Perpustakaan Digital ITB
Kanker liver menjadi salah satu jenis penyakit kanker yang memiliki tingkat kematian
tinggi di dunia. Oleh karena itu dibutuhkan deteksi dini kanker liver sebagai upaya
pencegahan peningkatan tingkat kematian dari tahun ke tahun. Berdasarkan pedoman
diagnosis internasional kanker liver non-invasive, pencitraan memiliki peranan penting
sebagai uji skrining dan modalitas diagnosis. Meskipun demikian, empat dari lima
pedoman diagnosis tersebut memiliki keterbatasan pada diagnosis lesi berukuran kecil.
Eksplorasi computer aided diagnosis (CAD) menjadi potensial dalam menjawab
keterbatasan ini sebagai opsi kedua dalam membantu interpretasi citra. Perkembangan
CAD dalam waktu dekat ini mengarah pada quantitative image analysis (QIA). Salah
satu aplikasi QIA adalah radiomik yang bekerja dengan mengubah analisis kualitatif
menjadi data kuantitatif. Di dalam proses radiomik, salah satu yang paling sensitif
adalah segmentasi region of interest (ROI) karena dapat mempengaruhi keandalan fitur
radiomik. Pada umumnya, beberapa penelitian diagnosis tumor liver dengan
pendekatan radiomik menggunakan segmentasi ROI jaringan normal dengan batasan
jaringan normal meliputi keseluruhan jaringan parenkim bebas tumor dan jaringan
tumor sendiri. Namun terdapat sebuah penelitian yang memvariasikan ukuran ROI
tersebut, ROI jaringan normal berskala sama dengan ROI jaringan tumor. Hasil yang
diperoleh dari variasi tersebut terbukti cukup unggul apabila dibandingkan dengan
hasil penelitian ROI tanpa variasi. Sehingga dalam studi ini dilakukan pengujian
terhadap variasi ukuran ROI, mulai dari besar, sedang hingga kecil pada karakterisasi
bagian normal dan bagian tumor menggunakan pendekatan radiomik berbasis CT.
Pengamatan fitur-fitur radiomik yang berpengaruh dan konsisten muncul pada
berbagai variasi ukuran serta hasil peformansi model penggolongan bagian normal dan
bagian tumor menjadi fokus penelitian ini.
Untuk mendapatkan tujuan pengamatan tersebut, metode radiomik yang dirancang
terdiri dari lima tahapan yakni pra-pemrosesan, segmentasi, ekstraksi fitur, seleksi
fitur, serta klasifikasi. Data yang digunakan berasal dari liver tumor segmentation
challenge (LiTS17). Tahap segmentasi melibatkan variasi skala pengukuran ROI pada
ii
citra mask data tersebut. Setelah itu, fitur statistika orde pertama, fitur bentuk, dan fitur
tekstur diekstraksi menggunakan PyRadiomics. Seleksi fitur diterapkan dengan dengan
dua metode yang berbeda, metode pertama menggunakan kombinasi korelasi Pearson,
backward elimination, dan principal component analysis (PCA), metode kedua terdiri
dari kombinasi mutual information (MI), F-test, Chi2-test yang kemudian direduksi
menggunakan LASSO. Begitu pula tahapan klasifikasi juga diterapkan dengan dua
buah metode yang berbeda, metode pertama meliputi enam jenis machine learning
sedangkan metode kedua berfokus pada satu jenis, hyperparameter machine learning.
Implementasi metode tersebut menghasilkan mayoritas fitur tekstur yang terbukti andal
pada setiap ukuran ROI untuk memberikan karakterisasi bagian normal dan bagian
tumor, serta satu fitur first-order energy dan satu fitur shape surface volume ratio.
Sementara itu, fitur yang telah terseleksi dan konsisten muncul pada semua observasi
ada empat yakni GLSZM (large area high gray level emphasis, zone entropy), GLCM
autocorrelation dan GLDM dependence non-uniformity normalized. Performansi fitur-
fitur terseleksi dari ukuran ROI besar, sedang hingga kecil berturut-turut menghasilkan
nilai AUC 0.82, 0.99, dan 0.98. Hal ini membuat ukuran ROI kecil dinilai mampu
menjadi alternatif pengganti ukuran ROI sedang yang pada umumnya digunakan dalam
deteksi jaringan normal dan jaringan tumor pada abnormalitas kanker liver.