A. What
1. Judul : Deteksi Kanker Payudara Mengunakan Infrared Thermal dan Model
Pembelajaran yang Mendalam
2. Nama Jurnal : Sensors
3. Nomor : No. 1
4. Metode
Penelitian ini menggunakan desain studi kasus, yaitu peneliti menyelidiki
secara cermat suatu peristiwa, proses, aktivitas, atau sekelompok individu, dimana
kasus-kasus dibatasi waktu dan aktvitas. Variabel independen yaitu terapi infrared
sedangkan variabel dependen yaitu efek terapi infrared terhadap deteksi kanker
payudara.
B. When
1. Diterima : 26 Mei 2018
2. Disetujui : 23 Agustus 2018
3. Dipublikasikan : 25 Agustus 2018
C. Who
1. Peneliti : Sebastien Jean Mambou
2. Korespondensi : Center for Basic and Applied Research, Faculty of Informatics
and Management, University of Hradec Kralove, Rokitanskeho 62, Hradec Kralove
500 03, Czech Republic; jean.mambou@uhk.cz (S.J.M.); petra.maresova@uhk.cz
(P.M.); aselamat@utm.my (A.S.); kamil.kuca@uhk.cz (K.K.)
3. E-mail : ondrej.krejcar@uhk.cz
D. Where
Penelitian studi kasus dilakukan di Faculty of Computing, Universiti Teknologi
Malaysia, Johor 81310, Malaysia.
E. Why
1. Latar belakang
Payudara wanita rentan terkena kanker; ini didukung oleh penelitian terbaru
dari 2016 yang menunjukkan bahwa 2,8 juta wanita di seluruh dunia telah didiagnosis
menderita kanker payudara tahun itu. Perawatan medis seorang pasien dengan kanker
payudara adalah mahal dan, mengingat biaya dan nilai pelestarian kesehatan warga
negara, pencegahan kanker payudara telah menjadi prioritas dalam kesehatan
masyarakat. Selama 20 tahun terakhir beberapa teknik telah diusulkan untuk tujuan ini,
seperti mamografi, yang sering digunakan untuk diagnosis kanker payudara. Namun,
positif palsu mamografi dapat terjadi di mana pasien didiagnosis positif dengan teknik
lain. Selain itu, efek samping potensial menggunakan mamografi dapat mendorong
pasien dan dokter untuk mencari teknik diagnostik lainnya.
2. Tujuan
2. Pembahasan
Kanker payudara adalah kanker yang paling umum pada wanita, terhitung 23%
dari semua kasus onkologi yang baru didiagnosis. 85% keluarga di mana salah satu
orang tuanya akan menderita kanker tanpa bantuan keluarga, teman, organisasi
nirlaba, atau bahkan hutang. Manajemen pasien dengan kanker payudara memiliki
dampak signifikan pada anggaran nasional. Oleh karena itu, ini adalah prioritas
kesehatan masyarakat untuk mendukung program pencegahan yang efektif yang dapat
mengurangi biaya kanker atau memberikan intervensi terapeutik yang meningkatkan
peluang pasien untuk bertahan hidup, sehingga mengurangi biaya tidak langsung
morbiditas dan mortalitas [31]. Pengeluaran keuangan publik untuk manfaat asuransi
sosial bagi penderita kanker payudara berkisar antara 50,2 juta EUR (2010) hingga
56,6 juta EUR (2014), atau 0,72-0,79% dari total biaya untuk semua penyakit.
Hilangnya peluang dalam pendapatan keuangan publik berjumlah 173,9 juta EUR
pada 2010 dan 211,0 juta EUR pada 2014 [28].
Unar-Mungu'ıa dkk., 2017 [24] memperkirakan bahwa 245 juta USD dalam biaya
medis dan pendapatan yang hilang karena kanker payudara dapat dihindarkan dari
kehidupan kelompok perempuan Meksiko. Biaya medis mencakup 80% dari beban
ekonomi; hilangnya pendapatan dan biaya peluang bagi pengasuh masing-masing
mewakili 15% dan 5% [24]. Gustavsen et al., 2014 [32] menilai kegunaan biaya
Indeks Kanker Payudara (BCI) untuk pembayar pihak ketiga AS.
Melalui penelitian ini, dapat dilihat peningkatan yang cukup besar dalam
deteksi kanker payudara pada wanita di bawah 50, dengan sensitivitas ≥78%
menggunakan perangkat lunak No Touch. Berdasarkan penelitian sebelumnya, dapat
dilihat hal pentingnya pemrosesan gambar, yang saat ini dilakukan dengan baik oleh
manusia tetapi belum memadai ketika dilakukan dengan metode kecerdasan
buatan.Hal ini menyoroti perlunya Computer Assist Device (CAD) yang akan
membantu kita untuk lebih memahami gambar termal yang ditangkap oleh kamera
pencitraan termal dalam penelitian iniyang berbeda [34]. Dalam konteks ini CAD
akan menjadi jaringan saraf yang dalam dengan model SVM sebagai classifier, seperti
yang ditunjukkan pada Gambar 10 (dengan asumsi itu sudah dilatih) yang akan
mengambil gambar termal, dan sebagai output mengklasifikasikan gambar sebagai
mengandung kanker atau tidak. Kita harus mengklarifikasi bahwa modul
pembelajaran dalam akan menghasilkan probabilitas citra termal payudara yang
diklasifikasikan sebagai sakit (memiliki kanker) atau sehat (tanpa kanker) [35]. Jika
output kepercayaan (sakit) oleh DNN dalam penelitian inilebih besar dari 0,5 dan
kurang dari 0,6, itu akan menjadi klasifikasi Super Machine Vector dalam penelitian
iniuntuk membedakan keadaan payudara pasien berdasarkan pada matriks fitur dari
gambar termal payudara.
Dalam penelitian ini menguraikan teknik sebelumnya dan baru yang digunakan
untuk deteksi dan pencegahan kanker payudara. Dalam penelitian inibertujuan untuk
berkontribusi pada tugas yang menantang ini dengan pekerjaan kami. Model yang
dalam penelitian ini sajikan dalam makalah ini memanfaatkan dua faktor utama yaitu,
menggunakan jaringan saraf yang dalam (model Inception V3 yang sudah dilatih
sebelumnya) yang dimodifikasi pada lapisan yang terhubung sepenuhnya terakhir
sedemikian rupa sehingga memperoleh klasifikasi biner yang kuat (payudara yang
sakit atau payudara yang sehat), Klasifikasi terkenal kedua (SVM) digabungkan
dengan itu, dan hanya terlibat dalam kasus ketidakpastian dalam output DNN.
Pada penelitian ini menunjukan bahwa distribusi spasial dari representasi fitur
yang diekstraksi model Model yaitu jika titik Merah, elemen yang diklasifikasikan
sebagai Sehat (Untuk Payudara Sehat), dan jika titik Biru, fitur yang diatur sebagai
Sakit (Untuk Payudara Sakit atau Payudara dengan Kanker). Mesin Super Vektor
(SVM), representasi fitur yang dalam penelitian iniekstrak menunjukkan bahwa fitur
ini tidak sepenuhnya diklasifikasikan. Penelitian ini8 dapat membedakan dua
kelompok utama Sehat dan Sakit. Tujuan dalam penelitian inidi sini adalah untuk
melakukan klasifikasi tambahan di atasnya sehingga dalam penelitian inidapat
memiliki akurasi yang lebih baik untuk klasifikasi kami. Penelitian ini memiliki
tujuan, variasi inbuilt dari SVM yang merupakan Klasifikasi Vektor Super Linear
(LinearSVC). Seperti disebutkan dalam penelitian (Scikit-Learn) yang menunjukan
bahwa memiliki lebih banyak fleksibilitas, mendukung input yang padat dan jarang,
dan cocok untuk klasifikasi multi-kelas.
1. National Breast Cancer Foundation. Breast Cancer Facts; National Breast Cancer
Foundation: Sydney, Australia, 2016.
2. Dongola, N. Mammography in Breast Cancer. Available
online:https://emedicine.medscape.com/article/ 346529-overview(accessed on 24
August 2018).
3. Hamidinekoo, A.; Denton, E.; Rampun, A.; Honnor, K.; Zwiggelaar, R. Deep learning
in mammography and breast histology, an overview and future trends. Med. Image
Anal. 2018, 47, 45–67. [CrossRef] [PubMed]
4. Kosus, N.; Kosus, A.; Duran, M.; Simavlı, S.; Turhan, N. Comparison of standard
mammography with Digital mammography and Digital infrared thermal imaging for
breast cancer screening. J. Turk. Ger. Gynecol. Assoc. 2010, 11, 152–157. [CrossRef]
[PubMed]
5. Li, H.; Weng, J.; Shi, Y.; Gu, W.; Mao, Y.; Wang, Y.; Liu, W.; Zhang, J. An improved
deep learning approach for detection of thyroid papillary cancer in ultrasound images.
Sci. Rep. 2018, 8. [CrossRef]
6. Dezs, R.; Anna, H.; Zsuzsa, U.; Peter, P.; Istvan, C. Detecting and classifying lesions in
mammograms with Deep Learning. Sci. Rep. 2018, 8, 4165. [CrossRef]
7. Visual Lab. A Methodology for Breast Disease Computer-Aided Diagnosis using
dynamic thermography. Available
online:http://visual.ic.uff.br/en/proeng/thiagoelias/(accessed on 24 August 2018).
8. Alireza, O.; Bita, S. Machine Learning Techniques to Diagnose BreastCancer. In
Proceedings of the 2010 5th International Symposium on Health Informatics and
Bioinformatics, Antalya, Turkey, 20–22 April 2010. [CrossRef]
9. Saira, C.; Muhammad, K.; Khurram, K. Breast Cancer Detection in Mammograms
using Convolutional Neural Network. In Proceedings of the 2018 International
Conference on Computing, Mathematics and Engineering Technologies (iCoMET),
Sukkur, Pakistan, 3–4 March 2018; pp. 1–5.
10. Adriel, A.; Aura, C.; Roger, R.; Anselmo, M.; Claudineia, A. Computer Aided
Diagnosis for Breast Diseases Based on Infrared Images. In Proceedings of the 2017
IEEE/ACS 14th International Conference on Computer Systems and Applications
(AICCSA), Hammamet, Tunisia, 30 October–3 November 2017; pp. 172–177.
11. Vijaya, M.; Christy, B. Thermal imaging based breast cancer analysis using BEMD and
uniform RLBP. In Proceedings of the 2017 Third International Conference on
Biosignals, Images and Instrumentation (ICBSII), Chennai, India, 16–18 March 2017;
pp. 1–6.
12. Dina, A.; Sheida, N.; Reda, A.; Clifford, Y. Survey on deep convolutional neural
networks in mammography. In Proceedings of the 2017 IEEE 7th International
Conference on Computational Advances in Bio and Medical Sciences (ICCABS),
Orlando, FL, USA, 19–21 October 2017.
13. Litjens, G.; Kooi, T.; Bejnordi, B.E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; van
der Laak, J.A.W.M.; van Ginneken, B.; Sánchez, C.I. A Survey on Deep Learning in
Medical Image Analysis. Med. Image Anal. 2017, 42, 60–88. [CrossRef] [PubMed]
14. Rampun, A.; Scotney, B.W.; Morrow, P.J.; Wang, H. Breast Density Classification
Using Local Quinary Patterns with Various Neighbourhood Topologies. J. Imaging
2018, 4, 14. [CrossRef]
15. Li, S.; Johnson, J.; Peck, A.; Xie, Q. Near infrared fluorescent imaging of brain tumor
with IR780 dye incorporated phospholipid nanoparticles. J. Transl. Med. 2017, 15.
[CrossRef] [PubMed]
16. Amria, A.; Pulko, S.H.; Wilk, A.J. Potentialities of steady-state and transient
thermography in breast tumour depth detection: A numerical study. Comput. Methods
Progr. Biomed. 2016, 123, 68–80. [CrossRef] [PubMed]
17. Boogerd, L.S.; Handgraaf, H.J.; Lam, H.D.; Huurman, V.A.; FarinaSarasqueta, A.;
Frangioni, J.V.; van de Velde, C.J.; Braat, A.E.; Vahrmeijer, A.L. Laparoscopic
detection and resection of occult liver tumors of multiple cancer types using real-time
near-infrared fluorescence guidance. Surg. Endosc. 2017, 31, 952–961. [CrossRef]
[PubMed]
18. Kandlikar, S.G.; Perez-Raya, I.; Raghupathi, P.A.; Gonzalez-Hernandez, J.L.;
Dabydeen, D.; Medeiros, L.; Phatak, P. Infrared imaging technology for breast cancer
detection—Current status, protocols and new directions. Int. J. Heat Mass Transf.
2017, 108, 2303–2320. [CrossRef]
19. Namikawa, T.; Sato, T.; Hanazaki, K. Recent advances in near-infrared fluorescence-
guided imaging surgery using indocyanine green. Surg. Today 2015, 45, 1467–1474.
[CrossRef] [PubMed]
20. Kontos, M.; Wilson, R.; Fentiman, I. Digital infrared thermal imaging (DITI) of breast
lesions: Sensitivity and specificity of detection of primary breast cancers. Clin. Radiol.
2011, 66, 536–539. [CrossRef] [PubMed]
21. Mambou, S.; Maresova, P.; Krejcar, O.; Selamat, A.; Kuca, K. Breast Cancer Detection
Using Modern Visual IT Techniques. In Modern Approaches for Intelligent
Information and Database Systems; Andrzej, S., Adrianna, K., Manuel, N., Quang
Thuy, H., Eds.; Springer: Berlin, Germany, 2018; Volume 769, pp. 397–407.
22. Kandlikar, S.G.; Perez-Raya, I.; Raghupathi, P.A.; Gonzalez-Hernandez, J.L.;
Dabydeen, D.; Medeiros, L.; Phatak, P. Infrared imaging technology for breast cancer
detection—Current status, protocols and new directions. Int. J. Heat Mass Transf.
2017, 108, 2303–2320. [CrossRef]
23. Czech Society for Oncology. National Oncology Program. Available
online:https://www.linkos.cz/narodni- onkologicky-program/(accessed on 24 August
2018).
24. Unar-Mungu´ıa, M.; Meza, R.; Colchero, M.A.; Torres-Mejía, G.; de Cosío, T.G.
Economic and disease burden of breast cancer associated with suboptimal
breastfeeding practices in Mexico. Cancer Causes Control 2017, 28, 1381–1391.
[CrossRef] [PubMed]
25. Boquete, L.; Ortega, S.; Miguel-Jimenez, J.M.; Rodrıguez-Ascariz, J.M.; Blanco, R.
Automated Detection of Breast Cancer in Thermal Infrared Images, Based on
Independent Component Analysis. J. Med. Syst. 2012, 36, 103–111. [CrossRef]
[PubMed]
26. Kubicek, J.; Bryjova, I.; Faltynova, K.; Penhaker, M.; Augustynek, M.; Maresova, P.
Evaluation of Gama Analysis Results Significance within Verification of Radiation
IMRT Plans in Radiotherapy. In Proceedings of the Conference on Computational
Collective Intelligence Technologies and Applications, Nicosia, Cyprus, 27 September
2017; pp. 541–548. [CrossRef]
27. Augustynek, M.; Korpas, D.; Penhaker, M.; Cvek, J.; Binarova, A. Monitoring of CRT-
D devices during radiation therapy in vitro. Biomed. Eng. Online 2016, 15. [CrossRef]
[PubMed]
28. Yszczarz, B.L.; Nojszewska, E. Productivity losses and public finance burden
attributable to breast cancer in Poland, 2010–2014. BMC Cancer 2017, 17. [CrossRef]
29. Nitori, N.; Deguchi, T.; Kubota, K.; Yoshida, M.; Kato, A.; Kojima, M.;
Kadomura, T.; Okada, A.; Okamura, J.; Kobayashi, M.; et al. Successful
treatment of non-occlusive mesenteric ischemia (NOMI) using the HyperEye
Medical System for intraoperative visualization of the mesenteric and bowel
circulation: Report of a case. Surg Today. 2014, 44, 359–362. [CrossRef]
[PubMed]
30. Cardoso, F.; Harbeck, N.; Barrios, C.H.; Bergh, J.; Cortés, J.; El Saghir, N.;
Francis, P.A.; Hudis, C.A.; Ohno, S.; Partridge, A.H.; et al. Research needs in
breast cancer. Ann. Oncol. 2016, 28, 208–217. [CrossRef] [PubMed]
31.Šm ídová, I. Alcohol and Breast Cancer-Economic Costs. Hygiena 2012, 51, 17–
21.
32. Gustavsen, G.; Schroeder, B.; Kennedy, P.; Pothier, K.C.; Erlander, M.G.;
Schnabel, C.A.; Ali, H. Health economic analysis of Breast Cancer Index in
patients with ER+, LN-breast cancer. Am. J. Manag. Care 2014, 20, e302-10.
[PubMed]
33. IMS Institute for Healthcare Informatics. Global Oncology Trend Report: A
Review of 2015 and Outlook to 2020. Available
online:https://morningconsult.com/wp-content/uploads/2016/06/IMS-Institute-
Global-Oncology-Report-05.31.16.pdf(accessed on 24 August 2018).
34. Kim, Y.A.; Oh, I.H.; Yoon, S.J.; Kim, H.J.; Seo, H.Y.; Kim, E.J.; Lee, Y.H.;
Jung, J.H. The Economic Burden of Breast Cancer in Korea from 2007–2010.
Cancer Res. Treat. 2015, 47, 583–590. [CrossRef] [PubMed]
35. Angel, C.; Hannah, G.; Ajay, B.; Michael, F.; Shridar, G.; Natalie, N.C.;
John, L.; Anant, M. Accurate and reproducible invasive breast cancer
detection in wholeslide images: A Deep Learning approach for quantifying
tumor extent. Sci. Rep. 2017, 7. [CrossRef]
36. Guo, Y.; Liu, S.; Li, Z.; Shang, X. BCDForest: A boosting cascade deep forest
model towards the classification of cancer subtypes based on gene expression
data. BMC Bioinform. 2018, 19, 118. [CrossRef] [PubMed]
37. Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.;
Vanhoucke, V.; Rabinovich, A. Going deeper with convolutions. In
Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern
Recognition, Boston, MA, USA, 7–12 June 2015; pp. 1–9.
38. Bryjova, I.; Kubicek, J.; Molnarova, K.; Peter, L.; Penhaker, M.; Kuca, K.
Multiregional Segmentation Modeling in Medical Ultrasonography:
Extraction, Modeling and Quantification of Skin Layers and Hypertrophic
Scars. In Proceedings of the International Conference on Computational
Collective Intelligence, Nicosia, Cyprus, 27 September 2017; pp. 182–670775.
[CrossRef]
39. Scikit-Learn, A. Sklearn.Svm.LinearSVC. Available online:http://scikit-
learn.org/stable/modules/ generated/sklearn.svm.LinearSVC.html(accessed
on 24 August 2018).
40. Wikipedia. Kernel method Mathematics: the kernel trick. Available
online:https://en.wikipedia.org/wiki/
Kernel_method_Mathematics:_the_kernel_trick(accessed on 24 August
2018).