Internet of Things (IoT) telah merevolusi Ambient Assisted Living (AAL) dengan menginterkoneksikan perangkat medis pintar. Perangkat-perangkat ini menghasilkan data dalam jumlah besar tanpa campur tangan manusia. Model canggih berbasis pembelajaran diperlukan untuk mengekstrak informasi yang berarti dari lonjakan data yang sangat besar ini. Dalam konteks ini, Deep Neural Network (DNN) telah terbukti menjadi alat yang ampuh untuk mendeteksi penyakit. Pulmonary Embolism (PE) dianggap sebagai penyebab utama penyakit kematian, dengan angka kematian 180.000 per tahun di AS. 

Penyakit ini muncul akibat bekuan darah dalam arteri pulmonalis, yang menghalangi suplai darah ke paru-paru atau sebagian paru-paru. Diagnosis dan pengobatan dini PE dapat mengurangi angka kematian. Dokter dan ahli radiologi lebih memilih pemindaian Computed Tomography (CT) sebagai alat bantu pertama, yang berisi 200 hingga 300 gambar dari satu studi untuk diagnosis. Sering kali, dokter dan ahli radiologi sulit untuk mempertahankan konsentrasi dalam melakukan semua pemindaian dan memberikan diagnosis yang benar, sehingga mengakibatkan kesalahan diagnosis atau diagnosis yang salah. Karena itu, diperlukan sistem Computer-Aided Diagnosis (CAD) otomatis untuk membantu dokter dan ahli radiologi dalam pengambilan keputusan. 

Untuk mengembangkan sistem seperti itu, dalam makalah ini, kami mengusulkan kerangka kerja pembelajaran mendalam berdasarkan DenseNet 201 untuk mengklasifikasikan PE ke dalam sembilan kelas dalam CT scan. Kami menggunakan DenseNet 201 sebagai pengekstrak fitur dan lapisan pengambilan keputusan yang sepenuhnya terhubung. Model ini dilatih pada dataset Kaggle dari Radiological Society of North America (RSNA) -Pulmonary Embolism Detection Challenge (2020) dan mencapai hasil yang menjanjikan, masing-masing 88%, 88%, 89%, dan 90% dalam hal akurasi, sensitivitas, spesifisitas, dan Area Under the Curve (AUC).

Computed Teknologi (CT Scan)

Pemeriksaan utama untuk mendapatkan gambar medis toraks, yang memungkinkan pandangan yang jelas tentang saluran udara paru pasien, adalah Computed Tomography (CT). CT adalah pemeriksaan kontras tinggi pada daerah toraks untuk melihat struktur dan anatomi paru. CT efisien untuk berbagai citra medis pemeriksaan ini mengumpulkan informasi yang relevan dalam gambar melalui kerapatan piksel.

Dengan demikian, analisis yang lebih baik dari struktur pasien dan organ tubuh dapat dilakukan. Melalui CT scan, dimungkinkan untuk mengidentifikasi dan mendiagnosis berbagai penyakit berdasarkan bentuk atau teksturnya, seperti Emfisema Paru, Fibrosis Paru, Kanker Paru, dan penyakit paru obstruktif kronik lainnya dengan cara yang non-invasif, efektif, dan cepat.

Deteksi kelainan pada CT scan sangat penting untuk mencegah penyakit yang terdeteksi pada tahap awal: kondisi seperti kanker paru-paru, jika didiagnosis lebih awal, dapat diobati dengan lebih baik, yang secara signifikan meningkatkan peluang pemulihan dan menurunkan indeks kematian. Sekitar 65 juta orang menderita penyakit paru obstruktif kronik dan sekitar 3 juta orang di antaranya meninggal setiap tahun akibat penyakit ini. Pada tahun 2010, penyakit ini merupakan penyebab kematian nomor tiga di dunia. Menurut Organisasi Kesehatan Dunia (WHO), pada tahun 2018, sekitar 10 juta orang di seluruh dunia terjangkit TBC. Diperkirakan terjadi 2,09 juta kasus kanker paru baru, dengan 1,76 juta kematian. Langkah pertama dalam mendiagnosis kanker paru adalah segmentasi paru pada gambar CT, yang dilakukan oleh spesialis medis. Mereka secara manual menandai wilayah yang diminati untuk melakukan analisis mengenai jenis patologi dan perbaikannya, dan dengan demikian sampai pada diagnosis definitif.

Namun, prosedur diagnostik ini tunduk pada serangkaian kesalahan dan ketidakpastian, yang mungkin menyebabkan ketidakakuratan diagnosis. Para ahli medis melakukan penelitian untuk menganalisis faktor-faktor yang mempengaruhi tingkat kesalahan pemindaian tomografi di sebuah pusat medis akademis. Penelitian ini melibatkan 694 pasien dengan usia rata-rata 54 tahun, yang CT abdomennya dianalisis oleh tiga hingga lima ahli radiologi. Ditemukan bahwa rata rata kesalahan berkorelasi pada kemampuan membaca, jumlah kasus yang dibaca per hari, keberadaan resident, situasi pasien yang berasal dari luar atau dalam institusi, dan kondisi genetik mereka.

Di antara hasil yang diperoleh, laporan tersebut mencatat 56 kesalahan pada 53 pasien, yang menyebabkan tingkat kesalahan umum sebesar 7,6%. Selain itu, 19 dari kesalahan ini dianggap signifikan secara klinis, dan tujuh di antaranya secara langsung mempengaruhi manajemen pasien. Sadar akan kesulitan dalam mendiagnosa penyakit paru-paru, beberapa peneliti telah bergabung untuk menguraikan dan membangun alat untuk membantu spesialis medis dalam operasi yang paling beragam. Sebagai contoh, alat ini dapat membantu dalam mendeteksi penyakit dalam pemeriksaan, dalam segmentasi seluruh organ untuk analisis yang lebih baik dari spesialis, atau bahkan dalam segmentasi daerah yang terlihat terkena penyakit. Alat-alat ini dikenal sebagai Computed Aided Diagnosis (CAD).

Fitur Penting CT Scan

1.Deteksi Tepi: Ini menyoroti kontras gambar. Tepi umumnya merupakan batas objek gambar di mana intensitas piksel berubah secara tiba-tiba.

2.Thresholding: Ini memilih piksel dalam kisaran tertentu yang memiliki nilai atau busur tertentu. Jika tingkat kecerahan (atau rentang) suatu objek diketahui, maka dapat digunakan untuk menemukannya dalam foto. Hal ini mengimplikasikan bahwa kecerahan objek juga harus diketahui.

3.Mendeteksi kelengkungan gambar (ekstraksi sudut): Kelengkungan biasanya didefinisikan dengan mempertimbangkan bentuk parametrik dari kurva planar. Teknik ini digunakan untuk mendeteksi sudut dari gambar.

4.Analisis wilayah/tambalan: Kumpulan piksel biasanya mengacu pada wilayah gambar. Teknik ini digunakan untuk mendeteksi wilayah tertentu berdasarkan algoritma tertentu.

5.Transformasi Hough: Ini mendefinisikan implementasi pencocokan template yang efisien untuk template biner. Teknik ini mampu mengekstraksi bentuk sederhana seperti garis dan bentuk kuadratik serta bentuk sembarang.

6.Deteksi gerakan gambar: Dalam kasus gerakan, ada lebih dari satu gambar. Jika kita memiliki dua gambar yang diperoleh pada waktu yang berbeda, cara paling sederhana untuk mendeteksi gerakan adalah dengan membedakan gambar.

7.Histogram: Histogram intensitas menunjukkan bagaimana tingkat kecerahan individu ditempati dalam sebuah gambar; kontras gambar diukur dengan rentang tingkat kecerahan.

8.Wavelet Haar: Wavelet Haar adalah fungsi dasar biner. Ada (secara teoritis) rentang fungsi basis yang tak terbatas. Sinyal diskrit dapat memetakan lebih baik ke dalam kumpulan komponen biner daripada komponen sinusoidal.

9.Ekstraksi tekstur: Tekstur adalah susunan pola setelah interval tertentu dalam gambar. Banyak teknik yang digunakan untuk mengekstrak tekstur dari gambar seperti Local Binary Pattern (LBP), Fourier Transform, matriks Co-occurrence, dll.

Penelitian dan Survey Para Ahli Medis

Beberapa penelitian telah dikembangkan untuk membantu diagnosis medis melalui pemrosesan gambar digital, pembelajaran mesin, dan pembelajaran mendalam. Sebagai contoh, Pehrson dkk. mengusulkan studi umum tentang teknik Machine and Deep Learning yang diterapkan pada basis data gambar paru-paru yang tersedia dalam literatur, seperti deteksi nodul paru pada gambar CT. Studi mereka dilakukan melalui penelitian ekstensif terhadap total 1972 publikasi, yang mana 41 diantaranya dipilih untuk menyusun karya tersebut. Sebagian besar teknik memperoleh akurasi yang sama atau lebih besar dari 90% jika dibandingkan dengan ground truth yang diberikan oleh dokter spesialis.

Pendekatan baru yang melibatkan pembelajaran transfer dengan metode seperti fine-tuning memberikan hasil yang lebih baik untuk segmentasi objek yang terkandung dalam sebuah gambar, seperti wilayah yang diminati dalam gambar medis. Shojai dkk. menyajikan pentingnya segmentasi saluran udara paru sebagai langkah mendasar untuk membantu diagnosis menggunakan gambar medis. Setelah segmentasi paru-paru, dimungkinkan untuk menganalisis saluran udara, kepadatan, atau diafragma. Salah satu metode yang saat ini digunakan untuk segmentasi gambar medis adalah Convolutional Neural Networks (CNN). Metode Parzen-window terdiri dari model nonparametrik untuk memperkirakan fungsi kepadatan probabilitas. Parzen-window, yang digunakan sebagai metode segmentasi, memperkirakan probabilitas piksel yang berhubungan atau tidak dengan domain yang diberikan, sehingga lebih mudah untuk melihat objek yang diminati yang terdapat dalam gambar.

Parzen-window dapat digunakan sebagai alat fine-tuning untuk meningkatkan teknik Machine and Deep Learning jika digunakan dengan baik. Contoh penggunaan CNN yang efisien untuk membantu diagnosis medis penyakit paru-paru adalah karya Lin dkk. Mereka mengembangkan studi CNN 2D dengan optimasi parametrik Taguchi untuk mengenali kanker paru-paru dari CT scan secara otomatis. Para penulis menggunakan 36 eksperimen dan delapan faktor kontrol tingkat campuran untuk memilih parameter ideal untuk CNN 2D. Metode ini memperoleh akurasi antara 90% dan 98% menurut dataset yang digunakan.

IoT telah menjadi kenyataan yang semakin sering terjadi dalam teknologi dan layanan yang paling beragam yang paling beragam karena munculnya teknologi baru dan kecepatan komunikasi yang lebih tinggi antar perangkat.

Aplikasi ini ada di berbagai bidang seperti robotika, keamanan, dan bahkan kesehatan: Yang disebut Personalized Healthcare (PH) adalah pendekatan baru untuk perawatan kesehatan di bidang pemantauan. Layanan ini menggunakan data pasien melalui catatan kesehatan, sinyal sensor, perangkat yang dapat dikenakan, informasi berbasis web, dan media sosial, antara lain. Teknik Pembelajaran Mesin dan kecerdasan buatan diterapkan pada kumpulan data ini untuk menghasilkan analitik. Kemudian, para spesialis mempelajari informasi ini untuk merencanakan gaya hidup yang lebih baik dan pencegahan penyakit untuk pasien mereka.

Fokus dari kemajuan baru ini adalah data pasien yang dikumpulkan dari catatan kesehatan elektronik (EHR), Perangkat penginderaan IoT, perangkat yang dapat dikenakan dan perangkat seluler, informasi berbasis web, dan media sosial. PH menerapkan teknik Kecerdasan Buatan (AI) pada kumpulan data yang dikumpulkan untuk meningkatkan teknik perkembangan penyakit, prediksi penyakit, manajemen diri pasien, dan intervensi klinis. Alat-alat yang digunakan IoT di bidang kesehatan semakin banyak dieksplorasi dalam penelitian-penelitian terbaru. Penggunaan alat-alat ini sering kali membantu diagnosis medis, seperti pendekatan oleh 

Tao Han dkk, yang menggunakan IoT untuk mendeteksi paru-paru dan otak dalam gambar CT. Para penulis menggunakan kombinasi jaringan dan mencapai hasil yang baik dengan penyesuaian yang baik. Penggunaan segmentasi pada gambar medis dalam pemindaian CT scan paru-paru merupakan tantangan yang kompleks dalam pemrosesan gambar, seperti yang ditunjukkan oleh karya Souza dkk. yang menggunakan teknik berdasarkan Mask R-CNN untuk segmentasi daerah paru pada CT scan. Ada beberapa penelitian di bidang Internet of Medical Things, seperti yang ditunjukkan oleh Arthur Gatouillat dkk. Mereka membahas teknik dan studi yang berkaitan dengan IoT di bidang kedokteran dan beberapa solusi.

Teknik-teknik yang ampuh untuk berbagai penyakit paru-paru yang ada, secara umum, memiliki kesamaan. Segmentasi paru-paru yang baik untuk membuat aplikasi deteksi penyakit menjadi lebih optimal. Segmentasi paru yang baik dapat mengoptimalkan metode yang digunakan untuk membuang teknik fine-tuning tambahan, misalnya [35], yang menggunakan CNN untuk menargetkan daerah paru-paru. Hal yang sama terjadi pada penelitian oleh Souza dkk. [36], yang menggunakan Jaringan CNN Mask R-CNN untuk mensegmentasikan gambar paru-paru pada CT. Hasilnya sangat baik dengan akurasi diatas 97%, meningkatkan tingkat kualitas dari banyak penelitian yang menggunakan deep learning. Masalah segmentasi
pada gambar medis adalah masalah klasik dan menantang. Beberapa metode Pemrosesan Gambar Digital (DIP) memberikan solusi dengan cara non-otomatis, yang melalui berbagai kombinasi pemrosesan gambar, mencapai hasil yang memuaskan. Dengan mempertimbangkan semua pra-pemrosesan dan pemrosesan untuk mencapai tingkat kualitas dalam hasilnya, teknik seperti ini sangat relevan dalam pasca-pemrosesan pembelajaran jaringan. Kombinasi metode klasik dalam hasil pasca yang dihasilkan oleh jaringan membawa hasil yang luar biasa perbaikan melalui metode fine-tuning, membuat hasilnya lebih relevan dan bermakna untuk pemrosesan dengan jaringan pemrosesan dalam.

Mengingat pentingnya segmentasi paru pada gambar tomografi terkomputerisasi, baik untuk proses membantu diagnosis atau membantu pendampingan patologi. Model yang diusulkan dalam penelitian ini menggunakan pendekatan baru dengan fine-tuning arsitektur Convolutional Neural Network (R-CNN mask) yang dibantu dengan metode Parzen-window. Juga, dengan mempertimbangkan permintaan yang semakin meningkat dengan sistem yang praktis dan mudah diakses untuk layanan yang paling bervariasi. Sistem yang dikembangkan dalam penelitian ini memiliki yang dapat diakses dari jarak jauh oleh perangkat dengan menggunakan internet.

Metode komputasi yang berbeda diterapkan pada gambar medis untuk masalah yang berbeda dalam mencari solusi untuk menampilkan objek dalam gambar medis. Teknik yang berbeda membahas penggunaan filter berdasarkan deteksi dan segmentasi gambar. Paru-paru disegmentasi menggunakan Pemrosesan Kontur Digital teknik transformasi, seperti yang ditunjukkan dalam pekerjaan, yang didasarkan pada teknik deteksi untuk menghaluskan kontur paru-paru yang diekstraksi, menunjukkan efisiensi dengan mencapai hasil Jaccard rata-rata 94%. 

Dengan demikian, metode segmentasi yang berbeda telah diusulkan untuk membantu diagnosis medis untuk mendeteksi penyakit paru-paru seperti nodul kanker, fibrosis kistik, atau mendeteksi struktur fisiologis paru-paru. Namun, dalam menghadapi sebagian besar masalah yang lebih kompleks, Pemrosesan Citra Digital tidak efisien, dengan hasil di bawah ekspektasi. Oleh karena itu, perlu menggunakan yang lebih canggih teknik yang lebih canggih untuk memecahkan masalah yang diusulkan. 

Dengan evolusi kemampuan pemrosesan perangkat keras, teknik pembelajaran mendalam telah lebih dieksplorasi dan akibatnya digunakan untuk segmentasi struktur fisiologis dalam gambar medis. Wang, mengusulkan penggunaan Jaringan Syaraf Tiruan Konvolusi untuk mensegmentasi nodul paru, metode ini memperoleh hasil sekitar 80% Akurasi, yang berarti rasio hit yang bagus ditargetkan terhadap total piksel dalam gambar. Tetapi menunjukkan kesulitan dalam mensegmentasi nodul yang lebih kecil. Duraisamy mengembangkan metode segmentasi dengan menggunakan teknik DIP dan Convolutional Neural Jaringan, yang diterapkan pada Magnetic Resonance Imaging (MRI) pada pemeriksaan gambar otak dan dada.