Studi Awal Deteksi COVID-19 Menggunakan Citra CT Berbasis Deep Learning

Abstract

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. AbstractIn 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.