Image processing terdiri dari lima tahap: akusisi, prepocessing, segmentasi, post-processing, dan

analisa. Tujuan utama dari image processing di instrumentasi biomedis adalah untuk
mengumpulkan informasi, screening atau invertigasi, mendiagnosis, terapi dan kontrol, serta
monitoring dan evaluasi.[1]. Segmentasi memegang peranan yang sangat penting dengan
memfasilitasi penggambaran daerah yang penting dalam suatu citra atau disebut sebagai region
of interest (ROI)[3,4].

Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk
menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna
dan mudah dianalisa[1,2]. Ada beberapa metoda yang sering digunakan dalam segmentasi citra
antara lain: metode thresholding, metode shapebased, metode region growing, dan metode
statistik atau juga disebut metode clustering[2,4]. Masing-masing metoda memiliki kelebihan
dan kelemahan tergantung pada karakteristik dari citra yang akan diproses. Berikut beberapa
metode yang umum digunakan dalam segmentasi citra.

A. Thresholding

Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang berbeda tergantung
pada tingkat keabuan masing-masing pixel[3]. Intensitas citra medis seperti tumor dan jaringan
pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga
menyebabkan kesulitan penentuan ambang batas (threshold). Metode thresholding tidak bisa
diterapkan untuk citra dengan tingkat keabuan yang berdekatan sehingga biasanya
dikombinasikan dengan metode lain[3,4].

B. Region growing

Metode region growing seperti menggabungan thresholding dengan kondisi konektivitas atau
kriteria daerah homogenitas[4]. Keberhasilan dari metode tersebut bergantung pada kepresisian
informasi anatomi untuk meletakkan baik satu mapun beberapa pixel untuk masing-masing
daerah homogen[2,3]. Kelemahan lain dari metode region growing adalah metode tersebut hanya
dapat bekerja dengan baik pada daerah yang homogen dan membutuhkan operator untuk
menentukan daerah yang akan disegmentasi[2].

Metode region growing yang paling umum digunakan adalah watershed[6]. Prinsip dasar dari
watershed adalah merubah gradien tingkat keabuan citra menjadi permukaan topografi. Daerah
minimum dari citra merupakan sumber dimana air meluap dan bentuk-bentuk kolam
(catchment basin) menggambarkan permukaan air. Algoritma ini akan berhenti bila dua
kolam dari dua sumber yang berbeda bertemu. Jika pada citra terdapat banyak pola dan noise,
maka akan terbentuk banyak kolam sehingga terjadi segmentasi yang berlebihan[3,4,6].

Matei Mancas dan Bernard Gosselin [3] memodifikasi algoritma watershed untuk menghidari
masalah segmentasi berlebih pada citra tumor otak dengan mengunakan metode marker-based
watershed dan gradien vector flow untuk komputasinya. Watershed pertama dihitung dari dua
market -set awal dan membagi citra menjadi 3 wilayah yaitu bagian luar, fuzzy dan bagian dalam.
Algoritma yang sama kemudian digunakan untuk menghitung watershed yang kedua dan
diperoleh 5 wilayah konsentris yang makin mendekai bagian tumor[3].

Salvador A Melo Jnior, et. al[6] menyelesaikan masalah over-segmentation dengan

menggunakan multi-state preprocessing untuk mengurangi noise citra, meningkatkan kontras,
dan memodifikasi homotopi citra ventrikel kiri. Setelah tahap preprocessing, metode watershed
berhasil melakukan segmentasi citra ventrikel kiri. Kontur akhir diperoleh dengan mengurangi
ukuran wilayah tersegmentasi dengan algoritma kontur koreksi [6].

C. Shapebased

Metode shapebased juga memberikan pendekatan yang cukup sederhana dalam segmentasi citra
namun sangat sulit dalam penentuan kontur awal sehingga ketidaktepatan dalam penentuan
kontur awal dapat menyebabkan hasil segmentasi yang kurang memuaskan[2].

D. Clustering

Metode statistik atau clustering didasarkan pada distribusi parameter tertentu. Hal terpenting
dalam metode ini adalah melakukan estimasi definisi awal dari parameter sehingga bagus
tidaknya segmentasi tergantung pada seberapa baik distribusi yang diasumsikan mendekati
distribusi dari data. Pada kenyataanya, secara umum citra medis mengandung noise dan
ketidakpastian distribusi yang tidak dapat diketahui sebelumnya[2, 4].

Metode segmentasi statistik mengklasifikasi dan melakukan pengelompokan piksel citra ke

dalam wilayah terpadu menurut
kriteria tertentu dengan menggunakan pattern-classifier tertentu dan teknik post-processing
semisal filter morfologi[2]. Algoritma K-mean, fuzzy c-means (FCM) dan expectation
maximization (EM) paling umum digunakan pada metode clustering[3].

Shan Shen, et. al[4] menggunakan metode fuzzy c-mean yang dimodifikasi, yang disebut
improved fuzzy c-mean (IFCM), untuk melakukan segmentasi pada jaringan otak. Pada algoritma
IFCM segmentasi tidak hanya didasarkan pada pixel namun juga pada pixel yang terdekat.
Selama proses clustering, pixel berusaha menarik pixel yang terdekat dan memiliki intensitas
yang hampir sama ke dalam cluster yang sama sehingga robush terhadap noise[4].

Nassir Salman [5] menggabungkan metode K-mean dan watershed dan K-mean difference in
strengh map (DIS) untuk melakukan segmentasi dan egde-detection pada citra MRI otak. Metode
clustering K-mean digunakan untuk menghasilkan citra gradien daerah intensitas berdasarkan
jarak minimum untuk memeriksa setiap pixel dalam citra dan kemudian menetapkanya ke dalam
salah satu cluster citra. Citra gradien tersebut kemudian disegmentasi lagi dengan metode
watershed dan DIS. Clustering K-mean juga dimaksukan untuk menghindari over-segmentation
pada watershed. Meskipun penggabungan metode segmentasi tersebut cukup memuaskan,
namun hasil tersebut sangat bergantung pada hasil K-mean[5].

Kesimpulan
Segmentasi memegang peranan yang sangat penting dalam pengolahan citra. Berbagai algoritma
telah dikembangkan untuk melakukan segmentasi citra medis dengan kelebihan dan kekurangan
masing-masing. Karena tidak ada solusi umum dalam penyelesaian segmentasi citra, metode-
metode tersebut sering kali harus dikombinasikan satu dengan yang lainnya agar dapat
memecahkan masalah segmentasi citra secara efektif.

Referensi

1. R. Adollah, M.Y. Mashor, N.F. Mohd Nasir, H. Rosline, H. Mahsin, H. Adilah, Blood
Cell Image Segmentation: A Review,Biomed 2008, Proceedings 21, pp. 141144, 2008

2. Jianguo Zhang, Kai-Kuang Ma, Meng Hwa Er,Vincent Chong, Tumor segmentation
from magnetic resonance imaging by learning via one-class support vector machine,

3. Matei Mancas, Bernard Gosselin, Fuzzy Tumor Segmentation based on Iterative

Watersheds,

4. Shan Shen, William Sandham,Malcolm Granat, Annette Sterr, MRI Fuzzy Segmentation
of Brain Tissue Using Neighborhood Attraction With Neural-Network Optimization,
IEEE transactions on information technology in biomedicine, vol. 9, no. 3, september
2005

5. Nassir Salman, Image Segmentation Based on Watershed and Edge Detection

Techniques, The International Arab Journal of Information Technology, Vol. 3, No. 2,
April 2006

6. Salvador A Melo Jnior, Bruno Macchiavello, Marcelino M Andrade, Joo LA Carvalho,

Hervaldo S Carvalho, Daniel F Vasconcelos, Pedro A Berger, Adson F da Rocha,
Francisco AO Nascimento, Semi-automatic algorithm for construction of the left
ventricular area variation curve over a complete cardiac cycle, BioMedical Engineering
OnLine 2010, 9:5doi:10.1186/1475-925X-9-5