Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Latar belakang: Cerebral small vessel disease CSVD merupakan salah satu subtipe stroke iskemik dengan prevalensi tertinggi 45 .1,2 Penyakit ini menyerang pembuluh darah dengan diameter < 50 ?m.3 Manifestasi klinis CSVD yang tersering adalah gangguan fungsi kognitif 45 . Pada pemeriksaan MRI, salah satu lesi CSVD yang paling sering ditemukan adalah white matter hyperintensities WMH .4 Lesi WMH diketahui berhubungan dengan gangguan aliran vena jugularis interna VJI .5 Penelitian tentang gambaran aliran VJI pada CSVD belum pernah dilakukan. Tujuan penelitian ini adalah untuk menilai gambaran aliran kecepatan dan debit VJI pada CSVD dengan gangguan fungsi kognitif.Metode: Studi potong lintang pada 40 pasien CSVD yang memiliki gangguan fungsi kognitif dan gambaran WMH pada pemeriksaan MRI. Instrumen pemeriksaan kognitif yang digunakan adalah MoCA-Ina, TMT-A, TMT-B dan Grooved Peg Board. WMH diklasifikasikan berdasarkan skala Fazekas. Pemeriksaan aliran VJI bilateral dilakukan menggunakan Ultrasonografi Doppler ada posisi berbaring 0 dan berdiri 90 . Parameter yang dinilai adalah area penampang, kecepatan dan debit aliran. Sebagai pendalaman, hasil pengukuran parameter aliran VJI dibandingkan dengan penelitian terdahulu pada orang sehat.6Hasil: Sebanyak 40 subjek dengan rerata usia 60,8 9,0 tahun ikut serta dalam penelitian. Ranah kognitif yang terganggu pada CSVD adalah memori, fungsi eksekutif, dan kecepatan psikomotor. Berdasarkan derajat lesi, yang terbanyak adalah Fazekas 1 yaitu 67,5 . Area penampang VJI kanan dan kiri lebih kecil pada saat berdiriABSTRACT
Background Cerebral Small Vessel Disease CSVD is a subtype of ischemic stroke with the highest prevalence 45 .1.2 It affects blood vessels 50 m in diameter.3 The most common clinical manifestations of CSVD is cognitive dysfunction 45 . On MRI examination, one of the most common CSVD lesions is white matter hyperintensities WMH .4 WMH is known to be associated with internal jugular vein IJV flow abnormalities.5 Studies of IJV flow profile in CSVD have not been performed. The aim of this study is to assess the flow and velocity of the IJV in CSVD.Methods Cross sectional studies of 40 CSVD patients with cognitive dysfunction and WMH lesion on MRI examination. The cognitive instruments used are MoCA Ina, TMT A, TMT B and Grooved Peg Board. WMH is classified based on the Fazekas scale. Bilateral IJV flow examination was performed using Doppler Ultrasound at supine 0 and standing 90 . The parameters assessed are the cross sectional area, flow and velocity. For further analysis, the results of IJV flow in CSVD are compared with previous studies on healthy volunteers.6Results A total of 40 subjects with the age of 60.8 9.0 years participated in the study. Impaired cognitive domains are memory, psychomotor, and executive function. The majority of lesional degrees are Fazekas 1 67.5 . The cross sectional area of the bilateral IJV are smaller at standing p

Abstrak :
White Matter Hyperintensities (WMHs) merupakan neuroradiological features yang dapat dilihat pada T2-FLAIR brain MRI sebagai bagian putih (hyperintensities) dan merupakan karakteristik dari small vessel disease (SVD). Informasi detail terkait WMHs (lokasi, volume, dan distribusi) sangat diperlukan untuk membantu penanganan pasien. Akan tetapi melakukan segmentasi otomatis pada WMHs merupakan tantangan tersendiri karena ukuran, bentuk, dan letak WMHs yang tidak menentu. Hasil evaluasi dapat berubah bila test set berasal dari dataset yang berbeda dari train set, karena setiap dataset akan memiliki karakteristik yang berbeda. Penelitian ini mengusulkan model bernama Probabilistic Multi-compound Transformer (Probabilistic MCTrans) yang menggantikan model U-Net pada Probabilistic U-Net menjadi model MCTrans. Secara penelitian sebelumnya, model MCTrans dapat menyelesaikan permasalahan long-range dependencies dan model Probabilistic U-Net dapat menangkap ambiguitas dari citra medis, serta akan melakukan evaluasi cross-dataset robustness untuk mengetahui performa model bila train set berbeda sumber dari test set. Dari hasil evaluasi menunjukan bahwa Probabilistic MCTrans memiliki performa yang lebih rendah dibandingkan dengan Probabilistic U-Net. Akan tetapi Probabilistic MCTrans memiliki performa lebih baik dibandingkan dengan MCTrans. Hal tersebut dapat terjadi karena ambiguitas yang ditangkap Probabilistic MCTrans lebih banyak dari Probabilistic U-Net dan ambiguitas banyak terjadi di border WMHs.  ......White Matter Hyperintensities are neuroradiological features that often seen in T2-FLAIR brain MRI as hyperintensities and characteristic of small vessel disease (SVD). Detailed information of WMHs (i.e. location, volume, and distribution) are needed in clinical research to help treat patients. However, automatic segmentation on WMHs is still challenging due to uncertain volume, shape, and location of WMHs. Evaluation results may change if test set came from different dataset as train set, because every dataset have their own characteristic. In this study, we propose a model called Probabilistic Multi-compound Transformer (Probabilistic MCTrans), that replace U-Net from Probabilistic U-Net’s with MCTrans. In previous study, model MCTrans can solved long-range dependencies problem and model Probabilistic U-Net can capture ambiguity in biomedical image, also we would like to evaluate on cross-dataset robustness to determine performance model when the train set differs in source from the test set. The evaluation results show that Probabilistic MCTrans has a lower performance than Probabilistic U-Net. However, Probabilistic MCTrans has better performance than MCTrans. Furthermore, the ambiguity captured by Probabilistic MCTrans is more than Probabilistic U-Net and the ambiguity is around the border of WMHs. 

Abstrak :
White Matter Hyperintensities (WMH) adalah area di otak yang memiliki intensitas yang lebih tinggi dibandingkan dengan area normal lainnya pada hasil pemindaian Magnetic Resonance Imaging (MRI). WMH seringkali terkait dengan penyakit pembuluh kecil di otak, sehingga deteksi dini WMH sangat penting. Namun, terdapat dua masalah umum dalam mendeteksi WMH, yaitu ambiguitas yang tinggi dan kesulitan dalam mendeteksi WMH yang berukuran kecil. Dalam penelitian ini, kami mengusulkan metode yang disebut Probabilistic TransUNet untuk mengatasi masalah segmentasi objek WMH yang berukuran kecil dan ambiguitas yang tinggi pada citra medis. Kami melakukan eksperimen K-fold cross validation untuk mengukur kinerja model. Berdasarkan hasil eksperimen, model berbasis Transformer (TransUNet dan Probabilistic TransUNet) lebih baik dan presisi dalam melakukan segmentasi pada obyek WMH yang berukuran kecil, hal ini ditunjukkan oleh nilai Dice Similarity Coefficient (DSC) yang dihasilkan lebih tinggi dibandingkan dengan model berbasis Convolutional Nueral Networks (CNN) (U-Net dan Probabilistic U-Net). Penambahan probabilistic model dan pendekatan berbasis transformer berhasil mendapatkan performa yang lebih baik. Metode yang kami usulkan berhasil mendapatkan nilai DSC sebesar 0,744 dalam 5-fold cross validation, lebih baik dari metode sebelumnya. Dalam melakukan segmentasi objek kecil metode usulan kami mendapatkan nilai DSC sebesar 0,51. ......White Matter Hyperintensities (WMH) are areas of the brain that have a higher intensity than other normal brain regions on Magnetic Resonance Imaging (MRI) scans. WMH is often associated with small vessel disease in the brain, making early detection of WMH important. However, there are two common issues in detecting WMH: high ambiguity and difficulty detecting small WMH. In this study, we propose a method called Probabilistic TransUNet to address the precision of small object segmentation and the high ambiguity of medical images. We conducted a k-fold cross-validation experiment to measure model performance. Based on the experiments, Transformer-based models (TransUNet and Probabilistic TransUNet) were found to provide more precise and better segmentation results, as demonstrated by the higher DSC scores obtained compared to CNN-based models (U-Net and Probabilistic U-Net) and their ability to segment small WMH objects. The proposed method obtained a DSC score of 0742 in k-fold cross-validation, better than the previous method. In conducting segmentation of small objects, our proposed method achieved a DSC score of 0,51.