Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dosis pada LGK Perfexion dihitung untuk setiap tembakan dengan jumlahkan kontribusi dari 192 sumber radiasi yang dipancarkan dari cobalt-60. Secara umum, bentuk tengkorak pasien dimodelkan berdasarkan 24 skull measurement. Namun, karena keterbatasan pengukuran menggunakan 24 ukuran tengkorak, kontur yang dihasilkan perbedaan dari kepala pasien yang sebenarnya berdasarkan citra MRI. Penelitian ini dilakukan untuk distribusi dosis LGK Perfexion menggunakan kontur yang dihasilkan oleh pengukuran manual dan citra CT. Film GAFChromic EBT3 diletakan pada fantom anthropomorphik. Pemindai Epson 10000 XL dan ImageJ digunakan untuk menghasilkan hasil dari pengukuran. Hasil kalkulasi dosis titik menggunakan kontur dari citra CT menunjukan nilai yang lebih baik untuk semua kolimator dan bentuk target yang sama dengan nilai rata deviasi 1,3 ± 0,87, sedangkan jika menggunakan 24 ukuran tengkorak menunjukan nilai rata rata deviasi 4,03 ± 3,73.

---

The dose on LGK Perfexion is calculated for each shot by adding up the contributions of the 192 radiation sources emitted from the cobalt-60. In general, the patient's skull shape is modeled based on 24 skull sizes. However, due to the limitations of measurements using 24 skull sizes, the contours of the resulting differences from the actual patient's head based on the MRI images. This study was conducted for the dose distribution of LGK Perfexion using contours generated by manual measurements and CT images. The GAFChromic EBT3 film is set on an anthropomorphic ghost. An Epson 10000 XL and an ImageJ scanner were used to generate the measurement results. The result of point dose calculation using CT image contour shows a higher value good for all collimators and the same target shape with a mean deviation value of 1.3 ± 0.87, whereas if using 24 skull sizes it shows a mean deviation value of 4.03 ± 3.73."

"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."