Metode Residual Fully Convolutional Network Untuk Segmentasi Kanal Mandibula

Faradhilla, Yolla (2021) Metode Residual Fully Convolutional Network Untuk Segmentasi Kanal Mandibula. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111950010029-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (2MB) | Request a copy

Abstract

Dalam melakukan bedah implan gigi pada mandibula, perlu dilakukan perhitungan jarak tinggi dan lebar antara tulang alveolar dengan kanal mandibula. Dalam praktiknya, perhitungan jarak tinggi dan lebar antara tulang alveolar dengan kanal mandibula secara manual memerlukan waktu yang lama. Untuk itu, perlu adanya sistem penghitung jarak tersebut secara otomatis. Salah satu proses yang penting pada sistem tersebut adalah segmentasi kanal mandibula. Penelitian sebelumnya terkait segmentasi kanal mandibula dengan deep learning menggunakan metode 2D U-Net masih belum dapat mensegmentasi kanal mandibula dengan baik. Masalah utama dalam mensegmentasi kanal mandibula adalah jumlah kelas yang tidak seimbang antara objek dengan background sehingga sering terjadi kesalahan klasifikasi terutama piksel yang berada di boundary.
Pada penelitian ini diusulkan arsitektur baru berbasis residual fully convolutional network (RFCN) dengan memperhitungkan nilai loss pada region dan boundary pada segmentasi kanal mandibula. RFCN merupakan integrasi antara residual unit dengan fully convolutional network untuk menjaga fitur yang penting agar tidak terdegradasi pada proses pelatihan. Dalam penelitian ini diperkenalkan arsitektur yang mengoptimalisasi RFCN dengan dual auxiliary loss (DAL) yang memperhitungkan nilai loss pada region dan boundary dari objek, sehingga network tidak salah mensegmentasi objek di luar boundary. Fungsi loss yang digunakan pada arsitektur ini yaitu focal loss yang akan memberikan bobot bagi objek yang meskipun tidak seimbang dengan background namun masih akan tetap dikenali.
Dataset yang akan digunakan pada penelitian ini ada 2 yaitu, 200 citra dengan kanal mandibula dan 300 citra yang terdiri dari 200 citra dengan kanal mandibula dan 100 citra tanpa kanal mandibula. Dataset tersebut akan dibagi 80% sebagai data training dan 20% sebagai data testing. Metode yang diusulkan dibandingkan dengan metode yang sudah ada yaitu Fully Convolutional Neural Network (FCNN) dan RFCN dengan hanya memperhitungkan loss pada region. Hasil dice similarity coefficient dari metode RFCN dengan DAL yang diusulkan paling baik dibandingkan dengan metode-metode pembanding lainnya dengan skor 0.914 pada dataset pertama dan 0.868 pada dataset kedua.
=================================================================================================
Calculating the height and width distance between the alveolar bone and the mandibular canal is important for preparing dental implant surgery on the mandible. In practice, it takes a long time to manually calculate the distance of height and width between the alveolar bone and the mandibular canal. For that, it is necessary to have an automatic distance counting system. The segmentation of mandibular canal is an essential step for this system. Previous research related to mandibular canal segmentation with deep learning using the 2D U-Net method has not been able to segment the mandibular canal properly. The main problem in segmenting the mandibular canal is the unbalanced number of classes between objects and the background so that there are often misclassifications, especially pixels that are on the boundary.
This research proposes residual fully convolutional network (RFCN) for mandibular canal segmentation by evaluating the loss value in the region and boundary. RFCN is an integration between residual and fully convolutional network to keep important features from being degraded in the training process. In this research, an architecture that optimizes RFCN with dual auxiliary loss is introduced which considered the loss value in the region and boundary of the object, so that the network does not wrongly segment objects outside the boundaries. The loss function used in this architecture is the focal loss which will give weight to objects that, although not balanced with the background, will still be recognized.
In this study, 2 datasets were used. The datasets will be divided 80% as training data and 20% as testing data The proposed method is compared with the existing method, namely Fully Convolution Neural Network (FCNN) and RFCN which only considered the region loss. There are 200 images with canal mandibular in the first dataset and 300 images in the second dataset which contain 100 images without mandibular canal and 200 images from the first dataset. The score of dice similarity coefficient (DSC) from the RFCN method with the proposed DAL are outperforms the comparing methods.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	segmentasi kanal mandibula, fully convolutional network, residual Unit, residual network, mandibular canal segmentation
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Yolla Faradhilla
Date Deposited:	12 Aug 2021 14:06
Last Modified:	12 Aug 2021 14:06
URI:	http://repository.its.ac.id/id/eprint/86080

Actions (login required)

View Item