Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker payudara merupakan penyakit yang banyak mengancam jiwa kaum wanita. Pengurangan resiko kematian akibat penyakit ini dapat dilakukan dengan pemeriksaan dini melalui mammografi. Hasil mammografi yang berupa mammogram sering kurang memuaskan para ahli radiologi karena tertutupnya sel kanker oleh jaringan/strukur yang sebenarnya merupakan jaringan/struktur normal.Penelitian ini mecoba memodifikasi metode-metode dari penelitian terdahulu yang berkaitan dengan deteksi kanker secara otomatis atau semi otomatis. Metode terdiri dari preprocessing untuk penghilangan jaringan/struktur normal pada mammogram, segmentasi dengan transformasi watershed dan segmentasi dengan thresholding.Hasil segmentasi kemudian diklasifikasi menggunakan metode pengukuran jarak kemiripan Euclidean Distance. Hasil uji coba menunjukkan metode preprocesing belum baik sehingga dapat mengganggu proses berikutnya yaitu segmentasi. Segmentasi dengan transformasi watershed mencapai keberhasilan hingga 96,67%, tercatat pada beberapa kasus ukuran sel kanker yang tersegmentasi lebih kecil dari seharusnya. Hasil segmentasi dengan thresholding menunjukkan keberhasilan hingga 70%, tercatat pada beberapa kasus ukuran sel kanker yang tersegmentasi lebih besar dari seharusnya. Metode klasifikasi menunjukkan hasil buruk dengan selalu menunjukkan kelas benign pada kasus dimana terdapat segmentasi."

"Latar Belakang: Kanker payudara merupakan keganasan yang dapat bermetastasis ke kelenjar limfe aksila dan/atau organ jauh. Studi-studi sebelumnya menunjukkan terdapat kaitan antara sejumlah morfologi mamogram dan gambar ultrasonografi (USG) payudara dengan adanya metastasis kelenjar limfe. Seringkali pasien dengan kecurigaan kanker payudara diperiksakan di rumah sakit ketika sudah dalam stadium lanjut atau bahkan terdapat metastasis yang seharusnya dapat dideteksi lebih awal. Mamografi dan USG payudara merupakan modalitas radiologis yang mudah untuk dikerjakan untuk diagnosis kanker payudara dan tersedia di banyak rumah sakit. Sampai saat ini, belum ada penelitian mengaitkan secara langsung temuan morfologis mamografi dan USG payudara pada pasien kanker payudara yang mengalami metastasis. Tujuan: Mengetahui perbedaan temuan morfologis mamografi dan USG payudara pada pasien kanker payudara dengan metastasis dengan pasien kanker payudara tanpa metastasis di RSUPN Dr. Cipto Mangunkusumo (RSCM). Metode: Dilakukan pembacaan ulang hasil mamogram dan gambar USG payudara dari 112 pasien yang didapatkan dari sistem Picture Archiving and Communication System (PACS) di Departemen Radiologi RSCM dengan klinis karsinoma payudara berdasarkan patologi anatomi. Data riwayat pasien didapatkan dengan melihat catatan di rekam medis melalui Electronic Health Record (HER) atau Hospital Information System (HIS). Dilakukan analisis pada usia dan karakteristik morfologis lesi meliputi variabel bentuk lesi, ukuran terbesar lesi, jarak tumor ke kutis, adanya kalsifikasi, jenis kalsifikasi, distribusi kalsifikasi, dan adanya distorsi arsitektur pada mamogram, dan bentuk lesi, ukuran terbesar lesi, jarak tumor ke kutis, vaskularisasi lesi, adanya kalsifikasi, dan adanya distorsi arsitektur pada gambar USG payudara menggunakan uji Chi-Square atau Fisher. Dilakukan juga analisis multivariat regresi logsitik pada variabel yang signifikan secara statistik menggunakan metode backward yang disajikan dalam bentuk odds ratio (OR). Hasil: Terdapat perbedaan yang bermakna secara statistik pada variabel usia (p=0,032), ukuran terbesar lesi pada mamogram (p<0,001), jarak tumor ke kutis pada mamogram (p=<0,001), ukuran terbesar lesi pada gambar USG payudara (p<0,001), dan jarak tumor ke kutis pada gambar USG payudara (p=0,001) antara pasien kanker payudara dengan metastasis dengan tanpa metastasis. Pada analisis multivariat gabungan temuan morfologis mamogram dan gambar USG payudara, didapatkan perbedaan bermakna secara statistik pada ukuran terbesar lesi pada mamogram dengan nilai OR 3,73 (p=0,003) dan jarak tumor ke kutis pada mamogram dengan nilai OR 3,34 (p=0,006). Simpulan: Terdapat perbedaan bermakna temuan mamogram dan USG payudara yaitu masing-masing ukuran terbesar lesi>5 cm dan jarak tumor ke kutis ≤0,5 cm dengan adanya metastasis pada kanker payudara. Temuan ukuran terbesar lesi>5 cm dan jarak tumor ke kutis ≤0,5 cm pada mamogram dapat memprediksi kemungkinan terjadinya metastasis pada kanker payudara.

---

Background: Breast cancer is a malignancy that can metastasize to axillary lymph nodes and distant organs. Previous studies have shown an association between the morphological findings of mammograms and ultrasound images of the breast and the presence of lymph node metastasis. Patients with suspected breast cancer are often examined in the hospital when they are in an advanced stage or even have metastasis that should have been detected earlier. Mammography and breast ultrasound are radiological modalities that are easy to perform to diagnose breast cancer and are available in many hospitals. To date, no studies have directly compared the morphological findings of mammography and breast ultrasound in patients with metastatic breast cancer. Purpose: To identify the differences in the morphological findings of mammography and breast ultrasound in breast cancer patients with metastasis compared to those without metastasis at Dr Cipto Mangunkusumo General Hospital (RSCM). Methods: Mammogram results and breast ultrasound images from 112 patients diagnosed with breast carcinoma based on anatomical pathology were obtained from the Picture Archiving and Communication System (PACS) at the Department of Radiology RSCM. The images were then reviewed. Patient history is obtained from the Electronic Health Record (EHR) or Hospital Information System (HIS). Analyzes were performed on age and morphological characteristics of the lesion, including the shape of the lesion, the largest diameter of the lesion, the distance of the tumor to the skin, the presence of calcification, the type of calcification, the distribution of calcifications, and the presence of architectural distortion on mammograms, and the shape of the lesion, the largest diameter of the lesion, the distance of the tumor to the skin, the vascularity of the lesion, the presence of calcification, and the presence of architectural distortion on breast ultrasound images using Chi-Square or Fisher method. Multivariate logistic regression analysis was also conducted on statistically significant variables using the backward method, which was presented as an odds ratio (OR). Results: There was a statistically significant difference in age (p=0,032), the largest diameter of the lesion on the mammogram (p<0,001), the distance of the tumor to the skin on the mammogram (p<0,001), the largest diameter of the lesion on breast ultrasound (p<0,001), and the distance of the tumor to the skin on breast ultrasound images (p=0,001) between metastatic and non-metastatic breast cancer patients. In the multivariate analysis of the combination of morphological findings of the mammogram and breast ultrasound images, there were statistically significant differences in the largest diameter of the lesion on mammograms with an OR value of 3.73 (p=0,003) and the distance of the tumor to the skin on mammograms with an OR value of 3.34 (p= 0,006). Conclusion: There is a significant difference in mammogram and breast ultrasound findings, such as the largest diameter of the lesion >5 cm and the distance of the tumor to the skin ≤0,5 cm with the presence of metastasis in breast cancer. The findings of the largest diameter of the lesion >5 cm and the distance of the tumor to the skin ≤0,5 cm on the mammogram can predict the probability of metastasis in breast cancer."

"Breast cancer can be detected using digital mammograms. In this research study, a system is designed to classify digital mammograms into two classes, namely normal and abnormal, using the k-Nearest Neighbor (kNN) method. Prior to classification, the region of interest (ROI) of a mammogram is cropped, and the feature is extracted using the wavelet transformation method. Energy, mean, and standard deviation from wavelet decomposition coefficients are used as input for the classification. Optimal accuracy is obtained when wavelet decomposition level 3 is used with the feature combination of mean and standard deviation. The highest accuracy, sensitivity, and specificity of this method are 96.8%, 100%, and 95%, respectively."

"Penelitian ini bertujuan mengembangkan model prediksi kanker payudara dengan Convolutional Neural Networks (CNN) dan analisis citra medis untuk mendeteksi lesi yang bersifat jinak maupun ganas. Data yang digunakan mencakup citra mamogram dari CBIS-DDSM serta data primer dari rumah sakit. Tahap pertama melibatkan penggunaan algoritma YOLO untuk segmentasi breast tissue, guna menghapus noise latar belakang dan memastikan fokus pada area diagnostik yang relevan. Selanjutnya, diterapkan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk meningkatkan kontras dan menonjolkan detail struktural. Ekstraksi fitur dari full mammogram dan Region of Interest (ROI) mask kemudian digabungkan dalam arsitektur CNN multi-input untuk klasifikasi biner kanker payudara. Hasil evaluasi menunjukkan bahwa meskipun model mencapai akurasi training yang tinggi (antara 95% hingga 98%), akurasi pada data validasi baru berkisar pada 56% hingga 63%, dengan nilai F1-score masing-masing 0,69 untuk kasus benign dan 0,55 untuk kasus malignant, serta AUC-ROC sebesar 0,57. Temuan ini mengindikasikan adanya tantangan overfitting dan kurang optimalnya pemisahan antara kelas benign dan malignant. Penelitian ini memberikan kontribusi penting sebagai langkah awal dalam pengembangan sistem diagnosis dini yang dapat mendukung proses pengambilan keputusan klinis.

---

This study aims to develop a breast cancer prediction model using Convolutional Neural Networks (CNN) and medical image analysis to detect both benign and malignant lesions. The data utilized includes mammogram images from CBIS-DDSM and primary data collected from a hospital. The initial stage employs the YOLO algorithm to segment breast tissue, removing background noise and ensuring focus on diagnostically relevant areas. Subsequently, Contrast Limited Adaptive Histogram Equalization (CLAHE) is applied to enhance image contrast and emphasize structural details. Feature extraction from full mammograms and Region of Interest (ROI) masks is then combined in a multi-input CNN architecture for binary breast cancer classification. Evaluation results indicate that although the model achieves high training accuracy (ranging from 95% to 98%), validation accuracy remains between 56% and 63%. The F1-scores are 0.69 for benign cases and 0.55 for malignant cases, with an AUC-ROC of 0.57. These findings highlight challenges related to overfitting and suboptimal class separability between benign and malignant categories. This research serves as an important initial step toward developing an early diagnostic support system to aid clinical decision-making. "