Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Isolasi daerah iris yang tepat dan kecepatan waktu proses yang cepat sangat dibutuhkan pada proses segmentasi dari suatu sistem. Terlebih lagi apabila dihadapkan dengan pangkalan data yang besar. Biometrik iris merupakan salah satu tipe biometrik dengan tingkat akurasi yang tinggi tetapi banyak pemakaian memori. Segmentasi merupakan proses paling awal dari suatu sistem biometrik iris yang akan sangat menentukan kinerja dari suatu sistem. Umumnya, algoritma segmentasi yang banyak digunakan adalah Daugman Integro Differential Operator (IDO). Algoritma ini mempunyai akurasi yang cukup baik tetapi mempunyai kekurangan penurunan akurasi pada masalah pencahayaan suatu citra dan waktu proses yang cukup lama karena banyak menggunakan iterasi. Dalam tesis ini, disimulasikan algoritma Region of Interest (ROI) untuk mempersingkat waktu proses tanpa mengurangi kinerja dari akurasi segmentasi. Algoritma yang disimulasikan melakukan tahapan blurring terhadap citra yang diolah kemudian melakukan pembagian daerah pencarian untuk menetapkan daerah kasar dari posisi iris dalam. Setelah melakukan optimasi posisi iris dalam maka akan dicari titik perpotongan untuk mencari jari-jari dan pusat dari iris dalam. Langkah terakhir adalah mencari jari-jari iris luar dengan acuan iris dalam dengan menggunakan operasi dasar statistik. Hasil simulasi menunjukkan ROI telah berhasil mempersingkat waktu proses segmentasi dan meningkatkan akurasi dibandingkan IDO dengan waktu proses rata-rata sebesar 0,343 detik, EER sebesar 4,12% dan akurasi segmentasi sebesar 1,826%. ...... The time process and accurate isolation of iris region are really needed in segmentation process of a system, in particular if the system are faced with huge databases. Iris Biometric is one of biometric types that has high accuracy eventhough it uses a lot of memory. Segmentation is the first process of this biometric system that will determine the performance of the system. Generally, the segmentation algorithm uses Daugman Integro Differential Operator (IDO). The algorithm has good accuracy but in some cases due to illumination problem it may create circular patches allowing to the algorithm detect a false region and processing in long period of time because too many iteration. In this thesis, an algorithm based on Region of Interest is simulated in order to shorten the time process without sacrificing the accuracy. The simulated algorithm use blurring phase and splitting the search region to determine the rough position of inner iris region. Following the optimization of the inner iris position, the intersection point will be searched to determine the radius and the center of the inner iris. The last step is finding the outer iris boundary relative to the inner iris by using the statistical operation. The simulation result shows that ROI algorithm has succeeded to shorten the time process and increase the accuracy compared with IDO with 0.343 s for average time process, 4.12% for EER and 1.826% for segmentation accuracy.

Abstrak :
ABSTRAK
Analisa pengaruh pemilihan region of interest (ROI) telah dilakukan secara kuantitatif menggunakan citra fantom 3D mamografi dari 4 pesawat mamografi (Siemens Mammomat Inspiration, Hologic Selenia Dimensions, Philips MicroDose L50 dan Agfa CR) dengan faktor eksposi pada pengaturan AEC. Empat model konfigurasi ROI diinvestigasi berdasarkan variasi bentuk dan ukuran dari lesi target dan latar. Dilakukan kalkulasi terhadap parameter nilai piksel (PV), kontras, dan signal difference to noise ratio (SDNR). Hasil menunjukkan bahwa variasi ROI memberikan pengaruh signifikan pada nilai PV untuk deteksi massa berspikula dan mikrokalsifikasi, namun tidak berpengaruh signifikan pada deteksi massa tidak berspikula. Variasi ROI tidak memberikan pengaruh pada parameter kontras untuk deteksi semua jenis target. Pada parameter SDNR, variasi ROI hanya berpengaruh signifikan untuk deteksi mikrokalsifikasi.

---

ABSTRACT
A quantitative analysis on the influence of Region of Interest (ROI) selection was conducted using images of 3D structured phantom from four different digital mammography systems (Siemens Mammomat Inspiration, Hologic Selenia Dimensions, Philips MicroDose L50 and Agfa CR) under Automatic Exposure Control (AEC) setting. Quantitative assessment was done by measuring the given parameters; (1) pixel value (PV), (2) contrast, and (3) signal different to noise ratio (SDNR) under four models of ROI configuration varied by shape and size of lesion, as well as background. Results shown that varying the ROI gives significant effect on detection of spiculated masses and microcalcifications in term of its PV. The variation of ROI does not give significant effect in term of image contrast. For SDNR, the variation of ROI only gave significant effect on detection of microcalcifications.;

Abstrak :
Nilai Glomelural Filtration Rate (GFR) sebagai salah satu hasil pemeriksaan renogram, saat ini diperoleh dengan cara membuat Region of Interest (ROI) secara manual pada kedua ginjal. ROI ini akan menghasilkan jumlah cacahan dari kedua ginjal yang akan digunakan untuk menghitung GFR. Karena dibuat secara manual, maka ROI dan nilai GFR tersebut hasilnya subyektif dan bergantung pada kemampuan operator. Oleh karena itu, pembuatan ROI ginjal secara otomatis menggunakan prinsip segmentasi citra dengan algoritma pengolahan citra yang sudah ada dapat menjadi solusi. Proses pembuatan ROI ginjal secara otomatis meliputi 3 tahap yaitu pre-processing, image contrast enhancement, dan image segmentation. Hasil akhir yang diperoleh adalah citra hasil pemeriksaan renogram dengan kedua ginjal yang sudah dibROI secara otomatis. Hasil pengujian yang dilakukan terhadap 35 pasien diperoleh 26 pasien berhasil di ROI secara otomatis dan 9 pasien gagal. Dari 26 pasien yang berhasil, hasilnya dibandingkan secara kuantitatif dengan ROI manual yang dilihat dari nilai true positive (TP), false negative (FN), dan false positive (FP). Diperoleh nilai rata-rata dari semua pasien yang berhasil yaitu TP 82,42%, FN 16,86%, dan FP 14,57%. ...... Glomelural Filtration Rate (GFR) value as one of the result of renogram examination, is obtained by delineate Region of Interest (ROI) manually on both kidney. This ROI will produce counts from both kidney which is used to calculate GFR. Because of delineate manually, the result would be subjective and depend on operators’ skill. Therefore, automatic kidney ROI using image segmentation with image processing algorithm that have been widely used can be one solution to relieve this problem. The process to make this automatic kidney ROI include 3 steps: pre-processing, image contrast enhancement, and image segmentation. The final result is renogram examination image that both kidney have ROI automatically. Results of the test performed on 35 patients show 26 patients were successful and 9 patients failed because of some reasons. From this 26 successful patients, the results were compared quantitatively with manual delineation ROI as seen from true positive (TP), false negative (FN), dan false positive (FP) value. The average values ​​obtained from all patients who successfully ie TP 82.42%, FN 16.86%, and 14.57% FP.

Abstrak :
[ABSTRAK
Intensitas keabuan yang sangat dekat memungkinkan terjadinya kesalahan dalam menginterpretasikan citra hasil Computed Radiography (CR). Maka diperlukan algoritma yang dapat mempermudah tim medis mendiagnosa kondisi pasien khususnya bagian paru. Penelitian ini menggunakan tingkat keabuan /intensitas citra sebagai dasar clustering dan segmentasi Region of Interest (ROI ) yang akan dilakukan dengan sistem komputerisasi. Sehingga hasil pembacaan lebih akurat dibanding secara manual. Data sampel berupa 100 citra hasil CR pasien paru dewasa Rumah Sakit Pusat Pertamina yaitu 50 citra norma sebagai citra acuan dan 50 citra uji (normal dan abnormal). Pada clustering diuji coba dengan jumlah cluster (k) bervariasi yaitu 3, 4, .., 10. Citra hasil clustering yang terbaik ditunjukkan pada k = 8 karena dapat memvisualisasikan batas warna dengan lebih jelas dibanding dengan k yang lain. Pada segmentasi ROI, citra paru dibagi menjadi 33 daerah sesuai posisi anatomi paru yang terdiri dari 6 daerah apex, 11 daerah hilum dan 16 daerah peripheral. Selanjutnya, masing-masing daerah pembagian diukur intensitasnya. Intensitas citra acuan dijadikan dasar untuk menentukan abnormalitas citra uji, intensitas citra uji yang lebih tinggi dari intensitas citra normal dikategorikan sebagai citra abnormal. Akurasi sistem pada penelitian ini adalah 66%.

---

ABSTRACT
Gray intensity is very close to allow for errors in interpreting the Computed Radiography (CR) image. It would require an algorithm that can facilitate medical team to diagnose the patient's condition especially the lungs. Clustering k-means clustering and segmentation Region of Interest (ROI) will be done by a computerized system based on the image gray level / intensity. 100 CR image used as the sample data from Rumah Sakit Pusat Pertamina, 50 image as references images and 50 images as tested image. On clustering tested by the number of clusters (k) varies the 3, 4, .., 10. The clustering of the best image results are shown in k = 8 because it can visualize the color boundaries more clearly than the other k. At ROI segmentation, lung image is divided into 33 regions corresponding anatomical position lung consist of 6 regional apex, hilum area 11 and 16 peripheral areas. Furthermore, each regional division of the measured intensity. The intensity of the reference image used as the basis for determining abnormality test images, test image intensity higher than normal image intensity categorized as abnormal image. The system accuracy in this study was 66%., Gray intensity is very close to allow for errors in interpreting the Computed Radiography (CR) image. It would require an algorithm that can facilitate medical team to diagnose the patient's condition especially the lungs. Clustering k-means clustering and segmentation Region of Interest (ROI) will be done by a computerized system based on the image gray level / intensity. 100 CR image used as the sample data from Rumah Sakit Pusat Pertamina, 50 image as references images and 50 images as tested image. On clustering tested by the number of clusters (k) varies the 3, 4, .., 10. The clustering of the best image results are shown in k = 8 because it can visualize the color boundaries more clearly than the other k. At ROI segmentation, lung image is divided into 33 regions corresponding anatomical position lung consist of 6 regional apex, hilum area 11 and 16 peripheral areas. Furthermore, each regional division of the measured intensity. The intensity of the reference image used as the basis for determining abnormality test images, test image intensity higher than normal image intensity categorized as abnormal image. The system accuracy in this study was 66%.]