Setiap individu memiliki ciri unik (entitas) kerangka yang membedakan satu sama lain, terutama pada wajah mereka. Wajah memiliki entitas identifikasi yang paling mudah untuk dikenali seseorang. Beberapa aplikasi yang memerlukan informasi terkait wajah, seperti forensik untuk penegakan hukum, keamanan, pengawasan perbatasan, antropologi forensik, rekontruksi medis, hingga perawatan gigi. Hingga saat ini, penelitian dan eksperimen mengenai pengenalan wajah manusia terus berkembang. Identitas visual merupakan tantangan ketika berhadapan dengan kasus wajah yang cacat atau tidak lengkap. Oleh karena itu, tengkorak menjadi alternatif terbaik. Tengkorak berisi fitur anatomi dan antropologi yang berkaitan dengan bentuk permukaan wajah. Pendekatan anatomis dan antropologis ini mengandalkan penentuan posisi penanda (landmark) sebagai referensi dalam rekonstruksi kraniofasial.
Metode rekonstruksi kraniofasial memungkinkan untuk memperkirakan bagaimana wajah seseorang terlihat selama masa hidupnya. Rekonstruksi kraniofasial manual konvensional dilakukan oleh ahli anatomi menggunakan beberapa pendekatan. Pendekatan metode Amerika dan Gerasimov (metode Rusia) adalah yang paling umum. Keduanya mulai merekonstruksi tengkorak dengan tanda referensi (landmark). Metode Gerasimov mensimulasikan keberadaan otot dan jaringan lunak lainnya pada permukaan tengkorak terkait landmark tersebut. Sementara itu, metode Amerika memodelkan keberadaan jaringan lunak sebagai ketebalan antara tengkorak dan permukaan kulit wajah tanpa harus memodelkan anatomi jaringan lunak. Kedua metode ini bergantung pada landmark dan informasi tentang ketebalan jaringan lunak. Penentuan posisi tengkorak adalah alat ukur standar untuk tengkorak. Metode ini telah digunakan sebagai metode utama oleh para ahli forensik dan ahli anatomi.
Tiga masalah utama yang ada dalam rekonstruksi kraniofasial adalah (a) anotasi landmark bergantung pada pakar, (b) pemrosesan landmark dalam domain 3D memiliki data volumetric tantangan, dan (c) metode rekonstruksi berdasarkan morfologi karakteristik (template) dari suatu populasi diperlukan. Jumlah ahli anatomi dan ahli forensik terbatas. Pekerjaan rekonstruksi kraniofasial bergantung pada posisi landmark yang diplot secara manual pada model tengkorak. Anotasi ini memakan waktu, dan bias manusia mungkin terjadi. Bias berarti bahwa ada variasi di antara intra-pemeriksa. Semakin besar ukuran data, semakin lebar perbedaan dalam pengukuran oleh pemeriksa. Kegagalan pada tahap ini akan menghambat proses rekonstruksi secara keseluruhan.
Metode berbasis komputasi diperlukan untuk kebutuhan rekonstruksi yang terus berkembang. Beberapa penelitian untuk rekonstruksi wajah dengan bantuan komputer telah dilakukan. Rekonstruksi kraniofasial dengan bantuan komputer (CFR) adalah proses yang bertujuan untuk memperkirakan impresi wajah berdasarkan sisa-sisa tengkorak. Proses ini meniru metode konvensional dengan kerangka kerja berbasis model konseptual. Masalah yang ada dalam CFR adalah anotasi landmark bergantung pada ahli, pemrosesan landmark dalam domain 3D memiliki tantangan volumetrik, dan metode yang didasarkan pada karakteristik morfologi populasi (template). Sebuah kerangka kerja dengan tiga tahap diusulkan: membangun model kraniofasial, landmark otomatis, deteksi landmark, dan deformasi permukaan.
Pembelajaran mesin digunakan untuk menggambar korelasi permukaan lokal sebagai landmark dan secara otomatis mendeteksi posisinya. Kesimpulannya kerangka kerja ini melakukan rekonstruksi kraniofasial yang terinspirasi oleh metode konvensional yang mengandalkan analisis dan pengukuran sefalometri dan berhasil memperkirakan bentuk alami wajah manusia berdasarkan anotasi landmark yang terdeteksi secara otomatis berdasarkan fitur morfologi sefalometri. Karena rekonstruksi kraniofasial pada akhirnya adalah tentang pengenalan dan identifikasi subjek, terutama karena tidak menggunakan template statistik (populasi), tetapi dilakukan penilaian kualitatif oleh para ahli. Validasi menunjukkan bahwa sebagian besar proses deformasi dapat mempertahankan detail dan menghasilkan kesan alami sebagai wajah manusia, dengan rata-rata 91,5%. Sedikit perbedaan pada beberapa proporsi sampel disebabkan oleh kurangnya landmark. Hal ini perlu melibatkan lebih banyak landmark sebagai titik tetap.
Fitur Kelengkungan Permukaan diterapkan sebagai deskriptor untuk mengatasi tantangan data volumetrik 3D. Fitur ini mengekstrak informasi tentang bentuk permukaan 3D lokal yang terkait dengan kelas landmark dan secara otomatis mendeteksi posisinya. Data pelatihan terdiri dari 140.000 SCF untuk sepuluh kelas landmark, yang diekstrak dari enam puluh tengkorak. Filter berbasis cluster secara konsisten memberikan akurasi yang lebih baik daripada filter berbasis radius-massa, terutama dalam kasus multi-cluster. Jarak rata-rata (ke kebenaran lapangan) dari 20 titik teratas adalah 0,0326 unit. Ini adalah jarak minimal, dalam radius sampel dari kebenaran tanah (0,05 unit yang dinormalisasi). Estimasi bentuk wajah harus mempertimbangkan atribut dari populasi subjek. Pendekatan template wajah yang diusulkan dapat mentransfer karakteristik rinci dari sebuah template dengan pendekatan satu pintu yang merekonstruksi bentuk global saat mentransfer bentuk rinci template. Selain dapat mempertahankan detail, deformasi template dengan permukaan Laplacian dipilih karena proses pengeditannya kompatibel dan intuitif dengan metode konvensional yang menggunakan landmark sebagai referensi untuk jaringan lunak yang ditambah.
Penulis: Dr. Anggraini Dwi Sensusiati, dr., Sp.Rad(K)
Link of article: https://doi.org/10.1049/ipr2.12822
