Hasil Pencarian  ::  Simpan CSV :: Kembali

"Audit dosis diperlukan sebagai upaya proteksi radiasi untuk mengetahui kisaran dosis yang digunakan pada pasien (typical value). Bilamana typical value melebihi atau jauh di bawah Diagnostic Reference Level (DRL) nasional, maka diperlukan optimisasi. Studi ini menjabarkan proses audit dosis pada pemeriksaan radiografi lumbal proyeksi AP (anteroposterior) dan lateral di RS Sint Carolus beserta tindaklanjut optimisasinya. Dari hasil audit dosis, diperlukan optimisasi untuk mendapatkan citra terbaik dengan dosis terendah yang dapat dicapai mengikuti prinsip ALARA (as low as reasonably achievable) pada proyeksi AP. Optimisasi dilakukan dengan dua jenis fantom yang mempresentasikan anatomi lumbal AP, yaitu fantom in-house dengan penambahan polymethyl methacrylate (PMMA) setebal 20 cm, dan fantom rando man bagian lumbal. Parameter figure of merit (FOM) dikalkulasi dan digunakan sebagai parameter optimisasi utama. Interpretasi dokter radiolog menjadi parameter lanjutan dalam menilai noise citra. Pada pengukuran menggunakan fantomin-house menghasilkan nilai FOM tertinggi pada penggunaan filter tambahan 2 mm Al pada tegangan 81 kVp, 83 kVp, dan 85 kVp. Dengan tambahan informasi dari dokter spesialis radiologi, faktor eksposi 81 kVp, 28 mAs dengan filter fisik tambahan 2 mm Al dapat direkomendasikan sebagai parameter eksposi radiografi lumbal pasca optimisasi.

---

Dose audit is necessary as a radiation protection measure to determine the range of doses used in patients (typical value). If the typical value exceeds or is significantly below the national Diagnostic Reference Level (DRL), optimization is required. This study describes the dose audit process for lumbar radiography examinations in the anteroposterior (AP) and lateral projections at Sint Carolus Hospital, along with the follow-up optimization. Based on the dose audit results, optimization is needed to obtain the best image with the lowest achievable dose following the ALARA principle (as low as reasonably achievable) in the AP projection. Optimization is performed using two types of phantoms representing lumbar AP anatomy: an in-house phantom with the addition of 20 cm thick polymethyl methacrylate (PMMA), and a rando phantom for the lumbar region. The figure of merit (FOM) parameter is calculated and used as the primary optimization parameter. Radiologist interpretation serves as a secondary parameter in assessing image noise. Measurements using the in-house phantom resulted in the highest FOM values when using an additional 2 mm Al filter at voltages of 81 kVp, 83 kVp, and 85 kVp. With additional input from the radiology specialist, an exposure factor of 81 kVp, 28 mAs, with an additional 2 mm Al physical filter can be recommended as the lumbar radiography exposure parameter after optimization."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."

"Durasi yang lama dan prediksi dosis distribusi yang kurang optimal sering menjadi permasalahan utama dalam treatment planning kanker paru-paru secara manual. Model machine learning berbasis Gradient-Boosted Trees dapat dimanfaatkan untuk mempercepat proses dan menstandarisasi distribusi dosis treatment planning. Penelitian ini memanfaatkan 60 set data treatment planning kanker paru-paru yang diamati dan dikumpulkan oleh MRCCC Siloam Hospitals Semanggi yang dijadikan sebagai set data klinis. Set data yang telah diperoleh dibagi ke dalam 2 kelompok yaitu, 42 set data sebagai data training model machine learning dan 18 set data sebagai data testing model machine learning. Dalam penelitian ini, proses treatment planning memprediksi distribusi dosis yang telah dinormalisasi untuk organ PTV dan OAR. Organ PTV memiliki fitur dosis D2, D50, dan D98. Sementara itu, OAR terdiri atas paru-paru kanan, paru-paru kiri, jantung, dan sumsum tulang belakang. Setiap OAR memiliki fitur dosis yang terdiri atas dosis rata-rata (Dmean) dan dosis maksimum (Dmax). Data prediksi treatment planning menggunakan machine learning kemudian dibandingkan dengan data treatment planning klinis. Perbandingan hasil treatment planning tersebut ditampilkan menggunakan diagram boxplot nilai dosis distribusi PTV dan OAR yang telah dinormalisasi. Kemampuan Gradient-Boosted Trees dalam memprediksi dosis distribusi untuk PTV dan OAR dilihat dari nilai kesalahan mutlak rata-rata terhadap data klinis. Prediksi dosis distribusi PTV memiliki nilai kesalahan mutlak rata-rata sebesar 0,015 (D2), 0,017 (D50), dan 0,022 (D98). Setiap OAR memiliki nilai kesalahan mutlak rata-rata untuk masing-masing fitur dosis rata-rata dan maksimumnya, yaitu sebesar 0,153 (Dmean) dan 0,254 (Dmax) untuk paru-paru kanan, 0,167 (Dmean) dan 0,294 (Dmax) untuk paru-paru kiri, 0,1 (Dmean) dan 0,252 (Dmax) untuk jantung, serta 0,044 (Dmean) dan 0,136 (Dmax) untuk sumsum tulang belakang. Oleh karena itu, prediksi model Gradient-Boosted Trees bekerja lebih baik untuk PTV karena memiliki nilai kesalahan mutlak rata-rata yang lebih kecil dibandingkan dengan OAR.

---

Timeconsuming duration and suboptimal distribution dose prediction become the frequently-happened problems during the manual treatment planning for lung cancer. Gradient-Boosting model can be used for easing treatment planning’s process and standardising its distribution dose. This research uses 60 clinical datasets of lung cancer’s treatment planning that has been collected and processed by Semanggi Siloam Hospitals’ MRCCC. Those datasets are divided into two groups, the training data with 42 datasets and the testing data with 18 datasets. In this research, treatment planning predicts the distribution doses that have been normalised for each PTV’s and OARs’ features. The PTV dose features consist of D2, D50 and D98. Meanwhile, OARs consist of right lung, left lung, heart and spinal cord. Each OAR has mean dose (Dmean) and maximum dose (Dmax) as its dose features. The comparison is shown using boxplot diagrams with normalised dose as its value. The results of the treatment planning prediction using Gradient-Boosting model are then compared to the clinical data. The ability of the Gradient-Boosting model in predicting the distribution dose is calculated based on every Mean Absolute Error (MAE) of the PTV’s and OARs’ dose features. The PTV has 0,015 (D2), 0,017 (D50) and 0,022 (D98) as its MAEs. The OARs’ MAEs consist of 0,153 (Dmean) and 0,254 (Dmax) for right lung, 0,167 (Dmean) and 0,294 (Dmax) for left lung, 0,1 (Dmean) and 0,252 (Dmax) for heart, also 0,044 (Dmean) and 0,136 (Dmax) for spinal cord. In conclusion, Gradient-Boosting model works better for predicting PTV’s distribution dose than the OARs since MAEs for PTV dose features are much smaller compared to the OAR."

"Penelitian ini bertujuan untuk mengevaluasi kombinasi lilin dan karbon sebagai material ekuivalen jaringan yang dapat merepresentasikan jaringan tubuh manusia. Parameter atomik yang umum digunakan untuk merepresentasikan adalah densitas elektron dan nomor atom efektif. Penelitian ini menggunakan metode dual-energy CT (DECT) dengan menggunakan formulasi alpha blending (Möhler, 2017) dan DEEDZ (Saito, 2017). Sampel yang dievaluasi yaitu fantom sampel jaringan lemak (80% parafin, 10% cecek, dan 10% karbon), otot (80% gondorukem, 10% cecek, dan 10% karbon), white matter brain (68% gondorukem, 16% cecek, dan 16% karbon), dan grey matter brain (60% gondorukem, 20% cecek, dan 20% karbon). Berdasarkan hasil uji, fantom sampel lemak, otot, grey matter brain, dan white matter brain memiliki kesalahan relatif densitas elektron sebesar masing-masing 4.6%, 2.6%, 4.4%, dan 4.8%, serta kesalahan relatif nomor atom efektif masing-masing sebesar 11.9%, 19.7%, 19.5%, dan 19.4%. Selain itu, pada penelitian ini dilakukan pula verifikasi fantom sampel hati, air, dan PMMA dengan kombinasi penelitian sebelumnya. Fantom sampel hati, air, dan PMMA memiliki kesalahan relatif densitas elektron sebesar masing-masing 7.0%, 1.5%, dan 0.5%, serta kesalahan relatif nomor atom efektif masing-masing sebesar 16.7%, 22.6%, dan 2.1%.

---

This study aims to evaluate the combination of wax and carbon as tissue-equivalent material which can represent human body tissue. The atomic parameters used to represent it are electron density and effective atomic number. This study used dual-energy CT (DECT) method using alpha blending formulation (Möhler, 2017) and DEEDZ formulation (Saito, 2017). The samples evaluated in this study were phantom sample of fat (80% paraffin, 10% cecek, and 10% carbon), muscle (80% gondorukem, 10% cecek, and 10% carbon), white matter brain (68% gondorukem, 16% cecek, and 16% carbon), and gray matter brain (60% gondorukem, 20% cecek, and 20% carbon). Based on the test results, phantom samples of fat, muscle, grey matter brain, and white matter brain have a relative deviation of electron density of 4.6%, 2.6%, 4.4%, and 4.8%, and relative errors of effective atomic number of 11.9%, 19.7%, 19.5%, and 19.4%, respectively. This study also verified phantom samples of liver, water, and PMMA with a combination of previous studies. Phantom samples of liver, water, and PMMA have a relative deviation of electron density of 7.0%, 1.5%, and 0.5%, and relative errors of effective atomic numbers of 16.7%, 22.6%, and 2.1%, respectively."

"Penelitian ini bertujuan untuk mengoptimalkan efektivitas terapi menggunakan radionuklida Lutetium-177 dengan mengukur aktivitas secara akurat di setiap volume anatomi. Penelitian dilakukan untuk menentukan faktor kalibrasi (calibration factor, CF) dan koefisien pemulihan (recovery coefficient, RC), beserta ketidakpastiannya, untuk setiap metode rekonstruksi yang digunakan dalam praktik klinis. Nilai CF merupakan nilai kuantifikasi citra menjadi aktivitas. Penentuan CF dilakukan melalui akuisisi sumber titik. Hasil menunjukkan bahwa rekonstruksi tidak berpengaruh signifikan terhadap nilai CF, sedangkan ketidakpastian akibat peluruhan selama akuisisi berdampak kecil terhadap perbedaan nilai. Nilai RC merupakan faktor koreksi dalam memperkirakan aktivitas yang dipengaruhi oleh efek volume parsial (partial volume effect PVE). Penentuan RC dilakukan dengan akuisisi fantom NEMA-IEC. Pengukuran nilai RC melibatkan variasi beberapa parameter, antara lain pemilihan volume (volume of interest, VOI), jumlah iterasi, dan jenis rekonstruksi. Hasil menunjukan bahwa variasi VOI yang mempertimbangkan cacahan tertumpah (spill-out) menghasilkan nilai RC yang lebih representatif. Pada variasi metode rekonstruksi, jumlah iterasi tidak mempengaruhi nilai RC secara signifikan, sedangkan jenis rekonstruksi memiliki pengaruh yang besar terhadap nilai RC. Ketidakpastian kurva RC akibat ketidakpastian volume dipengaruhi oleh ketidakpastian voksel, resolusi spasial, dan ketidakpastian parameter pencocokan kurva. Berdasarkan analisis gambar dan  parameter, hasilnya diperoleh bahwa saturasi dalam rekonstruksi AST dicapai pada volume yang lebih kecil dengan ketidakpastian yang lebih rendah dibandingkan dengan rekonstruksi OSEM, FBP, dan MLEM. Dengan demikian, baik secara kualitatif maupun kuantitatif, rekonstruksi AST memberikan representasi ukuran objek yang lebih baik.

---

This study aims to optimize the effectiveness of therapy using Lutetium-177 radionuclide by accurately measuring activity in each anatomical volume. The study was conducted to determine the calibration factor (CF) and recovery coefficient (RC) and their uncertainty for each method of reconstruction used in clinical practice. The CF value is the quantification value of the image into activity. CF determination is carried out through point source acquisition. The results show that reconstruction has no significant effect on the value of CF. In contrast, the uncertainty due to decay during acquisition has a small impact on the difference in value. The RC value is a correction factor in estimating activity affected by the partial volume effect (PVE). RC determination is carried out through NEMA-IEC phantom acquisition. The RC value measurement involves various parameters, including : the calculated volume of interest (VOI), the number of iterations, and the type of reconstruction. The results show that the variation of VOI that considers the spill-out results in a more representative RC value. In the various reconstruction methods, the number of iterations does not significantly affect the RC value, while the type of reconstruction greatly influences the RC value. The uncertainty of the RC curve due to volume uncertainty is influenced by voxel uncertainty, spatial resolution, and curve matching parameter uncertainty. Based on image and parameter analysis, the results show that saturation in the AST reconstruction is achieved at a smaller volume with lower uncertainties compared to OSEM, FBP, and MLEM reconstructions. Thus, both qualitatively and quantitatively, the AST reconstruction provides a better representation of the object's size."

"Dosimeter termoluminesensi (TLD) merupakan dosimetri relatif berupa padatan berbahan fosfor yang digunakan untuk mengukur dosis. TLD telah banyak digunakan dalam aplikasi medis baik radiodiagnostik, radioterapi, dan kedokteran nuklir. TLD berbahan fosfor kalsium sulfat (CaSO4) memiliki sifat termoluminesensi dengan sensitivitas tinggi dan pemudaran TL yang rendah. Pendadah P banyak ditambahkan sebagai kodoping pada TLD CaSO4:Dy dan dilaporkan dapat meningkatkan sensitivitas TL tanpa terjadi pergeseran suhu puncak pada TLD. Penelitian ini bertujuan untuk mempelajari sifat termoluminesensi dari penambahan pendadah P (fosforus) pada TLD CaSO4:P hasil sintesis dengan variasi pendadah P yaitu 0,1; 0,5; 1; dan 1,5 mol%. Hasil karakterisasi XRD menunjukkan bahwa CaSO4:P memiliki bentuk kristal ortorombik dan memiliki kemiripan dengan CaSO4 anhidrat (COD 96-500-0041). Selain itu, ukuran rata-rata kristal (D) juga cenderung mengecil seiring bertambahnya konsentrasi pendadah P. Berdasarkan hasil karakterisasi XRF menunjukkan bahwa penambahan pendadah P akan mengalami saturasi pada 0,1 molar. Sementara, hasil karakterisasi SEM menunjukkan bahwa penambahan pendadah P pada kristal CaSO4 menyebabkan perubahan pada morfologi kristal CaSO4 dan menghasilkan ukuran partikel yang semakin mengecil seiring bertambahnya konsentrasi pendadah P. Hasil uji respon TLD CaSO4:P hasil sintesis menunjukkan sensitivitas yang paling baik pada konsentrasi pendadah P 0,1 mol% dengan hasil respon bacaannya sebesar 22,34 ± 11,99 nC, 51,26 ± 24,01 nC, 53,05 ± 10,45 nC dan 63,56 ± 13,23 nC untuk energi 70 kVp, 90 kVp, 6 MV, dan 10 MV. Penambahan pendadah P di atas 0,1 mol% menghasilkan perangkap elektron yang terlalu banyak sehingga elektron sulit tereksitasi dari pita valensi ke pita konduksi dan menyebabkan banyak perangkap elektron yang kosong. TLD CaSO4:P hasil sintesis memiliki respon yang meningkat hingga energi 10 MV dengan suhu puncak kurva pancar di atas 300°C. Berdasarkan perbandingan hasil respon bacaan antara TLD CaSO4:P hasil sintesis dan TLD komersil LiF:Mg,Ti menunjukkan hasil yang cukup sensitif pada energi rendah dengan sensitivitas maksimum pada energi 90 kVp dan perbandingan hasil respon bacaan yang didapatkan yaitu 51,26 ± 24,01 nC untuk TLD CaSO4:P hasil sintesis serta 76,50 ± 26,04 untuk TLD komersil LiF:Mg,Ti.

---

Thermoluminescence dosimeter (TLD) is a relative dosimetry device made of solid phosphor material used to measure radiation dose. TLD has been widely used in medical applications, including radiodiagnostics, radiotherapy, and nuclear medicine. TLD based on phosphor calcium sulfate (CaSO4) exhibits thermoluminescent properties with high sensitivity and low TL fading. Phosphorus (P) dopant is often added as a co-dopant in TLD CaSO4:Dy and reported to enhance TL sensitivity without shifting the TL peak temperature. This study aims to investigate the thermoluminescent properties of TLD CaSO4:P synthesized with varying concentrations of P dopant, namely 0.1; 0.5; 1; and 1.5 mol%. XRD characterization results show that CaSO4:P has an orthorhombic crystal structure and is similar to anhydrous CaSO4 (COD 96-500-0041). Additionally, the average crystal size (D) tends to decrease with increasing P dopant concentration. Based on XRF characterization, the addition of P dopant reaches saturation at a concentration of 0.1 mol%. SEM characterization results show that the addition of P dopant to CaSO4 crystals alters the crystal morphology and leads to smaller particle sizes with increasing P dopant concentration. The synthesized TLD CaSO4:P shows the best sensitivity at a P dopant concentration of 0.1 mol%, with response readings of 22.34 ± 11.99 nC, 51.26 ± 24.01 nC, 53.05 ± 10.45 nC, and 63.56 ± 13.23 nC for energies of 70 kVp, 90 kVp, 6 MV, and 10 MV, respectively. Adding P dopant above 0.1 mol% results in an excessive number of electron traps, making it difficult for electrons to be excited from the valence band to the conduction band and causing many empty electron traps. The synthesized TLD CaSO4:P exhibits an increased response up to 10 MV energy with the peak temperature of the glow curve above 300°C. By comparing the response readings between synthesized TLD CaSO4:P and commercial TLD LiF:Mg,Ti, a sufficiently high sensitivity is observed at low energies, with the maximum sensitivity occurring at 90 kVp energy. The obtained response readings are 51.26 ± 24.01 nC for synthesized TLD CaSO4:P and 76.50 ± 26.04 nC for commercial TLD LiF:Mg,Ti."

"Estimasi yang akurat dari time-integrated activity coefficient (TIAC) ginjal diperlukan untuk optimisasi terapi. Berdasarkan penelitian sebelumnya, prosedur seleksi model berbasis populasi terbukti baik untuk estimasi ini. Penelitian ini menerapkan uji sensitivitas untuk melihat validitas dari persen coefficient-of-variation (%CV) yang digunakan sebagai alat ukur goodness-of-fit (GoF) pada tahapan seleksi model untuk kasus radioterapi molekuler. Data farmakokinetik populasi dari 63 pasien terapi radioligand 177Lu-PSMA-617 digunakan. Dilakukan fitting untuk 12 fungsi sums of exponential (SOE) dengan pemodelan NLME terhadap data seluruh pasien. Seleksi model dilakukan dengan uji GoF (inspeksi visual dan %CV) serta pembobotan Akaike. Uji Variance-Based Sensitivity Analysis (VBSA) dijalankan untuk model setiap fungsi dengan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Hasil VBSA dan FAST sama-sama menunjukkan signifikansi statistik pada arah hubungan yang positif antara indeks sensitivitas dan %CV parameter pada fungsi f6d (gradien = 4,86×10-5 (± 0,91×10-5)) dan f7a (gradien = 3,00×10-2 (± 0,30×10-2)). Hasil tersebut mendukung seleksi model. Model final terbaik yang diperoleh adalah fungsi f6a(t) = A1 exp(-(1 + phys)t) +A2 exp(-(2 + phys)t) − A3 exp(-(3 + phys)t) − (A1 + A2− A3) exp(-(bc + physt). Didapatkan estimasi TIAC ginjal (54,62 ± 23,62) menit. Dengan demikian, penggunaan %CV dalam seleksi model menunjukkan validitas yang didukung oleh uji sensitivitas.

---

Accurate estimation of the kidney time-integrated activity coefficient (TIAC) is required for therapy optimization. Based on previous studies, a population-based model selection procedure has proven to be good for this estimation. This study applied a sensitivity test to see the validity of the percent coefficient-of-variation (%CV) used as a goodness-of-fit (GoF) measure in the model selection process for molecular radiotherapy cases. Population pharmacokinetic data from 63 patients treated with the radioligand 177Lu-PSMA-617 were used.

The fitting of 12 sums of exponential (SOE) functions with NLME modeling was performed on all patients' data. Model selection was performed using the GoF test (visual inspection and %CV) and the Akaike weighting. The Variance-Based Sensitivity Analysis (VBSA) was run for each function model with Fourier Amplitude Sensitivity Test (FAST) as a comparison.

Both VBSA and FAST results showed statistical significance of positive correlation between sensitivity indices and %CVs of parameters in function f6d (slope = 4.86×10-5 (± 0.91×10-5)) and function f7a (slope = 3.00×10-2 (± 0.30×10-2)). The results here supported the model selection. The best final model found was the function f6a(t) = A1 exp(-(1 + phys)t) + A2 exp(-(2 + phys)t) − A3 exp(-(3 +phys)t) − (A1 + A2 − A3) exp(-(bc + phys)t). From this model, an estimated kidney TIAC of (54.62 ± 23.62) minutes was obtained. Thus, the use of %CV in model selection shows validity supported by the sensitivity test."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Pada bidang radioterapi, dosimeter merupakan salah satu perangkat yang penting. Suatu dosimeter dianggap ideal jika mempunyai karakter ekivalen jaringan manusia, sensitifitas tinggi, berukuran kecil, memberikan resolusi spasial yang tinggi, dan tidak bergantung pada energi. Salah satu material yang dianggap memenuhi karakter tersebut adalah berlian. Akan tetapi, berlian alami mempunyai kekurangan dalam hal biaya, desain, dan jenis kristal. Untuk mengatasi kekurangan tersebut, maka dilakukan pengembangan berlian sintetis. Salah satu berlian sintetis tersebut adalah synthetic single-crystal diamond (SSCD) dengan konfigurasi dioda Schottky. Detektor microdiamond adalah detektor komersial SSCD pertama. Sebelum digunakan pada bidang radioterapi, maka suatu detektor harus diketahui karakteristiknya. Oleh karena itu, dilakukan penelitian mengenai ketergantungan energi dan arah pada detektor microdiamond dengan berkas FF 6 MV dan FF 10 MV. Uji kualitas detektor dilakukan sebelum pengukuran karakteristik untuk mengetahui akurasi output detektor microdiamond. Pengukuran karakteristik dilakukan dengan menggunakan teknik SSD 100 cm dan SSD 84 cm pada kedalaman 8 cm dengan fantom ABS. Pada pengukuran dengan SSD 100 cm, detektor microdiamond menunjukkan ketergantungan arah yang rendah, dengan simpangan maksimum 0,5 % untuk berkas FF 6 MV dan 0,25 % untuk berkas FF 10 MV. Pada pengukuran yang dilakukan dengan SSD 84 cm, detektor microdiamond juga menunjukkan ketergantungan arah yang rendah, dengan simpangan maksimum 0,12 % untuk berkas FF 6 MV dan 0,15% untuk berkas FF 10 MV. Detektor microdiamond menunjukkan ketergantungan energi yang rendah, dengan perbedaan antar nilai bacaan sebesar 6,3% untuk SSD 100 dan 9,89% untuk SSD 84.

---

In radiotherapy, a dosimeter is one of the important devices. A dosimeter is considered ideal if it has the character of tissue-equivalent, high sensitivity, small size, high spatial resolution, and not dependent on energy. One of the material that is considered has the character is diamond. However, natural diamonds has their drawbacks in terms of cost, design, and types of crystal. The development of synthetic diamonds were carried out to solve the problem of natural diamonds. Synthetic Single Crystal Diamond (SSCD) with Schotkky diode configuration is one of synthetic diamonds. Microdiamond detector is the first commercial SSCD detector. Before use a detector in radiotherapy, the characteristic of the detector must be known. Therefore, this research about energy dependence and directional dependence on microdiamond detector with FF 6 MV and FF 10 MV beam was carried out. Detector quality test was carried out before characteristic measurement to determine the accuracy of output of microdiamond detector. On measurement with SSD 100, microdiamond detector shows low directional dependence, with maximum derivation 0,5% for FF 6 MV beam and 0,25% for FF 10 MV beam. On measurement with SSD 84, microdiamond detector also shows low directional dependence, with maximum derivation 0,12% for FF 6 MV beam and 0,16% for FF 10 MV beam. Microdiamond detector also shows low energy dependence, with maximum differences 6,3% for SSD 100 and 9,89% for SSD 84."

"Dosimeter merupakan salah satu aspek penting dalam radioterapi untuk verifikasi dosis pengobatan kanker. Saat ini telah dikembangkan detektor microDiamond PTW 60019 yang digunakan untuk mengukur dosis pada lapangan kecil. Tujuan penelitian ini adalah untuk melakukan karakterisasi pada detektor microDiamond PTW 60019 berdasarkan respons energy dependence dan directional dependence menggunakan energi 6 MV FFF dan 10 MV FFF pada berkas foton dengan teknik source to axis distance (SAD) dan source to skin (surface) distance (SSD). Penelitian ini dilakukan dengan mengukur uji kualitas yaitu meliputi uji reproduksibilitas, uji linearitas bacaan, dan uji kebocoran detektor. Kemudian, pengukuran karakteristik energy dependence dan directional dependence menggunakan teknik SAD dan SSD. Energi yang digunakan yaitu 6 MV dan 10 MV, kemudian sudut yang digunakan 0o – 330o dengan rentang 30o. Berdasarkan hasil yang diperoleh pada pengukuran kualitasnya, detektor ini memiliki nilai koefisien variansi 0,0257% pada uji reproduksibilitas dan memperoleh hasil R2 = 0,9947 pada uji linearitas bacaan. Pada pengukuran karakteristik tiap teknik, hasil berdasarkan energinya didapatkan bahwa semakin besar energi yang diberikan maka semakin besar nilai bacaan yang diperoleh. Hasil respons penyimpangan terbesar pada energy dependence dan directional dependence terjadi pada pengukuran sudut 180o. Detektor ini memiliki respons energy dependence dengan penyimpangan sebesar 2,5% pada teknik SAD dan pada teknik SSD sebesar 0,8%. Respons directional dependence yang mempunyai nilai 1±0,5% pada teknik SAD terdapat 7 nilai sudut yaitu (60o, 90o, 300o) pada energi 6 MV FFF dan (60o, 90o, 150o, 300o) pada energi 10 MV FFF, kemudian pada teknik SSD terdapat 4 nilai sudut yaitu (60o, 330o) pada energi 6 MV FFF dan 10 MV FFF. Dari hasil penelitian ini, dapat disimpulkan bahwa energy dependence mempunyai nilai yang lebih baik pada teknik SSD dan directional dependence mempunyai nilai yang lebih baik pada teknik SAD.

---

Dosimetry is one of the important aspects of radiotherapy for cancer treatment dose verification. A microdiamond detector, PTW 60019, is currently being used to measure dose in a small field. This study investigated characterization of the microDimamond PTW 60019 for energy and directional dependence using unflattened photon energy at 6 MV and 10 MV with the source to axis distance (SAD) and source to skin (surface) distance (SSD) technique. There was an investigated quality check for reproducibility, linearity, and detector leakage. Then, it was measured for energy and directional dependence using SAD and SSD techniques. The energy used is 6 MV and 10 MV and the angle used is 0o –330o with an interval of 30o. As a result of the quality check, the microDiamond has a coefficient of variance of 0,0257% for reproducibility and R2 = 0,9947 for linearity. At the measured characterization, the response electrometer increases as the energy is increased. The result of the response of the largest deviation in energy dependence and directional dependence occurs at a 180o angle measurement. This detector has an energy dependence response with a largest deviation of 2,5% on SAD technique and a deviation of 0,8% on the SSD technique. The directional dependence response has a 1±0,5% for the SAD technique; there was 7 angles (60o, 90o, 300o) for 6 MV FFF and (60o, 90o, 150o, 300o) for 10 MV FFF, for the SSD technique there was 4 angles (60o, 330o) for 6 MV FFF and 10 MV FFF. In conclusion, the SSD technique responds better to energy dependence than the SAD technique responds to directional dependence."