Deteksi Patah Tulang Pipa Menggunakan Sistem Tomografi Ultrasonik Tiga Dimensi

Rokhana, Rika (2020) Deteksi Patah Tulang Pipa Menggunakan Sistem Tomografi Ultrasonik Tiga Dimensi. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 07111660010010-Desertation.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Deteksi patah tulang dalam dunia kedokteran umumnya menggunakan instrumen Rontgen atau CT-scan dengan modalitas sinar X yang menimbulkan bahaya radiasi untuk pasien maupun tenaga medis yang mengoperasikannya. Penelitian ini dilakukan dengan tujuan untuk memberikan alternatif lain yang lebih aman dalam mendeteksi patah tulang yang terjadi, dengan menggunakan modalitas ultrasonik yang tidak menimbulkan bahaya radiasi, namun memiliki kualitas citra yang rendah. Obyek penelitian adalah tulang pipa binatang sapi dan kambing dengan patah buatan pada bagian diafisisnya. Pola patah yang dibuat adalah pola transverse, oblique dengan lebar patah 1 milimeter dan comminuted dengan pola dan lebar patah yang tidak beraturan. Pemindaian obyek tulang pipa menggunakan probe ultrasonik menghasilkan citra B-mode dua dimensi (2D), dilakukan secara freehand maupun dengan menggunakan perangkat bantu mekanis. Deteksi lokasi patah sebuah citra B-mode tulang dilakukan menggunakan kombinasi metode Convolutional Neural Network (CNN) 2D dan Polynomial Intensity Gradient (PIG). Metode CNN-2D berhasil mengelompokkan citra B-mode dalam kelas citra tulang patah dan citra tulang tidak patah dengan akurasi sebesar 91.43%. Metode PIG berfungsi untuk mendeteksi lokasi patah dan menghitung lebar patah menggunakan fungsi polinomial orde tinggi. Dengan mempergunakan hasil kalibrasi skala 1 milimeter pada obyek pindai setara dengan 12.272 piksel pada citra 2D, maka perhitungan lebar patah tulang dengan metode PIG pada kolom PTPL dan kolom APL pada citra B-mode 2D menghasilkan kesalahan rata-rata absolut (MAE) sebesar 3.17% (pemindaian dengan posisi probe melintang arah panjang tulang) dan MAE sebesar 1.13% (pemindaian dengan posisi probe sejajar arah panjang tulang). Sistem tomografi ultrasonik tiga dimensi (3D) dibangun dengan menggunakan matriks kalibrasi citra B-mode. Diperoleh hasil citra 3D yang secara visual sudah mendekati bentuk geometri obyek pindai. Jarak antar kolom yang mewakili permukaan tulang pipa yang tidak patah adalah sebesar 0.30985 milimeter, sedang deteksi lebar patah pada pola oblique dan transverse menghasilkan MAE sebesar 3.97%. Klasifikasi pola patah tulang dilakukan dengan kombinasi metode deep learning arsitektur U-net dan CNN-2D. Pengelompokan citra B-mode tulang dengan ROI patah dan tanpa ROI tulang menggunakan arsitektur U-net menghasilkan akurasi 96.67%. Sedang evaluasi penempatan bounding box pada ROI lokasi patah, menghasilkan akurasi sebesar 98:37%. Output U-net pada kelas citra dengan ROI patah menjadi input CNN-2D. CNN-2D berhasil mengelompokkan citra tulang dalam kelas pola patah oblique, transverse dan comminuted dengan akurasi rata-rata untuk ketiga pola patah sebesar 93:197%, sensitifitas 90:33% dan kepresisian sebesar 92.67%.
=================================================================================================================================
Fracture detection in medical generally uses X-ray modalities on Rontgen or CT-scan instruments. However, X-ray modalities have weaknesses in radiation hazards for both patients and the medical technician who operate them. This research was conducted to provide a safer alternative in fracture detection, by using ultrasound modality. This research uses the long-bone of vertebrate animals (bovine and goat) that are artificially fractured in the bone’s diaphysis. The fracture is created in one-millimeter width for transverse and oblique pattern and irregular pattern and width for comminuted fracture. The ultrasound probe scanning can be done either freehand or by a mechanical device.
Detection of bone fracture locations is done using a combination method of two-dimensional (2D) Convolutional Neural Network (CNN) and Polynomial Intensity Gradient (PIG). The 2D-CNN able to classify B-mode image on fracture and non-fracture class with an accuracy of 91:43%. The PIG method is used to detect the fracture location and obtain the fracture width. Using the polynomial function, a one-millimeter scale in the scanned object is equivalent to 12:272 pixels in a 2D image. Then, the fracture width calculation by the PIG method in the PTPL column and the APL column produces an average error (MAE) of 3.17% (for image B-mode input in curved bone contours) and MAE of 1.13% (for image B-mode input in flat bone contours). A three-dimensional (3D) ultrasonic tomography system was built using the B-mode image calibration matrix. The obtained 3D images are visually similar to the geometry of the scanned object. The distance between columns representing the surface of the no-fractured long-bone surface is 0.30985 milimeter, while the width detection of the oblique and transverse fracture results in an MAE of 3.97%.
The fracture pattern classification is done by a combination deep-learning method of the U-net and 2D-CNN architecture. The U-net architecture successfully segments the B-mode input image that has fractured bone ROI, with the accuracy of 96:67%. Evaluating the bounding-box placement on the fracture location result an accuracy of 98:37%. The U-net output with fracture ROI then becomes 2D-CNN input. The 2D-CNN successfully grouped bone images in the oblique, transverse and comminuted fracture pattern with an average accuracy of 93.197%, sensitivity of 90.33% and precision of 92.67%.

Item Type:	Thesis (Doctoral)
Additional Information:	RDE 621.398 1 Rok d-1 2020
Uncontrolled Keywords:	citra B-mode, tulang pipa, Convolutional Neural Network, Polynomial Intensity Gradient, tomografi, U-net, pola oblique, transverse, comminuted
Subjects:	R Medicine > RZ Other systems of medicine
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Rika Rokhana
Date Deposited:	14 Mar 2025 03:49
Last Modified:	14 Mar 2025 03:49
URI:	http://repository.its.ac.id/id/eprint/75224

Actions (login required)

View Item