Segmentasi mandibula bertujuan untuk memisahkan mandibula pada radiografi panoramik yang dapat digunakan dalam identifikasi jenis kelamin dan estimasi usia. Segmentasi yang akurat dari mandibula adalah langkah penting untuk penggunaan tersebut di bidang forensik. Segmentasi mandibula sebelumnya telah dilakukan pada gambar CT scan, CBCT, dan foto panoramik. Namun, segmentasi mandibula dalam penelitian sebelumnya mengalami masalah dalam hal mandibula tidak menampilkan kondilus dan koronoid secara lengkap dan jelas. Hasil segmentasi yang tidak jelas dari koronoid dan kondil mandibula disebabkan oleh intensitas gambar panoramik yang homogen. Selain itu, sulit untuk membedakan antara objek mandibula dengan gigi atau bagian lainnya. Untuk mengatasi masalah yang disebutkan di atas, beberapa metode telah digunakan untuk segmentasi mandibula. Metode yang diajukan untuk segmentasi mandibula umumnya dibagi menjadi metode tradisional dengan hasil evaluasi sekitar 60% dan metode berbasis deep learning yang hasil evaluasinya lebih dari 70%. Penelitian ini bertujuan untuk melakukan segmentasi mandibula sehingga dapat menghasilkan gambaran mandibula yang utuh dan lengkap. Metode berbasis deep neural network diajukan untuk menghasilkan mandibula yang utuh dan lengkap.
Gambar radiografi yang noise dan sulit untuk membedakan antara objek mandibula dengan struktur lainnya dapat diatasi dengan menggunakan metode Ying dan DHE. Selanjutnya, hasil dari peningkatan gambar radiografi panoramik menggunakan metode Ying dan DHE disegmentasi menggunakan metode MobileNetV2. Keterbaruan dari penelitian ini adalah penggunaan ensemble MobileNetV2 untuk segmentasi mandibula daripada untuk klasifikasi seperti biasanya antara lain metode U-Net, MobileNetV2, ResNet18, ResNet50, Xception, dan Inception ResNet V2 dalam melakukan segmentasi mandibula. Namun, jika hanya menggunakan metode MobileNetV2, hasilnya masih perlu diperjelas pada koronoid dan kondilus mandibula. Hasil segmentasi radiografi pada gambar yang terlalu gelap atau terlalu terang juga cenderung tidak baik. Hasil dari peningkatan segmentasi radiografi Ying dan DHE diharapkan dapat memberikan hasil yang lebih baik.
Dalam penelitian ini, proses segmentasi mandibula pada radiografi panoramik berhasil dilakukan pada foto panoramik dengan metode segmentasi ensemble. Gambar yang digunakan adalah foto panoramik. Ensemble segmentasi menggunakan encoder MobileNetV2 dan decoder CNN, yang menggabungkan gambar asli dengan gambar yang ditingkatkan menggunakan metode Ying dan DHE, dengan nilai Dice sebesar 0.9655. Hasil segmentasi gambar asli dengan kombinasi gambar yang ditingkatkan menggunakan metode Ying dan DHE memiliki tampilan mandibula yang lengkap dan utuh. Selanjutnya, kami berencana untuk terus meningkatkan kinerja metode ensemble model kami dengan menggunakan transfer learning CNN lainnya.
Penulis : Nur Nafi’iyah, Chastine Fatichah, Darlis Herumurti, Eha Renwi Astuti, Ramadhan Hardani Putra
Informasi detail dapat diakses pada tautan berikut :https://inass.org/wp-content/uploads/2023/01/2023043045-2.pdf
