26
algoritma
itu juga
mendeteksi
daerah
lain
yang
bukan
merupakan
daerah
mikrokalsifikasi.
Hal
ini karena
seluruh
mamografi
dijital
penuh
dengan
daerah
dengan berbagai kontras, ukuran, dan bentuk. Algoritma deteksi fuzzy sendiri
tidak
cukup
cerdas
untuk
mendeteksi
mikrokalsifikasi
saja.
Sebuah
metode
neuro-
fuzzy
mungkin
akan
lebih
berguna,
sebagai
jaringan
saraf
dapat
digunakan
untuk
mengklasifikasikan
area yang
terdeteksi
sebagai
mikrokalsifikasi
atau
nonmikrokalsifikasi. Hal
ini
akan
membantu
dalam
menghilangkan
pendeteksian
daerah nonmikrokalsifikasi
(Verma & Zakos, 2001).
Karahaliou,
dkk juga
menggunakan
ROC
untuk
mengevaluasi
kinerja
pengklasifikasi dari
kategori fitur
tekstur individual dan
skema klasifikasi
gabungan. Tekstur analisis jaringan mikrokalsifikasi
(MC) menunjukkan
hasil
yang
menjanjikan
pada
komputer
pembantu
diagnosis
kanker
payudara
dan
dapat
berkontribusi
pada pengurangan
biopsi
yang tidak
diperlukan.
Klaster
Mikrokalsifikasi
(MC)
dianggap
sebagai
indikator
kuat dari keganasan
(malignancy),
dan
mereka
muncul
dalam
30-50%
kasus
mammografi
yang
didiagnosis.
Mereka
membandingkan
evaluasi
kinerja pengklasifikasi
k-tetangga
terdekat
(kNN)
untuk
set
fitur
tekstur
terbaik
(GLCMs,
matriks
derajat
keabuan
co-occurance;
GLRLMs,
matriks
derajat keabuan
jangka panjang;
LTEMs,
pengukuran energi
tekstur
Law),
dengan
rata-rata area di bawah
kurva
karakteristik
penerima
operasi
(ROC)
(Az)
dan
standard
error
yang
sesuai
(SE)
serta 95% nilai
interval kepercayaan
asimetri (CI) (Karahaliou,
et al., 2007).
Karahaliou,
dkk dalam penelitiannya
mengekstrak
4 kategori
fitur
tekstural, yaitu
First
Order Statistics (FOS); matriks derajat keabuan co-
occurance (GLCMs), matriks derajat keabuan jangka panjang (GLRLMs),
 |