Radiografi sefalometri adalah citra dua dimensi (2D) yang banyak digunakan dalam praktik kedokteran gigi dan ortodontik untuk pandangan lateral standar struktur kraniofasial. Karena biayanya yang rendah, aksesibilitasnya dan protokol akuisisinya yang standar, radiografi sefalometri praktis untuk aplikasi forensik”terutama dalam identifikasi postmortem”ketika teknologi pencitraan canggih tidak tersedia. Sebaliknya, modalitas tiga dimensi (3D), seperti computed tomography (CT) dan magnetic resonance imaging (MRI), menawarkan detail anatomi yang superior; namun, modalitas tersebut secara signifikan lebih mahal dan membutuhkan banyak sumber daya. Oleh karena itu, radiografi sefalometri tetap menjadi alat alternatif yang hemat biaya untuk menilai dimorfisme seks skeletal, terutama di negara-negara berkembang.
Penelitian ini menggunakan pencitraan dual-modalitas dengan melatih model prediksi jenis kelamin otomatis berbasis CNN pada radiografi sefalometri dan menilai generalisasinya pada citra kranial lateral. Tujuan utamanya adalah untuk menilai ketahanan beberapa arsitektur CNN saat bertransisi dari pencitraan medis terkontrol ke input fotografis dalam konteks identifikasi forensik dunia nyata yang disimulasikan.
Penelitian ini memiliki dua fase. Pertama, model CNN dilatih pada radiografi sefalometri lateral untuk mengklasifikasikan jenis kelamin dengan melakukan prapemrosesan gambar, mengekstraksi fitur visual utama dengan lapisan CNN, meratakan fitur menjadi vektor, dan memasukkannya ke dalam lapisan yang terhubung penuh (padat) dengan dropout untuk mengurangi overfitting. Lapisan keluaran akhir melakukan tugas klasifikasi jenis kelamin .
Kedua, pembelajaran transfer diterapkan menggunakan bobot yang telah dilatih sebelumnya dari model CNN sefalometri, tanpa pelatihan ulang, untuk mengevaluasi kinerja citra fotografi kranial.
Pengembangan dan prapemrosesan model dilakukan dengan Python menggunakan kerangka kerja TensorFlow. Semua prosedur dilakukan pada komputer desktop dengan CPU AMD Ryzenâ„¢ 5-7535HS dan GPU NVIDIA GeForce RTX 3050 4 GB. Enam arsitektur CNN dinilai: VGG16, VGG19, MobileNetV2, ResNet50V2, InceptionV3, dan InceptionResNetV2
Hasil dan Pembahasan , sebanyak 340 citra sefalometri dikumpulkan: 255 dari perempuan dan 85 dari laki-laki. Gambar 2 menyajikan contoh radiografi sefalometri. Data jenis kelamin pasien diambil dari rekam medis. Evaluasi kinerja pada set data sefalometri set data yang digunakan untuk membangun model sefalometri terdiri dari 38 perempuan dan 13 laki-laki, menghasilkan ketidak seimbangan sampel sebesar 25, menunjukkan distribusi yang tidak merata antara perempuan dan laki-laki. Meskipun demikian, teknik augmentasi data mempertahankan skor F1 yang tinggi untuk keluaran CNN, melebihi atau mendekati 90%. Oleh karena itu, hasil model tersebut memuaskan. Skor F1 adalah 92% untuk VGG19 dan ResNet50V2, 90% untuk VGG16, 88% untuk MobileNetV2 dan InceptionV3, dan 84% untuk InceptionResNetV2. Pengujian dengan kranium sebanyak 40 foto kranial lateral diambil menggunakan kamera digital beresolusi tinggi: 16 dari perempuan dan 24 dari laki-laki. Hanya VGG16 dan VGG19 yang diimplementasikan untuk menilai generalisasi hasil dari domain citra sefalometri ke kranial. Hasil penelitian saat ini sedikit lebih rendah daripada hasil Matsuda dkk. (2020), yang melaporkan akurasi 100% menggunakan evaluasi indeks periapikal melalui ortopantomografi. Meskipun demikian, temuan kami sejalan dengan hasil kami sebelumnya, di mana VGG16 dan VGG19 masing-masing mencapai akurasi 89% dan 93%. Sementara itu, Shah dkk. (2023) melaporkan kinerja CNN yang luar biasa di bidang non-medis (pertanian), dengan InceptionV3, VGG16, VGG19, dan ResNet50 mencapai akurasi di atas 98%. Meskipun hasil ini mengonfirmasi efikasi CNN dalam klasifikasi citra, penerapan langsungnya ke dalam tugas identifikasi kranial forensik masih memerlukan adaptasi lebih lanjut.
Kesimpulan dalam penelitian ini, CNN berkinerja baik pada data radiografi terstruktur, tetapi menunjukkan penurunan generalisasi dengan citra kranial fotografis. Perbedaan ini menggaris bawahi signifikansi fitur spesifik domain dan menunjukkan bahwa strategi seperti adaptasi domain, overampling sintetis, dan pembelajaran multimodal diperlukan untuk meningkatkan generalisasi.
Penulis: Prof. Dr. Ahmad Yudianto, dr., Sp.F(K)., M.Kes., SH.
Informasi lebih detail dari riset ini dapat dilihat pada tulisan kami di:
Vitria Wuri Handayani, Mieke Sylvia Margareth Amiatun Ruth, Muhammad Rasyad Caesarardhi, Bayu Azra Yudhantorro, Riries Rulaningtyas and Ahmad Yudianto. [2025]. Development and evaluation of a convolutional neural network model for sex prediction using cephalometric radiographs and cranial photographs. BMC Medical Imaging (2025) 25:348
