Analisis Citra Digital Radiograf Periapikal Dental Menggunakan Deep Convolutional Neural Network (DCNN) untuk Deteksi Dini Osteoporosis

Khasnur Hidjah, Prof. Drs. Agus Harjoko, M.Sc., Ph.D.; Moh. Edi Wibowo, S.Kom., M.Kom., Ph.D.; Dr. drg. Rurie Ratna Shantiningsih, M.DSc.

2023 | Disertasi | S3 Ilmu Komputer

Penggunaan Dual Energy X-Ray Absorptiopmetry (DEXA) sebagai alat untuk mengukur Bone Mineral Density (BMD) saat ini merupakan gold standard dalam pemeriksaan osteoporosis, namun memiliki kelemahan tidak dapat mendeteksi arsitektur tulang yang menjadi salah satu parameter dalam penilaian kualitas tulang. Biaya pemeriksaan dengan DEXA yang relatif mahal sehingga tidak semua rumah sakit memiliki peralatan dan operator untuk mengoperasikannya. Hal ini merupakan peluang untuk mengembangkan alternatif metode deteksi osteoporosis dengan akurasi yang lebih baik.

Penelitian ini menggunakan citra radiograf periapikal digital pada gigi anterior dan hasil pengukuran BMD dari tulang belakang dan tulang pangkal paha pada perempuan ras Jawa yang menjelang dan sudah menopause dengan usia > 40 tahun dengan jumlah dataset training dan validasi serta testing setelah dilakukan augmentasi (80%:10%:10% = 7033:871:871). Model yang dikembangkan adalah arsitektur Deep Convolutional Neural Network (DCNN) dengan kombinasi hyperparameter yang optimal untuk meningkatkan akurasi pada model deteksis dini osteoporosis.

Model deteksi dini osteoporosis yang diusulkan terdiri dari 4 tahapan proses yaitu: akuisisi citra, preprocessing, ekstraksi fitur dan klasifikasi serta analisis kinerja model. Kontribusi penelitian berada pada tahapan proses yang ketiga yaitu melakukan ekstraksi fitur tekstur dan klasifikasi dari tulang trabekula pada citra digital radiograf periapikal dental secara otomatis menggunakan DCNN dengan beberapa kombinasi hyperparameter yang optimal. Kombinasi hyperparameter yang dikaji meliputi ukuran citra, jumlah lapisan, jumlah kernel, ukuran kernel, Drop Out (DO), learning rate, epoch dan batch size. Hasil pengujian didapatkan model arsitektur dan konfigurasi DCNN yang dapat meningkatkan akurasi deteksi osteoporosis yang merupakan model arsitektur dan konfigurasi yang direkomendasikan. Model arsitektur dan konfigurasi tersebut dapat digunakan sebagai model pretrain dengan dataset citra yang memiliki karakteristik yang sama pada kasus yang berbeda.

Hasil pengujian pada model deteksi dini osteoporosis yang dihasilkan terhadap dataset pengujian didapatkan nilai rata-rata precision sebesar 99, 37%, akurasi 99, 20%, dengan nilai recall/sensitivity sebesar 98, 98%, serta nilai rata-rata AUC sebesar 99, 25%. Hal ini menunjukkan bahwa model arsitektur DCNN5 dengan ukuran citra 200×200 piksel dan ukuran kernel 5×5, jumlah kernel 8, 16, 32, 64, 128, nilai DO=0.5, dengan learning rate 0. 0001 dan bath size = 16 mempunyai unjuk kerja yang sangat baik dalam mengenali citra untuk masing-masing kelas dalam deteksi osteoporosis.

The use of Dual Energy X-Ray Absorptiopmetry (DEXA) as a tool to measure Bone Mineral Density (BMD) is currently the gold standard in osteoporosis screening but has the disadvantage of not being able to detect bone architecture which is one of the parameters in assessing bone quality. The cost of examination with DEXA is relatively expensive, so not all hospitals have the equipment and operators to operate it. This is an opportunity to develop alternative osteoporosis detection methods with better accuracy.

This study used dental periapical radiographs in the anterior area and the results of BMD measurements of the spine and groin in Javanese women who had experienced menopause and were aged ? 40 years. The developed model is the DCNN architecture with an optimal combination of hyperparameters to increase the accuracy of the early osteoporosis detection model. The proposed osteoporosis early detection model consists of 4 stages of the process, namely: image acquisition, preprocessing, feature extraction and classification as well model performance analysis. The research contribution is in the third stage of the process namely performing textural feature extraction and classification of trabecular bone on radiographic images dental periapical automatically uses DCNN with some combinations optimum hyperparameters. The combination of hyperparameters studied included image size, number of layers, number of kernels, kernel size, Dropout (DO), learning rate, epoch and batch size. The test results obtained DCNN architecture and configuration which can improve the accuracy of osteoporosis detection which is the recommended architecture. This architectural model can be used as a pretrain model with image datasets that have the same characteristics in different cases.

 Test results on the osteoporosis early detection model generated on data testing obtained an average precision value of 99.37%, 99.20?curacy, with a recall/sensitivity value of 99.98%, and an average AUC value of 99. 25%. This shows that the DCNN5 architectural model with an image size of 200x200 pixels and a kernel size of 5x5, the number of kernels 8, 16, 32, 64, 128, DO value = 0.5, with a learning rate of 0.0001 and bath size = 16 has a very good performance. Good at recognizing images for each class in osteoporosis detection.

Kata Kunci : deteksi osteoporosis, deep Convolutional Neural network, radiograf periapikal radiograph, bone mineral density, hyperparameter