Kanalis Mandibula atau mandibular canal (MC) adalah bagian anatomi penting rahang bawah, yang meliputi arteri, vena, dan serabut saraf sensorik. MC berjalan dari foramen mandibula ke foramen mental, menyuplai cabang ke gigi dan struktur di sekitarnya. Segmentasi MC memainkan peran penting dalam mendiagnosis dan menentukan hasil dari kondisi mulut, termasuk prosedur implan, anestesi saraf mandibula, operasi pengangkatan gigi geraham ketiga, dan terapi saluran akar. Cedera pada MC dapat menyebabkan mati rasa dan sensasi abnormal yang berkepanjangan di area yang terkena, termasuk lidah, bibir, dan gusi.
Intervensi bedah mulut dan maksilofasial, termasuk prosedur seperti bedah molar ketiga rahang bawah, penempatan implan, osteotomi mandibula, dan perbaikan patah tulang mandibula, memerlukan pemahaman yang baik tentang anatomi MC untuk mengurangi peningkatan risiko cedera. Dalam perencanaan perawatan, lokasi MC yang akurat sangat penting untuk merencanakan posisi, ukuran, dan penempatan implan gigi serta menentukan pendekatan pembedahan. Metode yang umum melibatkan penggunaan perangkat lunak pencitraan 3D untuk memberi label MC pada irisan penampang, sehingga memfasilitasi segmentasi MC yang akurat. Tracing atau Penelusuran MC adalah prosedur yang memerlukan ketelitian dan memakan waktu dalam perencanaan perawatan. Selama prosedur penelusuran, dokter gigi harus melokalisasi MC di beberapa irisan penampang melintang yang representatif untuk menggambarkan MC secara keseluruhan. Para peneliti telah menyarankan penggunaan Kecerdasan Buatan (AI) sebagai alat pendukung cepat bagi dokter gigi ketika menyusun dan melaporkan radiografi gigi digital dua dimensi (2D) dan tiga dimensi (3D).
Studi review ini mengidentifikasi 30 jurnal penelitian utama yang berfokus pada segmentasi MC dalam radiografi gigi digital 2D dan 3D. Saat ini segmentasi MC sebagian besar dilakukan menggunakan arsitektur deep learning. Hal ini dilatarbelakangi oleh kinerjanya yang unggul dibandingkan dengan metode machine learning tradisional lainnya. Model Deep learning menunjukkan kemampuan generalisasi yang ditingkatkan, secara efektif memproses kumpulan data yang besar dan beragam. Kemampuan beradaptasi ini berkontribusi terhadap kemanjurannya dalam menangani kompleksitas segmentasi citra medis.
Arsitektur U-Net adalah kerangka segmentasi MC yang paling banyak digunakan untuk kumpulan data radiografi gigi digital 2D dan 3D. Popularitas U-Net disebabkan oleh arsitektur encoder-decodernya yang khas. Meskipun arsitektur U-Net banyak digunakan untuk segmentasi MC, beberapa penelitian terbaru memilih metode yang berbeda antara lain YOLOv4, Mask R-CNN, dan model berbasis transformator. Masing-masing arsitektur memiliki kelebihan yang unik untuk segmentasi MC, menawarkan beragam cara untuk menangani kompleksitas pencitraan gigi. Variasi metode segmentasi ini mencerminkan sifat dinamis penelitian di bidang ini, yang menunjukkan komitmen untuk menemukan pendekatan yang paling efektif. Para peneliti sedang mengeksplorasi berbagai arsitektur untuk meningkatkan hasil pencitraan medis, dan menyadari bahwa mungkin terdapat pendekatan yang lebih optimal dibandingkan pendekatan yang bersifat universal.
Dengan mensintesis pengetahuan yang ada dan menyoroti temuan-temuan utama, Peneliti dapat memanfaatkan temuan dan metodologi sebagai landasan untuk mengembangkan dan menyempurnakan pendekatan mereka. Selain itu, dengan memberikan titik referensi bagi para peneliti, studi review ini memfasilitasi transfer pengetahuan dan kolaborasi dalam komunitas ilmiah, mendorong upaya penelitian interdisipliner untuk mengatasi tantangan dan kompleksitas yang terkait dengan segmentasi MC.
Penulis : Mohammad Farid Naufal, Chastine Fatichah, Eha Renwi Astuti, Ramadhan Hardani Putra
Informasi detail dapat diakses pada tautan berikut : https://ieeexplore.ieee.org/abstract/document/10540137
Baca juga: Uji Viabilitas Hydroxyapatite dari Tooth Graft pada Kultur Sel Osteoblast
