Electronic Theses and Dissertation

Tuberkulosis (TB) adalah penyakit infeksi yang dapat menyerang paru-paru dan organ lainnya. Diagnosis TB melalui interpretasi radiologis X-ray memerlukan keahlian khusus, namun keterbatasan pengalaman dan fokus dapat menimbulkan kesalahan diagnostik. Penelitian ini mengembangkan sistem skrining TB menggunakan Vision Transformer (ViT) untuk membantu pengenalan citra X-ray. Keseluruhan dataset dari Shenzen dan Montgomery digunakan, Sedangkan dataset Belarus sebanyak 268 citra, dan RSNA 246 citra, sehingga memiliki 652 citra normal dan 652 citra TB. Contrast Adaptive Histogram Equalization (CLAHE) diterapkan pada citra Shenzen dan Belarus untuk meningkatkan kontras. Hasil menunjukkan CLAHE efektif meningkatkan kontras citra dan membantu meningkatkan kinerja model, sehingga model yang dilatih dengan citra CLAHE menghasilkan fluktuasi yang lebih kecil. Arsitektur ViT_L_16 dengan dataset CLAHE menunjukkan performa terbaik dengan akurasi 0.95285 dan secara konsisten ViT dengan patch 16 mengugguli patch 32 pada berbagai network dan kedua jenis dataset. Sistem skrining di-hosting pada AWS dan diakses melalui antarmuka Next.js, dengan latensi inferensi 2-5 detik. Pengujian pada data eksternal dari Rumah Sakit Pendidikan Universitas Syiah Kuala menunjukkan performa yang rendah, terutama untuk citra normal. Meskipun demikian, sistem ini efektif dalam meningkatkan kontras citra X-ray dan berpotensi sebagai alat bantu skrining TB, namun memerlukan pengembangan lebih lanjut untuk meningkatkan akurasi prediksi

Tuberculosis (TB) is an infectious disease that can affect the lungs and other organs. Diagnosis of TB through X-ray radiological interpretation requires specialized skills, but limited experience and focus can lead to diagnostic errors. This study develops a TB screening system using Vision Transformer (ViT) to assist X-ray image recognition. The entire datasets from Shenzen and Montgomery were used, while the Belarus dataset was 268 images, and RSNA 246 images, resulting in 652 normal images and 652 TB images. Contrast Adaptive Histogram Equalization (CLAHE) was applied to the Shenzen and Belarus images to enhance contrast. Results show that CLAHE effectively enhances image contrast and helps improve model performance, so models trained with CLAHE images produce smaller fluctuations. The ViT_L_16 architecture with the CLAHE dataset showed the best performance with an accuracy of 0.95285 and ViT with patch 16 consistently outperformed patch 32 on various networks and both types of datasets. The screening system is hosted on AWS and accessed through the Next.js interface, with inference latency of 2-5 seconds. Testing on external data from Syiah Kuala University Teaching Hospital showed low performance, especially for normal images. Nonetheless, the system is effective in enhancing X-ray image contrast and has potential as a TB screening tool, but requires further development to improve prediction accuracy.