com
DOI: 10.1002/cpe.6323
ARTIKEL PENELITIAN
kedalaman poket di daerah alveolar. Bahkan jika analisis kedalaman poket dapat dilakukan secara
Korespondensi
MS Antony Vigil, Departemen Ilmu dan manual, alat bantu otomatis dapat secara drastis membantu ahli radiologi melakukan analisis yang
Teknik Komputer, Institut Sains dan
lebih akurat. Dalam penelitian yang diusulkan, algoritma pemrosesan gambar dikembangkan untuk
Teknologi SRM, Kampus Ramapuram,
Chennai, India. menghitung kedalaman poket dan mendiagnosis periodontitis. Ahli radiologi secara manual
Email: antonyvigil@gmail.com
membagi 350 gambar radiografi panoramik, membaginya menjadi normal dan periodontitis. Dataset
algoritma. Citra-citra tersebut diproses terlebih dahulu dengan median filter dan histogram
dimensional-Otsu thresholding ke dalam area gigi dan tulang di regio mandibula. Kedalaman poket
dikonversi ke tinggi piksel dalam gambar radiografi. Berdasarkan metode klasifikasi pocket depth
rule based mengklasifikasikan citra menjadi normal dan periodontitis. Pekerjaan yang diusulkan
mencapai akurasi 91,34%, sensitivitas 92,8%, dan F-score 95,47% dalam mengklasifikasikan radiografi
panoramik gigi.
KATA KUNCI
Ambang batas 2D-OTSU, radiografi panoramik gigi, pemerataan histogram, filter median,
operasi morfologi, periodontitis, klasifikasi berdasarkan aturan
1 PENGANTAR
Pencitraan radiologi di bidang medis terus berkembang dalam mendiagnosis penyakit tulang. Radiografi gigi digunakan oleh dokter gigi untuk mendiagnosis
penyakit mulut seperti karies, kerusakan gigi, gigi impaksi, perkiraan usia, dll. Radiografi gigi diambil dengan radiasi yang lebih rendah untuk menangkap gambar
gigi dan gusi yang membantu dokter gigi untuk mendiagnosis rongga, gigi pembusukan dan kelainan gigi lainnya.1
Ada beberapa jenis radiografi gigi intraoral dan ekstraoral yang membantu untuk melihat jaringan keras mulut.2Radiografi ekstra oral seperti
panoramik dan sefalometrik berfokus pada tampilan rahang dan tengkorak. Radiografi intraoral seperti bitewing, periapikal dan oklusal digunakan untuk
melihat berbagai aspek gigi. Radiografi gigitan menggambarkan mahkota gigi bawah dan atas. Radiografi periapikal menggambarkan gambaran
lengkap gigi dan membantu dalam mendeteksi kerusakan di daerah akar dan tulang. Radiografi oklusal menunjukkan tahap perkembangan gigi.
Radiografi panoramik digunakan untuk memindai rahang bawah dan rahang atas sedangkan sefalometrik menangkap seluruh struktur tengkorak dan
rahang.
Pakar Praktik Komputasi Konkurensi. 2021; e6323. wileyonlinelibrary.com/journal/cpe © 2021 John Wiley & Sons, Ltd. 1 dari 10
https://doi.org/10.1002/cpe.6323
2 dari 10 PENJAGAANDANBHARATHI
Awalnya radiografi gigi mengalami kebisingan, paparan tidak merata dan kontras rendah. Namun untuk diagnosis yang akurat suatu penyakit harus diproses
dengan teknik image processing sehingga dapat meningkatkan kualitasnya yang dapat membantu prosedur segmentasi. Pengolahan radiografi gigi membantu
dokter gigi dalam mendeteksi dan mendiagnosis penyakit mulut secara efektif. Teknik seperti prapemrosesan, peningkatan, segmentasi, ekstraksi wilayah yang
diinginkan, deteksi fitur, dan klasifikasi3digunakan untuk melaksanakan pekerjaan yang diusulkan.
Periodontitis adalah salah satu penyakit radang gigi yang umum terjadi pada jaringan penyangga gigi yang kemungkinan besar menyerang orang dewasa.4Ini
adalah penyakit gusi yang disebabkan oleh infeksi jaringan yang menahan gigi. Kehilangan tulang alveolar adalah penyakit periodontal yang mempengaruhi
jaringan lunak dan kemudian hilangnya tulang penyangga gigi yang selanjutnya menyebabkan hilangnya gigi. Menurut laporan satuan tugas pada pembaruan
klasifikasi penyakit periodontal 1999 oleh American Academy of Periodontology (AAP) kedalaman poket probing lebih dari 3 mm dianggap sebagai periodontitis.
Kehilangan kepadatan tulang dari gambar radiografi dapat diukur dengan menggunakan berbagai teknologi. Radiografi digital mengatasi keterbatasan radiografi
konvensional5dan efektif dalam mengevaluasi keropos tulang tubuh manusia.
Radiografi Panoramik membantu mengevaluasi struktur tulang dan gigi dari struktur rahang atas dan bawah. Pencitraan digital menghasilkan piksel yang
membantu mengumpulkan informasi rinci tentang kehilangan tulang alveolar. Peran radiografi dalam mendiagnosis penyakit periodontal adalah hilangnya lamina
dura di sepanjang puncak alveolar, pelebaran ligamen periodontal tulang crestal interdental. Karakteristik pengeroposan tulang adalah vertikal, horizontal, umum
dan lokal.6
Radiografi panoramik memainkan peran penting dalam identifikasi kehilangan tulang alveolar7tetapi mereka kurang dalam mendeteksi penyakit tulang karena
kualitas gambar yang kurang. Mendiagnosis penyakit kehilangan tulang normal dan periodontal dari radiografi panoramik bukanlah tugas yang mudah. Struktur
anatomi setiap area gigi dan tulang manusia berbeda-beda.8Struktur tulang dan kepadatan sumsum tulang berbeda dari usia ke usia dan jenis kelamin ke jenis
kelamin.
Mendiagnosis kehilangan tulang alveolar di daerah mandibula dapat dilakukan dengan meningkatkan radiografi panoramik gigi. Peningkatan ini
dicapai dengan menerapkan algoritma pra-pemrosesan dan penyaringan yang tepat.9Algoritma segmentasi dan klasifikasi memainkan peran utama
dalam mendiagnosis penyakit periodontal dari radiografi. Algoritma segmentasi membantu dalam membagi gambar menjadi bagian-bagian terpisah
berdasarkan fitur atau piksel. Dalam radiografi gigi, segmentasi berkaitan dengan pemisahan area berdasarkan atribut atau fitur yang serupa.10
Ada banyak metodologi atau algoritma pemrosesan citra yang digunakan untuk segmentasi radiografi. Setiap proses segmentasi mengkhususkan diri dalam
proses tertentu. Operasi morfologi dan algoritma penyaringan digunakan untuk pra-pemrosesan dan peningkatan citra masukan.11Metode ambang batas Otsu
menghilangkan daerah yang tidak diinginkan di sekitar gigi dan daerah perantara lainnya yang membantu mengklasifikasikan kehilangan tulang periodontal pada
gambar daerah mandibula dari gambar normal.
2 SURVEI TERKAIT
Analisis citra digital dalam radiografi membantu ahli radiologi untuk mendiagnosis penyakit tulang dengan lebih baik. Kemajuan dalam analisis citra dan klasifikasi
karies gigi dan penyakit tulang dari radiografi gigi menunjukkan inovasi baru dalam teknologi. Penelitian telah dilakukan untuk menemukan hasil penyakit gigi yang
optimal dengan menggunakan berbagai teknologi pengolahan citra. Teknik pemrosesan gambar tingkat lanjut seperti penyaringan gambar, peningkatan gambar,
pemrosesan morfologis dapat meningkatkan deteksi penyakit periodontal.12Untuk klasifikasi citra medis sebagai kasus abnormal dan normal, segmentasi morfologi
terbentuk di sekitar gusi. Area gusi perlu dibersihkan jika tidak merusak tulang alveolar.14Kemungkinan penyakit periodontal dapat diprediksi menggunakan
pembelajaran mesin berdasarkan temuan kebiasaan dan klinis. Radiografi gagal mengungkapkan struktur anatomi gigi yang sebenarnya karena memberikan
gambaran dua dimensi dari struktur tiga dimensi. Ini menunjukkan lebih sedikit kehancuran daripada kerugian yang sebenarnya. Tahap awal penyakit periodontal
yang dikenal dengan kondisi gingiva tidak dapat diprediksi dari radiografi. Ini tidak memberikan hubungan jaringan lunak dan keras dan dengan demikian deteksi
Algoritma Pengurangan Otomatis diterapkan pada Radiografi Gigi untuk mendeteksi penyakit periodontal. Region of interest dihitung menggunakan metode
penjumlahan yang membantu mendeteksi perubahan menit dalam radiografi.19Pencocokan berbasis tepi dilakukan untuk menganalisis struktur gigi yang
Kerangka peningkatan gambar MedGA berdasarkan Algoritma Genetika disajikan untuk meningkatkan pemilihan ambang batas untuk gambar MR.20
Ekualisasi histogram berbasis tekstur yang dioptimalkan Swarm diusulkan untuk meningkatkan Gambar MRI otak.21Alat Analisis Citra Densitometrik Berbantuan
Komputer dan Radiografi Substraksi Digital digunakan untuk diagnosis periodontal dan pengelolaan kehilangan tulang yang diinduksi pembedahan dari radiografi
bitewing.22
Metode lokasi Cementoenamel Junction digunakan untuk mengukur kehilangan tulang pada periodontitis yang menggunakan cemetoenamel junction, alveolar
crest dan apeks akar gigi sebagai landmark. Metode ini memperkirakan kehilangan tulang horizontal pada radiografi dengan variasi 25% dari kebenaran dasar.23
Model Jaringan Saraf Konvolusi Regional yang lebih cepat (R-CNN lebih cepat) digunakan untuk melatih gambar berdasarkan kebenaran dasar yang dijelaskan
oleh para ahli. Model ini mencapai sensitivitas 0,84, spesifisitas 0,88 dan ukuran F 0,81 dalam mendeteksi gigi yang terdiri dari periodontal yang mengurangi upaya
Convolution Neural Network menggunakan transfer learning. Metode yang sepenuhnya otomatis untuk deteksi kehilangan tulang periodontal dengan penomoran
gigi mengurangi beban kerja dokter gigi yang mencapai kinerja rata-rata 0,69 dan skor F1 0,75.25
Dalam karya serupa yang dilaporkan oleh Joachim Krois26Deep Convolution Neural Network (CNN) telah digunakan untuk mendeteksi kehilangan tulang periodontal dengan
Diagnosis stadium Periodontitis didasarkan pada tingkat keparahan kedalaman poket dengan mengacu pada akar gigi.27Meskipun segmentasi gambar dan
algoritma analisis ditingkatkan, paparan radiasi merupakan faktor yang cukup besar.28Diagnosis gigi berbasis Artificial Intelligence membantu dokter gigi dalam
mendiagnosis penyakit yang membutuhkan banyak sampel gambar untuk melatih model.29
Tujuan dari penelitian yang diusulkan adalah untuk mengklasifikasikan citra radiografi panoramik gigi sebagai citra normal atau citra periodontal. Gambar 1 menunjukkan
Gambar radiografi panoramik gigi digunakan dalam penelitian ini dari berbagai subjek dengan intensitas dan dimensi yang berbeda. Gambar yang dikumpulkan
dikategorikan sebagai normal dan abnormal dengan bantuan dokter gigi. Gambar-gambar tersebut diproses terlebih dahulu menggunakan histogram equalization dan median
filter untuk menghilangkan noise dan dipertajam untuk diproses lebih lanjut. Operasi morfologi erosi dilakukan untuk mendapatkan batas-batas gigi dan daerah tulang.
Segmentasi ambang batas Otsu (2D Otsu) dua dimensi digunakan untuk mencapai hasil yang diharapkan.
Radiografi panoramik gigi menunjukkan tampilan mulut yang utuh dibandingkan radiografi lainnya. Kajian ini tentang deteksi penyakit periodontal
dimana sulitnya menemukan kehilangan tulang di regio mandibula tulang alveolar dari DPR karena struktur dan intensitas yang berbeda. Penelitian
dilakukan untuk 350 radiografi panoramik gigi yang dikumpulkan dari subjek berusia antara 20 dan 50 tahun.
Dataset yang digunakan dalam penelitian kami dikumpulkan dari SRM Dental College, Chennai, Tamil Nadu, India. Lebih dari 500 radiografi dikumpulkan dan 350 digunakan
untuk penelitian kami yang dipisahkan oleh dokter gigi. Gambar dikelompokkan secara manual dengan bantuan dokter gigi sebagai gambar normal dan gambar periodontal yang
Preprocessing adalah langkah awal dalam pengolahan citra yang bertujuan untuk menyempurnakan citra dengan menghilangkan noise dan entitas yang tidak diinginkan yang
membuat citra siap untuk diproses lebih lanjut. Awalnya citra yang terkumpul diubah menjadi citra skala abu-abu yang memungkinkan untuk melakukan berbagai pemrosesan.
Konversi citra RGB ke grayscale dapat dilakukan dengan menggunakan rumus matematika 0.2989 * R + 0.5870 * G + 0.1140 * B, dimana R, G, B mewakili intensitas warna Merah,
Algoritma penghilangan noise filter median digunakan untuk menghilangkan noise30dari radiografi panoramik gigi. Karena struktur setiap gigi
berbeda metode penyaringan non-linier diusulkan dalam pekerjaan ini.31Filter median bekerja dengan memindai gambar melalui piksel dan mengganti
setiap nilai piksel dengan median piksel tetangga. Filter ini menggunakan jendela ukuran 9×9 di mana piksel target diganti dengan median piksel jendela.
4 dari 10 PENJAGAANDANBHARATHI
Daerah alveolar mandibula dianggap sebagai daerah yang diinginkan dan diekstraksi dari gambar dengan menetapkan dimensi tertentu seperti
tinggi dan lebar. Karena dimensi setiap gambar berbeda, wilayah yang diinginkan ditetapkan dengan memotong wilayah gambar menggunakan ukuran
pemotongan dan posisi piksel. Nilai ambang batas awal diatur ke gambar yang difilter untuk mempertajam tepi dan batas.
Untuk memperjelas tepi dan batas area gigi dan tulang, citra ditingkatkan dengan memetakan nilai intensitas citra skala abu-abu ke kontras tinggi,
penajaman, dan kemudian menjalani pemerataan histogram untuk kualitas dan kontras citra gigi yang lebih baik.
Operasi morfologi adalah teknik pengolahan citra yang dapat diolah berdasarkan bentuk dan strukturnya (32). Ini dapat diterapkan pada gambar skala abu-abu yang
intensitas dan nilai pikselnya tidak diketahui. Radiografi citra gigi memiliki bentuk gigi dan tulang yang berbeda dengan intensitas yang tidak diketahui. Teknik
morfologi menggunakan bentuk kecil yang dikenal sebagai structuring element size 7×7 di mana ia dibandingkan dengan piksel tetangga yang sesuai untuk menguji
apakah strukturnya cocok atau menabrak tetangga.
PENJAGAANDANBHARATHI 5 dari 10
Dilasi dan Erosi adalah operasi morfologi yang paling banyak digunakan dalam citra digital di mana erosi menghapus piksel pada batas atau tepi
objek sementara dilasi menambahkan piksel pada batas.33Dalam penelitian yang diusulkan operasi morfologi erosi aplikasi medis digunakan untuk
menemukan batas tajam dari struktur anatomi Gigi.
Proses mempartisi citra menjadi partisi-partisi kecil berdasarkan region of interest atau fitur dikenal sebagai Segmentasi. Kegunaan Image Segmentation adalah
untuk mencari atau mengidentifikasi objek dan batas-batasnya. Gambar skala abu-abu yang diproses diubah menjadi gambar biner untuk segmentasi. Hasil
segmentasi radiografi yang lebih baik dapat dicapai dengan metode threshold. Pemilihan nilai ambang batas adalah tugas utama dan sulit34
dalam kasus radiografi panoramik. Metode Otsu digunakan untuk menghitung nilai ambang secara otomatis berdasarkan nilai intensitas radiografi sehingga
memungkinkan peneliti untuk menemukan objek yang diinginkan dari citra.
Nilai ambang batas digunakan untuk mencari area yang diminati dari latar belakangnya yang dapat dihitung ketika varians dari dua kelas maksimum. Citra
biner yang diperoleh adalah citra tersegmentasi dimana objek yang diinginkan direpresentasikan sebagai putih dan latar belakang sebagai hitam. Nilai ambang
batas yang dihasilkan menggunakan metode Otsu satu dimensi digunakan untuk mensegmentasi area gigi35tetapi segmentasi area alveolar gambar radiografi gigi
tidak seperti yang diharapkan. Perluasan perhitungan nilai ambang batas diperlukan untuk menemukan area yang diinginkan secara tepat. Metode ambang batas
2D Otsu digunakan dalam penelitian yang diusulkan untuk segmentasi radiografi gigi yang lebih baik. Pada metode segmentasi ini setiap nilai intensitas piksel
dibandingkan dengan rata-rata intensitas piksel tetangga.
Metode ambang batas Otsu 2D diimplementasikan dalam karya yang diusulkan berdasarkan nilai nilai histogram dua dimensi.36Jumlah kemunculan bin dua
dimensi dapat dilambangkan sebagaifaku juntuk sepasang (saya,j) danNmenjadi total piksel dalam gambarN, maka fungsi massa probabilitas dalam histogram 2D:
Membiarkanp0danp1mewakili probabilitas danm0,m1,mTmewakili nilai rata-rata intensitas dan vektor rata-rata total dari dua kelas.
Matriks diskrit antar kelas diberikan oleh
∑1
Sb = pk[(mk− mT)(mk− mT) ]. T
k=0
di mana
∑
s1t∑
=1
msaya= aku paku j.
saya=0j=0
t=1
∑
s1∑
mj= jPaku j.
saya=0j=0
Langkah1: Hitung probabilitas dan histogram dari setiap tingkat intensitas gambar input.
Langkah 2: Tetapkan nilais,t, dan maks sebagai nol. Langkah 3: Evaluasi nilaiTr(Sb).
Nilai ambang batas yang diperoleh dari algoritma 2D Otsu Segmentation yang diusulkan membantu para peneliti untuk hasil segmentasi yang lebih baik dari radiografi
Gambar tersegmentasi berisi area gigi dan tulang sebagai hitam dan area yang tersisa sebagai piksel putih. Area tersegmentasi ditetapkan ke dalam label dan
menjalani algoritma klasifikasi berbasis aturan (RBC) seperti yang diberikan di bawah ini yang mengklasifikasikan kelainan dari normal berdasarkan kedalaman poket
sekitar 3 mm. Kedalaman poket dihitung berdasarkan landmark oklusi dan tinggi masing-masing label dari oklusi. Karena pekerjaan yang diusulkan adalah untuk
wilayah Mandibula, area di bawah Oklusi dipertimbangkan untuk Klasifikasi. Berdasarkan tingkat kelainan yang dilabeli oleh Dokter Gigi pada banyak gambar 48
piksel dari titik bawah oklusi ditetapkan sebagai Kedalaman saku Normal yang disamakan dengan nilai standar 3 mm yang disertifikasi oleh AAP.
Langkah 3: Hitung kedalaman saku setiap label (kamusaya,saya=1,2,…n) menggunakan properti seperti start_pixel, end pixel, dan tinggi dari setiap label.
Langkah 3.1: Tetapkan bottom_point of oclusion = Start_pixel label, bottom_point label = End_pixel label.
Langkah 3.2: Hitung Height_label (kamusaya) =End_pixel dari label Start_pixel dari label.
Langkah 4: Bandingkan Nilai Kedalaman Saku Normal (X) dengan kedalaman saku setiap label (kamusaya). Langkah 5: Jikakamu
saya> X, ke langkah 6 lagi lanjutkan ke langkah 4 sampai semua label diproses. Langkah 6: Mengklasifikasikan gambar sebagai
Abnormal (Periodontitis).
RBC yang diusulkan membantu para peneliti untuk mendeteksi kehilangan tulang yang lebih baik di daerah periodontal mandibula.
Model yang diusulkan diuji untuk 350 radiografi panoramik gigi dimana 250 dataset normal dan 100 dataset abnormal dikumpulkan dari subyek yang berbeda.
Gambar yang dikumpulkan dipisahkan secara manual oleh dokter gigi dan diuji dengan model otomatis yang kami usulkan. Gambar berikut menunjukkan output
dari gambar input di setiap langkah pemrosesan. Seperti yang disertifikasi oleh American Academy of Periodontitis (AAP), kedalaman poket probing lebih dari 3 mm
didiagnosis sebagai periodontitis. Eksperimen dilakukan pada daerah mandibula untuk mendeteksi kehilangan tulang pada daerah periodontal. Citra pertama
merupakan sampel dari citra normal dan citra kedua merupakan citra abnormal yang mengalami pengeroposan tulang pada daerah alveolar regio mandibula.
Gambar 2 menunjukkan screenshot segmentasi dan klasifikasi penyakit periodontal. Gambar 2(A)–(D) masing-masing menunjukkan citra masukan (DPR), plot
histogram citra masukan, citra setelah pemerataan histogram dan plot setelah pemerataan histogram. Gambar 2(E),(F) menunjukkan regio yang diinginkan pada
area mandibula yang digunakan peneliti untuk pemrosesan. Gambar 2(G),(H) menunjukkan gambar yang telah diproses sebelumnya dan disempurnakan
menggunakan filter median dan algoritma pemerataan histogram. Segmentasi ambang batas Otsu 2D diterapkan untuk gambar yang diekstraksi ini dan Gambar 2
(I),(J) menunjukkan gambar tersegmentasi dari wilayah mandibula. Citra tersegmentasi terdiri dari piksel hitam putih dimana area tulang dan gigi pada citra
berwarna hitam dan area selain gigi dan tulang di rongga mulut berwarna putih.
Karena kedalaman poket gingiva kurang dari 3 mm dianggap normal, gambar tersegmentasi dengan mempertimbangkan faktor ini. Pengklasifikasi berbasis aturan yang
diusulkan dikombinasikan dengan ambang batas Otsu 2D dan filter median mengklasifikasikan gambar dengan akurasi 93,7% dalam mendeteksi periodontitis. Gambar 2 (K),(L)
menunjukkan hasil akhir yang mengklasifikasikan citra sebagai normal dan abnormal berdasarkan pendekatan pemrosesan citra yang diusulkan. Pekerjaan penelitian yang
diusulkan diimplementasikan menggunakan perangkat lunak MATLAB 2020a dan kami telah mengusulkan RBC yang mengklasifikasikan DPR dengan mempertimbangkan oklusi,
cementoenamel junction dan root apex sebagai landmark untuk setiap gigi.
Tabel 1 menunjukkan hasil klasifikasi dan kinerja pekerjaan yang diusulkan yang menunjukkan 93,7% gambar diklasifikasikan dengan benar dan
6,3% diklasifikasikan salah dimana gambar normal mencapai 92,8% dan gambar abnormal mencapai akurasi 96%.
Gambar 3 menunjukkan Klasifikasi gambar sebagai Normal dan Abnormal. 250 gambar normal dan 100 abnormal dipisahkan oleh dokter gigi dan gambar-gambar tersebut
diuji dengan model yang diusulkan yang mengklasifikasikan 232 normal dan 96 abnormal dengan benar. Gambar 4 menunjukkan kinerja metode yang diusulkan sebagai 92,8%
normal dan 96% gambar abnormal diklasifikasikan dengan benar dan 7,2% normal dan 4% gambar abnormal diklasifikasikan salah.
Sebagaimana dibahas dalam survei literatur dalam pekerjaan serupa oleh Jaeyoung Kim et al., 800 radiografi digunakan dan mencapai kinerja rata-
rata 0,69 dan skor F1 0,75. Dalam karya Joachim Krios, 1750 radiografi digunakan dengan akurasi rata-rata (SD) 81%. Dalam pekerjaan yang kami usulkan,
lebih dari 500 radiografi panoramik gigi dikumpulkan dari SRM Dental College, Chennai, Tamil Nadu, Chennai dan untuk 350 gambar yang disaring dan
diberi label oleh Dokter Gigi, metode kami mencapai kinerja 93,7%.
Tabel 2 menunjukkan koefisien kesamaan dadu dan perpotongan atas penyatuan menggunakan gambar yang disegmentasi secara manual dan gambar yang
diperoleh dengan pendekatan segmentasi otomatis dan Gambar 5 menunjukkan kontur dari beberapa contoh gambar tersegmentasi (manual dan otomatis) yang
tumpang tindih dengan gambar. Tabel 3 menunjukkan matriks konfusi yang merangkum kinerja model yang diusulkan dengan kebenaran dasar.
PENJAGAANDANBHARATHI 7 dari 10
GAMBAR 2 Segmentasi
dan klasifikasi penyakit periodontal.
(A) Radiografi panoramik gigi; (B)
Gambar setelah pemerataan
histogram; (C) Plot histogram citra
masukan; (D) Plot histogram
setelah pemerataan histogram; (E)
Gambar normal ROI area
mandibula; (F)
Gambar abnormal ROI area
mandibula; (G) Gambar normal
setelah peningkatan; (H) Gambar
tidak normal setelah peningkatan; (I)
Gambar normal setelah
segmentasi; (J) Citra abnormal
setelah segmentasi; (K)
Mendiagnosis sebagai gambar normal; (L)
Himpunan data Jumlah total gambar Diklasifikasikan dengan benar Diklasifikasikan secara salah % Diklasifikasikan dengan benar % Salah diklasifikasikan
Abnormal 100 96 4 96 4
GAMBAR 5 Contoh kontur gambar tersegmentasi (manual dan otomatis) tumpang tindih gambar
PENJAGAANDANBHARATHI 9 dari 10
Normal 232 18
Abnormal 4 96
Model otomatis yang diusulkan yang dikembangkan menggunakan Teknik Pemrosesan Gambar yang kuat mencapai akurasi sekitar 91,34%, sensitivitas
92,8% dan F-score 95,47% yang lebih baik dibandingkan dengan metode yang ada. Model otomatis ini membantu dokter gigi sebagai alat bantu untuk mendeteksi
kehilangan tulang periodontal di daerah mandibula dengan mengurangi beban kerja dan deteksi yang mudah.
5 KESIMPULAN
Pekerjaan penelitian mengusulkan model otomatis yang menggunakan filter median dan pemerataan histogram untuk peningkatan radiografi
panoramik gigi. Memperbaiki wilayah minat dan segmentasi adalah tantangan besar bagi para peneliti karena ukuran dan orientasi gambar
yang berbeda. Operasi morfologi erosi dan segmentasi berbasis ambang batas 2D Otsu digunakan bersama dengan metode RBC yang
diusulkan memberikan akurasi yang baik sekitar 91,34%, sensitivitas 92,8% dan F-score 95,47%. Model deteksi otomatis kami dapat digunakan
oleh Dokter Gigi sebagai alat bantu untuk mengklasifikasikan radiografi panoramik gigi sebagai normal dan abnormal berdasarkan kehilangan
tulang periodontal pada mandibula yang mengurangi upaya diagnostik dan beban kerja dokter gigi.
ORCID
MS Antony Vigil https://orcid.org/0000-0002-3362-4763
REFERENSI
1. Wang CW, Huang CT, Lee JH, dkk. Tolok ukur untuk perbandingan algoritma analisis radiografi gigi.Med Gambar Anal. 2016;31:63-76.
2. Syah N dkk. Kemajuan terbaru dalam teknologi pencitraan dalam kedokteran gigi.Dunia J Radiol. 2014a;6(10):794-807.
3. Jamil U, Sajid A, Hussain M, Aldabbas O, Alam A, Syafiq MU. Sementasi Melonoma menggunakan analisis gambar bio-medis untuk perawatan kesehatan seluler yang lebih
cerdas. J Ambient Intell Humaniz Comput. 2019;10:4099–4120. https://doi.org/10.1007/s12652-019-01218-0.
4. Hamzah N, Aziz SA, Fauzi AR, dkk. Efek madu gelam (Melaleuca cajuputi) pada kehilangan tulang alveolar pada periodontitis eksperimental.J Bedah Gigi.
2014b;907970:1-8.
5. Bansal GJ. Radiografi digital. Perbandingan dengan pencitraan konvensional modern.Pascasarjana Med J. 2006;82:425-428.
6. Vijay G, Raghavan V. Radiologi dalam periodontik.J Indian Acad Oral Med Radiol. 2013;25(1):24-29.
7. Hou GL, Hung CC, Yang YS, Shieh TY, Tsai CC. Kehilangan tulang alveolar radiografis pada subjek Cina Taiwan yang tidak diobati dengan periodontitis dewasa
diukur dengan metode analisis citra radiografi pemindaian digital.Radiol Dentomaxillofacial. 2003;32:104-108.
8. Hovorakova M, Lesot H, Peterka M, Peterkova R. Perkembangan awal gigi manusia ditinjau kembali.J Anat. 2018;233:135-145.
9. Rahmi-Fajrin H, Puspita S, Riyadi S, Sofiani E. Peningkatan citra radiografi gigi untuk evaluasi perawatan melalui pengolahan citra digital.J Clin Exp
Dent. 2018;10(7):629-663.
10. Poonsri A, Aimjirakul N. Segmentasi gigi dari citra rontgen gigi dengan template matching. Makalah dipresentasikan pada: Prosiding Konferensi
Internasional Teknik Biomedis. Laung Prabang, Laos; 2016; IEEE.
11. kumar A, Bhadauria HS, Kumar N. Segmentasi gambar rontgen gigi periapikal dengan menerapkan operasi morfologi.Int J Eng Res Comput Sci Eng.
2018;5(2):371-375.
12. Yoon DC, Mol A, Benn DK, Benavides E. Pemrosesan dan analisis citra radiografi digital.Dent Clin N Am. 2018;62:341-359.
13. Saravanan S, Karthigaivel R, Magudeeswaran V. Teknik segmentasi citra tumor otak dalam pengolahan citra menggunakan algoritma ICA-LDA dengan model
ARHE.J Ambient Intell Humaniz Comput. 2020. https://doi.org/10.1007/s12652-020-01875-6.
14. Lakshmi TK, Dheeba J. Digitalisasi dalam diagnosis, prediksi dan analisis masalah gigi: perspektif pembelajaran mesin periodontitis.Int J Terbaru
Technol Eng. 2020;8(5):67-74.
15. Prafiadi H, Putra NK. Analisis citra untuk korelasi antara panorama gigi dan MicroCT untuk mengukur kepadatan tulang. Makalah dipresentasikan
pada: Prosiding Konferensi Internasional tentang Instrumentasi, Komunikasi, Teknologi Informasi, dan Teknik Biomedis. Institut Teknologi Bandung,
Indonesia; 2013:359-362.
16. Corbet EF, Ho DKL, Lai SML. Radiografi dalam diagnosis dan manajemen penyakit periodontal.Aust Dent J. 2009;54:s27-s43.
10 dari 10 PENJAGAANDANBHARATHI
17. Dawood SP, Brown J. Cone beam CT dalam praktik kedokteran gigi.Br Dent J. 2009;207:23-28.
18. Kripal K, Dileep A. Peran evolusi radiografi: bantuan untuk mendiagnosis penyakit periodontal.Penyakit Periodontal - Pertimbangan Non-bedah Diagnostik dan
Tambahan. London, Inggris: IntechOpen; 2019:1-17.
19. Ahn Y, Chae O. Algoritma radiografi pengurangan otomatis untuk mendeteksi penyakit periodontal di lingkungan internet. Makalah dipresentasikan
pada: Prosiding Konferensi Internasional Ilmu Komputasi dan Aplikasinya. Atlanda, GA; 2005:732-740.
20. Rundo L, Tangherloni A, Cazzaniga P, dkk. Kerangka kerja baru untuk segmentasi dan kuantifikasi gambar MR dengan menggunakan MedGA.Metode Komputasi Prog Biomed.
2019;176:159-172.
21. Acharya UK, Kumar S. Particle swarm optimasi tekstur berdasarkan histogram equalization (PSOTHE) untuk peningkatan citra otak MRI.Optik.
2020;224:1–12.
22. Bragger U, Pasquali L, Rylander H, Carnes D, Kornman KS. Analisis citra densitometrik berbantuan komputer dalam radiografi periodontal. sebuah studi
metodologis.J Clin Periodontol. 1988;15(1):27-37.
23. Lin PL, Huang PY, Huang PW. Metode otomatis untuk pengukuran derajat kehilangan tulang alveolar pada radiografi periapikal periodontitis.Metode Komputasi
Prog Biomed. 2017;148:1-11.
24. Thanathornwong B, Suebnukarn S. Deteksi otomatis gigi yang mengalami kerusakan periodontal pada radiografi panoramik digital menggunakan jaringan saraf convolutional
regional yang lebih cepat.Pencitraan Sci Dent. 2020;50:169-174. https://doi.org/10.5624/isd.2020.50.2.169.
25. Kim J, Lee HS, Song IS, Jung KH. DeNTNet: jaringan transfer saraf dalam untuk mendeteksi kehilangan tulang periodontal menggunakan radiografi gigi
panoramik. Rep Sci Nat Res. 2019;9:17615. https://doi.org/10.1038/s41598-019-53758-2.
26. Krois J, Ekert T, Meinhold L, dkk. Pembelajaran mendalam untuk deteksi radiografik kehilangan tulang periodontal.Rep Sci Nat Res. 2019;9:8495. https://doi.org/
10. 1038/s41598-019-44839-3.
27. Tonetti MS, Greenwell H, Kornman KS. staging dan grading periodontitis: kerangka dan proposal klasifikasi baru dan definisi kasus.J Clin Periodontol.
2018;45(Suppl 20):S149-S161. https://doi.org/10.1111/jcpe.12945.
28. Hermann CD, Hyzy SL, Olivares-Navarrete R, dkk. Craniosynostosis dan resynostosis: model, pencitraan, dan implikasi gigi.J Dent Res. 2016;95:1-7.
https://doi.org/10.1177/0022034516643315.
29. Tohnak S, Mehnert AJH, Mahoney M, Crozier S. Mensintesis radiografi gigi untuk identifikasi manusia.J Dent Res. 2007;86(11):1057-1062.
30. Tao P, Pei Y, CelenkM, FuQ, Wu A. Metode peningkatan citra adaptif menggunakan batasan kontras berdasarkan beberapa lapisan BOHE.J Ambient Intell Humaniz
Comput. 2020; 11:5031–5043. https://doi.org/10.1007/s12652-020-01810-9.
31. Zhu Y, Cheng H, Zhu Y, Cheng H. Algoritme penyaringan median yang ditingkatkan untuk pengurangan noise gambar.Phys Proc. 2012;25:609-616.
32. Rad AE, Rahim MSM, Norouzi A. Level set dan teknik operasi morfologi dalam penerapan segmentasi citra gigi.Int J Comput Inf Eng. 2014;8(4):182-185.
33. Na'am J, Harlan J, Madenda S, Wibowo EP. Identifikasi karies proksimal citra rontgen gigi dengan metode multiple morphology gradient.Int J Adv Sci
Eng Inf Technol. 2016;6(3):343-346.
34. Upadhyay P, Chhabra JK. Segmentasi citra berbasis multilevel thresholding menggunakan algoritma optimasi hybrid multistage baru.J Ambient Intell Humaniz
Comput. 2020;12:1081–1098. https://doi.org/10.1007/s12652-020-02143-3.
35. Setianingrum AH, Rini AS, Hakiem N. Segmentasi citra menggunakan metode Otsu pada rontgen gigi. Makalah dipresentasikan pada: Prosiding Konferensi
Internasional tentang Informatika dan Komputasi. Papua, Indonesia; 2017.
36. Zhang J, Hu J. Segmentasi citra berdasarkan metode 2D Otsu dengan analisis histogram. Makalah dipresentasikan pada: Prosiding Konferensi Internasional
tentang Ilmu Komputer dan Rekayasa Perangkat Lunak. Wuhan, Cina; 2008:105-108
Cara mengutip artikel ini:Vigil MSA, Bharathi VS. Deteksi kehilangan tulang periodontal di daerah mandibula dari radiografi panoramik gigi menggunakan