Electronic Theses and Dissertation

Penelitian ini telah menghasilkan sistem deteksi dini kanker payudara menggunakan citra termal payudara berbasis deep learning dengan komputasi yang ringan namun memberikan nilai akurasi yang tinggi. Ketersediaan aplikasi deteksi dini kanker payudara diharapkan akan mampu menekan angka penderita kanker payudara dan mengurangi risiko kematian akibat kanker payudara. Sebagaimana data dari WHO yang menyebutkan bahwa pada tahun 2020 terdapat 2,3 juta wanita yang didiagnosis dengan kanker payudara dan 685.000 kematian secara global. Berbagai upaya telah dilakukan untuk menurunkan angka ini. Pemeriksaan fisik dan skrining mammografi menjadi metode utama deteksi dini kanker payudara hingga saat ini. Namun, mekanisme pemeriksaan mammografi tidak efektif pada jaringan payudara dengan densitas yang tinggi. Suatu mekanisme alternatif deteksi dini kanker payudara non-invasif menggunakan termografi atau citra termal inframerah dapat memvisualisasi dan mengkuantifikasi temperatur dari suatu objek tanpa sentuhan. Pada penelitian ini dibangun teknik interpretasi citra termal payudara berbantukan komputer menggunakan algoritma deep learning convolutional neural network (CNN) yang disebut BreaCNet (Breast Cancer neural Network). Model pengklasifikasi BreacNet terdiri atas algoritma segmentasi dan model pengklasifikasi CNN. Algoritma segmentasi yang dibangun dengan menggunakan deteksi tepi mampu mengambil region of interest (ROI) citra termal payudara dari database for mastology research (DMR). Model pengklasifikasi dibangun berdasarkan model terlatih ShuffleNet dengan penyesuaian arsitektur dan fungsi aktivasi untuk klasifikasi citra termal payudara ke dalam kelas normal dan abnormal. BreaCNet membutuhkan parameter pembelajaran sebanyak 6,1 juta dengan ukuran model 22 MegaByte (MB) dan mampu mengklasifikasikan citra termal payudara dengan akurasi 100%. Dengan akurasi yang tinggi dan ukuran yang kecil, model BreaCNet dapat diimplementasikan sebagai aplikasi mobile dengan proses klasifikasi (inferensi) secara real-time pada perangkat mobile. Lokasi inferensi pada perangkat mobile akan menjamin kerahasiaan data pengguna dan memungkinkan dilakukan skrining mandiri tanpa perlu terhubung ke internet.

This study has developed a deep learning-based breast thermal image classifier model with light computations but high accuracy. The availability of an application for early breast cancer detection can minimize the risk of death from breast cancer. Breast cancer is one of the cancers with the highest incidence rate; as stated by WHO that in 2020 there were 2.3 million women diagnosed with breast cancer and 685,000 deaths globally. Various efforts have been made to reduce the number of breast cancer patients. Physical examination and screening mammography are the main methods of early detection of breast cancer. However, the mechanism of mammography examination is not effective in breast tissue with high density and even may increase the risk of cancer due to relatively high radiation doses. An alternative mechanism for early detection of cancer using thermography can be carried out to reduce the risk. Thermography or infrared thermal image is a non-invasive method to visualize and quantify an object's temperature from a certain distance without directly touching the object. This research has developed an interpretation method for the breast thermal breast images (thermograms) based on deep learning convolutional neural network (CNN) called BreaCNet (Breast Cancer Neural Network). The classifier model consists of a segmentation algorithm and a CNN model. The segmentation algorithm was built using edge detection information to separate the breast area region of interest (ROI). The CNN model was built based on pretrained ShuffleNet with an additional convolutional layer to classify the breast thermal images in normal and abnormal binary classes. BreaCNet costs 6,2 million learning parameters with 22MB in size and can classify the breast thermograms with a 100% accuracy rate. With a high accuracy rate and small size, the BreaCNet model can be implemented as a mobile application where the prediction task (inference) can be real-time. As the inference is located on the mobile device, the screening application will ensure the users' data privacy and allow regular breast self-screening without an internet connection.