Ujian palitan Pap merupakan salah satu ujian saringan yang sering digunakan untuk mengesan barah pangkal rahim pada peringkat awal. Namun demikian, kelemahan yang wujud pada ujian palitan Pap konvensional menyebabkan ujian palitan ThinPrep dicadangkan bagi meningkatkan pengesanan terhadap sel pra-barah. Sistem diagnosis berdasarkan kecerdikan buatan seperti rangkaian neural mampu untuk meningkatkan prestasi diagnosis barah pangkal rahim. Matlamat projek ini dijalankan adalah sebagai aplikasi rangkaian neural HMLP yang dilatih menggunakan algoritma MRPE bagi tujuan saringan barah pangkal rahim. Sistem analisis rangkaian neural dan sistem diagnosis barah pangkal rahim dibangunkan menggunakan perisian Borland C++ Builder versi 6. Sistem ini akan melakukan diagnosis berdasarkan data klinikal pada ciri-ciri imej yang diperoleh melalui sampel ujian palitan ThinPrep. Sebanyak 9 ciri-ciri imej palitan ThinPrep iaitu luas kawasan sel, paras biru sel, paras hijau sel, paras kelabu sel, paras merah sel, keamatan sel, keamatan1 sel, perimeter sel dan ketepuan sel dicadangkan sebagai masukan kepada rangkaian HMLP untuk mendiagnosis sel barah pangkal rahim kepada tiga kelas iaitu sel normal, sel LSIL dan sel HSIL. Analisis ciri-ciri dominan dilakukan bagi mengenalpasti ciri-ciri imej yang paling berpengaruh terhadap diagnosis. Keputusan menunjukkan ciri-ciri imej dominan untuk projek ini adalah luas kawasan sel dan perimeter sel pangkal rahim. Sistem diagnosis berasaskan rangkaian HMLP yang direkabentuk telah menghasilkan peratus kejituan sebanyak 88.5841%. Ini menunjukkan rangkaian HMLP mempunyai keupayaan yang tinggi sebagai pengelas pintar dalam mendiagnosis barah pangkal rahim.
_________________________________________________________________________________________
Pap smear test is commonly used as screening test to identify precancerous cells in the cervix. However, it has some limitations due to human and technical errors. To address these limitations, a new technique was proposed known as the ThinPrep. Diagnosis system based on artificial intelligence such as neural network has been proved in increasing the diagnostic performance. The purpose of this project is to build cervical cancer diagnosis system using the HMLP network which is trained using MRPE algorithm. The analysis of neural networks and diagnosis system is built using Borland C++ Builder software version 6. The diagnosis is done based on clinical data of image features of ThinPrep test samples. There are 9 image features were proposed as an input to the HMLP network to classify cervical cell into normal, LSIL and HSIL cell. The image features were area, blue level, green level, grey level, red level, intensity, intensity1, perimeter and saturation of cervical cell. Dominant features analysis bring into play to discover the image features that cause major effect to the diagnosis. Results show that the dominant image features for this project were area and perimeter of cervical cell. For overall diagnostic performance, the proposed diagnosis system based on the HMLP network produced 88.5841% of accuracy. This proves that the HMLP network has high applicability as intelligent classifiers to diagnose cervical cancer.
Aplikasi rangkaian neural hmlp untuk saringan barah pangkal rahim berdasarkan imej thinprep_Mohd Izuddin Kasim_E3_2006_NI