ABSTRAK
Segmentasi kondilus mandibula yang akurat merupakan langkah kunci dalam rekonstruksi tiga dimensi, yang secara klinis penting untuk perencanaan bedah digital dalam bedah mulut dan maksilofasial. Analisis kuantitatif volume dan morfologinya dapat memberikan dasar objektif untuk penilaian praoperasi dan evaluasi efikasi pascaoperasi. Meskipun banyak pendekatan berbasis pembelajaran mendalam telah mencapai keberhasilan yang luar biasa, beberapa tantangan tetap ada. Metode saat ini dibatasi oleh peta gambar global beresolusi rendah, menghasilkan topeng dengan batas yang kabur, dan memerlukan kumpulan data besar untuk memastikan akurasi dan ketahanan. Untuk mengatasi tantangan ini, kami mengusulkan kerangka kerja baru untuk segmentasi kondilus dengan mengadaptasi “Segmentation Anything Model” (SAM) ke data pencitraan cone beam computed tomography (CBCT), dengan pengoptimalan arsitektur yang ditargetkan untuk meningkatkan akurasi segmentasi dan penggambaran batas. Kerangka kerja kami memperkenalkan dua komponen arsitektur baru: (1) sistem adaptor ganda yang menggabungkan penambahan fitur dan peningkatan prompt tingkat transformator untuk meningkatkan pembelajaran kontekstual spesifik target, dan (2) fungsi kerugian yang dioptimalkan batas yang memprioritaskan kesetiaan tepi anatomi. Untuk kepraktisan klinis, kami mengembangkan lebih lanjut ConDetector untuk memungkinkan perintah yang sepenuhnya otomatis tanpa intervensi manual. Melalui berbagai eksperimen, kami telah menunjukkan bahwa SAM yang kami adaptasi (menggunakan Ground Truth sebagai perintah) mencapai kinerja yang canggih, mencapai koefisien Dice sebesar 94,73% pada set sampel yang relatif kecil. SAM yang sepenuhnya otomatis bahkan mencapai kinerja segmentasi terbaik kedua, dengan koefisien Dice sebesar 94,00%. Pendekatan kami menunjukkan kemampuan segmentasi yang tangguh dan mencapai kinerja yang sangat baik bahkan dengan data pelatihan yang terbatas.