NAMA : JERI PURNOMO AGUS

TRIANTO NIM19511362
KELAS : PROSUS B
MATKUL : PERPINDAHAN PANAS DASAR

TUGAS MERANGKUM KULIAH

TAMU WORLD CLASS PROFESSOR
2021

Pemateri 1 : Dr. Rochmat Aldy Purnomo (Univ. Muhammadiyah Ponorogo)

DISKUSI DAN BERBAGI PENGALAMAN:
HIBAH PENELITIAN KOMPETITIF INTERNASIONAL
Strategi Hibah Penelitian dan Pengabdian dari Lembaga
Internasional Universitas Muhammadiyah Ponorogo
30 November 2021
Rangkuman :
Tujan Mencari Dana Penelitian Internasional Adalah :
 Sebagai Alternatif dari sumber dana penelitian dalam negeri.
 Sebagai Kolaborasi peneliti dan pengembangan keilmuan..
 Dana penelitian dari donor internasional umumnya lebih besar .
 Penelitian mono-multi years Pertanggungjawaban lebih “sederhana” dan “flexible”.
Yang Perlu Di Perhatikan Dalam Mencari Dana Penelitian Internasional Adalah :
 Mengenal Professor seperti : mengetahui Email, Berkunjung ke negara ybs, dan
metode lainnya
 Mitra Kerjasama
 Informasi HIBAH (Sistem Input Proposal, Kerjasama, Pencairan Anggaran)
Proses Dalam Mencari Dana Penelitian Internasional Adalah :
 Niat : Siap bekerja Pagi-Siang-Sore-Malam (Zona Waktu), Tidak bisa seorang diri,
harus BEKERJASAMA! (LINTAS BIDANG DAN LINTAS UNIVERSITAS).
 Kegiatan Reguler : mengadakan pertemuan online.
 Aktif atau luwes dengan jejaring: Membangun track record (diskusi berkala - Saling
.mendukung dari setiap mitra negara (satu visi, misi, dan tujuan – granted funded.
 Mengikuti perkembangan Lembaga hibah .
 Diskusi dengan Pemberi Hibah – Ethics dan Protocol juga hal yang perlu diperhatikan.
 Diskusi dengan seluruh penerima hibah (Benua Asia, Amerika, Eropa, dan Afrika).
 Kesepakatan (perjanjian kerja) yang “mutual’ antara peneliti dengan mitra dalam
negeri.
 Penyesuaian Penyusunan Anggaran Bahasa Internasional (Inggris-salah satunya)
Pemateri 2 : Prof. Ali Selamat (MJIIT Universiti Teknologi Malaysia)

Artikel Deteksi Thin Cap Fibroatheroma dalam Gambar Histologi Virtual

Menggunakan Fitur Geometris dan Tekstur.
Ruptur plak aterosklerotik adalah mekanisme paling umum yang bertanggung jawab atas
sebagian besar kematian koroner mendadak. Lesi prekursor ruptur plak dianggap sebagai thin
cap fibroatheroma (TCFA), atau "plak rentan". Gambar Virtual Histology-Intravascular
Ultrasound (VH-IVUS) tersedia secara klinis untuk memvisualisasikan jaringan arteri
koroner berkode warna. Namun, ia memiliki keterbatasan dalam hal memberikan informasi
yang relevan secara klinis untuk mengidentifikasi plak yang rentan. Penelitian ini bertujuan
untuk meningkatkan identifikasi TCFA menggunakan citra VH-IVUS. Untuk
mengelompokkan gambar VH-IVUS secara lebih akurat, model semi-supervised
dikembangkan dengan menggunakan hybrid K means dengan Particle Swarm Optimization
(PSO) dan algoritma jarak Euclidean minimum (KMPSO-mED). Kebaruan lain dari metode
yang diusulkan adalah perpaduan fitur tekstur geometris dan informatif yang berbeda untuk
menangkap keragaman heterogenitas komponen plak dan menghitung indeks diskriminatif
untuk plak TCFA, sedangkan penelitian yang ada tentang deteksi TCFA hanya berfokus pada
fitur geometris. Tiga fitur tekstur statistik yang umum digunakan diekstraksi dari gambar VH-
IVUS: Local Binary Patterns (LBP), Gray Level Co-occurrence Matrix (GLCM), dan
Modified Run Length (MRL). Fitur geometris dan tekstur digabungkan untuk menghasilkan
deskriptor yang kompleks. Terakhir, pengklasifikasi Back Propagation Neural Network
(BPNN), kNN (KNearest Neighbour), dan Support Vector Machine (SVM) diterapkan untuk
memilih pengklasifikasi terbaik untuk mengklasifikasikan plak menjadi TCFA dan Non-
TCFA. Penelitian ini mengusulkan metode bantuan komputer yang cepat dan akurat untuk
klasifikasi tipe plak. Metode yang diusulkan diterapkan untuk 588 gambar VH-IVUS
diperoleh dari 10 pasien. Hasilnya membuktikan keunggulan metode yang diusulkan, dengan
tingkat akurasi 98,61% untuk plak TCFA.
1. Perkenalan
Penyakit jantung adalah penyebab kematian paling umum di seluruh dunia. Penggunaan
metode pemrosesan gambar otomatis untuk mendiagnosis penyakit jantung adalah salah satu
bidang penelitian medis yang paling signifikan. Mengekstrak kumpulan fitur yang berguna
untuk klasifikasi adalah masalah yang menantang. Berbagai teknik analisis fitur, seperti
kecerahan, kontras, warna, atau tekstur, dapat dijelaskan secara komprehensif berdasarkan
penampilan gambar. Escalera, Pujol, Mauri dan Radeva [7] menggambarkan jaringan IVUS
melalui berbagai jenisfitur: frekuensi radial, fitur berbasistekstur, dan fitur gabungan. Tiga
deskriptor tekstur yang berbeda diterapkan, termasuk Matriks kemunculan bersama, LBP, dan
filter Gabor. Athanasiou dkk. Karena peningkatan noise, artefak, dan jaringan campuran
dalam gambar VH-IVUS, metodologi yang dipelajari mungkin tidak cocok untuk
memberikan hasil segmentasi yang akurat.

2. Pekerjaan Terkait segmentasi gambar IVUS seringkali merupakan langkah penting

untuk
karakterisasi pembuluh darah, yang terdiri dari bentuk, area, eksentrisitas, dan ketebalan
Segmentasi plak aterosklerotik telah dibahas dalam beberapa penelitian. Dhawale dkk. [31]
mengusulkan teknik semi-otomatis pertama untuk deteksi perbatasan IVUS dengan algoritma
pencarian dinamis. Kesamaan, karya utama disajikan oleh Sonka et al kontribusi kedua dari
karya ini berkaitan dengan fitur geometris dan tekstur hibrida, sedangkan penelitian yang ada
tentang deteksi TCFA hanya berfokus pada fitur geometris. Selain itu, klasifikasi dilakukan
dengan algoritma machine learning untuk membedakan plak TCFA dan non-TCFA secara
optimal.
3. Pendekatan yang Diusulkan
Pendekatan yang diusulkan terdiri dari tiga fase utama. Tahap 1 menunjukkan
langkahlangkah segmentasi citra VH-IVUS menggunakan model semi-supervised yaitu
KMPSO-mED. Pada Fase 2, fitur geometris, termasuk batas luminal, komponen plak dan
fitur tekstur, diekstraksi dari gambar VH-IVUS. Terakhir, pada Tahap 3, pengklasifikasi Back
propagation (BPNN), kNN (K-Nearest Neighbour), dan Support Vector Machine (SVM)
diterapkan untuk memilih yang terbaik untuk mengklasifikasikan plak menjadi TCFA dan
Non-TCFA
4. Validasi
Meskipun beberapa studi berbasis program telah dikembangkan untuk mengekstrak fitur dari
gambar VH-IVUS dan untuk mendiagnosis TCFA, metode yang komprehensif untuk
menyelidiki kekuatan dan kelemahan dari metodologi yang diusulkan diperlukan. Bagian ini
menyajikan validasi dan efektivitas dari pendekatan yang diusulkan. Untuk mengevaluasi
kualitas klasifikasi otomatis, tiga percobaan berbeda dilakukan [45]. Pada percobaan pertama
dilakukan validasi berdasarkan keberadaan plak TCFA pada citra Optical Coherence
Tomography (OCT). Pada percobaan kedua, validasi dilakukan berdasarkan label kelas yang
disediakan oleh SVM dan label yang ditentukan secara manual berdasarkan keputusan ahli
jantung untuk 58 VH-IVUS dan gambar IVUS terkait. Pada percobaan terakhir, hasil SVM
dan keputusan ahli jantung dibandingkan untuk 76 gambar VH-IVUS.
4.1. Validasi oleh OCT Plak TCFA ditandai dengan inti nekrotik dengan tutup
fibrosa tipis di atasnya
4.2. Validasi Menggunakan Gambar VH-IVUS dan IVUS.
4.3. Validasi Menggunakan Gambar VH-IVUS Untuk percobaan ini, 76 gambar
VHIVUS dipilih dari lima pasien. Gambar VH-IVUS diklasifikasikan menjadi TCFA
('1') dan non-TCFA ('0') oleh SVM dengan kernel RBF.
5. Diskusi.
Analisis spektrum data frekuensi radio (RF) yang diturunkan dari IVUS memungkinkan
analisis morfologi plak yang lebih rinci. Studi in vitro awal menghubungkan empat
komponen plak histologis dengan analisis spektrum spesifik dari data RF. Komponen yang
berbeda, terdiri dari berserat, berserat, inti nekrotik, dan kalsium padat, diberi kode warna.
Peta jaringan koroner direkonstruksi dari data RF menggunakan perangkat lunak VH-IVUS.
VH-IVUS memiliki potensi untuk mendeteksi lesi berisiko tinggi dan dapat memberikan
wawasan baru tentang patofisiologi penyakit arteri coroner.
6. Kesimpulan
Dalam makalah ini, pendekatan segmentasi yang terdiri dari FCMPSO-mED dan
KMPSO mED telah dikembangkan untuk menentukan distribusi spasial intra-plak komponen
VH IVUS. Selanjutnya, tiga metode statistik yang umum digunakan, termasuk LBP, GLCM,
dan MRL, disajikan untuk mengekstrak fitur tekstur. Berdasarkan percobaan, kinerja
klasifikasi terbaik dicapai dengan menerapkan fitur gabungan plak dan tekstur. Hasil
eksperimen membuktikan keunggulan metode yang diusulkan, dengan tingkat akurasi tinggi
98,61% untuk diagnosis plak TCFA.