com
Abstrak
Sistem diagnostik cepat adalah peran utama dalam sistem perawatan kesehatan secara eksklusif selama situasi pandemi untuk mengendalikan penyakit menular seperti penyakit coronavirus-2019 (COVID-19). Banyak negara
masih kurang menemukan kasus COVID dengan tes reverse transcription-polymerase chain reaction (RT-PCR). Pada rentang ini, algoritma pembelajaran mendalam telah memperkuat sistem pemrosesan citra medis untuk
menganalisis infeksi, kategorisasi, dan diagnosis lebih lanjut. Hal ini dimotivasi untuk menemukan cara alternatif untuk mengidentifikasi penyakit menggunakan implikasi medis yang ada. Oleh karena itu, ulasan ini
menceritakan karakter dan pencapaian algoritma pembelajaran mendalam di setiap titik dari asal hingga COVID-19. Literatur ini menyoroti pentingnya pembelajaran mendalam dan selanjutnya memfokuskan penelitian
pemrosesan citra medis pada penanganan data pencitraan resonansi magnetik (MRI), pemindaian computed tomography (CT), dan radiasi elektromagnetik (X-ray). Selain itu, tinjauan sistematis ini mentabulasi jaringan
pembelajaran mendalam populer dengan parameter operasional, penelitian peer-review dengan hasil mereka, jaring populer, dan kumpulan data umum, dan menyoroti fakta untuk merangsang penelitian di masa depan.
Konsekuensi dari literatur ini memastikan pendekatan deep learning berbasis convolutional neural network bekerja lebih baik dalam sistem pemrosesan citra medis, dan terutama sangat mendukung memilah komplikasi
COVID-19. tinjauan sistematis ini mentabulasi jaringan pembelajaran mendalam yang populer dengan parameter operasional, penelitian peer-review dengan hasil mereka, jaring populer, dan kumpulan data umum, dan
menyoroti fakta untuk merangsang penelitian di masa depan. Konsekuensi dari literatur ini memastikan pendekatan deep learning berbasis convolutional neural network bekerja lebih baik dalam sistem pemrosesan citra
medis, dan terutama sangat mendukung memilah komplikasi COVID-19. tinjauan sistematis ini mentabulasi jaringan pembelajaran mendalam yang populer dengan parameter operasional, penelitian peer-review dengan hasil
mereka, jaring populer, dan kumpulan data umum, dan menyoroti fakta untuk merangsang penelitian di masa depan. Konsekuensi dari literatur ini memastikan pendekatan deep learning berbasis convolutional neural
network bekerja lebih baik dalam sistem pemrosesan citra medis, dan terutama sangat mendukung memilah komplikasi COVID-19.
Kata kunci
Pembelajaran mendalam, Pemrosesan gambar, COVID-19, CT scan, X-ray image, Convolutional neural network (CNN), Neural nets, MRI
scan, Sistem diagnostik, Perawatan kesehatan.
623
Mareeswari V dkk.
tujuan dari tinjauan ini adalah untuk menunjukkan teknik studi. Bagian 3.1 mengidentifikasi bagaimana gambar
kecerdasan komputasional untuk analisis, identifikasi pemindaian magnetic resonance imaging (MRI) ditangani dan
penyakit, pemantauan, prediksi, dan penilaian risiko data bagian 3.2 mencantumkan metode apa saja untuk
medis yang digunakan dalam perawatan kesehatan dan menangani pemindaian computed tomography (CT) dengan
dibahas di bagian selanjutnya. pendekatan pembelajaran mendalam.Tabel 1ditabulasikan
untuk mengidentifikasi kumpulan data yang berdiri dan drive
Pembelajaran mesin mencapai banyak perkembangan di yang berfungsi. Bagian 3.3 menganalisis bagaimana nodul
berbagai bidang dari perhatian para peneliti dan industri. paru-paru terdeteksi dan bagaimana itu terkait dengan
Pembelajaran mesin diubah menjadi pembelajaran COVID-19. Bagian 3.4 menyelidiki cara mendiagnosis
mendalam dengan mengintegrasikan fitur jaringan saraf COVID-19 dengan gambar CT scan/radiasi elektromagnetik
tiruan (JST). Kumpulan algoritme dan pendekatan ini (X-Ray) dada.Meja 2danTabel 3daftar untuk mengidentifikasi
diterapkan untuk menentukan atau mempelajari solusi apa tujuan, metode, dan hasil dari penelitian sebelumnya.
bermasalah dari data yang sangat besar. Hanya saja itu Bagian 3.5 membahas untuk memutuskan kumpulan data
membuktikan bahwa aplikasi berbasis deep learning mampu apa yang cocok untuk melakukan penelitian terkait dengan
menyelesaikan masalah dari sejarah hasil atau pengalaman COVID-19 dan membandingkan kumpulan data populer di
[3]. Pembelajaran mendalam secara khusus menantang Tabel 4.Bagian terakhir 4 membahas kesenjangan disorot
dalam memproses data besar, dan telah mencapai banyak untuk melakukan penelitian masa depan.
prestasi di beberapa bidang, termasuk Bioinformatika.
Karena lingkungan perangkat lunak pembelajaran mendalam 1.2 Dasar-dasar pembelajaran yang mendalam
yang fleksibel memberikan ledakan daya komputasi dan Pembelajaran mendalam dan komputasi bio-terinspirasi dapat
kekuatan jaringan saraf, yang menghasilkan hasil yang lebih belajar banyak dari satu sama lain dan menghasilkan hasil yang
baik daripada sebelumnya. Lebih-lebih lagi, model menjanjikan. Aplikasi tersebut membantu dokter dalam
pembelajaran yang mendalam membuat jejak di berbagai perawatan kesehatan, memperlancar proses bisnis secara
bidang seperti visi komputer, pemodelan bahasa, prediksi, keseluruhan, sistem penilaian otomatis dalam pendidikan, fitur
dan robotika. Penerus pembelajaran mesin mengarah ke cerdas ditambahkan dalam kendaraan otonom, memprediksi pola
peringkat teratas dalam sistem perawatan kesehatan dengan harga dalam perjalanan dan industri lainnya, personalisasi di
menyalip teknik JST [4]. media sosial, dan banyak lagi.
1.1Tujuan dan pertanyaan penelitian Baru-baru ini, Gambar 1menjelaskan asal mula pembelajaran yang
pembelajaran mendalam telah merasakan perkembangan mendalam. Kecerdasan buatan (AI) juga disebut
dramatis dan perhatian pada industri medis dan perangkat kecerdasan mesin, yang membuat agen atau perangkat
lunak, akademisi, dan peneliti. Selain itu, selama masa lunak cerdas untuk melakukan kemampuan intelektual
pandemi COVID-19 ini, untuk mempertahankan masyarakat manusia atau makhluk hidup apa pun seperti berpikir,
dari penyakit menular, ada dorongan untuk melakukan belajar, dan memecahkan masalah. Tantangan AI adalah
penelitian dan pengembangan. Apalagi, setiap orang penalaran otomatis, representasi pengetahuan,
memiliki tanggung jawab sosial untuk sembuh dari pandemi perencanaan otomatis, penjadwalan, pembelajaran
ini. Karena banyak negara ingin menghargai pengganti tes mesin, pemrosesan bahasa manusia, dan persepsi mesin.
RT-PCR untuk mendiagnosis kasus COVID karena peralatan Pembelajaran mesin adalah aplikasi atau subkelas AI.
tes yang tidak memadai. Selama ini, pembelajaran mendalam Sebuah mesin dapat belajar dari data pelatihan untuk
banyak membantu dengan menyelesaikan masalah rumit, melakukan operasi spesifik tanpa pemrograman eksplisit,
mendalami kumpulan data besar yang ada, dan membuat tetapi tergantung pada pola dan implikasinya. Sebagian
perkembangan untuk membantu para profesional perawatan besar, algoritma ilmiah hibrida dan model statistik ini
kesehatan. dimotivasi oleh aplikasi berbasis prediksi di berbagai
bidang seperti pertanian, perbankan, Bioinformatika,
Padahal, sebagai seorang akademisi, beberapa pertanyaan sektor keuangan, perawatan kesehatan, sistem
penelitian berikut diajukan dan bagian-bagian lebih lanjut telekomunikasi, pengenalan suara, dan banyak lagi.
disusun untuk membahas hal yang sama. Bagian 1.2 Pembelajaran mesin memiliki serangkaian algoritma dan
menyajikan dasar-dasar algoritma pembelajaran mendalam. model. Algoritma pembelajaran telah diklasifikasikan
Bagian 2 menyelidiki studi penelitian yang diterbitkan dalam menjadi diawasi, tidak diawasi, penguatan, diri, masa
pemrosesan citra medis menggunakan pendekatan depan, kamus jarang, deteksi anomali, dan aturan
pembelajaran mendalam dan cara memilah artikel penting asosiasi. Jenis algoritma pembelajaran yang digunakan di
dari penerbit terkenal. Bagian 3 merangkum metodologi berbagai bidang tergantung pada jenis data dan operasi
yang ada yang digunakan dalam pengolahan citra medis oleh yang harus diselesaikan. Selain itu, pembelajaran mesin
literatur membangun model dan memeriksanya dalam banyak hal
624
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
aplikasi. Model tersebut adalah JST, pohon analisis, jaringan Bayesian, dan algoritma genetika.
keputusan, mesin vektor pendukung (SVM), regresi
Pembelajaran mendalam adalah area inovatif yang jaringan (DBN), jaringan saraf berulang (RNN), dan
mengarahkan pembelajaran mesin untuk mencapai tujuan AI jaringan saraf convolutional (CNN).
menggunakan model ANN. Pembelajaran mendalam
diperkenalkan pada tahun 1959, tetapi booming di mana-
mana di tahun 2010. Jaringan saraf terinspirasi oleh otak
manusia untuk memproses informasi dan menyelesaikan
tugas-tugas kompleks. Pembelajaran mendalam
mempraktikkan beberapa lapisan jaringan saraf untuk
mencapai hasil terbaik dalam berbagai konsep, seperti
pengenalan suara, visi komputer, pemrosesan bahasa alami,
analitik prediktif, dan pemrosesan gambar. Sistem cerdas
menunjukkan hasil yang sebanding atau, kadang-kadang,
lebih tinggi dari pakar manusia.
625
Mareeswari V dkk.
Jaringan saraf dasar yang didefinisikan sebagai pengenalan suara [7] dan pengenalan tulisan tangan
prototipe komputasi yang didasarkan pada [8]. Selain itu, ia memiliki jejak di beberapa bidang,
persepsi otak hewan adalah untuk seperti peramalan deret waktu [9], kontrol robot, dan
menyelesaikan operasi kompleks dengan teknik prediksi dalam sistem medis.
memproses komponen sederhana yang
terhubung. Dalam JST, neuron buatan CNN merupakan salah satu jenis DNN yang terdiri dari
terhubung dan dikomunikasikan melalui sinyal. banyak lapisan input, output, dan hidden dengan bobot yang
Hubungan antar neuron disebut sinaps, setiap bervariasi pada setiap lapisannya. Ini menganalisis gambar
neuron, dan sinaps memiliki bobot; itu akan dengan menggunakan produk titik data. Khususnya, ia
berbeda tergantung pada sinyal input. Juga, menawarkan kinerja yang lebih baik dalam analisis gambar
setiap neuron memiliki status yang diwakili dan video di bidang medis. Setiap neuron di setiap lapisan
dalam kisaran 0 dan 1. Neuron diatur terhubung dengan semua neuron lain di lapisan berikutnya.
berdasarkan lapisan; setiap lapisan Ini terinspirasi oleh proses biologis seperti korteks visual di
mentransmisikan sinyal input dan output di otak hewan, yang dihubungkan oleh mata untuk
antara mereka dalam jaringan saraf. Biasanya memvisualisasikan gambar. Oleh karena itu, CNN
terdiri dari seribu hingga jutaan unit neuron dan didefinisikan sebagai jaringan saraf yang bekerja dengan
jutaan koneksi, meskipun skala ini lebih kecil operasi titik matematis linier untuk mengenali gambar.
dibandingkan dengan otak manusia. Tetap saja, Secara khusus, ini layak untuk visi komputer, klasifikasi
kinerjanya lebih tinggi dari pikiran manusia, gambar, dan aplikasi terkait semacam itu [10]. DBN adalah
terutama dalam pengenalan gambar [5]. kategori unik dari DNN yang terdiri dari sekelompok lapisan,
termasuk lapisan tersembunyi. Setiap lapisan saling
DNN memiliki banyak lapisan yang saling berhubungan berhubungan di antara mereka seperti model grafik asiklik
di mana input diproses dan dihitung probabilitas output langsung tidak termasuk elemen tersembunyi. DBN ini terdiri
di setiap lapisan dan ditransfer ke lapisan berikutnya, dari jaringan sederhana tanpa pengawasan, di mana sub-
mengulangi proses hingga menghasilkan solusi akhir lapisan diproses selama beberapa waktu dengan rakus dan
berdasarkan nilai ambang batas. Misalnya, citra mobil selanjutnya diekstraksi dan diklasifikasikan tergantung pada
adalah input yang diproses dalam banyak lapisan dan hasil akhir. Oleh karena itu, ia telah berkinerja baik di antara
diidentifikasi sebagai jenis mobil pada titik tertentu. DNN pendekatan pembelajaran mendalam lainnya. Ini digunakan
biasanya jaringan feed-forward, yang berarti data dalam skenario realistis seperti memantau aktivitas listrik
diproses dalam arah maju menuju lapisan keluaran akhir. otak yang disebut electroencephalography [11] dan
penemuan obat [12].
RNN adalah sejenis JST yang membuat graf berarah oleh Mesin pembelajaran ekstrim adalah jaringan feed-forward
neuron dan koneksi. Ini memproses data dalam dua cara; yang berisi satu atau banyak lapisan tersembunyi di mana
terutama, telah digunakan dalam pemodelan bahasa [6]. unit yang dibutuhkan tidak diatur. Ini memberikan hasil yang
Untuk aplikasi ini, memori jarak pendek yang panjang lebih baik dan lebih cepat daripada jaringan backpropagation
digunakan secara efektif. Biasanya, RNN menggunakan danSVM[13]. Model linier ini digunakan untuk klasifikasi,
memori internal untuk memproses data berkelanjutan. clustering, regresi, kompresi, aproksimasi, dan pembelajaran
Oleh karena itu secara efektif digunakan di 626 prediktif. buatan
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
Sistem imun (AIS) dimotivasi oleh sistem imun biologis yang - Hanya jurnal akses terbuka yang dipilih dari
melindungi terhadap penyakit. Demikian pula, AIS memiliki bidang studi Ilmu Komputer dan Teknik.
kemampuan belajar dan pemanfaatan memori yang lebih -Tahap akhir artikel jurnal mempertimbangkan dan
baik untuk diterapkan dalam pemecahan masalah. Secara mengecualikan prosiding konferensi dan seri buku.
alami, ini terdiri dari komputasi cerdas dan algoritma
pembelajaran mesin berbasis aturan. -Terbatas dalam pemilihan di mana itu ditulis dalam
bahasa Inggris.
Ringkasan ANN dalam Perawatan Kesehatan -Artikel jurnal disaring berdasarkan judul dan abstrak
JST terdiri dari beberapa bagian komputasi yang yang sesuai.
disebut neuron, yang diatur dengan beberapa -Artikel teks lengkap yang memenuhi syarat diselidiki dan
lapisan. Fungsi nonlinier sederhana atau fungsi dirumuskan untuk artikel ulasan ini. Metode pembelajaran
aktivasi diterapkan di setiap lapisan input dan mendalam yang lazim, tujuan, akurasi, dan kumpulan data
menghasilkan lapisan output dan kemudian hal diidentifikasi dan ditabulasikan di bagian selanjutnya
yang sama diulang untuk mencapai output akhir
tertentu. Ini disebut jaringan persepsi / umpan- -Gambar 5mewakili distribusi penerbit dalam
maju multilayer. Oleh karena itu, data medis pemilihan artikel, di mana 35% jurnal Elsevier
yang dimasukkan ke dalam jaringan dilatih pada dipilih untuk tinjauan ini, dan jurnal
setiap lapisan dan menghasilkan label khusus peerreview dipilih dari penerbit lain seperti
tergantung pada aplikasinya. Pada setiap 10% dari Springer, 17% dari IEEE, 7% dari
lapisan, keluaran terlatih dicatat dan hasil perpustakaan online Wiley, 12% dari
prediksi diverifikasi oleh siapa pun dari fungsi penerbitan PubMed, 11% dari MDPI dan 9%
tujuan antara kesalahan absolut rata-rata (MAE), jurnal dari penerbit terkenal lainnya.
kesalahan kuadrat rata-rata (MSE), dan
kehilangan lintas entropi (CEL). Dalam propagasi
mundur, inkonsistensi disebarkan kembali ke
jaringan untuk meningkatkan kinerja dan
membuat perubahan bobot dan mencoba
menghasilkan label yang akurat [14].
2.Metodologi penelitian
Metodologi penelitian resmi diikuti dalam tinjauan
sistematis pemrosesan citra medis ini dari asal hingga
COVID-19 saat ini. Dimulai dengan mengumpulkan
artikel keprihatinan yang ada dengan kriteria inklusi
berikut dan digambarkan menggunakan representasi
PRISM, mengacu pada:Gambar 4.
-Artikel yang diterbitkan dikumpulkan dari 2015 hingga 2022.
Terutama, artikel jurnal peer-review yang diterbitkan
dalam urutan meningkat seperti 119 dan 176 pada tahun
2020 dan 2021 masing-masing tercakup.
-Artikel jurnal dinominasikan dari database
jurnal peerreview seperti Scopus,
ScienceDirect, Springer, institut insinyur listrik
dan elektronik (IEEE), lembaga penerbitan
digital multidisiplin (MDPI), dan pusat
informasi bioteknologi nasional (NCBI). Gambar 4Pemutaran artikel
627
Mareeswari V dkk.
CNN dan RNN adalah metode yang efisien dalam banyak untuk restorasi gambar, di mana hasil MRI
restorasi dan registrasi citra [16] untuk merekonstruksi MRI dikumpulkan dari proyek penghubung manusia dan
jantung dari data undersampled k-space bernilai kompleks diproses jauh di dalam jaringan saraf feed-forward
yang tersedia, yang dikultur oleh dependensi spasial- yang terhubung penuh.
temporal. Untuk rekonstruksi MRI dinamis, beberapa CNN
digunakan bersama di kedalaman untuk mengurangi Pemetaan kerentanan kuantitatif (QSM) adalah teknik yang
kompleksitas operasional. Secara real-time yaitu 200 ms per meningkat dalam studi pemeriksaan MRI untuk
slice digunakan untuk rekonstruksi citra dengan menerapkan mengidentifikasi parameter jaringan yang terkena. Penulis ini
pendekatan analisis citra CNN paralel [17]. Data gambar k- [21] mengembangkan QSMnet berdasarkan arsitektur U-net
space ini dipelajari dari rekaman MRI lutut seseorang dan menggunakan jaringan saraf konvolusi 3D untuk kerentanan
ditransfer sebagai model terlatih melalui jaringan varian dari data magnetik. Data ini dikumpulkan dari 60 laporan
untuk merekonstruksi gambar [18]. Restorasi gambar terjadi pemindaian dari 12 sukarelawan sehat. Selain itu, DeepQSM
pada 30 ms dengan mengurangi tingkat noise, dan digunakan untuk menganalisis laporan MRI otak melalui
mempelajari fitur dari sebuah gambar dengan menggunakan beberapa langkah pemrosesan gambar dalam satu detik [22].
kerangka kerja jaringan permusuhan generatif (GAN) kuadrat Para peneliti ini [23] menggunakan pendekatan
terkecil [19] dan sumber daya langsung yang tersedia di pembelajaran mendalam untuk menghilangkan kebisingan
githup. com/js3611/Deep-MRI-Reconstruction. Penelitian ini untuk menyelidiki pemindaian MRI otak dari 33 pasien. Pada
[20] mengembangkan kerangka kerja transformasi otomatis setiap tahap, DNN diterapkan, dan gambar diklasifikasikan
dengan pendekatan manifold (AUTOMAP) sebagai ahli patologi, sehat, dan pembuluh darah.
Selanjutnya, DNN digunakan untuk mempelajari lutut
628
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
Gambar MRI di DeepResolve [24] di mana 124 yang merupakan kombinasi sinar-X yang diambil dari berbagai sudut pada
pasien diuji. Oleh karena itu, pendekatan organ, tulang, dan jaringan. Model pembelajaran mendalam mendukung
pembelajaran mendalam bermanfaat dalam diagnosis, deteksi dengan memproses gambar CT scan dengan cepat
diagnosis bagian biologis dan deteksi penyakit daripada skrining manual oleh ahli radiologi. Terutama, ini diterapkan untuk
untuk ahli radiologi dan praktik medis. mendeteksi nodul paru-paru yang menyakitkan pada gambar CT scan.
Dibandingkan dengan skrining manual, deep learning dengan cepat
Bagi wanita, transisi tahap menopause lebih mementingkan mendeteksi diagnosis meskipun bentuk dan penampilannya berbeda,
masalah kesehatan, yang mengarah pada melukai gaya sebagian besar gambar CT scan, nodul kecil berdiameter kurang dari 10mm.
hidup mereka dengan cara yang berbeda. Oleh karena itu, Oleh karena itu DL menawarkan kepercayaan yang tinggi kepada ahli
[25] mengusulkan kerangka kerja untuk memprediksi radiologi untuk membuat deteksi diagnosis yang akurat. Secara umum,
keparahan tanda-tanda menopause menggunakan teknik JST, proses deteksi berbantuan komputer ini terdiri dari pra-pemrosesan citra CT,
dan menyediakan layanan kesehatan untuk wanita dan segmentasi paru-paru (ekstraksi tenggorokan dan ekstraksi paru-paru),
praktik klinis. Di mana sembilan input dikumpulkan dari deteksi nodul (deteksi kandidat dan ekstraksi fitur), dan klasifikasi. Para
catatan rumah sakit seperti usia, indeks massa tubuh (BMI), peneliti ini [30] mempelajari karya yang baru-baru ini diterbitkan antara 2009
pendidikan, pendapatan, dan penyakit kronis, penerapan dan April 2018 tentang deteksi nodul paru-paru pada gambar CT dan
teknik JST dan prediksi skor indeks menopause (KMI) melaporkan analisis yang dimulai dengan rekayasa fitur hingga pendekatan
Kupperman sebagai output untuk menganalisis tingkat pembelajaran mendalam. Akhirnya, mereka menyarankan bahwa
keparahan menopause dengan akurat. hasil prediksi. Mereka pendekatan pembelajaran mendalam, terutama algoritma berbasis CNN,
[26] mempresentasikan sistem hibrida oleh JST yang dipandu diterapkan secara luas dalam deteksi, segmentasi, dan kategorisasi nodul
oleh algoritma evolusioner (EA) untuk estimasi risiko kardio- paru-paru. Dalam kategorisasi nodul tertentu, multi-tampilan-multi-skala,
metabolik (CMR). Jika CMR diprediksi lebih awal, hal ini dapat CNN mencapai akurasi yang lebih tinggi dari 90,3-92,3% bervariasi dalam
mencegah aterosklerosis dan penyakit kardiovaskular. dataset [31]. segmentasi, dan kategorisasi. Dalam kategorisasi nodul
Namun, itu lazim bahwa lebih dari 10 juta kasus per tahun di tertentu, multi-tampilan-multi-skala, CNN mencapai akurasi yang lebih tinggi
India saja. Perkiraan ini bermanfaat untuk mencegah lebih dari 90,3-92,3% bervariasi dalam dataset [31]. segmentasi, dan kategorisasi.
banyak kematian. Oleh karena itu, penulis tersebut di atas Dalam kategorisasi nodul tertentu, multi-tampilan-multi-skala, CNN
menerapkan sistem CMR cerdas menggunakan kode Matlab mencapai akurasi yang lebih tinggi dari 90,3-92,3% bervariasi dalam dataset
di mana beberapa JST dilatih dengan EA dan terbukti akurasi [31].
di atas 90%. Mereka menyoroti bahwa hasilnya mungkin
berbeda pada input regional.
Model visual geometri group (VGG-s) pra-terlatih yang
dikombinasikan dengan CNN mencapai akurasi 76,79%
3.2Untuk memproses gambar CT-scan dan kurva karakteristik operasi penerima (ROC) 0,87 [32],
Kanker paru-paru adalah penyakit yang paling rentan, yang CNN diterapkan pada tingkat keputusan dengan 96,65%
menyebabkan lebih banyak kasus baru di seluruh dunia area di bawah kurva ( AUC) [33], dan algoritma genetika
sekitar 17 juta pada tahun 2018, diumumkan kepada dana berpusat di CNN dengan sensitivitas 94,66% dari akurasi
penelitian kanker dunia. Jumlah penderita kanker tertinggi 94,78% [34]. Untuk segmentasi nodul, dalam eksperimen
berada di Hongaria dan terendah di India [27]. Sebagian model pembelajaran mesin terkait data-driven, CNN
besar, kebiasaan merokok mempengaruhi paru-paru, yang fokus pusat (CF-CNN) mencetak 82,15% dalam skor dadu
meningkatkan kejadian kanker paru-paru dan tingkat bervariasi dalam dataset [35]. CNN 3-D yang diterapkan
kematian saat ini tertinggi di antara perokok pria diikuti oleh pada metode fusi menghasilkan skor sensitivitas 94,4%
perokok wanita [28]. Faktor risiko lain untuk kanker adalah dalam deteksi nodul paru [36] untuk klasifikasi.Tabel 1
bahan bakar biomassa yang belum diproses, polusi udara, melaporkan karya penelitian signifikan yang
paparan lingkungan nuklir, dan tambang asbes. Ulasan ini dipublikasikan selama 2018-2022 untuk deteksi nodul
[29] melaporkan epidemiologi kanker paru-paru, statistik dan paru-paru yang bereksperimen dengan pendekatan
membandingkan pasien kanker di seluruh dunia secara pembelajaran mendalam yang bereksperimen pada
ekonomi, sosial, dan biologis. dataset konsorsium database citra paru (LIDC) / inisiatif
sumber daya database citra (IDRI) dan set data populer
Dalam pencitraan medis, pemindaian computed tomography lainnya.
(CT) mengambil tempat dengan sistem diagnosis terbaik,
629
Mareeswari V dkk.
Tabel 1Perbandingan artikel yang baru-baru ini diterbitkan tentang deteksi nodul paru berpusat pada kinerjanya
Tujuan Metode Hasil
Klasifikasi nodul [37] - Model kolaboratif - mendalam berbasis Akurasi = 91,60%,
pengetahuan mempelajari nodul paru 3-D, - AUC = 95,70%
- Bereksperimen di LIDC/IDRI,
-Memanfaatkan tiga ResNet-50 . yang telah dilatih sebelumnya
630
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
3.3Jaringan CNN populer yang mengarahkan melalui URL untuk mengakses gambar web yang
ImageNet adalah database gambar ekstensif yang dapat disediakan oleh seseorang yang menyediakan gambar. Arsitektur CNN
diakses yang diatur untuk WordNet. Ini mengumpulkan pertama yang terkenal adalah LeNet yang dikembangkan oleh LeCun et al.
daftar gambar web untuk setiap synset dari wordnet. [55] pada tahun 1998.Meja 2mencantumkan tingkat kesalahan 5% teratas
Hanya, itu tersedia di https://www.image-net.org, dari CNN Nets yang telah dilatih sebelumnya.
631
Mareeswari V dkk.
CNN Nets populer ini digunakan oleh banyak peneliti dan juga mengembangkan tergantung pada karakteristik virus corona dan reaksi kesehatan
Nets baru dengan mekanisme lain. Padahal, COVID-19 menginfeksi saluran masyarakat. Selain itu, penyakit ini akan menyebar dengan cepat
pernapasan bagian atas dan paru-paru. Sebagian besar gambar rontgen dada (CXR) dari satu orang ke lebih banyak orang, dan manusia tidak
digunakan untuk mendiagnosis penyakit paru-paru dan sekarang terbukti dapat menularkannya sebelumnya. Jadi, keadaan ini menimbulkan risiko
mendeteksi penyakit COVID-19. Penulis ini [63] mempraktekkan CNN Nets yang dan tantangan kesehatan masyarakat yang parah bagi seluruh
populer seperti ResNet18, ResNet50, ResNet101, VGG16, dan VGG19 untuk ekstraksi sistem, terutama sistem perawatan kesehatan.
fitur, dan pengklasifikasi SVM untuk klasifikasi fitur. Model ini diperiksa dalam
kumpulan data yang terdiri dari 380 gambar CXR pasien COVID19 dan orang sehat. Orang yang terkena penyakit paru-paru dapat terancam
Mereka menyimpulkan bahwa 94,7% akurasi tertinggi dicapai saat menggabungkan penyakit mengerikan dari COVID-19. Oleh karena itu,
pengklasifikasi ResNet50 dan SVM dengan fungsi kernel linier. Demikian pula, pasien kanker dan keluarganya akan tertekan oleh wabah
mereka [64] mempraktekkan ResNet34 pada proses pembelajaran segmentasi virus corona. Apalagi bagi seseorang yang memiliki daya
semisupervised pada gambar CT scan aksial untuk mendeteksi COVID-19 dan tahan tubuh kurang menantang untuk melawan infeksi
dinamakan sebagai model segmentasi FSS-2019-nCov. Model ini menggunakan virus corona. Selain itu, virus corona menyebar dengan
kumpulan data publik dan mencoba meningkatkan efisiensi generalisasi, meskipun cepat di antara orang-orang di seluruh dunia. Dalam
tidak dapat mencapai segmentasi yang akurat. Tetapi kelemahan ini akan diatasi situasi ini, alat diagnostik reguler sebagai uji klinis sangat
dengan mempraktikkan volume besar gambar 3D, CT COVID-19. Dalam banyak memakan waktu dan mahal; bahkan jika itu
penelitian eksperimen dataset LIDC-IDRI, [49] salah satu penelitian membuktikan membutuhkan laboratorium yang lengkap untuk analisis.
classifier SVM mencapai hasil yang lebih baik daripada k-nearest neighbor (KNN), Namun, pada tahap awal ini, tidak ada obat dan
soft-max, dan classifier lainnya. Tetapi kelemahan ini akan diatasi dengan pengobatan yang diusulkan. Sesuai saran dari WHO, tes
mempraktikkan volume besar gambar 3D, CT COVID-19. Dalam banyak penelitian RT-PCR pada molekul mengkonfirmasi kasus positif
eksperimen dataset LIDC-IDRI, [49] salah satu penelitian membuktikan classifier COVID-19 [65]. Sementara ini menyebar dengan cepat di
SVM mencapai hasil yang lebih baik daripada k-nearest neighbor (KNN), soft-max, antara orang-orang, beberapa negara yang memiliki
dan classifier lainnya. Tetapi kelemahan ini akan diatasi dengan mempraktikkan jumlah alat tes yang lebih rendah menggunakan CT scan
volume besar gambar 3D, CT COVID-19. Dalam banyak penelitian eksperimen untuk mendeteksi virus corona. Karenanya, pengolahan
dataset LIDC-IDRI, [49] salah satu penelitian membuktikan classifier SVM mencapai citra medis melalui CT scan digunakan untuk mendeteksi
hasil yang lebih baik daripada k-nearest neighbor (KNN), soft-max, dan classifier pasien COVID-19 bersama RT-PCR [66]. Selain itu, ahli
lainnya. radiologi menghadapi perjuangan untuk membedakan
antara identifikasi infeksi COVID-19 dan temuan CT
lainnya (influenza, sindrom pernapasan akut parah
3.4 Untuk memproses gambar dada COVID19 Sangat (SARS), sindrom pernapasan timur tengah (MERS)) selama
penting untuk memelihara sistem perawatan kesehatan ini penyebaran coronavirus ekspres cepat mereka. beban
untuk mengurangi tingkat populasi yang mempengaruhi kerja [67].Gambar 7menunjukkan sampel segmentasi
penyakit apa pun serta mengurangi tingkat kematian. nodul dengan 3 label pada irisan aksial CT COVID-19 oleh
Sampai sekarang, semua negara dan wilayah di seluruh ahli radiologi. Di sini biru menunjukkan kekeruhan
dunia menghadapi penyakit parah yang disebabkan oleh ground-glass dengan nilai topeng 1, konsolidasi dengan
virus corona baru. Penyakit pandemi ini memiliki nilai topeng 2 dalam warna kuning dan efusi pleura
tahapan-tahapan seperti investigasi, pengenalan, inisiasi, dengan nilai topeng 3 dalam warna hijau. Label ini
dan akselerasi. Puncak penyakit dimulai pada akhir tahap mempromosikan peningkatan estimasi prognosis untuk
akselerasi. Namun, tahapan ini mendorong kontras, antar skrining pasien COVID-19 alih-alih tes RT-PCR [68].
negara dan juga bervariasi di antara negara bagian yang
berbeda di negara yang sama
632
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
Computer-aided diagnosis (CAD) mendukung ahli radiologi bintil. Penelitian ini [71] mempraktekkan CNN pada
untuk mendeteksi kelainan pada paru-paru bahkan tidak gambar CT untuk membedakan infeksi COVID19 dan non-
dapat dirasakan oleh infeksi visual [69]. Pada diskusi kami COVID19. Juga, mereka menganalisis 10 arsitektur CNN
sebelumnya tentang penelitian ini, pembelajaran mendalam dan menyimpulkan bahwa ResNet-101 dan Xception
memainkan peran penting dalam pemrosesan citra medis, berkinerja baik dengan AUC 0,994, di antara jaringan
terutama dalam diagnosis penyakit paru-paru. Para peneliti CNN lainnya. Sistem diagnostik berbasis citra radiologis
ini [70] membuktikan dengan hasil eksperimen 0,899 AUC menghasilkan hasil yang lebih baik daripada pengujian
bahwa CNN bekerja lebih baik daripada jaringan kepercayaan RT-PCR.Tabel 3menjelaskan penelitian yang
bip untuk mendeteksi paru-paru ganas dipublikasikan pada kasus COVID-19.
Tabel 3Hasil komparatif dari metode futuristik yang dilakukan dalam kasus COVID-19
Tujuan Metode Hasil
Temukan salah diagnosa kecepatan dari - Penulis meninjau klinis - Dangkal Salah kecepatan (3,9%)
Ahli radiologi dan menghitung pencapaian konten dan gambar CT. tingkat diagnosis berdasarkan CT
gambar CT dada yang dipraktikkan dalam -Bedakan COVID-19 dengan virus lain. dada pada COVID-19 (2/51 pasien)
diagnosis dan manajemen COVID-19 [72].
Mengkategorikan gambar untuk makula - Teknik transfer learning yang digunakan - Sensitivitas dan spesifisitasnya adalah
degenerasi dan retinopati diabetik dan pembelajaran yang mendalam dicapai pada tingkat kesalahan 0,05 dan
membedakan pneumonia bakteri dan kepercayaan 95%
virus pada CXRs [73]. - Penjelasan cepat dan akurat dari
gambar sinar-X
Metode pembelajaran mendalam mengekstrak -Model jaringan saraf migrasi awal -Itu intern validasi-
fitur grafis radiologis untuk mendiagnosis ketepatan: 82,9%, kekhususan:
COVID-19 [74]. 80,5%, sensitivitas: 84%.
-Dataset pengujian eksternal –
akurasi: 73,1%, spesifisitas:
67%, sensitivitas: 74%
Metode analisis yang sepenuhnya otomatis -Ini menyatakan bahwa gambar CT paru -Akurasi keseluruhan 86,7%
untuk dokter klinis garis depan membedakan diklasifikasikan menggunakan model
pneumonia COVID-19 di antara Influenza-A klasifikasi lokasi-perhatian dan jenis infeksi
633
Mareeswari V dkk.
Aplikasi seluler ringan berbasis DNN yang -Kerangka transfer pengetahuan dan -Digunakan oleh tiga peran sebagai jaringan
digunakan untuk menyaring kasus COVID19 dari penyulingan (KTD) dokter yang terlatih sebelumnya, jaringan
cuplikan gambar CXR yang bising[79]. sesama penduduk yang disesuaikan, dan
mahasiswa kedokteran ringan yang
terlatih.
Membangun akses terbuka kumpulan data dan -Pengubahan ukuran progresif, penghitungan -Akurasi=96,23%
membedakan kasus COVID19 dan kasus tingkat pembelajaran siklis, dan kecepatan
pneumonia menggunakan CNN [80]. pembelajaran diskriminatif untuk melatih
jaringan saraf sisa yang cepat dan tepat.
- Teknik 3 langkah adalah menyesuaikan model
ResNet-50 yang telah dilatih sebelumnya untuk
meningkatkan kinerja model
Mengembangkan sistem diagnostik untuk - Optimalisasi Bayesian untuk pembelajaran Akurasi keseluruhan 98,6%
COVID19 dengan pemrosesan citra medis [81]. mendalam - teknik
Kasus COVID-19 yang terinfeksi diidentifikasi -Encoder bersih VGG-16 digunakan untuk menangkap -95,6% akurasi model,
dari gambar CXR [82]. fitur tidak bias, jaringan Siam untuk - 90% spesifisitas,
menyimpulkan memilah kasus COVID-19. - 96,80% sensitivitas,
- Model meta COVID ini mencapai akurasi - AUC 0,97
terbaik dalam pengaturan pembelajaran 3
arah dan 10 bidikan.
Bangun jaringan multi-tugas COVID-19 - Memprediksi fitur COVID-19 dari - CXR pasien 90% spesifisitas dan
(COMiT-Net), jaringan ujung ke ujung dan menandai daerah paru-paru dengan -96,80% sensitivitas
otomatis yang menyaring COVID-19[83]. segmentasi untuk mengidentifikasi gejala
COVID-19. 2513 gambar CXR frontal diperiksa
untuk membangun dataset COMiT-Net dan
diterbitkan untuk peneliti.
CovNet-19: Model klasifikasi 3-Way untuk - Ensemble DCNN diterapkan di 6214 CXR - gambar Akurasi 98,28% pada
mengidentifikasi normal, pneumonia, dan dari 5 kumpulan data berbeda yang disatukan oleh klasifikasi 3 arah, 98,33%
COVID-19 dan model klasifikasi 2-Way untuk perangkat lunak sumber terbuka. presisi rata-rata 98,33% pada
COVID atau Non-COVID [84]. Recall, akurasi 99,71% pada
model klasifikasi 2 arah.
CCSHNet: Model yang dibuat dengan - Model pra-terlatih menggunakan untuk - Dicapai di atas 95% dari
menganalisis 1.164 gambar CT dada pasien dan mempelajari fitur, dan (L, 2) mentransfer algoritma sensitivitas, presisi, dan skor
diklasifikasikan ke dalam COVID-19, sehat pembelajaran fitur yang dipraktikkan untuk F1 di setiap kategorisasi
orang, pneumonia, dan tuberkulosis mengekstrak fitur, mengurangi lapisan dengan -Rata-rata mikro F1 skor
paru sekunder [85]. hyperparameter dan menggabungkannya untuk mengukur akurasi model sebagai
menyimpulkan model terbaik yang dibantu dengan 97,04%.
analisis korelasi diskriminan.
634
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
Fitur multi-channel deep neural network - Algoritma MFDNN untuk menyaring - Mencapai akurasi tes rata-rata
algoritma untuk mengenali gambar rontgen pasien COVID19. 93,19% di semua data dibandingkan
dada COVID19 (MFDNN)[90]. - Metode oversampling digunakan dalam model dengan VGG19, GoogLeNet,
untuk menyamakan semua jenis input pada pra- ResNet50, dan Densenet201.
pemrosesan. - Menghasilkan akurasi 1,91% lebih tinggi
- Model MFDNN digunakan untuk daripada model CoroDet
ekstraksi fitur.
USTM-Net: Diawasi dengan Lemah - Segmentasi COVID-19 dengan - MAE = 0,086
Segmentasi Infeksi COVID19 dengan pengamatan scribblelevel -Dipraktekkan pada tiga dataset
Anotasi Scribble pada Gambar CT [91]. -Kerangka kerja guru yang sadar akan sebagai uAI 3D dataset,IS-COVID
ketidakpastian ditetapkan untuk Himpunan data, [92], Luka
- pelatihan Regulerkan model dengan sebuah segmentasi (CC-COVID)
strategi transformasi-konsisten kumpulan data [93].
3.5 Kumpulan data rumah sakit, situs web, dan mesin telusur, informasi
Pemilihan dataset memainkan peran utama dalam pekerjaan pengembang, lokasi yang tersedia, dan kredit rilis kumpulan data
penelitian.Tabel 4daftar kumpulan data populer yang berdasarkan kutipan dan kegunaan. Ini akan didorong untuk
dipraktikkan untuk diagnosis COVID19, yang membahas mengembangkan dataset baru dan mempraktikkannya untuk
jumlah gambar medis yang dikumpulkan dari penelitian masa depan. Pengambilan keputusan bersama
635
Mareeswari V dkk.
sistem untuk sistem diagnosis perawatan kesehatan tergantung pada skenario [50]. Selain itu, pilih kumpulan data yang berisi
pendekatan pembelajaran yang diawasi. Tapi itu membutuhkan gambar beresolusi tinggi dengan label yang diperlukan
kumpulan data berlabel besar; selain itu, ini adalah pendekatan yang untuk deteksi nodul paru dari kasus COVID dan situasi
mahal dan memakan waktu. Saat memilih kumpulan data ukuran kecil, serupa. Sebagian besar deskripsi dataset mencakup
ini menghasilkan masalah yang terlalu pas dan masalah konvergensi kesesuaian teknik dan fitur terkait dari dataset. Jadi,
dengan risiko besar selama pelatihan model. Sementara itu, teknik pembelajaran mendalam yang tepat dapat melatih
pendekatan pembelajaran tanpa pengawasan seperti pembelajaran model kami secara efisien dan menghasilkan hasil yang
transfer mencapai akurasi yang lebih tinggi dalam ekstraksi fitur. Oleh akurat baik dalam pelatihan maupun pengujian.
karena itu, set data yang seimbang mengontrol tingkat positif palsu
sedemikian rupa
https://www.kaggle.com/sudalairajkumar/c
ovid19-in-usa
- Swiss -
https://www.kaggle.com/daenuprobst/covid
19-cases-switzerland
- Indonesia -
https://www.kaggle.com/ardisragen/indones
ia-coronavirus-cases
2021 Covid-19 CT - Dengan menggabungkan 7 kumpulan data publik Maftouni dan Kaggle 8.2 kegunaan.
[92] memindai kumpulan data - Set data berisi irisan COVID-19, Normal, rekan-rekannya,
dan CAP CT serta metadatanya.
- Secara total, kelompok 7.593 gambar COVID-19
dari 466 pasien, 6.893 gambar normal dari 604
pasien, dan 2.618 gambar CAP dari 60 pasien.
636
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
melepaskan Cari)
2020 COVID-CT- - Kelompok 349 gambar CT COVID-19 dari COVID-19- https://github.com/UCSD- 175 kutipan
[95] Himpunan data 216 pasien dan 463 CT non-COVID-19 terkait AI4H/COVID-CT
- mereka mempraktikkan pembelajaran multi-tugas dan dokumen merangkak
2020 SARS-COV- - Sekelompok 1252 CT scan infeksi SARS- berkumpul dari www.kaggle.com/plameneduardo/sa 205 kutipan
[97] 2 Ct-Scan CoV-2 (COVID-19) dan 1230 CT scan non- pasien asli rscov2-CT scan-dataset
Himpunan data SARS-CoV-2, di rumah sakit di
- dapat memutuskan apakah seseorang terkena Sao paulo,
penyakit SARS-CoV-2 melalui pemeriksaan CT scan Brazil
mereka
2020 COVID-19 - Ini berisi 123 sinar-X tampilan depan untuk Joseph Paulus https://github.com/ieee8023/ 707 kutipan
[98] Data Gambar mendiagnosis COVID19 dengan model Cohen, Paul covidchestxray-dataset
Koleksi pembelajaran mendalam seperti ahli radiologi. Morrison, Lan
-Konten gambar yang ditautkan dengan fitur yang dao Dikumpulkan
relevan secara klinis dalam kumpulan data publik dari situs web
untuk merancang model dan pengembangan alat. dan rumah sakit
2020 COVID-19 - Kumpulan gambar tersebut mencakup 3.616 kasus dikembangkan oleh 12 kaggle 408
[99] rontgen dada terkonfirmasi COVID19, 10.192 sehat, 6.012 kasus penulis dan Kutipan
Himpunan data non-COVID tetapi terinfeksi paru-paru, dan 1.345 dipraktekkan oleh
kasus pneumonia virus. [90]
2020 SIRM - Dari 384 gambar radiografi, 94 gambar Italia Masyarakat https://sirm.org/category/covid-19/ 6
[100] COVID-19 rontgen dada dan 290 gambar CT paru-paru kedokteran dan
basis data dengan 71 kasus COVID-19 terkonfirmasi. Intervensi
Radiologi
(SIRM) COVID-
19 DATABASE
2019 Repositori dari - 110.020 Deskripsi MRI dari 130 pasien Georgetown https://www.cancerimagingarchive.n 1375 kutipan
[101] molekuler tumor dengan klasifikasi multi-kelas. universitas G- et/
otak - gambar-gambar ini diatur oleh id pasien Sistem DOC
neoplasia dalam format gambar DICOM.
data
(REMBRAN
T) kumpulan data
2017 NIH Dada X- - 112.120 gambar sinar-X dari 30.805 pasien Nasional https://nihcc.app.box.com/v/ChestXr 2319 kutipan
[102] ray Dataset unik Institut dari ay-NIHCC
- diturunkan ke 600 × 600 dan dikodekan Kesehatan Klinis Kaggle 7.3 kegunaan
sebagai jpeg 1 saluran. Tengah
- Itu tidak memiliki informasi pasien lain seperti usia,
dan jenis kelamin.
- format TFRecords sangat cocok untuk
pelatihan CNN dengan klasifikasi multi-label
2011 LIDC/IDR 888 CT scan dengan ukuran 124 GB dan 53 penulis https://luna16.grand-challenge.org. 1347 kutipan
[103] dianggap ketebalan irisan lebih besar dari diagnostik
2,5 mm gambar analisis
kelompok,
departemen dari
radiologi dan
nuklir
obat-obatan,
Radboud
Universitas
medis tengah,
Nijmegen, Itu
Belanda
637
Mareeswari V dkk.
638
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
[4] Bengio Y, Courville A, Vincent P. Pembelajaran mentransfer pembelajaran. Resonansi Magnetik dalam
representasi: tinjauan dan perspektif baru. Kedokteran. 2019; 81(1):116-28.
Transaksi IEEE pada Analisis Pola dan Kecerdasan [19] Mardani M, Gong E, Cheng JY, Vasanawala SS,
Mesin. 2013; 35(8):1798-828. Zaharchuk G, Xing L, dkk. Jaringan saraf permusuhan
[5] Perak D, Huang A, Maddison CJ, Guez A, Sifre L, Van DDG, generatif dalam untuk MRI penginderaan tekan.
dkk. Menguasai permainan Go dengan jaringan saraf Transaksi IEEE pada Pencitraan Medis. 2018; 38 (1):
yang dalam dan pencarian pohon. Alam. 2016; 167-79.
529(7587):484-9. [20] Zhu B, Liu JZ, Cauley SF, Rosen BR, Rosen MS.
[6] Gers FA, Schraudolph NN, Schmidhuber J. Mempelajari Rekonstruksi gambar dengan pembelajaran berjenis
waktu yang tepat dengan jaringan berulang LSTM. domain-transform. Alam. 2018; 555(7697):487-92.
Jurnal Penelitian Pembelajaran Mesin. 2002:115-43. [21] Yoon J, Gong E, Chatnuntawech I, Bilgic B, Lee J, Jung W,
[7] Anumanchipalli GK, Chartier J, Chang EF. Sintesis dkk. Pemetaan kerentanan kuantitatif menggunakan
ucapan dari decoding saraf kalimat yang diucapkan. jaringan saraf dalam: QSMnet. gambar saraf. 2018;
Alam. 2019; 568(7753):493-8. 179:199-206.
[8] Graves A, Liwicki M, Fernández S, Bertolami R, [22] Bollmann S, Rasmussen KG, Kristensen M, Blendal RG,
Bunke H, Schmidhuber J. Sistem koneksionis baru stergaard LR, Plocharski M, dkk. DeepQSMmenggunakan
untuk pengenalan tulisan tangan tanpa batas. pembelajaran mendalam untuk memecahkan inversi dipol
Transaksi IEEE pada Analisis Pola dan Kecerdasan untuk pemetaan kerentanan kuantitatif. gambar saraf. 2019;
Mesin. 2008; 31(5):855-68. 195:373-83.
[9] Hewamalage H, Bergmeir C, Bandara K. Jaringan saraf [23] Benou A, Veksler R, Friedman A, Raviv TR. Ensemble
berulang untuk peramalan deret waktu: status saat jaringan saraf dalam ahli untuk denoising
ini dan arah masa depan. Jurnal Peramalan spatiotemporal dari urutan MRI yang ditingkatkan
Internasional. 2021; 37(1):388-427. kontras. Analisis Citra Medis. 2017; 42:145-59.
[10] Zang J, Wang L, Liu Z, Zhang Q, Hua G, Zheng N. [24] Chaudhari AS, Fang Z, Kogan F, Wood J, Stevens KJ, Gibbons
Jaringan saraf convolutional tertimbang temporal EK, dkk. MRI muskuloskeletal resolusi super menggunakan
berbasis perhatian untuk pengenalan tindakan. pembelajaran mendalam. Resonansi Magnetik dalam
Dalam konferensi internasional IFIP tentang aplikasi Kedokteran. 2018; 80(5):2139-54.
dan inovasi kecerdasan buatan 2018 (hlm. 97-108). [25] Li X, Chen F, Sun D, Tao M. Memprediksi gejala
Pegas, Cham. menopause dengan jaringan saraf tiruan. Sistem
[11] Movahedi F, Coyle JL, Sejdić E. Jaringan kepercayaan Pakar dengan Aplikasi. 2015; 42(22):8698-706.
mendalam untuk elektroensefalografi: tinjauan [26] Kupusinac A, Stokic E, Kovacevic I. Sistem EANN-
kontribusi terbaru dan pandangan masa depan. IEEE EA hybrid untuk estimasi utama risiko
Jurnal Biomedis dan Kesehatan Informatika. 2017; kardiometabolik. Jurnal Sistem Medis. 2016;
22(3):642- 52. 40(6)::1-9.
[12] Gawehn E, Hiss JA, Schneider G. Pembelajaran mendalam [27] Youlden DR, Cramb SM, Baade PD. Epidemiologi
dalam penemuan obat. Informatika molekuler. 2016; internasional kanker paru-paru: distribusi
35(1):3- 14. geografis dan tren sekuler. Jurnal Onkologi
[13] Huang GB, Zhu QY, Siew CK. Mesin pembelajaran Toraks. 2008; 3(8):819-31.
ekstrem: teori dan aplikasi. Neurokomputer. [28] Thun MJ, Carter BD, Feskanich D, Freedman ND,
2006; 70(1-3):489-501. Prentice R, Lopez AD, dkk. Tren 50 tahun
[14] Smolensky P. Pengolahan informasi dalam sistem kematian terkait merokok di Amerika Serikat.
dinamis: dasar-dasar teori harmoni. Colorado Univ di Jurnal Kedokteran Inggris Baru. 2013; 368:351-64.
Boulder Dept of Computer Science; 1986. [29] Barta JA, Powell CA, Wisnivesky JP. Epidemiologi
[15] Lundervold AS, Lundervold A. Tinjauan mendalam global kanker paru-paru. Sejarah Kesehatan
pembelajaran pencitraan medis berfokus pada MRI. Global. 2019; 85(1).
Zeitschrift für Medizinische Physik. 2019; 29(2):102- [30] Halder A, Dey D, Sadhu AK. Deteksi nodul paru dari
27. rekayasa fitur hingga pembelajaran mendalam dalam
[16] Qin C, Schlemper J, Caballero J, Harga AN, Hajnal JV, gambar CT toraks: tinjauan komprehensif. Jurnal
Rueckert D. Convolutional jaringan saraf berulang Pencitraan Digital. 2020; 33(3):655-77.
untuk rekonstruksi gambar MR dinamis. Transaksi [31] Liu X, Hou F, Qin H, Hao A. Multi-view multi-skala
IEEE pada Pencitraan Medis. 2018; 38(1):280- 90. CNN untuk klasifikasi tipe nodul paru dari gambar
CT. Pengenalan Pola. 2018; 77:262-75.
[17] Chen F, Taviani V, Malkiel I, Cheng JY, Tamir JI, Shaikh J, dkk. MRI [32] Paul R, Hawkins S, Schabath MB, Gillies RJ, Hall LO,
spinecho cepat single-shot kepadatan variabel dengan Goldgof DB. Memprediksi nodul ganas dengan
rekonstruksi pembelajaran mendalam dengan menggunakan menggabungkan fitur dalam dengan fitur radiomik
jaringan variasi. Radiologi. 2018; 289(2):366-73. klasik. Jurnal Pencitraan Medis. 2018.
[18] Knoll F, Hammernik K, Kobler E, Pock T, Recht MP, [33] Xie Y, Zhang J, Xia Y, Fulham M, Zhang Y. Menggabungkan
Sodickson DK. Penilaian generalisasi rekonstruksi tekstur, bentuk, dan informasi yang dipelajari model dalam
gambar yang dipelajari dan potensi untuk pada tingkat keputusan untuk klasifikasi otomatis paru-paru
639
Mareeswari V dkk.
nodul pada CT dada. Penggabungan Informasi. 2018; [47] Asuntha A, Srinivasan A. Pembelajaran mendalam untuk
42:102-10. deteksi dan klasifikasi kanker paru-paru. Alat dan
[34] Da SGL, Da SNOP, Silva AC, De PAC, Gattass M. Aplikasi Multimedia. 2020; 79(11):7731-62.
Diagnosis nodul paru-paru berdasarkan jaringan [48] Zhang G, Lin L, Wang J. Klasifikasi nodul paru-paru pada
saraf konvolusi evolusioner. Alat dan Aplikasi gambar CT menggunakan kepadatan 3D. Dalam jurnal
Multimedia. 2017; 76 (18): 19039-55. fisika: seri konferensi 2021 (hlm. 1-8). Penerbitan IOP.
[35] Wang S, Zhou M, Liu Z, Liu Z, Gu D, Zang Y, dkk. [49] Mastouri R, Khlifa N, Neji H, Hantous-Zannad S.
Jaringan saraf konvolusi fokus pusat: Jaringan saraf bilinear convolutional untuk klasifikasi
mengembangkan model berbasis data untuk nodul paru pada gambar CT. Jurnal Internasional
segmentasi nodul paru. Analisis Citra Medis. Radiologi dan Bedah Berbantuan Komputer. 2021;
2017; 40:172- 83. 16(1):91-101.
[36] Dou Q, Chen H, Yu L, Qin J, Heng PA. CNN 3-D [50] Liang J, Ye G, Guo J, Huang Q, Zhang S. Mengurangi positif
kontekstual bertingkat untuk pengurangan positif palsu dalam deteksi nodul paru menggunakan dataset
palsu dalam deteksi nodul paru. Transaksi IEEE pada seimbang. Perbatasan dalam Kesehatan Masyarakat. 2021.
Rekayasa Biomedis. 2016; 64(7):1558-67. [51] Pezzano G, Ripoll VR, Radeva P. CoLe-CNN: pembelajaran
[37] Xie Y, Xia Y, Zhang J, Lagu Y, Feng D, Fulham M, dkk. konteks jaringan saraf convolutional dengan fungsi
Pembelajaran mendalam kolaboratif berbasis kehilangan adaptif untuk segmentasi nodul paru.
pengetahuan untuk klasifikasi nodul paru jinak-ganas Metode dan Program Komputer dalam Biomedis. 2021.
pada CT dada. Transaksi IEEE pada Pencitraan Medis.
2018; 38(4):991-1004. [52] Liu H, Cao H, Song E, Ma G, Xu X, Jin R, Liu C, Hung
[38] Ozdemir O, Russell RL, Berlin AA. Sistem pembelajaran CC. Arsitektur pembelajaran multi model
mendalam probabilistik 3D untuk deteksi dan diagnosis ensemble berbasis CNN 3D untuk klasifikasi
kanker paru-paru menggunakan CT scan dosis rendah. kecurigaan keganasan nodul paru. Jurnal
Transaksi IEEE pada Pencitraan Medis. 2019; Pencitraan Digital. 2020; 33(5):1242-56.
39(5):1419-29. [53] Xia K, Chi J, Gao Y, Jiang Y, Wu C. Jaringan
[39] Nasrullah N, Sang J, Alam MS, Mateen M, Cai B, Hu perhatian agregat adaptif untuk klasifikasi nodul
H. Deteksi dan klasifikasi nodul paru otomatis menggunakan paru. Ilmu Terapan. 2021; 11(2).
pembelajaran mendalam yang dikombinasikan dengan berbagai [54] Ali I, Muzammil M, Haq IU, Khaliq AA, Abdullah S. Klasifikasi
strategi. Sensor. 2019; 19(17). nodul paru yang efisien menggunakan jaringan saraf
[40] Gu Y, Lu X, Yang L, Zhang B, Yu D, Zhao Y, dkk. Deteksi convolutional tekstur yang dapat ditransfer. Akses IEEE.
nodul paru otomatis menggunakan jaringan saraf 2020; 8:175859-70.
konvolusi dalam 3D yang dikombinasikan dengan [55] Lecun Y. LeNet-5, jaringan saraf convolutional. URL:
strategi prediksi multiskala dalam CT dada. Komputer http://yan. lecun. com/exdb/lenet. 2015.
dalam Biologi dan Kedokteran. 2018; 103:220-31. [56] Krizhevsky A, Sutskever I, Hinton GE. Klasifikasi
[41] Wang Q, Shen F, Shen L, Huang J, Sheng W. Deteksi nodul imagenet dengan jaringan saraf convolutional yang
paru pada gambar CT menggunakan jaringan saraf dalam. Kemajuan dalam Sistem Pemrosesan
convolutional patchbased mentah. Jurnal Pencitraan Informasi Saraf. 2012.
Digital. 2019; 32(6)::971-9. [57] Simonyan K, Zisserman A. Jaringan konvolusi yang
[42] Savitha G, Jidesh P. Pendekatan pembelajaran mendalam sangat dalam untuk pengenalan gambar skala besar.
holistik untuk identifikasi dan klasifikasi nodul paru sub- pracetak arXiv arXiv:1409.1556. 2014.
padat dalam pemindaian tomografi terkomputasi. Komputer [58] Iandola FN, Han S, Moskewicz MW, Ashraf K, Dally WJ,
& Teknik Elektro. 2020; 84. Keutzer K. SqueezeNet: akurasi tingkat alexNet dengan
[43] Cai L, Long T, Dai Y, Huang Y. Mask deteksi parameter 50x lebih sedikit dan ukuran model <0,5 MB.
berbasis R-CNN dan segmentasi untuk diagnosis pracetak arXiv arXiv:1602.07360. 2016.
visualisasi 3D nodul paru. Akses IEEE. 2020; [59] Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov
8:44400- 9. D, dkk. Pergi lebih dalam dengan konvolusi. Dalam
[44] Wang J, Wang J, Wen Y, Lu H, Niu T, Pan J, dkk. prosiding konferensi IEEE tentang visi komputer dan
Deteksi nodul paru dalam CT scan dada pengenalan pola 2015 (hlm. 1-9).
volumetrik menggunakan deteksi dan klasifikasi [60] Sandler M, Howard A, Zhu M, Zhmoginov A, Chen
adaptif ukuran nodul berbasis CNN. Akses IEEE. LC. Mobilenetv2: residu terbalik dan kemacetan
2019; 7:46033-44. linier. Dalam prosiding konferensi IEEE tentang
[45] Xie Y, Zhang J, Xia Y. Model permusuhan semi- visi komputer dan pengenalan pola 2018 (hlm.
diawasi untuk klasifikasi nodul paru jinak-ganas 4510-20).
pada CT dada. Analisis Citra Medis. 2019; 57:237- [61] He K, Zhang X, Ren S, Sun J. Pembelajaran residual mendalam
48. untuk pengenalan gambar. Dalam prosiding konferensi IEEE
[46] Liu M, Jiang X, Liu Y, Zhao F, Zhou H. Jaringan tentang visi komputer dan pengenalan pola 2016 (hlm.
saraf transfer semisupervised convolutional 770-8).
untuk deteksi nodul paru 3D. Neurokomputer. [62] Chollet F. Xception: pembelajaran mendalam dengan konvolusi
2020; 391:199-209. yang dapat dipisahkan secara mendalam. Dalam prosiding
640
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
konferensi visi komputer dan pengenalan pola 2017 kasus covid-19 dari foto rontgen dada. Laporan
(hlm. 1251-8). Ilmiah. 2020; 10(1):1-12.
[63] Ismael AM, engür A. Pendekatan pembelajaran mendalam [78] Afshar P, Heidarian S, Naderkhani F, Oikonomou A,
untuk deteksi COVID-19 berdasarkan gambar rontgen dada. Plataniotis KN, Mohammadi A. Covid-caps: kerangka
Sistem Pakar dengan Aplikasi. 2021. kerja berbasis jaringan kapsul untuk identifikasi
[64] Abdel-Basset M, Chang V, Hawash H, Chakrabortty kasus covid-19 dari gambar x-ray. Surat Pengenalan
RK, Ryan M. FSS-2019-nCov: arsitektur pembelajaran Pola. 2020; 138:638-43.
mendalam untuk segmentasi beberapa bidikan [79] Li X, Li C, Zhu D. Ahli Covid-19: Skrining COVID-19
semi-diawasi dari infeksi COVID-19. Sistem Berbasis pada perangkat menggunakan foto rontgen dada.
Pengetahuan. 2021. arXiv pracetak arXiv:2004.03042. 2020.
[65] https://www.who.int/emergencies/diseases/ [80] Farooq M, Hafeez A. Covid-resnet: Kerangka
novelcoronavirus-2019/technical-guidance/ pembelajaran mendalam untuk skrining covid19 dari
laboratoryguidance/. Diakses pada 3 Maret 2020. radiografi. pracetak arXiv arXiv:2003.14395. 2020.
[66] Chung M, Bernheim A, Mei X, Zhang N, Huang M, [81] Ucar F, Korkmaz D. COVID iagnosis-net: diagnosis
Zeng X, dkk. Fitur pencitraan CT dari 2019 novel berdasarkan bayessqueezenet mendalam dari penyakit
coronavirus (2019-nCoV). Radiologi. 2020; coronavirus 2019 (COVID-19) dari gambar sinar-X.
295(1):202-7. Hipotesis Medis. 2020; 140.
[67] Taylor-phillips S, Stinton C. Kelelahan dalam radiologi: [82] Shorfuzzaman M, Hossain MS. MetaCOVID: kerangka
area subur untuk penelitian masa depan. Jurnal kerja jaringan saraf Siam dengan kerugian kontrastif
Radiologi Inggris. 2019. untuk diagnosis n-shot pasien COVID-19.
[68] https://segmentasi medis. com/about, 2020. Pengenalan Pola. 2021.
Diakses 3 Maret 2020. [83] Malhotra A, Mittal S, Majumdar P, Chhabra S, Thakral K,
[69] Castellano G, Bonilha L, Li LM, Cendes F. Analisis Vatsa M, dkk. Diagnosis COVID-19 yang dapat dijelaskan
tekstur gambar medis. Radiologi Klinik. 2004; berdasarkan multi-tugas menggunakan gambar
59(12)::1061-9. rontgen dada. Pengenalan Pola. 2022.
[70] Sun W, Zheng B, Qian W. Pembelajaran fitur otomatis [84] Kedia P, Katarya R. CoVNet-19: Model pembelajaran
menggunakan ROI multisaluran berdasarkan algoritma mendalam untuk deteksi dan analisis pasien
terstruktur dalam untuk diagnosis kanker paru terkomputerisasi. COVID-19. Komputasi Lunak Terapan. 2021; 104.
Komputer dalam Biologi dan Kedokteran. 2017; 89:530-9. [85] Wang SH, Nayak DR, Talang DS, Zhang X, Zhang YD.
[71] Ardakani AA, Kanafi AR, Acharya UR, Khadem N, Klasifikasi COVID-19 oleh CCSHNet dengan deep
Mohammadi A. Penerapan teknik pembelajaran fusion menggunakan transfer learning dan analisis
mendalam untuk mengelola COVID-19 dalam praktik korelasi diskriminan. Penggabungan Informasi.
klinis rutin menggunakan gambar CT: hasil dari 10 2021; 68:131-48.
jaringan saraf convolutional. Komputer dalam Biologi [86] Demir F. DeepcoroNet: pendekatan LSTM mendalam
dan Kedokteran. 2020. untuk deteksi otomatis kasus COVID-19 dari gambar
[72] Li Y, Xia L. Coronavirus disease 2019 (COVID-19): rontgen dada. Komputasi Lunak Terapan. 2021; 103.
peran CT dada dalam diagnosis dan manajemen. [87] Aswathy AL, SS VC. Arsitektur 3D UNet bertingkat
Pencitraan Jantung Paru, Penelitian Asli. 2020; untuk segmentasi infeksi COVID‑19 dari volume CT
214(6):1280-6. paru. Laporan Ilmiah. 2022.
[73] Kermany DS, Goldbaum M, Cai W, Valentim CC, Liang H, [88] Aytaç UC, Güneş A, Ajlouni N. Sebuah metode
Baxter SL, dkk. Mengidentifikasi diagnosis medis dan momentum adaptif baru untuk klasifikasi citra medis
penyakit yang dapat diobati dengan pembelajaran menggunakan jaringan saraf convolutional. Pencitraan
mendalam berbasis gambar. Sel. 2018; 172(5):1122-31. Medis BMC. 2022; 22(1):1-12.
[74] Wang S, Kang B, Ma J, Zeng X, Xiao M, Guo J, dkk. Algoritme [89] Yao HY, Wan WG, Li X. Model permusuhan mendalam untuk
pembelajaran mendalam menggunakan gambar CT untuk diagnosis COVID-19 yang dibantu segmentasi menggunakan
menyaring penyakit virus corona (COVID-19). Radiologi gambar CT. Jurnal EURASIP tentang Kemajuan dalam
Eropa. 2021; 31(8):6096-104. Pemrosesan Sinyal. 2022.
[75] Wang Z, Li H, Li J, Yang C, Guo X, Hu Z, dkk. Peningkatan [90] Pan L, Ji B, Wang X, Peng S. MFDNN: Fitur multi-saluran
kadar IgM serum menunjukkan hasil yang buruk pada algoritma jaringan saraf dalam untuk mengidentifikasi
pasien dengan penyakit coronavirus 2019 pneumonia: gambar rontgen dada COVID19. medRxiv. 2021.
studi kasus-kontrol retrospektif. Tersedia di SSRN [91] Liu X, Yuan Q, Gao Y, He K, Wang S, Tang X, dkk.
3557987. 2020. Segmentasi infeksi covid19 yang diawasi dengan
[76] Gozes O, Frid-Adar M, Greenspan H, Browning PD, Zhang H, Ji lemah dengan anotasi coretan pada gambar ct.
W, dkk. Siklus pengembangan AI yang cepat untuk pandemi Pengenalan Pola. 2022; 122.
virus corona (COVID-19): hasil awal untuk deteksi otomatis & [92] Maftouni M, Hukum AC, Shen B, Grado ZJ, Zhou Y,
pemantauan pasien menggunakan analisis gambar CT Yazdi NA. Model pembelajaran ensemble-deep yang
pembelajaran mendalam. pracetak arXiv arXiv: 2003.05037. kuat untuk diagnosis covid-19 berdasarkan database
2020. gambar CT scan terintegrasi. Dalam konferensi
[77] Wang L, Lin ZQ, Wong A. Covid-net: desain jaringan saraf tahunan IIE. proses 2021 (hal. 632-7). Institut
konvolusi dalam yang disesuaikan untuk mendeteksi Insinyur Industri dan Sistem (IISE).
641
Mareeswari V dkk.
[93] Fan DP, Zhou T, Ji GP, Zhou Y, Chen G, Fu H, dkk. Inf- Dr. Mareeswari Vbekerja sebagai
net: segmentasi infeksi paru-paru COVID-19 Asisten Profesor (Senior) di School of
otomatis dari gambar CT. Transaksi IEEE pada Information Technology and
Pencitraan Medis. 2020; 39(8):2626-37. Engineering (SITE), Vellore Institute of
[94] Zhang K, Liu X, Shen J, Li Z, Sang Y, Wu X, dkk. Sistem AI Technology (VIT), Vellore, Tamilnadu,
yang dapat diterapkan secara klinis untuk diagnosis India. Dia menerima gelar Ph.D. dalam
akurat, pengukuran kuantitatif, dan prognosis Teknologi dan Rekayasa Informasi dari
pneumonia COVID-19 menggunakan computed VIT University, India
tomography. Sel. 2020; 181(6):1423-33. di bidang Web Service dan telah menghasilkan beberapa
[95] Zhao J, Zhang Y, He X, Xie P. Kumpulan data Covid-CT: artikel nasional dan internasional di jurnal dan konferensi
kumpulan data CT scan tentang COVID-19. pracetak bereputasi. Bidang minatnya meliputi Pemrograman,
arXiv arXiv:2003.13865. 2020. Layanan Web, Pemrosesan Gambar, Jaringan Ad-Hoc, dan
[96] Wang LL, Lo K, Chandrasekhar Y, Reas R, Yang J, Eide D, Analisis Data.
dkk. Cord-19: kumpulan data penelitian terbuka Email: vmareeswari@vit.ac.in
COVID-19. ArXiv. 2020.
[97] Angelov P, Almeida SE. Kumpulan data CT-scan SARS- Dr. Vijayan Rbekerja sebagai Associate
CoV-2: kumpulan data besar dari CT scan pasien nyata Professor di School of Information Technology
untuk identifikasi SARS-CoV-2. MedRxiv. 2020. and Engineering, VIT, Vellore India. Dia adalah
[98] Pengumpulan data gambar Cohen JP, Morrison P, Dao L. anggota seumur hidup dari Computer Society
COVID-19. pracetak arXiv arXiv: 2003.11597. 2020. of India (CSI). Dia telah menghasilkan beberapa
[99] Chowdhury ME, Rahman T, Khandakar A, Mazhar R, artikel penelitian nasional dan internasional di
Kadir MA, Mahbub ZB, dkk. Bisakah AI membantu jurnal dan konferensi bereputasi. Penelitiannya
dalam skrining virus dan pneumonia COVID-19?.
Akses IEEE. 2020; 8:132665-76. kepentingan melibatkan Teknologi Web, Jaringan Nirkabel,
[100]Rahman T, Khandakar A, Qiblawey Y, Tahir A, Jaringan Adhoc, Jaringan Komputer, Cloud Computing, dan
Kiranyaz S, Kashem SB, dkk. Menjelajahi pengaruh Analisis Data.
teknik peningkatan citra pada deteksi COVID-19 Email: rvijayan@vit.ac.in
menggunakan citra rontgen dada. Komputer dalam
Biologi dan Kedokteran. 2021. Sathiyamoorthy Ebekerja sebagai
[101]https://wiki.cancerimagingarchive.net/display/Public/ Profesor di School of Information
REMBRANDT. Diakses pada 3 Maret 2022. Technology and Engineering, VIT, Vellore,
[102]Wang X, Peng Y, Lu L, Lu Z, Bagheri M, Summers RM. India. Ia menerima Ph.D. dari Universitas
Rontgen dada8: database rontgen dada skala rumah VIT, India. Minat penelitiannya meliputi
sakit dan tolok ukur pada klasifikasi dan lokalisasi E-bisnis, agen perangkat lunak, layanan
penyakit thorax umum yang diawasi dengan lemah. web, keamanan informasi, dan
Dalam prosiding konferensi IEEE tentang visi komputer komputasi awan. Dia punya
dan pengenalan pola 2017 (hlm. 2097-106). publikasi penelitian di jurnal & konferensi nasional, dan
[103]Armato III SG, McLennan G, Bidaut L, McNitt-gray internasional. Ia menjabat sebagai anggota dewan redaksi untuk
MF, Meyer CR, Reeves AP, dkk. Konsorsium database jurnal-jurnal ternama. Dia memimpin banyak konferensi
gambar paru-paru (LIDC) dan inisiatif sumber daya Internasional dan menyampaikan ceramah teknis yang diundang
database gambar (IDRI): database referensi lengkap bersama dengan pidato utama.
dari nodul paru-paru pada CT scan. Fisika medis. Email: esathiyamoorthy@vit.ac.in
2011; 38(2):915-31.
[104]Gu Y, Chi J, Liu J, Yang L, Zhang B, Yu D, dkk. Sebuah survei Dr. Ephzibah EPmenerima gelar Ph.D.
diagnosis nodul paru-paru dengan bantuan komputer dari CT dari Universitas Wanita Ibu Teresa,
scan menggunakan pembelajaran mendalam. Komputer dalam Kodaikanal, India. Dia saat ini bekerja
Biologi dan Kedokteran. 2021. sebagai Associate professor di School
[105]Li R, Xiao C, Huang Y, Hassan H, Huang B. Aplikasi of information technology and
pembelajaran mendalam dalam gambar tomografi engineering, VIT, Vellore. Dia memiliki
terkomputasi untuk deteksi dan diagnosis nodul paru: lebih dari 20 tahun pengalaman
tinjauan. Diagnostik. 2022; 12(2):1-21. akademis dan penelitian. Dia
area penelitian meliputi Artificial Intelligence, Soft
Computing Techniques, Blockchain Technology,
Classification, Clustering, dan Prediction.
Email: ep.ephzibah@vit.ac.in
642
Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)