Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker paru merupakan kanker yang paling banyak ditemukan dan paling mematikan di dunia. Penentuan stadium kanker paru umumnya dilakukan oleh dokter radiologi dengan melihat pembesaran kelenjar getah bening (KGB) mediastinal. KGB mediastinal cukup sulit dideteksi secara visual dikarenakan memiliki kontras yang rendah  terhadap jaringan di sekitarnya, ukuran dan bentuknya yang bervariasi, serta tersebar di berbagai lokasi. Oleh karena itu, akhir – akhir ini dikembangkan sistem computer-aided detection (CADe) sebagai alat bantu bagi dokter radiologi untuk mendeteksi KGB mediastinal secara otomatis. Metode terbaik saat ini dalam sistem CADe KGB mediastinal tersebut menggunakan 2D convolutional neural network (CNN) yang diterapkan dari 3 sudut pandang (axial, coronal, sagittal). Namun, sifat 3D dari KGB mediastinal dihipotesakan akan lebih terwakili jika menggunakan 3D CNN. Oleh karena itu, dalam penelitian ini digunakan 3D CNN yang kemudian diubah menjadi 3D fully convolutional network (FCN)  untuk mendeteksi kandidat KGB mediastinal di dalam suatu tumpukkan citra CT. Kandidat KGB mediastinal tersebut kemudian dianalisa untuk mengurangi false positive (FP) menggunakan 3 metode, yaitu perhitungan mean HU, deteksi kontur menyerupai lingkaran, dan klasifikasi menggunakan 3D CNN. Performa terbaik dari sistem CADe KGB mediastinal ini diperoleh ketika menggunakan 3D CNN dalam tahap pengurangan FP dengan sensitivitas 77% dan 12 FP/pasien.

---

Lung cancer is the most common and the deadliest cancer in the world. Lung cancer staging usually was done by radiologist by detecting mediastinal lymph node (LN) enlargement. Mediastinal LN is difficult to be detected visually due to its low contrast to the surrounding tissues, various size and shape, and sparse location. Therefore, computer-aided detection (CADe) system has been developed as a tool for radiologist to detect medistinal LN automatically. The state of the art mediastinal LN CADe system used 2D convolutional neural network (CNN) from 3 planar views (axial, coronal, sagittal). However, the 3D features of mediastinal LN are hypothesized to be more reprenseted if 3D CNN is used. Therefore, in this experiment we used 3D CNN which is converted to 3D fully convolutional network (FCN) to detect mediastinal LN candidate in a stack of CT images. Then, the mediastinal LN candidates were analyzed using 3 methods to reduce the false positive (FP), which are the calculation of the mean HU, the blob detection, and the classification using 3D CNN. The best performance of this CADe system was achieved when the 3D CNN was used in the FP reduction stage which has 77% of sensitivity and 12 FP/ patient."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"This book presents the proceedings of the 14th International Conference on Computer Aided Engineering, collecting the best papers from the event, which was held in Wrocław, Poland in June 2018. It includes contributions from researchers in computer engineering addressing the applied science and development of the industry and offering up-to-date information on the development of the key technologies in technology transfer. It is divided into the following thematic sections:- parametric and concurrent design,- advanced numerical simulations of physical systems,- integration of CAD/CAE systems for machine design,- presentation of professional CAD and CAE systems,- presentation of the modern methods of machine testing,- presentation of practical CAD/CAM/CAE applications:- designing and manufacturing of machines and technical systems,- durability prediction, repairs and retrofitting of power equipment,- strength and thermodynamic analyses of power equipment,- design and calculation of various types of load-carrying structures,- numerical methods of dimensioning materials handling and long-distance transport equipment (cranes, gantries, automotive, rail, air, space and other special vehicles and earth-moving machinery),- CAE integration problems."

"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)"

"ABSTRAKPembacaan mammografi merupakan aktifitas yang memerlukan pengetahuan dan kemampuan yang handal. Keberhasilan pengobatan kanker payudara tergantung pada deteksi dini dan diagnosis kelainan payudara. Mamografi adalah pemeriksaan terbaik yang tersedia untuk mendeteksi tanda-tanda awal kanker payudara seperti massa, kalsifikasi, asimetri bilateral dan distorsi arsitektur. Karena keterbatasan pengamat manusia, komputer memiliki peran utama dalam mendeteksi tanda-tanda awal kanker. Metode watershed diharapkan dapat memberikan informasi berbagai fitur yang menentukan kelainan dan fakta bahwa mereka sering tidak bisa dibedakan dari jaringan sekitarnya.computer aided diagnosis mammography diharapkan dapat membantu dalam pembacaan ketidak normalan pada payudara . Segmentasi watershed dengan pemilihan filter yang tepat dapat menghasilkan citra yang bisa membantu dalam melakukan diagnosa. Untuk proses diagnosis diperlukan nilai spesifisitas dan sensitivitas yang tinggi. Hasil evaluasi pada metode watershed dan batas ambang untuk nilai sensitivitas dan spesifisitas memiliki perbedaan 45% dan 12%. evaluasi ROC kombinasi sobel watershed memiliki nilai akurasi 83% dan kombinasi prewitt watershed memiliki nilai akurasi 85%

---

ABSTRACTThe reading of mammography is an activity that requires knowledge and a powerful ability. Successful treatment of breast cancer depends on early detection and diagnosis of breast abnormalities. Mammography is the best available inspection to detect early signs of breast cancer such as mass, calcification, bilateral asymmetry and architectural distortion. Due to the limitations of the human observer, the computer has a major role in detecting early signs of cancer. Watershed method is expected to provide information on various features that define the disorder and the fact that they often can not be distinguished from the surrounding tissue. mammography computer-aided diagnosis is expected to assist in the reading of abnormalities in the breast. Watershed segmentation with the selection of the right filter can produce images that could help to make diagnosis. For the diagnostic process is required specificity and high sensitivity. The results of the evaluation at watershed method and the threshold for sensitivity and specificity have a difference of 45% and 12%. ROC evaluation Sobel combination watershed has a value of 83% accuracy and combination prewitt watershed has a value of 85 % accuracy"

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

ABSTRACTBreast cancer is the most common cancer in women worldwide and the second mostcommon cancer in Indonesia. Metastasis is the medical term for cancer that spreadsto a different part of the body from where it started. Information from the lymphnode biopsy can help doctor that treatment decisions depend on stage of metastases.Normaly pathologist makes a diagnosis of the prepared sample slide from samplebiopsy with manual visual inspection. Manual diagnosis has the possibility to misssome section not checked, classification errors and subjectivity result. Theclassification process with AI will help the pathologist check faster, reduce the errorlevel and eliminate the subjectivity. The proposed Method using adaptivethresholding method in whole slide image is to determine the area to be processed.And Convolution Neural Network (CNN) for image classification. Adaptivethresholding have ability to separating the blank slide area and tissue area. CNN issuperior in image classification . Classification data for this thesis using 6classification, five class normal cell and one tumor. Adaptive thresholding methodin whole slide image can separate empty tissue and tissue with cell area. The resultCNN Method for overall accuracy 86% and accuracy for tumor cell is 93%.Classification and staging result can be improved by improving dataset for trainingand developing, change the configuration of CNN architecture or adding newmethod."