Penginderaan Video Kompresif Untuk Rekonstruksi Sinyal MRI Dinamis Dengan Metode Iteratively Reweighted Least Squares
DOI:
https://doi.org/10.34818/eoe.v7i2.13430Abstract
Magnetic Resonance Imaging (MRI) adalah salah satu cara dokter dalam memeriksa dan mengambil gambar organ, jaringan dan sistem rangka dengan solusi tinggi. Hasil dari MRI akan tersimpan pada memori computer rumah sakit dalam waktu yang lama sebagai arsip pemeriksaan pasien. Dengan ukuran data yang besar serta jumlah yang bertambah mengharuskan komputer di rumah sakit memiliki memori yang besar. Motivasi utama dalam pengembangan Compressive Sensing (CS) di MRI adalah keinginan untuk mengurangi jumlah data yang diperlukan dalam membuat gambar. Pada Tugas Akhir ini telah dilakukan perancangan sistem untuk reoksntruksi menggunakan data video MRI otak dengan penyakit Alzeimer, data MRI video otak normal, data video MRI tulang punggung dan data video MRI infract. Metode dalam tugas akhir adalah CS dengan menggunakan metode Iteratively Reweighted Least Squares(IRLS). Pada sistem ini menggunakan transformasi sparsity dengan teknik Discrete Cosine Transform(DCT) dan untuk transformasi proyeksi digunakan teknik Gaussian. Hasil yang diperoleh dari pengujian MRI video yaitu nilai Structural Similary Index Measure(SSIM) tertinggi saat parameter Measurement Rate(MR) 90% yaitu satu untuk semua resolusi data MRI otak normal. Nilai Mean Square Error(MSE) terrendah saat parameter MR 90% yaitu nol untuk semua resolusi data MRI otak normal. Peak Signal to Noise Ratio(PSNR) tertinggi saat parameter MR 90% yaitu tak hingga untuk semua resolusi data MRI otak normal. Kata kunci : Magnetic Resonance Imaging, Compressed Sensing, Iteratively Reweighted Least Squares, Discrete Cosine TransformDownloads
References
[1] M. Notosiwoyo and S. Suswati, "Pemanfaatan Magnetic Resonance Imaging (MRI) Sebagai Sarana Diagnosa Pasien.," Media Penelitian dan Pengembangan Kesehatan, vol. XIV , no. 3, 2014.
[2] S. Pudlewski and T. Melodia, "A Tutorial on Encoding and Wireless Transmission of Compressively Sampled Videos," IEEE Communication Surveys & Tutorials, vol. 15, no. 2, pp. 754-767, Second Quarter 2013.
[3] C. G Graff and E. Y Sidky, "Compressive Sensing in Medical Imaging," vol. 58, no. 8, pp. C23-C44, March 2015.
[4] C. Chen, J. Huang, L. He, and H. Li, "Preconditioning for Accelerated Iteratively Reweighted Least Squares in Structured Sparsity Reconstruction," in 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, 2014, pp. 2713-2720.
[5] Y. Liu, S. Wu, X. Huang, C. Zhu, and B. Chen, "Hybrid CS- DMRI : Periodic Time-Variant Subsampling and Omnidirectional Total Variation Based Reconstruction," IEEE Transactions on Medical Imaging, vol. 36, no. 10, pp. 2148-2159, Oct. 2017.
[6] J. V Shi, W. Yin, A. C Sankaranarayanan, and R. G Baraniuk, "Video Compressive Sensing for Dynamic MRI," BMC Neurosci, vol. 13, p. 183, January 2012.
[7] S. Qaisar, R. Muhammad Bilal, W. Iqbal, M. Naureen, and S. Lee, "Compressive Sensing: From Theory to Applications, a Survey," Journal Of Communication And Networks, vol. 15, no. 5, pp. 443-456, October 2013.
[8] S. Burrus C, "Iterative Reweighted Least Squares," OpenStax-CNX, December 2012.
[9] S. Ramani and J. A Fessler, "An Accelerated Iterative Reweighted Least Square Algorithm for Compressed Sensing MRI," in 2010 IEEE International Symposium on Biomedical Imaging: From Nano to Macro, Rotterdam, 2010, pp. 257-260.
[10] N. Mujahidah Azzahra, Adiwijaya , and D. Triantoro, "Algoritma Discrete Cosine Transform (DCT) dan Absolute Moment Block Truncation Coding (AMBTC) Pada Sistem Watermarking Untuk Deteksi dan Recovery Citra Medis Termodifikasi," e-Proceeding of Engineering, vol. 2, no. 2, p. 6807, August 2015.
[11] A. Miftahur Rohman, I. Wahidah, and G. Budiman, "Analisis Transformasi Proyeksu Gaussian Untuk Penginderaan Citra Kompesif," Universitas Telkom, Bandung, Tugas Akhir 2011



