Radiografi panoramik merupakan salah satu radiografi ekstra oral dan bersifat non invasif yang sering digunakan oleh dokter gigi untuk mendapatkan gambaran dari dento maksilofasial. Radiogaf ini memiliki kekurangan diantaranya adalah tingkat kecerahan gambar tidak merata, gambaran tumpang tindih, kesalahan posisi pasien yang sangat mempengaruhi proses segmentasi. Rendahnya resolusi gambar pada radiografi panoramik berkontribusi berupa noise pada gambar. Oleh karena itu, tahap pertama proses gambaran radiografi adalah membedakan area yang akan diamati beserta dengan latar belakangnya.
Segmentasi gigi dan latar belakangnya digunakan untuk menghasilkan gambaran gigi dengan menghilangkan jaringan di sekitar gigi dan gigi tetangga lainnya. Hal ini menjadi tantangan karena sangat banyak gambaran gigi yang tumpang tindih dengan gigi yang lain sehingga sangat sulit menentukan gigi dan jaringan disekitarnya.
Penelitian ini menawarkan solusi berupa otomatisasi segmentasi gambaran radiografi gigi menggunakan jaringan konvolusi U-Net. Tahapan yang digunakan dalam proses pelatihan model terdiri dari augmentasi data, pra-pemrosesan dengan Kontras Penyetaraan Histogram Memadai Terbatas (CLAHE) dan penyesuaian gamma, dan pelatihan dengan arsitektur U-Net. Sedangkan proses pengujian terdiri dari pra-pemrosesan, prediksi, dan penghapusan area kecil di latar belakang. Metode segmentasi gigi dan latar belakang menggunakan metode deep learning jaringan konvolusi U-Net menunjukkan hasil yang unggul dan mendekati ground truth. Didapatkan 14,58% kesalahan segmentasi pada 1907 data testing karena adanya perbedaan nilai intensitas data sangat bervariasi, khusus untuk data citra yang memiliki batas bias pada jaringan di akar gigi dan gambar yang tumpang tindih pada enamel. Namun, akurasi rata-rata konvolusi U-Net akurasi segmentasi jaringan mencapai hasil yang sangat baik yaitu sebesar 97,60%.
Penulis: Eha Renwi Astuti
Link: https://repository.unair.ac.id/112261/
