National Cancer Hospital, consisting of 100 normal images and 200 abnormal images. 210 images are used as training data, and 90 images are used as testing data. The results of CAD system performance in this study are in the form of the accuracy of 94.28% for training data and 91.22% for testing data. In this study, the volume of abnormal bladder tissue was calculated for 6 patients, and the results obtained the smallest volume is 4.15 cm³ and the largest 77.40 cm³. In addition, it is also shown that the smallest abnormal tissue slice in slice volume that can be detected is about 0.03 cm³."