Hasil Pencarian  ::  Simpan CSV :: Kembali

"Segmentasi dalam dunia medis sudah menjadi suatu hal yang penting untuk menentukan diagnosa awal dari suatu penyakit, misalnya timbulnya tumor pada organ-organ tubuh yang berukuran kecil dan sulit teramati oleh mata telanjang. Namun, jika segmentasi dilakukan secara manual dan tradisional akan membutuhkan waktu yang banyak serta menyebabkan hasil yang tidak konsisten. Oleh karena itu, dibutuhkannya segmentasi secara otomatis yang dapat membantu dokter tidak hanya dalam mengetahui keberadaan tumor, melainkan juga dapat mengkuantifikasi ukuran tumor. Dalam penelitian ini, segmentasi otomatis dengan machine learning diterapkan menggunakan metode clustering K-Means pada fantom ekuivalen hati berbentuk silinder. Fantom ekuivalen terbuat dari material tepung beras dan lilin, yang kemudian diinjeksikan dengan radioaktivitas 18F-FDG sebesar 1,89 µCi/mL. Pengolahan citra fantom dilakukan dengan pesawat PET/CT Siemens Biograph menggunakan metode rekonstruksi Iterative 3D dan True-X serta 2 filter (Gaussian dan Butterworth). Akurasi deteksi algoritma K-Means menunjukkan bahwa dapat optimal pada tiga tipe pemindaian dengan terdeteksinya seluruh objek pada citra fantom. Namun, hal tersebut terkecualikan pada filter Gaussian dengan metode rekonstruksi Iterative 3D karena algoritma K-Means tidak dapat mendeteksi objek terkecil (4 mm) pada kedua wilayah fantom. Indikasi tidak terdeteksinya objek terkecil, dapat disebabkan oleh kinerja algoritma yang mengelompokkan objek dengan nilai piksel yang sama. Untuk hasil kuantifikasi diameter dengan algoritma K-Means (Dp) menunjukkan bahwa, hasil ukuran diameter lebih besar ±1-3 mm dibandingkan diameter fisis fantom (Dt) pada ketiga pemindaian. Namun, hal tersebut tidak berlaku pada pemindaian filter Gaussian dengan metode rekonstruksi Iterative 3D, yang memiliki kuantifikasi lebih kecil dibandingkan . Berdasarkan hasill kuantifikasi pada keempat pemindaian, ditunjukkan bahwa algoritma K-Means optimal pada filter Butterworth dengan metode rekonstruksi True-X dengan rata-rata RD untuk seluruh objek kurang dari 10%. Sehingga, untuk memvalidasi hal tersebut metode pengukuran K-Means dibandingkan dengan metode pengukuran FWHM dan FWTM dengan merata-ratakan kuantifikasi untuk setiap objek dari semua irisan. Tervalidasi bahwa algoritma K-Means memiliki performa yang optimal, dengan anilai RD yang dihasilkan hampir mendekati 0%.

---

Segmentation in medical, has become an important thing to determine the initial diagnosis of a desease, for example the emergence of tumors in organs that are small and difficult to observe manually. However, if the segmentation in medical is done manually and traditionally it will take a lot of time and cause inconsistant results. Therefore, automatic segmentation is needed which can help doctors not only by knowing the presence of tumors, but also in quantifying tumor size. In this study, automatic segmentation with machine learning was applied using the K-Means clustering algorithm method on the cylindrical liver equivalent phantom. The equivalent phantom was made from rice flour and wax, and the euqivalent phantom was injected with 18F-FDG with radioactivity 1,89 µCi/mL. The image processing was carried put using a PET/CT Siemens Biograph with Iterative 3D and True-X as reconstuction methods and 2 filters (Gaussian and Butterworth). The detection accuracy of the K-Means algorithm shows that it can be optimal in three types of scanning by detecting all objects in the phantom image. However, this is ecluded in the Gaussian filter with Iterative 3D reconstruction method, because the K-Means algorthm cannot detect the smallest object (4 mm) in both phantom regions. Indications for that phenomenon, could be caused by the performance of the algorithm that grouping the cluster with the same pixel value. For diameter quantifications of from K-Means algorithm shows that the diameter ±1-3 mm larger than the pyhsical fantom diameter (Dt). Based on the result of Dp quantification on the for type of scans, it it shown that the optimal K-Means algorithm on the Butterworth filter with the True-X reconstruction method with an average RD for all objects in phantom is less than 10%. So, to validate this result, the K-Means measurement method is compared with the FWHM and FWTM measurements methods by averaging the quantification for each object from all slices. It is validated that, the K-Means algorthm has optimal performance by reffering to the FWTM measurement where RD value is close to 0%."

"Neuroendocrine tumors (NETs) merupakan tumor yang berasal dari sel-sel neuroendokrin dan dapat diobati menggunakan Peptide-Receptor Radionuclide Therapy (PRRT). PRRT memiliki tujuan untuk memastikan aktivitas radiofarmaka yang tinggi pada sel tumor dan rendah pada organ at risk. Model Physiologically Based Pharmacokinetics (PBPK) sangat baik untuk analisis, simulasi, dan prediksi biodistribusi dari radiofarmaka yang diberikan. Penelitian ini menggunakan metode fitting Nonlinear Mixed Effect (NLME) pada parameter PBPK dari pasien PRRT. Pilihan starting value yang tepat membantu mengurangi risiko menemukan local minimum berdasarkan estimasi Objective Function (OF) sehingga diperoleh fitting yang baik. Penelitian ini bertujuan menganalisis pengaruh starting value terhadap tingkat akurasi Single Timepoint Dosimetry pada late timepoint menggunakan model PBPK dan metode NLME. Penelitian ini terbatas pada pasien terdiagnosis NETs dan meningioma menggunakan pengobatan PRRT. Proses pengukuran pre-terapi pada 8 pasien menggunakan radiofarmaka 111In- DOTATATE untuk mengetahui biokinetik pasien dengan aktivitas sekitar 140 ± 14 MBq (jumlah total peptida 75 ± 10 nmol) yang diinjeksi secara intravena. Parameter yang diestimasi terdiri dari densitas reseptor organ (Ri), release rate normal tissue (λNT,release), perfusi tumor (fTU), dan linear binding rate dari protein serum (KonAlb). Dua teknik dilakukan dalam penelitian ini yaitu, Full Timepoint Dosimetry (FTD) dan Single Timepoint Dosimetry (STD). FTD dilakukan menggunakan 5 timepoint yang berbeda, sedangkan untuk STD dilakukan pada 2 timepoint terakhir yaitu, timepoint 4 (T4) dan timepoint 5 (T5). Perubahan starting value hanya diberikan untuk parameter reseptor densitas ginjal (RK) dan perfusi tumor (ftu) pada STD yang divariasikan (STD(V,T)). Variasi starting value yang diberikan adalah 100 (V1), 10 (V2), 5 (V3), 2 (V4), 1/2 (V5), 1/5 (V6), 1/10 (V7), dan 1/100 (V8) kali dari nilai awal. Total fitting dilakukan sebanyak 145 kali dengan FTD berjumlah 1 kali, STD awal 16 kali. Time-Integrated Activity Coefficients (TIACs) yang diperoleh dari hasil simulasi FTD dan STD(0,T) akan ditinjau dengan Relative Deviation (RD). RD juga dilakukan untuk simulasi STD(V,T) terhadap STD(0,T). RD dikatakan baik apabila hasil yang diperoleh <10%. Rata-rata RD STD(0,T4) terhadap FTD memiliki nilai untuk organ ginjal (5±7)%, organ limfa (7±9)%, organ hati (-4±6)%, tumor (8±8)%, dan seluruh tubuh (11±13)%. Rata-rata RD STD(0,T5) terhadap FTD memiliki nilai untuk organ ginjal (-2±7)%, organ limfa (6±11)%, organ hati (-9±8)%, tumor (7±22)%, dan seluruh tubuh (3±8)%. Variasi V2, V3, V4, V5, dan V6 pada STD untuk T4 dan T5 memiliki RD <10%. Rentang variasi starting value untuk parameter densitas reseptor ginjal (RK) 5.57 x 105 nmol.L-1 - 2.79 x 107 nmol.L-1 dan untuk paramter perfusi tumor (ftu) adalah 8.67 x 10-3 mL.min-1.g-1 - 4.53 x 10-1 mL.min-1.g-1. Hasil dari penelitian ini menunjukkan bahwa STD yang divariasikan memiliki threshold 10 sd. 1/5 kali nilai awal.

---

Neuroendocrine tumors (NETs) are tumors derived from neuroendocrine cells and can be treated using Peptide-Receptor Radionuclide Therapy (PRRT). PRRT aims to ensure high radiopharmaceutical activity in tumor cells and low in organ at risk. The Physiologically Based Pharmacokinetics (PBPK) model is excellent for analysis, simulation, and prediction of the biodistribution of a given radiopharmaceutical. This study uses the Nonlinear Mixed Effect (NLME) fitting method on the PBPK parameters of the patient's PRRT. Choosing the right starting value helps reduce the risk of finding the minimum locale based on the estimated Objective Function (OF) so that a good fit is obtained. This study aims to analyze the effect of starting values on the accuracy of Single Timepoint Dosimetry at late time points using the PBPK model and the NLME method. This study was limited to patients diagnosed with NETs and meningiomas using PRRT treatment. The process of pre-therapy measurement in 8 patients using radiopharmaceutical 111In- DOTATATE to determine the biokinetics of patients with an activity of about 140 ± 14 MBq (total amount of peptide 75 ± 10 nmol) which was injected intravenously. The estimated parameters consisted of organ receptor density (Ri), normal tissue release rate (λNT,release), tumor perfusion (ftu), and linear binding rate of serum protein (KonAlb). Two techniques were used in this study, namely, Full Timepoint Dosimetry (FTD) and Single Timepoint Dosimetry (STD). FTD is performed using 5 different timepoints, while for STD it is carried out at the last 2 timepoints, namely, timepoint 4 (T4) and timepoint 5 (T5). Changes in the starting values were only given for the parameters of kidney density receptor (RK) and tumor perfusion (ftu) in the STD varied (STD(V,T)). The initial value variations given are 100 (V1), 10 (V2), 5 (V3), 2 (V4), 1/2 (V5), 1/5 (V6), 1/10 (V7), and 1/ 100 (V8) times the starting value. A total of 145 fittings were performed with FTD opened once, initial STD 16 times (STD(0,T)), and STD varied (STD(V,T)) 128 times. Time- Integrated Activity Coefficients (TIACs) obtained from FTD and STD(0,T) simulation results will be reviewed with Relative Deviation (RD). RD was also performed to simulate STD(V,T) against STD(0,T). RD is said to be good if the results obtained are <10%. The mean RD STD(0,T4) against FTD had values for kidney (5±7)%, lymph (7±9)%, liver (-4±6)%, tumor (8±8)% , and whole body (11±13)%. The mean RD STD(0,T5) against FTD had values for kidney (-2±7)%, lymph (6±11)%, liver (-9±8)%, tumors (7±22) %, and whole body (3±8)%. Variations V2, V3, V4, V5, and V6 on STD for T4 and T5 had RD <10%. The range of variation of the starting value for the kidney receptor density (RK) parameter is 5.57 x 105 nmol.L-1 - 2.79 x 107 nmol.L-1 and for the tumor perfusion parameter (ftu) is 8.67 x 10-3 mL.min-1. g-1 - 4.53 x 10-1 mL.min-1.g-1. The results of this study indicate that the STD which is varied has a threshold of 10 sd. 1/5 times the initial value."

"Identifikasi suatu letak atau lokasi tumor beserta jaringan-jaringan sehat di sekitarnya secara akurat, merupakan salah satu langkah dalam melakukan perencanaan radioterapi atau disebut juga dengan istilah treatment planning. Setelah lokasinya ditentukan dan dipastikan, dokter akan mencoba membuat perencanaan berupa dosis radiasi yang dibutuhkan untuk diberikan kepada pasien sehingga dapat memberikan kerusakan yang maksimal pada tumor tanpa memberikan dampak negatif pada organ-organ sehat di sekitarnya. Salah satu solusi dalam melakukan tugas tersebut adalah berupa segmentasi otomatis suatu citra PET. Segmentasi otomatis ini tidak hanya memakan waktu yang cukup singkat, tetapi juga mempertimbangkan seluruh nilai time-activity curve (TAC) yang ada pada citra. Salah satu metode untuk menentukan lokasi tumor adalah dengan cara segmentasi otomatis menggunakan algoritma clustering k-means. Berdasarkan penelitian dari (Abualhaj, 2017), clustering k-means memberikan hasil segmentasi yang sangat baik dalam melalukan pendeteksian lokasi tumor. Namun, algoritma yang digunakan tidak sepenuhnya otomatis karena perlunya input parameter nilai yang diterapkan oleh pengguna. Penelitian ini bertujuan mengidentifikasi pengaruh error terhadap input dari algoritma k-means clustering yaitu apabila terjadi kesalahan dalam memasukkan nilai-nilai input tersebut. Terdapat lima paremeter yang akan diuji dengan masing-masing lima variasi masukan. Parameter tersebut masing-masing adalah maximum number of cluster, maximum iteration, maximum repetition time, total counts, dan random counts. Untuk semua parameter, hasil jumlah cluster optimalnya tidak berubah dan tidak dipengaruhi oleh variasi dari parameter tersebut yaitu berjumlah 4 cluster kecuali pada parameter pertama apabila nilainya di bawah 4. Pada parameter pertama, hasil bentuk segmentasi beserta kurva TAC nya berubah saat nilai parameternya di bawah 4. Adapun jika nilainya di atas 4, berdasarkan yang diteliti penulis, tidak ada perbedaan pada bentuk segmentasi maupun jumlah optimal clusternya. Pada parameter kedua, bentuk segmentasinya terlihat ada sedikit perbedaan beserta kurva TAC saat nilai parameternya diperkecil.  Parameter ketiga memiliki hasil yang mirip dengan parameter kedua yang mana hasil segmentasinya memiliki sedikit perbedaan saat nilainya diperkecil begitu pula dengan kurva TAC nya. Parameter ketiga dan keempat memiliki hasil yang mirip ketika nilainya diperkecil maupun diperbesar yakni terlihat adanya sedikit perbedaan pada hasil segmentasinya.

---

Identifying a location or location of a tumor and surrounding healthy tissues accurately is one of the steps in planning radiotherapy or also known as treatment planning. After the location is determined and confirmed, the doctor will try to make a plan in the form of the radiation dose needed to be given to the patient so that it can provide maximum damage to the tumor without having a negative impact on the surrounding healthy organs. One solution in performing this task is in the form of automatic segmentation of a PET image. This automatic segmentation not only takes a fairly short time, but also considers all the time-activity curve (TAC) values ​​in the image. One method to determine the location of the tumor is by means of automatic segmentation using the k-means clustering algorithm. Based on research from (Abualhaj, 2017), k-means clustering provides excellent segmentation results in detecting tumor locations. However, the algorithm used is not fully automated because of the need for user-implemented value parameter input. This study aims to identify the effect of error on the input of the k-means clustering algorithm, namely if there is an error in entering the input values. There are five parameters to be tested with five variations of each input. These parameters are maximum number of cluster, maximum iteration, maximum repetition time, total counts, and random counts. For all parameters, the results of the optimal number of clusters do not change and are not influenced by variations of these parameters, which are 4 clusters except for the first parameter if the value is below 4. In the first parameter, the results of the segmentation form along with the TAC curve change when the parameter value is below 4 Meanwhile, if the value is above 4, based on what the author has studied, there is no difference in the form of segmentation and the optimal number of clusters. In the second parameter, the shape of the segmentation shows a slight difference along with the TAC curve when the parameter value is reduced. The third parameter has similar results to the second parameter where the segmentation results have a slight difference when the value is reduced as well as the TAC curve. The third and fourth parameters have similar results when the value is reduced or enlarged, namely that there is a slight difference in the segmentation results. "