Sistem Estimasi Usia Otomatis Berdasarkan Radiografi Panoramik pada Odontologi Forensik

Fariza, Arna (2019) Sistem Estimasi Usia Otomatis Berdasarkan Radiografi Panoramik pada Odontologi Forensik. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 05111660010003-Dissertation.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Identifikasi individu menjadi hal yang sangat mendesak seiring dengan banyaknya kasus pidana, bencana dan kecelakaan massal. Penggunaan gigi sebagai identifikasi memberikan keuntungan dikarenakan sifat gigi yang keras, tahan terhadap cuaca, kimia, trauma, dan dapat dilakukan pada kondisi apapun meskipun tubuh sudah hancur, membusuk, terbakar dan termutilasi. Estimasi usia merupakan salah satu faktor penting dalam melakukan identifikasi individu melalui gigi geligi apabila data antemortem tidak tersedia dan tidak ada petunjuk tentang kemungkinan identitas. Estimasi usia pada orang dewasa menjadi tantangan karena perkembangan gigi tidak bertambah pada usia ini dan tidak ada petunjuk yang bisa diandalkan untuk menilai usia. Metode standar yang digunakan untuk estimasi usia dewasa adalah menilai volume berdasarkan perubahan dentin sekunder yang menyebabkan rongga pulpa menurun seiring bertambahnya usia. Pemeriksaan radiografi pada ilmu odontologi forensik merupakan metode non-invasif yang tidak melibatkan ekstraksi gigi, mendapatkan gambaran keseluruham maksilofasial, pengambilan gambar yang cepat, harga yang murah dan mudah penyimpanannya. Kualitas gambar radiografi panoramik yang berkontras rendah dan iluminasi yang tidak merata, mengakibatkan rentan terjadi inkonsistensi dalam pengukuran objek pada gigi secara manual, sehingga hasil estimasi tidak dapat dipertanggungjawabkan. Dengan demikian, sistem penilaian otomatis sangat penting untuk memudahkan proses, mengurangi waktu dan kesalahan dibandingkan dengan pengamatan menggunakan mata telanjang. Perkembangan teknik convolution neural network (CNN) klasifikasi pada bidang visi komputer mampu mengklasifikasikan data medis dengan mempelajari representasi fitur yang berguna. CNN dapat mengklasifikasikan gambar yang memungkinkan estimasi usia otomatis, baik menggunakan fitur yang berguna secara langsung atau meggunakan fitur diskriminatif hasil segmentasi dan ekstraksi. Penelitian ini mengembangkan sebuah sistem estimasi usia secara otomatis berdasarkan citra radiografi panoramik untuk mengidentifikasi individu dewasa (16-70 tahun) pada odontologi forensik. Metode yang diajukan terdiri dari tiga tahapan. Tahap pertama melakukan segmentasi mengenali bagian gigi dan background dengan menghilangkan struktur gigi dan artefak yang lain dengan Gaussian kernel-based conditional spatial Fuzzy C-Means (GK-csFCM) dan jaringan konvolusi U-Net. Tahap kedua melakukan segmentasi citra yang mengenali dan mendapatkan area dentin, enamel, dan pulpa menggunakan GK-csFCM. Tahap ketiga melakukan klasifikasi citra untuk estimasi usia menggunakan deep convolution neural network (CNN) dengan modifikasi layer klasifikasi dan penyesuaian learning rate. Jaringan konvolusi U-Net mencapai hasil yang lebih baik dengan nilai rata-rata akurasi, sensitifitas dan spesifitas mencapai 97,60% dibandingkan GK-csFCM interaktif sebesar 95,42 %. Evaluasi segmentaai komponen gigi dengan algoritma GK-csFCM mencapai akurasi rata-rata 93,3%, sensitifitas rata-rata 58,1% dan nilai spesifitas rata-rata mencapai 95,2%. Metode klasifikasi menggunakan CNN dengan arsitektur model ResNeXt-50 (32×4d) yang dimodifikasi pada layer klasifikasi dan penyesuaian learning rate dapat melakukan klasifikasi 55 kelas (usia 16-70 tahun) dan menghasilkan MAE terkecil 4,30 tahun, akurasi tertinggi 60,93%, dan koefisien determinasi tertinggi 85,47% dengan dataset citra asli. Disertasi ini telah berhasil mengembangkan sebuah sistem estimasi usia secara otomatis berdasarkan citra radiografi panoramik untuk mengidentifikasi individu dewasa pada odontologi forensik. Sistem ini merupakan pendekatan baru sistem estimasi usia secara otomatis berdasarkan citra radiografi panoramik. Segmentasi gigi dan background dengan jaringan konvolusi U-Net mencapai hasil yang superior. Segmentasi komponen gigi dengan GK-csFCM mendapatkan akurasi dan spesifitas yang tinggi namun sensitifitas masih cukup rendah. Metode klasifikasi CNN dengan model arsitektur ResNeXt-50 (32×4d) yang dimodifikasi pada layer klasifikasi dan penyesuaian learning rate mencapai akurasi yang lebih baik.
=========================================================================================================================
Individual identification becomes urgent as the number of criminal cases, disasters and mass accidents. Using teeth as identification provides advantages due to the heavy, weather, chemical traumatic resistant and can be performed under any conditions even if the body is destroyed, decomposed, burned and mutilated. The Age estimation is an important factor in identifying individuals through dental work when antemortem data are unavailable and there is no guidance to a possible identity. Age estimation in adults is a challenge because the development of teeth does not increase at this age and there are no reliable guidelines for age assessment. The standard method used for estimating adult age is to assess volume based on changes in secondary dentin that cause the pulp cavity to decrease with age. In odontology forensic science, radiographic examination is a non-invasive method that does not involve the extraction of teeth, obtains an overall maxillofacial picture, rapid image capture, low-cost and easy storage. The low-contrast and uneven illumination quality of panoramic radiographic images cause inconsistencies in the measurement of objects in the teeth manually, therefore estimation results cannot be accounted for. Hence, an automatic scoring system is very important to facilitate the process, reduce time and errors compared to observations using the naked eye. The development of convolution neural network (CNN) classification techniques in computer vision can classify medical data by learning the representation of useful features. CNN classify images that allow automatic age estimation, either using useful features directly or using discriminative features resulting from segmentation and extraction. In this study an automatic age estimation system was developed based on panoramic radiographs to identify adult individuals (16-70 years) in forensic odontology. The proposed method consists of three stages. The first stage is to segment the teeth and background by recognizing tooth structure and other artifacts with Gaussian kernel-based conditional spatial Fuzzy C-Means (GK-csFCM) and U-Net convolution networks. The second stage is image segmentation that recognizes and acquires dentine, enamel, and pulp areas using GK-csFCM. The third stage is image classification for age estimation using deep convolution neural network (CNN) with classification layer modification and learning rate adjustment. The U-Net convolution network achieves better results with an average accuracy, sensitivity, and specificity of 97.60% compared to the interactive GK-csFCM of 95.42 %. Evaluation of the dental component segmentation using the GK-csFCM algorithm achieves an average accuracy of 93.3%, an average sensitivity of 58.1% and an average specificity value of 95.2%. Classification method using CNN with a modified ResNeXt-50 (32 × 4d) model architecture at the classification layer and learning rate adjustment can classify 55 classes (16-70 years old) and achieve the smallest MAE of 4.30 years, highest accuracy of 60, 93%, and the highest determination coefficient 85.47% with the original image dataset. This dissertation has succeeded in developing an automatic age estimation system based on panoramic radiographic images to identify adult individuals in forensic odontology. This system is a new approach to an automatic age estimation system based on panoramic radiographic images. Tooth and background segmentation with the U-Net convolution network achieves superior results. The segmentation of dental components with GK-csFCM has high accuracy and specificity but the sensitivity is still quite low. The CNN classification method with a modified ResNeXt-50 (32 × 4d) model architecture at the classification layer and learning rate adjustment achieves better accuracy.

Item Type:	Thesis (Doctoral)
Additional Information:	RDIf 006.42 Far s-1 2020
Uncontrolled Keywords:	panoramic radiography, age estimation, dental X-ray segmentation, Fuzzy C-means, convolution neural network.
Subjects:	Q Science > Q Science (General) > Q337.5 Pattern recognition systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis (Comp Science)
Depositing User:	Arna Fariza
Date Deposited:	11 Mar 2025 03:22
Last Modified:	11 Mar 2025 03:22
URI:	http://repository.its.ac.id/id/eprint/74554

Actions (login required)

View Item