Diagnosa Tumor Otak Berdasarkan Citra MRI  (Magnetic Resonance Imaging)

Ida Bagus Leo Mahadya Suta; Rukmi Sari Hartati; Yoga Divayana

doi:10.24843/MITE.2019.v18i02.P01

Ida Bagus Leo Mahadya Suta Udayana University
Rukmi Sari Hartati
Yoga Divayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2019.v18i02.P01

Abstrak

Tumor otak menjadi salah satu penyakit yang paling mematikan, salah satu jenis yang paling banyak ditemukan adalah glioma sekitar 6 dari 100.000 pasien adalah penderita glioma. Citra digital melalui Magnetic Resonance Imaging (MRI) merupakan salah satu metode untuk membantu dokter dalam menganalisa dan mengklasifikasikan jenis tumor otak. Namun, klasifikasi secara manual membutuhkan waktu yang lama dan memiliki resiko kesalahan yang tinggi, untuk itu dibutuhkan suatu cara otomatis dan akurat dalam melakukan klasifikasi citra MRI. Convolutional Neural Network (CNN) menjadi salah satu solusi dalam melakukan klasifikasi otomatis dalam citra MRI. CNN merupakan algoritma deep learning yang memiliki kemampuan untuk belajar sendiri dari kasus kasus sebelumnya. Dan dari penelitian yang telah dilakukan, diperoleh hasil bahwa CNN mampu dalam menyelesaikan klasifikasi tumor otak dengan akurasi yang tinggi. Peningkatan akurasi diperoleh dengan mengembangkan algoritma CNN baik melalui menentukan nilai kernel dan/atau fungsi aktivasi.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] W. Mengqiao, Y. Jie, C. Yilei, and W. Hao, “The multimodal brain tumor image segmentation based on convolutional neural networks,” 2017 2nd IEEE Int. Conf. Comput. Intell. Appl., pp. 336–339, 2017.
[2] L. Dirven, N. K. Aaronson, J. J. Heimans, and M. J. B. Taphoorn, “Health-related quality of life in high-grade glioma patients,” Chin. J. Cancer, vol. 33, no. 1, pp. 40–45, 2014.
[3] R. Riley, J. Murphy, and T. Higgins, “MRI imaging in pediatric appendicitis,” J. Pediatr. Surg. Case Reports, vol. 31, no. January, pp. 88–89, 2018.
[4] A. Pinto, V. Alves, and C. A. Silva, “Brain Tumor Segmentation using Convolutional Neural Networks in MRI Images,” IEEE Trans. Med. Imaging, vol. 35, no. 5, pp. 1240–1251, 2016.
[5] B. J. Erickson, P. Korfiatis, Z. Akkus, and T. L. Kline, “Machine Learning for Medical,” no. 1, pp. 505–515, 2017.
[6] J. Lee, S. Jun, Y. Cho, H. Lee, G. B. Kim, J. B. Seo, and N. Kim, “Deep Learning in Medical Imaging : General Overview,” vol. 18, no. 4, pp. 570–584, 2017.
[7] W. Rawat, “Deep Convolutional Neural Networks for Image Classification : A Comprehensive Review,” vol. 2449, pp. 2352–2449, 2017.
[8] G. Ö. Yiğit and B. M. Özyildirim, “Comparison of convolutional neural network models for food image classification,” vol. 1839, 2018.
[9] N. Sharma, V. Jain, and A. Mishra, “An Analysis of Convolutional Neural Networks for Image Classification,” Procedia Comput. Sci., vol. 132, no. Iccids, pp. 377–384, 2018.
[10] N. M. Balasooriya and R. D. Nawarathna, “A sophisticated convolutional neural network model for brain tumor classification,” 2017 IEEE Int. Conf. Ind. Inf. Syst., pp. 1–5, 2017.
[11] S. Hussain, S. M. Anwar, and M. Majid, “Brain Tumor Segmentation using Cascaded Deep Convolutional Neural Network,” 39th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc., pp. 1998–2001, 2017.
[12] S. S. "Gawande and V. Mendre, “Brain tumor diagnosis using image processing: A survey,” “RTEICT 2017 - 2nd IEEE Int. Conf. Recent Trends Electron. Inf. Commun. Technol. Proceedings,” vol. 2018–Janua, pp. 0–4, 2018.