Hasil Pencarian  ::  Simpan CSV :: Kembali

"Modalitas pencitraan yang sering digunakan pada diagnosis kanker kandung kemih adalah Computed Tomography (CT). Informasi dari hasil pembacaan citra CT diharapkan berupa volume pada jaringan abnormal yang berguna untuk penentuan tindakan medis selanjutnya. Namun karena pada setiap slice citra memiliki ukuran, bentuk dan lokasi kanker kandung kemih yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Oleh karena itu untuk meningkatkan keakuratan dan konsistensi penentuan diagnosa dan volume jaringan abnormalnya maka diperlukan bantuan Computer-Aided Diagnosis (CAD). CAD dapat dikembangkan menjadi perhitungan volume jaringan abnormal berdasarkan segmentasi dan klasifikasi citra. Pada penelitian ini, sistem CAD yang dikembangkan menggunakan metode segmentasi, fitur ekstrasi berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra normal dan abnormal menggunakan k-Nearest Neighbors (kNN). Data yang digunakan pada penelitian ini adalah 300 citra CT kandung kemih dari Rumah Sakit Kanker Dharmais, terdiri dari 100 citra normal dan 200 citra abnormal dengan 210 citra digunakan sebagai data pelatihan dan 90 citra digunakan sebagai data pengujian. Hasil performa sistem klasifikasi citra berupa akurasi sebesar 94,28% untuk data pelatihan dan 91,22% untuk data pengujian. Pada penelitian ini dilakukan kalkulasi volume jaringan abnormal kandung kemih terhadap 6 pasien dan hasilnya diperoleh volume terkecil 4,15 cm³ dan terbesar 77,40 cm³. Selain itu ditunjukkan pula volume jaringan abnormal terkecil yang dapat dideteksi adalah sekitar 0,03 cm³.

---

The most frequency using in the diagnosis of bladder cancer is computed tomography (CT). Information from CT image reading is expected to be in in the form abnormal tissue volume that is useful for determining the next treatment. However, the resulting image slices has a different size, shape and location of bladder cancer, determining the volume is not easy. Therefore, to improve the accuracy and consistency of reading medical images and abnormal tissue volume, Computer-Aided Diagnosis (CAD) can be assisted. CAD can be developed into abnormal tissue volume calculations based on image segmentation and classification. In this study, the CAD system was developed using preprocessing, segmentation, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) and normal and abnormal image classification using k-Nearest Neighbors (kNN). The data used in this study are 300 bladder CT images from Dharmais National Cancer Hospital, consisting of 100 normal images and 200 abnormal images. 210 images are used as training data, and 90 images are used as testing data. The results of CAD system performance in this study are in the form of the accuracy of 94.28% for training data and 91.22% for testing data. In this study, the volume of abnormal bladder tissue was calculated for 6 patients, and the results obtained the smallest volume is 4.15 cm³ and the largest 77.40 cm³. In addition, it is also shown that the smallest abnormal tissue slice in slice volume that can be detected is about 0.03 cm³."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Deformable Models untuk membantu mendeteksi abnormalitas. Metode Deformable Models mencari abnormalitas berdasarkan nilai piksel citra. Metode Deformable Models dikerjakan dengan dua variasi yaitu median filter Deformable Models dan wiener filter Deformable Models. Nilai piksel paru-paru abnormal dengan segmentasi wiener filter Deformable models adalah 186-255 dan median filter Deformable Models adalah 191-255. Metode wiener filter Deformable models menghasilkan nilai ROC lebih tinggi dibandingkan metode median filter dengan nilai akurasi 78,5, sensitivitas 74,5, spesifitas 80, presisi 90,0 dan overall error 21,0.

---

This study developed a correlation test Computer Aided Diagnosis CAD radiographic of children pulmonary using segmentation Deformable Models method for detecting Abnormalities. Deformable models method searched abnormalities by value of the image pixel. Deformable models method used two variations, namely median filter Deformable Models and wiener filter Deformable Models. Abnormal result lung pixel values with segmentation Wiener filter Deformable models is 186 255 and median filter Deformable Models is 190 255. Wiener filter Deformable models method have ROC result relatively higher than median filter Deformable models with value of accuracy 78,5, sensitivity 74,5, specificity 80.0, precision 90,0 and overall error of 21,0."

"Pemeriksaan yang paling tepat dalam menentukan volume jaringan lemak visceral dilakukan dengan menggunakan modalitas CT-scan. Namun karena setiap slice citra memiliki bentuk dan lokasi lemak visceral yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Sehingga, Computer Aided Diagnosis (CAD) dapat dijadikan salah satu solusi untuk membantu tenaga ahli dalam pembacaan citra dan menganalisa area lemak terutama area lemak visceral pada citra abdomen dengan lebih akurat. Dalam penelitian ini, sistem CAD dikembangkan dengan menggunakan metode segmentasi Thresholding, ekstrasi ciri berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra lemak visceral menggunakan Multilayer Perceptron (MLP). Penelitian ini mengolah data 665 citra CT-scan abdomen dari 38 pasien yang diperoleh dari Rumah Sakit Persahabatan Jakarta. Data tersebut dibagi menjadi 70% citra sebagai data pelatihan dan 30% citra sebagai data pengujian. Hasil performa sistem CAD yang direpresentasikan sebagai tingkat keakurasian dengan nilai sebesar 98.73% untuk data pelatihan dan 95.58% untuk data pengujian. Selain itu, juga diperoleh informasi bahwa hasil kalkulasi volume area jaringan lemak visceral dengan nilai terbesar yaitu sebesar 1238.89 dengan tebal slice sebesar 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 1072.91 Sementara untuk hasil kalkulasi volume area jaringan lemak visceral terkecil sebesar 107.57 pada ketebalan 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 47.43 . Evaluasi pada proses segmentasi dilakukan menggunakan metode SSIM dengan mengahasilkan nilai rata-rata SSIM untuk keseluruhan data sebesar 0.843 pada data latih dan 0.838 pada data uji. Dari hasil penelitian ini, sistem CAD berhasil dikembangkan untuk membantu dalam proses mengestimasi volume area jaringan lemak visceral. Namun, tingkat keakurasian antara kalkulasi volume lemak visceral menggunakan sistem CAD dan software CT-scan belum dapat diperoleh dengan baik.

---

The most precise examination in determining the volume of abdominal fat tissue is using a CT-scan modality. However, because each slice image has a different shape and location of visceral fat, it is not easy to determine the volume. So that, Computer Aided Diagnosis (CAD) can be used as a solution to assist experts in reading images and analyzing fat areas, especially visceral fat areas on abdominal images more accurate. In this study, a CAD system was developed using the Thresholding segmentation method, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) for the identification of abdominal fat. Next, in the classification process, the visceral fat area is separated from the subcutaneous fat area using Multilayer Perceptron (MLP). This study processed data from 665 abdominal CT-scan images from 38 patients obtained from Persahabatan Hospital. The data is divided into 70% images as training data and 30% images as test data. The results of the CAD system performance are represented as the level of accuracy with a value of 98.73% for training data and 95.58% for test data. In addition, information was also obtained that the calculation of the volume of visceral fat tissue areas with the largest value of 1238.89 with a slice thickness of 5 mm. While the thickness of 10 mm obtained a volume of 1072.91 Calculation of the volume of the volume area of ​​the smallest visceral fat tissue of 107.57 at 5 mm thickness. While the thickness of 10 mm obtained a volume of 47.43 . Evaluation of the segmentation process was carried out using the SSIM method by producing an average SSIM value for the entire data of 0.843 in the training data and 0.838 in the test data. From the results of this study, a CAD system was successfully developed to assist in the process of estimating the volume of visceral fat tissue area. However, the level of accuracy between the calculation of visceral fat volume using CAD systems and CT-scan software has not been obtained properly.

"

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Particle Swarm Optimization PSO untuk membantu dokter mendeteksi paru yang abnormal. Metode PSO mencari abnormalitas berdasarkan nilai piksel. Metode PSO dikerjakan dengan dua variasi metode yaitu FCM Wienerfilter PSO dan FCM Adaphisteq PSO. Evaluasi dilakukan dengan menghitung ROC Receiver Operating Characteristics citra segmentasi tiap metode terhadap citra acuan evaluasi dokter. Metode FCM Wienerfilter PSO memiliki nilaiROC paling baik. Overall error metode ini yaitu 11.43 1.6 dibanding dengan metode FCM Adapthisteq PSO yaitu 28.57 1,6. Hal ini menggambarkan bahwa banyak kesalahan deteksi yang dilakukan pada metode FCM Adapthisteq PSO. Metode FCM Wienerfilter PSO ini memiliki nilai akurasi 88,57, sensitifitas 90,00, spesifitas 85,00, dan presisi 93,75 lebih tinggi dibanding dengan semua parameter ROC metode FCM Adaphisteq PSO yaitu akurasi 71,43, Sensitivitas 80,00, Spesifitas 50,00, dan Presisi 80.00. Hal ini membuktikan bahwa hasil deteksi metode FCM Wienerfilter PSO lebih banyak memiliki tingkat keberhasilan yang sesuai dengan evaluasi dokter dan lebih baik dalam mendeteksi citra abnormal. Pada citra abnormal nilai piksel metodeFCM wienerfilter PSO memiliki rentang 209-255, dan nilai piksel metodeAdapthisteq PSO memiliki rentang 206-255.

---

The study developed Computer Aided Diagnosis CAD children pulmonary radiography using Particle Swarm Optimization PSO segmentation method to help doctors detect abnormal lung. The PSO method searched abnormalities by value of the image pixel. PSO method used two variations method, namely FCM Wienerfilter PSO and FCM Adaphisteq PSO. The evaluation was done by calculating the ROC Receiver Operating Characteristics segmentation of each image against the reference image evaluation doctors. FCM Wienerfilter PSO method has better ROC value. Overall error of this method is 11.43 1.6 compared with the method of FCM Adapthisteq PSO is 28.57 1.6. This explain that many of the error detection on FCM Adapthisteq PSO method.

ROC FCM Wienerfilter PSO results show the value of accuracy 88,57, sensitivity 90,00, specificity 85,00, and precision 93,75 is relatively higher than all parameter of ROC FCM Adaphisteq PSO method that isaccuracy 71,43, sensitivity 80,00, specificity 50,00, and precision 80.00. This proves that the results of the detection method of FCM Wienerfilter PSO has more success rates in accordance with doctor rsquo s evaluation and better at detecting abnormal image. Abnormal lung pixel values by the method of FCM wienerfilter PSO is 209 255, andAbnormal lung pixel values by the FCM Adapthisteq PSO methodis 206 255."

"Tujuan penelitian ini adalah untuk melakukan pengukuran CTDI dan dosis efektif pada 3 mesin CT dengan pengujian abdominal terhadap pasien pediatrik dan dewasa menggunakan phantom CT yang dibuat dan detector pensil CT serta electrometer RADCAL. Phantom CT dibuat berdasarkan standar US-FDA untuk CT. Pengujian Computed Tomography (CT) yang dilakukan menggunakan 2 CT phantom yang berbeda, diameter 32 cm (pasien dewasa) dan diameter 16 cm (pasien pediatrik). Pengukuran CTDI dan perhitungan dosis efektif radiasi menunjukkan bahwa terdapat dosis pasien pediatrik yang lebih tinggi signifikan dibandingkan dengan dosis pasien dewasa pada perlakuan yang sama. Hal ini menandakan pentingnya penentuan secara hati-hati parameter teknis scan dan justifikasi yang kuat terhadap penggunaan pengujian CT pada pasien pediatrik.

---

A study has been performed to measure CTDI and effective dose on 3 CT machines pertinent to abdominal examination to adult and pediatric patients using fabricated CT phantom and RADCAL pencil detector and electrometer. The CT phantom was tailored according US-FDA standard. Computed tomographic (CT) examinations have been performed using two different CT phantoms, 32 cm (adult) and 16 cm (pediatric) diameter. Computed tomographic (CT) examinations and radiation effective dose showed significant higher pediatric dose as compared to adult patient dose at the same examinations. This indicates the importance of careful selection of technical scan parameters and strong justification of the use of CT examination on pediatric patient."

"CT-scan abdomen merupakan opsi dalam penegakan diagnosis terkait dengan dugaan penyakit yang diderita pasien menggunakan radiasi pengion, namun resiko radiasi pada organ sensitif di sekitar area abdomen dapat menimbulkan kekhawatiran tersendiri. Maka dari itu, dilakukan penelitian untuk menunjukkan seberapa besar dosis radiasi yang diterima organ sensitif (gonad, payudara, tiroid dan mata) pada pelaksanaan pemeriksaan CT abdomen, dengan fantom rando sebagai objek pemeriksaan dan TLD rod sebagai penangkap radiasi. Pelaksanaan pemeriksaan dilakukan dengan memvariasikan kV (80,120 dan 140) dan nilai pitch (4,6 dan 8). Dosis radiasi terbesar didapatkan pada gonad dengan 7,67 mGy dan terendah pada tiroid kanan dengan 0,01 mGy. Sehingga, dapat disimpulkan bahwa pemeriksaan CT-scan abdomen tidak menimbulkan efek langsung.

---

CT-scan for abdomen area is an examination option in diagnosis that related to patient’s disease, but the radiation risk that appears on sensitive organs near abdomen area need to be concern. Therefore, a research was done to show how much radiation dose for organs received (gonad, breasts, thyroids, and eyes) in CT-scan examination for abdomen, using rando phantom as an object and TLD rod as dosemeter. The variation of examination was done for kV (80, 120, and 140) and pitch (4, 6, and 8). The result show that gonad had received the highest radiation dose with 7,674 mGy (tube’s voltage was 140 kV, pitch 6). So, it can be concluded that examination with CT-scan did not give deterministic effect to sensitive organs."

"ABSTRAKPembacaan mammografi merupakan aktifitas yang memerlukan pengetahuan dan kemampuan yang handal. Keberhasilan pengobatan kanker payudara tergantung pada deteksi dini dan diagnosis kelainan payudara. Mamografi adalah pemeriksaan terbaik yang tersedia untuk mendeteksi tanda-tanda awal kanker payudara seperti massa, kalsifikasi, asimetri bilateral dan distorsi arsitektur. Karena keterbatasan pengamat manusia, komputer memiliki peran utama dalam mendeteksi tanda-tanda awal kanker. Metode watershed diharapkan dapat memberikan informasi berbagai fitur yang menentukan kelainan dan fakta bahwa mereka sering tidak bisa dibedakan dari jaringan sekitarnya.computer aided diagnosis mammography diharapkan dapat membantu dalam pembacaan ketidak normalan pada payudara . Segmentasi watershed dengan pemilihan filter yang tepat dapat menghasilkan citra yang bisa membantu dalam melakukan diagnosa. Untuk proses diagnosis diperlukan nilai spesifisitas dan sensitivitas yang tinggi. Hasil evaluasi pada metode watershed dan batas ambang untuk nilai sensitivitas dan spesifisitas memiliki perbedaan 45% dan 12%. evaluasi ROC kombinasi sobel watershed memiliki nilai akurasi 83% dan kombinasi prewitt watershed memiliki nilai akurasi 85%

---

ABSTRACTThe reading of mammography is an activity that requires knowledge and a powerful ability. Successful treatment of breast cancer depends on early detection and diagnosis of breast abnormalities. Mammography is the best available inspection to detect early signs of breast cancer such as mass, calcification, bilateral asymmetry and architectural distortion. Due to the limitations of the human observer, the computer has a major role in detecting early signs of cancer. Watershed method is expected to provide information on various features that define the disorder and the fact that they often can not be distinguished from the surrounding tissue. mammography computer-aided diagnosis is expected to assist in the reading of abnormalities in the breast. Watershed segmentation with the selection of the right filter can produce images that could help to make diagnosis. For the diagnostic process is required specificity and high sensitivity. The results of the evaluation at watershed method and the threshold for sensitivity and specificity have a difference of 45% and 12%. ROC evaluation Sobel combination watershed has a value of 83% accuracy and combination prewitt watershed has a value of 85 % accuracy"

"ABSTRAKPenelitian ini mengembangkan Computer Aided Diagnosis (CAD) untuk mamografi dengan menggunakan metode segmentasi Markov Random Field (MRF) dan local threshold. Metode local threshold mencari abnormalitas dengan membandingkan segmen citra abnormal dengan normal. Sementara itu, metode MRF mencari abnormalitas berdasarkan nilai piksel dan bentuk cluster. Metode MRF dikerjakan dengan dan tanpa median filter, contrast enhancement histeq dan CLAHE. Metode segmentasi local threshold memiliki sensitivitas 77,8%, akurasi 68,4%, spesifitas 60,4%, presisi 62,5%, dan overall error 31,6%. Rendahnya keberhasilan disebabkan bentuk payudara pada data sampel tidak seragam, sehingga tiap segmen dari tiap citra belum tentu menunjukkan posisi yang sama. Segmentasi citra MRF yang dilakukan tanpa filter dan contrast enhancement, memiliki keberhasilan terendah. Hal ini membuktikan bahwa citra mamografi memiliki kontras yang rendah dan noise yang tinggi. Metode MRF dilengkapi dengan median filter memiliki akurasi tertinggi (87,0%) dan overall error terendah (12,8%), yang berarti metode ini adalah metode yang paling baik dalam melakukan deteksi sesuai dengan diagnosis dokter. Metode histeq+MRF memiliki sensitivitas yang tinggi (95,9%) dan spesifitas yang rendah (76,2%) yang menunjukkan bahwa metode ini berhasil mendeteksi citra abnormal sebagai abnormal, namun banyak mendeteksi citra normal sebagai abnormal. Metode CLAHE+MRF memiliki nilai spesifitas tertinggi (92,2%) dan sensitivitas terendah (73,1%) yang berarti metode berhasil mendeteksi citra normal sebagai normal, namun banyak mendeteksi citra abnormal sebagai normal. Dalam menentukan sifat benign dan maglina dari cluster abnormal, metode histeq+MRF merupakan metode yang paling berhasil dalam memvisualisasi citra dengan diagnosis maglina.

---

ABSTRACTThis research developed Computer Aided Diagnosis (CAD) for mammography using Markov Random Field (MRF) and local thereshold method. The Local thereshold methods finds abnormalities by comparing segments from abnormal image. While, MRF methods find abnormalities based on the pixel value and cluster's shape. In this research, the MRF method carried out with median fiter, histeq, and CHALCE contrast enhancement. MRF without any filter and contrast enhancement also done. The sensitivity, accuracy, specfity, presision and overall error of local thereshold method sequentially are 77.8%, 68.4%, 60.4%, 62.5%, and 31.6%. The low result caused by the diversity of the breast's from in the sample, so that each segment on each image doesn't refer to the same anatomical position. MRF segmentationwithout any filter and contrast enhancement gave the worst result. This result proved that mammography images have poor contrast and lot of noise. MRF method with median filter has the highestaccuracy (87.0%) and the lowest overall error (12.8%). This score shows that median filter + MRF method is the best method that can matches doctor's diagnosis. Histeq+MRF method has the highest sensitivity (95.9%) and the lowest specifity (76.52%). This result indicates that histeq+MRF method succesfully detect abnormal image as abnormal, but detect many the normal images as abnormal. CLAHE+MRF method has the highest specifity (92.2%) and the lowest sensitivity (73.1%). It shows that this method has a good performance in detecting normal image as normal but detect many abnormal images as normal. Histeq+MRF method shows the best performance in visualizing maglina clusters."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."

"Citra Cone Beam CT (CBCT) sangat berperan dalam menentukan keberhasilan verifikasi posisi pasien radioterapi, oleh karena itu jaminan kualitas sistem CBCT sangat diperlukan. Percobaan ini dilakukan dengan menggunakan pesawat Linear accelerator yang dilengkapi dengan CBCT dan CT Simulator GE Bright Speed Edge. Fantom Catphan® 600 dan CBCT Electron DensityTM digunakan untuk menilai kualitas dari citra CBCT dan linearitas CT Number. Sesuai dengan uji kualitas, citra pada CBCT hanya dapat membedakan kontras rendah dan kontras tinggi (udara, jaringan dan tulang). Hasil uji ketebalan slice menunjukkan nilai yang didapat masih dalam batas toleransi ±0.5 mm. Pada uji kontras rendah bagian supra-slice untuk target kontras 1%, 0.5%, dan 0.3% nilai konstantanya sebesar 3, 2.5, dan 4.5, sedangkan pada bagian sub-slice untuk target kontras jarak 7, 5, dan 3 mm memiliki nilai konstanta 5 mm. Hasil pengujian resolusi tinggi pada CBCT dan CT Simulator adalah 3 lp/cm dan 7 lp/cm. Hasil pengujian uniformitas pada CBCT tidak memenuhi standar dari batas toleransi rata-rata CT Number tepi dan tengah kurang dari 5 HU, dan nilai setiap titik tepi dan tengah ±2 HU.

---

Cone Beam Computed Tomography (CBCT) image is very important in verification of patient positioning in the treatment couch radiotherapy machine so quality control of the system is required. The experiment was performed using the Linear accelerator with equipped with CBCT and CT simulator GE Bright Speed Edge. Catphan® 600 and CBCT Electron DensityTM phantom was used to evaluate the quality of CBCT and CT Number linearity. According to the image quality test, the CBCT image only be able to distinguish low contrast and high contras for air, tissue and bone.

Quantitavely, the slice thickness was in tolerance limit ±0.5 mm, low contrast with constant value of 3, 2.5, dan 4.5 for supra-slice contrast targets 1%, 0.5%, dan 0.3% whereas sub-slice targets axis lenghts for 3, 5, and 7 mm with constant value of 5 mm, the high resolution appear in 3 lp/cm and 7 lp/cm for CBCT and CT simulator, respectively. On the one hand, CBCT uniformity was out of tolerance limit with average CT number edge and central less than 5 HU, and ±2 HU for the edge and center point."