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.