TOMATIS DETEKSI KANKER PAYUDARA DI MASSA

Mammogram MENGGUNAKAN OPERATOR MORFOLOGIS

DAN FUZZY C-MEANS CLUSTERING

S.SAHEB Basha,

DR.K.SATYA Prasad

Madina Teknik College, Kadapa, (AP) - India,

Jawaharlal Nehru Technological University, Kakinada, (AP) - India

Email: sahebshaik@gmail.com, kodati_prasad@yahoo.co.in

ABSTRAK

Kanker payudara adalah salah satu penyebab utama kematian di kalangan wanita. Kecil
kelompok kalsifikasi mikro muncul sebagai koleksi dari bintik-bintik putih pada mammogram
menunjukkan peringatan dini kanker payudara. Utama pencegahan tampaknya tidak mungkin
karena penyebab penyakit ini masih tetap tidak diketahui. Sebuah peningkatan teknik
diagnostik dini sangat penting untuk kualitas hidup perempuan. Mamografi adalah tes utama
yang digunakan untuk skrining dan diagnosis dini. Deteksi dini dilakukan pada sinar-X
mamografi adalah kunci untuk meningkatkan prognosis kanker payudara. Dalam rangka
meningkatkan kinerja ahli radiologi diagnostik, beberapa komputer-dibantu diagnosis (CAD)
skema telah dikembangkan untuk meningkatkan deteksi tanda tangan utama dari penyakit:
massa dan kalsifikasi mikro. Misa adalah ruang-pendudukan lesi, dijelaskan oleh bentuk,
margin, dan sifat padatnya. Sebuah neoplasma jinak yang lancar marginated, sedangkan
keganasan adalah ditandai dengan perbatasan tidak jelas yang menjadi lebih berspekulasi
dengan waktu. Karena sedikit erbedaan sinar-X redaman antara massa dan jaringan kelenjar
jinak, mereka muncul dengan kontras rendah dan sering sangat kabur. Kalsifikasi mikro adalah
deposito kecil kalsium yang muncul sebagai titik terang kecil di mammogram. Makalah ini
menyajikan penelitian tentang gambar mamografi menggunakan operator morfologi dan c
Fuzzy - berarti pengelompokan untuk segmentasi massa tumor kanker. Langkah pertama dari
tanda-tanda kanker deteksi harus menjadi prosedur segmentasi dapat membedakan massa
dan kalsifikasi mikro dari latar belakang jaringan menggunakan operator morfologi dan
akhirnya kabur c-means (FCM) algoritma telah diterapkan untuk intensitas - segmentasi
berbasis. Teknik yang diusulkan menunjukkan hasil yang lebih baik KATA KUNCI: Mamografi,
Segmentasi, Morfologi, fuzzy c-means, Tumor.

1. PENDAHULUAN

Kanker payudara telah menjadi salah satu penyebab utama

kematian di antara wanita sejak dekade terakhir dan

telah menjadi darurat untuk perawatan kesehatan

sistem negara industri. Penyakit ini

menjadi kanker paling umum di kalangan wanita. Jika

kanker dapat terdeteksi dini, opsi-opsi dari

pengobatan dan kemungkinan pemulihan total akan

meningkat. Intra-operasi diagnosis penyakit

telah terus menjadi lebih penting sehubungan dengan

pengenalan baru dari node getah bening sentinel

biopsi.

Sebuah node getah bening sentinel digolongkan sebagai node yang

memiliki koneksi limfatik langsung ke kanker, dan

karena itu akan menjadi lokasi yang paling mungkin

kanker menyebar dari payudara. Dalam studi bedah

juga telah menunjukkan bahwa kemungkinan menemukan

penyakit lebih bawah rantai kelenjar getah bening

yang mengalirkan payudara, secara signifikan lebih kecil jika

kanker tidak dapat ditemukan dalam sentinel node getah bening. Itu

American College of Radiology Payudara Imaging

Pelaporan dan Data System (BIRADS) menjadi

standar pada penilaian mammographic

gambar dan menggunakan empat kategori untuk kepadatan

evaluasi [9]:

BIRADS I: payudara hampir seluruhnya lemak,

BIRADS II: ada beberapa jaringan fibro-kelenjar,

BIRADS III: payudara adalah heterogen padat,

BIRADS IV: payudara sangat padat.

Gambar 1 menunjukkan contoh mammogram setiap

kelas (dengan mammogram yang diambil dari

MIAS database). Perhatikan bagaimana kepadatan internal

payudara meningkat dari BIRADS I (kiri) untuk

BIRADS IV (kanan). Perlu dicatat bahwa selain

kepadatan ini BIRADS kelas juga termasuk

pola yang dapat digambarkan sebagai berbagai tekstur.

Dengan demikian, tampaknya tepat untuk mencakup

aspek dalam pendekatan klasifikasi otomatis. Halaman 2

Jurnal Teknologi Informasi Teori dan Terapan

2005 - 2009 JATIT. All rights reserved.

www.jatit.org

705

(A)

(B)

(C)

(D)

Gambar 1 Contoh mammogram,. Mana

kepadatan payudara meningkat dari (a) BIRADS I (d)

BIRADS IV.

Bovis dan Singh [5] diekstrak fitur dari

payudara global dan menggunakan kombinasi pengklasifikasi

untuk pelatihan dan pengujian sistem. Petroudi dkk.

[6] texturess digunakan untuk mendapatkan kamus visual untuk

payudara klasifikasi. Arnau Oliver & Xavier Llado

[9]

tergolong

mammogram menggunakan

tekstur

informasi, XYWang & JM Garibaldi [12]

menerapkan teknik untuk membandingkan fuzzy dan

non-fuzzy clustering dalam mendiagnosis kanker, Yao

Yao [13] mendeteksi kanker payudara massa di

mammogram dengan segmentasi dan menggunakan magnet

resonansi imaging, Arianna Mencattini & Roberto

Lojacono [7] terdeteksi kanker payudara dari x-ray

mamografi dengan cara wavelet dan

operator morfologi, M.Bhattacharya & A.Das

[8] tersegmentasi digital mammogram menggunakan Fuzzy

logika berbasis segmentasi dan mutiresolution

teknik, A.Laine & W.Yang [9] yang disempurnakan

kontras untuk mamografi digital menggunakan wavelet,

MJBottema & GN Lee [4] membantu dalam mendiagnosis

kanker payudara dengan menerapkan algoritma

yang bisa automatatically

mengekstrak gambar

fitur. Teknik sejauh ini, digunakan salah satu

atau dua fitur untuk mendeteksi atau untuk mengekstrak kanker payudara

massa di mammogram ..

Dalam makalah ini kami telah menyajikan sebuah pendekatan baru

untuk secara otomatis mendeteksi massa kanker payudara pada

mammogram menggunakan operator morfologi dan

fuzzy c - berarti algoritma clustering. Yang diusulkan

pendekatan memanfaatkan operasi morfologi untuk

segmentasi mammogram untuk membedakan

massa dan kalsifikasi mikro dan fuzzy c -

berarti pengelompokan untuk segmentasi intensitas berbasis

untuk mengekstrak fitur dari massa kanker dari

mammogram.

Makalah ini diorganisasikan sebagai berikut: Bagian 2

memperkenalkan konsep dan teknik yang digunakan dalam

pekerjaan yang diusulkan. Bagian 3 membahas

segmentasi

dari

mammogram

menggunakan

morfologi operasi & identifikasi

massa dalam mammogram menggunakan c cara-fuzzy

algoritma clustering. Bagian 4 menunjukkan Eksperimental

Hasil & Kesimpulan Bagian 5 meliputi.

2,1 mamografi X-ray

X-Ray Mamografi umumnya digunakan dalam klinis

praktek untuk tujuan diagnostik dan skrining.

Skrining mamografi telah direkomendasikan

sebagai metode paling efektif untuk deteksi dini

kanker payudara.

Mamografi menyediakan tinggi

sensitivitas pada payudara lemak dan

sangat baik

demonstrasi kalsifikasi mikro [3], melainkan

sangat menandakan sebuah awal keganasan. Karena yang

biaya rendah, sangat cocok untuk program skrining massal.

Mamografi memiliki keterbatasan. Hal ini kurang dapat diandalkan

pada payudara padat perempuan muda atau perempuan

mengalami intervensi bedah pada payudara

karena jaringan kelenjar dan bekas luka adalah sebagai

radiopak sebagai kelainan. Selain itu, ada

dosis radiasi X-Ray rendah.

2,2 MRI payudara

Magnetic Resonance Imaging adalah yang paling menarik

alternatif untuk mamografi. MRI sangat sensitif bagi

mendeteksi beberapa kanker yang dapat terlewatkan oleh

mamografi. Selain itu, MRI dapat membantu

ahli radiologi dan spesialis lain menentukan bagaimana

mengobati pasien kanker payudara dengan mengidentifikasi panggung

penyakit. Hal ini sangat efektif untuk payudara gambar

setelah operasi payudara atau terapi radiasi. Untuk menjadi

efektif, kontras ditingkatkan MRI payudara dilakukan

keluar dengan menyuntikkan di tubuh pasien dari

paramagnetik kontras agen. Metode ini didasarkan

pada hipotesis bahwa, setelah injeksi

agen, kelainan meningkatkan lebih dari biasanya

karena vaskularisasi mereka yang meningkat, pembuluh darah jaringan

permeabilitas dan ruang interstisial [1] MRI bentuk

3D terkompresi gambar. Hal ini dapat melakukan semua

termasuk perempuan yang tidak cocok untuk

mamografi, seperti perempuan muda dengan padat

payudara dan wanita dengan payudara silikon penuh

implan. Karena menggunakan medan magnet, MRI tidak memiliki

berbahaya efek pada tubuh manusia. Namun, MRI

membutuhkan waktu agak lama untuk melakukan dan memiliki biaya tinggi

yang lebih dari sepuluh kali lebih besar dari

mamografi. Resolusi rendah yang membatasi

aplikasi untuk lesi yang sangat kecil atau

mikro

kalsifikasi. Halaman 3

Jurnal Teknologi Informasi Teori dan Terapan

2005 - 2009 JATIT. All rights reserved.

www.jatit.org

706

2,3 ALAT PENGOLAHAN CITRA UNTUK

TUMOR DALAM DETEKSI mammogram

Karena skrining mamografi saat ini

utama uji untuk deteksi dini kanker payudara,

sejumlah besar mammogram perlu diperiksa

oleh sejumlah ahli radiologi, sehingga

karena kesalahan manusia dengan kelelahan visual kesalahan diagnosis.

Untuk meningkatkan akurasi diagnostik dan

efisiensi, dibantu komputer diagnosis telah

diperkenalkan dalam proses penyaringan. Saat ini,

ada metode gambar beberapa pengolahan

diusulkan untuk mendeteksi tumor pada

mammogram. Berbagai teknologi seperti fraktal

analisis [1], transformasi wavelet diskrit dan Markov

lapangan acak telah digunakan. Dalam [2], kelipatan

melingkar jalan

konvolusi saraf

jaringan

arsitektur telah dirancang untuk analisis

tumor dan tumor seperti struktur. Dalam [3], Petrick et

al. melaporkan dua tahap adaptif kepadatan-tertimbang

Sebaliknya peningkatan (DWCE) algoritma untuk tumor

deteksi dalam mammogram. Studi ini fokus pada

dua jenis kanker payudara: kalsifikasi mikro dan

massa. Kinerja berbagai metode

dilaporkan dalam literatur dalam banyak kasus telah

diukur pada set data yang berbeda. Pemilihan

database yang digunakan oleh para peneliti dapat mempengaruhi

kinerja algoritma mereka secara signifikan

[4]. Karena batas waktu, makalah ini bertujuan untuk menerapkan

beberapa teknik pencitraan konvensional pengolahan

untuk mendeteksi massa di mammogram dari Digital

Database untuk Mamografi Screening (DDSM) dari

University of South Florida.

3,1 MATEMATIKA MORFOLOGI

Salah satu daerah yang paling berharga dari Gambar

pengolahan adalah Matematika Morfologi. Mengatur teori

membentuk substratum Morfologi Matematika.

Objek dalam gambar analog dengan set di

Matematika Morfologi. Untuk geometri hubungan

di tengah-tengah set poin tersebut menjadi inti untuk

operasi morfologi [10]. Beberapa

utama operasi yang berperan untuk beragam

gambar masalah pemrosesan meliputi erosi,

pelebaran, membuka dan menutup.

FUZZY LOGIC 3,2

Zadeh memperkenalkan teori logika fuzzy dalam

akhir tahun 1960. Sebelumnya Lukasiewicz telah menciptakan

logika multivalued dan logika fuzzy dianggap

ditemukannya kembali pendekatan itu. Sejak nyata berbagai

skenario dunia tidak dapat diwakili oleh dua

nilai pendekatan himpunan fuzzy diperkenalkan.

Fuzzy set, fungsi keanggotaan fuzzy, dan fuzzy

aturan membentuk komponen unsur fuzzy

keputusan logika sistem pengambilan. Membership seorang

fungsi merupakan bagian analog dari himpunan fuzzy.

3,3 MORFOLOGIS SEGMENTASI

Ini menjelaskan bagian segmentasi

mammogram untuk mengidentifikasi kanker di payudara.

Pendekatan yang diusulkan menggunakan matematika

morfologi operasi untuk segmentasi. Itu

operasi morfologi diterapkan pada

gambar grayscale mamografi untuk segmen

daerah yang abnormal [14,15]. Erosi dan dilatasi adalah

dua dasar operasi di Matematika

Morfologi. Sebuah agregasi dari kedua

merupakan sisa dari operasi [11]. Itu

simbol, , o, dan , masing-masing menyatakan

empat dasar morfologi operasi biner:

pelebaran, erosi, pembukaan, dan penutupan. Sebuah fungsi f

(X, y) menunjukkan gambar, dimana (x, y) R 2 atau Z2,

atau hanya f, dan fungsi h (x, y), atau h akan bertindak

sebagai elemen struktur. Keempat operasi adalah

didefinisikan sebagai berikut:

Pelebaran:

s)}

h (r,

s)

-Y

r,

{X

sup

y)

(X,

a)

(R,

Erosi:

)}

,
(

inf

y)

(X,

a)

(R,

Pembukaan:

h)

(F

fo

Penutupan:

Dimana sup {} dan inf {} menunjukkan supremum dan

infirmum operasi, masing-masing, dan SDM 2 atau Z

2 adalah dukungan h (x, y) Dalam pendekatan kami, kami memiliki

digunakan operasi morfologis biner terbuka untuk

segmentasi gambar mamografi. Erosi

Pelebaran dan digabung untuk membentuk kuat

Operator disebut Membuka. Umumnya operator ini

Gentles perbatasan gambar, pelanggaran sempit

Isthmuses dan annihilates tonjolan tipis. Pembukaan

operasi diperoleh dengan melakukan pelebaran pada terkikis

Gambar. Umumnya, objek yang berdekatan

spasi, benda-benda yang disatukan yang terpisah dan

lubang di dalam objek yang diperbesar oleh

Membuka. Para gray-scale mammographic gambar

yang tersegmentasi menggunakan biner terbuka morfologi

operasi. Daerah-daerah yang tersegmentasi lebih lanjut

diproses menggunakan Fuzzy c-cara algoritma. Halaman 4

Jurnal Teknologi Informasi Teori dan Terapan

2005 - 2009 JATIT. All rights reserved.

www.jatit.org

707

3,4 FUZZY C-MEANS ALGORITMA

Algoritma FCM, juga dikenal sebagai Fuzzy

ISODATA, adalah salah satu yang paling sering digunakan

metode dalam pengenalan pola [12]. Hal ini didasarkan pada

meminimalkan fungsi tujuan (1) untuk

mencapai klasifikasi yang baik. J adalah kesalahan kuadrat

pengelompokan kriteria, dan solusi dari minimalisasi

dari (1) adalah poin kesalahan paling-kuadrat stasioner J.

--- 1

dimana m adalah setiap bilangan real lebih besar dari 1, u

ij

adalah

derajat keanggotaan dari x

saya

di j cluster, x

saya

adalah

i th d-dimensi data diukur, c

adalah

d-dimensi pusat dari cluster, dan | | * | | adalah setiap

norma mengungkapkan kesamaan antara

diukur
data

dan

itu

pusat.

Partisi fuzzy dilakukan melalui

iteratif optimalisasi fungsi tujuan

ditunjukkan di atas, dengan update keanggotaan u

ij

dan cluster pusat c

oleh:

Ini

perulangan

akan

berhenti

ketika

, Di mana

adalah

pemutusan kriteria antara 0 dan 1, sedangkan k

adalah langkah-langkah iterasi. Prosedur ini konvergen

minimal lokal atau

pelana

titik

dari

Algoritma ini terdiri dari langkah-langkah berikut:

1. Inisialisasi U = [u

ij
] Matriks, U

(0)

2 Pada k-langkah:. Menghitung pusat

vektor C

(K)

= [C

] Dengan U

(K)

3. Pembaruan U

(K)

,U

(K +1)

4 Jika |. | U

(K +1)

-U

(K)

| | <Kemudian BERHENTI;

jika tidak kembali ke langkah 2

Clustering adalah teknik analisis multivariat

banyak diadopsi dalam studi diagnosa medis dan

pola daerah pengakuan [16]. Dengan memeriksa

mendasari struktur dataset, analisis kelompok

bertujuan untuk data kelas menjadi kelompok-kelompok terpisah menurut

karakteristik mereka. Clustering dilakukan

sehingga spektrum diadakan dalam cluster yang sama adalah sebagai

mungkin, dan yang ditemukan dalam menentang kelompok sebagai

berbeda mungkin. Dengan demikian sel yang berbeda jenis

ditemukan dalam jaringan biologis dapat dipisahkan dan

ditandai.

4. HASIL & PEMBAHASAN:

Ini menjelaskan bagian hasil otomatis

deteksi massa kanker payudara pada mammogram

menggunakan operator morfologi dan fuzzy c - means

clustering.

Dalam analisis ini, prosedur pertama adalah menentukan

daerah benih. Ketika berhadapan dengan mammogram,

diketahui bahwa piksel daerah tumor cenderung

memiliki nilai digital maksimum yang diijinkan. Berdasarkan

informasi ini, operator morfologi digunakan

seperti pelebaran dan Erosi untuk mendeteksi kemungkinan

cluster yang mengandung massa [10,11]. Gambar

fitur yang kemudian diekstraksi untuk menghapus cluster

yang termasuk latar belakang atau jaringan normal sebagai pertama

dipotong. Fitur yang digunakan di sini termasuk daerah cluster dan

eksentrisitas. Pengelompokan Fuzzy c-sarana

algoritma digunakan sebagai strategi segmentasi untuk

berfungsi sebagai classifier lebih baik & bertujuan untuk data kelas

menjadi terpisah

kelompok sesuai dengan

mereka

karakteristik. Halaman 5

Jurnal Teknologi Informasi Teori dan Terapan

2005 - 2009 JATIT. All rights reserved.

www.jatit.org

708

Gambar asli Dilated terkikis Gambar

Morph-Gradient

Visualisasi

Gambar 2. Morfologi hasil

(A)
(B) (c)

Gambar 3. Hasil dari tiga kali terpisah dengan

FCM

FCM sangat membantu dalam tahap awal clustering di

medis diagnosis. Modus kanker adalah

dipisahkan dari daerah payudara lemak menggunakan FCM.

Karena jumlah meningkat cluster, semakin banyak

informasi diperoleh tentang jaringan yang

tidak dapat diidentifikasi oleh patolog.

5. KESIMPULAN:

Kanker binatang adalah salah satu penyebab utama kematian

kalangan wanita. Jadi awal diagnosa sampai teratur

skrining dan pengobatan tepat waktu telah terbukti

mencegah kanker. Dalam makalah ini kami telah menyajikan

pendekatan baru untuk mengidentifikasi keberadaan payudara

kanker massal di mammogram. Pekerjaan yang diusulkan

menggunakan operator morfologi untuk segmentasi

dan fuzzy c-means untuk jelas

identifikasi cluster.

Para morfologi operasi dan FCM adalah baru

pendekatan, dengan menggunakan ini kita telah berhasil mendeteksi

massa kanker payudara pada mammogram. Itu

Hasil menunjukkan bahwa sistem ini dapat memfasilitasi

dokter untuk mendeteksi kanker payudara pada tahap awal

diagnosis proses.

REFERENSI:

[1] Lei Zheng dan Andrew K. Chan, "Sebuah buatan

cerdas algoritma untuk deteksi tumor di

pemeriksaan mammogram, "IEEE Transaksi

pada pencitraan medis, vol. 20, tidak. 7, Juli,

2001.
[2]

Huai Li, Shih-Chung B.Lo, Yue Wang, Lisa

Kinnand, dan Matthew T. Freedman, "Sebuah

beberapa jalur melingkar konvolusi saraf

jaringan

sistem

untuk

deteksi

dari

massa mammographic, "IEEE Transaksi

pada pencitraan medis, vol. 21, tidak, 2, Februari,

2002.

[3]

HPChan, N.Petrick,

dan B.Sahiner,

"Computer-aided diagnosis kanker payudara,"

Buatan intelijen teknik di payudara

diagnosis dan prognosis kanker, Seri di

mesin

persepsi

dan

buatan

intelijen, Vol.39,

Dunia

Ilmiah

Penerbitan Co.Pte.Ltd, 2000, pp.179-264.

[4] MJ Bottema, GNLee dan S.Lu, "Otomatis

gambar ekstraksi fitur untuk diagnosis dan

prognosis kanker payudara, "Buatan

intelijen teknik pada kanker payudara

diagnosis dan prognosis, Seri dalam mesin

persepsi dan kecerdasan buatan, Vol.39,

Dunia Ilmiah Penerbitan Co.Pte.Ltd, 2000,

hlm 17-54.

[5]

K. Bovis & S. Singh. "Klasifikasi

payudara mammographic kepadatan menggunakan

dikombinasikan

classifier paradigma "Dalam. Halaman 6

Jurnal Teknologi Informasi Teori dan Terapan

2005 - 2009 JATIT. All rights reserved.

www.jatit.org

709

Med. Gambar menger. Anal, hal 177-180..

2002.

[6] S. Petroudi, T. Kadir & M. Brady. "Otomatis

klasifikasi mamografi parenkim

pola: Sebuah pendekatan statistik "Dalam IEEE.

Conf. Eng. Med. Biol. Soc, volume 1, hal.

798-801. 2003.

[7] Arianna Mencattini & Roberto Lojacono "

Kanker payudara segmentasi dengan cara

wavelet analisis dan operator morfologi.

[8] M.Bhattacharya & A.Das, "logika fuzzy berbasis

segmentasi kalsifikasi Mikro di Payudara

menggunakan Mammogram Digital mempertimbangkan

Mutiresolution.

[9] Arnau Oliver & Xavier Llado, "Klasifikasi

Mammogram menggunakan informasi tekstur ".

[10] S. Saheb Baha. Dan Dr K.Satya Prasad,

"Pengolahan citra morfologis pada Bio-

Medis aplikasi ", Prosiding PCEA-

IFTOMM-konferensi Internasional - Pica-

2006, diselenggarakan pada 11

th

sampai 14

th

Juli di Nagapur

dan NCBME-2006 - Konferensi Nasional

Bio-Medis Teknik diselenggarakan pada tanggal 28

th

sampai 29

th

Maret di Mumbai.

[11]

S.Saheb Baha dan Dr K.Satya Prasad,

"Otomatis deteksi eksudat keras dalam

Retinopati Diabetik menggunakan morfologi

Segmentasi dan Fuzzy Logic "dalam IJCSNS

Jurnal Ilmu Komputer

dan Keamanan Jaringan, vol.8 No.12,

Desember 2008 - P-211-218

[12] XYWang & JMGaribaldi, "Sebuah perbandingan

teknik clusterings kabur & non-fuzzy

dalam diagnosis kanker ".

[13] Yao Yao, "Segmentasi Kanker payudara

massa dalam mammogram & deteksi menggunakan

pencitraan resonansi magnetik ".

[14] PENGOLAHAN CITRA digtal

- Rafael C. Gonzalez

- Richard E. Woods

Addison-Wesley
Jejak Pearson Education, 1

st

Edition.

[15] PENGOLAHAN CITRA DIGITAL

Nick-upaya pengelolaan

Addison-Wesley

Jejak Pearson Education, 1

st

Edition.

[16] Logika Fuzzy dengan Aplikasi Teknik,

Internasional edisi 1997

-Timothy J. Ross

McGraw-Hill International Edition.

BIOGRAFI:

S.Saheb Basha diterima BE

derajat

di

Elektronik

&

Komunikasi Teknik dari

Gulbarga University, Gulbarga,

Karnataka, India pada tahun 1992 dan

M.Tech gelar dalam Sistem Digital

Komputer & Elektronik dari

JNTU College of Engineering,

Anantapur, Andhra Pradesh, India

pada tahun 2002 dan saat ini sedang melanjutkan Ph.D di bawah

pengawasan Prof K. Satya Prasad Garu di JNT

University, Kakinada. Dia bekerja sebagai Engineer Asisten

di Departemen Produksi dari tahun 1992 t0 1995 di Banteng

Power Systems Ltd, Hyderabad, India dan kemudian sebagai Senior

Engineer di Bagian Desain & Pengembangan dari tahun 1995 sampai

1998 di Banteng Power Systems Ltd, Hyderabad, India. Dia

bergabung di Madinah Teknik College, Kadapa, Andhra

Pradesh sebagai Asisten Profesor di Elektronik &

Komunikasi Departemen pada tahun 1999 dan saat ini dia

dalam kapasitas Profesor & Wakil Kepala Sekolah. Dia

menerbitkan 3 makalah teknis di Nasional & Internasional

konferensi & Jurnal. Dia adalah anggota hidup ISTE &

IE.

Dr K. Satya Prasad menerima

B Tech. Sarjana Teknik Elektro dan

Komunikasi

Teknik

dari

JNTU

perguruan tinggi

dari

Teknik, Anantapur, Andhra

Pradesh, India pada tahun 1977 dan ME

derajat

di

Komunikasi

Sistem dari perguruan tinggi Guindy dari

Engg.,

Madras

University,

Chennai, India pada tahun 1979 dan Ph.D dari Indian Institute of

Teknologi, Madras pada tahun 1989. Dia mulai mengajar

pembawa sebagai Asisten Teknik Mengajar di Daerah

College, Warangal pada tahun 1979. Dia bergabung JNT University,

Hyderabad sebagai Dosen pada tahun 1980 dan bertugas di berbagai

perguruan tinggi konstituen yaitu, Kakinada, Hyderabad dan.

Anantapur dan pada kapasitas yang berbeda yaitu, Associate.

Profesor,

Profesor, Kepala Departemen, Wakil Kepala Sekolah dan

Utama. Saat ini ia bekerja sebagai Direktur

Evaluasi di JNT University, Kakinada, AP Dia memiliki

menerbitkan lebih dari 50 makalah teknis yang berbeda

Nasional dan konferensi Internasional dan Jurnal dan

Menulis satu buku teks. Dia telah membimbing 4 sarjana Ph.D

dan saat ini 12 sarjana yang bekerja dengan dia. -Nya

bidang penelitian meliputi Komunikasi, Sinyal

Pengolahan, Pengolahan Citra, Pengolahan Ucapan, Syaraf

Jaringan & Adhoc jaringan nirkabel dll Dr Prasad adalah

Sesama anggota berbagai badan profesional seperti IETE,

IE, dan ISTE.