Astri Handayani, ST, MT
Pengembangan Teknik Machine Learning untuk Klasifikasi Diabetic Retinopathy (Astri Handayani) Klasifikasi Diabetic Retinopathy menggunakan Teknik machine learning telah banyak dikembangkan namun dengan tingkat akurasi yang berbeda-beda yang disebabkan oleh perbedaan kualitas data yang digunakan masiing-masing penelitian dan ketidaksinambungan proporsi data untuk masing-masing kelas Diabetic Retinopathy. Perbedaan tingkat akurasi banyak ditemui pada klasifikasi kelas Proliferative Diabetic Retinopathy (PDR) yang umumnya memiliki representasi sampel data paling sedikir dengan keragaman intra-kelas yang cukup tinggi. Pasien dengan PDR sangat berpeluang mengalami perdarahan intra-retinal yang seringkali berujung kepada kebutaan permanen. Oleh karena itu, penelitian ini mengkaji kemampuan berbagai model machine learning yang telah ada dalam mengidentifikasi PDR dan menyelidiki dengan pendekatan berbeda untuk optimalisasi kemampuan model machine learning dalam mendeteksi kasus PDR. Penelitian ini mengkompilasi berbagai dataset public maupun privat yang menyediakan sampe data PDR, serta beberapa model machine learning yang memiliki kinerja terbaik dalam mendeteksi Diabetic Retinopathy. Kinerja model machine learning yang berbeda dibandingkan untuk sampel data PDR yang telah dikompilasi, selanjutnya dilakukan optimasi terhadap masing-masing model tersebut. Strategi optimasi yang dilakukan meliputi transfer learning, penambahan cascaded linear classifier setelah CNN untuk mengoptimalkan pembedaan PDR dan NPDR, serta penggunaan Teknik ekstraksi fitur spasial untuk melokalisasi area retina dimana proliferasi pertumbuhan pembuluh darah (neovaskularisasi) terjadi. Peningkatan Kinerja Algoritma Pengukuran Lingkar Kepala Janin pada Pemeriksaan USG (Astri Handayani) Penelitian ini fokus kepada pengembangan sistem denoising untuk meningkatkan kualitas gambar USG dan optimasi algoritma pengukuran lingkar kepala janin agar dapat memberikan akurasi yang lebih baik atau sebanding dengan yang telah ada namun lebih efisien dari sisi waktu pemrosesan. Penelitian ini menggunakan beberapa teknik berbasis median filter yang dicobakan pada simulasi speckle noise pada citra USG dan Teknik yang memiliki kinerja optimal digunakan pada citra USG janin. Sistem klasifikasi piksel dibangun untuk melokalisasi kandidat kepala janin yang selanjutnya sistem ini dikustomisasi untuk data trimester awal dan akhir kehamilan. Berdasarkan kandidat kepala janin yang sudah teridentifikasi, dilakukan proses elips fitting untuk menghitung lingkar kepala janin Masalah utama dengan akuisisi citra kulit adalah kualitas citra yang tergantung pada kondisi lingkungan, seperti pencahayaan dan warna kulit. Hal ini dapat diatas dengan menggunakan pengolahan citra, image enhancement. Salah satu metode image enhancement yang umum digunakan adalah berbasis histogram stretching. Penelitian ini dilakukan dengan eksplorasi image enhancement menggunakan Contrast-Limited Adaptive Histogram Equalization (CLAHE) dan Multiscale Retinex Color Restoration (MSRCR) di deteksi kanker kulit. Tujuan utama penelitain ini adalah untuk membandingkan efek peningkatan kontras menggunakan CLAHE dan MSRCR dalam deteksi dini kanker kulit menggunakan machine learning berbasis CNN. Keterbatasan utama dari penelitian ini adalah hanya dua kelas klasifikasi yang dibahas, yaitu jinak dan ganas. Kegiatan yang dilakukan dalam kegiatan ini antara lain yaitu; studi literatur, implementasi Teknik pengolahan citra, image enhancement pada citra kanker kulit dengan menggunakan CLAHE dan MSRCR, pembuatan model machine learning berbasis CNN, analisis data dan penulisan makalah.
Prosiding konferensi internasional.
Automatisasi penarikan kedimpulan klinis melalui pendekatan pembelajaran mesin memiliki dampak luas bagi spesialisasi medis, dimana; Deteksi dini penyakit perlu dilakukan pada jumlah populasi yang besar dan dengan periode berulang, Deteksi dini penyakit sangat bergantung pada penilaian kualitatif atau semi-kuantitatif dokter maupun persepsi subjektif pasien, Jumlah dokter spesialis terbatas atau terdistribusi tidak merata.