Pengaruh Penggunaan Efek Filtering Pada Hasil Citra Gigi

Digital Berartefak Menggunakan Cone Beam Computed

Tomography (CBCT)
Adi Sismadi 1) Drs. Puji Hartoyo, M.Si.1) Dr. Nursama Heru A, M.Si.1)
1)
Jurusan Fisika, Fakultas Teknik dan Sains, Universitas Nasional, Jakarta
Email : adisismadi.unas@gmail.com

Abstrak. Mesin Cone Beam Computed Tomography (CBCT) merupakan alat radiografi yang menghasilkan citra
pemeriksaan radiologi gigi yang informatif dan menggambarkan struktur craniofacial, meliputi struktur anatomi rongga
mulut, wajah, dan rahang pasien. Citra pemeriksaan radiologi gigi dengan alat Cone Beam Computed Tomography
(CBCT) tidak berbeda signifikan dengan objek sesungguhnya. Citra yang mengandung artefak adalah kesalahan dalam
gambar (adanya sesuatu dalam gambar yang tidak ada hubungannya dengan objek yang diperiksa) sehingga dapat
menurunkan detail citra. Beberapa teknik telah dilakukan dalam upaya untuk memperbaiki citra yang dianggap kurang
baik, namun dalam penentuan secara visual citra yang terdapat artefak sebaiknya memiliki standarisasi nilai acuan pada
citra yang akan diperbaiki kualitas tersebut. Penelitian ini mengacu pada kerangka kerja di mana citra asli akan di coba
untuk di intervensi langsung oleh filter (median, Gaussian, Wiener) tanpa melalui proses apapun sebelumnya, dengan
mengetahui terlebih dahulu, berapa nilai citra asli sebelum di perbaiki citranya. PIQE Score salah satu metode yang
mampu mengukur tingkat kualitas suatu citra. Nilai PIQE Score juga menunjukkan adanya perubahan untuk masing-
masing penggunaan metode filter, dengan nilai berubah dari citra awal 17.7150 menjadi 15.8416 (metode Filter
Gaussian), 33.0449 (metode filter median), 39.3339.

Kata kunci : Citra digital, Filtering, PIQE Score.

Abstract. The Cone Beam Computed Tomography (CBCT) machine is a radiographic device that produces dental
radiological examination images that are informative and describe the craniofacial structure, including the anatomical
structure of the patient's oral cavity, face, and jaw. Image of dental radiology examination using Cone Beam Computed
Tomography (CBCT) was not significantly different from the real object. Images containing artifacts are errors in the
image (the presence of something in the image that has nothing to do with the object being examined) so that it can
reduce image details. Some techniques have been carried out in an effort to improve the image that is considered
unfavorable, but in visual determination of the image contained artifacts should have a standardized reference value on
the image to be improved quality. This study refers to the framework in which the original image will be tried to be
intervened directly by filters (median, Gaussian, Wiener) without going through any process beforehand, by knowing in
advance, how much the value of the original image before repairing its image. PIQE Score is one method that is able to
measure the level of quality of an image. The PIQE Score also indicates a change for each use of the filter method, with
the value changing from the initial image of 17.7150 to 15.8416 (Gaussian filter method), 33.0449 (median filter
method), 39.3339 (Wiener filter method).

Keywords: Digital image, Filtering, PIQE Score.

PENDAHULUAN
Pemeriksaan radiologi gigi berperan penting dalam menegakkan diagnosis pada evaluasi dan perawatan di bidang
kedokteran gigi, karena citra yang dihasilkan mampu untuk menyampaikan informasi pada kondisi objek yang tidak
dapat dilihat secara klinis. Citra pemeriksaan radiologi gigi diperlukan untuk menentukan diagnosis, rencana perawatan,
prosedur perawatan, prognosis, follow-up, dan edukasi bagi pasien. Dokter gigi membutuhkan kualitas citra radiografi
yang optimal dengan resolusi tinggi dan detail yang sangat rinci agar dapat menetapkan diagnosis secara benar,
khususnya pada perawatan yang memerlukan ketelitian seperti pada pemasangan implant yang membutuhkan ketepatan
dimensi anatomi[1]. Mesin Cone Beam Computed Tomography (CBCT) merupakan alat radiografi yang menghasilkan
citra pemeriksaan radiologi gigi yang informatif dan menggambarkan struktur craniofacial, meliputi struktur anatomi
rongga mulut, wajah, dan rahang pasien. Pengujian terdahulu menunjukkan bahwa rata-rata hasil pengukuran pada citra
pemeriksaan radiologi gigi dengan alat Cone Beam Computed Tomography (CBCT) tidak berbeda signifikan dengan
objek sesungguhnya[2]. Adapun Pengelolahan citra atau gambar dalam dunia medis memegang peranan yang sangat
penting dalam menentukan diagnosa pasien. Namun, sering kali tidak disadari akan pentingnya informasi yang
ditampilkan dalam suatu pengelolaan citra tersebut. Citra atau gambar merupakan suatu representasi, kemiripan atau
imitasi dari sebuah objek sebagai keluaran suatu sistem perekaman data yang dapat bersifat optik ataupun digital serta
dapat disimpan dalam suatu media penyimpanan[3].
Tahun 2012 Issa Ibraheem melakukan penelitian pengurangan artefak karena logam dengan algoritma[4], Pada Tahun
2016 Abhishek Sinha, Anuj Mishra, Sunita Srivastava, Pooja M Sinha , Akhilanand Chaurasia menjabarkan tentang
artefak yang dapat mempengaruhi citra CBCT[5]. Tahun 2016 juga Nurul Athira juga menulis tentang Teknologi
medical imaging seperti Cone Beam Computed Tomography (CBCT) memungkinkan pencitraan organ atau jaringan
internal tubuh manusia dengan menghasilkan Spatial Resolution dan kontras yang makin baik dan waktu akuisisi citra
yang semakin cepat. Kondisi ini menjadikan perangkat medical imaging menjadi salah satu perangkat diagnosis utama
khususnya pada bagian radiologi. Hasil perekaman data dari CBCT digunakan untuk melihat, mengetahui atau
memberikan suatu diagnosis berdasarkan irisan anatomi yang dipresentasikan pada citra tersebut. Pada bidang
radioterapi, yakni brakhiterapi menggunakan seed (berupa logam yang berfungsi sebagai tempat sumber radiasi) yang
ditanamkan pada volume target. Penanaman seed akan menimbulkan artefak pada citra hasil perekaman CT[6]. Artefak
dapat mempengaruhi kualitas citra dan keakuratan dalam mendapatkan diagnosis selanjutnya. Hal ini disebabkan karena
logam tersebut berada di luar kisaran normal yang dapat ditangani oleh komputer CT[6]. Salah satu faktor adanya
bentuk gambaran artefak dalam citra dental CBCT adalah karena sejenis logam (implant) yang terpasang di dalam
rongga mulut pasien.

BAHAN DAN METODE PENELITIAN

Bahan yang digunakan dalam penelitian ini yaitu citra CBCT dental pasien pengguna implant sebanyak 30 citra yang
sudah pasti memberikan gambaran artefak. Citra diambil dari satu slice pada citra pasien dengan gambaran yang paling
jelas pada tiap pasien yang sudah terdapat artefak. Citra yang sudah dipisahkan berdasarkan diagnosa ini diolah dengan
Software Matlab R2019a yang terinstal pada Microsoft Windows 10 64bit.
Metode pengambilan data di mana data model atau database adalah kumpulan data yang saling berhubungan yang
disimpan secara bersama sedemikian rupa dan tanpa pengulangan, untuk memenuhi berbagai kebutuhan. Sebagai
database dalam penelitian ini yaitu 30 citra CBCT dental
kategori gambaran artefak telah tampak format citra bawaan yaitu DICOM 512 x 512 pixel. Dari hasil beberapa pasien
pengguna yang akan menggunakan implant, citra dikumpulkan dan diolah sedemikian rupa menggunakan aplikasi
MATLAB 2019a, citra akan di filterasi menggunakan beberapa filter, kemudian hasil akan menampilkan reduksi dari
gambaran artefak dan kemudian diukur kualitas citra.

DESAIN DAN KERANGKA KERJA PENELITIAN

Dengan menggunakan citra dari beberapa pasien yang telah di dapatkan maka akan di lakukan pengolahan citra
menggunakan filter Median, Filter Gaussian dan filter wiener pada program MATLAB.
Metode ini bertujuan untuk mereduksi gambaran citra yang berartefak yang terdapat pada citra beberapa pasien. Ini
bertujuan untuk meninjau kualitas citra yang didapatkan serta tambahan informasi seberapa besar pengaruh perubahan
kualitas citra yang terdapat artefak setelah pengolahan image dari penggunaan algoritma filter yang telah didesain.
 Input
Output

Filter 1 (a1) Citra Digital y1=a1Xn

Citra Digital Asli
Intervensi Filter 2 (a2) Citra Digital y2=a2Xn
(Xn)

Filter 3 (a3) Citra Digital y3=a3Xn

HASIL DAN PEMBAHASAN

Pada tahap ini citra masukan berupa citra hasil foto CBCT gigi dengan format bitmap (.bmp) berupa satu irisan citra
yang diambil dari beberapa irisan yang dianggap lebih tampak adanya artefak antara irisan 100 sampai dengan 200.
Dipilih sebanyak 30 citra yang dijadikan data, terdiri dari 30 data dari pasien yang berbeda. Data hasil foto citra CBCT
yang diolah menggunakan metode pengolahan citra disajikan pada Gambar 4.1. Semua data tersebut akan mengalami
proses pengolahan citra. Proses pengolahan citra dilakukan melalui 4 tahap yaitu Transformasi RAW Data berupa
DICOM menjadi format bmp dengan bantuan Aplikasi viewer Onis25 Free Edition, perubahan format bmp menjadi
gray scale (Skala Keabuan) dengan Aplikasi MathWorks MATLAB R2019a v9.6.0.1072779 x64, penghitungan score
data dengan PIQE (sebagai evaluator skor kualitas gambar) dalam Aplikasi MathWorks MATLAB R2019a
v9.6.0.1072779 x64 , Pengolahan data dengan metode Filtering untuk meningkatkan citra yaitu dengan (Filterasi
Median, Filterasi Gaussian, Filterasi Wiener), pengukuran keberhasilan Pengukuran keberhasilan filtering diukur
secara kuantitatif menggunakan parameter kualitas citra yaitu Mean square error (MSE) dan Peak Signal to Noise Ratio
(PSNR) yang akan juga menghasilkan nilai Signal to Noise Ratio (SNR), namun untuk penelitian kali ini, nilai yang di
akan ditampilkan hanya Signal to Noice Ratio (SNR) dan menggunakan nilai hasil Evaluasi Skor Kualitas Citra (PIQE)
yang terdapat pada Aplikasi Matlab 2019a, dimana Skor yang akan ditampilkan berbasis persepsi. Tampak pada Tabel
4.1
Tabel 4.1. Skor Kualitas Gambar (PIQE)

Skala Kualitas Rentang Skor

Baik Sekali (0, 20)

Baik (21, 35)
Cukup (36, 50)
Rendah (51, 80)
Buruk (81, 100)
 (a) (b)
Gambar 4.1 Contoh Gambaran Artefak (a) dan (b)
1. Transformasi RAW data DICOM menjadi BMP
Satu irisan data CBCT yang diambil dengan bantuan aplikasi dicom viewer Onis25FreeEdition terbaca, data
dirubah menjadi format bitmap (*.bmp), pada saat pengolahan dengan matlab memiliki nilai 512x512x3 uint8 yang
memiliki arti citra bmp 512x512 piksel dengan 8bit integer, dengan 3 intensitas untuk tiap pikselnya.
2. Perubahan data menjadi Gray Scale (Skala Keabuan)
Satu irisan pada gambar 4.2 adalah citra CBCT yang diambil aplikasi dicom viewer Onis25FreeEdition terbaca
pada saat pengolahan dengan matlab memiliki nilai 512x512x3 win8 yang memiliki arti citra bmp 512x512 piksel
dengan 8bit integer, dengan 3 intensitas untuk tiap pikselnya. Lakukan PIQE Score akan muncul hasil PIQE Score citra
asli.

Gambar 4.2 Hasil pembacaan citra dengan matlab

Kemudian dilakukan transformasi gray scale (skala keabuan) Gambar 4.3, untuk memudah kan ke proses
selanjutnya sehingga citra bmp yang memiliki 3 layer intensitas di atas menjadi 1 layer matrik gray scale. Dengan
penyederhanaan model citra ini menjadi gray scale yang hanya memiliki warna tingkat keabuan. Intensitas dari citra
gray scale disimpan dalam 8 bit sehingga jumlah warnanya adalah 28 =256, nilainya berada pada jangkauan 0 sampai
dengan 255 (0 untuk hitam dan 255 untuk putih dan nilai diantaranya adalah derajat keabuan). Dari tampilan secara
visual tidak terlihat perbedaan dengan citra asli, tetapi identitas dari kandungan nilai citranya sudah berubah. Lakukan
PIQE Score.
 Gambar 4.3 Hasil transformasi gray scale (skala keabuan)
PIQE Score pada citra asli dan citra gray scale, menunjukkan angka yang sama.
3. Filterasi dengan Median Filter, Gaussian Filter dan Wiener Filter.

Proses filtering adalah teknik untuk memodifikasi atau meningkatkan gambar. Misalnya, Anda dapat memfilter
gambar untuk menekankan fitur tertentu atau menghapus fitur lainnya. Operasi pemrosesan gambar yang
diimplementasikan dengan filtering meliputi perataan, penajaman, dan peningkatan. Ini digunakan untuk mengubah
citra masukan yaitu citra gray scale menjadi citra biner berdasarkan pada nilai intensitas dari citra. Lakukan PIQE
Score. Hasil dari proses filtering pada citra CBCT ditunjukkan pada Gambar 4.4.

a b

c d
Gambar 4.4 Data Citra Hasil Gray scale dan Filtering
a.gray scale image; b.medfilt image; c.gaussfilt image; d.wienerfilt image
Pengukuran keberhasilan Filtering pada Aplikasi MathWorks MATLAB R2019a.
Setelah mendapatkan citra CBCT terfilterasi melalui serangkaian prosesing citra, apakah proses pengolahan citra
dengan filtering memberi pengaruh terhadap kualias citra, maka tahap selanjutnya adalah pengukuran keberhasilan
filtering diukur secara kuantitatif menggunakan parameter kualitas citra yaitu Mean square error (MSE) dan Peak
Signal to Noise Ratio (PSNR) yang akan juga menghasilkan nilai Signal to Noise Ratio (SNR).
Hasil uji coba pada perbaikan kualitas citra dengan ke-tiga jenis filter yang digunakan. Menunjukkan adanya pengaruh
filter terhadap perubahan kualitas citra, dimana format citra yang memiliki nilai MSE yang berubah untuk masing-
masing filter, paling kecil dengan menggunakan metode Filter Gaussian, yaitu dengan nilai rata-rata 3.2909. Dan
perubahan nilai PSNR untuk masing-masing filter juga terjadi dan yang paling besar juga dengan menggunakan metode
Filter Gaussian, yaitu dengan nilai rata-rata 43.0243. Nilai PIQE Score juga menunjukkan adanya perubahan untuk
masing-masing penggunaan metode filter, dengan nilai dibawah 17.7150 yaitu metode Filter Gaussian 15.8416.

KESIMPULAN

Pengolahan citra CBCT dengan langsung menggunakan beberapa metode filtering Mean square error (MSE) (Median =
8.7324 ; Gaussian = 3.2909 ; Wiener = 7.6467, dan Peak Signal to Noise Ratio (PSNR) (Median = 38.8872 ; Gaussian
= 43.0243 ; Wiener = 39.4870) dan menggunakan PIQE Score untuk Mengevaluasi skor kualitas citra. (Image Asli =
17.7150 ; Median = 33.0449 ; Gaussian = 15.8416 ; Wiener = 39.3339 ; Terlihat perubahan nilai terjadi, baik untuk
nilai MSE, PSNR dan PIQE Score.
Pengolahan dengan menggunakan tools aplikasi SPSS Uji Normalitas variabel terikat (PIQE Score Gambar Asli) di
dapat nilai-p = 0.149 (lebih besar dari 0.05), berarti variabel bebas (dependent) adalah Normal dan menggunakan
dapat metode Pearson untuk Uji selanjutnya dengan variabel bebas (independent) berganda, diketahui variabel terikat
pada Image Asli, sedang varibel bebas pada Filter Median, Gaussian dan Wiener untuk nilai PIQE Score. Didapatkan :
Nilai R yang ditampilkan merupakan nilai koefisien korelasi Pearson yang hasilnya sama dengan analisa Korelasi –
Bivariat yang dikerjakan sebelumnya pada Filter Median yaitu 0.685 (Kuat), Filter Median yaitu 0.409 (Sedang), Filter
Median yaitu 0.861 (Sangat Kuat). R (kuadrat) merupakan 5nilai R yang dikuadratkan, yang artinya besarnya variasi
variable PIQE Score yang dapat dijelaskan oleh variabel independent. Persamaan garis regresi yang kita peroleh) adalah
Filter Median = 45%. Nilai e = 100% - 45%=55%, Filter Gaussian = 13.8%. Uji F didapatkan F(MED) = 24.732,
F(GAUS) = 5.636, F(WIEN) = 39.184 dengan Nilai signifikansi dari ANOVA yang ditampilkan merupakan gambaran
apakah model persamaan garis yang kita peroleh sudah signifikan secara statistik. Dengan nilai-p 0.000 (untuk Median
dan Wiener) dan nilai-p 0.025 untuk Gaussian bila dibandingkan dengan alpha 0.05 secara simultan kita simpulkan
bahwa variabel bebas (independent) bersama-sama berpengaruh, secara statistik memang signifikan karena 0.000 <
0.05. Nilai signifikansi dari ANOVA dengan nilai-p 0.000 bila dibandingkan dengan alpha 0.05 kita simpulkan bahwa
persamaan garis yang kita peroleh secara statistik memang signifikan. Uji t dihasilkan bahwa pada Skor PIQE ASLI-
Median t = -4.973 dengan sig. = 0.000, Skor PIQE ASLI-Gaussian t = -2.374 dengan sig. = 0.025, Skor PIQE ASLI-
Wiener t = -6.060 dengan sign = 0.000, artinya secara parsial atau sendiri-sendiri pengaruh dan Hipotesis didukung. Uji
Beta dihasilkan bahwa Skor PIQE Gaussian memiliki nilai paling besar yaitu -0.409, sehingga Filter Gaussian
pengaruhnya paling dominan dalam pengolahan citra CBCT.Persamaan Regresi didapatkan y1 = 49.169 - 0.910(x1); y2
= 21.205 - 0.303(x2); y3 = 61.189 - 1.234(x3)

DAFTAR PUSTAKA
[1] L. I. B. M. Amin, S. A. Rahman, M. K. Alam, and F. Daud, “Validity of cone beam computed tomography
(CBCT) on estimation of implant fixture length,” Int. Med. J., vol. 20, no. 3, pp. 355–358, 2013.

[2] S. Kailash, “CBCT – Cone Beam Computed Tomography,” J. Acad. Dent. Educ., vol. 1, no. 1, p. 9, 2014, doi:
10.15423/jade/2014/v1i1/44607.
[3] H. de las Heras Gala et al., “Quality control in cone-beam computed tomography (CBCT) EFOMP-ESTRO-
IAEA protocol (summary report),” Phys. Medica, vol. 39, pp. 67–72, 2017, doi: 10.1016/j.ejmp.2017.05.069.

[4] G. Omar, Z. Abdelsalam, and W. Hamed, “Quantitative analysis of metallic artifacts caused by dental metallic
restorations: Comparison between four CBCT scanners,” Futur. Dent. J., vol. 2, no. 1, pp. 15–21, 2016, doi:
10.1016/j.fdj.2016.04.001.

[5] G. R. Torgersen, C. Hol, A. Møystad, K. Hellén-Halme, and M. Nilsson, “A phantom for simplified image
quality control of dental cone beam computed tomography units,” Oral Surg. Oral Med. Oral Pathol. Oral
Radiol., vol. 118, no. 5, pp. 603–611, 2014, doi: 10.1016/j.oooo.2014.08.003.

[6] “Jurnal Athira.” .

[7] I. G. G. Choi, A. R. G. Cortes, E. S. Arita, and M. A. P. Georgetti, “Comparison of conventional imaging

techniques and CBCT for periodontal evaluation: A systematic review,” Imaging Sci. Dent., vol. 48, no. 2, pp.
79–86, 2018, doi: 10.5624/isd.2018.48.2.79.

[8] E. Whaites and N. Drage, Essentials of Dental Radiography and Radiology edition fifth, vol. 53, no. 9. 2013.

[9] A. S. Wilianti and S. Agoes, “Pengolahan Citra untuk Perbaikan Kualitas Citra Sinar-X Dental Menggunakan
Metode Filtering,” Jetri J. Ilm. Tek. Elektro, vol. 17, no. 1, p. 31, 2019, doi: 10.25105/jetri.v17i1.4492.