Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem mamografi terus mengalami perkembangan. Teknologi terbaru yang muncul, seperti detektor pencacah foton tentu menjadi harapan semakin baiknya performa pencitraan yang dihasilkan, baik ditinjau dari segi kualitas citra maupun dosis. Oleh karena itu, dibutuhkan sebuah evaluasi kualitas citra dan dosimetri agar keluaran yang dihasilkan adalah citra dengan kualitas terbaik dan dosis yang masih aman diterima pasien sesuai dengan prinsip As Low As Reasonably Achieveble (ALARA). Penelitian ini dilakukan menggunakan 5 unit pesawat mamografi dengan detektor pencacah foton. Mean glandular dose (MGD) dihitung menggunakan persamaan yang dipublikasikan oleh IAEA Human Series No.17 - Quality Assurance Programme For Digital Mammography, pada ketebalan PMMA 20-70 mm. Kualitas citra dievaluasi secara otomatis menggunakan perangkat lunak Erica2 berbasis CDCOM. European Reference Organisation for Quality Assured Breast Screening and Diagnostic Services (EUREF) digunakan untuk mendapatkan nilai batas yang „dapat diterima‟ dan „dapat dicapai‟ untuk MGD dan nilai ketebalan ambang disk. Hasilnya dibandingkan dengan kinerja pesawat mamografi dengan detektor flat-panel. Nilai MGD pada pesawat dengan detektor pencacah foton menunjukan nilai yang lebih rendah pada ketebalan 40 hingga 70 mm PMMA dibanding detektor flat-panel. Nilai ketebalan ambang disk pada detektor pencacah foton juga menunjukkan angka yang lebih rendah dibanding detektor flat-panel pada seluruh diameter.

---

The mammography system is constantly evolving. The latest emerging technologies, such as photon counting detector, certainly will be a hope for better imaging performance, both in terms of image quality and dose. Therefore, an evaluation of image quality and dosimetry is needed, so the produced output will be an image with the best quality and dose that is still safe for patients according to the As Low As Reasonably Achievable (ALARA). This research was conducted using 5 units of mammography with photon counting detector. The mean glandular dose (MGD) was calculated using the equation published by the IAEA Human Series No. 17 - Quality Assurance Programme For Digital Mammography, at a PMMA thickness of 20-70 mm. Image quality is evaluated automatically using the CDCOM-based Erica2 software. The European Reference Organization for Quality Assured Breast Screening and Diagnostic Services (EUREF) was used to obtain 'acceptable' and 'achievable' values for the MGD and threshold gold thickness values. The result was compared with the performance of a mammography systems with a flat-panel detector. The MGD on a mammography systems with a photon counting detector shows a lower value at a thickness of 40 to 70 mm PMMA compared to a flat- panel detector. The threshold gold thickness values on the photon counting detector also shows a lower number than the flat-panel detector in all diameters."

"Teknologi visualisasi aliran sampai saat ini telah berkembang sangat pesat, visualisasi aliran berguna untuk memaparkan medan aliran ( medan vektor kecepatan, garis arus, vortisitas ) sesaat yang nantinya dapat diteliti lebih lanjut untuk dianalisa karakteristiknya. Salah satu alat visualisasi aliran dan software penunjangnya adalah PIV dan software imaging visualization. Output dari PIV diolah dengan menggunakan sofware tersebut. Image yang dihasilkan oleh PIV masih berupa data mentah yang belum bersifat informatif. data ini masih berupa gambaran aliran dari waktu ke waktu yang hanya menunjukkan lokasi dari sebaran tracer partice. Oleh karena itu image perlu ditinjau secara teliti dan diperlukan teknik pengolahan image agar menghasilkan parameter image yang baik. Teknik pengolahan image agar menghasilkan parameter image yang baik meliputi kalibrasi image, image masking, pengkontrasan image, cross correlation, masking cross correlation, filtering cross correlation, validation cross correlation, streamline, vortisitas dan plot vektor yang semuanya terangkum dalam paket PIV 2D.

---

Flow visualization technology to date has been growing very rapidly, are useful for flow visualization flow field (velocity vector field, flow lines, vortices) shortly which will be investigated further to analyze its characteristics. One of the tools and software flow visualization PIV supporting is software imaging visualisation, the output of the PIV processed using the software. Image generated by the PIV still a raw data that has not been informative. The data is still a picture of the flow from time to time which only shows the location of the tracer particle distribution. Therefore image needs to be reviewed carefully and image processing techniques are required to produce image parameter is good. Image processing techniques in order to produce a good image parameters include image calibration, image masking, image contras, cross correlation, masking cross correlation, cross correlation filtering, validation cross correlation, streamline, vorticity and vector plots of which are summarized in 2D PIV package"

"Kabut merupakan fenomena alami yang diakibatkan oleh keberadaan partikel kecil di atmosfer. Kabut yang ada di atmosfer dapat mengurangi kontras dan mendistorsi warna hasil citra yang diambil dalam kondisi alami. Keberadaan kabut pada citra sangat mengganggu aplikasi computer vision maupun fotografi konsumen. Sebagian besar algoritma computer vision memerlukan citra yang jernih untuk dapat berfungsi dengan baik, sehingga diperlukanlah teknik untuk menghilangkan kabut dari citra. Image dehazing bertujuan untuk memulihkan citra jernih dari citra yang dirusak oleh kabut. Image dehazing dapat dilakukan menggunakan model machine learning. Dewasa ini, banyak model machine learning yang digunakan berbasiskan arsitektur Vision Transformer. Penelitian sebelumnya mengenai Vision Transformer menunjukkan bahwa model Transformer dapat berkinerja lebih baik dibandingkan model state-of-the-art ResNet untuk image recognition jika dilatih menggunakan dataset yang besar. Pada penelitian ini, model Uformer dilatih menggunakan dataset citra berkabut dengan ukuran yang besar. Dilakukan juga implementasi Restormer untuk sebagai model alternatif untuk merestorasi citra berkabut. Pengujian kinerja model Uformer dan Restormer dilakukan menggunakan dataset HAZE dan RESIDE. Analisis terhadap model dilakukan secara kualitatif, kuantitatif, dan cross-dataset. Hasil evaluasi model Uformer dan Restormer dibandingkan dengan model Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer dan Restormer menunjukkan bahwa model berbasis Transformer dapat menyaingi Mod PDR-Net Based CGAN untuk restorasi citra berkabut pada dataset testing, namun tidak dapat mengungguli model tersebut dalam pengujian cross-dataset.

---

Haze is a natural phenomenon caused by the presence of small particles in the atmosphere. Haze present in the atmosphere can reduce the contrast and distort the color of images taken under natural conditions. The presence of haze in an image is detrimental to computer vision applications and consumer photography. Most computer vision algorithms require clear images to function properly, hence the need for techniques to remove haze from images. Image dehazing aims to recover a clear image from an image corrupted by haze. Image dehazing can be done using machine learning models. Nowadays, many machine learning models used for dehazing are based on the Vision Transformer architecture. Previous research on Vision Transformer shows that the Transformer model can perform better than the state-of-the-art ResNet model for image recognition when trained using large datasets. In this research, the Uformer model is trained using large dataset of hazy images. Restormer is also implemented as an alternative model for restoring hazy images. Performance testing of the Uformer and Restormer models was conducted using the HAZE and RESIDE datasets. The models were analyzed qualitatively, quantitatively, and through cross-dataset. The evaluation results of the Uformer and Restormer models are compared with the Mod PDR-Net Based Conditional Generative Adversarial Network model. The evaluation of the Uformer and Restormer shows that Transformer-based models can rival Mod PDR-Net Based CGAN for image dehazing on the testing dataset, but cannot outperform the model in cross-dataset testing."

"Citra gelap (low light images) merupakan citra yang diambil pada kondisi pencahayaan yang rendah, sehingga menimbulkan noise secara acak dan distorsi warna. Noise dan distorsi ini membuat informasi pada citra berkurang yang menjadi kendala bagi sistem berbasis computer vision selanjutnya. Oleh karena itu, dapat dilakukan peningkatan kualitas citra gelap untuk meningkatkan kualitas informasi yang terkandung di dalamnya. Zero-DCE merupakan suatu model deep learning yang dikembangkan untuk melakukan peningkatan kualitas citra gelap dengan memanfaatkan struktur U-net dan perumusan loss function tanpa membutuhkan data citra berpasangan pada proses pembelajaran model. Pada penelitian ini, dilakukan berbagai eksperimen untuk mengoptimisasi performa model Zero-DCE meliputi percobaan trainable parameter weight loss, modifikasi color constancy loss, pemanfaatan bilateral filter dan proses hyperparameter tuning. Pengujian performa model optimisasi Zero-DCE dilakukan terhadap beberapa dataset, yaitu dataset LOL, SICE Part 1 dan Dark Face. Analisis dilakukan secara kuantitatif dan kualitatif pada citra hasil model optimisasi Zero-DCE dibandingkan dengan citra hasil model Zero-DCE. Pada experimen pada model Zero-DCE dengan trainable parameter weight loss, terlihat bahwa nilai optimal loss pada proses training model Zero-DCE tidak menghasilkan peningkatan kualitas citra gelap yang lebih baik. Pada eksperimen pada model dengan modifikasi color constancy loss dan hyperparameter tuning terlihat bahwa hasil model optimisasi zero-DCE lebih baik dibandingkan model Zero-DCE dalam analisis kuantitatif pada beberapa metrik. Namun jika dilakukan analisis secara kualitatif, tidak terdapat perbedaan hasil yang besar jika model dimanfaatkan dalam berbagai tugas seperti face detection dikarenakan perbedaan hanya terdapat pada adanya noise serta warna citra. Eksperimen juga berusaha meningkatkan performa lebih jauh menggunakan bilateral filter pada tahap terakhir. Pemanfaatan bilateral filter dapat disesuaikan terhadap karakteristik masukan citra. Jika citra memiliki banyak noise dan detail citra yang rendah akan lebih baik memanfaatkan post processing bilateral filter dibandingkan citra masukan yang memiliki banyak detail penting.

---

A low-light image is an image that was taken in an environment that lacks sufficient lighting, resulting in random noise and color distortion. This noise and distortion results in the lack of information in the image that becomes a hindrance for later computer vision models or systems. Thus, low light image enhancement is necessary to try to recover the missing information in the image. Zero-DCE is a deep learning model designed to improve the quality of low light image by utilizing the U-net structure and loss function formulation without requiring paired image data in the model learning process. In this research, various experiments were conducted to optimize the performance of the Zero-DCE model, including adjusting the trainable parameter weight loss, modifying color constancy loss, utilizing bilateral filter, and tuning hyperparameters. The performance of the optimized Zero-DCE model was tested on several datasets, namely the LOL, SICE Part 1, and Darkface datasets. The analysis is done quantitatively and qualitatively and the image of the optimized Zero-DCE model is compared to the image of the Zero-DCE model. The experimental results show that the trainable parameter weight loss, the evaluation results showed that the optimal loss value in the training process of the Zero-DCE model does not guarantee better low-light image enhancement results. Modifying the calculation of color constancy loss calculation and tuning hyperparameter experiments show that the results of the optimized Zero-DCE model are better than the Zero-DCE model in terms of certain quantitative metrics. However, when analyzed qualitatively, there is no big difference in results particularly in tasks like face detection because the difference only exists in terms of noise presence and image color. To further enhance the image, this experiment also employed the bilateral filter at the last step. The utilization of bilateral filters can be adjusted according to the characteristics of the input image. If the image contains a lot of noise and low image detail, utilizing bilateral filter would be more beneficial compared to images with important details."