Studi Awal Deteksi COVID-19 Menggunakan Citra CT Berbasis Deep Learning
DOI:
https://doi.org/10.25126/jtiik.2020733399Abstrak
Pada bulan Desember 2019, virus COVID-19 menyebar ke banyak negara, termasuk di Indonesia yang kemudian menjadi pandemi dan menimbulkan masalah serius karena masih belum adanya vaksin untuk mencegah penularan. Uji spesimen saluran nafas atas dan saluran nafas bawah saat ini merupakan salah satu metode yang efektif untuk mengetahui apakah seseorang terinfeksi COVID-19 atau tidak. Salah satu indikasi dari infeksi COVID-19 adalah sesak nafas atau pneumonia serta munculnya ground-glass opacity pada citra CT. Penelitian ini merupakan studi awal untuk melihat apakah citra CT dari organ thorax dapat digunakan sebagai alternatif untuk mendeteksi infeksi virus COVID-19. Deep learning digunakan untuk membuat sebuah model dengan citra CT sebagai masukan. Total 140 data citra CT yang terbagi menjadi 2 yaitu citra dari pasien terinfeksi dan citra dari subjek normal digunakan sebagai masukan pada deep learning. Proses pelatihan dilakukan menggunakan CNN dengan arsitektur VGG16 dan optimizer SGD dan Adam. Hasil yang didapatkan adalah akurasi sebesar 92,86% untuk mengklasifikasikan infeksi COVID-19 dan normal. Nilai spesifisitas dan sensitivitas sebesar 100% dan 85,71% untuk pelatihan dengan menggunakan optimizer SGD.
Abstract
In December 2019, the COVID-19 virus spread to many countries, including Indonesia which later became a pandemic and caused serious problems because there was still no vaccine to prevent transmission. Tests of upper and lower respiratory tract specimens are now an effective method of finding whether a person is infected with COVID-19 or not. One indication of COVID-19 infection is shortness of breath or pneumonia and the appearance of ground-glass opacity on CT images. This research is a preliminary study to see whether CT images of the thorax organs can be used as an alternative to detect COVID-19 virus. The deep learning is used to create a model with CT images as input. A total of 140 CT image data which are divided into 2 images from infected patients and images from normal subjects are used as input for deep learning. The training process is carried out using CNN with VGG16 architecture and SGD and Adam optimizers. The results obtained are 92.86% accuracy for classifying COVID-19 infections and normal. Specificity and sensitivity values were 100% and 85.71% for training using the SGD optimizer.
Downloads
Referensi
COHEN, J.P., MORRISON, P. AND DAO, L., 2020. COVID-19 image data collection. arXiv preprint arXiv:2003.11597.
Coronavirus Disease 2019 (COVID-19): A Perspective from China. Radiology, p.200490.
ISLAM, M.T., AOWAL, M.A., MINHAZ, A.T. AND ASHRAF, K., 2017. Abnormality detection and localization in chest x-rays using deep convolutional neural networks. arXiv preprint arXiv:1705.09850.
KINGMA, D.P. AND BA, J., 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
KOMPAS, 2020. UPDATE: Tambah 17 Pasien, Total Ada 134 Kasus Positif Virus Korona. [online] Tersedia pada: KOMPAS.COM <https://gaya.tempo.co/read/877228/9-juta-orang-di-indonesia-mengalami-depresi/full&view=ok>. Diakses pada tanggal 17 Maret 2020
LI, Q., GUAN, X., WU, P., WANG, X., ZHOU, L., TONG, Y., REN, R., LEUNG, K.S., LAU, E.H., WONG, J.Y. AND XING, X., 2020. Early transmission dynamics in Wuhan, China, of novel coronavirus–infected pneumonia. New England Journal of Medicine.
MOONEY, PAUL, 2018. Chest X-Ray Images (Pneumonia). [online] Tersedia pada: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia. Diakses pada tanggal 17 Maret 2020.
NG, M.Y., LEE, E.Y., YANG, J., YANG, F., LI, X., WANG, H., LUI, M.M.S., LO, C.S.Y., LEUNG, B., KHONG, P.L. AND HUI, C.K.M., 2020. Imaging profile of the COVID-19 infection: radiologic findings and literature review. Radiology: Cardiothoracic Imaging, 2(1), p.e200034.
RRI, 2020. Sepekan, RS Unair Telah Uji Tes Corona 500 Pasien. [online] Tersedia pada: http://rri.co.id/post/berita/802394/daerah/sepekan_rs_unair_telah_uji_tes_corona_500_pasien.html. Diakses pada tanggal 17 Maret 2020.
STEPHEN, O., SAIN, M., MADUH, U.J. AND JEONG, D.U., 2019. An efficient deep learning approach to pneumonia classification in healthcare. Journal of healthcare engineering, 2019
WANG, D., HU, B., HU, C., ZHU, F., LIU, X., ZHANG, J., WANG, B., XIANG, H., CHENG, Z., XIONG, Y. AND ZHAO, Y., 2020. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus–infected pneumonia in Wuhan, China. Jama.
World Health Organization, 2020. Laboratory testing for coronavirus disease 2019 (COVID-19) in suspected human cases: interim guidance, 2 March 2020 (No. WHO/COVID-19/laboratory/2020.4). World Health Organization.
SIMONYAN, K. AND ZISSERMAN, A., 2014. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
ZHOU, S., WANG, Y., ZHU, T. AND XIA, L., 2020. CT Features of Coronavirus Disease 2019 (COVID-19) Pneumonia in 62 Patients in Wuhan, China. American Journal of Roentgenology, pp.1-8.
ZU, Z.Y., JIANG, M.D., XU, P.P., CHEN, W., NI, Q.Q., LU, G.M. AND ZHANG, L.J., 2020. Coronavirus disease 2019 (COVID-19): A perspective from China. Radiology, p.200490.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi

Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).