Hasil Pencarian  ::  Simpan CSV :: Kembali

"Electrical Impedance Tomography (EIT) adalah salah satu teknik pencitraan dengan merekronstruksi gambar dari wilayah tertentu dalam tubuh manusia berdasarkan konduktivitas dari jaringan biologis. Terdapat perangkat EIT yang telah dirancang bangun dan mampu mengambil data berbasis Arduino dan MATLAB EIDORS. Namun, untuk mengakuisisi data, menyimpan, mengubah, dan melakukan visualisasi datanya kembali masih cukup sulit dilakukan.  Terdapat salah satu teknik rekonstruksi citra EIT sejak tahun 2017 berbasis Python bernama pyEIT yang dapat memudahkan pengguna untuk melakukan visualisasi data EIT. Sehingga, penulis berharap untuk merancang sebuah software berbasis pyEIT dan Tkinter yang memudahkan pengguna untuk mengakuisisi data dari perangkat EIT secara otomatis dan melakukan visualisasi data EIT dengan berbagai parameter.

---

Software berbasis pyEIT dan Tkinter telah berhasil dirancang yang dapat memudahkan pengguna untuk melakukan akuisisi data dari perangkat EIT secara otomatis dan menyimpan serta melakukan visualisasi data EIT dalam bentuk pyEIT. Jumlah mesh yang dihasilkan oleh software berbasis pyEIT adalah 376 elemen yang dapat diatur lagi dengan elektrodanya yang berputar secara clockwise. Beberapa parameter yang dapat ditentukan oleh pengguna akan mempengaruhi grafik dan citra data EIT yang dihasilkan. Selain itu, software ini mampu memiliki SSIM tertinggi 0.8819 namun bergantung juga dengan tipe rekonstruksi, urutan pengambilan data, dan salinitas dari phantom yang digunakan. Electrical Impedance Tomography (EIT) is an imaging technique that reconstructs images of certain areas of the human body based on the conductivity of biological tissue. An EIT device has been designed and capable of retrieving data based on Arduino and MATLAB EIDORS. However, to acquire data, store, modify, and visualize the data again is still quite difficult. There is a Python-based EIT image reconstruction technique since 2017 called pyEIT which can make it easier for users to visualize EIT data. Thus, the authors hope to design a software based on pyEIT and Tkinter that makes it easier for users to acquire data from EIT devices automatically and visualize EIT data with various of parameters. Software based on pyEIT and Tkinter has been successfully designed, making it easier for users to automatically acquire data from EIT devices and store and visualize EIT data in the form of pyEIT. The number of meshes generated by the pyEIT-based software is 376 elements which can be rearranged with the electrodes rotating clockwise. Several parameters that can be defined by the user will affect the graphs and images of the resulting EIT data. In addition, this software is capable of having the highest SSIM 0.8819 but it also depends on the type of reconstruction, the sequence of data retrieval, and the salinity of the phantom used."

"Electrical Impedance Tomography (EIT) sebagai alat pencitraan non-invasif dan fungsional semakin banyak digunakan, terutama untuk pemantauan paru-paru. Namun, kompleksitas EIT mengakibatkan waktu pemrosesan yang lambat dan kualitas gambar yang kurang baik, sehingga sulit diterapkan secara real-time. Penelitian ini mengembangkan phantom resistor yang mensimulasikan struktur paru-paru dan meningkatkan kualitas citranya dengan metode segmentasi berbasis AI. Phantom resistor ini mampu meniru impedansi listrik jaringan tubuh pada area paru-paru (kulit 1k ohm, lemak 4.7k ohm, otot 1k ohm, dan paru-paru 2.2k ohm) dan menunjukkan perbedaan citra antara kondisi ekspirasi dan inspirasi dengan nilai mean, standar deviasi, dan varian sampel yang baik. Dataset terdiri dari 594 gambar dengan variasi tipe rekonstruksi, urutan elektroda injeksi, dan posisi, digunakan untuk melatih model segmentasi. Model segmentasi K-means dengan 4 klaster dan U-Net diuji pada phantom resistor paru-paru, menunjukkan akurasi validasi 0.7071 dan kerugian validasi 0.1441, berhasil mensegmentasi jaringan tubuh di sekitar paru-paru. Peningkatan kualitas citra EIT diukur dengan SSIM terbaik sebesar 0.8225 pada segmentasi K-means, meskipun kesamaan perseptual belum dapat ditingkatkan, dengan nilai LPIPS terbaik sebesar 0.1885 pada gambar original hasil rekonstruksi EIT. Penelitian ini menunjukkan bahwa phantom resistor dan segmentasi berbasis AI dapat meningkatkan kualitas citra EIT dan memvalidasi perangkat tanpa pengujian langsung pada manusia.

---

Electrical Impedance Tomography (EIT) as a non-invasive and functional imaging tool is increasingly used, particularly for lung monitoring. However, the complexity of EIT results in slow processing times and poor image quality, making real-time application challenging. This study developed a resistor phantom that simulates lung structure and improves image quality using AI-based segmentation methods. The resistor phantom can mimic the electrical impedance of body tissues in the lung area (skin 1k ohm, fat 4.7k ohm, muscle 1k ohm, and lungs 2.2k ohm) and demonstrates image differences between expiratory and inspiratory conditions with good mean, standard deviation, and sample variance values. A dataset of 594 images with variations in reconstruction type, electrode injection sequence, and position was used to train the segmentation model. Segmentation models using K-means with 4 clusters and U-Net were tested on the lung resistor phantom, showing validation accuracy of 0.7071 and validation loss of 0.1441, successfully segmenting body tissues around the lungs. Improved EIT image quality was measured with the best SSIM value of 0.8225 in K-means segmentation, although perceptual similarity could not be improved, with the best LPIPS value of 0.1885 on the original EIT reconstructed images. This study demonstrates that the resistor phantom and AI-based segmentation can enhance EIT image quality and validate devices without direct human testing."