Segmentasi kanal mandibula menggunakan metode watershed transform

INDONESIA:

Kanal mandibula adalah bagian dari tulang mandible atau tulang rahang bawah, dalam bagian ini merupakan saluran syaraf yang melintas dari lubang ramus dan foramen mentalis. Setiap orang memiliki lebar kanal yang berbeda, hal ini bisa disebabkan karena pengeroposan tulang, semakin lebar kanal maka dapat dinyatakan orang tersebut mengidap Osteoporosis. Untuk memudahkan proses identifikasi lebar kanal secara digital perlu dipisahkan objek – objek yang ada pada tulang mandibula.

Penelitian ini membahas bagaimana melakukan pemisahan region pada tulang mandibula. Ada beberapa tahapan yang dilakukan untuk memisahkan region pada tulang mandibula. Tahapan awal adalah pemotongan gambar dan perbaikan kualitas gambar. Pada penelitian ini perbaikan gambar dilakukan dengan menggunakan metode Diffusi Anissotropic dengan menghitung nilai delapan tetangga terdekat. Sedang proses segmentasinya adalah dengan metode watershed transform, selanjutnya untuk memperjelas region yang diambil dilakukan deteksi tepi metode canny. Metode watershed transform menggunakan garis watershed sebagai pemisah antar region. Garis watershed adalah garis antara dua buah wilayah yang memiliki nilai warna tertinggi, dalam penelitian ini nilai tertinggi adalah putih sehingga garis watershed adalah garis yang paling mendekati warna putih antara dua buah wilayah yang lebih gelap.

Untuk mengukur keberhasilan proses segmentasi menggunakan metode watershed transform ini dihitung performanya menggunakan ROC dimana bisa dihasilkan Akurasi , Presisi dan Recall gambar hasil pemrosesan dengan gambar asli. Untuk menilai keberhasilanya metode ini dilakukan pengujian terhadap 25 sampel dari citra dental panoramic radiograph, yang masing-masing sampel diambil dua bagian yaitu bagian kanan dan kiri. Dari hasil uji coba dihitung tingkat akurasi, presisi dan recall dengan rata-rata akurasi metode watershed transform untuk mengenali region pada citra DPR adalah 45,39% dengan akurasi tertinggi mencapai 92,77%, untuk presisi diperoleh rata – rata 38,76% dengan presisi terbaik sebesar 75%, sedangkan recall rata – rata sebesar 2,62% dengan recall terbaik sebesar 8,19%.

ENGLISH:

Mandibular canal is part of the bone mandible or lower jaw bone, this part is the nerve canal crossing from hole ramus and the mental foramen. Everyone has a different channel width, this could be due to osteoporosis, widening the canal it can be stated that people suffering from Osteoporosis. To facilitate the process of identification of digital channel width necessary to separate the objects - objects that exist in mandibular bone.

This research discusses how to perform selection in the region of the mandible bone. There are several steps being taken to separate regions of the mandibular bone. The beginning stage is cutting the picture and image quality improvements. In this research, image enhancement done using Anissotropic Diffusion method by calculating the value of the eight nearest neighbors. Being the process of segmentation is the method of watershed transform, further to clarify region captured do canny edge detection method. Watershed transform methods using the watershed line as the dividing line between regions. Watershed line is the line between the two regions that have the highest color value, in this study the highest value is white so that watershed line is the line closest to the white color between the two regions are darker.

To measure the success of the process of segmentation using watershed transform performance is calculated using the ROC, where success judged by the level Accuracy, Precision and Recall of images processed compared to the original image. Untuk menilai keberhasilanya metode ini dilakukan pengujian terhadap 25 sampel dari citra dental panoramic radiograph, each sample was taken two parts, left and right. From the test results calculated levels of accuracy, precision and recall with an average accuracy transform watershed method to identify regions of the image of DPR is 45.39% with the highest accuracy reached 92.77%, for the precision obtained by the average 38.76% with the best precision by 75%, while the average of recall is 2.62% with the best recall reached 8.19%.