Aplikasi Neural Network Dalam Bidang Medis
Artificial Neural Network (ANN) merupakan metode komputasi yang didasarkan pada model matematika yang memiliki struktur seperti syaraf dan operasi yang menyerupai otak[1,2,3]. Neural Network (NN) terdiri dari elemen-elemen sederhana yang beroperasi secara paralel. Fungsi jaringan ditentukan terutama oleh hubungan antara unsur-unsur yang disesuaikan, atau dilatih, sehingga input tertentu mengarah kepada sasaran output tertentu. Jaringan disesuaikan, berdasarkan perbandingan antara output dan target, sampai output jaringan sesuai dengan target[4]. NN telah digunakan dalam berbagai aplikasi biomedis antara lain untuk klasifikasi penyakit[1,2],
klasifkasi biosignal[3,4,5,6] dan image processing[7,8].
A. Klasifikasi Penyakit
ANN sebagai salah satu metoda di bidang kecerdasan buatan telah digunakan untuk mengklasifikasi penyakit kadiovaskular antara lain diabetes dan hipertensi [1,2]. Insulin dependent diabetes mellitus (IDDM) adalah penyakit kronis yang timbul ketika hormon insulin tidak cukup diproduksi di dalam tubuh pasien. Pada penyakit IDDM, prankeas tidak mampu mengontrol kadar gula darah dan menyebabkan kadar gula dalam darah terus meningkat. Kadar gula darah yang tinggi menyebabkan penyakit lain, seperti retniopathies (kerusakan retina), nephropathies (kerusakan ginjal), neuropathies (kerusakan jaringan syaraf) yang dapat menyebabkan disfungsi kardio-vagal, arteriosklerosis, ataupun hipertensi[1,2].
Penelitian [1] mengklasifikasi pasien diabetes menjadi dua kelas dengan menggunakan NN dan Adaptive-Network Interference System (ANFIS). Salah satu poin yang penting dalam pasien diabetes adalah meramalkan tingkatan diabetes. Diagnosa tingkat diabetes dapat mencegah masalah serius lainya[1].
Dengan menggunakan data-set dari UCI repository Prima Indian Diabetes dataset, dilakukan prepocessing untuk seleksi ciri dengan menggunakan algoritma genetik (Genetic Algorithm/GA) untuk mengklasifikasi diabetik dan non diabetik. Hasil dari penerapan GA terhadap dataset diperoleh empat ciri yaitu: Konsentrasi plasma-glukosa,
Flickr
BIOMEDICAL ENGINEERING EMBEDDED SYSTEMEMBEDDED SYSTEM
POSTS COMMENTS
HOME
tekanan darah diastol (mmHg), ketebalan (mm), dan indeks massa tubuh (kg/m2). Keempat ciri tersebut kemudian dipropagasikan ke dalam Neural Network (NN) untuk pelatihan dan menghitung hasil klasifikasi. Metode
pembelajaran yang digunakan dalam penelitian [1] adalah Levenberg-Marquardt dengan aristektur: 4 signal input, 2 hidden layer dengan 6 dan 4 neuron, dan 1 neuron di output layer (gambar 1). 668 data secara acak dipilih sebagai data training dan 100 data secara acak dipilih data testing.[1]
Gambar 1. Struktur multilayer NN dengan 4 input dan 1 output[1]
Keempat ciri yang sama juga dipropagasikan ke dalam ANFIS, yang merupakan kelas adaptive network yang secara fungsial ekivalen dengan Fuzzy interface system.
Arsitektur ANFIS yang digunakan terdiri dari 5 layer dengan 2 signal input dan satu signal output (gambar 2). Dari perbandingan hasil propagasi, ANFIS memiliki hasil yang lebih baik dibandingkan NN[1].
Gambar 2. Struktur ANFIS classifier[1]
Pada penelitian [2], dilakukan klasifikasi bentuk gelombang arteri pada pasien diabetes dan hipertensi. Bentuk gelombang denyut arteri sehat dilatih untuk menjadi template dan membangun database untuk mendeteksi kelainan atau bentuk gelombang denyut arteri yang tidak diketahui dan diharapkan dapat menyediakan cara lain untuk mendiagnosis penyakit kardiovaskular[2].
Data yang digunakan dalam penelitian [2] terdiri dari 3 kelompok yaitu: kelompok diabetes (63 pasien), kelompok hipertensi (21 pasien) dan kelompok sehat (25 orang). Sedangkan ANN yang digunakan merupakan modifikasi
dari adaptive resonance theory network/ART yang terdiri dari 2 modus utama: modus training dan modus asosiasi (gambar 3).[2]
Gambar 3 Struktur ART yang dimodifikasi[2]
Bagian A merupakan modus latihan dengan komponen F0 adalah layer input yang berfungsi melakukan normalisasi sampel training sehingga diperoleh gelombang pulsa yang sama panjang, F1 berfungsi untuk mengekstraksi karakteristik menggunakan koefisien korelasi. F2 berfungsi untuk membandingkan sampel dengan data yang ada di database dengan keluaran informasi korelasi paling tinggi. Jika tidak ditemukan korelasi pada database, gelombang tersebut akan disimpan sebagai template baru.[2]
Pada bagian B yang merupakan modus asosiasi, dilakukan proses yang sama sebagaimana modus training. F0 melakukan normalisasi pada sampel testing, kemudian sinyal di-ektraksi karakteristiknya dengan menggunakan koefisien korelasi dan dibandingkan dengan database di F2. Keluaran dari F2 merupakan hasil klasifikasi yang dapat membedakan penderita diabetes, hipertensi, dan orang sehat berdasarkan gelombang pulsa arteri. Dari data ketiga kelompok tersebut menunjukkan 73% mengidap diabetes dan 90% mengidap hipertensi.[2]
B. Klasifikasi Biosignal
Berbagai metode NN telah digunakan untuk mendeteksi dan mengklasifikasi berbagi macam biosignal antara lain: gelombang denyut arteri[2], electrocardigram (ECG)[3,4], dan electroencephalography (EEG)[5,6]. Klasifikasi biosignal kemudian digunakan untuk mendiagnosis berbagai macam penyakit [2,3,4,5,6]. Gelombang denyut arteri dideteksi dengan NN untuk mengetahui kelainan gelombang denyut yang kemudian digunakan untuk
mendiagnosis penyakit kardiovaskular[2]. RR-interval diukur dari sinyal QRS complex ECG untuk mendiagnosis penyakit dan memonitor detak jantung[3,4]. Penyakit seperti seperti epilepsi, Cerebral Palsy dapat dideteksi dan diklasifikasi dari sinyal EEG[5,6]. Pendeteksian dan pengklasifikasian biosignal dilakukan dalam tiga tahap yaitu: signal pre-processing, ekstraksi ciri, dan klasifikasi[3,4].
Pre-prosesing berfungsi merekam signal elektrik, menganalisa berbagi variasi signal dan mengeliminasi noise. Tahap pre-processing menjadi sangat penting karena pengukuran sinyal tidak hanya merekam biosignal saja tetapi juga membawa sinyal-sinyal lain termasuk noise sehingga dapat menyebabkan ketidakakuratan dalam pendeteksian biosignal[3,4,5,6].
Noise yang mungkin timbul pada pengukuran biosignal dapat disebakan oleh beberapa faktor antara lain: ketidaksempunaan kontak antara elektroda dengan kulit, noise dari peralatan eletronik, radiasi elektromagnetik, pergerakan artifak[4,5]. Salah satu metode yang dapat digunakan untuk memisahkan berbagai signal tersebut adalah Independent Components Analytical (ICA)[5]. Teknik ICA telah digunakan untuk memisahkan artifak seperti electrooculography (EOG) dan elektromiografi (EMG) dari sinyal EEG.[5].
data, hanya informasi yang relevan yang akan diproses pada tahap klasifikasi sehingga akan mempercepat proses klasifikasi[3,5]. Beberapa teknik yang digunakan untuk ektraski ciri antara lain: Koefisien korelasi[2], Hidden Markov Model (HMM) dan Discrete Wavelet Transform (DWT)[5,6].
Pada tahap klasifikasi, dilakukan identifikasi pembatasan optimal batas-batas berbagai kelas sinyal dalam ruang ciri yang dicapai dengan pendekatan analitik[5], salah satunya dengan menggunakan NN[3,4,5]. Arsitektur jaringan untuk pemodelan NN antara lain: feedforward network, radial basis function network (RFBN), Kohonen self-organizing, recurrent network dan back-propagation[3,4,5]. Efisiensi classifiers tergantung pada
sejumlah faktor termasuk network training. Classifiers harus memiliki memiliki model input training dan output yang mengindikasikan kapan training harus berhenti[3]. Training dan testing dari model didasakan pada hasil database signal antara biosignal normal dengan biosignal yang memiliki kelainan.[2,3]
C.Image Processing
Tujuan utama dari image processing di instrumentasi biomedis adalah untuk mengumpulkan informasi, screening atau invertigasi, untuk mendiagnosis, terapi dan kontrol, monitoring dan evaluasi. Image processing terdiri dari lima tahap: akusisi, prepocessing, segmentasi, post-processing, dan analisa. Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa[9]. Salah satu aplikasi praktis segmentasi pada citra biomedis antara lain untuk diagnosis penyakit[7,8].
Penelitian [7] menggunakan back-propagation supervised learning NN untuk mengenali lesi kulit sebagai alat bantu diagnosa dermatologist. Deskirimnasi lesi didasarkan pada Chromatic Color Indices dari foto kulit yang diambil dari kamera digital. Pada tahap pre-processing, 600 gambar RGB diubah menjadi koordinat warna YcbCr. Gambar-gambar tersebut kemudian pada tahap ekstraksi ciri diproses lebih lanjut untuk mengekstrak indeks differrensial gradasi pixel yang merupakan representasi dari daerah lesi. 400 sampel yang terdapat indeks tersebut digunakan dalam model supervised learning NN untuk klasifikasi lesi dan non lesi. 200 sampel yang lain digunakan sebagai testing dan memvalidasi model NN.[7]
Kesimpulan
Berbagai metoda NN telah diterapkan dalam aplikasi biomedis terutama pada bidang diagnosa penyakit baik melalui klasifikasi penyakit melalui pemeriksaan penunjang[1], klasifikasi biogisignal[2,3,4,5,6] dan image processing[7,8]. Pendeteksian dan peng-klasifikaian dengan NN dilakukan dalam tiga tahap yaitu : pre-processing, ektraksi ciri, training dan klasifikasi.
Literatur
Neural Networks and ANFIS”, Biomed 2008, Proceedings 21, pp. 27–30, 2008.
2.C.C. Chiu, B.Y. Liau1, S.J. Yeh, C.L. Hsu, “Artificial Neural Network Classification of Arterial Pulse Waveforms in Cardiovascular Diseases”, Biomed 2008, Proceedings 21, pp. 129–132, 2008.
3.E.M. Tamil, N.H. Kamarudin, R. Salleh, A.M. Tamil, “A Review on Feature Extraction & Classification Techniques for Biosignal Processing (Part I: Electrocardiogram)”, Biomed 2008, Proceedings 21, pp. 107–112, 2008. 4.M.A. Hasan, M.I. Ibrahimy, M.B.I. Reaz, “NN-Based R-peak Detection in QRS Complex of ECG Signal”, Biomed 2008, Proceedings 21, pp. 217–220, 2008M.
5.Ashtiyani, S. Asadi, P.M. Birgani, E.A. Khordechi, “EEG Classification Using Neural Networks and Independent Component Analysis”, Biomed 2008, Proceedings 21, pp. 179–182, 2008.
6.K.P. Nayak, U.C. Niranjan,”Epileptic Seizure Detection”, Biomed 2008, Proceedings 21, pp. 191–194, 2008 7.M. Md Kamal1, H. Hashim1, N. Ishak1 and A. Ibrahim1, “Supervised Learning of ANN for Plaque Lesion Discrimination Based on Chromatic Color Indices”, Biomed 2008, Proceedings 21, pp. 624–628, 2008.
8.R. Adollah, M.Y. Mashor, N.F. Mohd Nasir, H. Rosline, H. Mahsin, H. Adilah, “Blood Cell Image Segmentation: A Review”,Biomed 2008, Proceedings 21, pp. 141–144, 2008
Loading...
Leave a Reply
Blog at WordPress.com. Theme: Enterprise by StudioPress.
Like
