Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dental record is one of the ways to identify human identity. Identification requires a system, which is able to recognize each human tooth automatically. Teeth and gums becomes an important issue be-cause they have a high similarity in a dental radiograph image. This similarity tends to influence the segmentation error. This paper proposes a new contrast enhancement by using parameter sigmoid transform to improve the segmentation accuracy. The five main steps are: 1) preprocessing to improve the image contrast using our proposed method, 2) teeth segmentation using horizontal and vertical in-tegral projection, 3) feature extraction, 4) teeth classification using Support Vector Machine (SVM) and 5) teeth numbering. Experimental results using our proposed method have an accuracy rate of 88% for classification and 73% for teeth numbering.

---

Data rekaman gigi adalah salah satu cara untuk mengidentifikasi manusia. Pengidentifikasian membutuhkan sebuah sistem yang mampu mengenali tiap gigi secara otomatis. Intensitas gigi dan gusi yang hampir sama menjadi masalah utama pada citra dental radiographs karena dapat menga-kibatkan kesalahan dalam proses segmentasi. Pada paper ini diusulkan sebuah metode perbaikan kontras yang baru dengan menggunakan parameter sigmoid transform untuk meningkatkan keaku-ratan hasil segmentasi. Lima tahapan utama yaitu: 1) praproses untuk memperbaiki kontras gambar menggunakan metode yang diusulkan, 2) segmentasi gigi menggunakan horizontal dan vertical inte-gral projection, 3) ekstraksi fitur, 4) klasifikasi meggunakan Support Vector Machine (SVM) dan 5) penomoran gigi. Hasil eksperimen menggunakan metode yang diusulkan menunjukkan tingkat keaku-ratan hasil klasifikasi sebesar 88% dan penomoran gigi sebesar 73%.

Abstrak :
Nilai Glomelural Filtration Rate (GFR) sebagai salah satu hasil pemeriksaan renogram, saat ini diperoleh dengan cara membuat Region of Interest (ROI) secara manual pada kedua ginjal. ROI ini akan menghasilkan jumlah cacahan dari kedua ginjal yang akan digunakan untuk menghitung GFR. Karena dibuat secara manual, maka ROI dan nilai GFR tersebut hasilnya subyektif dan bergantung pada kemampuan operator. Oleh karena itu, pembuatan ROI ginjal secara otomatis menggunakan prinsip segmentasi citra dengan algoritma pengolahan citra yang sudah ada dapat menjadi solusi. Proses pembuatan ROI ginjal secara otomatis meliputi 3 tahap yaitu pre-processing, image contrast enhancement, dan image segmentation. Hasil akhir yang diperoleh adalah citra hasil pemeriksaan renogram dengan kedua ginjal yang sudah dibROI secara otomatis. Hasil pengujian yang dilakukan terhadap 35 pasien diperoleh 26 pasien berhasil di ROI secara otomatis dan 9 pasien gagal. Dari 26 pasien yang berhasil, hasilnya dibandingkan secara kuantitatif dengan ROI manual yang dilihat dari nilai true positive (TP), false negative (FN), dan false positive (FP). Diperoleh nilai rata-rata dari semua pasien yang berhasil yaitu TP 82,42%, FN 16,86%, dan FP 14,57%. ...... Glomelural Filtration Rate (GFR) value as one of the result of renogram examination, is obtained by delineate Region of Interest (ROI) manually on both kidney. This ROI will produce counts from both kidney which is used to calculate GFR. Because of delineate manually, the result would be subjective and depend on operators’ skill. Therefore, automatic kidney ROI using image segmentation with image processing algorithm that have been widely used can be one solution to relieve this problem. The process to make this automatic kidney ROI include 3 steps: pre-processing, image contrast enhancement, and image segmentation. The final result is renogram examination image that both kidney have ROI automatically. Results of the test performed on 35 patients show 26 patients were successful and 9 patients failed because of some reasons. From this 26 successful patients, the results were compared quantitatively with manual delineation ROI as seen from true positive (TP), false negative (FN), dan false positive (FP) value. The average values ​​obtained from all patients who successfully ie TP 82.42%, FN 16.86%, and 14.57% FP.

Abstrak :
A 2014 report from Digital Marketing Philippines stated that the number of web applications with visual content as their main product has increased significantly. Image processing technology has also undergone significant growth. One example of this is optical character recognition (OCR), which can convert the text on an image to plain text. However, a problem occurs when the image has low contrast and low exposure, which potentially results in information being hidden in the image. To address this problem, histogram equalization is used to enhance the image’s contrast so the hidden information can be shown. Similar to X-ray scanning used in the medical field, histogram equalization processes scanned images that have low brightness and low contrast. In this study, histogram equalization was successfully implemented using OCR preprocessing. The test was done with a dataset that contains dark background images with low light text; the successful outcome resulted in the ability to show 74.95% of the information hidden in the image.