Klasifikasi Fraktur Tulang Panjang Berdasarkan Analisis

Digital-Geometris Gambar Sinar-X

ABSTRAK

Klasifikasi fraktur pasien memainkan peran penting dalam evaluasi dan diagnosis ortopedi.
Ini tidak hanya membantu dalam menilai keparahan penyakit atau cedera tetapi juga
berfungsi sebagai perawatan dasar atau koreksi bedah. Makalah ini mengusulkan
pendekatan baru untuk klasifikasi otomatis fraktur tulang panjang berdasarkan analisis input
gambar sinar-X.
Metode ini terdiri dari empat langkah utama: (i) ekstraksi kontur tulang dari gambar sinar-X
yang diberikan, (ii) identifikasi titik-titik fraktur atau retakan, (iii) penentuan seperangkat
fitur geometri setara yang selaras dengan klasifikasi klinis fraktur Müller-AO, dan (iv)
identifikasi dan penilaian terperinci dari tipe fraktur. Prosedur pengambilan keputusan
menggunakan sifat-sifat geometris tertentu dari kurva digital seperti segmen garis lurus
digital (RDSS), busur, kelengkungan diskrit, dan indeks cekung. Metode yang diusulkan
untuk analisis patah tulang diterapkan pada berbagai jenis gambar tulang dan diamati telah
menghasilkan klasifikasi yang benar pada sebagian besar kasus yang di uji.

Kata kunci: kode rantai, segmen garis lurus digital (DSS), segmen garis lurus digital santai
(RDSS), indeks concavity, kelengkungan diskrit

1. PENDAHULUAN

Klasifikasi fraktur (patah tulang) adalah bagian penting dari perawatan ortopedi. Klasifikasi
patah tulang yang tepat diperlukan oleh para dokter untuk memahami tingkat keparahan
cedera dan untuk merencanakan perawatan yang diperlukan. Tulang-tulang di berbagai
bagian anatomi manusia memiliki fitur, bentuk, dan ukuran yang unik. Fraktur dalam
berbagai jenis tulang berbeda sifatnya, dan klasifikasinya tergantung pada jenis tulang, lokasi,
dan sifat garis-garis fraktur. Algoritma yang diusulkan berfokus pada patah tulang panjang
dan mengklasifikasikannya ke dalam kategori yang berbeda berdasarkan klasifikasi Muller-
AO [1]. Klasifikasi fraktur otomatis dari gambar sinar-X digital adalah tugas yang menantang
karena gambar-gambar dari persendian tulang sering muncul dengan tulang yang tumpang
tindih, dan dengan demikian, identifikasi tipe fraktur sering menjadi sulit. Dalam makalah ini,
kami telah mengusulkan, untuk pertama kalinya, sistem pengambilan keputusan otomatis
untuk mengklasifikasikan patah tulang panjang.
Analisis ini didasarkan pada sifat-sifat digital-geometrik tertentu dari kontur tulang, yang
digunakan untuk mengekstraksi fitur khusus patah tulang tertentu, secara efektif. Untuk
setiap jenis fraktur yang diklasifikasikan menurut penamaan klinis Muller-AO, kami
menentukan serangkaian fitur geometris yang khas. Identifikasi sifat kelainan dan klasifikasi
fraktur selanjutnya dapat dilakukan melalui analisis geometrik.

2. METODE DAN JENIS PENDEKATAN

Sistem pendukung keputusan medis yang terkomputerisasi menjadi komponen penting dalam
perawatan medis dan pendidikan medis yang dibantu komputer [2,3]. Beberapa sistem
pengambilan keputusan dikembangkan oleh para peneliti untuk membantu komunitas medis
[4,5]. Proses klasifikasi fraktur berbantuan komputer memerlukan beberapa langkah
pemrosesan seperti segmentasi yang efisien, pembentukan kontur tulang, dan identifikasi
lokasi fraktur pada gambar sinar-X yang diberikan. Adanya bagian yang tumpang tindih
antara daging dan tulang dalam gambar sinar-X membuat segmentasi tulang, dan ekstraksi
kontur berikutnya, sangat sulit [6]. Sebuah studi perbandingan dari pendekatan segmentasi
gambar sinar-X yang berbeda muncul dalam literatur [7]. Teknik yang paling populer untuk
segmentasi citra medis didasarkan pada metode thresholding (salah satu metode segmentasi
citra yang memisahkan antara objek dengan background dalam suatu citra berdasarkan pada
perbedaan tingkat kecerahan atau gelap terangnya.) [8], kontur aktif atau model snake [9],
dan pada fungsi kepadatan dan varian antar-kelas [10]. Irrera et al. telah mengusulkan
kerangka umum untuk penggabungan denoising (denoising adalah teknik menghilangkan
atau mereduksi sinyal noise sekecil mungkin untuk mendapatkan visualisasi sinyal asli) dan
peningkatan gambar X-ray yang lebih lengkap [11].

Gbr. 1. (a) Input gambar sinar-X, (b) Gambar standar deviasi entropi, (c) kontur tulang
tersegmentasi (setelah adaptif ambang batas).

Dalam domain deteksi dan klasifikasi fraktur, komputasi model yang berbeda diusulkan
sebagai deteksi fraktur femur dan klasifikasi [12] beberapa perubahan Makroskopis dalam
struktur tulang paha yang dihasilkan dari patah tulang dapat diidentifikasi dengan
menghitung sudut leher-poros (sudut antara sumbu leher-femur dan sumbu poros) [13].
Perubahan dalam pola tekstur trabekuler yang diamati pada paha yang retak juga membantu
menentukan fraktur (patah tulang) pada tulang femur [14].Sistem CAD berdasarkan
morfologi matematika telah diusulkan oleh Donnelley et al. [15] untuk deteksi patah tulang
panjang. Estimasi kepadatan mineral-tulang dan analisis tekstur struktur tulang juga
membantu dalam deteksi patah tulang [16], Adami et al. [17] telah menggunakan peningkatan
gambar dan pemodelan 3D untuk klasifikasi patah tulang pada sendi pergelangan kaki.
Analisis tekstur gambar sinar-X pinggul untuk diagnosis osteoporosis otomatis diajukan oleh
Gaidel et al. [18].
Dari sudut pandang klinis, setiap fraktur (patah tulang) memiliki beberapa fitur
unik.Gambaran umum fraktur tulang panjang dapat dikategorikan untuk memberikan
pedoman umum untuk perawatan ortopedi. Praktisi dan peneliti medis telah menggunakan
sistem klasifikasi yang berbeda untuk patah tulang panjang dalam beberapa dekade terakhir.
Sistem klasifikasi Garden diusulkan untuk fraktur femoral-leher [19]. Sistem klasifikasi Neer
membahas fraktur yang muncul pada humerus proksimal dan femur proksimal [20].Müller et
al. [1] telah mengusulkan sistem umum untuk klasifikasi fraktur pada semua enam tulang
panjang yang ada dalam tubuh manusia.Garnavos et al. [21] baru-baru ini mengusulkan versi
sederhana dari klasifikasi fraktur tulang panjang yang dapat digunakan untuk melengkapi
klasifikasi Muller. Fraktur greenstick sangat umum di kalangan anak-anak [22]. Ini juga
diklasifikasikan sebagai fraktur tulang panjang.

Klasifikasi fraktur juga merupakan bagian penting dari perencanaan pengurangan fraktur
tulang.Saat ini, banyak peneliti bekerja pada perencanaan pra operasi yang dibantu komputer
untuk pengurangan fraktur tulang [23, 24].Sistem ini melakukan klasifikasi fraktur secara
manual, dan kemudian mensimulasikan perencanaan pra operasi menggunakan teknik yang
dibantu komputer.Klasifikasi fraktur otomatis dengan demikian dapat meningkatkan ruang
lingkup sistem keputusan yang dibantu komputer tersebut.Fokus utama dari makalah ini
adalah untuk mengembangkan sistem pengambilan keputusan otomatis yang dapat digunakan
untuk mengklasifikasikan fraktur tulang panjang dari gambar sinar-X digital.Sistem
melakukan preprocessing dari citra X-ray tulang [25, 26] untuk mendeteksi keberadaan
fraktur dan menerapkan konsep digital-geometris untuk klasifikasinya, Sebuah konsep baru
tentang keringkungan relatif diusulkan di sini untuk mengidentifikasi wilayah fraktur di
gambar tulang.Dalam metode kami, analisis keringkungan relatif dan kelengkungan terpisah
dari daerah retak dilakukan untuk mengidentifikasi fitur geometrik unik tertentu untuk setiap
jenis patah. Fitur-fitur ini kemudian digunakan dalam dua level untuk mengklasifikasikan
fraktur. Klasifikasi tingkat pertama berkaitan dengan lokasi fraktur dalam tulang panjang,
sedangkan analisis di tingkat kedua memberikan klasifikasi rinci sesuai dengan literatur klinis
[1, 22].

Makalah ini disusun sebagai berikut, Pada Bagian 3, kita membahas fase preprocessing, yang
meliputi segmentasi gambar sinar-X tulang dan deteksi garis fraktur. Fase yang berbeda dari
pendekatan klasifikasi fraktur yang diusulkan dijelaskan pada Bagian 4.Hasil eksperimen
pada kasus uji dilaporkan pada Bagian 5.Deskripsi singkat dari perangkat lunak yang kami
kembangkan disediakan di Bagian 6.Komentar penutup muncul di Bagian 7.

3. KLASIFIKASI FRAKTUR TULANG-TULANG: FASE PREPROCESSING

(SEBELUM-PEMPROSESAN)
Praktisi medis telah mengklasifikasikan patah tulang panjang berdasarkan karakteristik
tertentu dari daerah yang patah. Makalah ini mengusulkan, untuk pertama kalinya, teknik
klasifikasi fraktur tulang panjang otomatis sesuai dengan pedoman klasifikasi Müller AO
[1].Prosedur klasifikasi memerlukan fase preprocessing yang terdiri dari dua langkah: (i)
segmentasi tulang dan pembentukan kontur, (ii) deteksi situs fraktur.

3.1. Pembuatan Kontur Tulang dari Gambar Sinar-X

Gambar X-ray tulang selalu muncul dengan intensitas yang tumpang tindih di antara daerah
transisi tulang dan daging.Daerah-daerah ini membatasi algoritma segmentasi berbasis
intensitas-thresholding untuk memisahkan daerah tulang dari daging di sekitarnya.Dalam fase
preprocessing, kami menggunakan teknik thresholding berbasis entropi [6] (Gbr. 1b). Metode
ini dipilih untuk segmentasi tulang awal karena telah diamati bahwa kinerjanya jauh lebih
baik dibandingkan dengan pendekatan lain seperti segmentasi gumpalan dan teknik k-means
untuk aplikasi tertentu [25, 26]. Metode threshold adaptif kemudian diterapkan untuk
menghasilkan kontur wilayah tulang input gambar digital sinar-X yang diberikan [6] (Gbr.
1c).

Gambar 2.(a) Daerah femur, tibia, dan fibula yang berbeda, (b) berbagai daerah humerus,
jari-jari, dan ulna.

3.2. Deteksi Fraktur

Deteksi fraktur otomatis adalah bagian kedua dari fase preprocessing kami.Deteksi titik
fraktur dan garis putus diperlukan untuk mengklasifikasikan jenis fraktur dengan benar.Kami
menggunakan konsep digital-geometris seperti indeks cekung dan segmen garis lurus digital
(RDSS) untuk mengidentifikasi fraktur dalam gambar tulang [25, 27].Dalam karya
sebelumnya [25], dipelajari bagaimana garis fraktur dapat diidentifikasi dengan menganalisis
gambar tulang.Lokasi (proksimal, diafisis, dan distal) fraktur ditentukan dengan memeriksa
posisi fraktur-titik akhir.Namun, teknik awal ini terjadi ketidakakuratan tertentu karena dapat
menghasilkan hasil yang salah dalam banyak situasi di mana gambar X-ray yang tersedia
memberikan pandangan yang sangat dekat dari daerah yang retak saja.Dalam skenario seperti
itu, mengetahui informasi tentang posisi garis fraktur mungkin tidak cukup.Dalam penelitian
ini, kami mengatasi masalah ini dalam fase klasifikasi preprocessing kami dengan
memperkenalkan konsep analisis concavity relatif.Fitur ini memungkinkan kami untuk
melakukan klasifikasi awal jenis fraktur pada dua tingkat yang berbeda.
4. METODOLOGI YANG DIUSULKAN UNTUK KLASIFIKASI
Ada enam tulang panjang dalam anatomi manusia yaitu humerus, jari-jari, ulna, femur, tibia,
dan fibula.Menurut topografi tulang, tulang panjang dapat dibagi menjadi tiga wilayah
berbeda.Daerah atas disebut daerah proksimal, bagian tengah dikenal sebagai daerah diafisis,
dan bagian bawah disebut daerah distal [1] (lihat Gambar 2).Setiap fraktur diklasifikasikan
secara klinis berdasarkan lokasi, jenis, dan kelompoknya.Dengan demikian, untuk
menangkap gambaran klinis, skema klasifikasi fraktur yang diusulkan dibagi menjadi dua
fase utama - lokasi fraktur dan identifikasi tipe fraktur.Lokasi fraktur memainkan peran
penting dalam klasifikasi karena jenis dan sub-jenis fraktur ditentukan berdasarkan lokasi dan
sifat fraktur.

4.1. Identifikasi Lokasi Fraktur

Dalam analisis kami, wilayah fraktur diidentifikasi dengan mengintegrasikan dua pendekatan
analisis kerekatan relatif yang berbeda, dan analisis lokasi titik fraktur.

4.1.1. Identifikasi daerah fraktur berdasarkan cekungan relatif.

Kami telah menggunakan konsep digital-geometrik indeks kesesuaian ci pada kurva [25, 27].
Setiap piksel pi pada kontur suatu gambar diberi indeks keringkasan ci, selama lintasan
kontur. Indeks concavity dari pixel pertama (ci) diinisialisasi ke 1.Arah pixel diwakili oleh
konvensi kode rantai (seperti yang ditunjukkan pada Gambar. 3a). Untuk memperoleh ci + 1,
cibertambah (dikurangi) dengan perbedaan arah, didan di +1, ketika kontur dilintasi arah yang
berlawanan arah jarum jam (berlawanan arah jarum jam) dari pi ke pi +1; disini diadalah arah
kejadian di pi. Jadi, ci + 1 = ci + Δdi.

Jika arah di adalah 7 dan di + 1adalah 5, maka perubahan telah dipertimbangkan dalam arah
searah jarum jam dan perbedaan Δdi= +2. Ketika lengkungan kontur berubah tajam, indeks
concavity meningkat (menurun) secara signifikan.Sebaliknya, setiap perubahan relatif yang
diamati pada cekung dapat digunakan untuk mengidentifikasi daerah fraktur, di mana ada
perubahan signifikan dalam kelengkungan.Kami sekarang secara formal mendefinisikan
keringkungan relatif sebagai berikut.
Gambar 3. (a) Kode rantai dengan 8 dekat piksel, (b) garis putus-putus yang ditandai pada
gambar kontur tulang, (c) konkavitas relatif dengan ρ = 10.

Gambar 4.(a) Gambar sinar-X (fraktur regio proksimal), (b) kontur (a), (c) kurva konkavitas
relatif.

Cekung relatif pada pi pixel pada kontur digital merupakan perubahan nilai cekung dari
pipixel sehubungan dengan jumlah perbedaan indeks cekung dari pendahulunya ρ dan piksel
penerus ρ. Dengan demikian, cekung relatif pixel i diberikan oleh,

di mana ρ dipilih sebagai 5% dari total jumlah piksel yang ada dalam kontur gambar.

Gambar 3b menunjukkan kontur dan garisputus yang diidentifikasi dalam gambar sinar-X
yang retak. Kedua sisi kiri dan kanan kontur dipengaruhi oleh fraktur, yang ditandai sebagai
A dan B pada Gambar. 3c. Ini jelas menunjukkan perubahan tajam dalam konkavitas relatif
Δci(ρ), ketika rata-rata lebih dari ρ = 10 piksel diamati.

Algoritma yang diusulkan melintasi kontur mulai dari sudut kiri atas gambar kontur tulang.
Jika fraktur hadir di daerah proksimal tulang, perubahan nilai yang tajam (sangat tidak
beraturan) dalam konkavitas relatif akan diamati selama bagian awal traversal. Gambar 4c
menunjukkan nilai konkavitas relatif pada awal traversal untuk fraktur proksimal (ditandai
sebagai wilayah A dan B pada Gambar 4b). Ketika fraktur hadir di daerah diaphyseal (seperti
yang ditandai oleh A dan B pada Gambar. 3b) perubahan tidak teratur dalam kontur-
kelengkungan diamati di tengah-tengah traversal. Pada Gambar. 3c, wilayah S mewakili
perubahan kecil dalam konkavitas relatif pada awal traversal; daerah A dan B mewakili
daerah fraktur yang ditandai pada kontur tulang kiri dan kanan. Fraktur daerah distal akan
menunjukkan perubahan yang cepat dan tidak teratur dalam nilai konkavitas relatif di bagian
akhir dari traversal. Gambar 5 menunjukkan fitur untuk fraktur daerah-distal.Wilayah S pada
Gambar.5c menunjukkan perubahan kecil dalam konkavitas relatif pada awal traversal.
Daerah yang retak diidentifikasi di bagian kemudian dari traversal yang ditandai oleh A dan B
pada Gambar 5b, dan nilai-nilai konkavitas relatif yang sesuai ditunjukkan pada Gambar. 5c.

4.1.2. Analisis posisi titik fraktur.

Analisis kerapatan relatif di sekitar kontur tulang membantu mengidentifikasi lokasi

fraktur.Fraktur regio proksimal dan diafisis dapat dengan mudah diidentifikasi dengan
memeriksa cekung relatif pada fase awal traversal.Namun, fraktur diaphyseal dan daerah
distal mungkin masih sulit untuk dibedakan karena dalam kedua kasus, perubahan yang cepat
pada kerekatan relatif diamati pada bagian selanjutnya dari traversal.Masalah ini dapat diatasi
dengan memeriksa posisi rata-rata "titik-break" sehubungan dengan ukuran gambar total,
"titik-break" mewakili titik fraktur pada kontur tulang.