Pemeriksaan radiografi 3-dimensi Cone Beam Computed Tomography (CBCT 3D) merupakan salah satu pemeriksaan radiografi yang digunakan di bidang kedokteran gigi untuk menunjang perawatan implan. Gambaran dari CBCT-3D dapat menampilkan pencitraan tiga dimensi, sehingga didapatkan gambaran yang akurat dari anatomi dentomaksilofasial, tinggi dan lebar tulang alveolar, penyakit-penyakit yang berada di rahang, lokasi dari struktur-struktur vital seperti kanalis mandibula, foramen mentalis, foramen mandibula, foramen insisivus, dan sinus maksilaris. Selain informasi yang akurat tentang anatomi internal, hubungan antara lesi dan margin kortikal serta akar gigi dapat pula ditentukan. Pencitraan ini ideal karena tidak didapatkan superimpose dari jaringan-jaringan yang ada di rahang.
Untuk menentukan ukuran implan gigi, seorang radiologist harus melakukan pengukuran secara manual pada tinggi dan lebar tulang alveolar dari semua slice di lokasi yang akan dipasang implan gigi menggunakan software imaging 3 D. Pengukuran secara manual sangat memerlukan banyak waktu terutama ketika dokter gigi merencanakan perawatan implan gigi pada banyak regio. Oleh karena itu, dibutuhkan system deteksi tulang alveolar yang tersedia secara otomatis untuk perencanaan implan gigi.
Dalam penelitian ini diusulkan otomatisasi deteksi tulang alveolar menggunakan YOLOv3-tiny dari radiografi CBCT-3D. Digunakan YOLOv3-tiny terutama karena cepat dan hasilnya lebih akurat daripada versi sebelumnya. Otomatisasi ini akan memudahkan pengukuran tinggi dan lebar tulang alveolar yang tersedia di area implant gigi. Hal ini mengakibatkan proses perencanaan implant gigi menjadi lebih mudah, efisien dan mempermudah kerja radiologist.
Arsitektur network YOLOv3-tiny terdiri dari tujuh lapis network konvolusi dan enam lapisan max-pooling di network Darknet-53 dengan dua cabang keluaran skala prediksi. Radiografi CBCT yang digunakan pada penelitian ini berasal dari data sekunder 4 pasien yang terdiri dari 800 irisan koronal gambar grayscale 2D, dan berisi 830 anotasi tulang alveolar. Sebelum proses pelatihan, dibuat anotasi citra ground truth berupa kotak pembatas pada objek tulang alveolar. Hasil deteksi model YOLOv3-tiny dibandingkan dengan hasil deteksi model YOLOv3 dan YOLOv2-tiny. Hasil eksperimen pada 640 citra latih dan 160 citra uji menunjukkan bahwa YOLOv3-tiny mengungguli YOLOv2-tiny dengan mAP masing-masing sebesar 98,6% dan 96,73%.
Penulis: Eha Renwi Astuti
Link jurnal: https://ieeexplore.ieee.org/document/9392039
