Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker liver pada citra hasil CT-Scan memiliki bentuk, lokasi serta tekstur yang berbeda – beda disetiap citra. Perbedaan contrast antara abnormalitas dan liver sehat sering kali tidak dapat terlihat jelas, sehingga menyulitkan dalam evaluasi. Abnormalitas liver antara lain pembengkakan, fibrosis, kehadiran tumor jinak atau tumor ganas. Perbedaan contrast rendah dengan ukuran lebar dalam citra mudah dikenali sebagai abnormalitas, namun untuk massa kecil dan contrast rendah sulit dievaluasi. Dalam penelitian ini telah dilakukan CAD dengan tujuan untuk membantu evaluasi abnormalitas liver utamanya abnormalitas dengan ukuran kecil. Metode penelitian yang digunakan dalam penelitian ini adalah metode segmentasi berdasarkan active contour. Data yang digunakan merupakan data sekunder citra abdomen yang dihasilkan dari modalitas Computed Tomography Scanner (CT-Scan) RSUD Cibinong Bogor. Teknik pengumpulan data yang digunakan dengan melakukan observasi pada data pasien citra liver abnormal dari pasien-pasien kanker liver dan citra liver normal dari pasien-pasien penyakit lainnya sesuai dengan diagnosis dokter. Sedangkan untuk olah data digunakan proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix (GLCM) dengan machine learning berupa Artificial Neural Network (ANN) untuk deteksi abnormalitas citra. Hasil penelitian menyatakan bahwa ANN dapat digunakan untuk mengelompokkan citra kedalam grup normal dan abnormal dengan akurasi sebesar 89% sensitivitas 86%, spesifisitas 92%, presisi 91%, error keseluruhan 10%.

---

Liver abnormalities in CT image commonly have different shape, location and texture. The contrast between abnormalities and healthy liver often cannot be clearly seen, making it difficult to evaluate. Liver abnormalities include swelling, fibrosis, the presence of benign tumors or malignant tumors. Low contrast differences with width measurements in images are easily recognized as abnormalities, but for small masses and low contrast it is difficult to evaluate. In this study CAD was carried out with the aim to help evaluate liver abnormalities, especially small size abnormalities. The segmentation method based on active contour is the method was employed in this research. The data which used was secondary data resulting abdomen image  from modalities of Computed Tomography Scanner (CT-Scan) of Cibinong Hospital, Bogor. The data collection techniques was used in this research were data abnormal liver image from patients liver cancer and normal liver image from patients other diseases according to the doctor's diagnosis. Meanwhile, the technique used to processing data was extraction feature process with analysis Gray-Level Co-occurrence Matrix (GLCM) texture and machine learning of Artificial Neural Network (ANN) for detection abnormality image. Results of this research stated that ANN can used for classify image to normal and abnormal group with accuracy of 89%, sensitivity of 86%, specificity of 92%, precision of 91%, and error of 10%."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"ABSTRAKPositron Emission Tomography (PET) telah dikenal sebagai modalitas molecular imaging yang sering memberikan informasi yang mendahului hasil pencitraan anatomi dari modalitas lain seperti Computed Tomography (CT) dan Magnetic Resonance (MR). Keunggulan PET untuk mendeteksi uptake yang sangat sedikit dari FDG dapat memberikan informasi abnormalitas pada organ, salah satunya pada otak. Pencitraan modalitas PET digunakan untuk mendiagnosis apabila terdapat abnormalitas dalam organ serta untuk memantau keberhasilan perlakuan radioterapi. Pada pencitraan otak menggunakan 2-Deoxy-2-[18F] fluoroglucose (FDG) uptake yang kecil tidak mudah dikenali secara visual, sehingga perlu menggunakan metode yang dapat membantu untuk mendeteksi. Dengan adanya teknik Computer-Aided Diagnosis (CAD) berupa segmentasi dan klasifikasi menggunakan citra PET diharapkan memberikan informasi abnormalitas dengan ukuran kecil yang tidak tampak secara visual. Pada penelitian ini, dikembangkan CAD menggunakan citra otak dengan modalitas PET untuk mendeteksi abnormalitas otak dengan metode klasifikasi menggunakan ekstraksi fitur berupa Gray Level Co-Occurrance Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) sebagai dataset dari klasifikasi teknik Artificial Neural Network (ANN). Hasil klasifikasi yang dievaluasi menggunakan Receiver Operating Characteristic (ROC) dengan hasil error pelatihan terkecil 1.92 ± 0.70 % dan error pengujian terkecil 12.30 ± 3.47%. Hasilnya menunjukkan bahwa sistem CAD yang dikembangkan dapat mengenali citra otak normal dan abnormal.

---

ABSTRACTPositron Emission Tomography (PET) is well known as a molecular imaging modality that provides functional organ information. This information supports the results of anatomical imaging from other modalities such as Computed Tomography (CT) and Magnetic Resonance Imaging (MRI). This superiority is due to the ability of PET to detect of small amount uptake from 2-Deoxy-2-[18F] fluoroglucose (FDG) which provide for information about abnormalities of organs, especially in the brain. Therefore, PET imaging is powerful to diagnose the presence of abnormalities, staging cancer, and evaluating radiotherapy treatment results. In brain PET imaging sometimes, small uptake is not easily visual recognized, hence an additional supporting method for its detection is needed. In this study, Computer-Aided Diagnosis (CAD) of brain abnormalities from PET images using classification methods based on a feature in the form of Gray Level Co-Occurrence Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) as a dataset of Artificial Neural Network (ANN). The result based on Receiver Operating Characteristic (ROC) illustrated that the training error was 1.92 ± 0.70 % and the test error was 12.30 ± 3.47%. These results mean that this developed CAD system can recognize normal and abnormal brain images."

"ABSTRAKTesis ini membahas kemampuan program segmentasi dan klasifikasi untuk melokalisasi daerah terduga kanker serviks dan mengelompokkan antara citra normal dan abnormal berdasarkan fitur-fitur yang terdapat dalam suatu citra. Citra yang digunakan terdiri dari dua macam, yaitu citra serviks abnormal dari pasien-pasien kanker serviks dan citra serviks normal dari pasien-pasien penyakit lainnya. Beberapa parameter dasar digunakan untuk mengklasifikasikan data citra ke dalam kelompok Abnormal dan Normal, yaitu panjang serviks, distribusi nilai piksel, jumlah piksel dan volume serviks pada citra CT-Scan. Namun, parameter-parameter tersebut memberikan hasil klasifikasi yang kurang akurat. Solusi yang ditawarkan adalah mensegmentasi daerah serviks dan mendapatkan fitur-fitur tekstur daerah tersebut pada data citra CT-Scan. Algoritma segmentasi yang digunakan adalah edge detection dan region-based snake model. Proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix GLCM dengan machine learning berupa Support Vector Machine SVM . Hasil penelitian menyatakan bahwa SVM dapat digunakan untuk mengelompokkan citra ke kelompok normal dan abnormal dengan sensitivitas 95,2 , spesifisitas 90,5 , akurasi 92,9 , presisi 90,9 dan error keseluruhan 7,1.

---

ABSTRACT

The focus of this study is discussing the ability of segmentation and classification programs to localize areas of cervical cancer and to classify image data to normal and abnormal group based on features contained in images. Image data consists of two kinds, abnormal cervical images of cervical cancer patients and normal cervical images from patients of other diseases. Some basic parameters are used to classify image data into Abnormal and Normal groups, ie. cervical length, pixel value distribution, number of pixels and cervical volume on CT Scan images. However, these parameters give inaccurate classification results. The offered solution is to segment the cervical area and get the texture features of the area on the CT Scan image data. Segmentation algorithms we used are edge detection and region based snake model. The feature extraction process is in form of Gray Level Co occurrence Matrix GLCM texture analysis with machine learning in the form of Support Vector Machine SVM . The results suggest that SVM can be used to classify images to normal and abnormal groups with a sensitivity of 95,2 , a specificity of 90,5 , an accuracy of 92,9 , a precision of 90,9 and an overall error of 7,1 ."

"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."

"ABSTRAKPenelitian ini mengembangkan Computer Aided Diagnose (CAD) CT jantung pasiendewasa dengan menggunakan metode segmentasi deformable dan Frangi filter. Metode segmentasi deformable dan Frangi filter untuk mendapatkan posisi kalsifikasi di dalam maupun di luar arteri koroner. Setelah itu, kalsifikasi yang terdapat di dalam arteri koroner dihitung skor kalsium menggunakan metode skor Agatson dan dihitung persentase luasannya terhadap luaspembuluh darah untuk mengetahui korelasi antara skor kalsium, persentase penyempitan pembuluh darah dengan tingkat keparahan risiko penyakit jantung. Metode segmentasi deformable dan Frangi filter dapat menunjukan secara visual posisi kalsifikasi yang terdapat pada pembuluh darah arteri koroner untuk 4 cabang utama, yaitu left main (LM), left circumflex (LCx), left anterior descending (LAD), and right coronary arteries (RCA). Pada pengukuran persentase plak pada pembuluh darah, nilai persentase terendah adalah 20% sedangkan nilai persentase tertinggi adalah 75%. Tingkat risiko penyakit jantung koroner dapat diprediksi sebanding dengan nilai persentase plak pada pembuluh darah. Sementara itu, Perhitungan skor kalsium sesuai dengan hasil evaluasi dokter dalam penentuan stadium risiko penyakit jantung

---

ABSTRACTThis research developed Computer Aided Diagnose (CAD) CT heart of adult patients by using deformable segmentation method and Frangi filter. Method of deformable segmentation and Frangi filter to obtain the position of calcification inside and outside the coronary artery. Furthermore, calcification found in the coronary artery was calculated by calcium score using Agatson score method and calculated percentage of extent to blood vessel area to know correlation between calcium score, percentage of narrowing of bloodvessels with the severity of risk of heart disease. The deformable segmentation method and Frangi filter can show visually the position of calcification contained in coronary artery vein for 4 main branches, ie left main (LM), left circumflex (LCx), left anterior descending (LAD), and right coronary arteries (RCA ). In calculating the percentage of plaque on blood vessels, the lowest percentage value is 20% while the highest percentage value is 75%. Therisk of coronary heart disease is proportional to the percentage of plaque in blood vessels. Meanwhile, calcium score calculation is accordance with the results of the evaluation of the doctor in determining the stage of risk of heart disease"

"ABSTRAKPenelitian ini mengembangkan Computer Aided Diagnosis (CAD) untuk mamografi dengan menggunakan metode segmentasi Markov Random Field (MRF) dan local threshold. Metode local threshold mencari abnormalitas dengan membandingkan segmen citra abnormal dengan normal. Sementara itu, metode MRF mencari abnormalitas berdasarkan nilai piksel dan bentuk cluster. Metode MRF dikerjakan dengan dan tanpa median filter, contrast enhancement histeq dan CLAHE. Metode segmentasi local threshold memiliki sensitivitas 77,8%, akurasi 68,4%, spesifitas 60,4%, presisi 62,5%, dan overall error 31,6%. Rendahnya keberhasilan disebabkan bentuk payudara pada data sampel tidak seragam, sehingga tiap segmen dari tiap citra belum tentu menunjukkan posisi yang sama. Segmentasi citra MRF yang dilakukan tanpa filter dan contrast enhancement, memiliki keberhasilan terendah. Hal ini membuktikan bahwa citra mamografi memiliki kontras yang rendah dan noise yang tinggi. Metode MRF dilengkapi dengan median filter memiliki akurasi tertinggi (87,0%) dan overall error terendah (12,8%), yang berarti metode ini adalah metode yang paling baik dalam melakukan deteksi sesuai dengan diagnosis dokter. Metode histeq+MRF memiliki sensitivitas yang tinggi (95,9%) dan spesifitas yang rendah (76,2%) yang menunjukkan bahwa metode ini berhasil mendeteksi citra abnormal sebagai abnormal, namun banyak mendeteksi citra normal sebagai abnormal. Metode CLAHE+MRF memiliki nilai spesifitas tertinggi (92,2%) dan sensitivitas terendah (73,1%) yang berarti metode berhasil mendeteksi citra normal sebagai normal, namun banyak mendeteksi citra abnormal sebagai normal. Dalam menentukan sifat benign dan maglina dari cluster abnormal, metode histeq+MRF merupakan metode yang paling berhasil dalam memvisualisasi citra dengan diagnosis maglina.

---

ABSTRACTThis research developed Computer Aided Diagnosis (CAD) for mammography using Markov Random Field (MRF) and local thereshold method. The Local thereshold methods finds abnormalities by comparing segments from abnormal image. While, MRF methods find abnormalities based on the pixel value and cluster's shape. In this research, the MRF method carried out with median fiter, histeq, and CHALCE contrast enhancement. MRF without any filter and contrast enhancement also done. The sensitivity, accuracy, specfity, presision and overall error of local thereshold method sequentially are 77.8%, 68.4%, 60.4%, 62.5%, and 31.6%. The low result caused by the diversity of the breast's from in the sample, so that each segment on each image doesn't refer to the same anatomical position. MRF segmentationwithout any filter and contrast enhancement gave the worst result. This result proved that mammography images have poor contrast and lot of noise. MRF method with median filter has the highestaccuracy (87.0%) and the lowest overall error (12.8%). This score shows that median filter + MRF method is the best method that can matches doctor's diagnosis. Histeq+MRF method has the highest sensitivity (95.9%) and the lowest specifity (76.52%). This result indicates that histeq+MRF method succesfully detect abnormal image as abnormal, but detect many the normal images as abnormal. CLAHE+MRF method has the highest specifity (92.2%) and the lowest sensitivity (73.1%). It shows that this method has a good performance in detecting normal image as normal but detect many abnormal images as normal. Histeq+MRF method shows the best performance in visualizing maglina clusters."

"Product design modeling using CAD/CAE is the third part of a four-part series. It is the first book to integrate discussion of computer design tools throughout the design process. Through this book, you will :- Understand basic design principles and all digital design paradigms- Understand computer-aided design, engineering, and manufacturing (CAD/CAE/CAM) tools available for various design-related tasks- Understand how to put an integrated system together to conduct all-digital design (ADD)"