Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPerencanaan radioterapi dilakukan untuk mendapatkan hasil rasio terapeutik yang optimal. Untuk mencapai hal tersebut diperlukan perhitungan distribusi dosis yang akurat, dan hal tersebut secara signifikan dipengaruhi oleh inhomogenitas jaringan. Oleh karena itu, penelitian ini dilakukan untuk mengetahui perbandingan antara perencanaan radioterapi 3D-CRT, IMRT, dan SBRT berdasarkan citra terkalibrasi kurva bilangan CT menggunakan Fantom CIRS Model 062M, Fantom CIRS Model 002LFC, dan kurva kalibrasi bilangan CT Linier pada organ paru-paru untuk bentuk target silinder, setengah silinder, dan konkaf ‘C’ pada teknik 3D-CRT dan IMRT, serta sumsum tulang belakang untuk teknik SBRT. Kurva kalibrasi bilangan CT dimasukkan ke dalam TPS Pinnacle3, kemudian perencanaan radioterapi dilakukan untuk teknik 3D-CRT, IMRT dengan 7 lapangan radiasi, dan SBRT dengan 15 lapangan radiasi. Evaluasi dilakukan dengan membandingkan kurva DVH, indeks homogenitas, dan indeks konformitas. Pada perencanaan 3D-CRT dan IMRT dihasilkan indeks homogenitas terbaik pada kurva kalibrasi CIRS Model 002LFC dengan nilai 0.243 dan 0.1007. Sedangkan untuk SBRT, indeks homogenitas terbaik pada kurva kalibrasi linier dengan nilai 0.361. Indeks konformitas terbaik pada teknik IMRT dan SBRT didapatkan dengan menggunakan kurva kalibrasi linier yakni sebesar 0.974 dan 1.770, sedangkan untuk 3D-CRT didapatkan pada kurva kalibrasi CIRS Model 062M yakni sebesar 0.452. Dari hasil nilai indeks konformitas dan indeks homogenitas tersebut, maka dapat disimpulkan bahwa kurva kalibrasi bilangan CT yang digunakan dalam penelitian tidak berbeda jauh dengan literatur yakni kurva kalibrasi Schneider.

---

ABSTRACTRadiotherapy planning is performed to achieve the optimal therapeutic ratio. For that purpose, accurate calculation of the dose distribution is required, and the calculation is significantly affected by inhomogeneity tissue. This study was performed to determine the ratio between radiotherapy treatment planning using 3D-CRT, IMRT, and SBRT technique based on a calibrated curve of CT-number using Phantom Density Electron CIRS Model 062M, Phantom Thorax CIRS Model 002LFC, and linear calibration curve of CT-number in lung for cylindrical target, half cylinder and concave “C” in 3D-CRT, IMRT, and spinal cord for SBRT. Calibration curves of CT-number was generated under measurement basis and introduced into TPS Pinnacle3, then radiotherapy planning was performed for 3D-CRT, and IMRT technique with 7 radiation fields, and SBRT with 15 radiation fields. Afterwards, planning evaluation was performed by comparing the DVH curve, homogeneity index, and conformity index. 3D-CRT and IMRT technique produced the lowest homogeneity index at calibration curve of CIRS Model 002LFC with the value 0.243 and 0.1007. Whereas SBRT produced the lowest homogeneity index on a linear calibration curve with a value of 0.361. The highest conformity index in IMRT and SBRT technique achieved using a linear calibration curve was 0.974 and 1.770 respectively. For 3D-CRT, the highest conformity index was obtained by using calibration curve of CIRS Model 062M with the value of 0.452. From the results of conformity index and homogeneity index, it is concluded that the calibration curve of CT-number used in this study does not significantly differ with available literature (Schneider’s calibrated curve)."

"Kanker payudara adalah salah satu penyebab kematian terbesar diantara penderita kanker wanita di seluruh dunia. Berbagai metode mulai dari bedah, kemoterapi, sampai radioterapi dikembangkan untuk meningkatkan tingkat kesembuhan dan menaikan angka harapan hidup pasien. IMRT adalah salah satu cara pemberian dosis radiasi yang efektif dan sudah luas digunakan. IMRT memungkinkan dosis radiasi dibagi menjadi fraksi- fraksi yang kemudian di berikan dari berbagai arah dan sisi. Cara ini dapat meminimalisir paparan radiasi pengion ke jaringan sehat sementara di waktu yang bersamaan memberikan dosis yang semaksimal mungkin ke jaringan tumor. Dibutuhkan pengukuran dosis yang akurat agar fungsi ini berjalan. Ada beberapa algoritma kalkulasi dosis yang dikembangkan, diantaranya AAA dan AXB. Pada penelitian ini, perbedaan output dari kedua algoritma kalulasi dosis akan dikaji. Evaluasi pada bagian OAR dilakukan dengan membandingkan perbedaan dosis rata-rata antar algoritma. Sementara evaluasi PTV dilakukan dengan membandingkan Homogeneity Index.

---

Breast cancer is one of the leading causes of death among women with cancer worldwide. Various methods ranging from surgery, chemotherapy, to radiotherapy were developed to increase the cure rate and increase the patient's life expectancy. IMRT is an effective and widely used method of administering radiation dosing. IMRT allows the radiation dose to be divided into fractions which are then delivered from different directions and sides. This method minimizes exposure to ionizing radiation to healthy tissue while at the same time delivering the maximum possible dose to tumor tissue. An accurate dose measurement is required to achieve this objectives. There are several dose calculation algorithms developed, including AAA and AXB. In this study, the different outputs of the two dose calculation algorithms will be studied. Evaluation in the OAR section is done by comparing the difference in the average dose between algorithms. While the PTV evaluation was carried out by comparing the Homogeneity Index."

"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."