Implementasi Wavelet Gabor Sebagai Pengenalan Plak Pembuluh Darah Arteri Karotid Pada Citra Ultrasound

Afandi, Mas Aly (2018) Implementasi Wavelet Gabor Sebagai Pengenalan Plak Pembuluh Darah Arteri Karotid Pada Citra Ultrasound. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
07111650040004-Master_Thesis.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Pembuluh darah di dalam leher manusia yang berfungsi untuk mengantarkan darah ke otak disebut Arteri Karotid. Kolesterol dalam tubuh manusia dapat membentuk plak sehingga menjadi sumbatan pada Arteri Karotid dan menyebabkan Atherosclerosis, Stroke dan penyakit Jantung yang merupakan penyakit berbahaya dan dapat menyebabkan kematian. Jika dalam waktu lama sumbatan tidak ditemukan, Arteri Karotid akan pecah. Ketersediaan USG dalam praktek klinis sudah luas dan memiliki biaya rendah untuk keperluan mengamati plak pada Arteri Karotid. Sayangnya, gambar plak ultrasound di Arteri Karotid beragam dan tidak mudah diidentifikasi. Selain itu, sulit untuk mengembangkan teknik komputasi dalam mengenali plak dari gambar ultrasound. Oleh karena itu, hal ini merupakan tantangan untuk mengembangkan metode yang optimal dan dapat di implementasikan dalam sistem komputer untuk mengenali plak dari gambar ultrasound. Salah satu metode dari banyak teknik yang tersedia dalam pengenalan adalah ekstraksi fitur yang dapat diperoleh dari berbagai cara. Dalam penelitian ini, Gabor wavelet merupakan salah satu metode dalam ekstraksi fitur yang diterapkan untuk mengenali karakteristik plak. Namun ekstraksi fitur Gabor wavelet akan menghasilkan data yang sangat besar, oleh karena itu untuk mengurangi dimensi data, Principle Component Analysis (PCA) diterapkan untuk mengurangi data yang sangat besar tersebut. Hasil dari metode ini sangat memuaskan dengan tingkat pengenalan 100% dengan menggunakan 8 orientasi dan 3 skala bank Gabor dengan 100% konfigurasi vektor eigen. Dalam penelitian ini kami menggunakan 24 gambar pelatihan arteri karotis dan memiliki tingkat ketelitian 97,22% untuk keseluruhan citra. ============================================================================== A pair of blood vessels inside of the human neck that serves to deliver blood to the brain is called carotid artery. Cholesterol in human body can form plaque, causes blockage to carotid artery that evoke Atherosclerosis, stroke and heart disease which is a dangerous disease that can lead to death. If in certain long time it is not discovered, carotid artery will rupture. In clinical practice, the availability of ultrasound is wide also it is a low cost method to observe plaque in carotid artery. Unfortunately, ultrasound plaque images in carotid artery is diverse, noisy and not easy to be identified. It is also hard to develop computational techniques for recognizing plaque from ultrasound images. Therefore, it is a challenge to develop an optimal method that can be implemented in computer system to recognize plaque from ultrasound images. One method from many techniques available in pattern recognition is a feature extraction which can be obtained from various ways. In this work, A Gabor wavelet which is one of the powerful method in feature extraction is applied to recognize plaque characteristics. However a Gabor wavelet feature extraction will result a huge data, therefore to reduce the data dimension, the Principle Component Analysis (PCA) is applied to reduce such huge data. The result of this method is satisfied with 100% recognition rate by using 8 orientations and 3 scales bank of Gabor with 100% eigenvectors configuration. In this research we used 24 carotid artery training images and 97,22% for all images that wes use one by one.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Arteri Karotid, pengenalan, plak
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Depositing User: Mas Aly Afandi
Date Deposited: 21 Jun 2021 01:59
Last Modified: 21 Jun 2021 01:59
URI: https://repository.its.ac.id/id/eprint/54378

Actions (login required)

View Item View Item