Hasil Pencarian  ::  Simpan CSV :: Kembali

"Inspeksi dan validasi secara kuantitatif dibutuhkan dalam uji kualitas SPECT dan harus dilakukan secara berkala. Identifikasi dari cincin artefak merupakan bagian dari evaluasi citra harus dianalisa karena hal ini berkaitan dengan performa dari SPECT. Hingga saat ini interpertasi dan evaluasi dari cincin artefak yang dilakukan memiliki keterbatasan, yaitu evaluasi dilakukan secara visual yang rentan terhadap subjektifitas dan tidak sensitif dengan perubahan yang kecil terhadap performa modalitas. Pada penelitian ini suatu metode dikembangkan untuk melakukan identifikasi, evaluasi, dan kuantifikasi cincin artefak. Metode ini dikembangkan dengan menggunakan bahasa pemograman Python dengan berbagai macam library untuk melakukan langkah-langkah evaluasi sebagai berikut: (1) secara otomatis menentukan perbedaan antara citra yang tidak memiliki artefak dengan citra yang memiliki artefak dengan menggunakan metode Student’s t-test, (2) mendeteksi cincin artefak dengan menggunakan metode threshold (3) mendeskripsikan posisi dari artefak cincin dengan mengkuantifikasi jari-jari dalam, luar, dan lebar dari artefak cincin. Metode yang dikembangkan berhasil mendeteksi artefak cincin pada citra. Nilai p-value untuk semua citra sampel yang diperoleh dari perhitungan dengan menggunakan metode Student’s t-test menunjukkan kurang dari 0.025. Artinya terdapat perbedaan yang signifikan antara citra yang memiliki artefak dengan citra yang tidak memilki artefak. Metode ini juga dapat melakukan kuantifikasi terhadap jari-jari luar, dalam, dan lebar cincin artefak pada citra. Metode ini diharapkan dapat memberi manfaat untuk meningkatkan kualitas identifikasi cincin artefak pada SPECT quality control.

---

The Inspection and quantitative validation are essentially needed in SPECT system quality control and must be done periodically. An identification of the ring artifact conducting by Jaszczak phantom as a part of an image quality evaluation should be analyzed since it has consequently linked with the SPECT’s performance. Until now interpretation and evaluation of these artifacts are performed visually which is prone to subjectivity and insensitive with subtle changes in the system’s performance. In this study, a method for identifying, evaluating, and quantifying the ring artifacts is developed to overcome these limitations. The method is developed using Python language with a variety of libraries to perform a sequence of evaluation steps: (1) determine the differences between the reference image with no artifacts and the one suspected image with artifacts based on Student's t-test method, (2) detect ring artifacts using threshold method and (3) describe the ring artifacts position by quantifying the radius and width of the ring artifacts. The method successfully detects the ring artifact in the system. The student's t-test method shows the p-values of all image samples smaller than 0.025 which indicates significant differences between with and without artifact images. Then, it successfully calculated the desired parameter which are the outer, inner radius and width of the detected artifacts. In conclusion, our method will be beneficial to improve SPECT system quality control for identifying the ring artifact."

"Alzheimer’s Disease (AD) merupakan penyakit degeneratif pada organ otak yang dapat menyebabkan penurunan kognitif, sehingga mempengaruhi kualitas hidup dan perilaku penderita. Diagnosis secara dini dan akurat dari AD, termasuk mengindentifikasi tahap awal dari penyakit ini yang disebut sebagai mild cognitive impairment (MCI), merupakan hal yang penting untuk melakukan intervensi terhadap penyakit ini. Fluorodeoxyglucose Positrons Emission Tomography (FDG-PET) adalah modalitas pencitraan molekuler fungsional yang dapat digunakan untuk membantu memahami perubahan secara anatomis dan perubahan secara neural pada otak yang berhubungan dengan AD. Keberhasilan model Convolutional Neural Network (CNN) terutama dalam klasifikasi citra, kami mengembangkan sebual model CNN yang dilatih menggunakan data citra dari FDG-PET dari Alzheimer’s Disease Neuroimaging Initiative (ADNI) untuk dapat mengklasifikasikan antara citra dengan kondisi AD, MCI, dan Cognitive Normal (CN). Metode Gradient-weighted Class Activation Mapping (Grad-CAM) digunakan untuk meningkatkan interpretabiltas model, menunjukkan daerah-daerah penting dari prediksi dan membuat model menjadi lebih transparan dan dapat dijelaskan. Model multiclass yang dikembangkan memperoleh akurasi (97%), presisi (99%), recall (99%), dan F1-Score (99%). Heatmap yang dihasilkan dari Grad-CAM memberikan informasi visual terhadap proses pembuatan keputusan dari model, yang dapat membantu dalam memahami daerah-daerah penting pada citra yang diklasifikasi. Berdasarkan penelitan ini, model yang dikembangkan selain memiliki kapabilitas dalam melakukan klasifikasi penyakit Alzheimer serta tahap awal dari penyakit, model juga memberikan informasi visual yang berpotensi untuk memajukan perangkat diagnostik dalam bidang kesehatan.

---

Alzheimer’s disease (AD) is a brain degenerative disorder can cause cognitive decline, impacting daily life and behaviour of the patient. Early and accurate diagnosis of AD, including identifying its prodromal stage (mild cognitive impairment (MCI), is crucial for effective intervention of the disease. Fluorodeoxyglucose Positrons Emission Tomography (FDG-PET) is a functional molecular imaging modality, that can be used to help understand the anatomical and neural changes of brain related to AD. With the success of Convolutional Neural Network (CNN) especially in image classification, we develop a CNN model trained on FDG-PET images from Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset to discern between AD, MCI, and Cognitive Normal (CN) states. Incorporating Gradient-weighted Class Activation Mapping (Grad-CAM) enhances model interpretability, highlighting crucial image regions for disease prediction and to enhance our model interpretability and make our model more transparent and explainable. Our multiclass model achieves accuracy (97%), precision (99%), recall (99%), and F1 scores (99%). Grad-CAM-generated heatmaps give insight into the model’s decision-making process, aiding in understanding important classification regions within images. Based on our findings, not only demonstrate the model’s capability in classifying Alzheimer’s disease and its prodromal stage but it also provides visual insights that showcase its potential to advance diagnostic tools in healthcare."