Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

ISSN (Cetak): 2394-5443 ISSN (Online): 2394-7454
Mengulas artikel
http://dx.doi.org/10.19101/IJATEE.2021.874887

Tinjauan naratif pemrosesan citra medis dengan model pembelajaran mendalam:

asal mula COVID-19

Mareeswari V1*, Vijayan R2, Sathiyamoorthy E3dan Ephzibah EP2

Asisten Profesor (Senior), Sekolah Teknologi dan Teknik Informasi (SITE), Institut Teknologi Vellore (VIT),
Vellore, Tamilnadu, India1
Associate Professor, School of Information Technology and Engineering, VIT, Vellore, Tamilnadu, India2
Profesor, Sekolah Teknologi dan Teknik Informasi, VIT, Vellore, Tamilnadu, India3

Diterima: 28-September-2021; Revisi: 19-Mei-2022; Diterima: 22-Mei-2022

© 2022 Mareeswari V dkk. Ini adalah artikel akses terbuka yang didistribusikan di bawah Lisensi Creative Commons Attribution (CC BY), yang mengizinkan
penggunaan, distribusi, dan reproduksi tanpa batas dalam media apa pun, asalkan karya aslinya dikutip dengan benar.

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.

1. Perkenalan Beberapa tahun terakhir, organisasi kesehatan dunia

Di era digital saat ini, orang dan mesin mengakses (WHO) menyatakan keluarga baru wabah penyakit
aplikasi berbasis medis melalui berbagai komputer, coronavirus-2019 (COVID-19) sebagai kategori
ponsel, perangkat internet of things (IoT), dan banyak pandemi pada 11 Maret 2020. Di seluruh dunia, secara
lagi. Oleh karena itu, berbagai jenis data yang sangat kumulatif 376.478.335 orang terkena COVID-19 dan
besar harus disimpan, diproses, dan dianalisis menurut 5.666.064 orang meninggal per 1 Februari 2022, dikumpulkan
berbagai pertanyaan berbasis medis. Misalnya, teknik dari situs resmi organisasi kesehatan dunia (WHO) https://
kecerdasan komputasional telah digunakan dalam covid19.who.int/. Oleh karena itu, ini membawa
pemrosesan data besar [1] seperti analisis gambar medis, pemberitahuan kepada semua negara untuk mengambil
manajemen catatan E-kesehatan, log perangkat genomik tindakan cepat. Pada tahap ini, tes reverse
pasien yang berbeda dan analisis data sensor, dan transcriptionpolymerase chain reaction (RT-PCR) membantu
pemrosesan informasi kognitif. Apapun, sistem mendeteksi kasus positif COVID-19, dan dapat diisolasi dari
perawatan kesehatan perhatian untuk mengurangi orang normal. Akan tetapi membutuhkan waktu yang lama,
tingkat populasi yang terinfeksi oleh penyakit apapun dan mahalnya biaya alat uji dan bahan pendukung, yang
serta mengurangi tingkat kematian. membuat penyebaran penyakit ke orang lain lebih cepat [2].
Oleh karena itu, sistem perawatan kesehatan perlu
menemukan cara alternatif teknik kecerdasan komputasional
untuk mendeteksi penyakit menular, sehingga pembelajaran
*Penulis untuk korespondensi mendalam memperhatikan cara pemrosesan citra medis.
Untuk selanjutnya,

623
Mareeswari V dkk.
tujuan dari tinjauan ini adalah untuk menunjukkan teknik
kecerdasan komputasional untuk analisis, identifikasi
penyakit, pemantauan, prediksi, dan penilaian risiko data
medis yang digunakan dalam perawatan kesehatan dan
dibahas di bagian selanjutnya.
Pembelajaran mesin mencapai banyak perkembangan di
berbagai bidang dari perhatian para peneliti dan industri.
Pembelajaran mesin diubah menjadi pembelajaran
mendalam dengan mengintegrasikan fitur jaringan saraf
tiruan (JST). Kumpulan algoritme dan pendekatan ini
diterapkan untuk menentukan atau mempelajari solusi
bermasalah dari data yang sangat besar. Hanya saja itu
membuktikan bahwa aplikasi berbasis deep learning mampu
menyelesaikan masalah dari sejarah hasil atau pengalaman
[3]. Pembelajaran mendalam secara khusus menantang
dalam memproses data besar, dan telah mencapai banyak
prestasi di beberapa bidang, termasuk Bioinformatika.
Karena lingkungan perangkat lunak pembelajaran mendalam
yang fleksibel memberikan ledakan daya komputasi dan
kekuatan jaringan saraf, yang menghasilkan hasil yang lebih
baik daripada sebelumnya. Lebih-lebih lagi, model
pembelajaran yang mendalam membuat jejak di berbagai
bidang seperti visi komputer, pemodelan bahasa, prediksi,
dan robotika. Penerus pembelajaran mesin mengarah ke
peringkat teratas dalam sistem perawatan kesehatan dengan
menyalip teknik JST [4].
1.1Tujuan dan pertanyaan penelitian Baru-baru ini,
pembelajaran mendalam telah merasakan perkembangan
dramatis dan perhatian pada industri medis dan perangkat
lunak, akademisi, dan peneliti. Selain itu, selama masa
pandemi COVID-19 ini, untuk mempertahankan masyarakat
dari penyakit menular, ada dorongan untuk melakukan
penelitian dan pengembangan. Apalagi, setiap orang
memiliki tanggung jawab sosial untuk sembuh dari pandemi
ini. Karena banyak negara ingin menghargai pengganti tes
RT-PCR untuk mendiagnosis kasus COVID karena peralatan
tes yang tidak memadai. Selama ini, pembelajaran mendalam
banyak membantu dengan menyelesaikan masalah rumit,
mendalami kumpulan data besar yang ada, dan membuat
perkembangan untuk membantu para profesional perawatan
kesehatan.
Padahal, sebagai seorang akademisi, beberapa pertanyaan
penelitian berikut diajukan dan bagian-bagian lebih lanjut
disusun untuk membahas hal yang sama. Bagian 1.2
menyajikan dasar-dasar algoritma pembelajaran mendalam.
Bagian 2 menyelidiki studi penelitian yang diterbitkan dalam
pemrosesan citra medis menggunakan pendekatan
pembelajaran mendalam dan cara memilah artikel penting
dari penerbit terkenal. Bagian 3 merangkum metodologi
yang ada yang digunakan dalam pengolahan citra medis oleh
literatur
624
studi. Bagian 3.1 mengidentifikasi bagaimana gambar
pemindaian magnetic resonance imaging (MRI) ditangani dan
bagian 3.2 mencantumkan metode apa saja untuk
menangani pemindaian computed tomography (CT) dengan
pendekatan pembelajaran mendalam.Tabel 1ditabulasikan
untuk mengidentifikasi kumpulan data yang berdiri dan drive
yang berfungsi. Bagian 3.3 menganalisis bagaimana nodul
paru-paru terdeteksi dan bagaimana itu terkait dengan
COVID-19. Bagian 3.4 menyelidiki cara mendiagnosis
COVID-19 dengan gambar CT scan/radiasi elektromagnetik
(X-Ray) dada.Meja 2danTabel 3daftar untuk mengidentifikasi
apa tujuan, metode, dan hasil dari penelitian sebelumnya.
Bagian 3.5 membahas untuk memutuskan kumpulan data
apa yang cocok untuk melakukan penelitian terkait dengan
COVID-19 dan membandingkan kumpulan data populer di
Tabel 4.Bagian terakhir 4 membahas kesenjangan disorot
untuk melakukan penelitian masa depan.
1.2 Dasar-dasar pembelajaran yang mendalam
Pembelajaran mendalam dan komputasi bio-terinspirasi dapat
belajar banyak dari satu sama lain dan menghasilkan hasil yang
menjanjikan. Aplikasi tersebut membantu dokter dalam
perawatan kesehatan, memperlancar proses bisnis secara
keseluruhan, sistem penilaian otomatis dalam pendidikan, fitur
cerdas ditambahkan dalam kendaraan otonom, memprediksi pola
harga dalam perjalanan dan industri lainnya, personalisasi di
media sosial, dan banyak lagi.
Gambar 1menjelaskan asal mula pembelajaran yang
mendalam. Kecerdasan buatan (AI) juga disebut
kecerdasan mesin, yang membuat agen atau perangkat
lunak cerdas untuk melakukan kemampuan intelektual
manusia atau makhluk hidup apa pun seperti berpikir,
belajar, dan memecahkan masalah. Tantangan AI adalah
penalaran otomatis, representasi pengetahuan,
perencanaan otomatis, penjadwalan, pembelajaran
mesin, pemrosesan bahasa manusia, dan persepsi mesin.
Pembelajaran mesin adalah aplikasi atau subkelas AI.
Sebuah mesin dapat belajar dari data pelatihan untuk
melakukan operasi spesifik tanpa pemrograman eksplisit,
tetapi tergantung pada pola dan implikasinya. Sebagian
besar, algoritma ilmiah hibrida dan model statistik ini
dimotivasi oleh aplikasi berbasis prediksi di berbagai
bidang seperti pertanian, perbankan, Bioinformatika,
sektor keuangan, perawatan kesehatan, sistem
telekomunikasi, pengenalan suara, dan banyak lagi.
Pembelajaran mesin memiliki serangkaian algoritma dan
model. Algoritma pembelajaran telah diklasifikasikan
menjadi diawasi, tidak diawasi, penguatan, diri, masa
depan, kamus jarang, deteksi anomali, dan aturan
asosiasi. Jenis algoritma pembelajaran yang digunakan di
berbagai bidang tergantung pada jenis data dan operasi
yang harus diselesaikan. Selain itu, pembelajaran mesin
membangun model dan memeriksanya dalam banyak hal
 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

Gambar 1Asal mula pembelajaran yang mendalam

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.

Gambar 2menunjukkan pentingnya algoritme pembelajaran

mendalam dibandingkan dengan algoritme pembelajaran lama
berdasarkan kinerja dan akurasi metrik. Namun, pembelajaran
mendalam mengatasi masalah dan membuktikan efisiensi yang
lebih tinggi ketika data yang luas untuk diproses, mempraktikkan
model yang lebih besar, lebih banyak komputasi, dan perhatian
untuk perusahaan kecil, menengah, dan besar. Oleh karena itu,
kekuatan pembelajaran yang mendalam adalah skalabilitas.
Tujuan pembelajaran mendalam dengan replikasi otak adalah
untuk mempromosikan pembelajaran mesin melalui AI,
dinyatakan sebagai yang terbaik, dan meningkatkan algoritma
pembelajaran yang jauh lebih baik di beberapa bidang. Algoritma
pembelajaran ini mungkin mengawasi, tanpa pengawasan, atau
semi-diawasi. Itu bisa dibangun berdasarkan salah satu di antara
jaringan saraf dalam (DNN), keyakinan yang mendalam
Gambar 2Pentingnya algoritma pembelajaran mendalam
Gambar 3menunjukkan prinsip kerja algoritma deep
learning secara umum. Seekor kuda adalah gambar input
yang diberikan dalam kerangka pembelajaran yang
mendalam. Ciri-cirinya dipilih dan diklasifikasikan apakah
itu sejenis kuda yang berhubungan dengan keluarga, dan
selanjutnya akan diproses dan menghasilkan output
akhir sebagai kuda atau bukan kuda. Masukan tersebut
adalah fitur gambar, teks, numerik, biner, himpunan, dan
deret waktu. Data input diproses pada beberapa lapisan
yang saling berhubungan ke segala arah oleh algoritma
deep learning seperti ANN, CNN, DBN, RNN, dan extreme
learning machine (ELM). Ini telah digunakan dalam
aplikasi seperti visi komputer, robotika, pemrosesan
bahasa alami (NLP), dan proses bisnis.

625
Mareeswari V dkk.
Gambar 3Prinsip kerja algoritma pembelajaran mendalam
Jaringan saraf dasar yang didefinisikan sebagai
prototipe komputasi yang didasarkan pada
persepsi otak hewan adalah untuk
menyelesaikan operasi kompleks dengan
memproses komponen sederhana yang
terhubung. Dalam JST, neuron buatan
terhubung dan dikomunikasikan melalui sinyal.
Hubungan antar neuron disebut sinaps, setiap
neuron, dan sinaps memiliki bobot; itu akan
berbeda tergantung pada sinyal input. Juga,
setiap neuron memiliki status yang diwakili
dalam kisaran 0 dan 1. Neuron diatur
berdasarkan lapisan; setiap lapisan
mentransmisikan sinyal input dan output di
antara mereka dalam jaringan saraf. Biasanya
terdiri dari seribu hingga jutaan unit neuron dan
jutaan koneksi, meskipun skala ini lebih kecil
dibandingkan dengan otak manusia. Tetap saja,
kinerjanya lebih tinggi dari pikiran manusia,
terutama dalam pengenalan gambar [5].
DNN memiliki banyak lapisan yang saling berhubungan
di mana input diproses dan dihitung probabilitas output
di setiap lapisan dan ditransfer ke lapisan berikutnya,
mengulangi proses hingga menghasilkan solusi akhir
berdasarkan nilai ambang batas. Misalnya, citra mobil
adalah input yang diproses dalam banyak lapisan dan
diidentifikasi sebagai jenis mobil pada titik tertentu. DNN
biasanya jaringan feed-forward, yang berarti data
diproses dalam arah maju menuju lapisan keluaran akhir.
RNN adalah sejenis JST yang membuat graf berarah oleh
neuron dan koneksi. Ini memproses data dalam dua cara;
terutama, telah digunakan dalam pemodelan bahasa [6].
Untuk aplikasi ini, memori jarak pendek yang panjang
digunakan secara efektif. Biasanya, RNN menggunakan
memori internal untuk memproses data berkelanjutan.
Oleh karena itu secara efektif digunakan di 626
pengenalan suara [7] dan pengenalan tulisan tangan
[8]. Selain itu, ia memiliki jejak di beberapa bidang,
seperti peramalan deret waktu [9], kontrol robot, dan
teknik prediksi dalam sistem medis.
CNN merupakan salah satu jenis DNN yang terdiri dari
banyak lapisan input, output, dan hidden dengan bobot yang
bervariasi pada setiap lapisannya. Ini menganalisis gambar
dengan menggunakan produk titik data. Khususnya, ia
menawarkan kinerja yang lebih baik dalam analisis gambar
dan video di bidang medis. Setiap neuron di setiap lapisan
terhubung dengan semua neuron lain di lapisan berikutnya.
Ini terinspirasi oleh proses biologis seperti korteks visual di
otak hewan, yang dihubungkan oleh mata untuk
memvisualisasikan gambar. Oleh karena itu, CNN
didefinisikan sebagai jaringan saraf yang bekerja dengan
operasi titik matematis linier untuk mengenali gambar.
Secara khusus, ini layak untuk visi komputer, klasifikasi
gambar, dan aplikasi terkait semacam itu [10]. DBN adalah
kategori unik dari DNN yang terdiri dari sekelompok lapisan,
termasuk lapisan tersembunyi. Setiap lapisan saling
berhubungan di antara mereka seperti model grafik asiklik
langsung tidak termasuk elemen tersembunyi. DBN ini terdiri
dari jaringan sederhana tanpa pengawasan, di mana sub-
lapisan diproses selama beberapa waktu dengan rakus dan
selanjutnya diekstraksi dan diklasifikasikan tergantung pada
hasil akhir. Oleh karena itu, ia telah berkinerja baik di antara
pendekatan pembelajaran mendalam lainnya. Ini digunakan
dalam skenario realistis seperti memantau aktivitas listrik
otak yang disebut electroencephalography [11] dan
penemuan obat [12].
Mesin pembelajaran ekstrim adalah jaringan feed-forward
yang berisi satu atau banyak lapisan tersembunyi di mana
unit yang dibutuhkan tidak diatur. Ini memberikan hasil yang
lebih baik dan lebih cepat daripada jaringan backpropagation
danSVM[13]. Model linier ini digunakan untuk klasifikasi,
clustering, regresi, kompresi, aproksimasi, dan pembelajaran
prediktif. buatan
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Sistem imun (AIS) dimotivasi oleh sistem imun biologis yang
melindungi terhadap penyakit. Demikian pula, AIS memiliki
kemampuan belajar dan pemanfaatan memori yang lebih
baik untuk diterapkan dalam pemecahan masalah. Secara
alami, ini terdiri dari komputasi cerdas dan algoritma
pembelajaran mesin berbasis aturan.
Ringkasan ANN dalam Perawatan Kesehatan
JST terdiri dari beberapa bagian komputasi yang
disebut neuron, yang diatur dengan beberapa
lapisan. Fungsi nonlinier sederhana atau fungsi
aktivasi diterapkan di setiap lapisan input dan
menghasilkan lapisan output dan kemudian hal
yang sama diulang untuk mencapai output akhir
tertentu. Ini disebut jaringan persepsi / umpan-
maju multilayer. Oleh karena itu, data medis
yang dimasukkan ke dalam jaringan dilatih pada
setiap lapisan dan menghasilkan label khusus
tergantung pada aplikasinya. Pada setiap
lapisan, keluaran terlatih dicatat dan hasil
prediksi diverifikasi oleh siapa pun dari fungsi
tujuan antara kesalahan absolut rata-rata (MAE),
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].
- Hanya jurnal akses terbuka yang dipilih dari
bidang studi Ilmu Komputer dan Teknik.
-Tahap akhir artikel jurnal mempertimbangkan dan
mengecualikan prosiding konferensi dan seri buku.
-Terbatas dalam pemilihan di mana itu ditulis dalam
bahasa Inggris.
-Artikel jurnal disaring berdasarkan judul dan abstrak
yang sesuai.
-Artikel teks lengkap yang memenuhi syarat diselidiki dan
dirumuskan untuk artikel ulasan ini. Metode pembelajaran
mendalam yang lazim, tujuan, akurasi, dan kumpulan data
diidentifikasi dan ditabulasikan di bagian selanjutnya
-Gambar 5mewakili distribusi penerbit dalam
pemilihan artikel, di mana 35% jurnal Elsevier
dipilih untuk tinjauan ini, dan jurnal
peerreview dipilih dari penerbit lain seperti
10% dari Springer, 17% dari IEEE, 7% dari
perpustakaan online Wiley, 12% dari
penerbitan PubMed, 11% dari MDPI dan 9%
jurnal dari penerbit terkenal lainnya.

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.
Gambar 5Distribusi penerbit dalam pemilihan
artikel
3.Metode pengolahan citra medis
3.1Metode untuk menangani data MRI
CNN adalah salah satu jenis JST. Ini memelihara hubungan antara
data dalam format grid dengan koneksi terbatas antar lapisan.
Oleh karena itu, ini adalah teknik yang sangat baik untuk
memasukkan data gambar dan mempelajari representasi
gambar. Ini berisi banyak lapisan konvolusi dan fungsi aktivasi, di
mana begitu banyak jendela penyatuan diproses untuk membuat
peta masa depan untuk menghasilkan lapisan output. Khususnya
dalam pencitraan medis CNN bekerja
Gambar 6Pemrosesan citra medis dengan pembelajaran mendalam
CNN dan RNN adalah metode yang efisien dalam banyak
restorasi dan registrasi citra [16] untuk merekonstruksi MRI
jantung dari data undersampled k-space bernilai kompleks
yang tersedia, yang dikultur oleh dependensi spasial-
temporal. Untuk rekonstruksi MRI dinamis, beberapa CNN
digunakan bersama di kedalaman untuk mengurangi
kompleksitas operasional. Secara real-time yaitu 200 ms per
slice digunakan untuk rekonstruksi citra dengan menerapkan
pendekatan analisis citra CNN paralel [17]. Data gambar k-
space ini dipelajari dari rekaman MRI lutut seseorang dan
ditransfer sebagai model terlatih melalui jaringan varian
untuk merekonstruksi gambar [18]. Restorasi gambar terjadi
pada 30 ms dengan mengurangi tingkat noise, dan
mempelajari fitur dari sebuah gambar dengan menggunakan
kerangka kerja jaringan permusuhan generatif (GAN) kuadrat
terkecil [19] dan sumber daya langsung yang tersedia di
githup. com/js3611/Deep-MRI-Reconstruction. Penelitian ini
[20] mengembangkan kerangka kerja transformasi otomatis
dengan pendekatan manifold (AUTOMAP)
628
mengungguli dalam pengambilan gambar dan prediksi
gambar. Mereka [15] menggunakan konsep deep learning
dalam aplikasi berbasis MRI. Mereka membagi seluruh
proses menjadi dua langkah. Pertama, sinyal input gambar
diproses pada beberapa tahap dan didaftarkan pada masing-
masing tahap. Kedua, menerapkan algoritma deep learning
dalam segmentasi citra medis, identifikasi penyakit, prediksi
penyakit, menganalisis laporan teks, dan berkonsentrasi
pada organ seperti tulang belakang, otak, ginjal, dan prostat.
Pembelajaran mendalam yang diterapkan dalam pemrosesan
citra medis, yang memiliki empat langkah pemrosesan,
ditunjukkan pada:Gambar 6. Pertimbangkan seorang pasien
yang dimasukkan ke dalam pemindaian MRI. Bagian biologis
dipindai dan sinyal diubah menjadi data berformat k-space
grid. Gambar ini direkonstruksi menjadi besaran dan fase.
Kemudian noise dikurangi pada tahap restorasi gambar—
akhirnya, gambar didaftarkan menurut multi-parameter
seperti struktural tiga dimensi t1-weighted MRI (sMRI), difusi-
weighted MRI (dMRI), dan functional-bold MRI (fMRI). ). Di
sini, sMRI berarti MRI berbobot T1 tiga dimensi struktural,
dMRI berarti MRI berbobot difusi, yang merupakan
hamparan pada sMRI yang ditunjukkan dengan warna biru,
dan fMRI berarti MRI tebal fungsional yang disorot dengan
warna merah.
untuk restorasi gambar, di mana hasil MRI
dikumpulkan dari proyek penghubung manusia dan
diproses jauh di dalam jaringan saraf feed-forward
yang terhubung penuh.
Pemetaan kerentanan kuantitatif (QSM) adalah teknik yang
meningkat dalam studi pemeriksaan MRI untuk
mengidentifikasi parameter jaringan yang terkena. Penulis ini
[21] mengembangkan QSMnet berdasarkan arsitektur U-net
menggunakan jaringan saraf konvolusi 3D untuk kerentanan
dari data magnetik. Data ini dikumpulkan dari 60 laporan
pemindaian dari 12 sukarelawan sehat. Selain itu, DeepQSM
digunakan untuk menganalisis laporan MRI otak melalui
beberapa langkah pemrosesan gambar dalam satu detik [22].
Para peneliti ini [23] menggunakan pendekatan
pembelajaran mendalam untuk menghilangkan kebisingan
untuk menyelidiki pemindaian MRI otak dari 33 pasien. Pada
setiap tahap, DNN diterapkan, dan gambar diklasifikasikan
sebagai ahli patologi, sehat, dan pembuluh darah.
Selanjutnya, DNN digunakan untuk mempelajari lutut
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
Gambar MRI di DeepResolve [24] di mana 124
pasien diuji. Oleh karena itu, pendekatan
pembelajaran mendalam bermanfaat dalam
diagnosis bagian biologis dan deteksi penyakit
untuk ahli radiologi dan praktik medis.
Bagi wanita, transisi tahap menopause lebih mementingkan
masalah kesehatan, yang mengarah pada melukai gaya
hidup mereka dengan cara yang berbeda. Oleh karena itu,
[25] mengusulkan kerangka kerja untuk memprediksi
keparahan tanda-tanda menopause menggunakan teknik JST,
dan menyediakan layanan kesehatan untuk wanita dan
praktik klinis. Di mana sembilan input dikumpulkan dari
catatan rumah sakit seperti usia, indeks massa tubuh (BMI),
pendidikan, pendapatan, dan penyakit kronis, penerapan
teknik JST dan prediksi skor indeks menopause (KMI)
Kupperman sebagai output untuk menganalisis tingkat
keparahan menopause dengan akurat. hasil prediksi. Mereka
[26] mempresentasikan sistem hibrida oleh JST yang dipandu
oleh algoritma evolusioner (EA) untuk estimasi risiko kardio-
metabolik (CMR). Jika CMR diprediksi lebih awal, hal ini dapat
mencegah aterosklerosis dan penyakit kardiovaskular.
Namun, itu lazim bahwa lebih dari 10 juta kasus per tahun di
India saja. Perkiraan ini bermanfaat untuk mencegah lebih
banyak kematian. Oleh karena itu, penulis tersebut di atas
menerapkan sistem CMR cerdas menggunakan kode Matlab
di mana beberapa JST dilatih dengan EA dan terbukti akurasi
di atas 90%. Mereka menyoroti bahwa hasilnya mungkin
berbeda pada input regional.
3.2Untuk memproses gambar CT-scan
Kanker paru-paru adalah penyakit yang paling rentan, yang
menyebabkan lebih banyak kasus baru di seluruh dunia
sekitar 17 juta pada tahun 2018, diumumkan kepada dana
penelitian kanker dunia. Jumlah penderita kanker tertinggi
berada di Hongaria dan terendah di India [27]. Sebagian
besar, kebiasaan merokok mempengaruhi paru-paru, yang
meningkatkan kejadian kanker paru-paru dan tingkat
kematian saat ini tertinggi di antara perokok pria diikuti oleh
perokok wanita [28]. Faktor risiko lain untuk kanker adalah
bahan bakar biomassa yang belum diproses, polusi udara,
paparan lingkungan nuklir, dan tambang asbes. Ulasan ini
[29] melaporkan epidemiologi kanker paru-paru, statistik dan
membandingkan pasien kanker di seluruh dunia secara
ekonomi, sosial, dan biologis.
Dalam pencitraan medis, pemindaian computed tomography
(CT) mengambil tempat dengan sistem diagnosis terbaik,
629
yang merupakan kombinasi sinar-X yang diambil dari berbagai sudut pada
organ, tulang, dan jaringan. Model pembelajaran mendalam mendukung
diagnosis, deteksi dengan memproses gambar CT scan dengan cepat
daripada skrining manual oleh ahli radiologi. Terutama, ini diterapkan untuk
mendeteksi nodul paru-paru yang menyakitkan pada gambar CT scan.
Dibandingkan dengan skrining manual, deep learning dengan cepat
mendeteksi diagnosis meskipun bentuk dan penampilannya berbeda,
sebagian besar gambar CT scan, nodul kecil berdiameter kurang dari 10mm.
Oleh karena itu DL menawarkan kepercayaan yang tinggi kepada ahli
radiologi untuk membuat deteksi diagnosis yang akurat. Secara umum,
proses deteksi berbantuan komputer ini terdiri dari pra-pemrosesan citra CT,
segmentasi paru-paru (ekstraksi tenggorokan dan ekstraksi paru-paru),
deteksi nodul (deteksi kandidat dan ekstraksi fitur), dan klasifikasi. Para
peneliti ini [30] mempelajari karya yang baru-baru ini diterbitkan antara 2009
dan April 2018 tentang deteksi nodul paru-paru pada gambar CT dan
melaporkan analisis yang dimulai dengan rekayasa fitur hingga pendekatan
pembelajaran mendalam. Akhirnya, mereka menyarankan bahwa
pendekatan pembelajaran mendalam, terutama algoritma berbasis CNN,
diterapkan secara luas dalam deteksi, segmentasi, dan kategorisasi nodul
paru-paru. Dalam kategorisasi nodul tertentu, multi-tampilan-multi-skala,
CNN mencapai akurasi yang lebih tinggi dari 90,3-92,3% bervariasi dalam
dataset [31]. segmentasi, dan kategorisasi. Dalam kategorisasi nodul
tertentu, multi-tampilan-multi-skala, CNN mencapai akurasi yang lebih tinggi
dari 90,3-92,3% bervariasi dalam dataset [31]. segmentasi, dan kategorisasi.
Dalam kategorisasi nodul tertentu, multi-tampilan-multi-skala, CNN
mencapai akurasi yang lebih tinggi dari 90,3-92,3% bervariasi dalam dataset
[31].
Model visual geometri group (VGG-s) pra-terlatih yang
dikombinasikan dengan CNN mencapai akurasi 76,79%
dan kurva karakteristik operasi penerima (ROC) 0,87 [32],
CNN diterapkan pada tingkat keputusan dengan 96,65%
area di bawah kurva ( AUC) [33], dan algoritma genetika
berpusat di CNN dengan sensitivitas 94,66% dari akurasi
94,78% [34]. Untuk segmentasi nodul, dalam eksperimen
model pembelajaran mesin terkait data-driven, CNN
fokus pusat (CF-CNN) mencetak 82,15% dalam skor dadu
bervariasi dalam dataset [35]. CNN 3-D yang diterapkan
pada metode fusi menghasilkan skor sensitivitas 94,4%
dalam deteksi nodul paru [36] untuk klasifikasi.Tabel 1
melaporkan karya penelitian signifikan yang
dipublikasikan selama 2018-2022 untuk deteksi nodul
paru-paru yang bereksperimen dengan pendekatan
pembelajaran mendalam yang bereksperimen pada
dataset konsorsium database citra paru (LIDC) / inisiatif
sumber daya database citra (IDRI) dan set data populer
lainnya.
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

jaringan, diklasifikasikan nodul 3-D hingga sembilan

Bintil deteksi, keganasan
klasifikasi [38]
Deteksi dan klasifikasi nodul - [39]
Deteksi nodul [40]
Deteksi nodul paru [41]
Segmentasi dan klasifikasi - [42]
Bintil 3D visualisasi
deteksi dan segmentasi untuk [43]
Deteksi nodul [44]
Klasifikasi nodul [45]
Segmentasi nodul [46]
Deteksi dan klasifikasi nodul - [47]
Klasifikasi nodul [48]
Klasifikasi nodul paru [49]
tampilan stabil
- CNN 3D bereksperimen pada analisis nodul - Koefisien dadu = 0,40,
paru-paru (LUNA)16 dan - Presisi = 0,25
Tantangan Kaggle Data Science Bowl - Ingat = 0,93
- AUC = 0,87,
- Performa keseluruhan = 0,94
Dua tiga dimensi (3D) yang dalam - Sensitivitas=94%
arsitektur jaringan tautan campuran - Spesifisitas =91%,
(CMixNet) yang disesuaikan, - Akurasi=94,17%
-Deteksi node oleh wilayah yang lebih cepat
dengan CNN (RCNN) dan klasifikasi dengan
mesin penambah gradien
- Dievaluasi pada dataset LIDC-IDRI
- 3D Deep CNN (DCNN), dievaluasi pada - Sensitivitas=87,94%
dataset LIDC-IDRI - Skor metrik kinerja kompetisi (CPM) =
0,7967
-Segmentasi citra CNN dan CT, -Sensitivitas = 92,8%
dievaluasi pada dataset LIDC-IDRI - 8 positif palsu (FP) per pemindaian
DCNN dan bidang acak bersyarat - akurasi = 89,48%
algoritma (CRF), dievaluasi pada dataset
LIDC-IDRI
oleh - Masker R-CNN (Masker wilayah- - Sensitivitas= 88,1% pada 1 FP / pemindaian
convolutional neural network) dan algoritme - Sensitivitas=88,7% pada 4 FP / pemindaian,
rendering volume raycasting,
- Memanfaatkan resnet50 sebagai tulang
punggung dan jaringan piramida fitur
terapan, jaringan proposal wilayah
bereksperimen pada set data LIDC-IDRI
-Pengklasifikasi berbasis CNN, bereksperimen -Sensitivitas = 0,968
pada set data TIANCHI AI [D1], set data -Sensitivitas 75,6%
LUNA-16, dan pemindaian dada tambahan -BPS = 0,903
dari rumah sakit lain 2470
- Semi-diawasi bermusuhan - Akurasi = 92,53%
klasifikasi (SSAC) model - AUC= 95,81%
- Jaringan dalam 3D semi- saraf - Koefisien Dadu = 71,9%
diawasi: Sisa U-Net
Optimalisasi kawanan partikel fuzzy - Akurasi = 94,97%,
algoritma dengan CNN (FPSOCNN) - Sensitivitas = 96,68,
- Spesifisitas = 95,89
-Filter arsitektur 3D DenseNet dan kernel -Akurasi = 92,4%
pooling mempraktekkan gambar CT -Sensitivitas=87%
scan dari dataset analisis nodul paru -Spesifisitas = 96%
2016 (LUNA16), subkelompok dari
dataset LIDC/IDRI
- CNN Bilinear, menggunakan pengklasifikasi - Akurasi = 91,99%
VGG-16, VGG-19 dan SVM, - Sensitivitas = 91,85%
- Dipraktekkan pada dataset LIDC/IDRI - Spesifisitas = 92,27%
- Skor F1 = 93,76%
- Tingkat FP = 7,72%

630
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Tujuan Metode Hasil

Deteksi nodul [50]
Segmentasi nodul [51]
Klasifikasi nodul [52]
Klasifikasi nodul [53]
Klasifikasi nodul [54]
- Menggunakan Alexnet Faster R-CNN dan - Akurasi=98%
ResNet, - Tingkat Positif Benar = 98,9%
- Dipraktekkan pada dataset LIDC/IDRI
- CoLe-CNN: CNN pembelajaran konteks 2D, - Skor F1 = 3,3%
beberapa lapisan konvolusi pada U-Net, - IoU = 4,7%
topeng segmentasi, fungsi kehilangan
asimetris lunak untuk akurasi, efisiensi, dan
stabilitas
- Dikembangkan banyak model ansambel - Akurasi=90.60%
mempelajari arsitektur yang terkait dengan - Sensitivitas=83,7%
CNN 3D, untuk mengklasifikasikan nodul -AUC=93,90%
ganas atau jinak,
- Berlatih VGGNet, ResNet,
InceptionNet, dan Multinetwork,
- dataset LIDC-IDRI digunakan
- Memanfaatkan sisa perhatian jaringan (RAN)- Akurasi = 91,9%
dan pemerasan-dan-eksitasi - jaringan (SEN) Sensitivitas=91,3%
untuk mengambil fitur spasial dan - Tingkat FP = 8,0%
kontekstual, - F1-skor=91,0%
- Gradien meningkatkan mesin
algoritma untuk klasifikasi,
- dataset LIDC-IDRI dipraktekkan.
- Menjalankan CNN tekstur yang dapat ditransfer - Akurasi=96,69%
dengan sembilan lapisan konvolusi dan lapisan - Tingkat kesalahan = 3,30%
energi, - AUC=99,11%
- LIDC-IDRI dan MNIST(diubah - Ingat = 97,19%
kumpulan data institut standar dan
teknologi nasional) adalah
- dipraktekkan

3.3Jaringan CNN populer
ImageNet adalah database gambar ekstensif yang dapat
diakses yang diatur untuk WordNet. Ini mengumpulkan
daftar gambar web untuk setiap synset dari wordnet.
Hanya, itu tersedia di https://www.image-net.org,
yang mengarahkan melalui URL untuk mengakses gambar web yang
disediakan oleh seseorang yang menyediakan gambar. Arsitektur CNN
pertama yang terkenal adalah LeNet yang dikembangkan oleh LeCun et al.
[55] pada tahun 1998.Meja 2mencantumkan tingkat kesalahan 5% teratas
dari CNN Nets yang telah dilatih sebelumnya.

Meja 2Jaringan CNN populer

Tipe jaringan Kedalaman Lapisan Tujuan Hal. (106)
LeNet-5: Sederhana 5 2 lapisan konvolusi dan 3 lapisan Klasifikasi digit pada gambar [55] 0,06
CNN yang terhubung penuh
AlexNet: 8 5 lapisan konvolusi dan 3 lapisan 1 juta gambar diklasifikasikan ke dalam 1000 kelas oleh 61.0
Umpan ke depan yang terhubung penuh Alex Krizhevsky [56]
CNN
VGG-16: DCNN 16 13 lapisan convolutional dan 3 lapisan 14 juta gambar diklasifikasikan ke dalam 1000 kelas 138
yang terhubung sepenuhnya oleh Karen Simonyan dan Andrew Zisserman [57]
VGG-19: Sangat 19 16 lapisan konvolusi dan 3 Klasifikasi gambar [57] 144
DCNN lapisan yang terhubung penuh
SqueezeNet: 18 3*3 hingga 1*1 Kernel Untuk pengenalan gambar dan video 1.24
CNN kompak konvolusi [58]
GoogleLeNet : 22 9 modul awal Dikembangkan oleh Google [59] 7
DCNN
MobileNet-V2: 53 3 × 3 konvolusi reguler di lapisan Dikembangkan oleh Google 3.5
Terbalik pertama, diikuti oleh 13 Untuk klasifikasi, deteksi, dan
Residu dan kali blok bangunan di atas. segmentasi citra [60]
Linier Tidak ada lapisan penyatuan
Kemacetan

631
Mareeswari V dkk.
Tipe jaringan Kedalaman Lapisan
ResNet : 18,34, 50, 5 Versi konvolusi
CNN sisa 101, 152
Xception : 71 Konvolusi bijaksana kedalaman
CNN ekstrim diikuti oleh konvolusi
titik-bijaksana
Jaringan Padat 3D 48×48×48 lapisan konvolusi,
gambar 5 Blok padat yang terhubung
volume penuh,
4 Empat blok transisi, lapisan
penyatuan dan lapisan softmax
CNN Nets populer ini digunakan oleh banyak peneliti dan juga mengembangkan
Nets baru dengan mekanisme lain. Padahal, COVID-19 menginfeksi saluran
pernapasan bagian atas dan paru-paru. Sebagian besar gambar rontgen dada (CXR)
digunakan untuk mendiagnosis penyakit paru-paru dan sekarang terbukti dapat
mendeteksi penyakit COVID-19. Penulis ini [63] mempraktekkan CNN Nets yang
populer seperti ResNet18, ResNet50, ResNet101, VGG16, dan VGG19 untuk ekstraksi
fitur, dan pengklasifikasi SVM untuk klasifikasi fitur. Model ini diperiksa dalam
kumpulan data yang terdiri dari 380 gambar CXR pasien COVID19 dan orang sehat.
Mereka menyimpulkan bahwa 94,7% akurasi tertinggi dicapai saat menggabungkan
pengklasifikasi ResNet50 dan SVM dengan fungsi kernel linier. Demikian pula,
mereka [64] mempraktekkan ResNet34 pada proses pembelajaran segmentasi
semisupervised pada gambar CT scan aksial untuk mendeteksi COVID-19 dan
dinamakan sebagai model segmentasi FSS-2019-nCov. Model ini menggunakan
kumpulan data publik dan mencoba meningkatkan efisiensi generalisasi, meskipun
tidak dapat mencapai segmentasi yang akurat. Tetapi kelemahan ini akan diatasi
dengan mempraktikkan volume besar gambar 3D, CT COVID-19. Dalam banyak
penelitian eksperimen dataset LIDC-IDRI, [49] salah satu penelitian membuktikan
classifier SVM mencapai hasil yang lebih baik daripada k-nearest neighbor (KNN),
soft-max, dan classifier lainnya. Tetapi kelemahan ini akan diatasi dengan
mempraktikkan volume besar gambar 3D, CT COVID-19. Dalam banyak penelitian
eksperimen dataset LIDC-IDRI, [49] salah satu penelitian membuktikan classifier
SVM mencapai hasil yang lebih baik daripada k-nearest neighbor (KNN), soft-max,
dan classifier lainnya. Tetapi kelemahan ini akan diatasi dengan mempraktikkan
volume besar gambar 3D, CT COVID-19. Dalam banyak penelitian eksperimen
dataset LIDC-IDRI, [49] salah satu penelitian membuktikan classifier SVM mencapai
hasil yang lebih baik daripada k-nearest neighbor (KNN), soft-max, dan classifier
lainnya.
3.4 Untuk memproses gambar dada COVID19 Sangat
penting untuk memelihara sistem perawatan kesehatan
untuk mengurangi tingkat populasi yang mempengaruhi
penyakit apa pun serta mengurangi tingkat kematian.
Sampai sekarang, semua negara dan wilayah di seluruh
dunia menghadapi penyakit parah yang disebabkan oleh
virus corona baru. Penyakit pandemi ini memiliki
tahapan-tahapan seperti investigasi, pengenalan, inisiasi,
dan akselerasi. Puncak penyakit dimulai pada akhir tahap
akselerasi. Namun, tahapan ini mendorong kontras, antar
negara dan juga bervariasi di antara negara bagian yang
berbeda di negara yang sama
632
Tujuan Hal. (106)
Pengenalan gambar oleh [61]. Ini telah memperkenalkan 11.7
koneksi pintasan identitas yang memantulkan satu atau - 44.6
lebih lapisan.
350 juta gambar dan 17.000 kelas [62] 22.9
888 gambar CT scan dalam LUNA16 244.527 200
gambar CT spiral dalam LIDC/IDRI [48] EPO
tergantung pada karakteristik virus corona dan reaksi kesehatan
masyarakat. Selain itu, penyakit ini akan menyebar dengan cepat
dari satu orang ke lebih banyak orang, dan manusia tidak
menularkannya sebelumnya. Jadi, keadaan ini menimbulkan risiko
dan tantangan kesehatan masyarakat yang parah bagi seluruh
sistem, terutama sistem perawatan kesehatan.
Orang yang terkena penyakit paru-paru dapat terancam
penyakit mengerikan dari COVID-19. Oleh karena itu,
pasien kanker dan keluarganya akan tertekan oleh wabah
virus corona. Apalagi bagi seseorang yang memiliki daya
tahan tubuh kurang menantang untuk melawan infeksi
virus corona. Selain itu, virus corona menyebar dengan
cepat di antara orang-orang di seluruh dunia. Dalam
situasi ini, alat diagnostik reguler sebagai uji klinis sangat
memakan waktu dan mahal; bahkan jika itu
membutuhkan laboratorium yang lengkap untuk analisis.
Namun, pada tahap awal ini, tidak ada obat dan
pengobatan yang diusulkan. Sesuai saran dari WHO, tes
RT-PCR pada molekul mengkonfirmasi kasus positif
COVID-19 [65]. Sementara ini menyebar dengan cepat di
antara orang-orang, beberapa negara yang memiliki
jumlah alat tes yang lebih rendah menggunakan CT scan
untuk mendeteksi virus corona. Karenanya, pengolahan
citra medis melalui CT scan digunakan untuk mendeteksi
pasien COVID-19 bersama RT-PCR [66]. Selain itu, ahli
radiologi menghadapi perjuangan untuk membedakan
antara identifikasi infeksi COVID-19 dan temuan CT
lainnya (influenza, sindrom pernapasan akut parah
(SARS), sindrom pernapasan timur tengah (MERS)) selama
ini penyebaran coronavirus ekspres cepat mereka. beban
kerja [67].Gambar 7menunjukkan sampel segmentasi
nodul dengan 3 label pada irisan aksial CT COVID-19 oleh
ahli radiologi. Di sini biru menunjukkan kekeruhan
ground-glass dengan nilai topeng 1, konsolidasi dengan
nilai topeng 2 dalam warna kuning dan efusi pleura
dengan nilai topeng 3 dalam warna hijau. Label ini
mempromosikan peningkatan estimasi prognosis untuk
skrining pasien COVID-19 alih-alih tes RT-PCR [68].
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Computer-aided diagnosis (CAD) mendukung ahli radiologi
untuk mendeteksi kelainan pada paru-paru bahkan tidak
dapat dirasakan oleh infeksi visual [69]. Pada diskusi kami
sebelumnya tentang penelitian ini, pembelajaran mendalam
memainkan peran penting dalam pemrosesan citra medis,
terutama dalam diagnosis penyakit paru-paru. Para peneliti
ini [70] membuktikan dengan hasil eksperimen 0,899 AUC
bahwa CNN bekerja lebih baik daripada jaringan kepercayaan
bip untuk mendeteksi paru-paru ganas
bintil. Penelitian ini [71] mempraktekkan CNN pada
gambar CT untuk membedakan infeksi COVID19 dan non-
COVID19. Juga, mereka menganalisis 10 arsitektur CNN
dan menyimpulkan bahwa ResNet-101 dan Xception
berkinerja baik dengan AUC 0,994, di antara jaringan
CNN lainnya. Sistem diagnostik berbasis citra radiologis
menghasilkan hasil yang lebih baik daripada pengujian
RT-PCR.Tabel 3menjelaskan penelitian yang
dipublikasikan pada kasus COVID-19.

Gambar 7Contoh satu potongan CT COVID19

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
membedakan pneumonia bakteri dan
virus pada CXRs [73].
Metode pembelajaran mendalam mengekstrak
fitur grafis radiologis untuk mendiagnosis
COVID-19 [74].
Metode analisis yang sepenuhnya otomatis
untuk dokter klinis garis depan membedakan
pneumonia COVID-19 di antara Influenza-A
pembelajaran yang mendalam dicapai pada tingkat kesalahan 0,05 dan
kepercayaan 95%
- Penjelasan cepat dan akurat dari
gambar sinar-X
-Model jaringan saraf migrasi awal -Itu intern validasi-
ketepatan: 82,9%, kekhususan:
80,5%, sensitivitas: 84%.
-Dataset pengujian eksternal –
akurasi: 73,1%, spesifisitas:
67%, sensitivitas: 74%
-Ini menyatakan bahwa gambar CT paru -Akurasi keseluruhan 86,7%
diklasifikasikan menggunakan model
klasifikasi lokasi-perhatian dan jenis infeksi

633
Mareeswari V dkk.
Tujuan
pneumonia virus dan kasus sehat [75].
Deteksi fitur CT toraks COVID-19 yang
meragukan dan diklasifikasikan menjadi
COVID-19 dan Non-COVID-19 dan ditinjau
pada 3D[76].
Menemukan kasus COVID-19 dari gambar CXR,
dan menjadikannya kumpulan data publik [77].
Identifikasi kasus positif COVID-19 dan.
kerangka kerja berdasarkan jaringan
kapsul, yang mampu menangani dataset
kecil dari gambar sinar-X [78].
Aplikasi seluler ringan berbasis DNN yang
digunakan untuk menyaring kasus COVID19 dari
cuplikan gambar CXR yang bising[79].
Membangun akses terbuka kumpulan data
membedakan kasus COVID19 dan kasus
pneumonia menggunakan CNN [80].
Mengembangkan sistem diagnostik untuk -
COVID19 dengan pemrosesan citra medis [81].
Kasus COVID-19 yang terinfeksi diidentifikasi
dari gambar CXR [82].
Bangun jaringan multi-tugas COVID-19 -
(COMiT-Net), jaringan ujung ke ujung
otomatis yang menyaring COVID-19[83].
CovNet-19: Model klasifikasi 3-Way untuk -
mengidentifikasi normal, pneumonia, dan
COVID-19 dan model klasifikasi 2-Way untuk
COVID atau Non-COVID [84].
CCSHNet: Model yang dibuat dengan
menganalisis 1.164 gambar CT dada pasien dan
diklasifikasikan ke dalam COVID-19, sehat
orang, pneumonia, dan tuberkulosis
paru sekunder [85].
634
Metode Hasil
- Total kepercayaan diri skor adalah
ditentukan menggunakan fungsi Noisy-atau
Bayesian.
- Menggunakan model pembelajaran mendalam 2D dan 3D - AUC = 0,996,
yang kuat - Sensitivitas = 98,2%,
-Spesifisitas = 92,2%
-DCNN -Terdiri dari 13.975 gambar CXR
di 13.870 kasus pasien
- Akurasi 92,4%
-CNN - Akurasi = 95,7%,
- Sensitivitas = 90%,
- Spesifisitas = 95,8%,
- AUC 0,97
-Kerangka transfer pengetahuan dan -Digunakan oleh tiga peran sebagai jaringan
penyulingan (KTD) dokter yang terlatih sebelumnya, jaringan
sesama penduduk yang disesuaikan, dan
mahasiswa kedokteran ringan yang
terlatih.
dan -Pengubahan ukuran progresif, penghitungan -Akurasi=96,23%
tingkat pembelajaran siklis, dan kecepatan
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
Optimalisasi Bayesian untuk pembelajaran Akurasi keseluruhan 98,6%
mendalam - teknik
-Encoder bersih VGG-16 digunakan untuk menangkap -95,6% akurasi model,
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.
Memprediksi fitur COVID-19 dari - CXR pasien 90% spesifisitas dan
dan menandai daerah paru-paru dengan -96,80% sensitivitas
segmentasi untuk mengidentifikasi gejala
COVID-19. 2513 gambar CXR frontal diperiksa
untuk membangun dataset COMiT-Net dan
diterbitkan untuk peneliti.
Ensemble DCNN diterapkan di 6214 CXR - gambar Akurasi 98,28% pada
dari 5 kumpulan data berbeda yang disatukan oleh klasifikasi 3 arah, 98,33%
perangkat lunak sumber terbuka. presisi rata-rata 98,33% pada
Recall, akurasi 99,71% pada
model klasifikasi 2 arah.
- Model pra-terlatih menggunakan untuk - Dicapai di atas 95% dari
mempelajari fitur, dan (L, 2) mentransfer algoritma sensitivitas, presisi, dan skor
pembelajaran fitur yang dipraktikkan untuk F1 di setiap kategorisasi
mengekstrak fitur, mengurangi lapisan dengan -Rata-rata mikro F1 skor
hyperparameter dan menggabungkannya untuk mengukur akurasi model sebagai
menyimpulkan model terbaik yang dibantu dengan 97,04%.
analisis korelasi diskriminan.
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Tujuan Metode Hasil

FSS-2019-nCov: pendekatan segmentasi beberapa ResNet34 padaitu setengah diawasi -
Dataset1 berisi 110 irisan CT
pemotretan semi-terawat untuk deteksi COVID-19 aksial milik 60 pasien dan
proses pembelajaran segmentasi pada citra CT
dari beberapa gambar CT-scan [64]. scan aksial untuk mendeteksi COVID-19. dataset2 berisi kelompok 1600
-Ini terdiri dari modul encoder fitur yang gambar CT aksial tanpa notasi
dipraktikkan oleh ResNet34, sebuah konteks yang digunakan.
modul pengayaan yang diproyeksikan oleh - Mencoba meningkatkan blok
konvolusi atrous yang paling halus dan generalisasi efisiensi pada
blok penyatuan piramida multi-skala, dan gambar terbatas.
modul dekoder fitur.
-Mencoba rekombinasi dan kalibrasi ulang
digabungkan dengan mentransfer informasi
yang dipelajari.
DeepCoroNet: Menelusuri kasus COVID-19 -Selama proses awal, dilakukan praktik -Akurasi lengkap dinyatakan,
menggunakan model long short term operasi segmentasi DAS gradien sensitivitas, spesifisitas dan
memory (LSTM) dari 1061 CXR di atas 45 Sobel dan marker-controlled untuk skor F1 tercapai.
tahun [86]. meningkatkan kinerja.
- LSTM digunakan sebagai pengganti
pembelajaran transfer dan metode ekstraksi
fitur yang mendalam
Sebuah 2-langkah cascade 3D UNet untuk mengiris - UNet 3D pertama mengeluarkan paru- Di pertama panggung, sensitivitas =
area yang terkontaminasi dari paru-paru[87]. paru - parenkim dari volume CT diikuti 93,47%, spesifisitas = 98,64%,
oleh pra-pemrosesan dan akurasi = 98,07%, dadu
augmentasi. skor = 92,46%.
-UNet 3D kedua mengeluarkan volume 3D -Di kedua panggung,

yang terinfeksi. sensitivitas = 83,33%, kekhususan =

99,84%, akurasi=99,20%, skor
dadu 82%
REMBRANDT Kanker otak, dada NIH - Pengoptimal momentum adaptif baru - Tingkatkan kinerja SGD dengan sinar-X,
CT scan COVID-19 [88]. dengan penurunan gradien stokastik (SGD) kesalahan klasifikasi jatuh dari 6,12
dan pengoptimal adaptif tambahan Adam menjadi 5,44%,
dan RMSprop untuk melatih CNN - Kecepatan konvergensi 20%
lebih tinggi dari SGD
konvensional
Model permusuhan mendalam menggunakan CT - Gambar yang meramalkan itu COVID-19 - Akurasi= 99,2%,
tepat untuk COVID- yang dibantu segmentasi- probabilitas infeksi dan - Presisi = 98%,
19 diagnosis [89]. - Membawa daerah lesi pada gambar CT dengan - Ingat = 96,0%,
data pelatihan terbatas, - Skor F1 = 97,96%
- Dikumpulkan dari [68]

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
Pemilihan dataset memainkan peran utama dalam pekerjaan
penelitian.Tabel 4daftar kumpulan data populer yang
dipraktikkan untuk diagnosis COVID19, yang membahas
jumlah gambar medis yang dikumpulkan dari
rumah sakit, situs web, dan mesin telusur, informasi
pengembang, lokasi yang tersedia, dan kredit rilis kumpulan data
berdasarkan kutipan dan kegunaan. Ini akan didorong untuk
mengembangkan dataset baru dan mempraktikkannya untuk
penelitian masa depan. Pengambilan keputusan bersama

635
Mareeswari V dkk.

sistem untuk sistem diagnosis perawatan kesehatan tergantung pada
pendekatan pembelajaran yang diawasi. Tapi itu membutuhkan
kumpulan data berlabel besar; selain itu, ini adalah pendekatan yang
mahal dan memakan waktu. Saat memilih kumpulan data ukuran kecil,
ini menghasilkan masalah yang terlalu pas dan masalah konvergensi
dengan risiko besar selama pelatihan model. Sementara itu,
pendekatan pembelajaran tanpa pengawasan seperti pembelajaran
transfer mencapai akurasi yang lebih tinggi dalam ekstraksi fitur. Oleh
karena itu, set data yang seimbang mengontrol tingkat positif palsu
sedemikian rupa
skenario [50]. Selain itu, pilih kumpulan data yang berisi
gambar beresolusi tinggi dengan label yang diperlukan
untuk deteksi nodul paru dari kasus COVID dan situasi
serupa. Sebagian besar deskripsi dataset mencakup
kesesuaian teknik dan fitur terkait dari dataset. Jadi,
teknik pembelajaran mendalam yang tepat dapat melatih
model kami secara efisien dan menghasilkan hasil yang
akurat baik dalam pelatihan maupun pengujian.

Tabel 4Diskusi komparatif tentang kumpulan data populer COVID19

Awal Isi
Himpunan data Pencipta Tersedia Kredit (sebagai pada
melepaskan Cari)
2021 Novel Corona - Kasus COVID di tingkat negara Data adalah https://github.com/ 9.71
Virus 2019 - India - berkumpul dari CSSEGISandData /COVID-19 kegunaan
Himpunan data https://www.kaggle.com/sudalairajkumar/c halaman google
ovid19-in-india berkaitan dengan
- Korea Selatan - John Hopkins
https://www.kaggle.com/kimjihoo/coronavi Universitas
rusdataset
- Italia -
https://www.kaggle.com/sudalairajkumar/c
ovid19-in-italy
- Brazil -
https://www.kaggle.com/unanimad/
coronavirus-brazil
- Amerika Serikat -

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.

- Untuk menyelidiki berbagai kelas gambar

medis, lepaskan label CAP untuk memperoleh
kinerja yang lebih tinggi dalam klasifikasi biner.
2020 COVID-19 - Satu set 100 gambar CT aksial dari 60 H. Jenssen http://medicalsegmentation.com/covi 15
[68] CT pasien COVID-19. d19
segmentasi - Ini memiliki tiga label segmentasi kaca
Himpunan data tanah dengan nilai topeng 1, konsolidasi
dengan nilai topeng 2, dan efusi pleura
dengan nilai topeng 3.
2020 IS-COVID - Satu set 110 irisan CT paru aksial dari 40 pasien Seluruh CT https://github.com/DengPingFan/Inf- 473 kutipan
[93] Himpunan data COVID-19 yang diubah dari gambar JPG yang irisan adalah Net
dapat diakses secara terbuka. dikumpulkan oleh
Masyarakat Italia
medis dan
Intervensi
Radiologi.
2020 Dada CT -1544 gambar CT dari 929 pasien positif CT yang besar http://ncovai.big.ac.cn /download 498 kutipan
[94] Gambar COVID-19 Himpunan data

Penyelidikan - 1556 gambar dari 964 pasien Umum menggabungkan

(CC-CCII) Pneumonia (negatif) 1078 gambar CT kelompok pasien
- dari 849 pasien Paru-paru Normal dari Cina
(negatif) Konsorsium

636
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Awal Himpunan data Isi Pencipta Tersedia Kredit (seorang anak

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

pembelajaran mandiri pada kumpulan data ini, dari medRxiv,

- Mencapai skor F1 0,90, AUC 0,98, dan bioRxiv, NEJM,
akurasi 0,89. JAMA, Lancet,
dll. dibuktikan oleh
senior
ahli radiologi di
Rumah Sakit Tongji,
Wuhan, Cina
2020 Kabel-19: The - 1.000.000 artikel ilmiah, mencakup lebih Itu Putih Kaggle 492 kutipan
[96] covid-19 350.000 dengan teks lengkap, tentang Rumah dan
penelitian terbuka COVID-19, SARS-CoV-2, dan terhubung koalisi dari 8.82 kegunaan
Himpunan data virus corona. penelitian terkemuka
kelompok

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.
4. Diskusi
Beberapa studi penelitian meninjau banyak karya penelitian
tentang deteksi nodul paru melalui CT scan dengan mesin
dan teknik pembelajaran mendalam [104, 105]. Meskipun
demikian, studi penelitian kami meninjau seluruh pekerjaan
penelitian yang dilakukan mulai dari deteksi nodul paru,
klasifikasi, segmentasi, jaring populer, kumpulan data, dan
penelitian COVID-19 yang didasarkan pada pemrosesan citra
medis.
Dari analisis, berbagai masalah, kekhawatiran, dan hasil
yang terkait dengan teknik pembelajaran mendalam yang
dilakukan pada COVID-19 telah ditabulasi, yang akan
membantu meningkatkan studi penelitian dan
pengembangan lebih lanjut dari aplikasi atau model yang
diharapkan untuk mengatur situasi tragis. Banyak peneliti
menyatakan bahwa pemeriksaan gambar dada lebih baik
untuk diagnosis COVID-19 daripada pengujian RT-PCR
yang mahal. Selain itu, banyak peneliti mempraktikkan
CNN dan teknik hibrida CNN untuk pemrosesan citra
medis dan mereka mencapai akurasi yang lebih tinggi
dalam deteksi nodul dan penyelidikan diagnosis lebih
lanjut.
Berdasarkan justifikasi penelitian, sebagian besar artikel
mengukur akurasi, sensitivitas, spesifisitas, presisi, dan skor
F1 yang signifikan. Bahkan beberapa karakteristik lain seperti
skalabilitas, ketahanan, keamanan, dan waktu konvergensi
model tidak dibahas. Sebagian besar penelitian telah
dilakukan oleh pustaka Python dan alat pendukung. Namun,
lebih banyak visualisasi diperlukan untuk meningkatkan
penelitian mereka untuk mendapatkan pemahaman yang
mendalam tentang konsep dan konsekuensi. Banyak model
penelitian telah dilakukan pada kumpulan data skala kecil
dan dapat mencapai akurasi yang baik, meskipun model
tersebut harus ditingkatkan dengan mempraktikkan gambar
CT-scan/CXR dalam jumlah besar.
Kelemahan utama dari banyak jenis penelitian dalam
sistem perawatan kesehatan, model memiliki interaksi
yang tidak memadai antara peneliti dan ahli klinis
yang bersangkutan tentang studi dan hasil mereka.
Selain itu, beberapa fitur yang diperlukan untuk
mempertimbangkan data multimodal seperti kasus
penyakit menular COVID-19 seperti lokasi pasien,
riwayat klinis pasien, kepadatan populasi, dan studi
lingkungan. Menurut penyelidikan, sebagian besar
peneliti telah menganalisis masalah dan belum
mengembangkan aplikasi atau produk real-time untuk
mendorong dukungan deteksi dan pengawasan
selama fase bencana. Oleh karena itu penyelidikan ini
menganalisis interpretasi yang dinyatakan dari
penelitian yang dikutip. Selanjutnya, penelitian ini
akan meneliti penelitian terbaru tentang
638
berorientasi pada aplikasi, metode penanganan data
kesehatan dan merumuskan analisis komparatif.
Daftar singkatan lengkap ditampilkan diLampiran I.
5.Kesimpulan dan pekerjaan masa depan
Sejauh yang dibahas, ulasan ini menceritakan asal mula
pembelajaran mendalam, konsep dasar jaringan
pembelajaran mendalam, dan membahas bagaimana hal itu
digunakan dalam sistem perawatan kesehatan. Algoritma
pembelajaran mendalam melakukan peran penting dalam
memproses gambar medis untuk mendeteksi cedera,
karakterisasi, klasifikasi, dan membuat keputusan cepat
untuk diagnosis. Oleh karena itu tinjauan komprehensif ini
berfokus pada karya penelitian terbaru yang dilakukan
secara khusus memproses gambar medis yang dikumpulkan
dari pemindaian MRI, CT scan, dan gambar sinar-X melalui
jaringan pembelajaran mendalam, dan menyoroti bagaimana
hal itu akan membantu mendiagnosis COVID-19 dari negara-
pendekatan seni, menyajikan jaring CNN terkenal dengan
kendala kerja dan daftar kumpulan data populer dengan
kreditnya. Penelitian ini bertujuan untuk mempelajari tentang
proses otomatisasi sistem diagnosis, studi banding mereka,
dan bagaimana penerapannya menggunakan pendekatan
berbasis kecerdasan buatan di masa depan. Ulasan ini
diakhiri dengan poin yang disorot karena sistem diagnostik
berbasis pemrosesan citra medis menghasilkan hasil yang
lebih baik dalam kasus COVID-19. Seperti dan lebih banyak
model pembelajaran mendalam yang baru harus
dikembangkan dan diharapkan dapat mendeteksi dan
mengendalikan penyakit menular untuk menghindari situasi
pandemi di masa depan.
Pengakuan
Tidak ada.
Konflik kepentingan
Para penulis tidak memiliki konflik kepentingan untuk dideklarasikan.
Pernyataan kontribusi penulis
Mareeswari V: Konseptualisasi, investigasi, penulisan –
draft asli, penulisan – review, dan editing.Vijayan R:
Kurasi data, penulisan – draf asli, analisis, dan interpretasi
hasil.Sathiyamoorthy E:Pengawasan, investigasi
terhadap tantangan dan validasi.Efzibah EP: Mempelajari
konsepsi, pengumpulan data, dan visualisasi.
Referensi
[1] O leary DE. Kecerdasan buatan dan data besar. Sistem
Cerdas IEEE. 2013; 28(2):96-9.
[2] Castiglioni I, Ippolito D, Interlenghi M, Monti CB, Salvatore
C, Schiaffino S, dkk. Kecerdasan buatan yang diterapkan
pada rontgen dada dapat membantu dalam diagnosis
infeksi COVID-19: pengalaman pertama dari Lombardy,
Italia. MedRxiv. 2020.
[3] Schmidhuber J. Pembelajaran mendalam dalam jaringan
saraf: ikhtisar. Jaringan saraf. 2015; 61:85-117.
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
[4] Bengio Y, Courville A, Vincent P. Pembelajaran
representasi: tinjauan dan perspektif baru.
Transaksi IEEE pada Analisis Pola dan Kecerdasan
Mesin. 2013; 35(8):1798-828.
[5] Perak D, Huang A, Maddison CJ, Guez A, Sifre L, Van DDG,
dkk. Menguasai permainan Go dengan jaringan saraf
yang dalam dan pencarian pohon. Alam. 2016;
529(7587):484-9.
[6] Gers FA, Schraudolph NN, Schmidhuber J. Mempelajari
waktu yang tepat dengan jaringan berulang LSTM.
Jurnal Penelitian Pembelajaran Mesin. 2002:115-43.
[7] Anumanchipalli GK, Chartier J, Chang EF. Sintesis
ucapan dari decoding saraf kalimat yang diucapkan.
Alam. 2019; 568(7753):493-8.
[8] Graves A, Liwicki M, Fernández S, Bertolami R,
Bunke H, Schmidhuber J. Sistem koneksionis baru
untuk pengenalan tulisan tangan tanpa batas.
Transaksi IEEE pada Analisis Pola dan Kecerdasan
Mesin. 2008; 31(5):855-68.
[9] Hewamalage H, Bergmeir C, Bandara K. Jaringan saraf
berulang untuk peramalan deret waktu: status saat
ini dan arah masa depan. Jurnal Peramalan
Internasional. 2021; 37(1):388-427.
[10] Zang J, Wang L, Liu Z, Zhang Q, Hua G, Zheng N.
Jaringan saraf convolutional tertimbang temporal
berbasis perhatian untuk pengenalan tindakan.
Dalam konferensi internasional IFIP tentang aplikasi
dan inovasi kecerdasan buatan 2018 (hlm. 97-108).
Pegas, Cham.
[11] Movahedi F, Coyle JL, Sejdić E. Jaringan kepercayaan
mendalam untuk elektroensefalografi: tinjauan
kontribusi terbaru dan pandangan masa depan. IEEE
Jurnal Biomedis dan Kesehatan Informatika. 2017;
22(3):642- 52.
[12] Gawehn E, Hiss JA, Schneider G. Pembelajaran mendalam
dalam penemuan obat. Informatika molekuler. 2016;
35(1):3- 14.
[13] Huang GB, Zhu QY, Siew CK. Mesin pembelajaran
ekstrem: teori dan aplikasi. Neurokomputer.
2006; 70(1-3):489-501.
[14] Smolensky P. Pengolahan informasi dalam sistem
dinamis: dasar-dasar teori harmoni. Colorado Univ di
Boulder Dept of Computer Science; 1986.
[15] Lundervold AS, Lundervold A. Tinjauan mendalam
pembelajaran pencitraan medis berfokus pada MRI.
Zeitschrift für Medizinische Physik. 2019; 29(2):102-
27.
[16] Qin C, Schlemper J, Caballero J, Harga AN, Hajnal JV,
Rueckert D. Convolutional jaringan saraf berulang
untuk rekonstruksi gambar MR dinamis. Transaksi
IEEE pada Pencitraan Medis. 2018; 38(1):280- 90.
[17] Chen F, Taviani V, Malkiel I, Cheng JY, Tamir JI, Shaikh J, dkk. MRI
spinecho cepat single-shot kepadatan variabel dengan
rekonstruksi pembelajaran mendalam dengan menggunakan
jaringan variasi. Radiologi. 2018; 289(2):366-73.
[18] Knoll F, Hammernik K, Kobler E, Pock T, Recht MP,
Sodickson DK. Penilaian generalisasi rekonstruksi
gambar yang dipelajari dan potensi untuk
639
mentransfer pembelajaran. Resonansi Magnetik dalam
Kedokteran. 2019; 81(1):116-28.
[19] Mardani M, Gong E, Cheng JY, Vasanawala SS,
Zaharchuk G, Xing L, dkk. Jaringan saraf permusuhan
generatif dalam untuk MRI penginderaan tekan.
Transaksi IEEE pada Pencitraan Medis. 2018; 38 (1):
167-79.
[20] Zhu B, Liu JZ, Cauley SF, Rosen BR, Rosen MS.
Rekonstruksi gambar dengan pembelajaran berjenis
domain-transform. Alam. 2018; 555(7697):487-92.
[21] Yoon J, Gong E, Chatnuntawech I, Bilgic B, Lee J, Jung W,
dkk. Pemetaan kerentanan kuantitatif menggunakan
jaringan saraf dalam: QSMnet. gambar saraf. 2018;
179:199-206.
[22] Bollmann S, Rasmussen KG, Kristensen M, Blendal RG,
stergaard LR, Plocharski M, dkk. DeepQSMmenggunakan
pembelajaran mendalam untuk memecahkan inversi dipol
untuk pemetaan kerentanan kuantitatif. gambar saraf. 2019;
195:373-83.
[23] Benou A, Veksler R, Friedman A, Raviv TR. Ensemble
jaringan saraf dalam ahli untuk denoising
spatiotemporal dari urutan MRI yang ditingkatkan
kontras. Analisis Citra Medis. 2017; 42:145-59.
[24] Chaudhari AS, Fang Z, Kogan F, Wood J, Stevens KJ, Gibbons
EK, dkk. MRI muskuloskeletal resolusi super menggunakan
pembelajaran mendalam. Resonansi Magnetik dalam
Kedokteran. 2018; 80(5):2139-54.
[25] Li X, Chen F, Sun D, Tao M. Memprediksi gejala
menopause dengan jaringan saraf tiruan. Sistem
Pakar dengan Aplikasi. 2015; 42(22):8698-706.
[26] Kupusinac A, Stokic E, Kovacevic I. Sistem EANN-
EA hybrid untuk estimasi utama risiko
kardiometabolik. Jurnal Sistem Medis. 2016;
40(6)::1-9.
[27] Youlden DR, Cramb SM, Baade PD. Epidemiologi
internasional kanker paru-paru: distribusi
geografis dan tren sekuler. Jurnal Onkologi
Toraks. 2008; 3(8):819-31.
[28] Thun MJ, Carter BD, Feskanich D, Freedman ND,
Prentice R, Lopez AD, dkk. Tren 50 tahun
kematian terkait merokok di Amerika Serikat.
Jurnal Kedokteran Inggris Baru. 2013; 368:351-64.
[29] Barta JA, Powell CA, Wisnivesky JP. Epidemiologi
global kanker paru-paru. Sejarah Kesehatan
Global. 2019; 85(1).
[30] Halder A, Dey D, Sadhu AK. Deteksi nodul paru dari
rekayasa fitur hingga pembelajaran mendalam dalam
gambar CT toraks: tinjauan komprehensif. Jurnal
Pencitraan Digital. 2020; 33(3):655-77.
[31] Liu X, Hou F, Qin H, Hao A. Multi-view multi-skala
CNN untuk klasifikasi tipe nodul paru dari gambar
CT. Pengenalan Pola. 2018; 77:262-75.
[32] Paul R, Hawkins S, Schabath MB, Gillies RJ, Hall LO,
Goldgof DB. Memprediksi nodul ganas dengan
menggabungkan fitur dalam dengan fitur radiomik
klasik. Jurnal Pencitraan Medis. 2018.
[33] Xie Y, Zhang J, Xia Y, Fulham M, Zhang Y. Menggabungkan
tekstur, bentuk, dan informasi yang dipelajari model dalam
pada tingkat keputusan untuk klasifikasi otomatis paru-paru
Mareeswari V dkk.
nodul pada CT dada. Penggabungan Informasi. 2018;
42:102-10.
[34] Da SGL, Da SNOP, Silva AC, De PAC, Gattass M.
Diagnosis nodul paru-paru berdasarkan jaringan
saraf konvolusi evolusioner. Alat dan Aplikasi
Multimedia. 2017; 76 (18): 19039-55.
[35] Wang S, Zhou M, Liu Z, Liu Z, Gu D, Zang Y, dkk.
Jaringan saraf konvolusi fokus pusat:
mengembangkan model berbasis data untuk
segmentasi nodul paru. Analisis Citra Medis.
2017; 40:172- 83.
[36] Dou Q, Chen H, Yu L, Qin J, Heng PA. CNN 3-D
kontekstual bertingkat untuk pengurangan positif
palsu dalam deteksi nodul paru. Transaksi IEEE pada
Rekayasa Biomedis. 2016; 64(7):1558-67.
[37] Xie Y, Xia Y, Zhang J, Lagu Y, Feng D, Fulham M, dkk.
Pembelajaran mendalam kolaboratif berbasis
pengetahuan untuk klasifikasi nodul paru jinak-ganas
pada CT dada. Transaksi IEEE pada Pencitraan Medis.
2018; 38(4):991-1004.
[38] Ozdemir O, Russell RL, Berlin AA. Sistem pembelajaran
mendalam probabilistik 3D untuk deteksi dan diagnosis
kanker paru-paru menggunakan CT scan dosis rendah.
Transaksi IEEE pada Pencitraan Medis. 2019;
39(5):1419-29.
[39] Nasrullah N, Sang J, Alam MS, Mateen M, Cai B, Hu
H. Deteksi dan klasifikasi nodul paru otomatis menggunakan
pembelajaran mendalam yang dikombinasikan dengan berbagai
strategi. Sensor. 2019; 19(17).
[40] Gu Y, Lu X, Yang L, Zhang B, Yu D, Zhao Y, dkk. Deteksi
nodul paru otomatis menggunakan jaringan saraf
konvolusi dalam 3D yang dikombinasikan dengan
strategi prediksi multiskala dalam CT dada. Komputer
dalam Biologi dan Kedokteran. 2018; 103:220-31.
[41] Wang Q, Shen F, Shen L, Huang J, Sheng W. Deteksi nodul
paru pada gambar CT menggunakan jaringan saraf
convolutional patchbased mentah. Jurnal Pencitraan
Digital. 2019; 32(6)::971-9.
[42] Savitha G, Jidesh P. Pendekatan pembelajaran mendalam
holistik untuk identifikasi dan klasifikasi nodul paru sub-
padat dalam pemindaian tomografi terkomputasi. Komputer
& Teknik Elektro. 2020; 84.
[43] Cai L, Long T, Dai Y, Huang Y. Mask deteksi
berbasis R-CNN dan segmentasi untuk diagnosis
visualisasi 3D nodul paru. Akses IEEE. 2020;
8:44400- 9.
[44] Wang J, Wang J, Wen Y, Lu H, Niu T, Pan J, dkk.
Deteksi nodul paru dalam CT scan dada
volumetrik menggunakan deteksi dan klasifikasi
adaptif ukuran nodul berbasis CNN. Akses IEEE.
2019; 7:46033-44.
[45] Xie Y, Zhang J, Xia Y. Model permusuhan semi-
diawasi untuk klasifikasi nodul paru jinak-ganas
pada CT dada. Analisis Citra Medis. 2019; 57:237-
48.
[46] Liu M, Jiang X, Liu Y, Zhao F, Zhou H. Jaringan
saraf transfer semisupervised convolutional
untuk deteksi nodul paru 3D. Neurokomputer.
2020; 391:199-209.
640
[47] Asuntha A, Srinivasan A. Pembelajaran mendalam untuk
deteksi dan klasifikasi kanker paru-paru. Alat dan
Aplikasi Multimedia. 2020; 79(11):7731-62.
[48] Zhang G, Lin L, Wang J. Klasifikasi nodul paru-paru pada
gambar CT menggunakan kepadatan 3D. Dalam jurnal
fisika: seri konferensi 2021 (hlm. 1-8). Penerbitan IOP.
[49] Mastouri R, Khlifa N, Neji H, Hantous-Zannad S.
Jaringan saraf bilinear convolutional untuk klasifikasi
nodul paru pada gambar CT. Jurnal Internasional
Radiologi dan Bedah Berbantuan Komputer. 2021;
16(1):91-101.
[50] Liang J, Ye G, Guo J, Huang Q, Zhang S. Mengurangi positif
palsu dalam deteksi nodul paru menggunakan dataset
seimbang. Perbatasan dalam Kesehatan Masyarakat. 2021.
[51] Pezzano G, Ripoll VR, Radeva P. CoLe-CNN: pembelajaran
konteks jaringan saraf convolutional dengan fungsi
kehilangan adaptif untuk segmentasi nodul paru.
Metode dan Program Komputer dalam Biomedis. 2021.
[52] Liu H, Cao H, Song E, Ma G, Xu X, Jin R, Liu C, Hung
CC. Arsitektur pembelajaran multi model
ensemble berbasis CNN 3D untuk klasifikasi
kecurigaan keganasan nodul paru. Jurnal
Pencitraan Digital. 2020; 33(5):1242-56.
[53] Xia K, Chi J, Gao Y, Jiang Y, Wu C. Jaringan
perhatian agregat adaptif untuk klasifikasi nodul
paru. Ilmu Terapan. 2021; 11(2).
[54] Ali I, Muzammil M, Haq IU, Khaliq AA, Abdullah S. Klasifikasi
nodul paru yang efisien menggunakan jaringan saraf
convolutional tekstur yang dapat ditransfer. Akses IEEE.
2020; 8:175859-70.
[55] Lecun Y. LeNet-5, jaringan saraf convolutional. URL:
http://yan. lecun. com/exdb/lenet. 2015.
[56] Krizhevsky A, Sutskever I, Hinton GE. Klasifikasi
imagenet dengan jaringan saraf convolutional yang
dalam. Kemajuan dalam Sistem Pemrosesan
Informasi Saraf. 2012.
[57] Simonyan K, Zisserman A. Jaringan konvolusi yang
sangat dalam untuk pengenalan gambar skala besar.
pracetak arXiv arXiv:1409.1556. 2014.
[58] Iandola FN, Han S, Moskewicz MW, Ashraf K, Dally WJ,
Keutzer K. SqueezeNet: akurasi tingkat alexNet dengan
parameter 50x lebih sedikit dan ukuran model <0,5 MB.
pracetak arXiv arXiv:1602.07360. 2016.
[59] Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov
D, dkk. Pergi lebih dalam dengan konvolusi. Dalam
prosiding konferensi IEEE tentang visi komputer dan
pengenalan pola 2015 (hlm. 1-9).
[60] Sandler M, Howard A, Zhu M, Zhmoginov A, Chen
LC. Mobilenetv2: residu terbalik dan kemacetan
linier. Dalam prosiding konferensi IEEE tentang
visi komputer dan pengenalan pola 2018 (hlm.
4510-20).
[61] He K, Zhang X, Ren S, Sun J. Pembelajaran residual mendalam
untuk pengenalan gambar. Dalam prosiding konferensi IEEE
tentang visi komputer dan pengenalan pola 2016 (hlm.
770-8).
[62] Chollet F. Xception: pembelajaran mendalam dengan konvolusi
yang dapat dipisahkan secara mendalam. Dalam prosiding
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)
konferensi visi komputer dan pengenalan pola 2017
(hlm. 1251-8).
[63] Ismael AM, engür A. Pendekatan pembelajaran mendalam
untuk deteksi COVID-19 berdasarkan gambar rontgen dada.
Sistem Pakar dengan Aplikasi. 2021.
[64] Abdel-Basset M, Chang V, Hawash H, Chakrabortty
RK, Ryan M. FSS-2019-nCov: arsitektur pembelajaran
mendalam untuk segmentasi beberapa bidikan
semi-diawasi dari infeksi COVID-19. Sistem Berbasis
Pengetahuan. 2021.
[65] https://www.who.int/emergencies/diseases/
novelcoronavirus-2019/technical-guidance/
laboratoryguidance/. Diakses pada 3 Maret 2020.
[66] Chung M, Bernheim A, Mei X, Zhang N, Huang M,
Zeng X, dkk. Fitur pencitraan CT dari 2019 novel
coronavirus (2019-nCoV). Radiologi. 2020;
295(1):202-7.
[67] Taylor-phillips S, Stinton C. Kelelahan dalam radiologi:
area subur untuk penelitian masa depan. Jurnal
Radiologi Inggris. 2019.
[68] https://segmentasi medis. com/about, 2020.
Diakses 3 Maret 2020.
[69] Castellano G, Bonilha L, Li LM, Cendes F. Analisis
tekstur gambar medis. Radiologi Klinik. 2004;
59(12)::1061-9.
[70] Sun W, Zheng B, Qian W. Pembelajaran fitur otomatis
menggunakan ROI multisaluran berdasarkan algoritma
terstruktur dalam untuk diagnosis kanker paru terkomputerisasi.
Komputer dalam Biologi dan Kedokteran. 2017; 89:530-9.
[71] Ardakani AA, Kanafi AR, Acharya UR, Khadem N,
Mohammadi A. Penerapan teknik pembelajaran
mendalam untuk mengelola COVID-19 dalam praktik
klinis rutin menggunakan gambar CT: hasil dari 10
jaringan saraf convolutional. Komputer dalam Biologi
dan Kedokteran. 2020.
[72] Li Y, Xia L. Coronavirus disease 2019 (COVID-19):
peran CT dada dalam diagnosis dan manajemen.
Pencitraan Jantung Paru, Penelitian Asli. 2020;
214(6):1280-6.
[73] Kermany DS, Goldbaum M, Cai W, Valentim CC, Liang H,
Baxter SL, dkk. Mengidentifikasi diagnosis medis dan
penyakit yang dapat diobati dengan pembelajaran
mendalam berbasis gambar. Sel. 2018; 172(5):1122-31.
[74] Wang S, Kang B, Ma J, Zeng X, Xiao M, Guo J, dkk. Algoritme
pembelajaran mendalam menggunakan gambar CT untuk
menyaring penyakit virus corona (COVID-19). Radiologi
Eropa. 2021; 31(8):6096-104.
[75] Wang Z, Li H, Li J, Yang C, Guo X, Hu Z, dkk. Peningkatan
kadar IgM serum menunjukkan hasil yang buruk pada
pasien dengan penyakit coronavirus 2019 pneumonia:
studi kasus-kontrol retrospektif. Tersedia di SSRN
3557987. 2020.
[76] Gozes O, Frid-Adar M, Greenspan H, Browning PD, Zhang H, Ji
W, dkk. Siklus pengembangan AI yang cepat untuk pandemi
virus corona (COVID-19): hasil awal untuk deteksi otomatis &
pemantauan pasien menggunakan analisis gambar CT
pembelajaran mendalam. pracetak arXiv arXiv: 2003.05037.
2020.
[77] Wang L, Lin ZQ, Wong A. Covid-net: desain jaringan saraf
konvolusi dalam yang disesuaikan untuk mendeteksi
641
kasus covid-19 dari foto rontgen dada. Laporan
Ilmiah. 2020; 10(1):1-12.
[78] Afshar P, Heidarian S, Naderkhani F, Oikonomou A,
Plataniotis KN, Mohammadi A. Covid-caps: kerangka
kerja berbasis jaringan kapsul untuk identifikasi
kasus covid-19 dari gambar x-ray. Surat Pengenalan
Pola. 2020; 138:638-43.
[79] Li X, Li C, Zhu D. Ahli Covid-19: Skrining COVID-19
pada perangkat menggunakan foto rontgen dada.
arXiv pracetak arXiv:2004.03042. 2020.
[80] Farooq M, Hafeez A. Covid-resnet: Kerangka
pembelajaran mendalam untuk skrining covid19 dari
radiografi. pracetak arXiv arXiv:2003.14395. 2020.
[81] Ucar F, Korkmaz D. COVID iagnosis-net: diagnosis
berdasarkan bayessqueezenet mendalam dari penyakit
coronavirus 2019 (COVID-19) dari gambar sinar-X.
Hipotesis Medis. 2020; 140.
[82] Shorfuzzaman M, Hossain MS. MetaCOVID: kerangka
kerja jaringan saraf Siam dengan kerugian kontrastif
untuk diagnosis n-shot pasien COVID-19.
Pengenalan Pola. 2021.
[83] Malhotra A, Mittal S, Majumdar P, Chhabra S, Thakral K,
Vatsa M, dkk. Diagnosis COVID-19 yang dapat dijelaskan
berdasarkan multi-tugas menggunakan gambar
rontgen dada. Pengenalan Pola. 2022.
[84] Kedia P, Katarya R. CoVNet-19: Model pembelajaran
mendalam untuk deteksi dan analisis pasien
COVID-19. Komputasi Lunak Terapan. 2021; 104.
[85] Wang SH, Nayak DR, Talang DS, Zhang X, Zhang YD.
Klasifikasi COVID-19 oleh CCSHNet dengan deep
fusion menggunakan transfer learning dan analisis
korelasi diskriminan. Penggabungan Informasi.
2021; 68:131-48.
[86] Demir F. DeepcoroNet: pendekatan LSTM mendalam
untuk deteksi otomatis kasus COVID-19 dari gambar
rontgen dada. Komputasi Lunak Terapan. 2021; 103.
[87] Aswathy AL, SS VC. Arsitektur 3D UNet bertingkat
untuk segmentasi infeksi COVID‑19 dari volume CT
paru. Laporan Ilmiah. 2022.
[88] Aytaç UC, Güneş A, Ajlouni N. Sebuah metode
momentum adaptif baru untuk klasifikasi citra medis
menggunakan jaringan saraf convolutional. Pencitraan
Medis BMC. 2022; 22(1):1-12.
[89] Yao HY, Wan WG, Li X. Model permusuhan mendalam untuk
diagnosis COVID-19 yang dibantu segmentasi menggunakan
gambar CT. Jurnal EURASIP tentang Kemajuan dalam
Pemrosesan Sinyal. 2022.
[90] Pan L, Ji B, Wang X, Peng S. MFDNN: Fitur multi-saluran
algoritma jaringan saraf dalam untuk mengidentifikasi
gambar rontgen dada COVID19. medRxiv. 2021.
[91] Liu X, Yuan Q, Gao Y, He K, Wang S, Tang X, dkk.
Segmentasi infeksi covid19 yang diawasi dengan
lemah dengan anotasi coretan pada gambar ct.
Pengenalan Pola. 2022; 122.
[92] Maftouni M, Hukum AC, Shen B, Grado ZJ, Zhou Y,
Yazdi NA. Model pembelajaran ensemble-deep yang
kuat untuk diagnosis covid-19 berdasarkan database
gambar CT scan terintegrasi. Dalam konferensi
tahunan IIE. proses 2021 (hal. 632-7). Institut
Insinyur Industri dan Sistem (IISE).
Mareeswari V dkk.
[93] Fan DP, Zhou T, Ji GP, Zhou Y, Chen G, Fu H, dkk. Inf-
net: segmentasi infeksi paru-paru COVID-19
otomatis dari gambar CT. Transaksi IEEE pada
Pencitraan Medis. 2020; 39(8):2626-37.
[94] Zhang K, Liu X, Shen J, Li Z, Sang Y, Wu X, dkk. Sistem AI
yang dapat diterapkan secara klinis untuk diagnosis
akurat, pengukuran kuantitatif, dan prognosis
pneumonia COVID-19 menggunakan computed
tomography. Sel. 2020; 181(6):1423-33.
[95] Zhao J, Zhang Y, He X, Xie P. Kumpulan data Covid-CT:
kumpulan data CT scan tentang COVID-19. pracetak
arXiv arXiv:2003.13865. 2020.
[96] Wang LL, Lo K, Chandrasekhar Y, Reas R, Yang J, Eide D,
dkk. Cord-19: kumpulan data penelitian terbuka
COVID-19. ArXiv. 2020.
[97] Angelov P, Almeida SE. Kumpulan data CT-scan SARS-
CoV-2: kumpulan data besar dari CT scan pasien nyata
untuk identifikasi SARS-CoV-2. MedRxiv. 2020.
[98] Pengumpulan data gambar Cohen JP, Morrison P, Dao L.
COVID-19. pracetak arXiv arXiv: 2003.11597. 2020.
[99] Chowdhury ME, Rahman T, Khandakar A, Mazhar R,
Kadir MA, Mahbub ZB, dkk. Bisakah AI membantu
dalam skrining virus dan pneumonia COVID-19?.
Akses IEEE. 2020; 8:132665-76.
[100]Rahman T, Khandakar A, Qiblawey Y, Tahir A,
Kiranyaz S, Kashem SB, dkk. Menjelajahi pengaruh
teknik peningkatan citra pada deteksi COVID-19
menggunakan citra rontgen dada. Komputer dalam
Biologi dan Kedokteran. 2021.
[101]https://wiki.cancerimagingarchive.net/display/Public/
REMBRANDT. Diakses pada 3 Maret 2022.
[102]Wang X, Peng Y, Lu L, Lu Z, Bagheri M, Summers RM.
Rontgen dada8: database rontgen dada skala rumah
sakit dan tolok ukur pada klasifikasi dan lokalisasi
penyakit thorax umum yang diawasi dengan lemah.
Dalam prosiding konferensi IEEE tentang visi komputer
dan pengenalan pola 2017 (hlm. 2097-106).
[103]Armato III SG, McLennan G, Bidaut L, McNitt-gray
MF, Meyer CR, Reeves AP, dkk. Konsorsium database
gambar paru-paru (LIDC) dan inisiatif sumber daya
database gambar (IDRI): database referensi lengkap
dari nodul paru-paru pada CT scan. Fisika medis.
2011; 38(2):915-31.
[104]Gu Y, Chi J, Liu J, Yang L, Zhang B, Yu D, dkk. Sebuah survei
diagnosis nodul paru-paru dengan bantuan komputer dari CT
scan menggunakan pembelajaran mendalam. Komputer dalam
Biologi dan Kedokteran. 2021.
[105]Li R, Xiao C, Huang Y, Hassan H, Huang B. Aplikasi
pembelajaran mendalam dalam gambar tomografi
terkomputasi untuk deteksi dan diagnosis nodul paru:
tinjauan. Diagnostik. 2022; 12(2):1-21.
642
Dr. Mareeswari Vbekerja sebagai
Asisten Profesor (Senior) di School of
Information Technology and
Engineering (SITE), Vellore Institute of
Technology (VIT), Vellore, Tamilnadu,
India. Dia menerima gelar Ph.D. dalam
Teknologi dan Rekayasa Informasi dari
VIT University, India
di bidang Web Service dan telah menghasilkan beberapa
artikel nasional dan internasional di jurnal dan konferensi
bereputasi. Bidang minatnya meliputi Pemrograman,
Layanan Web, Pemrosesan Gambar, Jaringan Ad-Hoc, dan
Analisis Data.
Email: vmareeswari@vit.ac.in
Dr. Vijayan Rbekerja sebagai Associate
Professor di School of Information Technology
and Engineering, VIT, Vellore India. Dia adalah
anggota seumur hidup dari Computer Society
of India (CSI). Dia telah menghasilkan beberapa
artikel penelitian nasional dan internasional di
jurnal dan konferensi bereputasi. Penelitiannya
kepentingan melibatkan Teknologi Web, Jaringan Nirkabel,
Jaringan Adhoc, Jaringan Komputer, Cloud Computing, dan
Analisis Data.
Email: rvijayan@vit.ac.in
Sathiyamoorthy Ebekerja sebagai
Profesor di School of Information
Technology and Engineering, VIT, Vellore,
India. Ia menerima Ph.D. dari Universitas
VIT, India. Minat penelitiannya meliputi
E-bisnis, agen perangkat lunak, layanan
web, keamanan informasi, dan
komputasi awan. Dia punya
publikasi penelitian di jurnal & konferensi nasional, dan
internasional. Ia menjabat sebagai anggota dewan redaksi untuk
jurnal-jurnal ternama. Dia memimpin banyak konferensi
Internasional dan menyampaikan ceramah teknis yang diundang
bersama dengan pidato utama.
Email: esathiyamoorthy@vit.ac.in
Dr. Ephzibah EPmenerima gelar Ph.D.
dari Universitas Wanita Ibu Teresa,
Kodaikanal, India. Dia saat ini bekerja
sebagai Associate professor di School
of information technology and
engineering, VIT, Vellore. Dia memiliki
lebih dari 20 tahun pengalaman
akademis dan penelitian. Dia
area penelitian meliputi Artificial Intelligence, Soft
Computing Techniques, Blockchain Technology,
Classification, Clustering, dan Prediction.
Email: ep.ephzibah@vit.ac.in
 Jurnal Internasional Eksplorasi Teknologi dan Rekayasa Canggih, Vol 9(90)

Lampiran I 52 SARS Sindrom Pernafasan Akut Parah

S. Tidak. Singkatan Keterangan 53 SEN Jaringan Squeeze-and-Excitation
1 AI Kecerdasan buatan 54 SGD Keturunan Gradien Stokastik
2 SIA Sistem Kekebalan Buatan 55 MRI tertimbang Tiga T1-
sMRI
3 ANN Jaringan Saraf Buatan Dimensi Struktural
4 AUC Area di Bawah Kurva 56 Semi-Diawasi Bermusuhan
SSAC
5 Transformasi Otomatis dengan Klasifikasi
PETA OTOMATIS
Pendekatan Manifold 57 SVM Mendukung Mesin Vektor
6 BMI Indeks massa tubuh 58 VGG Grup Geometri Visual
7 CAD Diagnosis Berbantuan Komputer 59 sinar-X Radiasi elektromagnetik
8 CEL Rugi Lintas Entropi 60 WHO Organisasi Kesehatan Dunia
9 CF-CNN CNN Berfokus Pusat
10 CMixNet Jaringan Tautan Campuran yang Disesuaikan
11 CMR Risiko Kardio-Metabolik
12 CNN Jaringan Saraf Konvolusional
13 COVID-19 Penyakit virus corona 2019
14 CRF Algoritma Bidang Acak Bersyarat
15 CT Computed Tomography
16 CXR Rontgen Dada
17 DBN Jaringan Kepercayaan Mendalam

18 DCNN CNN yang dalam

19 dMRI MRI Tertimbang Difusi

20 DNN Jaringan Saraf Dalam
21 EA Algoritma Evolusi
22 ELM Mesin Pembelajaran Ekstrim
23 fMRI MRI Tebal Fungsional
24 FP Positif Palsu
25 FPSOCNN Algoritma Fuzzy Particle Swarm
Optimization dengan CNN
26 GAN Jaringan Permusuhan Generatif
27 IEEE Institut Teknik Elektro dan
Elektronika
28 IoT Internet untuk segala
29 IDRI Kumpulan Data Inisiatif Sumber Daya Basis Data
Gambar
30 KMI Indeks Menopause Kupperman
31 KNN K-Tetangga Terdekat
32 KTD Transfer Pengetahuan dan Penyulingan
33 LIDC Konsorsium Database Gambar Paru-paru
34 LSTM Memori Jangka Pendek Panjang
35 LUNA Analisis Nodul Paru-paru
36 MAE Berarti Kesalahan Mutlak
37 Lembaga Penerbitan Digital
MDPI
Multidisiplin
38 MERS Sindrom Pernafasan Timur Tengah
39 Banyak saluran Fitur Deep Neural
Jaringan algoritma ke
MFDNN
Identifikasi Dada COVID19 sinar-X
Gambar-gambar

40 Diubah Nasional Lembaga dari

MNIST
Standar Dan Teknologi
41 MR-CNN Masker R-CNN
42 MRI Pencitraan Resonansi Magnetik
43 UMK Kesalahan Kuadrat Rata-rata

44 Pusat Nasional untuk Informasi

NCBI
Bioteknologi
45 QSM Pemetaan Kerentanan Kuantitatif
46 RAN Jaringan Perhatian Residu
47 RCNN Wilayah dengan CNN
48 REMBRANT Repositori dari Otak Molekuler
Data Neoplasia
49 RNN Jaringan Saraf Berulang
50 ROC Karakteristik Operasi Penerima
51 Reaksi Rantai Polimerase
RT-PCR
Transkripsi Terbalik
643
 © 2022. Karya ini diterbitkan di bawah
http://creativecommons.org/licenses/by/4.0/ ("Lisensi"). Terlepas dari Syarat
dan Ketentuan ProQuest, Anda dapat menggunakan konten ini sesuai
dengan ketentuan Lisensi.