Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Diabetes Mellitus (DM) merupakan salah satu penyakit yang paling banyak diderita oleh manusia. Salah satu tipe DM adalah diabetes tipe 1 yang disebabkan oleh rusaknya sel beta pada pankreas sehingga tubuh tidak dapat menghasilkan insulin untuk meregulasi konsentrasi glukosa dalam darah. Penderita DM tipe 1 harus melakukan terapi insulin dengan memberikan suntik insulin eksternal untuk meregulasi konsentrasi glukosa di dalam darah. Selain itu, penderita DM tipe 1 harus melakukan kontrol secara kontinu terhadap konsentrasi glukosa di dalam darahnya. Pada sebuah penelitian, terdapat sebuah alat yang dapat memantau glukosa secara berkelanjutan yang disebut dengan Continuous Glucose Monitoring (CGM). Pada penelitian ini, dilakukan simulasi dengan sebuah model matematika yang menggambarkan regulasi glukosa-insulin dalam tubuh saat makanan dicerna di dalam tubuh, yaitu model hovorka, untuk diimplementasikan ke dalam CGM. Hasil dari penelitian ini menunjukkan bahwa model dari hovorka dapat menunjukkan regulasi glukosa insulin di dalam tubuh. Namun untuk evaluasi terhadap model ini dilakukan sebuah fitting terhadap parameter model hovorka dan didapatkan hasil yang kurang baik sehingga perlu dilakukan fitting ulang dengan data yang lebih baik. ......Diabetes Mellitus (DM) is one of the most common diseases suffered by humans. One type of DM is Type 1 diabetes caused by the destruction of beta cells in the pancreas so that the body can not produce insulin to regulate the concentration of glucose in the blood. Patients with Type 1 diabetes have to do insulin therapy by giving external insulin injections to regulate the concentration of glucose in the blood. In addition, patients with Type 1 diabetes must continuously control the concentration of glucose in their blood. In one study, there was a tool that can monitor glucose continuously called Continuous Glucose Monitoring (CGM). In this study, a simulation with a mathematical model that describes the regulation of glucose-insulin in the body when food is digested in the body, the Hovorka model, to be implemented into CGM. The results of this study show that the model from hovorka can demonstrate the regulation of insulin glucose in the body. However, for the evaluation of this model, a fitting was made to the parameters of the hovorka model and poor results were obtained so that re-fitting with better data was necessary.

Abstrak :
ABSTRAK
Tesis ini membahas dosis neutron ekuivalen pada linear accelerator (Linac) yang diukur pada beberapa posisi dari isocenter dan kedalaman pada fantom. Pengukuran dilakukan pada in-field dan out-of-field dengan arah cross-plane dan diagonal axis. Pengukuran menggunakan dosimeter thermoluminescent dosimeter (TLD)-600 dan TLD-100, Linac iX dengan sinar-X 15 MV, dan fantom slab water-equivalent white polystyrene (RW3) dengan ukuran 30 × 30 × 30 cm3. TLD dikalibrasi dengan sumber gamma dan neutron secara terpisah. Kalibrasi respon gamma dilakukan dengan menggunakan 137Cs sedangkan kalibrasi respon neutron menggunakan 252Cf. Dosis neutron ekuivalen diukur pada isocenter dan 14 posisi dari isocenter di permukaan, kedalaman 2, 3 dan 15 cm pada fantom pada lapangan 10 × 10 cm2. Dosis neutron ekuivalen yang signifikan dan cenderung fluktuatif diperoleh di in-field pada hingga jarak 4 cm dan 6 cm dari isocenter pada cross-plane dan diagonal axis. Persentase distribusi dosis neutron ekuivalen maksimum diperoleh pada kedalaman 3 cm pada cross-plane dan diagonal axis. Dosis neutron pada out-of-field tidak memiliki respon yang signifikan dibandingkan pada in- field. Dosis neutron relatif di out-of-field pada cross-plane dan diagonal axis adalah 27% dan 24% yang dinormalisasikan pada dosis neutron maksimum pada setiap kedalaman.

---

ABSTRACT
This study focused on neutron dose equivalents by the high energy medical linear accelerator (Linac) that was measured for different positions from isocenter and depths in the phantom. The measurement was done in-field and out-of-field on cross-plane and diagonal axis. Measurements were using thermoluminescent dosimeter (TLD)-600 and TLD-100, Linac iX with 15 MV x-ray beam, and water-equivalent white polystyrene (RW3) with dimensions of 30 × 30 × 30 cm3. TLDs were calibrated separately by gamma and neutron sources. Gamma calibration was carried out using 137Cs source whereas neutron calibration was done using 252Cf source. Neutron dose equivalents were measured on the isocenter and 14 points of the isocenter on the surface, 2, 3 and 15 cm depths in 10 × 10 cm2 fields. Neutron dose equivalents had high and fluctuating responses that were obtained in-field at the distance up to 4 cm and 6 cm from the isocenter for cross-plane and diagonal axis. The percentage maximum neutron dose equivalent distributions were obtained around 3 cm depth for cross-plane and diagonal axis. Neutron dose in out-of- field had no significant response compared in-field. The relative neutron dose in out-of- field is 27% dan 24% normalized to the maximum neutron dose at each depth on cross- plane and diagonal axis.

Abstrak :
Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru. ......This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients.

Abstrak :
Kuantifikasi standar lemak jantung menggunakan citra nonkontras dapat menjadi suatu nilai prognostik tambahan dalam mengevaluasi penyakit jantung koroner. Metode otomatis berbasis deep learning memiliki kelebihan dari metode manual yaitu mengurangi waktu kuantifikasi, beban kerja dan user dependence. Pada penelitian ini, lemak jantung epikardial dan mediastinal dari dataset open source dan dari Rumah Sakit Mayapada Tangerang disegmentasi menggunakan segmentasi semantik berbasis CNN DeepV3+ Resnet18 dan dievaluasi. Volume dari lemak jantung diestimasikan menggunakan fitur regionprops Matlab 2021a. Sistem dapat segmentasi lemak jantung pada keakurasian tertinggi sebesar 98,8 % dan dice score sebesar 0,76 untuk lemak epikardial dan keakurasian 96,8% dan dice score sebesar 0,69 untuk lemak mediastinal dataset open source. Namun, pada data uji yaitu data CT jantung yang diambil dari rumah sakit menghasilan keakurasian tertinggi pada 28% untuk lemak epikardial. Secara kualitatif, struktur seperti lemak abdomen, otot jantung dan tulang belakang masih ikut tersegmen. Setelah melakukan penyesuaian citra antara data uji dengan data pelatihan, akurasi tertinggi pada lemak epikardial sebesar 97%. Namun, lemak epikardial dan mediastinal belum berhasil untuk dipisahkan. Volume lemak jantung untuk kedua dataset berhasil diestimasikan. Metode volume manual dengan metode otomatis menunjukkan korelasi yang kuat (R2= 0,9843) dengan standard error sebesar 3,86 namun terlihat bahwa terjadi eror sistematik. ......Standard quantification of cardiac fat using non-contrast images can be additional prognostic value in evaluating coronary heart disease. Automatic methods based on deep learning have advantages over manual methods, namely reducing quantification time, workload and user dependence. In this study, epicardial and mediastinal cardiac fat from open source dataset and Mayapada Hospital Tangerang were segmented using CNN DeepV3+ Resnet18-based semantic segmentation and evaluated. The volume of cardiac fat was estimated using the regionprops feature of Matlab 2021a. The system can segment cardiac fat at the highest accuracy of 98.8% and a dice score of 0.76 for epicardial fat and 96.8% accuracy and a dice score of 0.69 for mediastinal fat of the open source dataset. However, the test dataset, namely cardiac CT data taken from the hospital, yielded the highest accuracy at 28% for epicardial fat. Qualitatively, structures such as abdominal fat, cardiac muscle and spine are still segmented. After adjusting the image between the test data and the training data, the highest accuracy in epicardial fat was 97%. However, epicardial and mediastinal fat have not been successfully separated. Heart fat volumes for both datasets were successfully estimated. The manual volume method in respect to the automatic method showed a strong correlation (R2= 0.9843) with a standard error of 3.86, but it was seen that there was a systematic error.