Search Result  ::  Save as CSV :: Back

"Evaluasi kualitas citra radiografi digital merupakan aspek krusial dalam menjamin keandalan sistem pencitraan medis. Penelitian ini bertujuan untuk mengembangkan Aplikasi QC Radiografi yang mampu melakukan evaluasi kualitas citra secara otomatis menggunakan citra fantom KUCING 2.0 dengan menghitung dua parameter utama, yaitu Signal Difference to Noise Ratio (SDNR) sebagai indikator kontras dan Modulation Transfer Function (MTF) sebagai indikator ketajaman spasial. Fitur aplikasi mencakup rotasi manual, pemilihan ROI interaktif, serta ekstraksi numerik SDNR dan MTF dari elemen uji kontras dan slanted-edge fantom. Validasi hasil perhitungan SDNR dari enam citra menunjukkan selisih relatif yang sangat kecil terhadap ImageJ, yaitu dalam rentang 0,560% hingga 2,852%. Sementara itu, hasil perhitungan MTF juga menunjukkan kesesuaian tinggi, dengan selisih relatif MTF10, MTF20, dan MTF50 terhadap ImageJ masing-masing sebesar 1,337%, 1,848%, 23,291%. Aplikasi ini menunjukkan kestabilan antar pengulangan dan keakuratan dalam menampilkan kurva MTF yang valid secara visual dan numerik. Analisis tambahan terhadap variasi parameter teknik paparan (kVp dan mAs) menunjukkan bahwa SDNR meningkat secara signifikan seiring kenaikan kVp dan mAs, sedangkan nilai MTF tidak mengalami perubahan berarti. Hal ini mengindikasikan bahwa aplikasi mampu menjaga kestabilan performa meskipun terdapat variasi kondisi eksposi. Dengan demikian, aplikasi QC Radiografi yang dikembangkan terbukti dapat digunakan sebagai alat bantu evaluasi kualitas citra yang efisien, akurat, dan dapat digunakan secara luas dalam skema kendali mutu radiografi digital.

---

Digital radiographic image quality evaluation is a crucial aspect in ensuring the reliability of medical imaging systems. This study aims to develop the QC Radiography Application capable of automatically evaluating image quality using the KUCING 2.0 phantom image by calculating two key parameters: Signal Difference to Noise Ratio (SDNR) as a contrast indicator and Modulation Transfer Function (MTF) as an indicator of spatial resolution. The application features include manual image rotation, interactive ROI selection, and numerical extraction of SDNR and MTF from contrast test elements and slanted-edge regions of the phantom. Validation results for SDNR measurements from six images showed a minimal relative difference compared to ImageJ, ranging from 0.560% to 2.852%. Similarly, MTF results demonstrated high agreement, with relative difference in MTF10, MTF20, and MTF50 values of 1.337%, 1.848%, and 23.291%, respectively, relative to ImageJ. The application exhibited consistency across repetitions and accuracy in presenting MTF curves that are valid both visually and numerically. Additional analysis of exposure technique variations (kVp and mAs) indicated that SDNR increased significantly with higher kVp and mAs values, whereas MTF remained relatively unaffected. These findings suggest that the application maintains stable performance under varying exposure conditions. Therefore, the developed QC Radiography Application is proven to be an efficient, accurate, and widely applicable tool for quality assessment in digital radiographic quality control schemes. "

"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."