Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian ini, algoritma supresi noise berbasis RED-CNN dibuat dan dilatih dengan citra fantom in-house PMMA berdiameter 16 cm pada enam jenis modul yang berbeda (head limited low, head limited normal, cerebral low, cerebral normal, peds cerebral low, peds cerebral normal). Disiapkan dua jenis model RED-CNN yakni supresi noise menggunakan fungsi rata-rata dan fungsi minimum pada saat rekonstruksi patch dilakukan. Model diuji dengan citra fantom PMMA dengan enam modul yang masing-masing memiliki nilai mAs yang berbeda (17,5 mAs, 162,4 mAs, 163,8 mAs, 254,8 mAs, 378,0 mAs, 382,2 mAs) untuk mengevaluasi kemampuan denoising dari masing-masing model dengan menggunakan signal to noise ratio (SNR), signal difference noise ratio (SDNR), modulation transfer function (MTF), structural similarity index (SSIM), dan noise power spectrum (NPS) sebagai parameter. Hasil menunjukkan bahwa kedua model secara umum dapat menaikkan nilai SNR, SDNR dan MTF citra yang terukur, dan mampu menurunkan kurva NPS. Pada hasil SDNR menunjukkan model lebih efektif menaikkan nilai SDNR pada citra dengan pengaturan nilai mA rendah. Sedangkan hasil evaluasi SSIM tidak mendekati nilai acuan. Hal ini menandakan kemungkinan terjadinya over-smoothing pada citra menjadi blur dan membuat resolusi spasial menjadi turun. Dan terlihat bahwa performa dari model supresi noise menggunakan fungsi rata-rata lebih efektif dibandingkan dengan menggunakan fungsi minimum.

---

In this study, RED-CNN based noise suppression was composed and trained using PMMA phantom images with a diameter of 16 cm on five different modules (head limited low, head limited normal, cerebral low, cerebral normal, peds cerebral low, peds cerebral normal). Two kinds of noise suppression models were prepared which used the average function and minimum function for the patch reconstruction process. The models were tested using PMMA phantom images on six modules with six different mAs for each (17.5 mAs, 162.4 mAs, 163.8 mAs, 254.8 mAs, 378.0 mAs, 382.2 mAs) to evaluate its denoising technique from both of the models by using signal to noise ratio (SNR), signal difference noise ratio (SDNR), modulation transfer function (MTF), structural similarity index (SSIM), and noise power spectrum (NPS) as the parameters. The result shows that both models successfully increase the SNR, SDNR and MTF of the measured images. SDNR result implies that the models effectively increase the SDNR value only on images acquired using low tube current. The results for NPS indicate the decrease of the curve size from the initial size, whereas the SSIM result did not meet the standard value of the original image. This indicates a possibility of image over-smoothing which results in blur and the decrease of its spatial resolution. It shows that the use of average function on the model was generally more effective on denoising compared to the minimum function one."

"Dalam penelitian ini, algoritma in-house berbasis RED-CNN disusun dan dilatih menggunakan citra fantom PMMA silinder berdiameter 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, dan 2,00 x 10⁵). Model diuji pada citra fantom PMMA berbentuk ellips dengan ukuran 21 x 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, dan 5,00 x 10⁵) untuk mengevaluasi kemampuan denoising dari model dengan menggunakan nilai signal to noise ratio (SNR), peak signal to noise ratio-desibel (PSNR-dB), structural similarity (SSIM) index, dan noise power spectrum (NPS) sebagai parameter. Evaluasi terhadap kemungkinan penurunan kualitas citra juga dilakukan dengan menguji model menggunakan citra fantom homogen dan citra fantom kawat yang diperoleh menggunakan lima nilai mAs berbeda (155 mAs, 200 mAs, 250 mAs, 275 mAs, dan 300 mAs). Hasil menunjukkan bahwa model dapat secara konsisten meningkatkan nilai SNR, PSNR-dB, SSIM dan spektrum noise yang terukur. Hasil yang diperoleh juga menunjukkan adanya kemungkinan citra mengalami over-smoothing apabila model diaplikasikan pada citra dengan tingkat noise lebih rendah, ditandai dengan adanya pergeseran puncak kurva NPS menuju frekuensi spasial rendah dan peningkatan nilai SNR, PSNR-dB, dan SSIM secara terus-menerus. Selain itu, tingkat noise dari data latih yang digunakan dalam proses pelatihan juga mempengaruhi performa akhir dari model. Pada penggunaan data latih dengan tingkat noise lebih rendah, penurunan nilai SNR, PSNR-dB, dan SSIM dan kenaikan kurva NPS yang terukur mengindikasikan tingkat noise lebih tinggi pada citra hasil supresi. Sementara itu, penggunaan data latih dengan tingkat noise lebih tinggi menyebabkan penurunan pada ketajaman citra yang ditandai dengan penurunan nilai frekuensi cut-off dari modulation transfer function (MTF 10%) hingga 45,41% dari citra awal.

---

In this study, an in-house RED-CNN-based algorithm was composed and trained using cylindrical PMMA phantom images with a diameter of 26 cm on five different noise simulation flux values (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, and 2,00 x 10⁵). The model was tested on 21 x 26 cm elliptical PMMA phantom images on five different simulated noise flux values (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, and 5,00 x 10⁵) to evaluate its denoising capability using signal to noise ratio (SNR), peak signal to noise ratio-decibel (PSNR-dB), structural similarity (SSIM) index, and noise power spectra (NPS) values as parameters. Evaluation on possible decrease of image quality was also performed by testing the model using homogenous phantom and wire phantom images acquired using five different mAs values (155 mAs, 200 mAs, 250 mAs, 275 mAs, and 300 mAs). Results show that the model was able to consistently increase SNR, PSNR-dB, SSIM values and the measured noise spectra. It is also shown that there exists a possibility of image over-smoothing when the model was applied on images with less noise, marked by the shift of the NPS curves towards lower spatial frequencies and the continuous increase of SNR, PSNR-dB, and SSIM. Moreover, the noise level of training data used in model training is shown to affect the final performance of the model. On the use of training data with lower noise level, the decrease of SNR, PSNR-dB, and SSIM, and the increase of NPS curves indicate higher noise level in suppressed images. Meanwhile, the use of training data with higher noise resulted on the decrease of denoised images sharpness, as indicated by an up to 45,41% decrease of modulation transfer function cut-off frequency (MTF 10%) from the original images."