Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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%."