arif.fadl@gmail.com
tegar.pf@gmail.com
Muhamad Nasir
biruhitam.nasir@gmail.com
agus.za@its-sby.edu
ABSTRAK
Osteoporosis merupakan penyakit kelainan tulang yang
disebabkan hilangnya sebagian kalsium dalam tulang. Sifatnya
yang silent disease membuat penderita kurang menyadari apakah
mereka terserang penyakit osteoporosis atau tidak, sehingga perlu
adanya tindakan pencegahan sejak dini. Salah satu penelitian yang
telah berkembang adalah mendiagnosis osteoporosis berdasarkan
lebar segmentasi cortical bone pada citra dental panoramic
radiograph. Untuk mengatasi perpendaran cahaya dan ambiguitas
konsistensi tepi segmentasi diperlukan beberapa metode
pengolahan citra. Penelitian ini mengkombinasikan filter gaussian
dengan modifikasi watershed gradient-barrier. Filter gaussian
digunakan sebagai tahapan awal segmentasi untuk menghaluskan
citra agar kompleksitas watershed berkurang. Kemudian
modifikasi watershed gradient-barrier berguna untuk mereduksi
region overlapping. Hasil reduksi inilah yang kemudian dimerging hingga mendapatkan bentuk segmentasi cortical bone.
Uji coba penelitian dilakukan pada sampel cortical bone pada sisi
kiri dan kanan dengan filter gaussian round mask 5 dan threshold
gradient-barrier 0,025. Hasil kinerja segmentasi modifikasi
watershed gradient-barrier memiliki rata-rata misclassification
error (ME) 1,43%, relative foreground area error (RAE) 1,05%,
modified Hausdorff distance (MHD) 0,06, dan waktu eksekusi
2,53 detik.
Kata Kunci
Coritcal bone, dental panoramic radiograph, filter gaussian,
segmentasi, watershed gradient-barrier.
1. PENDAHULUAN
Osteoporosis atau keropos tulang adalah penyakit kronik yang
ditandai dengan pengurangan massa tulang yang disertai
kemunduran mikroarsitektur dan penurunan kualitas jaringan
tulang yang dapat menimbulkan kerapuhan. Keadaan ini berisiko
tinggi karena tulang menjadi rapuh dan mudah retak bahkan
patah. Resiko ini dapat dicegah jika orang yang dicurigai memiliki
skeletal bone mineral density (BMD) rendah melakukan kontrol
dan pencegahan sejak dini. BMD dapat diukur berdasarkan
lumbar spine dan femoral neck menggunakan scanner tulang,
seperti Dual-energy X-ray absorptiometry (DXA) (Arifin A. Z.,
et al., 2006b).
Faktor jumlah peralatan tersebut yang terbatas dan biaya kontrol
yang masih mahal menjadi hambatan tersendiri bagi sebagian
besar kalangan, sehingga perlu adanya alternatif lain dalam
| |
............................... (4)
(|
|
) ............................... (5)
|
2. KAJIAN PUSTAKA
2.1 Filter Penghalusan (Smoothing)
Pada penelitian ini, teknik smoothing yang digunakan adalah filter
gaussian sebagai salah satu filter penghalus yang dapat mencegah
kesalahan deteksi tepi citra. Hal ini sebagai akibat adanya
intensitas noise berlebih. Proses filter bekerja dengan mengganti
nilai setiap piksel dalam citra dengan rata-rata dari level intensitas
dalam piksel tetangga (Wieclawek & Pietka, 2015). Matriks
kernel (mask) gauss didasarkan pada fungsi distribusi peluang
gaussian, seperti persamaan 1 dan 2 (Basu, 2002):
( )
......................... (2)
) ............................... (3)
................................ (1)
Dengan
adalah standar deviasi dari distribusinya. Sedangkan
fungsi gauss 2D adalah:
Arif Fadllullah, Tegar Palyus Fiqar, Muhamad Nasir, Agus Zainal Arifin
Mulai
Pilih 1 Region sebagai Flood Minimal,
pertimbangan intensitas piksel dan luas
wilayah tertinggi
Input Citra Cortical
Bone
Cek Flood Minimal dengan Region
Watershed Tetangganya
Normalisasi Citra
Ya
Tidak
Tidak
Ya
Pertahankan Gradient
Segmentasi Flood Minimal
Lakukan Watershed, beri Label
yang berbeda untuk tiap Region
yang dihasilkan
Selesai
10
Arif Fadllullah, Tegar Palyus Fiqar, Muhamad Nasir, Agus Zainal Arifin
3. METODE PENELITIAN
Uji coba menggunakan total 20 sampel berupa citra tif dental
panoramic radiograph dengan ukuran 256x256 piksel. Sampel
ditunjukkan pada Gambar 7 yang diambil dari penelitian
sebelumnya (Arifin A. Z., et al., 2006b) berdasarkan posisi
foramen mental untuk setiap citra orisinil digital panaromic yang
area penentuannya dibantu oleh penguji ahli. Pengambilan sampel
dilakukan pada dua sisi, yaitu cortical bone sisi kiri dan sisi
kanan. 1 sampai 10 untuk sampel sisi kiri dan 11 sampai 20 untuk
sampel sisi kanan cortical bone.
Pada tahapan ini, dihitung evaluasi kinerja metode yang diusulkan
terhadap citra cortical bone dengan dua metode sebagai
pembanding. Dua metode yang digunakan adalah metode
watershed dan metode watershed berintegrasi dengan active
contour berbasis level set.
Evaluasi penelitian ini menggunakan misclassification error
(ME), relative foreground area error (RAE), modified Hausdroff
distance (MHD), dan waktu eksekusi (Sezgin & Sankur, 2004).
ME didefinisikan sebagai bentuk korelasi antara citra segmentasi
dari sistem dengan observasi ahli. Hal ini sesuai dengan rasio
perbandingan dari piksel background yang dikenali sebagai
foreground dan rasio perbandingan dari piksel foreground yang
dikenali sebagai background. Formula ME yang digunakan
persamaan 6 (Sezgin & Sankur, 2004) sebagai berikut.
|
|
| |
| |
|
|
............................ (6)
Dimana
dan
dinotasikan sebagai background dan
foreground dari citra original (ground truth), sedangkan
dan
dan
dinotasikan sebagai background dan foreground dari citra
hasil segmentasi sistem.
RAE mengukur jumlah perbedaan properti objek seperti area dan
bentuk, pengukuran perbedaan ini dilakukan terhadap segmentasi
citra yang dihasilkan oleh sistem terhadap citra referensi
(observasi ahli). Formula RAE yang digunakan persamaan 7
(Sezgin & Sankur, 2004) sebagai berikut.
....................... (7)
Dimana
adalah area dari referensi citra, dan
adalah area
dari citra hasil. Distorsi bentuk dari citra yang dihasilkan dan
referensi citra (ground truth) dapat diukur dengan metode MHD.
Formula MHD yang digunakan persamaan 8 dan 9 (Sezgin &
Sankur, 2004).
(
Dimana
)) ............... (8)
|| ||............... (9)
dan
dinotasikan piksel area citra referensi dan piksel area
citra hasil dari sistem.
Gambar 8. (a) citra asli, (b) modifikasi watershed gradientbarrier, region merging (c) iterasi=1, (d) iterasi=2, dan (e)
segmentasi cortical bone
Pada Gambar 9, rata-rata nilai misclassification error (ME)
terkecil diperoleh dari metode watershed dengan active contour
berbasis level set sebesar 0,47%, kemudian metode yang
diusulkan dan watershed klasik sebesar 1,43% dan 7,04%. Pada
Gambar 10, rata-rata nilai relative foreground area error (RAE)
terkecil diperoleh dari metode yang diusulkan sebesar 1,05%,
kemudian metode watershed dengan active contour berbasis level
set dan watershed klasik sebesar 1,89% dan 6,97%. Pada Gambar
11, rata-rata nilai modified Hausdroff distance (MHD) terkecil
diperoleh dari metode watershed dengan active contour berbasis
level set sebesar 0,04, kemudian metode yang diusulkan dan
watershed klasik sebesar 0,06 dan 0,08. Pada Gambar 12, rata-rata
eksekusi waktu terkecil diperoleh dari metode yang diusulkan
hanya sebesar 2,53 detik, sangat jauh berbeda bila dibandingkan
dengan metode watershed klasik dan watershed dengan active
contour berbasis level set yang memperoleh rata-rata waktu
eksekusi sebesar 157 dan 177 detik.
Secara keseluruhan, diketahui bahwa kesalahan klasifikasi (ME)
dan kesalahan deteksi area (RAE) hasil segmentasi metode yang
diusulkan untuk semua citra hasil terhadap citra referensi masih
terhitung kecil, hanya di bawah 3%. Selain itu, kesalahan distorsi
atau perubahan ukuran dan bentuk hasil segmentasi semua citra
hasil (MHD) kurang dari 0,1. Selisih rata-rata hasil ME, RAE dan
MHD untuk metode yang diusulkan juga tidak berbeda jauh
dengan metode watershed yang berintegrasi dengan active
contour berbasis level set yang hanya sebesar 0,96, 0,84 , dan
0,02. Akan tetapi, dari sisi waktu eksekusi metode yang diusulkan
90 kali lebih cepat terhadap kedua metode lainnya. Dengan kata
lain, metode yang ditawarkan mampu menyelesaikan
permasalahan berkaitan dengan region yang overlapping dan
ambiguitas konsistensi tepi, sehingga hasil segmentasi menjadi
lebih tepat, akurat, dan juga cepat. Akan tetapi, pada sebagian
sampel, khususnya untuk segmentasi sampel dengan kesalahan
tertinggi, metode yang diusulkan masih memiliki kelemahan. Ini
disebabkan sampel tersebut memiliki intensitas warna dan kontras
yang rendah, serta intensitas noise berlebih disekitar tepi cortical
bone. Distorsi noise sekitar tepi cortical bone turut mempengaruhi
dalam mengaburkan garis tepi yang pada gilirannya masih terjadi
kesalahan untuk melakukan segmentasi tepi cortical bone. Hal
tersebut bisa dilihat pada Gambar 13.
11
300
250
waktu (s)
misclassification error
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
200
150
100
50
1 2 3 4 5 6 7 8 9 1011121314151617181920
Sampel ke-
0
1 2 3 4 5 6 7 8 9 1011121314151617181920
Sampel ke-
watershed klasik
watershed dengan active contour berbasis level set
metode yang diusulkan
watershed klasik
watershed dengan active contour berbasis level set
metode yang diusulkan
Gambar 12. Hasil Perbandingan Nilai Waktu Eksekusi
1 2 3 4 5 6 7 8 9 1011121314151617181920
Sampel ke-
Gambar 13. (a) Citra Asli, (b) Citra Groundtruth, (c) Citra
Hasil Segmentasi Metode Usulan
watershed klasik
watershed dengan active contour berbasis level set
metode yang diusulkan
12
Arif Fadllullah, Tegar Palyus Fiqar, Muhamad Nasir, Agus Zainal Arifin
6. REFERENSI
Arifin, A. Z., Asano, A., Taguchi, A., Nakamoto, T., Ohtsuka, M.,
Tsuda, M., . . . Tanimoto, K. Computer-aided system for
Measuring the Mandibular Cortical Width on Dental Panaromic
Radiographs in Identifying Postmenopausal Women with Low
Bone Mineral Density. International Osteoporosis Foundation
and National Osteoporosis Foundation, 17, 753-759. (2006a).
Arifin, A. Z., Asano, A., Taguchi, A., Nakamoto, T., Ohtsuka, M.,
Tsuda, M., . . . Tanimoto, K. A Fuzzy Expert System Design for
Diagnosing Osteoporosis Based on Mandibular Cortex
Measurement on Dental Panoramic Radiograph. 15th Indonesian
Scientific Conference in Japan Proceedings. (2006b).
Basu, M. Gaussian-Based Edge-Detection Methods-A Survey.
IEEE Transactions on Systems, Man, and Cybernetics, 32(3), 252260. (2002).
Denny, Arifin, A. Z., & Soelaiman, R. Segmentasi Cortical Bone
Pada Dental Panoramic Radiograph Menggunakan Watershed dan
Active Contour GGVF Snake. Industrial Electronics Seminar.
Surabaya: Electronics engineering Polytechnic Institute. (2008).
Gonzales, R. C., Woods, R. E., & Eddins, S. L. Digital Image
Processing Using Matlab (2nd ed.). Knoxville, Tennesee, United
States of America: Gatesmark Publishing. (2009).
Hendra, A., Arifin, A. Z., & Soelaiman, R. Penerapan Multi
Direction Gradient Vector Flow (MDGVF) untuk Segmentasi
Cortical Bone pada Citra Medis Dental Panoramic Radiograph.
Seminar Nasional Pascasarjana . Surabaya: Institut Teknologi
Sepuluh Nopember. (2009).
Indriyani, T., Arifin, A. Z., & Soelaiman, R. Segmentasi Cortical
Bone Pada Dental Panoramic Radiograph Menggunakan
Watershed berintegrasi dengan Active Contour berbasis Level Set.
Seminar Nasional Manajemen Teknologi IX. Institut Teknologi
Sepuluh Nopember. (2009).
Sezgin, M., & Sankur, B. A Survey over Image Thresholding and
Quantitative Performance Evaluation. Journal of Electronic
Imaging, 13(1), 146-168. (2004).
Taguchi, A., Tsuda, M., Ohtsuka, M., I, K., Sanada, I., Sanada,
M., . . . Bollen, A. M. Use of Dental Panoramic Radiograph in
Identifying Younger Postmenopausal Women with Osteoporosis.
Osteoporosis International, 17, 387-394. (2006).
Wieclawek, W., & Pietka, E. Watershed based Intelligent
Scissors. Computerizad Medical Imaging and Graphics. (2015).
Yang, H., & Ahuja, N. Automatic Segmentation of Granular
Objects in Images: Combining Local Density Clustering and
Gradient-Barrier Watershed. Pattern Recognition, 47, 2266-2279.
(2014).
13