computer vision utk deteksi ost

8/12/2019 Computer Vision Utk Deteksi Ost

1/32

Deteksi Osteoporosis BerbantukanKomputer dengan Dental Panoramic

Radiographs

Agus Zainal Arifin

Fakultas Teknologi Informasi, ITS, Surabaya


2/32

2

CAD

Trend CAD (Computer Aided Diagnosis) Tujuan bukan komputer menggantikan manusia (dokter) Tujuan agar komputer (model komputasi yang

dihasilkan) dapat meningkatkan akurasi dan mengurangierror analisa manusia.

Perbedaan Performa Ada perbedaan performa antara radiologist senior vs

dokter junior. Tetapi saat dokter junior memakai CAD sebagai alat

bantu, tingkat performanya naik signifikan, menyamai

level dokter senior. T. Kobayashi, et.all Effect of a computer-aided

diagnosis scheme on radiologists performance,Radiology (1996).


3/32

3

Osteoporosis

Loss of integrity and strength of the bone one of the most common disorders

substantial morbidity rates

increased medical cost

high mortality risk in the elderly

Bone Density & Bone Quality


4/324

Osteoporosis Prevalence

Di Indonesia, hasil analisa Depkes di 14propinsi, penderita osteoporosis sekitar19,7 persen dari jumlah lansia yang ada

(IDIOnline.org, 2005). Tanggal 20 September hingga 20 Oktober

2005 Menteri Kesehatan RI

mencanangkannya sebagai BulanOsteoporosis Nasional.


5/325

Deteksi Dini

Penanganan tepat

Bila berhasil terdeteksi secara dini, makadapat diberi penanganan medis yang sesuai.

Metode Deteksi

Dewasa ini

Pengukuran BMD (Bone Mineral Density) dengan

DEXA Scanner Metode Usulan

Identifikasi dengan dental panoramic radiographs

Dilakukan oleh Dokter Gigi


6/326

BMD pada

Lumbar Spine

Dan Femoral Neck

Pengukuran Bone Mass Density DEXA Scanner

Dual Energy X-ray Absorptiometry

Scanning BMD


7/327

7

The Proposed Early Detection

Using Dental Panoramic Radiographs

Frequently visit to dentists for treatment anddental diseases

Dentists may use it easily for diagnosing otherdeseases Osteoporosis ?

Normal ?

Send to

MedicalProfessional


8/32

8

Sistem Deteksi Dini

PengolahanCitra Digital

EkstraksiFitur

PemilihanFitur

DisainKlasifikasi

EvaluasiSistem


9/32

9

Existing System

Saat ini telah kami kembangkan Computer-aided diagnosis dengan mengukur

Cortical width

Cortical shape Kepadatan Trabecular bone

Klasifikasi

Fuzzy Neural Network, Algoritma genetika, dll

Input: parameter yang berhasil diukur

Output: Normal / Osteoporosis


10/32

10

10

Cortical Width Measurement

width ?

Left and right of lower mandible around mental foramen


11/32

11

11

Cortical Shape Analysis

Cortical

shape ?

1. Normal 2. Osteopenia 3. Osteoporosis


12/32

12

Trabecular Bone Analysis

Direction (horizontal and vertical), density, branch number, etc.

Trabecular

Bone

Tujuan akhirnya mampu mendeteksi secaratepat inferior contour pada trabeculae


13/32

13

Original Results

Line Detection Results


14/32

14

Line Detection Results


15/32

15

Pengguna

Deteksi GarisTransformasi ke

citra hitam putih

Pengguna

4 ROI

4 Citra deteksi garis

Jumlah Struktur

segmen garis

Rata-rata jumlah

struktur segmen

garis semua area

sampel

4 citra black and white

Luas tiap citra

diagnosa


16/32

16


17/32

17


18/32

18

Bone Mineral Density

No. UmurHasil DEXA Scanner

Lumbar Spine Femoral Neck

1 84 0.593 (3) 0.496 (3)

2 57 1.311 (1) 0.999 (1)3 67 0.755 (3) 0.723 (1)

100 56 0.816 (2) 0.761 (1)

Arti Index :1. Normal2. Ostepenia3. Osteoporosis


19/32

19

Rencana Pengembangan

Identifikasi Parameter Mandible Cortical bone sepanjang mandible

Analisa kepadatan trabecular bone

Lokasi mental foramen

Tinggi crown, akar gigi, dan lain-lain Standarisasi nilai-nilai parameter

Berdasarkan data medis orang Indonesia asli.

Optimalisasi Sistem

Membangun klasifikasi yang lebih robust dan cepat. Integrasi seluruh bagian sistem. Sistem harus simple,

cepat, dan akurat, agar dokter gigi tidak berkeberatanmenggunakannya diluar tugas utamanya


20/32

20

Remarks

Dibandingkan pengukuran secara manual,pengukuran dengan sistem ini jauh lebih mudah,lebih cepat, dan lebih konsisten. Apalagi denganjumlah dental panoramic radiographs masif.

Cutoff threshold sistem ini mungkin berbedadengan cutoff threshold cara manual, sebab adanyaperbedaan antara persepsi mata manusia dan hasilanalisa numerik.

Dokter Gigi sangat dimungkinkan menggunakansistem CAD ini, karena mudah dan cepat.


21/32

21

Needs of Medical Images Processing

Images were low contrast, unevenlyilluminated, and mainly dark

Measurement by experts may not be

consistent in the sense of intra-observerand inter-observer

Need to an apparatus for Assessing

massively dental panoramic radiographs General dental practitioners have more

works


22/32

2222


l


23/32

2323

Assessment Results

Manual vs OtomaticLumbar spine Femoral neck

Normal Low BMD Normal Low BMD

Manually measurement

Cutoff threshold> Cutoff threshold 3045 232 2546 213

Computer-aided system

Cutoff threshold> Cutoff threshold

3144

223

3140

213

Cutoff of manual 3.94 mm for lumbar spine and 3.91 for pada femoral neck.

Cutoff of this system 3.08 mm for lumbar spine and 2.69 mm for femoral neck.


24/32

2424

Another Measurement

Mandibular Width Measurement

Binarization using Algorithm of

Multistage adaptive thresholding

Morphological Operation for

Edge Detection

Applying Genetic Algorithm for

enhancing edges

Euclidean distance of mandibular

upper and lower boundary

Algo ithms


25/32

2525

Algorithms

Input ImagesThresholding and

morpholgy processing GeneticAlgorothm

Right

Left

C ti l Width M t


26/32

2626


width ?

Left and right of lower mandible around mental foramen

I Th h ldi i h F


27/32

2727

Optimization Of Ultrafuzziness BasedOn Fuzzy Sets Type II

Image Thresholding with Fuzzy

Image Fuzzification

Determine optimal

threshold

Calculate ultrafuzziness

Of the image

Thresholding the image

using threshold value

Input Image

Thresholded Image

I Th h ldi ith F


28/32

28

Image Thresholding with Fuzzy


29/32

2929

Segmentationof

Mandibular Bone

T t l I f ti


30/32

3030

Dental Panoramic Radiograph Region of Interest 256 x 256

Textural Information

T t l I f ti


31/32

3131

Entropy

Uniformity

Contrast

Homogenity

SumMean

Variance

Correlation

MaxProbability

InverseDifferentMoment

ClusterTendency

M

i

N

j

jiPjiP ],[log],[

M

i

N

j

jiP ],[2

M

i

N

j

jiPji ],[)( 2

M

i

N

j ji

jiP

||1

],[

M

i

N

j

jijPjiiP ]),[],[(

2

1

M

i

N

j

jiPjjiPi ]),[)(],[)((2

1 22

M

i

N

j

jiPji 2 ],[))((

],[,

,jiPMax

NM

ji

jiji

jiPM

i

N

jk

||

],[

M

i

N

j

kjiPji ],[)2(




32/32

3232


computer vision utk deteksi ost

Documents