See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320923066

SKRINING BAKTERI TB MENGGUNAKAN PENGOLAH CITRA DIGITAL

Article · July 2015

CITATIONS READS

0 1,418

2 authors, including:

Adam Bryants

1 PUBLICATION   0 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

biomedical image View project

All content following this page was uploaded by Adam Bryants on 16 November 2017.

The user has requested enhancement of the downloaded file.

 Jurnal TekSains Universitas Putra Harapan
Volume: 02 No. 01 | Juli-2015
SKRINING BAKTERI TB MENGGUNAKAN PENGOLAH CITRA DIGITAL
Adam Bryants1, Hery Surahman2
1,2Universitas
[adam.bryanst;hery.surahman]@uphar.ac.id
Abstract - Tuberkulosis (TB) disebabkan oleh bakteri
yang disebut bacillus Mycobacterium tuberculosis. Bakteri
utamanya menyerang paru-paru. Ada beberapa antibiotik
yang tersedia di Indonesia untuk menyembuhkan TB.
Namun tuberkulosis paling banyak terjadi di India. Sekitar
dua juta orang terinfeksi tuberkulosis. India memiliki jumlah
penderita TB tertinggi menurut statistik Organisasi
Kesehatan Dunia (WHO). Bila dibiarkan tidak terdiagnosis,
akan menyebabkan tingkat kematian pasien dengan yang
tinggi. Jadi dibutuhkan sistem skrining tuberkulosis yang
akurat. Dalam penelitian ini, sistem skrining tuberkulosis
dengan menggunakan radiografi dada. Pertama, daerah
paru diekstraksi menggunakan metode segmentasi k-means
clustering. Untuk daerah paru-paru ini, satu set fitur tekstur
dan fitur bentuk dihitung yang memenuhi syarat sinar-X
untuk diklasifikasikan sebagai normal atau abnormal
dengan menggunakan jarak Euclidean sebuah
pengklasifikasi. Kinerja sistem ini diukur pada dataset yang
dikumpulkan oleh program pengendalian tuberkulosis di
departemen kesehatan di Amerika Serikat.
Key Words: euclidean distance, k-means clustering,
tuberculosis (TB)
1. PENDAHULUAN
TB paling banyak terjadi di India. India memiliki sekitar
dua juta orang terinfeksi Tuberkulosis. India memiliki
jumlah penderita TB tertinggi menurut statistik Organisasi
Kesehatan Dunia (WHO). Penyakit tuberkulosis dipicu oleh
bacillus mycobacterium tuberculosis yang terutama
menyerang paru-paru. Orang dengan HIV / AIDS lebih
rentan terhadap tuberkulosis. Bila dibiarkan tidak
terdiagnosis angka kematian TBC tinggi. Jadi dibutuhkan
sistem penyaringan tuberkulosis yang akurat. Ada banyak
antibiotik yang tersedia untuk pengobatan tuberkulosis
tetapi ketika TB membiarkan angka kematian yang tidak
diobati meningkat. Pada tingkat penyembuhan uji klinis TB
tidak begitu tinggi, sekitar 90%.
Rontgen dada pasien adalah salah satu alat skrining TB
yang penting. Dalam tulisan ini, sistem skrining
tuberkulosis dengan menggunakan radiografi dada
disajikan. Diimplementasikan skrining diidentifikasi
| |
Putra Harapan
--
rontgen dada normal dan abnormal. Motivasi dibalik
proyek ini adalah pemutaran massal populasi besar yang
tidak layak secara manual. Segmentasi k-means clustering
digunakan untuk menyegmentasikan bagian paru dari
radiografi dada. Metode ekstraksi fitur bentuk dan tekstur
digunakan untuk mengekstrak fitur bentuk dan tekstur
dari lapangan paru tersegmentasi dan klasifikasi jarak
Euclidean digunakan untuk mengklasifikasikan x-ray dada
menjadi x-ray normal atau abnormal. Sistem menunjukkan
akurasi 70% pada dataset gambar uji dan spesifisitas 70%
sedangkan sensitivitas sistem adalah 70% pada dataset
gambar uji. Makalah dibagi menjadi 6 bagian. Bagian 2
menjelaskan tinjauan literatur tentang sistem yang
diterapkan. Bagian 3 menyajikan informasi tentang dataset
gambar yang digunakan dalam percobaan. Pada Bagian 4,
pembahasan rinci tentang segmentasi paru-paru, ekstraksi
ciri dan klasifikasi disajikan. Hasil percobaan praktis
berikut di Bagian 5. Akhirnya, kesimpulan diakhiri dengan
kertas.
2. S T U D I LITERATURE
Ada empat bidang penting yang dengannya kita dapat
meninjau literatur yang berkaitan dengan analisis
komputer terhadap radiografi dada. Area tersebut adalah
Teknik yang berkaitan dengan Image pre-processing,
Algoritma yang berkaitan dengan Segmentasi bagian paru,
Metode ekstraksi fitur Metode klasifikasi gambar. B. van
Ginneken dan B. Ter Haar Romeny (2000) menerbitkan
makalah penelitian tentang segmentasi bidang paru-paru
di radiografi dada. Dalam tulisan ini penulis telah
mengusulkan algoritma segmentasi bidang paru pada
radiograf dada. Metode segmentasi yaitu Matching,
Klasifikasi Pixel: Lokasi, Klasifikasi berdasarkan klasifikasi
pixel berdasarkan penalaran dan koreksi dengan klasifikasi
pixel dibandingkan parameter kinerja. Akurasi, sensitivitas,
spesifisitas adalah parameter kinerja yang digunakan oleh
penulis untuk membandingkan kinerja skema segmentasi
yang disebutkan di atas. Penulis mengetahui metode
segmentasi berdasarkan aturan lebih baik daripada
metode klasifikasi piksel.
Skema segmentasi berbasis aturan yang dikembangkan
dalam makalah ini cukup kuat dan akurat namun tetap
dapat ditingkatkan dengan beberapa cara,
|
 Jurnal TekSains Universitas Putra Harapan
Volume: 02 No. 01 | Juli-2015

terutama dengan menambahkan aturan untuk menangani

situasi yang luar biasa. Makalah penelitian terkait untuk
mengetahui kelainan pada rontgen dada dengan
menggunakan analisis tekstur lokal yang diterbitkan oleh
B. van Ginneken, S. Katsuragawa, B. ter Haar Romeny, K.
Doi, pada tahun 2002. Dalam makalah ini disajikan metode
untuk mengetahui kelainan di dada radiograf yang
merupakan jumlah keseluruhan skor kelainan. Tujuan
utama metode ini adalah untuk mengetahui pola tekstur
abnormal pada rontgen dada. Skema dimulai dengan
segmentasi bidang paru-paru, dengan menggunakan model
tampilan gambar. Segmentasi ini digunakan untuk
membagi bidang paru-paru dari daerah latar. [5]

S. Candemir, K. Palaniappan, dan Y. Akgul (2014)

menerbitkan makalah penelitian yang terkait dengan
algoritma segmentasi citra potong dengan bantuan
pendekatan minimisasi energi ". Dalam tulisan ini, penulis
mendeskripsikan metodologi untuk pembelajaran
parameter adaptif untuk meningkatkan kinerja
segmentasi menggunakan pendekatan classifier kelas
ganda. Penulis mendemonstrasikan kinerja sistem dalam
kerangka segmentasi potong grafik. Pendekatan dalam
literatur memodulasi parameter regularisasi
menggunakan satu fitur atau kombinasi heuristik dari
beberapa fitur. Penulis memodelkan karakteristik daerah
gambar dengan vektor fitur yang mencakup fitur tangkai
untuk tepi, tepian lokal biner untuk tekstur dan hessian
untuk informasi bentuk daerah setempat. Oleh karena itu
pendekatan ini mencirikan daerah gambar lebih baik
daripada menggunakan fitur tunggal. Struktur sederhana
dari sistem ini memungkinkan untuk menggabungkan
fitur alternatif seperti Scale Invariant Feature Transform
yang merupakan salah satu deskriptor fitur berkinerja
terbaik di antara deskriptor lokal. [2]
3. DATA
Untuk percobaan ini, rangkaian CXR Montgomery
County (MC) digunakan. MC set, dikumpulkan dalam
program pengendalian tuberkulosis dari Departemen
Kesehatan dan Layanan Manusia di Montgomery County
(MC), Maryland. Set MC terdiri dari total 138 rontgen
dada posteroanterior, di mana 80 rontgen dada normal
dan 58 Rontok dada tidak normal dengan gejala TB.
Semua gambar dari MC ditetapkan 12 bit grayscale,
ditangkap dengan mesin sinar-X. ItuRontgen dada
abnormal terdiri dari berbagai macam kelainan terkait
TB, termasuk efusi.
4. METODE
Bagian ini mendefinisikan metode yang diterapkan
untuk segmentasi, perhitungan bentuk dan tekstur paru-
paru, dan klasifikasi.
Gb -1: Sistem Diagram
Bagian paru-paru gambar masukan sinar X dada pertama
kali tersegmentasi dengan menggunakan metode
segmentasi k-means clustering. Fitur tekstur dari bidang
paru tersegmentasi diekstraksi menggunakan matriks
koherensi tingkat abu-abu. Fitur bentuk juga dihitung
untuk gambar tersegmentasi. Vektor fitur kemudian
diterapkan pada pengelompokan jarak jauh Euclidean
yang terlatih. Classifier terlatih mengklasifikasikan sinar-
X dada sebagai normal atau abnormal tergantung pada
vektor fitur gambar masukan. Pelatihan classifier
dilakukan dengan menerapkan gambar yang tersimpan
dalam database gambar. Database gambar terdiri dari
gambar rontgen dada normal dan abnormal.
4.1 Metode K-means clustering Segmentation
Metode segmentasi clustering k-means bergantung pada
kelompok untuk mengelompokkan citra uji input yaitu
rontgen dada pasien. Metode k-means clustering dapat
didefinisikan sebagai berikut:
1) Buat empat kelompok ukuran (m * n) * 1, di mana m
dan n adalah jumlah baris dan kolom gambar uji
masukan.
2) Cari tahu centroid untuk setiap cluster.
3) Cari tahu empat perbedaan antara piksel uji input
dan empat centroid, pilih perbedaan minimum untuk
perhitungan tahap berikutnya.
4) Menurut hasil langkah 3 isi empat cluster dengan
masukan gambar uji piksel.
5) Membentuk kembali kelompok menjadi ukuran m * n,
memilih klaster akhir sebagai gambar tersegmentasi
6) Lakukan operasi erosi dan pelebaran pada citra
tersegmentasi untuk meningkatkan citra
tersegmentasi.

| | |
 Jurnal TekSains Universitas
niversitas Putra Harapan
Volume: 02 No. 01 | Juli-2015
4.2 Features
Untuk mengetahui kelainan pada bidang Paru
tersegmentasi, bentuk dan tekstur diekstraksi dari
lapangan paru. Matriks koaksial tingkat abu-abu
abu pertama
dari input chest x ray dihitung.
g. Vektor fitur dibentuk dari
matriks ko-kemunculan tingkat abu-abuabu dari sinar X dada
masukan. Empat fitur diekstrak dari citra input yaitu
energi, homogenitas, korelasi, kontras. Bentuk fitur
gambar tersegmentasi juga dihitung seperti area, panjang
sumbu utama dll.
1) Kontras:mendefinisikan
mendefinisikan kontras intensitas antara
piksel dan tetangganya yang terdekat dengan
keseluruhan gambar tes x-ray
ray dada.
(1)
Dimana dan menunjukkan indeks baris dan
kolom gambar, menunjukkan probabilitas pixel
memiliki indeks ( , )
2) Korelasi: mendefinisikan bagaimana piksel
berkorelasi dengan tetangganya yang terdekat
dengan keseluruhan citra tes sinar-X
sinar dada.
9) Perimeter: Parameter ini menentukan keliling
wilayah yang terhubung.
terhubung
10) Soliditas: soliditas adalah skalar yang menentukan
proporsi piksel di wilayah yang terhubung. Dipadu
D
dengan Area Area / Convex.
Convex
4.3 Klasifikasi
Pengelompokan jarak jauh Euclidean adalah metode
klasifikasi sederhana dibandingkan dengan penyangga
vektor mesin vektor. Pengelompokan jarak jauh Euclidean
mengetahui jarak Euclidean antara vektor target dan vektor
fitur untuk
uk mengklasifikasikan rontgen dada normal dan
abnormal. Euclidean distance classifier mengklasifikasikan
gambar tes input seperti rontgen dada normal dan
abnormal sebagai berikut:
1) Bentuk matriks pelatihan dengan ukuran 10 * 22
dengan mengekstrak 10 bentuk
bentu dan tekstur dari 22
gambar dan menghitung mean matriks pelatihan.
2) Bentuk vektor fitur query gambar tes input dengan
mengekstrak fitur gambar uji dan menghitung mean
dari vektor fitur.
3) Cari tahu jarak Euclidean antara rata-rata
rata vektor
fitur query dann mean matriks pelatihan dengan
menggunakan rumus berikut
(5)

(2) 4) Cari tahu jarak Euclidean maksimum dan bandingkan

dengan ambang batas
Dimana dan menunjukkan indeks baris dan 5) Jika jarak Euclidean maksimum kurang dari ambang
kolom gambar
maka citra uji masukan diklasifikasikan sebagai gambar
normal jika gambar tidak normal
3) Energi adalah ukuran keseragaman dalam
jangkauan [0,1]
5. Hasil
(3) This section presents a practical
pr evaluation of work.
Bagian ini menyajikan evaluasi kerja yang praktis.
4) Homogenitas adalah ukuran kedekatan distribusi Segmentasi, ekstraksi ciri dan hasil klasifikasi disajikan
elemen pixel dalam matriks co-occurrence
co ke
diagonal GLCM pada bagian ini..

5.1 Hasil Segmentasi

(4)
Gambar 2 menunjukkan gambar tes x-ray
x dada.
5) Area adalah fitur Scalar; area menunjukkan jumlah
piksel sebenarnya di wilayah ini.
6) Eksentrisitass digunakan untuk mengetahui bentuk
benda benda yang terhubung dengan tepat. Elips
sebenarnya adalah lingkaran yang eksentrisitasnya
0, sementara elips yang eksentrisitasnya dari
segmen garis adalah 1.
7) Axis Major Length adalah skalar yang
mendefinisikan pengukuran
ukuran bentuk elips.
elips Fig - 2: Chest x-ray test imagee
8) Minor Axis Length adalah skalar yang
mendefinisikan pengukuran bentuk elips.
elips

| | |
 Jurnal TekSains Universitas
niversitas Putra Harapan
Volume: 02 No. 01 | Juli-2015

Segmentasi hasil segmentasi clustering k-means

means telah 5.3 Hasil Klasifikasi
ditunjukkan pada gambar 3.
Gambar 4 menunjukkan rontgen dada normal dan gambar
5 menunjukkan hasil klasifikasinya.10
ifikasinya.10 Normal dan 12
gambar rontgen dada abnormal digunakan untuk melatih
classifier.

Fig- 3: hasil k-means clustering lung segmen

entation

5.2 Hasil Feature extraction Gambar-4:

4: Gambar rontgen dada normal
Table 1: Hasil Feature extracttion

Feature Value
descriptors

Energy 0.0039
Gambar-5:
5: hasil klasifikasi dari gambar 4
Contrast 1186.1 5.4 Unjuk Kerja

Correlation -0.0786 Kinerja sistem diukur dengan menggunakan 3

parameter yaitu akurasi, sensitivitas, spesifisitas.
spesi

Homogenity 0.0688 Sensitivitas: Jika tesnya sangat sensitif dan hasil

tesnya negatif, hampir dipastikan bahwa mereka
tidak memiliki penyakit.
Area 10903.0
0
*100 (6)

Eccentricity 0.6976 Spesifisitas: jika hasil tes untuk tes yang sangat
spesifik positif, Anda dapat benar-benar
benar yakin
Major Axis 180.59 bahwa mereka benar-benar
benar memiliki penyakit
ini.
Length

*100 (7)
Minor Axis 129.38
Length: Accuracy:

Perimeter 439.22 *100 (8)

Solidity 0.6268 Dimana : True negativee rate : True positive rate

:False positive ratte : False negative rate

| | |
 Jurnal TekSains Universitas Putra Harapan
Volume: 02 No. 01 | Juli-2015
2656, Nov. 2010

Table -2: Tabel Performansi parameter sistem [5] B. van Ginneken, S. Katsuragawa, B. ter Haar Romeny,
K. Doi, andM. Viergever, “Automatic detection of
Performance Nilai abnormalities in chest radiographs using local texture
parameter analysis,” IEEE Trans. Med. Imag., vol. 21, no. 2, pp.
139–149, Feb. 2002

Sensitivitas 75 [6] B. Van Ginneken, B. ter HaarRomeny, and M.

Viergever, “Computer aided diagnosis in chest
radiography: A survey,” IEEE Trans. Med.Imag., vol.
Spesifisitas 75 20, no. 12, pp. 1228–1241, Dec. 2001

[7] R. Gonzalez, R. Woods, “Digital Image Processing 3rd

Akurasi 75 ed” , Pearson publication,2004

[8] S. Jayraman ,“Digital Image Processing” , Tata

McGraw-Hill Education,2006
6. KESIMPULAN
[9] Stephen J. Chapman ,”MATLAB programming for
Sistem skrining tuberkulosis dengan menggunakan engineers”, Tata McGraw-Hill Education, 2007
radiografi dada terdiri dari tiga tahap utama yaitu
segmentasi clustering k-means, ekstraksi fitur bentuk dan [10] Danilo Šćepanović, “introduction to MATLAB
tekstur serta dukungan klasifikasi mesin vektor. Sistem programming lecture notes”,2010
menunjukkan akurasi 75% pada dataset gambar uji dan
spesifisitas 75% sedangkan sensitivitas sistem adalah 75% [11] J. Burrill, C. Williams, G. Bain, G. Conder, A. Hine, and
pada dataset gambar uji. R. Misra, “Tuberculosis: A radiologic review,”
Radiographics, vol. 27, no. 5, pp. 1255–1273, 2007

[12] Liwei Wang , Yan Zhang ,Jufu Feng “On the Euclidean
REFERENSI
Distance of Images” Med. Phys., vol. 27, no. 10, pp.
2445–2455, 2000
[1] Jaeger S, Karargyris A, Candemir S, Folio L, Siegelman
J, Callaghan FM, Xue Z, Palaniappan K, Singh R K,
Antani S K. “Automatic tuberculosis screening using
chest radiographs”.IEEE Trans Med Imaging 2014
.PMID: 24108713

[2] Budi Santoso, Ahmad Zaini, and I Ketut Eddy Purnama,

“Penentuan Otomatis Posisi Fokus Citra Mikroskopis
Bakteri Tuberkulosis Berbasis Nilai Entropi dan
Fuzzy Logic,” JAVA Journal of Electrical and
Electronics Engineering.,2014
[3] S. Candemir, S. Jaeger, K. Palaniappan, S. Antani, and G.
Thoma, “Graph-cut based automatic lung boundary
detection in chest radiographs,” in Proc. IEEE
Healthcare Technol. Conf.: Translat. Eng.Health Med.,
2012, pp. 31–34

[4] R. Shen, I. Cheng, and A. Basu, “A hybrid knowledge-

guided detection technique for screening of infectious
pulmonary tuberculosis from chest radiographs,”
IEEE Trans. Biomed. Eng., vol. 57, no. 11, pp. 2646–

| | |

View publication stats