Perpustakaan Digital ITB

Teknologi Dual-Energy Computed Tomography (DECT) memungkinkan rekonstruksi Virtual Monochromatic Image (VMI) untuk mengukur nilai Hounsfield Unit (HU) jaringan secara akurat. Namun, ekstraksi data HU sering terhambat oleh artefak di batas antar-organ dan tingginya noise pada spektrum energi rendah. Mengingat pemisahan organ (segmentasi) secara manual memakan waktu dan bersifat subjektif, otomasi melalui kecerdasan buatan menjadi solusi yang sangat dibutuhkan. Penelitian ini bertujuan menguji stabilitas algoritma segmentasi otomatis deep learning (TotalSegmentator) dan mengevaluasi kurva HU-Energi terhadap modifikasi geometri citra. Menggunakan data sekunder DECT area abdomen (40–140 keV), ketahanan algoritma diuji melalui variasi penyesuaian batas tepi (fine-tuning), yaitu penghalusan tepi (smoothing 1,5; 3,0; dan 4,5 mm) dan pengikisan batas luar (margin shrinking 2,5; 3,0; dan 3,5 mm). Nilai rata-rata HU dari parameter geometri yang paling stabil kemudian dikonversi menjadi koefisien atenuasi linear (?). Hasil analisis menunjukkan bahwa ukuran awal organ sangat menentukan ketahanannya terhadap pengikisan tepi. Organ padat dan besar sangat stabil, sedangkan organ tipis rentan hilang pada pengikisan tertentu. Evaluasi kurva HU-Energi membuktikan bahwa kombinasi smoothing 1,5 mm dan margin 2,5 mm adalah konfigurasi paling optimal. Profil peluruhan parameter fisis bersifat eksponensial, yang sejalan dengan teori. Disimpulkan bahwa alur kerja segmentasi ini terbukti valid dan dapat dijadikan langkah acuan untuk memastikan akurasi data atenuasi jaringan biologis.