Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix.

Abstrak :
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.

Abstrak :
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.