Segmentasi mental foramen di mandibula pada citra radiografi panoramik dengan Self-Organizing Map

Authors

  • Wahid Agus Setiawan Universitas Islam Lamongan, Lamongan
  • Nur Nafi’iyah Universitas Islam Lamongan, Lamongan

DOI:

https://doi.org/10.26594/teknologi.v10i2.2014

Abstract

Sistem berbasis komputer di bidang medis dapat digunakan untuk membantu mendiagnosis penyakit tertentu. Pembuatan sistem berbasis komputer berdasarkan citra mempunyai beberapa tahapan penting, diantaranya adalah tahapan segmentasi. Tahapan segmentasi merupakan tahapan untuk melakukan pemisahan objek terhadap background. Thresholding merupakan metode dalam melakukan segmentasi, di mana prosesnya didasarkan pada warna keabuan yang menghasilkan citra biner; 1 (putih) untuk mewakili objek dan 0 (hitam) untuk mewakili background. Mental foramen adalah bagian yang ada dalam mandibula, salah satu fungsinya untuk identifikasi forensik. Agar fungsi mental foramen bisa digunakan, maka salah satu proses yang harus dilalui adalah proses segmentasi. Tujuan penelitian ini adalah melakukan segmentasi mental foramen di mandibula citra radiografi gigi. Manfaat dari melakukan segmentasi mental foramen pada mandibula adalah dapat menampilkan informasi mental foramen di mandibula secara jelas pada citra radiografi gigi agar dapat digunakan pada proses identifikasi manusia di kedokteran forensik gigi. Adapun algoritma yang digunakan dalam melakukan thresholding adalah Self-Organizing Map (SOM), karena telah terbukti dapat melakukan segmentasi lebih baik. Tahapan penelitian ini terdiri dari 1) Pengumpulan citra radiografi panoramic didapatkan dari RSUD Ibnu Sina Gresik di Jawa Timur sebanyak 16 citra radiografi panoramic. 2)  Citra radiografi panoramic dilakukan akuisisi agar menghasilkan citra digital; 3) Perbaikan citra menggunakan ekualisasi histogram; dan 4) Pengambilan bagian mental foramen di mandibula terlebih dahulu dilakukan croping menggunakan SOM agar komputasi tidak tinggi. Berdasarkan hasil uji coba, SOM memiliki kinerja kurang bagus dalam melakukan segmentasi mental foramen pada mandibula secara sempurna, karena hanya mampu melakukan segmentasi secara baik sebanyak 3 citra dari 16 citra berdasarkan pengamatan langsung secara manual.

 

 

Computer based system in the medical field is used to assist a diagnose of certain diseases. There are several steps to process a digital image, and the necessary part of it is image segmentation. Image segmentation is applied for separating between the foreground and background of an image. Image thresholding is a basic image segmentation that produces a binary image from a gray-level image, which 1 represents as an object; otherwise, it is the background. Mental foramina is a part of the mandibular canal that is used to acknowledge of digital forensics. In this paper, we apply mental foramina image segmentation on the mandible canal in dental radiographic. The use of mental foramina segmentation is to perform its information on mandibular obviously so that it can be used for human identification in the medical of dental graphics. We utilize the Self-Organizing Map (SOM) as it has better segmentation than other algorithms. In research methodology, we divide the process as follows: 1) primary dataset of panoramic radiographic images was obtained from RSUD Ibnu Sina Gresik, East Java with the total of images is 16. 2) The acquisition of panoramic radiographic images into digital images. 3) Image enhancement using histogram equalization. 4) Mental foramina images on the mandibular canal were cropped using SOM to avoid a high computational process. The result shows that SOM achieves low evaluation of metal foramina image segmentation on the mandibular canal since it is only undertaking three out of sixteen images based on visualization measurement.

Author Biographies

Wahid Agus Setiawan, Universitas Islam Lamongan, Lamongan

Teknik Informatika

Nur Nafi’iyah, Universitas Islam Lamongan, Lamongan

Teknik Informatika

References

Abdi, A. H., Kasaei, S., & Mehdizadeh, M. (2015). Automatic segmentation of mandible in panoramic x-ray. Journal of Medical Imaging, 2(4).

Aganj, I., Harisinghani, M. G., Weissleder, R., & Fischl, B. (2018). Unsupervised Medical Image Segmentation Based on the Local Center of Mass. Scientific Reports, 13012(13012).

Alias, A., Ibrahim, A., Bakar, S. N., Shafie, M. S., Das, S., & Nor, F. M. (2017). Morphometric and Morphological Study of Mental Foramen in the Malaysian Population: Anatomy and Forensic Implications. IIUM Medical Journal Malaysia, 16(2), 47-53.

Fariza, A., Arifin, A. Z., Astuti, E. R., & Kurita, T. (2019). Segmenting Tooth Components in Dental X-Ray Images Using Gaussian KernelBased Conditional Spatial Fuzzy C-Means Clustering Algorithm. International Journal of Intelligent Engineering and Systems, 12(3), 108-117.

Fitriana, I. (2014). Peningkatan kualitas citra dental panoramic radiograph pada tulang mandibula menggunakan multi-histogram equalization. Malang: Universitas Islam Negeri Maulana Malik Ibrahim.

Indraswari, R., Kurita, T., Arifin, A. Z., Suciati, N., & Astuti, E. R. (2019). Multi-projection deep learning network for segmentation of 3D medical images. Pattern Recognition Letters, 125, 791-797.

Indrianie, S. N. (2013). Mathematical morphological edge detection untuk segmentasi foramen mentale pada citra Dental Panoramic Radiograph (DPR). Malang: Universitas Islam Negeri Maulana Malik Ibrahim.

Kadir, A., & Susanto, A. (2013). Teori dan Aplikasi Pengolahan Citra. Yogyakarta: Andi Publisher.

Kim, G., Lee, J., Lee, H., Seo, J., Koo, Y.-M., Shin, Y.-G., & Kim, B. (2011). Automatic Extraction of Inferior Alveolar Nerve Canal Using Feature-Enhancing Panoramic Volume Rendering. IEEE Transactions on Biomedical Engineering, 58(2), 253-264.

Kroon, D.-J. (2011). Segmentation of the Mandibular Canal in Cone-Beam CT Data. Enschede, Netherlands: University of Twente. doi:https://doi.org/10.3990/1.9789036532808

Meidyani, B., Qolby, L. S., Fajrin, A. M., Arifin, A. Z., & Navastara, D. A. (2019). Iterated Merging Region Based on the Average Grayscale Difference for Interactive Image Segmentation. Jurnal Ilmu Komputer dan Informasi, 12(1), 13-18.

Nafi’iyah, N., & Fatichah, C. (2017). Fuzzy Self Organizing Map untuk Proses Thresholding pada Citra Dental Panaromic. Seminar Nasional Sistem Informasi (pp. 511-524). Malang: Universitas Merdeka Malang.

Ning, J., Zhang, L., Zhang, D., & Wu, C. (2010). Interactive image segmentation by maximal similarity based region merging. Pattern Recognition, 43(2), 445-456.

Sen, A., Suleymanoglu, B., & Soycan, M. (2020). Unsupervised extraction of urban features from airborne lidar data by using self-organizing maps. Survey Review, 52(371), 150-158.

Zareei, A., & Karimi, A. (2016). Liver segmentation with new supervised method to create initial curve for active contour. Computers in Biology and Medicine, 75, 139-150.

Downloads

Published

2020-09-25

Issue

Section

Articles