SHINDU RAMANDITA

Berpacu menjadi yang terbaik

Soal Nomor 2

diposting oleh shinduramandita-fst09 pada 03 July 2012
di Kuliah - 0 komentar

"Atas nama Sang Pencipta Galaxy Bima Sakti dan Galaxy Andromeda serta semua yang ada di Semesta Alam ini, saya jujur dalam mengerjakan tugas ini"

Lakukan analisa grafis dari data-data kesehatan (data gambar) yang ada!

Ceritakan bagaimana mengubah data ini menjadi data numerik (digital)!

Apa yang bisa dilakukan analisanya untuk data-data tersebut?

Informasi fisis apa yang mau diambil dari data tersebut dan untuk apa?

Jawab :

Identifikasi manusia berbasis data gigi umum digunakan dalam forensik. Dalam kasus investigasi
yang  besar,  proses  pengidentifikasian  manusia  yang dilakukan  secara  manual  memerlukan  waktu  yang lama. Maka dikembangkan  sebuah  sistem  identifikasi  manusia  otomatis  menggunakan  radiografi  gigi.  Sistem  yang  dibangun bekerja  dengan  2  tahapan  utama.  Tahapan  pertama  adalah  menyusun  sebuah  database berisi  data  radiografi  gigi  berlabel.  Tahapan  kedua  adalah  melakukan pencarian  pada database  untuk  mendapatkan  hasil  identifikasi.  Kedua  tahapan  tersebut  menggunakan serangkaian  proses  pengolahan  citra  dan  klasifikasi  serta  penomoran  untuk  mendapatkan  pola  dan  fitur radiografi gigi. Pertama, dilakukan prapemrosesan yang meliputi perbaikan dan binarisasi citra, ekstraksi  gigi tunggal, dan ekstraksi fitur. Selanjutnya, dilakukan proses klasifikasi gigi untuk mengklasifikasikan gigi menjadi molar dan premolar dengan menggunakan metode binary support vector machine (SVM). Setelah itu,  proses  penomoran  pada  gigi  dilakukan  sesuai  pola  molar  dan  premolar  yang  diperoleh  pada  tahap sebelumnya.  Percobaan  menggunakan  16  radiografi  gigi  yang  terdiri  dari  6  radiografi  bitewing  dan  10  radiografi panoramik dengan total 119 objek gigi menunjukkan nilai akurasi yang baik, yaitu 91,6% untuk proses klasifikasi gigi menjadi molar dan premolar dan 81,51% untuk proses penomoran gigi.

 

Desain sistem ini memiliki tiga fungsi utama, yaitu pra-pengolahan, pemisahan gigi, klasifikasi dan sistem penomoran. Ada dua fase utama dalam sistem identifikasi yang diusulkan seperti yang ditunjukkan pada Gambar 2. perekaman data fase Gigi dan fase identifikasi disini pada tahap pencatatan data gigi, radiografi gigi diproses. Ada tiga fungsi utama dalam fase, yaitu preprocessing, pemisahan gigi, klasifikasi dan penomoran. Hasil dari tahap ini adalah pola gigi, yang berikutnya untuk dicatat dalam database bersama dengan radiografi aslinya. Tahap identifikasi ini bertujuan untuk mengidentifikasi radiograf gigi, yang disebut query, milik mana data dalam database. Fungsi diterapkan pada radiografi gigi di fase identifikasi adalah sama dengan yang diterapkan pada radiografi dalam tahap rekaman. Hasil klasifikasi dan sistem penomoran pada fase ini digunakan sebagai permintaan pencarian yang mengarah ke hasil identifikasi.

Pada langkah pra-pemrosesan, rontgen gigi yang telah didigitalisasi diambil dari hard disk lokal. Radiograf gigi dapat disesuaikan bitewing atau panorama. Untuk panorama radiografi, kita hanya mengambil bagian molar dan premolar. Selanjutnya, kita melakukan perbaikan citra yang bertujuan untuk menyamakan tingkat kecerahan sehingga tidak ada pixel yang memiliki tingkat intensitas sangat tinggi dibandingkan dengan tetangganya. Hal ini biasanya terjadi pada tambalan gigi. Selanjutnya dilakukan peningkatan kontras. Umumnya, radiografi gigi memiliki kontras rendah. Dalam rangka memfasilitasi proses pemisahan gigi dengan latar belakang, meningkatkan kontras menggunakan operasi morfologi. Setelah itu, dilakukan histogram lokal pemerataan yang disebut Kontras-Terbatas Persamaan Histogram Adaptive (CLAHE). Setelah pra-pengolahan, grayscale radiografi digital yang kemudian diubah menjadi biner gambar dengan menggunakan metode Otsu thresholding diikuti dengan menutup dan membuka operasi untuk kelancaran kontur gigi dan menghapus suara. Selanjutnya, kita melakukan proyeksi integral horisontal diikuti dengan metode spline untuk memisahkan gambar menjadi gambar rahang atas dan rahang bawah gambar. Akhirnya, digunakan metode proyeksi vertikal terpisahkan pada setiap rahang atas dan rahang bawah gambar independen untuk mengambil gambar gigi. Proses selanjutnya adalah ekstraksi ciri gigi pada setiap gigi. Langkah ini digunakan untuk mengelompokkan setiap gigi molar ke dalam kelas atau premolar. Fitur gigi daerahnya masing-masing gigi dan rasio lebar setiap gigi serta tingginya. Setelah ekstraksi fitur, kemudian mengklasifikasikan setiap gigi ke kelas molar atau premolar menggunakan dukungan mesin vektor biner (SVM) method. SVM adalah metode klasifikasi biner. Mengingat satu set data pelatihan, masing-masing ditandai sebagai milik salah satu dua kelas, metode pelatihan SVM menciptakan model yang memprediksi data baru dalam satu kelas atau yang lain. Model SVM merupakan representasi dari semua data sebagai titik dalam ruang dan celah yang jelas yang memisahkan data ke dalam dua kategori. Celah ini jelas sering disebut sebagai sebuah hyperplane. Hyperplane ini dibangun selebar mungkin. Data pengujian baru kemudian dipetakan ke dalam ruang yang sama dan diperkirakan sebagai anggota kelas berdasarkan sisi mana hyperplane mereka jatuh. Pola molar-premolar dari setiap gambar yang kemudian disempurnakan dengan menggunakan pola standar. Dua macam pola standar, seperti yang ditunjukkan dalam Gambar 3, yaitu pola untuk sisi kanan gigi (Pola 1) dan pola untuk sisi kiri (Pola 2). Langkah pertama dari sistem penomoran adalah menemukan pola yang standar yang memiliki nilai kesamaan tertinggi dengan urutan pola diuji.

 

Prosedur terakhir dalam sistem identifikasi yang dilakukan ini terkait dengan akses database. Gambar akhir setelah proses klasifikasi dan penomoran disimpan dalam database bersama dengan data gigi seperti nama seri yang unik, jumlah dan usia, tanggal pemilik radiografi atau rekaman, molar-premolar pola, pola penomoran, luas dan rasio fitur, dan path file gambar asli dari pemilik, dan gambar rahasia. Menggunakan pola molar-premolar dan penomoran baik pada rahang atas dan rahang bawah sebagai query dari proses identifikasi. Hasil semacam ini dari query dapat mencakup lebih dari satu orang diidentifikasi. Untuk diproses lebih lanjut, pengguna dapat menambahkan fitur daerah dan rasio sebagai bagian dari query. Menggunakan fitur ini, sistem akan memilih data dalam database yang memiliki wilayah dan rasio yang sama.

Disini digunakan 16 gambar radiografi gigi, terdiri dari 6 radiografi bitewing radiografi dan 10 panorama. Berdasarkan identifikasi ahli, ada 37 gigi objek diidentifikasi dalam 6 radiografi bitewing. Padahal dalam radiografi panoramik, ada 82 gigi objek diidentifikasi oleh ahli. Oleh karena itu, ada 119 objek gigi secara total. Tiga sampel gambar input sistem ini seperti yang ditunjukkan pada Gambar 5 (ac).
 
Pra-processing dan Pemisahan Gigi
Pada proses pertama, gambar masukan yang berhasil ditingkatkan seperti yang ditunjukkan pada Gambar 6. Namun, dalam kasus objek gigi memiliki intensitas terlalu rendah mendekati intensitas latar belakang ini, atau dalam kasus tulang rahang bawah yang memiliki intensitas terlalu tinggi pada intensitas pendekatan objek gigi, proses ini tidak tampil baik.. Dalam proses binarization, gambar yang disempurnakan yang berhasil dikonversi menjadi gambar biner. Kecuali untuk tiga gambar memiliki masalah intensitas seperti yang dijelaskan sebelumnya, semua gambar biner memiliki sifat sebagai berikut. Piksel putih dari gambar biner mewakili benda gigi, sedangkan non-lubang hitam mewakili piksel latar belakang. Contoh output dari proses binarization adalah sebagaimana ditunjukkan pada Gambar 7.

Proses setelah binarization yang memisahkan radiograf masing-masing menjadi dua bagian, yaitu bagian rahang atas dan rahang bawah. Percobaan kami menunjukkan bahwa dengan menggunakan integral proyeksi horisontal diikuti dengan metode spline, kita dapat membagi radiograf menjadi dua wilayah (rahang atas dan rahang bawah) juga (lihat Gambar 8). Gambar 8 (a) dan 8 (d) adalah dua daerah yang dihasilkan dari Gambar 7 (a). Kita bisa melihat bahwa radiografi bitewing lebih mudah untuk dipisahkan secara horizontal. Gambar 8 (b, e) dan 8 (c, f) yang dihasilkan dari Gambar 7 (b) dan (c) masing-masing. Di sini, setelah berhasil memisahkan biner gambar menjadi gambar rahang atas dan rahang bawah meskipun rahang atas dan bawah sangat dekat dalam radiografi panoramik. Setiap daerah diproses lebih lanjut dengan menerapkan integral proyeksi vertikal diikuti dengan metode spline untuk memisahkan wilayah ke wilayah gigi. Keseluruhan metode dilakukan dengan baik dalam percobaan kecuali dua gambar yang memiliki intensitas sangat tinggi pada rahang bawah tulang. Dalam kasus gigi molar yang berakar ganda pada mandibula, metode kami melakukan dengan baik pula karena kita hanya mengambil bagian 3/5 bagian atas rahang bawah. Oleh karena itu nilai-nilai pixel dari akar gigi tidak termasuk dalam perhitungan pemisahan gigi.
 
Klasifikasi dan Penomoran
Dalam proses klasifikasi, pertama kita dianggap sebagai objek gigi adalah daerah yang terisolasi memiliki lebih dari 6000 piksel. Dari setiap objek gigi, kita diekstraksi kawasan, rasio tinggi dan lebar, dan pusat massa tersebut. Berdasarkan fitur ini, kami mengklasifikasikan setiap gigi ke metode biner molar atau premolar menggunakan SVM. Sebagai perbandingan, kami juga menerapkan klasifikasi menggunakan k-tetangga terdekat (kNN) metode, metode sederhana dari SVM, dengan k = 9.
Ada perbedaan yang signifikan antara akurasi dari hasil klasifikasi SVM dan bahwa hasil kNN itu. Dengan menggunakan metode SVM, nilai total akurasi mencapai 89,07% atau 106 dari 119 objek yang benar-benar rahasia. Sedangkan akurasi rata-rata metode kNN mencapai 77,31% atau 92 dari 119 objek yang benar-benar rahasia. Selanjutnya, kami menerapkan sistem penomoran dengan menandai semua gigi menggunakan nomor dan kami juga dimodifikasi kelas menggunakan sistem standar penomoran untuk menghindari normal molar dan premolar pola. Sebagai contoh, jika hasil proses klasifikasi dalam pola seperti premolar-molar-premolar-premolar (PMPP), maka pola tersebut akan dimodifikasi menjadi MMPP. Strategi ini telah mampu meningkatkan akurasi sistem untuk 91,60%. Oleh karena itu, 109 dari 119 objek sekarang diklasifikasikan dengan benar. Sistem penomoran yang diimplementasikan juga berkinerja baik. Ada 97 dari 119 objek bernomor benar.

Sistem Identifikasi
Sistem identifikasi otomatis yang diusulkan manusia dilaksanakan dengan menggunakan MySQL server database dan Matlab 7.0. Sistem ini terdiri dari empat antarmuka pengguna. Pengguna pertama antarmuka yang digunakan untuk klasifikasi dan penomoran radiografi gigi. Dalam pengguna sistem antarmuka, ada 6 tombol yang terdiri dari tombol "Open Image" untuk memuat gambar masukan dari disk lokal, "Lanjutkan" tombol untuk melakukan metode yang diusulkan, "Simpan" untuk menyimpan radiografi dan sifat-sifatnya termasuk pola gigi dan penomoran ke dalam database, "Cari" tombol untuk menemukan kecocokan dari radiograf saat ini di database berdasarkan sifat-sifatnya, "Database" tombol untuk browse isi database, dan "Keluar" untuk keluar dari aplikasi. User interface kedua bertujuan untuk menambahkan radiograf diklasifikasikan ke dalam database. Ini antarmuka hanya muncul setelah pengguna mengklik tombol "Simpan" tombol di antarmuka pengguna pertama. Pada jendela ini, pengguna dapat menambahkan informasi tambahan seperti nama, umur, gambar, dan lainnya informasi. Jendela ketiga muncul saat pengguna mengklik tombol "Cari" di pengguna pertama antarmuka. Jendela ini bertujuan untuk mengetahui apakah ada yang cocok data dalam database berdasarkan pola menghasilkan dan penomoran. Proses pencarian dapat menghasilkan nol, satu, atau lebih dari satu identitas. Ini karena kita hanya membandingkan pola gigi termasuk penomoran gigi.
______________________________________________________________________________________________________________________
Sumber : Classification and Numbering of Dental Radiographs for an Automated Human Identification System by : Anny Yuniarti, Anindhita Sigit Nugroho, Bilqis Amaliah, Agus Zainal Arifin Laboratory of Vision and Image Processing, Department of Informatics Faculty of Information Technology, Institut Teknologi Sepuluh Nopember.

Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :