Aplikasi Neural Network Dalam Bidang Med
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
GO
HOME
AUTHORS
BIOMEDICAL ENGINEERING
BIOMEDICAL ENGINEERING
ELECTRONICS DESIGN
EMBEDDED SYSTEM
POSTS
COMMENTS
EMBEDDED SYSTEM
Aplikasi Neural Network Dalam Bidang Medis
Flickr
Artificial Neural Network (ANN) merupakan metode komputasi yang didasarkan pada model matematika yang
memiliki struktur seperti syaraf dan operasi yang menyerupai otak[1,2,3]. Neural Network (NN) terdiri dari elemenelemen sederhana yang beroperasi secara paralel. Fungsi jaringan ditentukan terutama oleh hubungan antara
unsur-unsur yang disesuaikan, atau dilatih, sehingga input tertentu mengarah kepada sasaran output tertentu.
Jaringan disesuaikan, berdasarkan perbandingan antara output dan target, sampai output jaringan sesuai dengan
More Photos
target[4]. NN telah digunakan dalam berbagai aplikasi biomedis antara lain untuk klasifikasi penyakit[1,2],
klasifkasi biosignal[3,4,5,6] dan image processing[7,8].
A. Klasifikasi Penyakit
Archives
ANN sebagai salah satu metoda di bidang kecerdasan buatan telah digunakan untuk mengklasifikasi penyakit
January 2011
kadiovaskular antara lain diabetes dan hipertensi [1,2]. Insulin dependent diab etes mellitus (IDDM) adalah penyakit
November 2010
kronis yang timbul ketika hormon insulin tidak cukup diproduksi di dalam tubuh pasien. Pada penyakit IDDM,
prankeas tidak mampu mengontrol kadar gula darah dan menyebabkan kadar gula dalam darah terus meningkat.
Kadar gula darah yang tinggi menyebabkan penyakit lain, seperti retniopathies (kerusakan retina), nephropathies
April 2010
June 2009
(kerusakan ginjal), neuropathies (kerusakan jaringan syaraf) yang dapat menyebabkan disfungsi kardio-vagal,
arteriosklerosis, ataupun hipertensi[1,2].
Penelitian [1] mengklasifikasi pasien diabetes menjadi dua kelas dengan menggunakan NN dan AdaptiveNetwork Interference System (ANFIS). Salah satu poin yang penting dalam pasien diabetes adalah meramalkan
tingkatan diabetes. Diagnosa tingkat diabetes dapat mencegah masalah serius lainya[1].
Dengan menggunakan data-set dari UCI repository Prima Indian Diab etes dataset, dilakukan prepocessing untuk
Meta
Register
Log in
seleksi ciri dengan menggunakan algoritma genetik (Genetic Algorithm/GA) untuk mengklasifikasi diabetik dan non
Entries RSS
diabetik. Hasil dari penerapan GA terhadap dataset diperoleh empat ciri yaitu: Konsentrasi plasma-glukosa,
Comments RSS
ins3l.wordpress.com/biomedical-engineering/ann1/
1/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
tekanan darah diastol (mmHg), ketebalan (mm), dan indeks massa tubuh (kg/m2). Keempat ciri tersebut kemudian
WordPress.com
dipropagasikan ke dalam Neural Network (NN) untuk pelatihan dan menghitung hasil klasifikasi. Metode
pembelajaran yang digunakan dalam penelitian [1] adalah Levenberg-Marquardt dengan aristektur: 4 signal input,
2 hidden layer dengan 6 dan 4 neuron, dan 1 neuron di output layer (gambar 1). 668 data secara acak dipilih
sebagai data training dan 100 data secara acak dipilih data testing.[1]
Gambar 1.
Struktur
multilayer NN
dengan 4 input
dan 1 output[1]
Keempat ciri
yang sama juga
dipropagasikan
ke dalam ANFIS,
yang merupakan
kelas adaptive
network yang
secara fungsial
ekivalen dengan
Fuzzy interface
system.
Arsitektur ANFIS
yang digunakan
terdiri dari 5 layer
dengan 2 signal input dan satu signal output (gambar 2). Dari perbandingan hasil propagasi, ANFIS memiliki hasil
yang lebih baik dibandingkan NN[1].
Gambar 2. Struktur ANFIS classifier[1]
Pada penelitian [2], dilakukan klasifikasi bentuk gelombang arteri pada pasien diabetes dan hipertensi. Bentuk
gelombang denyut arteri sehat dilatih untuk menjadi template dan membangun database untuk mendeteksi
kelainan atau bentuk gelombang denyut arteri yang tidak diketahui dan diharapkan dapat menyediakan cara lain
untuk mendiagnosis penyakit kardiovaskular[2].
Data yang digunakan dalam penelitian [2] terdiri dari 3 kelompok yaitu: kelompok diabetes (63 pasien), kelompok
hipertensi (21 pasien) dan kelompok sehat (25 orang). Sedangkan ANN yang digunakan merupakan modifikasi
ins3l.wordpress.com/biomedical-engineering/ann1/
2/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
dari adaptive resonance theory network/ART yang terdiri dari 2 modus utama: modus training dan modus asosiasi
(gambar 3).[2]
Gambar 3 Struktur ART yang dimodifikasi[2]
Bagian A merupakan modus latihan dengan komponen F0 adalah layer input yang berfungsi melakukan
normalisasi sampel training sehingga diperoleh gelombang pulsa yang sama panjang, F1 berfungsi untuk
mengekstraksi karakteristik menggunakan koefisien korelasi. F2 berfungsi untuk membandingkan sampel
dengan data yang ada di database dengan keluaran informasi korelasi paling tinggi. Jika tidak ditemukan korelasi
pada database, gelombang tersebut akan disimpan sebagai template baru.[2]
Pada bagian B yang merupakan modus asosiasi, dilakukan proses yang sama sebagaimana modus training. F0
melakukan normalisasi pada sampel testing, kemudian sinyal di-ektraksi karakteristiknya dengan menggunakan
koefisien korelasi dan dibandingkan dengan database di F2. Keluaran dari F2 merupakan hasil klasifikasi yang
dapat membedakan penderita diabetes, hipertensi, dan orang sehat berdasarkan gelombang pulsa arteri. Dari
data ketiga kelompok tersebut menunjukkan 73% mengidap diabetes dan 90% mengidap hipertensi.[2]
B. Klasifikasi Biosignal
Berbagai metode NN telah digunakan untuk mendeteksi dan mengklasifikasi berbagi macam biosignal antara lain:
gelombang denyut arteri[2], electrocardigram (ECG)[3,4], dan electroencephalography (EEG)[5,6]. Klasifikasi
biosignal kemudian digunakan untuk mendiagnosis berbagai macam penyakit [2,3,4,5,6]. Gelombang denyut arteri
dideteksi dengan NN untuk mengetahui kelainan gelombang denyut yang kemudian digunakan untuk
mendiagnosis penyakit kardiovaskular[2]. RR-interval diukur dari sinyal QRS complex ECG untuk mendiagnosis
penyakit dan memonitor detak jantung[3,4]. Penyakit seperti seperti epilepsi, Cerebral Palsy dapat dideteksi dan
diklasifikasi dari sinyal EEG[5,6]. Pendeteksian dan pengklasifikasian biosignal dilakukan dalam tiga tahap yaitu:
signal pre-processing, ekstraksi ciri, dan klasifikasi[3,4].
Pre-prosesing berfungsi merekam signal elektrik, menganalisa berbagi variasi signal dan mengeliminasi noise.
Tahap pre-processing menjadi sangat penting karena pengukuran sinyal tidak hanya merekam biosignal saja
tetapi juga membawa sinyal-sinyal lain termasuk noise sehingga dapat menyebabkan ketidakakuratan dalam
pendeteksian biosignal[3,4,5,6].
Noise yang mungkin timbul pada pengukuran biosignal dapat disebakan oleh beberapa faktor antara lain:
ketidaksempunaan kontak antara elektroda dengan kulit, noise dari peralatan eletronik, radiasi elektromagnetik,
pergerakan artifak[4,5]. Salah satu metode yang dapat digunakan untuk memisahkan berbagai signal tersebut
adalah Independent Components Analytical (ICA)[5]. Teknik ICA telah digunakan untuk memisahkan artifak seperti
electrooculography (EOG) dan elektromiografi (EMG) dari sinyal EEG.[5].
Tahap ekstraksi ciri mengektraksi dan mengkonversi informasi data input kedalam set ciri (vector feature) dengan
mengurangi representasi pola[3]. Pada tahap ini dilakukan ektraksi ciri-ciri sinyal yang menampilkan beberapa
karakteristik yang unik dari sinyal dan yang cocok untuk tujuan klasifikasi. Ekstraksi ciri juga mengurangi jumlah
ins3l.wordpress.com/biomedical-engineering/ann1/
3/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
data, hanya informasi yang relevan yang akan diproses pada tahap klasifikasi sehingga akan mempercepat
proses klasifikasi[3,5]. Beberapa teknik yang digunakan untuk ektraski ciri antara lain: Koefisien korelasi[2],
Hidden Markov Model (HMM) dan Discrete Wavelet Transform (DWT)[5,6].
Pada tahap klasifikasi, dilakukan identifikasi pembatasan optimal batas-batas berbagai kelas sinyal dalam ruang
ciri yang dicapai dengan pendekatan analitik[5], salah satunya dengan menggunakan NN[3,4,5]. Arsitektur jaringan
untuk pemodelan NN antara lain: feedforward network, radial basis function network (RFBN), Kohonen selforganizing, recurrent network dan back-propagation[3,4,5]. Efisiensi classifiers tergantung pada
sejumlah faktor termasuk network training. Classifiers harus memiliki memiliki model input training dan output
yang mengindikasikan kapan training harus berhenti[3]. Training dan testing dari model didasakan pada hasil
database signal antara biosignal normal dengan biosignal yang memiliki kelainan.[2,3]
C.Image Processing
Tujuan utama dari image processing di instrumentasi biomedis adalah untuk mengumpulkan informasi, screening
atau invertigasi, untuk mendiagnosis, terapi dan kontrol, monitoring dan evaluasi. Image processing terdiri dari
lima tahap: akusisi, prepocessing, segmentasi, post-processing, dan analisa. Segmentasi merupakan proses
partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi
gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa[9]. Salah satu aplikasi praktis segmentasi
pada citra biomedis antara lain untuk diagnosis penyakit[7,8].
Penelitian [7] menggunakan back-propagation supervised learning NN untuk mengenali lesi kulit sebagai alat
bantu diagnosa dermatologist. Deskirimnasi lesi didasarkan pada Chromatic Color Indices dari foto kulit yang
diambil dari kamera digital. Pada tahap pre-processing, 600 gambar RGB diubah menjadi koordinat warna YcbCr.
Gambar-gambar tersebut kemudian pada tahap ekstraksi ciri diproses lebih lanjut untuk mengekstrak indeks
differrensial gradasi pixel yang merupakan representasi dari daerah lesi. 400 sampel yang terdapat indeks
tersebut digunakan dalam model supervised learning NN untuk klasifikasi lesi dan non lesi. 200 sampel yang lain
digunakan sebagai testing dan memvalidasi model NN.[7]
Kesimpulan
Berbagai metoda NN telah diterapkan dalam aplikasi biomedis terutama pada bidang diagnosa penyakit baik
melalui klasifikasi penyakit melalui pemeriksaan penunjang[1], klasifikasi biogisignal[2,3,4,5,6] dan image
processing[7,8]. Pendeteksian dan peng-klasifikaian dengan NN dilakukan dalam tiga tahap yaitu : preprocessing, ektraksi ciri, training dan klasifikasi.
Literatur
1.A. Vosoulipour, M. Teshnehlab, H.A. Moghadam, “Classification on Diabetes Mellitus Data-set Based-on Artificial
ins3l.wordpress.com/biomedical-engineering/ann1/
4/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
Neural Networks and ANFIS”, Biomed 2008, Proceedings 21, pp. 27–30, 2008.
2.C.C. Chiu, B.Y. Liau1, S.J. Yeh, C.L. Hsu, “Artificial Neural Network Classification of Arterial Pulse Waveforms in
Cardiovascular Diseases”, Biomed 2008, Proceedings 21, pp. 129–132, 2008.
3.E.M. Tamil, N.H. Kamarudin, R. Salleh, A.M. Tamil, “A Review on Feature Extraction & Classification Techniques
for Biosignal Processing (Part I: Electrocardiogram)”, Biomed 2008, Proceedings 21, pp. 107–112, 2008.
4.M.A. Hasan, M.I. Ibrahimy, M.B.I. Reaz, “NN-Based R-peak Detection in QRS Complex of ECG Signal”, Biomed
2008, Proceedings 21, pp. 217–220, 2008M.
5.Ashtiyani, S. Asadi, P.M. Birgani, E.A. Khordechi, “EEG Classification Using Neural Networks and Independent
Component Analysis”, Biomed 2008, Proceedings 21, pp. 179–182, 2008.
6.K.P. Nayak, U.C. Niranjan,”Epileptic Seizure Detection”, Biomed 2008, Proceedings 21, pp. 191–194, 2008
7.M. Md Kamal1, H. Hashim1, N. Ishak1 and A. Ibrahim1, “Supervised Learning of ANN for Plaque Lesion
Discrimination Based on Chromatic Color Indices”, Biomed 2008, Proceedings 21, pp. 624–628, 2008.
8.R. Adollah, M.Y. Mashor, N.F. Mohd Nasir, H. Rosline, H. Mahsin, H. Adilah, “Blood Cell Image Segmentation: A
Review”,Biomed 2008, Proceedings 21, pp. 141–144, 2008
Like
Loading...
Leave a Reply
Enter your comment here...
Blog at WordPress.com.
ins3l.wordpress.com/biomedical-engineering/ann1/
Theme: Enterprise by StudioPress.
5/5
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
GO
HOME
AUTHORS
BIOMEDICAL ENGINEERING
BIOMEDICAL ENGINEERING
ELECTRONICS DESIGN
EMBEDDED SYSTEM
POSTS
COMMENTS
EMBEDDED SYSTEM
Aplikasi Neural Network Dalam Bidang Medis
Flickr
Artificial Neural Network (ANN) merupakan metode komputasi yang didasarkan pada model matematika yang
memiliki struktur seperti syaraf dan operasi yang menyerupai otak[1,2,3]. Neural Network (NN) terdiri dari elemenelemen sederhana yang beroperasi secara paralel. Fungsi jaringan ditentukan terutama oleh hubungan antara
unsur-unsur yang disesuaikan, atau dilatih, sehingga input tertentu mengarah kepada sasaran output tertentu.
Jaringan disesuaikan, berdasarkan perbandingan antara output dan target, sampai output jaringan sesuai dengan
More Photos
target[4]. NN telah digunakan dalam berbagai aplikasi biomedis antara lain untuk klasifikasi penyakit[1,2],
klasifkasi biosignal[3,4,5,6] dan image processing[7,8].
A. Klasifikasi Penyakit
Archives
ANN sebagai salah satu metoda di bidang kecerdasan buatan telah digunakan untuk mengklasifikasi penyakit
January 2011
kadiovaskular antara lain diabetes dan hipertensi [1,2]. Insulin dependent diab etes mellitus (IDDM) adalah penyakit
November 2010
kronis yang timbul ketika hormon insulin tidak cukup diproduksi di dalam tubuh pasien. Pada penyakit IDDM,
prankeas tidak mampu mengontrol kadar gula darah dan menyebabkan kadar gula dalam darah terus meningkat.
Kadar gula darah yang tinggi menyebabkan penyakit lain, seperti retniopathies (kerusakan retina), nephropathies
April 2010
June 2009
(kerusakan ginjal), neuropathies (kerusakan jaringan syaraf) yang dapat menyebabkan disfungsi kardio-vagal,
arteriosklerosis, ataupun hipertensi[1,2].
Penelitian [1] mengklasifikasi pasien diabetes menjadi dua kelas dengan menggunakan NN dan AdaptiveNetwork Interference System (ANFIS). Salah satu poin yang penting dalam pasien diabetes adalah meramalkan
tingkatan diabetes. Diagnosa tingkat diabetes dapat mencegah masalah serius lainya[1].
Dengan menggunakan data-set dari UCI repository Prima Indian Diab etes dataset, dilakukan prepocessing untuk
Meta
Register
Log in
seleksi ciri dengan menggunakan algoritma genetik (Genetic Algorithm/GA) untuk mengklasifikasi diabetik dan non
Entries RSS
diabetik. Hasil dari penerapan GA terhadap dataset diperoleh empat ciri yaitu: Konsentrasi plasma-glukosa,
Comments RSS
ins3l.wordpress.com/biomedical-engineering/ann1/
1/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
tekanan darah diastol (mmHg), ketebalan (mm), dan indeks massa tubuh (kg/m2). Keempat ciri tersebut kemudian
WordPress.com
dipropagasikan ke dalam Neural Network (NN) untuk pelatihan dan menghitung hasil klasifikasi. Metode
pembelajaran yang digunakan dalam penelitian [1] adalah Levenberg-Marquardt dengan aristektur: 4 signal input,
2 hidden layer dengan 6 dan 4 neuron, dan 1 neuron di output layer (gambar 1). 668 data secara acak dipilih
sebagai data training dan 100 data secara acak dipilih data testing.[1]
Gambar 1.
Struktur
multilayer NN
dengan 4 input
dan 1 output[1]
Keempat ciri
yang sama juga
dipropagasikan
ke dalam ANFIS,
yang merupakan
kelas adaptive
network yang
secara fungsial
ekivalen dengan
Fuzzy interface
system.
Arsitektur ANFIS
yang digunakan
terdiri dari 5 layer
dengan 2 signal input dan satu signal output (gambar 2). Dari perbandingan hasil propagasi, ANFIS memiliki hasil
yang lebih baik dibandingkan NN[1].
Gambar 2. Struktur ANFIS classifier[1]
Pada penelitian [2], dilakukan klasifikasi bentuk gelombang arteri pada pasien diabetes dan hipertensi. Bentuk
gelombang denyut arteri sehat dilatih untuk menjadi template dan membangun database untuk mendeteksi
kelainan atau bentuk gelombang denyut arteri yang tidak diketahui dan diharapkan dapat menyediakan cara lain
untuk mendiagnosis penyakit kardiovaskular[2].
Data yang digunakan dalam penelitian [2] terdiri dari 3 kelompok yaitu: kelompok diabetes (63 pasien), kelompok
hipertensi (21 pasien) dan kelompok sehat (25 orang). Sedangkan ANN yang digunakan merupakan modifikasi
ins3l.wordpress.com/biomedical-engineering/ann1/
2/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
dari adaptive resonance theory network/ART yang terdiri dari 2 modus utama: modus training dan modus asosiasi
(gambar 3).[2]
Gambar 3 Struktur ART yang dimodifikasi[2]
Bagian A merupakan modus latihan dengan komponen F0 adalah layer input yang berfungsi melakukan
normalisasi sampel training sehingga diperoleh gelombang pulsa yang sama panjang, F1 berfungsi untuk
mengekstraksi karakteristik menggunakan koefisien korelasi. F2 berfungsi untuk membandingkan sampel
dengan data yang ada di database dengan keluaran informasi korelasi paling tinggi. Jika tidak ditemukan korelasi
pada database, gelombang tersebut akan disimpan sebagai template baru.[2]
Pada bagian B yang merupakan modus asosiasi, dilakukan proses yang sama sebagaimana modus training. F0
melakukan normalisasi pada sampel testing, kemudian sinyal di-ektraksi karakteristiknya dengan menggunakan
koefisien korelasi dan dibandingkan dengan database di F2. Keluaran dari F2 merupakan hasil klasifikasi yang
dapat membedakan penderita diabetes, hipertensi, dan orang sehat berdasarkan gelombang pulsa arteri. Dari
data ketiga kelompok tersebut menunjukkan 73% mengidap diabetes dan 90% mengidap hipertensi.[2]
B. Klasifikasi Biosignal
Berbagai metode NN telah digunakan untuk mendeteksi dan mengklasifikasi berbagi macam biosignal antara lain:
gelombang denyut arteri[2], electrocardigram (ECG)[3,4], dan electroencephalography (EEG)[5,6]. Klasifikasi
biosignal kemudian digunakan untuk mendiagnosis berbagai macam penyakit [2,3,4,5,6]. Gelombang denyut arteri
dideteksi dengan NN untuk mengetahui kelainan gelombang denyut yang kemudian digunakan untuk
mendiagnosis penyakit kardiovaskular[2]. RR-interval diukur dari sinyal QRS complex ECG untuk mendiagnosis
penyakit dan memonitor detak jantung[3,4]. Penyakit seperti seperti epilepsi, Cerebral Palsy dapat dideteksi dan
diklasifikasi dari sinyal EEG[5,6]. Pendeteksian dan pengklasifikasian biosignal dilakukan dalam tiga tahap yaitu:
signal pre-processing, ekstraksi ciri, dan klasifikasi[3,4].
Pre-prosesing berfungsi merekam signal elektrik, menganalisa berbagi variasi signal dan mengeliminasi noise.
Tahap pre-processing menjadi sangat penting karena pengukuran sinyal tidak hanya merekam biosignal saja
tetapi juga membawa sinyal-sinyal lain termasuk noise sehingga dapat menyebabkan ketidakakuratan dalam
pendeteksian biosignal[3,4,5,6].
Noise yang mungkin timbul pada pengukuran biosignal dapat disebakan oleh beberapa faktor antara lain:
ketidaksempunaan kontak antara elektroda dengan kulit, noise dari peralatan eletronik, radiasi elektromagnetik,
pergerakan artifak[4,5]. Salah satu metode yang dapat digunakan untuk memisahkan berbagai signal tersebut
adalah Independent Components Analytical (ICA)[5]. Teknik ICA telah digunakan untuk memisahkan artifak seperti
electrooculography (EOG) dan elektromiografi (EMG) dari sinyal EEG.[5].
Tahap ekstraksi ciri mengektraksi dan mengkonversi informasi data input kedalam set ciri (vector feature) dengan
mengurangi representasi pola[3]. Pada tahap ini dilakukan ektraksi ciri-ciri sinyal yang menampilkan beberapa
karakteristik yang unik dari sinyal dan yang cocok untuk tujuan klasifikasi. Ekstraksi ciri juga mengurangi jumlah
ins3l.wordpress.com/biomedical-engineering/ann1/
3/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
data, hanya informasi yang relevan yang akan diproses pada tahap klasifikasi sehingga akan mempercepat
proses klasifikasi[3,5]. Beberapa teknik yang digunakan untuk ektraski ciri antara lain: Koefisien korelasi[2],
Hidden Markov Model (HMM) dan Discrete Wavelet Transform (DWT)[5,6].
Pada tahap klasifikasi, dilakukan identifikasi pembatasan optimal batas-batas berbagai kelas sinyal dalam ruang
ciri yang dicapai dengan pendekatan analitik[5], salah satunya dengan menggunakan NN[3,4,5]. Arsitektur jaringan
untuk pemodelan NN antara lain: feedforward network, radial basis function network (RFBN), Kohonen selforganizing, recurrent network dan back-propagation[3,4,5]. Efisiensi classifiers tergantung pada
sejumlah faktor termasuk network training. Classifiers harus memiliki memiliki model input training dan output
yang mengindikasikan kapan training harus berhenti[3]. Training dan testing dari model didasakan pada hasil
database signal antara biosignal normal dengan biosignal yang memiliki kelainan.[2,3]
C.Image Processing
Tujuan utama dari image processing di instrumentasi biomedis adalah untuk mengumpulkan informasi, screening
atau invertigasi, untuk mendiagnosis, terapi dan kontrol, monitoring dan evaluasi. Image processing terdiri dari
lima tahap: akusisi, prepocessing, segmentasi, post-processing, dan analisa. Segmentasi merupakan proses
partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi
gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa[9]. Salah satu aplikasi praktis segmentasi
pada citra biomedis antara lain untuk diagnosis penyakit[7,8].
Penelitian [7] menggunakan back-propagation supervised learning NN untuk mengenali lesi kulit sebagai alat
bantu diagnosa dermatologist. Deskirimnasi lesi didasarkan pada Chromatic Color Indices dari foto kulit yang
diambil dari kamera digital. Pada tahap pre-processing, 600 gambar RGB diubah menjadi koordinat warna YcbCr.
Gambar-gambar tersebut kemudian pada tahap ekstraksi ciri diproses lebih lanjut untuk mengekstrak indeks
differrensial gradasi pixel yang merupakan representasi dari daerah lesi. 400 sampel yang terdapat indeks
tersebut digunakan dalam model supervised learning NN untuk klasifikasi lesi dan non lesi. 200 sampel yang lain
digunakan sebagai testing dan memvalidasi model NN.[7]
Kesimpulan
Berbagai metoda NN telah diterapkan dalam aplikasi biomedis terutama pada bidang diagnosa penyakit baik
melalui klasifikasi penyakit melalui pemeriksaan penunjang[1], klasifikasi biogisignal[2,3,4,5,6] dan image
processing[7,8]. Pendeteksian dan peng-klasifikaian dengan NN dilakukan dalam tiga tahap yaitu : preprocessing, ektraksi ciri, training dan klasifikasi.
Literatur
1.A. Vosoulipour, M. Teshnehlab, H.A. Moghadam, “Classification on Diabetes Mellitus Data-set Based-on Artificial
ins3l.wordpress.com/biomedical-engineering/ann1/
4/5
16/06/13
Aplikasi Neural Network Dalam Bidang Medis | I N S 3 L
Neural Networks and ANFIS”, Biomed 2008, Proceedings 21, pp. 27–30, 2008.
2.C.C. Chiu, B.Y. Liau1, S.J. Yeh, C.L. Hsu, “Artificial Neural Network Classification of Arterial Pulse Waveforms in
Cardiovascular Diseases”, Biomed 2008, Proceedings 21, pp. 129–132, 2008.
3.E.M. Tamil, N.H. Kamarudin, R. Salleh, A.M. Tamil, “A Review on Feature Extraction & Classification Techniques
for Biosignal Processing (Part I: Electrocardiogram)”, Biomed 2008, Proceedings 21, pp. 107–112, 2008.
4.M.A. Hasan, M.I. Ibrahimy, M.B.I. Reaz, “NN-Based R-peak Detection in QRS Complex of ECG Signal”, Biomed
2008, Proceedings 21, pp. 217–220, 2008M.
5.Ashtiyani, S. Asadi, P.M. Birgani, E.A. Khordechi, “EEG Classification Using Neural Networks and Independent
Component Analysis”, Biomed 2008, Proceedings 21, pp. 179–182, 2008.
6.K.P. Nayak, U.C. Niranjan,”Epileptic Seizure Detection”, Biomed 2008, Proceedings 21, pp. 191–194, 2008
7.M. Md Kamal1, H. Hashim1, N. Ishak1 and A. Ibrahim1, “Supervised Learning of ANN for Plaque Lesion
Discrimination Based on Chromatic Color Indices”, Biomed 2008, Proceedings 21, pp. 624–628, 2008.
8.R. Adollah, M.Y. Mashor, N.F. Mohd Nasir, H. Rosline, H. Mahsin, H. Adilah, “Blood Cell Image Segmentation: A
Review”,Biomed 2008, Proceedings 21, pp. 141–144, 2008
Like
Loading...
Leave a Reply
Enter your comment here...
Blog at WordPress.com.
ins3l.wordpress.com/biomedical-engineering/ann1/
Theme: Enterprise by StudioPress.
5/5