Penggunaan radiografi panoramik dilakukan untuk pemeriksaan penunjang terhadap suatu penyakit atau kelainan pada gigi dan mulut. Setiap hasil pembuatan radiografi panoramik memerlukan pelaporan yang berisikan hasil interpretasi dan diagnosis berdasarkan pengamatan status gigi dan maksilofasial pada radiografi yang digunakan untuk mempertimbangkan rencana perawatan atau evaluasi hasil perawatan. Pada tahap awal interpretasi, diperlukan pengenalan jenis gigi atau penomoran gigi berdasarkan anatomi dan lokasinya. Adanya beban kerja yang berlebih dan banyaknya jumlah radiograf yang perlu diinterpretasi dapat meningkatkan resiko terjadinya kesalahan dalam proses interpretasi radiografi.
Convolution neural network (CNN) merupakan salah satu model / bagian dari kecerdasan buatan berbasis Deep learning yang dapat digunakan untuk mengklasifikasikan gambar, mengelompokkan gambar berdasarkan kesamaan, dan melakukan pengenalan objek pada suatu gambar. Karena keunggulannya dalam mengenali sebuah objek pada sebuah gambar digital, CNN seringkali dikembangkan untuk citra radiografi di bidang kedokteran dan kedokteran gigi. Di bidang kedokteran gigi, CNN memiliki potensi untuk mengenali kelainan karies, tulang alveolar, lesi intraosseous, temporomandibular joint, dan beberapa kelainan yang tampak pada radiografi.
Beberapa peneliti memanfaatkan CNN untuk penomoran gigi geligi pada radiografi panoramik. Beberapa metode numerasi gigi yang sering digunakan yaitu sistem Federation Dentaire Internationale (FDI) dan Universal Numbering System (UNS) melalui proses klasifikasi, deteksi, dan segmentasi gigi geligi dari radiografi panoramic. Proses klasifikasi memerlukan dataset berlabel yang digunakan untuk mengkategorikan jenis gigi. Proses deteksi dapat digunakan untuk mengidentifikasi sebuah jenis gigi dengan kotak pembatas di sekitarnya. Sedangkan proses segmentasi dapat digunakan untuk menggambarkan outline sesuai bentuk gigi geligi yang terdapat pada radiografi panoramik. Beberapa arsitektur CNN yang sering digunakan untuk klasifikasi jenis gigi pada radiografi panoramik yaitu ResNet 50 dan ResNet 101. Sedangkan Faster R-CNN merupakan arsitektur yang paling sering digunakan untuk deteksi geligi. Arsitektur Mask R-CNN merupakan arsitektur yang memiliki kemampuan cukup baik untuk segmentasi gigi pada radiografi panoramik.
Dalam pengembangan selanjutnya, kinerja CNN dapat dioptimalkan dengan mempertimbangkan kualitas serta kuantitas dataset. Untuk proses pengembangan model CNN, perlu diperhatikan bahwa sampelnya beragam dan terdistribusi secara merata. Pengembangan kolaboratif atau hybrid dapat digunakan dengan mengintegrasikan arsitektur CNN berdasarkan tujuan studi, karena setiap arsitektur memiliki keunggulan khusus untuk tugas tertentu. Optimasi ini bergantung pada daya komputasi dan pengetahuan peneliti, karena kinerja optimal dapat dicapai dengan dataset yang lebih kecil dan daya komputasi yang lebih rendah jika studi tersebut dirancang dengan baik. Arsitektur CNN optimal untuk numerasi gigi pada radiografi panoramik dapat dimanfaatkan dalam berbagai proyek penelitian AI untuk kemajuan lebih lanjut dalam bidang kedokteran gigi.
Penulis : Ramadhan Hardani Putra
Informasi detail dapat diakses pada tautan berikut :
