Hasil Pencarian  ::  Simpan CSV :: Kembali

"In this paper, we present a 3D shape modeling system based on Tsai Shah shape from shading (SFS) algorithm. This SFS provides partial 3D shapes, as depth maps of the object to be reconstructed. Our previously developed Projected Polygon Representation Neural Network (PPRNN) performed the reconstruction process. This neural network is able to successively refine the polygon vertices parameter of an initial 3D shape based on 2D images taken from multiple views. The reconstuction is finalized by mapping the texture of object image to the 3 D initial shape. It is known from static stereo analysis that even though multiple view images are used, obtaining 3D structure without considering of base-distance information, i.e. focal separation between different camera positions, is impossible. Unless there is something else is known about the scene. Here we propose the use of shading features to extrat the 3D depth maps by using a fasat SFS algortihm, instead of rendering the object based on bare 2D images. A beginning result of reconstructing human (mannequin) head and face is presented. From our experiment, it was shown that using only 2D images would result a poor reconstruction. While using the depth-maps provides a smoother and more realistic 3D object. "

"Aplikasi metode Multiatribut pada data poststack seismik dan hasil inversinya telah dilakukan untuk mengestimasi kecepatan interval melalui pendekatan Neural Network. Estimasi kecepatan interval yang dihasilkan tersebut digunakan untuk memprediksi tekanan formasi di Lapangan Texaco 3D, Louisiana. Tujuan dari studi ini adalah untuk mengaplikasikan pendekatan geostatistik dan analisis Multiatribut dengan keterbatasan data yang dimiliki untuk memprediksi tekanan formasi. Hasil estimasi kecepatan interval menggunakan Multiatribut (10 atribut) menunjukkan korelasi yang sangat baik yaitu rata-rata korelasi prediksi log hasil atribut dan log validasi mencapai 79%, dengan tingkat kesalahan yang kecil berkisar rata-rata 175 - 292 m/s dari kecepatan validasi. Pendekatan Neural Network menghasilkan atribut polaritas semu (apparent polarity) sebagai atribut terbaik dalam estimasi kecepatan dengan error berkisar 108 m/s (berdasarkan hasil PNN) hingga 166 m/s (berdasarkan hasil MLFN). Anomali kecepatan rendah terdeteksi pada kedalaman 2800 - 2900 m dan sekitar kedalaman 3000 m, dengan gradient tekanan rata-rata mencapai 18 ? 22 ppg.

---

Application of Multiattribute to poststack seismic data and the the seismic inversion result has been carried out to estimate the interval velocity, by using Neural Network approach. The result of estimated interval velocity is used to predict formation pressure in Texaco 3D Field, Louisiana. The purpose of this study is to apply the geostatistical approach and Multiattribute analysis to predict the formation pressure.

The results of estimated interval velocity using Multiattribute (10 attributes) show excellent correlation of the average correlation between predicted log and the real log reached 79%, with an error training and validation of a fairly small range from an average of 175-292 m/s validation of the velocity. The Neural Network approachment generating apparent polarity attribute as the best attribute of velocity estimation with errors ranging from 108 m/s (based on PNN) up to 166 m/s (based on the results of MLFN). Low velocity anomaly was detected at a depth of 2800 - 2900 m and approximately 3000 m depth, with the pressure gradient averaged 18-22 ppg."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Kondisi pasca bencana adalah sebuah kondisi darurat yang membutuhkan pertolongan pertama dari tim penyelamat. Oleh karena itu, dikembangkan pemanfaatan radar yang digunakan untuk mendeteksi manusia dalam kondisi pasca-bencana. Sayangnya, banyaknya parameter yang mempengaruhi pengklasifikasian membatasi pemakaian radar 24 GHz seperti reruntuhan yang menutupi manusia. Oleh karena itu, radar dengan frekuensi yang lebih tinggi dimanfaatkan dengan frekuensi 77 GHz yaitu sinyal milimeter. Metode seperti deep learning dan backpropagation neural network sudah diterapkan pada penelitian-penelitian sebelumnya menggunakan radar sinyal milimeter. Namun, tingkat akurasi dari klasifikasi kelas dari makhluk hidup hanya mencapai 49% dengan jumlah klasifikasi 2 kelas dan 32% dengan jumlah klasifikasi 3 kelas. Oleh karena itu, dikembangkan kembali dengan metode Convolutional Neural Network. Akurasi yang didapatkan meningkat hingga mencapai 99% untuk klasifikasi 2 kelas dan 3 kelas. Namun akurasinya menurun untuk klasifikasi kelas yang lebih banyak hingga 68%. Skripsi ini mengajukan metode 3D-Convolutional Neural Network guna meningkatkan resolusi dari data yang diberikan dalam pelatihan dari model untuk meningkatkan akurasi pada klasifikasi kelas dengan model yang diajukan.

---

The post-disaster condition is an emergency that requires immediate first aid from rescue teams. Therefore, the use of radar has been developed to detect humans in post-disaster conditions. Unfortunately, the numerous parameters affecting classification, such as rubble covering humans, limit the use of 24 GHz radar. Consequently, higher frequency radar, specifically 77 GHz millimeter-wave signals, is utilized. Methods like deep learning and backpropagation neural networks have been applied in previous studies using millimeter-wave radar signals. However, the classification accuracy for living beings reached only 49% for two-class classification and 32% for three-class classification. Therefore, the method was further developed using Convolutional Neural Networks (CNN). The accuracy achieved improved to 99% for both two-class and three-class classifications, but it decreased to 68% for classifications with more classes. This thesis proposes the use of a 3D-Convolutional Neural Network method to enhance the resolution of the data used in model training, aiming to improve the accuracy of class classification with the proposed model."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengidentifikasi wajah manusia secara otomatis. Skripsi ini membahas sistem pengenal wajah berbasis jaringan syaraf tiruan tunggal dan ensemble. Kamera infra merah digunakan pada penelitian untuk mengatasi masalah pencahayaan yang ditemui pada kamera visible light. Tahapan sistem terdiri dari pra-pemrosesan, ekstraksi fitur oleh PCA, pelatihan, dan pengujian. Pada percobaan dengan jaringan syaraf tunggal, algoritma backpropagation diterapkan dan sejumlah parameter divariasikan untuk mencapai performa yang optimal. Pada percobaan dengan jaringan syaraf ensemble, sejumlah skema digunakan antara lain: algoritma backpropagation, algoritma NCL, dan parsialisasi data dengan kedua algoritma tersebut. Hasil yang ditinjau dari recognition rate menunjukkan jaringan syaraf ensemble, yang terdiri dari sejumlah jaringan syaraf, memberikan performa yang lebih baik dibandingkan sebuah jaringan syaraf tunggal. Bila dioptimalkan, jaringan syaraf ensemble dapat menghasilkan recognition rate sebesar 99.9%.

---

People in pattern recognition have been working on automatic recognition of human faces for years. The focus of this thesis is a face recognition system based on both individual and ensemble neural network. An infrared camera is utilized to overcome the illumination matter encountered by visible light cameras. The procedure of the system consists of pre-processing, feature extraction by PCA, training and testing.

In the experiment of individual neural network, back-propagation algorithm is applied and some parameters are varied to obtain the optimum performance. In the experiment of ensemble neural network, some schemes such as back-propagation algorithm, NCL algorithm and partition of data using both algorithms are particularly examined.

According to the recognition rate, the results show that ensemble neural network, which is made up of several neural networks, have better performance than a single neural network does. An optimized ensemble neural network may reach up to 99.9% of recognition rate."

"Kanker paru merupakan kanker yang paling banyak ditemukan dan paling mematikan di dunia. Penentuan stadium kanker paru umumnya dilakukan oleh dokter radiologi dengan melihat pembesaran kelenjar getah bening (KGB) mediastinal. KGB mediastinal cukup sulit dideteksi secara visual dikarenakan memiliki kontras yang rendah  terhadap jaringan di sekitarnya, ukuran dan bentuknya yang bervariasi, serta tersebar di berbagai lokasi. Oleh karena itu, akhir – akhir ini dikembangkan sistem computer-aided detection (CADe) sebagai alat bantu bagi dokter radiologi untuk mendeteksi KGB mediastinal secara otomatis. Metode terbaik saat ini dalam sistem CADe KGB mediastinal tersebut menggunakan 2D convolutional neural network (CNN) yang diterapkan dari 3 sudut pandang (axial, coronal, sagittal). Namun, sifat 3D dari KGB mediastinal dihipotesakan akan lebih terwakili jika menggunakan 3D CNN. Oleh karena itu, dalam penelitian ini digunakan 3D CNN yang kemudian diubah menjadi 3D fully convolutional network (FCN)  untuk mendeteksi kandidat KGB mediastinal di dalam suatu tumpukkan citra CT. Kandidat KGB mediastinal tersebut kemudian dianalisa untuk mengurangi false positive (FP) menggunakan 3 metode, yaitu perhitungan mean HU, deteksi kontur menyerupai lingkaran, dan klasifikasi menggunakan 3D CNN. Performa terbaik dari sistem CADe KGB mediastinal ini diperoleh ketika menggunakan 3D CNN dalam tahap pengurangan FP dengan sensitivitas 77% dan 12 FP/pasien.

---

Lung cancer is the most common and the deadliest cancer in the world. Lung cancer staging usually was done by radiologist by detecting mediastinal lymph node (LN) enlargement. Mediastinal LN is difficult to be detected visually due to its low contrast to the surrounding tissues, various size and shape, and sparse location. Therefore, computer-aided detection (CADe) system has been developed as a tool for radiologist to detect medistinal LN automatically. The state of the art mediastinal LN CADe system used 2D convolutional neural network (CNN) from 3 planar views (axial, coronal, sagittal). However, the 3D features of mediastinal LN are hypothesized to be more reprenseted if 3D CNN is used. Therefore, in this experiment we used 3D CNN which is converted to 3D fully convolutional network (FCN) to detect mediastinal LN candidate in a stack of CT images. Then, the mediastinal LN candidates were analyzed using 3 methods to reduce the false positive (FP), which are the calculation of the mean HU, the blob detection, and the classification using 3D CNN. The best performance of this CADe system was achieved when the 3D CNN was used in the FP reduction stage which has 77% of sensitivity and 12 FP/ patient."