The Usefulness of Ultrasound Imaging in Gynecologic Oncology

Woodfield, Courtney A.

doi:10.1016/j.cpet.2017.11.003

Cited by 12 publications

(16 citation statements)

References 92 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Banyak terjadi kesulitan dalam membedakan suatu kehamilan mola parsial dengan suatu abortus. (33,34) Hal ini disebabkan mola parsial mempunyai gambaran USG yang bervariasi ragamnya. (34) Ultrasonografi pelvis merupakan pemeriksaan pilihan untuk mendeteksi kehamilan mola, pada beberapa kasus dapat menilai penyebaran lokal dari TTG.…”

Section: Pemeriksaan Penunjang Dengan Teknik Pencitraan Gambaran Ultrunclassified

“…(33,34) Hal ini disebabkan mola parsial mempunyai gambaran USG yang bervariasi ragamnya. (34) Ultrasonografi pelvis merupakan pemeriksaan pilihan untuk mendeteksi kehamilan mola, pada beberapa kasus dapat menilai penyebaran lokal dari TTG. Dahulu penggunaan USG rutin pada saat antenatal dapat mengidentifikasi kehamilan mola dengan gambaran klasik "cluster of grapes" atau "snowstorm".…”

Section: Pemeriksaan Penunjang Dengan Teknik Pencitraan Gambaran Ultrunclassified

“…Dahulu penggunaan USG rutin pada saat antenatal dapat mengidentifikasi kehamilan mola dengan gambaran klasik "cluster of grapes" atau "snowstorm". (3,5,11,19,25,34) Akurasi ultrasonografi untuk mendeteksi mola komplit lebih tinggi dibanding mola parsial (32,33) Mola parsial memiliki gambaran yang bervariasi pada pemeriksaan USG mulai dari kantong gestasi dengan bayangan janin, kantong gestasi yang memanjang (elongated gestational sac), dan fetal demise dengan anomali/growth restriction. (33) Pada pemeriksaan USG, gambaran klasik mola komplit tampak seperti gambaran kistik multiple intrakaviter, dan tidak tampak gambaran janin.…”

Section: Pemeriksaan Penunjang Dengan Teknik Pencitraan Gambaran Ultrunclassified

“…(1,19,21,22,25,28,31,32) Pencitraan dengan menggunakan CT Abdomen dan MRI otak mempunyai peran penting dalam menentukan lokasi dan jumlah metastasis yang merupakan indikator prognostik penting dalam tatalaksana TTG. (5,17,25,32,34,35)…”

Section: Computed Tomography (Ct) Scan/ Magnetic Resonance Imaging (Mri)unclassified

“…Risiko PTG meningkat pada kehamilan yang usia sangat muda (<16 tahun), dan usia yang terlampau lanjut ( diatas 45 tahun). (1,3,5,10,19,31,34) Pada usia diatas 40 tahun kejadian TTG pasca mola sebanyak 53%, semakin tinggi pada usia diatas 50 tahun yaitu sebanyak 60%. (4)Moutte dkk melaporkan usia median pasien PSTT dan ETT adalah 35 tahun (interval 20-54 tahun).…”

unclassified

See 4 more Smart Citations

Update on the Diagnosis of Gestational Trophoblastic Disease

Friadi

2019

UMJ

View full text Add to dashboard Cite

Penyakit trofoblas gestasional (PTG)/Gestational trophoblastic disease (GTD) terdiri dari kelompok mola hidatidosa yang terbagi menjadi komplit dan parsial, hingga kelompok Tumor trofoblas gestasional (TTG)/Gestational trophoblastic neoplasia (GTN) yang terdiri dari mola invasif, koriokarsinoma, dan placental site trophoblastic tumour/epithelioid trophoblastic tumour (PSTT/ETT). TTG dikategorikan menjadi dua yaitu yang tidak bermetastasis (hanya terbatas di uterus) dan yang bermetastasis (telah menyebar ke vagina, paru-paru atau otak). Penegakan diagnosis inisial PTG melalui pendekatan multimodalitas mencakup gejala klinis, kadar hCG dan pemeriksaan USG pelvis. Doppler membantu menilai angiogenesis dan karakterisitik neovaskularisasi PTG. Gambaran yang tampak pada USG akan menjelaskan gambaran pada histopatologinya. Pemeriksaan penunjang lain untuk PTG adalah rontgen thoraks, CT Scan dan MRI. Saat ini pemeriksaan imunohistokimia (IHK) dan polymerase chain reaction (PCR) sudah mulai digunakan untuk menentukan diagnosis PTG. Pemantauan hCG mempunyai peran penting dalam penatalaksanaan PTG. Tetapi karena terdapat beberapa pedoman yang menyatakan protokol berbeda-beda dalam pemantauan hCG, hal ini membuat para dokter spesialis obgin mempertanyakan mengenai pemantauan hCG pasca evakuasi. Himpunan Onkologi Ginekologi Indonesia mengeluarkan suatu Pedoman Nasional Pelayanan Kedokteran (PNPK) Tumor Trofoblas Gestasional yang didalamnya terkait diagnosis dan penatalaksaan TTG.

show abstract

Section: Pemeriksaan Penunjang Dengan Teknik Pencitraan Gambaran Ultrunclassified

Section: Computed Tomography (Ct) Scan/ Magnetic Resonance Imaging (Mri)unclassified

unclassified

See 3 more Smart Citations

Update on the Diagnosis of Gestational Trophoblastic Disease

Friadi

2019

UMJ

View full text Add to dashboard Cite

show abstract

Efficient feature extraction and hybrid deep learning for early identification of uterine fibroids in ultrasound images

Lekshmanan Chinna,

Pathrose Mary

2024

Int J Imaging Syst Tech

View full text Add to dashboard Cite

Non‐cancerous growths called uterine fibroids develop in the uterus. They can vary in size, location, and number, and can produce symptoms including excessive menstrual flow, pelvic discomfort, and reproductive problems. Early detection of uterine fibroids is important because it allows for timely intervention and appropriate management strategies. Extracting meaningful features from ultrasound (US) images requires robust and effective techniques. However, different feature extraction methods may yield varying results, and the choice of technique can influence the accuracy of fibroid detection. This paper presents an efficient approach for early detection of uterine fibroids in US images. Our proposed technique combines efficient feature extraction methods and a hybrid deep learning approach. Firstly, we employ the well‐known canny edge detection algorithm to accurately identify the edges of the fibroid region in the US images. This step helps in segmenting the target edge portion for further analysis. Additionally, we introduce an improved bird swarm optimization (IBSO) algorithm to extract a comprehensive set of features, utilizing both known features and newly obtained features. This approach enhances the accuracy of fibroid detection in uterine images. The proposed method uses a convolutional recurrent neural network (CRNN) to accurately detect and treat uterine fibroids, ensuring timely diagnosis and treatment. Our proposed IBSO‐CRNN model produces accuracy rates of 99.897% and 97.568% on the augmented and original datasets, respectively.

show abstract