Perpustakaan Digital ITB

Kanker payudara merupakan jenis kanker paling umum kedua pada wanita di seluruh dunia. Penggunaan mamografi sebagai perangkat deteksi dini dinilai mampu mengurangi resiko kematian akibat kanker hingga 40% dengan memberikan banyak pilihan metode pengobatan pada awal gejala ditemukan. Dari 25-30% kanker payudara dengan jenis ductal carcinoma in-situ (DCIS), sekitar 95% didiagnosis karena terdapat mikrokalsifikasi yang terdeteksi pada mamografi. Karakteristik mikrokalsifikasi yang berukuran kecil dan memiliki kontras yang rendah dengan jaringan payudara tempat mikrokalsifikasi ditemukan menjadi tantangan tersendiri bagi radiolog. Penelitian ini bertujuan untuk membantu radiolog dengan menemukan kandidat mikrokalsifikasi sehingga memudahkan radiolog untuk dapat melakukan klasifikasi berdasarkan pedoman BI-RADS. Penelitian ini terdiri dari dua bagian yaitu segmentasi jaringan payudara untuk mengeliminasi semua komponen pada citra mamografi yang bukan merupakan jaringan payudara dan bagian deteksi kandidat mikrokalsifikasi. Segmentasi jaringan payudara menggunakan metode thresholding untuk eliminasi label dan anotasi, dan klasifikasi k-means enam kelas untuk eliminasi otot pektoral. Deteksi kandidat mikrokalsifikasi menggunakan filter tekstur Law. Algoritma diimplementasikan pada datset Mini MIAS yang mengandung mikrokalsifikasi (25 citra untuk segmentasi jaringan payudara dan 20 citra untuk deteksi kandidat mikrokalsifikasi). Algoritma segmentasi jaringan payudara mampu mengelompokkan jaringan payudara dengan otot pektoral dengan hasil akurasi tertinggi pada kategori jaringan fatty-glandular sebesar 89% dan terendah pada dense-glandular sebesar 30%. Algoritma deteksi kandidat mikrokalsifikasi mampu mendeteksi kandidat mikrokalsifikasi dengan sensitivitas 100%, false positive per-image sebesar 59,25% dan positive predictive value 40,75%.