Sistem Rekomendasi Dimensi Implan Gigi Berbasis Segmentasi dan Rekonstruksi Citra 3D CBCT

Naufal, Mohammad Farid (2026) Sistem Rekomendasi Dimensi Implan Gigi Berbasis Segmentasi dan Rekonstruksi Citra 3D CBCT. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 7025231017-Doctoral.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Implan gigi digunakan untuk menggantikan akar gigi yang hilang dan berfungsi memberikan fondasi yang kokoh bagi gigi tiruan. Dokter gigi menggunakan citra 3D Cone Beam Computed Tomography (CBCT) untuk menentukan dimensi implan gigi. Prosedur ini membutuhkan tingkat ketelitian yang tinggi dan waktu yang lama bagi dokter gigi. Hal ini disebabkan oleh perbedaan kondisi tulang di setiap pasien yang menyebabkan dimensi implan gigi yang digunakan juga berbeda. Penggunaan metode segmentasi di citra 3D CBCT untuk memisahkan struktur tulang rahang memungkinkan rekomendasi dimensi implan gigi yang lebih cepat dan akurat. Alveolar bone (AB) dan Mandibular Canal (MC) adalah area dalam tulang rahang pasien yang perlu untuk disegmentasi dalam menentukan dimensi implan gigi untuk gigi geraham. Penelitian sebelumnya menghadapi beberapa permasalahan, antara lain: (1) belum mampu mengklasifikasikan area edentulous yaitu area yang tidak terdapat gigi di rahang bawah yang akan dipasang implan gigi; (2) hanya melakukan segmentasi AB dan MC citra 3D CBCT dalam tampilan slice coronal atau axial saja dan tidak melakukan segmentasi slice yang mengikuti lengkung rahang seperti yang dilakukan oleh dokter gigi untuk memperoleh informasi 3D yang lebih komprehensif; (3) belum dapat memberikan rekomendasi otomatis dimensi implan gigi; (4) belum dapat melakukan rekonstruksi 3D dari hasil segmentasi AB dan MC yang dapat digunakan untuk visualisasi pemasangan implan. Penelitian ini berfokus dalam (1) pengembangan model klasifikasi menggunakan arsitektur transfer learning untuk menentukan area edentulous rahang bawah yang akan dilakukan pemasangan implan; (2) pengembangan model segmentasi DIR-YOLO (Dental Implant Reommender-YOLO) yang bertujuan untuk memisahkan AB dan MC di slice yang mengikuti lengkung rahang bawah; (3) rekomendasi otomatis mengenai dimensi implan gigi yang sesuai untuk gigi molar (geraham); (4) pengembangan rekonstruksi 3D dari hasil segmentasi AB dan MC yang memungkinkan visualisasi dari hasil pemasangan implan. Model DIR-YOLO merupakan modifikasi YOLOv8n yang dioptimalkan untuk segmentasi AB dan MC. Modifikasi dilakukan dengan mengganti blok C2f menjadi C3Ghost dan menggunakan Ghost Convolution untuk mengurangi parameter serta meningkatkan efisiensi. Selain itu, head segmentasi diperkecil dari tiga skala menjadi dua skala (low dan high) agar lebih sesuai dengan ukuran AB dan MC. Penyesuaian ini membuat model lebih fokus pada karakteristik anatomi rahang bawah dan meningkatkan presisi segmentasi. Dataset yang digunakan dalam penelitian ini diperoleh dari Instalasi Radiologi Kedokteran Gigi Universitas Airlangga. Pada tahapan klasifikasi slice edentulous, MobileNetV2 menjadi model terbaik dengan F1-score 99.97%, sehingga mampu mengidentifikasi slice edentulous secara konsisten. Pada tahapan segmentasi AB dan MC, DIR-YOLO menunjukkan performa terbaik dengan DSC AB = 97.65%, DSC MC = 86.59%, dan mDSC = 92.12%, yang memungkinkan pemetaan struktur AB dan MC secara akurat. Pada tahapan rekomendasi dimensi implan gigi, evaluasi terhadap 30 pasien menunjukkan performa yang baik dengan MAE diameter = 0.17 mm dan MAE tinggi = 0.10 mm. Sementara itu, hasil uji statistik menggunakan Cohen’s Weighted Kappa menghasilkan nilai Sig. < 0.001 dan uji Kruskal–Wallis menghasilkan nilai Asymp. Sig. 0.658 dan 0.982 masing-masing untuk diameter dan tinggi implan. Hal ini mengindikasikan adanya kesepakatan yang baik dan tidak adanya perbedaan signifikan antara rekomendasi sistem dengan dua ahli. Hasil segmentasi AB dan MC serta implan gigi divisualisasikan melalui rekonstruksi 3D sehingga mendukung visualisasi pemasangan implan gigi. Seluruh proses tersebut diintegrasikan dalam sebuah aplikasi perencanaan implan gigi berbasis CBCT dan memudahkan dokter gigi dalam melakukan perencanaan implan gigi.
========================================================================================================================
Dental implants are used to replace missing tooth roots and provide a stable foundation for artificial teeth. Dentists utilize 3D Cone Beam Computed Tomography (CBCT) images to determine the appropriate implant dimensions. This procedure requires high precision and considerable time due to variations in each patient’s bone condition, which result in different implant dimensions. Applying segmentation methods to 3D CBCT images to separate jawbone structures allows for faster and more accurate implant dimension recommendations. The Alveolar bone (AB) and Mandibular Canal (MC) are two essential anatomical regions that must be segmented to determine the correct implant size for molar teeth. Previous studies encountered several challenges, including: (1) the inability to classify edentulous areas, namely regions in the lower jaw where teeth are missing and implants are planned to be placed; (2) segmentation of AB and MC was performed only on coronal or axial CBCT slices and not on slices that follow the curvature of the jaw, as performed by dentists to obtain more comprehensive 3D information; (3) the inability to provide automatic implant dimension recommendations; and (4) the inability to generate 3D reconstructions from segmented AB and MC regions for implant placement visualization. This research focuses on: (1) developing a classification model using transfer learning architectures to classify edentulous slices in the lower jaw; (2) developing the DIR-YOLO (Dental Implant Recommender–YOLO) segmentation model to segment AB and MC from CBCT slices that follow the jaw curvature; (3) automatically recommending appropriate dental implant dimensions for molar teeth; and (4) generating 3D reconstructions from segmented AB, MC, and dental implant regions to enable visualization of implant placement. DIR-YOLO is a modified version of YOLOv8n optimized for AB and MC segmentation. The modifications include replacing the C2f block with C3Ghost and employing Ghost Convolution to reduce parameters and improve efficiency. Additionally, the segmentation head is simplified from three scales to two scales (low and high) to better accommodate the anatomical sizes of AB and MC. These adjustments make the model more focused on mandibular anatomy and improve segmentation precision. The dataset used in this study was obtained from the Dental Radiology Department of Universitas Airlangga. In the edentulous slice classification stage, MobileNetV2 achieved the best performance with an F1-score of 99.97%, enabling consistent identification of edentulous slices. In the segmentation stage for AB and MC, DIR-YOLO demonstrated superior performance with DSC AB = 97.65%, DSC MC = 86.59%, and mDSC = 92.12%, allowing accurate mapping of the AB and MC structures. In the implant dimension recommendation stage, evaluation on 30 patients showed good performance with an MAE of 0.17 mm for implant diameter and 0.10 mm for implant height. Meanwhile, statistical analysis using Cohen’s Weighted Kappa produced a significance value of Sig. < 0.001, and the Kruskal–Wallis test yielded Asymp. Sig. values of 0.658 and 0.982 for implant diameter and height, respectively. These results indicate strong agreement and no significant differences between the system’s recommendations and two experts. The segmentation results of the AB and MC, along with the dental implants, are visualized through 3D reconstruction to support dental implant placement visualization. All of these processes are integrated into a CBCT-based dental implant planning application. It supports dentists in performing dental implant planning.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	rekomendasi, dimensi implan gigi, segmentasi, rekonstruksi, CBCT, recommendation, dental implant dimension, segmentation, reconstruction, CBCT
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	Mohammad Farid Naufal
Date Deposited:	22 Jan 2026 03:05
Last Modified:	22 Jan 2026 03:05
URI:	http://repository.its.ac.id/id/eprint/130055

Actions (login required)

View Item