Skip to main content

02 — Citra, resolusi, dan radiograf panoramik sebagai lahan uji

Tujuan: Menjelaskan representasi citra digital, keterbatasan resolusi akuisisi, dan sifat anatomi panoramik yang membuat SR sekaligus berguna dan berisiko.

Poin checklist terkait:
- Menjelaskan LR, HR, upsample, dan mengapa checkpoint RGB perlu adaptasi grayscale
Lihat Checklist membaca naskah SR-keandalan.
Materi sebelumnya: 01 — Peta naskah · Materi berikutnya: 03 — Super-resolution ringan
Terkait: PCDv2-01 Akuisisi & sampling · Capstone OPG.


Radiograf panoramik (sering disebut OPG) adalah citra first-line: murah, luas tersedia, dan cukup untuk meninjau gigi, tulang alveolar, dan sendi dalam satu bidang. Keterbatasannya sama dengan alasan ia dipakai di klinik umum — perangkat tidak selalu beresolusi tinggi, geometri proyeksi memampatkan anatomi 3D ke 2D, dan kontras lokal pada ruang ligamen periodontal atau trabekula sering rendah. Naskah memilih domain ini justru karena kombinasi itu: SR tampak menjanjikan, dan kesalahan SR mudah “nyamar” sebagai anatomi halus.

Grid piksel, sampling, dan apa yang dimaksud LR/HR

Citra digital adalah kisi intensitas. Resolusi spasial di sini bukan megapiksel pemasaran, melainkan seberapa rapat sampel menangkap detail yang memang ada di proyeksi. Teorema sampling (lihat PCDv2-01) mengingatkan: jika frekuensi spasial struktur lebih tinggi daripada yang diizinkan jarak piksel, informasi itu tidak terekam — ia tidak “tersembunyi menunggu di-SR”, ia hilang.

Dalam protokol SR riset, pasangan LR–HR hampir selalu dibuat. Citra yang diperlakukan sebagai HR diturunkan (downsampling, kadang dengan blur antialias) menjadi LR. Model belajar memetakan LR ke HR. Saat uji in-domain, HR masih ada sehingga PSNR/SSIM dan oracle SSIM di Table 3 dapat dihitung. Saat uji klinis naskah, HR tidak ada: hanya radiograf nyata, sehingga satu-satunya sinyal yang tetap jalan adalah yang membandingkan keluaran SR dengan versi LR yang di-upsample, bukan dengan “kebenaran” piksel.

Nearest-neighbour upsample yang dipakai di §3.4 sengaja miskin: ia meniup grid kasar tanpa menciptakan tepi baru. Semua detail halus pada keluaran SR yang tidak punya jejak pada grid itu menjadi kandidat inkonsistensi. Bicubic upsample akan sudah “mengarang” transisi halus, dan korelasi Fourier terhadap karangan itu kurang tajam sebagai detektor.

Grayscale, tiga kanal, dan checkpoint publik

RFDN dan SPAN dirilis sebagai model RGB. Radiograf adalah satu kanal. Naskah tidak menyambung ulang bobot lapisan pertama (rapuh pada SPAN yang mereparameterisasi cabang \(1\times1 \rightarrow 3\times3 \rightarrow 1\times1\)), melainkan mereplikasi kanal di perbatasan, menjalankan jaringan bentuk resmi, lalu merata-ratakan tiga kanal keluaran. Perlakuan itu membuat kedua arsitektur diadaptasi simetris. Jika Anda membaca §3.1 hanya sebagai “fine-tune 3 epoch”, Anda melewatkan keputusan rekayasa yang menjaga klaim architecture-agnostic.

Fine-tune singkat (\(p=0{,}10\) dropout, 3 epoch, \(\mathrm{lr}=10^{-4}\), Adam, seed tetap) bukan pelatihan dari nol. Tujuannya: menyisipkan dropout untuk cabang MC Dropout tanpa mengganti identitas model publik secara substansial. Sinyal yang di-deploy kemudian tidak memakai dropout itu.

Anatomi yang relevan untuk overlay risiko

Inspeksi kualitatif naskah (§4.2) menempatkan skor tinggi di ruang PDL, periapikal, interproksimal, CEJ, dan tulang trabekular jarang — tepi lemah, pola berulang halus. Skor rendah lebih sering di tepi mandibula, mahkota, restorasi logam: kontras tinggi, sudah terkunci LR. Anda tidak perlu menjadi radiologis untuk mengikuti argumen ini, tetapi Anda perlu tahu mengapa struktur itu diagnostik bagi klinisi dan sulit bagi interpolasi. Capstone OPG di repo ini melatih intuisi pipeline pada citra sejenis; ia tidak mengajarkan SR, tetapi membiasakan mata pada histogram lebar dan tepi enamel versus sinus.

DENTEX dan TUFTS adalah set publik panoramik (deteksi/diagnosis vs basis multimodal). Naskah memakai partisi uji keduanya untuk in-domain, lalu subset klinis terpisah tanpa HR. Membaca “\(n\) region = 1.092.480” tanpa membedakannya dari “\(n\) ROI beranotasi = 200” akan mengacaukan daya uji: yang pertama adalah populasi skor otomatis; yang kedua adalah sampel mahal yang menambatkan skor ke manusia.

Setelah grid dan domain ini kentara, pertanyaan berikutnya teknis: model apa yang mengisi piksel yang tidak terekam, dan mengapa keluarga “ringan” dipilih.