Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRACTMVCT merupakan modalitas pencitraan yang diintegrasikan dengan pesawat Tomoterapi menggunakan energi 3.5 MV yang memiliki andil cukup besar untuk memberikan tindakan terapi yang optimal pada Tomoterapi. Tujuan dari penelitian ini adalah mengevaluasi kualitas citra, estimasi dosis, serta verifikasi posisi pada pencitraan MVCT. Dalam penelitian ini, evaluasi MVCT dilakukan dengan tiga variasi mode slice thickness yaitu fine, normal, dan coarse. Pengujian kualitas citra dilakukan menggunakan phantom Cathpan 600. Estimasi dosis dan verifikasi posisi dilakukan menggunakan phantom Rando pada tiga area yang ditentukan, yaitu head neck, thorax, dan pelvic. Verifikasi posisi dilakukan dengan memberikan beberapa marker eksternal di beberapa titik pada setiap area dan dihitung dengan bantuan dua perangkat lunak, yaitu software Tomoterapi dan 3D Slicer. Hasil evaluasi kualitas citra yang diperoleh menunjukkan bahwa seluruh variasi mode slice thickness pada MVCT masih berada dalam batas toleransi sesuai dengan AAPM TG 148. Estimasi dosis yang diperoleh menunjukkan bahwa dosis terbesar diperoleh pada mode fine. Secara umum, nilai estimasi dosis yang diperoleh berada pada rentang 1-4 cGy untuk semua area pada setiap titik OAR yang diukur. Pergerakan posisi yang diperoleh untuk seluruh variasi mode slice thickness menunjukkan perbedaan yang tidak signifikan, dengan besar le; 0.5 mm. Perbedaan hasil pergerakan posisi yang diperoleh antara dua software yang digunakan tidak lebih dari 0.5 mm.

---

ABSTRACTMVCT is an imaging modality which is integrated by Tomotherapy using 3.5 MV energy that has a large enough contribution to provide an optimal therapeutic in Tomotherapy. The purpose of this study is to evaluate the image quality, dose estimation, and verification of the position on MVCT imaging. In this study, MVCT evaluation was performed with three variations of the slice thickness mode that is fine, normal, and coarse. Image quality testing was performed using Catphan 600 phantom. Dose estimation and position verification were performed using Rando phantom in three areas, there were head neck, thorax, and pelvic. Verification of the position was performed by providing several external markers at several points in each area and calculated with the help of two software, namely Tomotherapy software and 3D Slicer. The result of image quality evaluation obtained shows that all variations of slice thickness mode in MVCT are still within tolerable limits in accordance with AAPM TG 148. Estimated dose obtained shows that the largest dose was obtained in fine mode. In general, the estimated dose value which was obtained is in the range of 1 4 cGy for all areas at each measured OAR point which was measured. Movement of position obtained for all variations of slice thickness mode shows insignificant difference, with value le 0.5 mm. The difference of result obtained between the two software used is no more than 0.5 mm."

"Multichannel Blind Deconvolution digunakan dalam restorasi citra karena pada kenyataannya statistik citra asli dan fungsi blur (point spread function) tidak selalu diketahui dengan pasti. Semakin banyak informasi tentang citra asli dan fungsi blur maka restorasi citra akan semakin baik, oleh karena itu diperlukan suatu cara yang mampu mendeteksi citra asli sebaik mungkin dan menggali sebanyak mungkin informasi fungsi blur (PSF) untuk peningkatan kualitas restorasi citra.Metode MBR telah dikembangkan dengan menggunakan cross-correlation antara citra-citra terdegradasi dengan filter bank restorasi, yaitu melakukan restorasi langsung dari citra terdegradasi ke filter bank restorasi. Hasil restorasi pada metode ini sangat sensitif terhadap pergeseran titik piksel dari tiap citra terdegradasi, apalagi dengan adanya noise akan lebih sulit untuk mendapatkan citra berkualitas baik. Di lain pihak, metode identifikasi kanal jamak secara blind (multichannel blind identification ) sinyal satu dimensi digunakan untuk mengestimasi statistik kanal dalarn proses equalisasi dan temyata sangat efektif untuk mendapatkan sinyal asli jika statistik kanal dan citra asli tidak diketahui. Penelitian ini menggabungkan teknik MBD dan estimasi fungsi blur (PSF) dengan metode multichannel blind identification untuk mengatasi sensitifitas metode MBR dan meningkatkan kualitas citra restorasi. Dari hasil penelitian menunjukkan bahwa metode ini menghasilkan kualitas hasil restorasi yang lebih baik dibandingkan metode MBD. Kualitas citra juga dipengaruhi oleh ukuran fungsi blur dan level noise.

---

Multichannel Blind Deconvolution (MBD) is used in image restoration because in reality original image statistic and blur function (point spread function) is not always known. More information about original image and blur function then image restoration will be better, for that reason we need a way to detect original image as good as possible and find blur function information (PSF) to increase image restoration quality.

MBR method has been developed using cross-correlation between degraded images with restoration filter bank, which is direct restoration from degraded image to restoration filter bank. Restoration result in this method is very sensitive to pixel shifting from each degraded image, even more with the existence of noise will be difficult to get good quality image. On the other side, multichannel blind identification 1-D signal method is used to estimate channel statistic in equalization process and it's very effective to find original signal it channel statistic and original image unknown.

This research combines MBD technique and blur function estimation (PSF) with multichannel blind identification method to overcome MBR method sensitivity and increase image restoration quality. The research result show that this method yields a better restoration result quality then, MBD method. The image quality is also affected by blur function size and noise level."

"Penelitian ini bertujuan untuk mengoptimalkan efektivitas terapi menggunakan radionuklida Lutetium-177 dengan mengukur aktivitas secara akurat di setiap volume anatomi. Penelitian dilakukan untuk menentukan faktor kalibrasi (calibration factor, CF) dan koefisien pemulihan (recovery coefficient, RC), beserta ketidakpastiannya, untuk setiap metode rekonstruksi yang digunakan dalam praktik klinis. Nilai CF merupakan nilai kuantifikasi citra menjadi aktivitas. Penentuan CF dilakukan melalui akuisisi sumber titik. Hasil menunjukkan bahwa rekonstruksi tidak berpengaruh signifikan terhadap nilai CF, sedangkan ketidakpastian akibat peluruhan selama akuisisi berdampak kecil terhadap perbedaan nilai. Nilai RC merupakan faktor koreksi dalam memperkirakan aktivitas yang dipengaruhi oleh efek volume parsial (partial volume effect PVE). Penentuan RC dilakukan dengan akuisisi fantom NEMA-IEC. Pengukuran nilai RC melibatkan variasi beberapa parameter, antara lain pemilihan volume (volume of interest, VOI), jumlah iterasi, dan jenis rekonstruksi. Hasil menunjukan bahwa variasi VOI yang mempertimbangkan cacahan tertumpah (spill-out) menghasilkan nilai RC yang lebih representatif. Pada variasi metode rekonstruksi, jumlah iterasi tidak mempengaruhi nilai RC secara signifikan, sedangkan jenis rekonstruksi memiliki pengaruh yang besar terhadap nilai RC. Ketidakpastian kurva RC akibat ketidakpastian volume dipengaruhi oleh ketidakpastian voksel, resolusi spasial, dan ketidakpastian parameter pencocokan kurva. Berdasarkan analisis gambar dan  parameter, hasilnya diperoleh bahwa saturasi dalam rekonstruksi AST dicapai pada volume yang lebih kecil dengan ketidakpastian yang lebih rendah dibandingkan dengan rekonstruksi OSEM, FBP, dan MLEM. Dengan demikian, baik secara kualitatif maupun kuantitatif, rekonstruksi AST memberikan representasi ukuran objek yang lebih baik.

---

This study aims to optimize the effectiveness of therapy using Lutetium-177 radionuclide by accurately measuring activity in each anatomical volume. The study was conducted to determine the calibration factor (CF) and recovery coefficient (RC) and their uncertainty for each method of reconstruction used in clinical practice. The CF value is the quantification value of the image into activity. CF determination is carried out through point source acquisition. The results show that reconstruction has no significant effect on the value of CF. In contrast, the uncertainty due to decay during acquisition has a small impact on the difference in value. The RC value is a correction factor in estimating activity affected by the partial volume effect (PVE). RC determination is carried out through NEMA-IEC phantom acquisition. The RC value measurement involves various parameters, including : the calculated volume of interest (VOI), the number of iterations, and the type of reconstruction. The results show that the variation of VOI that considers the spill-out results in a more representative RC value. In the various reconstruction methods, the number of iterations does not significantly affect the RC value, while the type of reconstruction greatly influences the RC value. The uncertainty of the RC curve due to volume uncertainty is influenced by voxel uncertainty, spatial resolution, and curve matching parameter uncertainty. Based on image and parameter analysis, the results show that saturation in the AST reconstruction is achieved at a smaller volume with lower uncertainties compared to OSEM, FBP, and MLEM reconstructions. Thus, both qualitatively and quantitatively, the AST reconstruction provides a better representation of the object's size."

"Penelitian ini bertujuan untuk membuat fantom payudara yang menerapkan analisis kontras detail dengan latar berstruktur untuk uji kualitas citra pada modalitas Mamografi dan Digital Breast Tomosynthesis. Penelitian ini dibagi menjadi 3 tahap, yakni; pembuatan, validasi, dan studi aplikasi fantom. Tahap pembuatan fantom mencakup pemilihan material fantom serta desain dan fabrikasi fantom. Pada tahap validasi, faktor eksposi dan nilai piksel dari citra fantom dibandingkan dengan mamogram klinis. Pada tahap studi aplikasi, fantom untuk menguji kualitas citra Mamografi dan DBT dengan mengukur signal-to-difference noise ratio (SDNR), dan ketajaman citra (Full width half maximum (FW HM) dan artifact spread function (ASF)) pada 3 level dosis (1/2 automatic exposure setting (AEC), AEC dan 2 AEC). Contrast detail structured phantom berhasil diproduksi dengan variasi ukuran dan posisi objek mikrokalsifikasi. Nilai piksel target memiliki kesamaan 85,34 %, dengan nilai piksel mikrokalsifikasi mamogram klinis, sedangkan latar fantom memiliki kesamaan 86,07 % dengan jaringan payudara pasien. Studi aplikasi menunjukkan bahwa fantom dapat digunakan untuk menguji kualitas citra khususnya terkait detail mikrokalsifikasi. Perbedaan posisi target dan level dosis mempengaruhi hasil pengukuran. Contrast detail structured phantom telah berhasil diproduksi dan diujicobakan; fantom ini dapat digunakan untuk menguji kualitas citra pesawat mamografi dan DBT dengan mempertimbangkan struktur heterogen pada jaringan payudara

---

This work is aimed to construct a contrast detail structured phantom for mammography and Digital Breast Tomosynthesis. The study was divided into 3 stages: production, validation and application. Production stage covered materials preparation, design and fabrication phantom. In validation stage, the phantom was compared to clinical mammogram in terms of exposure settings used in the image acquisition and their pixel values. Last stage was to study the application of the phantom to assess the image quality of mammography and DBT systems in terms of signal difference-to-noise ratio (SDNR), and sharpness (fullwidth half maximum, FWHM and artifact spread function, ASF) at 3 dose level (1/2 × automatic exposure control (AEC), AEC and 2 × AEC settings). The contrast detail structured phantom was successfully created with variations on microcalcification object size and position. In comparison with clinical mammogram, maximum pixel value of Sn sphere shows 85,34 % similarity while their background tissue had 86,07 % similarity. The study of applications of the phantom shows that the phantom can be used to assess the image quality particularly to detail of microcalcifications. The position of targets and dose level settings afflicted the measured parameters. The contrast detail structured phantom has been successfully construct and studied; this phantom allows assessing image quality of digital mammography and DBT by including the presence of structured breast tissue -like

"

"Pada penelitian ini dilakukan penggabungan citra dari dua sumber energi yang berbeda berdasarkan kerangka kerja deep learning. Tujuannya untuk menghasilkan citra objek dengan material penyusun lebih dari satu yang lebih baik dan lebih informatif. Hasil penelitian menunjukkan bahwa metode yang diajukan dapat menghasilkan citra yang lebih minim noise, kontras yang baik, dan dapat mempertahankan struktur objek. Evaluasi kualitas citra menggunakan metrik objektif, seperti FMIdct, FMIpixel, FMIw, Nabf, dan SSIM, menunjukkan peningkatan dibandingkan dengan metode tradisional. Rata-rata nilai FMI yang lebih tinggi menunjukan bahwa keterkaitan informasi hasil fusi dengan kedua sumber lebih baik dibanding kedua metode pembanding. Nilai Nabf yang lebih rendah menunjukan noise yang muncul akibat dari proses fusi lebih minim dibanding kedua metode lainnya. Nilai SSIM pada hasil fusi menggunakan metode ini juga memiliki nilai yang lebih tinggi dibanding dengan kedua metode yang dibandingkan. Sampel yang memiliki rata-rata nilai metrik terbaik adalah busi dengan nilai tertinggi metrik evaluasi FMIdct adalah 2,96×10^(-1), nilai FMIpixel adalah 9,70×10^(-1), nilai FMIw adalah 3,69×10^(-1), nilai SSIM adalah 9,92×10^(-1), dan nilai Nabf terrendah adalah 3,82×10^(-3). Kesimpulannya, penelitian ini berhasil mengembangkan pendekatan baru dalam penggabungan citra CT menggunakan framework VGG19. Metode ini memiliki potensi untuk meningkatkan diagnosis dan analisis non-medis seperti pada evaluasi kualitas produksi pada industri manufaktur dengan menghasilkan citra yang lebih informatif dan akurat.

---

In this research, images from two different energy sources are combined based on a deep learning framework. The goal is to produce better and more informative images of objects with more than one constituent material. The results show that the proposed method can produce images with less noise, good contrast, and can maintain the structure of the object. Evaluation of image quality using objective metrics, such as FMIdct, FMIpixel, FMIw, Nabf, and SSIM, shows improvement compared to traditional methods. The higher average FMI value indicates that the fused information is better related to the two sources than the two comparison methods. The lower Nabf value indicates that the noise arising from the fusion process is more minimal than the other two methods. The SSIM value in the fusion results using this method also has a higher value than the two methods compared. The sample that has the best average metric value is the spark plug with the highest value of FMIdct evaluation metric is 2.96×10-1, FMIpixel value is 9.70×10-1, FMIw value is 3.69×10-1, SSIM value is 9.92×10-1, and the lowest Nabf value is 3.82×10-3. In conclusion, this study successfully developed a new approach in CT image fusion using the VGG19 framework. This method has the potential to improve non-medical diagnosis and analysis such as production quality evaluation in the manufacturing industry by producing more informative and accurate images."

"Dalam pengambilan citra, dapat terjadi penurunan kualitas akibat kondisi lingkungan sekitar. Salah satu kondisi penyebab penurunan kualitas tersebut adalah kondisi hujan, yang menyebabkan citra dengan tetesan air hujan. Dewasa ini, pendekatan deep learning dapat menjadi solusi, dengan banyaknya model yang mampu melakukan restorasi citra dengan tetesan air hujan (raindrop removal). Akan tetapi, banyak model yang hanya mampu menyelesaikan kasus spesifik dan tergantung pada data melalui metode supervised. Sebagai alternatif, terdapat model yang berpotensi dalam kasus ini adalah Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model adalah model yang bisa menyelesaikan kasus umum dengan tetap berperforma baik dengan pendekatan zero-shot, yaitu tanpa optimisasi dan pelatihan data. Sayangnya, sejauh ini Zero-Shot DDNM masih terbatas pada masalah linier, sementara itu masalah raindrop removal adalah masalah non-linier. Penelitian ini bertujuan untuk mengukur kemampuan metode Zero-Shot Denoising Diffusion Null Model dalam menyelesaikan masalah non-linier seperti raindrop removal. Untuk membantu memodelkan masalah raindrop removal ini pada Zero-Shot Denoising Diffusion Null Model, dibutuhkan input tambahan berupa raindrop mask. Pada penelitian ini, raindrop mask diperoleh menggunakan Attentive Generative Adversarial Network kemudian dilakukan thresholding dengan nilai 0.5 yang digunakan bersama dengan operator degradasi untuk melakukan deblurring with mask untuk mencari hasil restorasi terbaik. Data citra yang digunakan dalam penelitian ini adalah dataset citra dengan tetesan air hujan di luar ruang. Selain itu diterapkan juga beberapa strategi tambahan yaitu time-travel trick. Hasil restorasi citra dengan tetesan air hujan menunjukkan hasil paling baik dalam metrik Structural Similarity Index Measure yaitu simplified denoising with mask dengan time-travel trick, sedangkan hasil paling baik dalam metrik Peak Signal-to-Noise Ratio yaitu menggunakan simplified denoising with mask.

---

When taking an image, there can be a decrease in quality due to the surrounding conditions. One of the causes of this decrease in quality is rain, resulting in raindrops in the image. These days, there are many deep learning approached to solve raindrop removal. However, many of the models that perform well for raindrop removal are only able to solve specific cases based on the available data through supervised methods. A potential model capable of more general cases is the Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model has the capacity to solve common cases while still performing well in a zero-shot manner, that is, without data optimization and training. However, the model is limited to linear problems, while raindrop removal is a non-linear problem. This study aims to measure the ability of the zero-shot method in solving the non-linear problems of raindrop removal. To help model the raindrop removal task, it is necessary to generate raindrop masks that indicate the location of raindrops in the image. In this research, the raindrop masks are generated using Attentive Generative Adversarial Network then are thresholded with 0.5 value that are used with an adjusted degradation operator for deblurring with masks to find the best restoration results. Additionally, some strategies are implemented such as time-travel trick. The image data used in this study was an image dataset with raindrops outside the room. The result of raindrop removal shows the best results in the Structural Similarity Index Measure metric is simplified denoising with mask and time-travel trick, while the best result in the Peak Signal-to-Noise Ratio metric is using simplified denoising with mask."

"Since the improvement in radiotherapy impacts on cancers at their most curable stages, radiotherapy-related research has a high strategic priority and a great capacity for improving the overall cure rates of the disease. However, some of the treatments involve the delivery of relatively high radiation dose to patients. Thus, it is important to be able to verify the success of the treatment by determining the dose deposited in the patient at each fraction. One possibility to achieve this would be to obtain an image while the patient is on the treatment couch. The aim of this study was to develop an image reconstruction algorithm by collecting limited information while the patient is on the treatment couch. Two methods, image correlation and projection correlation, were developed and compared here. The effectiveness and practicality of each of these methods were compared. The results showed that the projection correlation presents several advantages. It can be applied without any interations, and it produces a fast algorithm. With more advanced image reconstruction software, this method could potentially be used in a clinical environment."