ABSTRAK
Pencitraan panoramik umumnya digunakan oleh dokter gigi baik dalam praktik rutin maupun dalam perencanaan perawatan gigi. Proses pengambilan citra panoramik gigi menghadirkan tantangan dalam segmentasi komponen gigi dan identifikasi fitur yang menjadi dasar perencanaan perawatan. Hal ini disebabkan oleh sejumlah faktor, termasuk tingkat kebisingan yang berbeda yang dihasilkan oleh mesin, kontras tepi yang rendah, dan tumpang tindih struktur anatomi. Lebih jauh, segmentasi citra panoramik menghadirkan tantangan karena diperlukan metode yang kuat yang mampu melakukan segmentasi semua komponen gigi dalam berbagai skenario, termasuk keberadaan tambalan, kawat gigi, implan, mahkota gigi prostetik, dan gigi yang hilang. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan model generatif untuk segmentasi citra gigi panoramik. Model Generative Adversarial Networks (GAN) yang diusulkan dilatih untuk mempelajari informasi spasial antara citra radiografi panoramik asli dan citra ground truth, yang berisi batas-batas komponen citra. Model kami dievaluasi pada dataset UESB, dan kinerja segmentasinya dibandingkan dengan model U-Net dan metode SOTA yang dievaluasi pada dataset UESB. Model GAN mencapai hasil segmentasi sebesar 0,8715 Jaccard, 0,9304 Dice, 0,9353 Precision, dan 0,9293 Recall tanpa memerlukan pra-atau pasca-pemrosesan. Model tersebut menunjukkan kinerja yang lebih unggul daripada model U-Net dan menunjukkan tingkat kinerja yang dapat bersaing dengan model jaringan saraf konvolusional lainnya. Kinerja segmentasi model divalidasi melalui pelaksanaan studi ablasi berdasarkan fungsi kerugian. Temuan analisis kuantitatif dan kualitatif memperkuat bahwa model kami kuat dan memiliki kinerja yang unggul dalam hal segmentasi. Lebih jauh lagi, temuan ini menggambarkan potensi model GAN sebagai metodologi yang efektif untuk segmentasi gigi berbantuan komputer, diagnosis, dan perencanaan perawatan.
Metode Segmentasi Generatif yang Kuat untuk Gambar Radiografi Gigi Panoramik
