Inisialisasi Otomatis Metode Level Set untuk Segmentasi Objek Overlapping pada Citra Panorama Gigi

Abstract

Penelitian tentang segmentasi gigi individu telah banyak dilakukan dan memperoleh hasil yang baik. Namun, ketika dihadapkan kepada gigi overlap maka hal ini menjadi sebuah tantangan. Untuk memisahkan dua gigi overlap, maka perlu mengekstrak objek overlap terlebih dahulu. Metode level set banyak digunakan untuk melakukan segmentasi objek overlap, namun memiliki kelemahan yaitu perlu didefinisikan inisial awal metode level set secara manual oleh pengguna. Dalam penelitian ini diusulkan strategi inisialisasi otomatis pada metode level set untuk melakukan segmentasi gigi overlap menggunakan Hierarchical Cluster Analysis (HCA) pada citra panorama gigi. Tahapan strategi yang diusulkan terdiri dari preprocessing dimana di dalamnya ada proses perbaikan, rotasi dan cropping citra, dilanjutkan proses inisialisasi otomatis menggunakan algoritma HCA, dan yang terakhir segmentasi menggunakan metode level set. Hasil evaluasi menunjukkan bahwa strategi yang diusulkan berhasil melakukan inisialisasi secara otomatis dengan akurasi 73%. Hasil evaluasi segmentasi objek overlap cukup memuaskan dengan rasio misclassification error 0,93% dan relative foreground area error 24%. Dari hasil evaluasi menunjukkan bahwa strategi yang diusulkan dapat melakukan inisialisasi otomatis dengan baik. Inisialisasi yang tepat menghasilkan segmentasi yang baik pada metode level set.AbstractIndividual teeth segmentation has done a lot of the recent research and obtained good results. When faced with overlapping teeth, this is quite challenging. To separate overlapping teeth, it is necessary to extract the overlapping object first. The level set method is widely used to segment overlap objects, but it has a limitation that needs to define the initial level set method manually by the user. This research proposes an automatic initialization strategy for the level set method to segment overlapping teeth using Hierarchical Cluster Analysis on dental panoramic radiograph images. The proposed strategy stage consists of preprocessing where there are several processes of enhancement, rotation, and cropping of the image, Then the automatic initialization process uses the HCA algorithm and the last is segmentation using the level set method. The evaluation results show that the proposed strategy is successful in carrying out automatic initialization with an accuracy of 73%. The results of the overlap object segmentation evaluation are satisfactory with a misclassification error ratio of 0.93% and a relative foreground area error of 24%. The evaluation results show that the proposed strategy can carry out automated initialization well. Proper initialization results can perform good segmentation of the level set method.