Ekstraksi Fitur Bentuk Tumor Payudara - Ug PDF
Ekstraksi Fitur Bentuk Tumor Payudara - Ug PDF
ABSTRAK
Kanker payudara adalah penyakit penyebab kematian wanita kedua di dunia. Citra mamografi merupakan citra
yang dapat digunakan sebagai alat bantu mendeteksi keberadaan penyakit tersebut. Keberadaan penyakit
tersebut ditunjukkan dalam karakteristik objek tumor payudara yang tampak pada citra mamografi. Oleh karena
itulah maka pada paper ini akan dikemukakan algoritma untuk mengekstraksi fitur bentuk tumor payudara yang
tampak pada citra mamografi. Algoritma disusun tahap demi tahap diawali dengan memisahkan atau
melokalisasi area yang dicurigai terdapat tumor payudara sehingga diperoleh Region of Interest (ROI),
kemudian dilanjutkan dengan mendeteksi tepi objek (edge detection) tumor payudara dan penipisan tepi objek
(contour delimitation) tumor payudara.
Kata Kunci: ekstraksi, mamografi, region of interest (roi), edge detection, contour delimitation
C-7
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: 1907-5022
Yogyakarta, 20 Juni 2009
dilakukan oleh tenaga medis yang bertujuan untuk Gambar 4 menunjukkan noda-noda terang
mengkonfirmasi hasil pemeriksaan sendiri atau bila berintensitas tinggi (yang diberi lingkaran merah)
terjadi keluhan dan (3) pemeriksaan lanjutan untuk pada payudara sebelah kiri dan menurut dokter ahli,
melengkapi pemeriksaan dokter dilakukan dengan citra di bawah ini termasuk ke dalam kelompok
menggunakan alat bantu seperti mammogram yang tumor payudara ganas.
menggunakan sinar-X sebagai sumber cahaya untuk
menghasilkan sebuah citra. Untuk pengambilan citra
payudara, dilakukan dengan menggunakan 2 titik
pandang pada kedua payudara. Titik pandang yang
dimaksud adalah MLO (Medio-Lateral Oblique)
mengambil titik pandang dari samping payudara dan
CC (Cranio-Caudal) mengambil titik pandang dari
atas ke bawah payudara (Malagelada, 2007). Setiap
pengambilan citra selalu dilakukan untuk payudara
(a)Right MLO (b)Left MLO (a)Right CC (b)Left CC
kanan dan kiri.
Gambar 4. Citra Tumor Payudara Ganas
C-8
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: 1907-5022
Yogyakarta, 20 Juni 2009
batas tepi sangat halus maka akan sulit di ketahui proses analisis ini cukup rumit. Tahapan awal yang
apakah termasuk tumor jinak atau ganas meskipun paling menentukan dalam analisis bentuk objek
itu dilakukan oleh seorang radiolog. adalah pendeteksian tepi. Bila teknik atau algoritma
pendeteksian mampu menghasilkan tepi yang
2.2 Pengertian Citra sempurna dan jelas, maka analisis bentuk objek
Citra merupakan kumpulan piksel-piksel yang dapat berhasil dengan baik.
berisi informasi yang tersusun dalam bidang dua Dari sisi visual bentuk tepi dalam citra dapat
dimensi. Secara matematis, citra merupakan fungsi direpresentasikan dalam berbagai bentuk seperti tepi
kontinyu dari intensitas cahaya f(x,y) (Gonzales, bentuk tangga (step edge), tepi bentuk atap (crest-
Wood, 2002), dimana x dan y adalah koordinat line edge) dan tepi bentuk pik (impulse edge).
spasial dari elemen citra (piksel). Pada umumnya Ditinjau dari definisi umum, tepi adalah batas antara
citra digital merepresentasi piksel–piksel dalam satu objek dengan latar belakang citra atau batas
ruang dua dimensi dinyatakan dalam matriks yang antara dua objek, sedangkan dari sisi warna dan
berukuran M baris dan N kolom, seperti ilustrasi intensitas tepi didefinisikan sebagai perbedaan
persamaan 1 berikut ini: intensitas (atau warna) yang tinggi (tajam) antara
dua piksel yang saling berdekatan.
⎡ f (0,0) f (0,1) ... f (0, N − 1) ⎤ (1) Dalam penelitian ini, pendeteksian tepi objek
⎢ f (1,0) ... f (1, N − 1) ⎥
F = f (i, j ) = ⎢ f (1,1) ⎥ dilakukan dengan menggunakan filter LARIM yang
⎢... ... ... ... ⎥ merupakan filter rekursif orde 3. Filter ini memiliki
⎢ ⎥
⎣ f ( M − 1,0) f ( M − 1,1) ... f ( M − 1, N − 1)⎦
kelebihan bila dibandingkan dengan filter lainnya
yang hanya memiliki parameter noise (filter Canny,
Nilai masing-masing elemen f(i,j) dalam matriks Deriche, Gaussian). Sedang filter ini memiliki
F merepresentasikan intensitas warna dari citra yang parameter noise dan juga parameter blur. Dengan
terdigitasi. Setiap nilai dinyatakan dalam bentuk demikian tepi objek dapat terdeteksi dengan baik
kode-kode biner, misalkan dalam 24 bit per piksel walaupun objek tersebut terletak dalam area ber-
(24 bpp) untuk citra berwarna atau dalam 8 bit per noise atau ber-blur.
piksel (8 bpp) untuk citra gray level. Filter f(x) dinyatakan sebagai (Sarifuddin, 2006)
Berdasarkan bagaimana sebuah citra dikodekan −α x ⎛ (1 − β 2 ) ⎞ (2)
inilah citra dapat dikelompokkan menjadi empat f ( x) = sgn(− x) K1e ⎜⎜1 − cos(αβ x ) + sin(αβ x ) ⎟⎟
⎝ 2β ⎠
jenis yaitu : citra Index (index images), nilai piksel
dari citra mengacu pada matriks peta warna, citra Untuk smooting filter menggunakan K2 yang
grayscale (intensity images), setiap nilai piksel dapat dihitung sebagai berikut (Sarifuddin, 2006)
menunjukan intensitas tingkat keabuan dan setiap −α x ⎛ 1 1 ⎞ (3)
piksel didefinisikan sebesar 8 bit (28 = 256), citra ∫
h( x) = f ( x)dx = K e 2 ⎜1 − cos(αβ x ) +
⎜
⎝ 2
sin(αβ x ) ⎟
2β ⎟
⎠
biner (binary images), direpresentasikan dengan 1 dimana
bit perpiksel dimana setiap piksel hanya memiliki 2 K1, K2 : konstanta normalisasi
kemungkinan nilai yakni 0 atau 1 (on, off), citra α : parameter skala yang berhubungan dengan
RGB (RGB Images) merupakan paduan tiga noise
intensitas warna merah, hijau dan biru dan β : parameter blurring
direpresentasikan dalam matriks 3 dimensi.
2.5 Morfologi Matematik
2.3 Peningkatan Mutu Citra Merupakan fungsi matematik yang sering
Tujuan peningkatan mutu citra adalah digunakan untuk mengekstraksi dan
memperoleh citra yang dapat memberikan informasi mendeskripsikan struktur geometris objek dalam
sesuai dengan kebutuhan. Karakteristik citra satu citra. Operasi morfologi matematik yang sering
dengan yang lain tidak sama, oleh karena itu digunakan adalah operasi opening dan closing.
implementasi sebuah metode peningkatan mutu citra Opening digunakan untuk menghilangkan bagian-
baik untuk sebuah citra belum tentu baik juga untuk bagian kecil yang terlihat terang (bintik-bintik putih
citra yang lainnya. Metode filtering merupakan salah atau noise) sehingga tampak lebih halus. Operasi ini
satu metode peningkatan mutu citra dimana citra di sering diidentikkan dengan operasi smoothing.
filter untuk mendapatkan citra yang lebih baik. Pada Operasi opening A dan B dinotasikan sebagai
penelitian ini, peningkatan mutu citra dilakukan adalah erosion B diikuti dilation B (Fisher)
dengan menggunakan filter LARIM (persamaan 3). A o B = ( AΘB) ⊕ B (4)
2.4 Pengertian Tepi Citra
Closing digunakan untuk menghilangkan bagian
Karakteristik visual yang dapat memberikan
detail yang terlihat gelap dan menyisakan bagian
informasi penting dalam analisis citra adalah warna,
terang yang tidak mengganggu. Closing merupakan
bentuk objek dan tekstur. Ke tiga informasi ini
operasi rangkap dari opening yang dihasilkan dari
sangat penting dalam analisis pengambilan
dilation A dan B diikuti erosion B (Fisher).
keputusan. Khusus untuk analisis bentuk objek,
C-9
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: 1907-5022
Yogyakarta, 20 Juni 2009
A • B = ( A ⊕ B)ΘB (5) Hasil dari proses ini dapat dilihat pada gambar 9 dan
dimana 10.
A : konstanta normalisasi ROI yang dihasilkan pada proses pertama diatas
B : himpunan struktur kadang masih mengandung noise atau tepi tumor
kadang kurang jelas akibat dari pengaruh blur. Oleh
2.6 Contour Delimitation karena itulah proses kedua dibutuhkan untuk
Pengertian contour dalam paper ini adalah tepian pendeteksian tepi tumor dengan menggunakan filter
atau pinggiran objek yang diperoleh dari hasil LARIM (persamaan 2 dan 3). Seperti telah diuraikan
pendeteksian tepi. Kontur ini hanya memiliki sebelumnya bahwa filter ini cocok digunakan karena
ketebalan 1 piksel. Berbeda dengan hasil memiliki parameter noise dan blur. Pemfilteran
pendeteksian tepi yang memiliki ketebalan lebih dari pertama dilakukan dengan smoothing filter dengan
satu piksel. Proses penipisan tepi manjadi kontur tujuan untuk menghilangkan atau meminimalkan
diuraikan dalam subbagian algoritma. pengaruh noise. Setelah itu baru dilakukan edge
detection. Hasil dari proses edge detection dapat
3. ALGORITMA dilihat pada gambar 10. Pada gambar ini tampak
Secara garis besar proses ekstraksi karakteristik bahwa edge atau contour objek memiliki ketebalan
bentuk geometris tumor payudara terdiri dari tiga lebih dari satu piksel. Tepi objek masih kurang
tahapan (gambar 7). Tahap pertama adalah lokalisasi tampak jelas.
area yang diinginkan (Region of Interest ROI) atau Tahap ketiga (contour delimitation) ini bertujuan
area yang dicurigai terdapat tumor. Kedua adalah untuk melakukan penipisan contour sehingga hanya
edge detection dengan menggunakan metode memiliki ketebalan satu piksel. Proses ini dilakukan
filtering dan ketiga adalah contour delimitation. secara sederhana yaitu dengan menelusuri dan
mereservasi hanya piksel-piksel bagian luar dari
contour. Piksel-piksel lainnya yang tidak termasuk
Localized the bagian luar dari contour akan dihilangkan
suspicious area (ROI) (dinolkan). Penelusuran dilakukan dengan cara
verifikasi terhadap piksel tetangga. Suatu piksel
dapat dikatakan sebagai piksel bagian luar dari
Edge contour jika dan hanya jika terdapat satu dari piksel
Detection tetangganya bernilai rendah (nol) dan piksel ini akan
direservasi. Sebaliknya, suatu piksel dikatakan
bukan bagian luar dari contour jika dan hanya jika
Contour tidak satupun dari delapan piksel tetangganya
Delimitation bernilai rendah (nol), maka piksel ini dihilangkan
(diberi nilai nol). Hasil proses contour delimitation
Gambar 7. Diagram Blok Ekstraksi Bentuk dapat dilihat pada gambar 11, dimana tampak
terlihat dengan jelas bentuk tumor.
Pada tahap pertama, untuk melokalisasi area 4. HASIL ANALISIS
yang dicurigai terdapat tumor digunakan algoritma Data citra digital mamografi yang digunakan
morfologi matematik yaitu operasi closing dan dalam penelitian ini berupa citra bitmap (bmp)
opening. Gabungan antara proses closing dan dengan resolusi 50 dpi. Dalam penelitian ini telah
opening mampu melokalisasi area-area berintesitas diujicoba pada sejumlah citra 86 (Mammography
tinggi yang dicurigai terdapat tumor, sementara area- Database). Gambar 8 merupakan salah satu contoh
area yang lainnya akan terhapus. Sehingga citra mamografi hasil pemeriksaan (diagnosis) visual
terbentuklah Region of Interest (ROI). ROI yang seorang dokter ahli. Tanda lingkaran merah yang
terbentuk ini masih tetap mengandung bagian yang ditandai oleh dokter ahli menunjukkan bahwa area
bukan tumor dan bagian tumor (bila ROI tersebut tersebut merupakan area yang dicurigai terdapat
bertumor). Kedua bagian ini, terkadang memiliki tumor karena memperlihatkan adanya benjolan.
batas yang kurang jelas. Dengan demikian pada
tahap ini ditambahkan satu proses yaitu penajaman
tepi dengan bantuan nilai rata-rata histogram. Semua
piksel yang bernilai lebih kecil akan diperendah
nilainya dan semua piksel yang bernilai diatas nilai
rata-rata akan dinaikkan nilainya. Berikut ini adalah
persamaan yang digunakan pada proses ini:
C-10
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: 1907-5022
Yogyakarta, 20 Juni 2009
5. KESIMPULAN
Berdasarkan percobaan yang telah dilakukan,
algoritma yang dikembangkan tahap demi tahap
mampu melokalisasi area yang dicurigai sehingga
dapat mendeteksi bentuk tumor payudara dan juga
batas tepi tumor payudara sehingga secara visual
tumor dikenali karakteristik bentuk tumor payudara.
Algoritma ini masih dapat dikembangkan
(a) (b)
dengan automatisasi pencocokan bentuk tumor
Gambar 9. Hasil Ekstraksi ROI payudara.
(a) Tanpa Penajaman Tepi
(b) Dengan Penajaman Tepi
PUSTAKA
Fisher, R. Mathematical Morphology, The
Gambar 10 berikut ini memperlihatkan hasil
University of Edinburg Schools of Informatics
proses edge detection dengan menggunakan filter
Edinburgh, Scotland, UK.
LARIM (persamaan 2 dan 3) yang memiliki
kemampuan sangat baik untuk mendeteksi tepi objek Gonzales , R.C. dan R.E. Woods. (2002). Digital
ber-noise atau/dan ber-blur. Pada hasil ini, edge Image Processing, Second Edition, Prentice Hall.
atau contour tumor yang diperoleh memiliki Liu, S., C.F. Babbs dan E.J. Delp. (1998). Normal
ketebalan lebih dari satu piksel. Bentuk benjolan Mammogram Analysis and Recognition. In
tampak terlihat jelas namun untuk batas tepi masih Image Processing, ICIP 98, Chicago, IL, USA.
kurang tegas. Untuk mempertegas batas tepi inilah Malagelada, A.O.I. (2007). Automatic Mass
perlu dilakukan proses contour delimitation. Segmentation in Mammographics Image, in
Gambar 11 memperlihatkan hasil proses contour Departement of Electronics Comp. Disertasi
delimitation, dimana tampak terlihat dengan jelas Computer Science and Automatic Control
bahwa contour tumor hanya memiliki ketebalan satu Universitat de Girona, Girona.
piksel.
C-11
Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) ISSN: 1907-5022
Yogyakarta, 20 Juni 2009
C-12