SEGMENTASI CITRA USG KANKER PAYUDARA DENGAN

MENGGUNAKAN METODE ACTIVE CONTOUR

Joshua Melvin Manurung1, Dwina Kuswandani2, Herman Bedi Agtriadi3
1, 2, 3
Program Studi Teknik Informatika, Institut Teknologi PLN
1
joshua1531070@itpln.ac.id
2
dwina@itpln.ac.id
3
hermanbedi@itpln.ac.id

ABSTRACT
Breast cancer is one of the cancers that has the highest number of deaths. In Indonesia, according
to the Ministry of Health, breast cancer accounts for 16% of all types of cancer affecting women
and 22.9% of invasive cancers in women. Ultrasonography is used as a tool to take images of
tumors or cancer, but the resulting images or images still have noise. Image processing can be
used to improve the quality of images and image segmentation is used to separate an object from
other objects in an image into objects based on certain characteristics. Limited Adaptive
Histogram Equalization (CLAHE) method and Contrast Stretching is used to improve image
quality, for image segmentation using Active Contour method. And to validate the segmentation
results using Receiver Operating Characteristic (ROC) method. Tests using 20 ultrasound images
of breast cancer which are divided into benign cancer and malignant cancer, the results of
segmentation in benign cancer produce an accuracy of 92.35%, a sensitivity of 80.5% and a
specificity of 93.41% and in malignant cancer it produces an accuracy of 73.9%, a sensitivity of
57.83% and specificity 73.49%. This research uses the MATLAB application (R2015a).

Keywords: Breast Cancer, Segmentation, ROC, MATLAB, Active Contour

ABSTRAK
Kanker payudara merupakan salah satu kanker yang memiliki jumlah kasus kematian
terbanyak. Di Indonesia sendiri menurut Kementerian Kesehatan kanker payudara
menyumbang sebesar 16% dari semua jenis kanker yang menyerang wanita dan 22,9%
dari kanker invasive pada wanita. Ultrasonography digunakan sebagai alat untuk
mengambil gambar tumor atau kanker, namun gambar atau citra yang dihasilkan masih
memiliki derau. Pengolahan citra dapat digunakan untuk melakukan perbaikan kualitas
citra dan segmentasi citra digunakan untuk memisahkan suatu objek dengan objek lain
yang ada di suatu citra menjadi objek-objek berdasarkan karakteristik tertentu. Untuk
melakukan perbaikan kualitas citra dapat menggunakan metode Contras Limited Adaptive
Histogram Equalization (CLAHE) dan Peregangan Kontras, untuk segmentasi citra
menggunakan metode Active Contour. Dan untuk melakukan validasi pada hasil
segmentasi menggunakan metode perhitungan Receiver Operating Characteristic (ROC).
Pengujian menggunakan 20 citra usg kanker payudara yang terbagi menjadi kanker jenis
benign dan kanker jenis malignant, hasil segmentasi pada kanker benign menghasilkan
akurasi 92,35%, sensitifitas 80,5% dan spesifisitas 93,41% dan pada kanker malignant
menghasilkan akurasi 73,9%, sensitifitas 57,83% dan spesifisitas 73,49%. Penelitain ini
menggunakan aplikasi MATLAB (R2015a).

Kata kunci: Kanker Payudara, Segmentasi, ROC, MATLAB, Active Contour

1. PENDAHULUAN
Berdasarkan data Globocan Observatory 2019, International Agency for Research on Cancer
(IARC), diketahui bahwa pada tahun 2012 kanker payudara adalah kanker paling umum kedua di
dunia dan merupakan kanker yang paling sering di antara perempuan dengan perkiraan 1,67 juta
kasus kanker baru yang didiagnosis (25% dari semua kanker). Kasus kanker payudara lebih banyak
terjadi di daerah kurang berkembang (883.000 kasus) dibandingkan dengan daerah yang lebih maju
(794.000 kasus). Pada urutan penyebab kematian akibat kanker diseluruh dunia, kanker payudara
menempati urutan kelima dengan 522.000 kasus kematian dan sementara itu merupakan penyebab
kematian yang paling sering terjadi pada perempuan di daerah yang kurang berkembang (324.000
kematian, 14.3% dari total). Menurut WHO pada tahun 2018 kanker payudara menduduki urutan
kedua sebagai penyebab kematian akibat kanker dengan 2.088.849 (11.6%) setelah kanker paru-
paru yang terjadi pada perempuan maupun laki-laki [1].
Salah satu cara untuk mendeteksi kanker payudara dengan SADARI (pemeriksaan payudara
sendiri). SADARI merupakan salah satu cara untuk mengetahui ada tidaknya kelainan pada
payudara. SADARI bertujuan untuk menemukan benjolan dan tanda-tanda lain pada payudara
sedini mungkin agar dapat dilakukan tindakan secepatnya. Pemeriksaan ini direkomendasikan sejak
wanita berusia 20 tahun dengan dilakukan sendiri dirumah setiap bulannya. Berbeda dengan
SADARI penggunaan USG (ultrasonografi) adalah prosedur medis yang dilakukan untuk
memeriksa kondisi payudara dengan menggunakan gelombang suara frekuensi tinggi (ultrasonik).
USG ini menggunakan jenis gelombang ultrasonik yang sama dengan pemeriksaan USG kehamilan
[2].
Namun di era modern seperti sekarang tetap saja ada yang harus di perbaiki dalam beberapa
citra medis. Citra atau gambar pemindai USG masih terdapat noise (derau) yang merupakan salah
satu penyebab turunnya kualitas citra. Derau yang terdapat pada citra ini merupakan salah satu
penyebab sulitnya pasien untuk membaca citra hasil USG. Oleh karena itu, citra USG harus
dilakukan perbaikan kualitas citra.
Berdasarkan uraian yang dikemukakan diatas, maka akan dibuat sebuah pembelajaran untuk
memperbaiki derau pada citra kanker payudara secara terkomputerisasi, yaitu dengan sistem
pengolahan citra dimana dalam citra/gambar kanker ini memanfaatkan preprocessing dan
segmentasi. Preprocessing adalah teknik dimana menaikkan nilai kontras dari sebuah citra.
Segmentasi adalah proses memisahkan objek-objek di dalam suatu citra dari suatu objek dengan
objek lainnya berdasarkan karakteristik tertentu sehingga dapat menentukan tepi dari objek citra
USG.

2. METODE PENELITIAN
Tahapan-tahapan yang dilakukan pada penelitian ini adalah proses preprocessing citra
selanjutnya akan di lakukan proses segmentasi citra dengan metode Active Contour, hasil
segmentasi kemudian disimpan dan tahap terakhir proses validasi ROC untuk mendapatkan nilai
akurasi, sensitifitas dan spesifisitas dari hasil segmentasi. Adapun diagram dari penelitian ini
adalah sebagai berikut (gambar 1):
 Gambar 1. Diagram Penelitian

2.1. Preprocessing
Preprocessing adalah proses peningkatan kualitas citra usg kanker payudara yang dimana
masih terdapat derau (noise) pada citra. Pada penelitian ini preprocessing memiliki beberapa sub-
proses yaitu:
a. Grayscale
b. Contras Limited Adaptive Histogram Equalization (CLAHE)
c. Peregangan Kontras

2.2. Grayscale
Grayscale adalah proses dimana merubah data citra yang digunakan sebelumnya merupakan
citra RGB menjadi citra yang memiliki warna ke abu-abuan. Citra memiliki ukuran N x M piksel
dimana setiap piksel memiliki intensitas yang beragam yang di representasikan dengan numerik
dalam bentuk matriks N_baris dan M_kolom. Setiap citra rgb memiliki 3 warna maka matriks citra
rgb ditulis (N x M x 3). Citra berwarna abu-abu yang dihasilkan akan memiliki nilai 0 – 255.
Dengan melakukan pengalian terhadap masing-masing komponen R, G, dan B dengan
menggunakan persamaa sebagai berikut:

Grayscale (X, Y) = 0,2989 . R +0,587 .G+ 0,114 . B (1)

(X,Y) adalah koordinat matriks pada citra yang akan dilakukan proses graycaling. Misalnya
hendak melakukan proses grayscale pada citra 5x5 maka X dan Y nya adalah (0,0) hingga (4,4).

2.3. Contras Limited Adaptive Histogram Equalization

CLAHE adalah generalisasi dari Adaptive Histogram Equalization (AHE) dan CLAHE dapat
memperbaiki kontras lokal pada citra [3]. CLAHE digunakan untuk beroperasi pada daerah kecil di
citra yang disebut blok, setelah dilakukan proses grayscale maka kemudian dilakukan proses
CLAHE (adapthisteq). Setiap blok yang ada pada citra ditingkatkan kontrasnya. Setelah
mendapatkan hasil grayscale sebelumnya maka dilanjutkan proses histogram equalization dengan
persamaan sebagai berikut:
 nk
Pr ( r k )= k=0,1,2, … , L−1 (2)
MN
nk adalah nilai piksel pada derajat keabuan k, dan n adalah jumlah seluruh piksel pada citra.
Persamaan lainnya untuk melakukan perhitungan histogram equalization dapat menggunakan
persamaan berikut:

Ci . ( 2k −1 )
K 0=round (
w.h )
(3)
dimana
Ci = distribusi kumulatif dari nilai skala keabuan ke-i dari citra
round = merupakan fungsi pembulatan ke bilangan terdekat
Ko = nilai keabuan hasil histogram equalization
w = lebar citra
h = tinggi citra

2.4. Peregangan Kontras

Peregangan kontras sering disebut normalisasi yang dimana merupakan teknik peningkatan
mutu citra yang sederhana. Dengan cara meregangkan/merubah tingkat intensitas warna. Bertujuan
untuk mengubah kontras dari sebuah citra asli (misal i) menjadi rentang intensitas baru J.
Setelah mendapatkan nilai intensitas warna yang baru dari perhitungan CLAHE kemudian
nilai intensitas yang baru tersebut dapat dilakukan peregangan kontras guna memperlebar
penggunaan nilai intensitas pada citra tersebut. Kita dapat menghitung peregangan kontras dengan
persamaan berikut:

X ( n 1, n 2 )− Xmin
Y ( n 1, n 2 )=255.
Xmax −Xmin
(4)
Dimana :
(n1, n2) = posisi nilai intensitas warna pada matriks
Y = Nilai intensitas warna baru
X = Nilai intensitas warna lama
Xmax = Nilai intensitas warna tertinggi pada citra sebelumnya
Xmin = Nilai intensitas warna terendah pada citra sebelumnya

2.5. Active Contour

Active Contour adalah metode segmentasi yang dapat bergerak melebar ataupun menyempit
dengan menggunakan model kurva tertutup. Active Contour dapat mendeteksi fitur tertentu dalam
citra menggunakan prinsip meminimumkan energi citra. Active Contour merupakan kurva yang
dapat bergerak secara dinamis ke arah garis atau tepi yang diinginkan atau objek di dalam gambar
(mampu digunakan sebagai segmentasi objek otomatis) [4].
Tony F. Chan mengusulkan suatu metode yaitu ChanVese (C-V) model, yang merupakan
model berbasis region (Region Based Model). Model ini merupakan perbaikan dari model berbasis
tepi (Edgebased Model), karena pendeteksian tepi pada suatu citra tidak berdasar pada gradien citra
tapi di dasarkan pada teknik evolusi kurva (Curve Evolution), Mumford-shah function for
segmentation dan set level. Pada C-V model, inisialisasi kontur bisa dilakukan dimana saja pada
citra dan C-V model akan secara otomatis mendeteksi keseluruhan kontur, tidak peduli letak dari
inisial kontur [5].
Metode Active Contour melakukan segmentasi dengan proses inisialisasi dimana titik-titik
inisialisasi ini nantinya akan mengembang dan mengempis untuk mencari tepian objek. Jumlah
iterasi atau perulangan yang di inputkan juga menentukan seberapa banyak perulangan yang
dilakukan untuk titik inisialisasi dapat menemukan tepian objek. Parameter yang digunakan pada
penelitian ini adalah ‘Chan-Vese’ dan ’ContractionBias’.

2.6. Inisialisasi Region Menggunakan Polygon

Penentuan insialisai ini berfungsi untuk mengambil daerah yang diinginkan pada citra untuk
dilakukan proses active contour. Proses inisialisasi ini menggunakan teknik Polygon. Polygon
adalah banyaknya titik yang terdapat pada bentuk yang lebih dari 2 titik. Polygon dalam penelitian
ini berperan sebagai daerah koordinat pada citra yang akan diambil. Pada penelitian ini penulis
melakukan skenario penentuan insialiasi yaitu 3 titik polygon dan 4 titik polygon, di dalam objek,
dan di luar objek.

(a) (b)

Gambar 2. (a) Contoh Polygon 3 titik, (b) Contoh Polygon 4 titik

2.7. Inisialisasi Iterasi

Iterasi menurut KBBI adalah perulangan. Dimana proses ini adalah untuk menentukan
berapa kali perulangan yang akan dilakukan ketika melakukan proses active contour. Penentuan
berapa banyak iterasi yang diperlukan sangatlah penting untuk mendapatkan hasil yang optimal.
Penulis mengambil skenario iterasi sebanyak 3 buah yaitu, iterasi 50, iterasi 100, dan iterasi 300.

2.8. Receiver Operating Characteristic

Receiver Operating Characteristic (ROC) digunakan untuk melakukan pengukuran uji
diagnostic, dalam dunia kedokteran dan kesehatan terutama di dalam radiology. Untuk setiap kelas
dari sebuah classifier, ROC menerapkan nilai ambang di interval [0,1] untuk output True positive
(TP), false positive (FP), true negative (TN) dan false negative (FN), dimana TP merupakan nilai
benar antara hasil segmentasi manual dengan hasil segmentasi, FP merupakan nilai ketidaktepatan
antara hasil segmentasi manual dengan hasil segmentasi, TN merupakan nilai yang benar salah di
luar hasil segmentasi manual dan hasil segmentasi disebut juga latar belakang (background), dan
FN merupakan nilai ketidakpastian antara hasil segmentasi manual dengan latar belakang
(background) hasil segmentasi [6].
Dari keempat nilai diatas dapat dihitung akurasi, sensitifitas dan spesifisitas. Rumusnya
sebagai berikut:
TP+TN
Akurasi =
TP+ TN+ FP+ FN
(5)
TP
Sensitifitas = (6)
TP+ FN
TN
Spesifisitas = (7)
TN+ FP
Dimana daerah yang mengambarkan bagian TP, TN, FP dan FN diperlihatkan pada Gambar 3.
berikut ini:

Gambar 3. Perbedaan Citra Segmentasi Manual dengan Hasil Citra Segmentasi Program [7]

3. HASIL DAN PEMBAHASAN

3.1. Hasil Pengujian Data
Tabel 1. Hasil Pengujian Data Citra USG Kanker Payudara Jinak
No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour
1

Benign 9
2

Benign 10

Tabel 2. Hasil Pengujian Data Citra USG Kanker Payudara Ganas

No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour
1

Malignant 26
 2

Malignant 28

3.2. Hasil Perhitungan Segmentasi Manual dengan Hasil Segmentasi Program

Menggunakan ROC
Tabel 3. Hasil Perhitungan ROC Citra USG Kanker Payudara Jinak

No Nama Citra Akurasi(%) Sensitifitas(% Spesifisitas(%)

)
1 Benign 9 86,0291 90,4485 72,947
2 Benign 10 92,1219 91,5382 92,7289
3 Benign 15 98,5626 78,4776 99,7751
4 Benign 23 88,6871 79,9293 92,3286
5 Benign 26 90,4251 89,2282 91,7837
6 Benign 34 86,0626 66,8651 91,2493
7 Benign 87 98,0667 89,7409 99,4907
8 Benign 89 92,8955 67,9957 97,0676
9 Benign 95 97,6074 76,1736 98,8767
 10 Benign 99 93,129 74,6993 97,86

Tabel 4. Hasil Perhitungan ROC Citra USG Kanker Payudara Ganas

No Nama Citra Akurasi(%) Sensitifitas(%) Spesifisitas(%)

1 Malignant 26 88,2278 69,603 92,9365
2 Malignant 28 91,4246 68,0385 95,0614
3 Malignant 34 86,4792 67,0635 92,0522
4 Malignant 35 52,1545 60,9772 38,0308
No Nama Citra Akurasi(%) Sensitifitas(%) Spesifisitas(%)
5 Malignant 93 29,2999 38,362 16,834
6 Malignant 131 87,7747 70,3872 92,4535
7 Malignant 135 41,7923 50,1514 30,0301
8 Malignant 143 83,1192 55,1022 89,6106
9 Malignant 145 93,6432 49,3443 96,6134
10 Malignant 166 85,1166 49,2803 91,3618

Tabel 5. Hasil Rata-Rata Perhitungan Hasil Segmentasi Metode Active Contour Citra USG
Kanker Payudara Menggunakan ROC

No Nama Citra Akurasi(%) Sensitifitas(%) Spesifisitas(%)

1 Benign 92,3587 80,5096 93,4108

2 Malignant 73,9032 57,8310 73,4984

3.3. Implikasi
Pada penelitian ini terdapat 20 citra kanker payudara yang dijadikan data penelitian, terdiri
dari 10 citra kanker payudara jenis jinak dan 10 citra kanker payudara jenis ganas. Dapat dilihat
pada tabel 1 jenis kanker payudara jinak memiliki karakteristik garis tepi yang tegas dan pada tabel
2 jenis kanker payudara ganas memiliki karakteristik garis tepi yang tidak teratur. Penelitian ini
hanya berfokus pada implementasi metode Active Contour dan belum melakukan proses klasifikasi
maupun untuk mendeteksi bentuk objek dari citra USG kanker payudara yang telah disegmentasi.
Berdasarkan validasi menggunakan metode ROC didapatkan hasil segmentasi metode Active
Contour terhadap segmentasi manual dataset jenis kanker jinak didapatkan nilai akurasi 92,35%,
sensitifitas 80,5% dan spesifisitas 93,41%, untuk jenis kanker ganas didapatkan nilai akurasi
73,9%, sensitifitas 57,83% dan spesifisitas 73,49%.

4. KESIMPULAN DAN SARAN

4.1. Kesimpulan
Proses merubah citra USG kanker payudara yang merupakan citra berwarna menjadi citra
keabu-abuan dengan metode grayscale, perbaikan kualitas citra USG kanker payudara
menggunakan metode Contrast Limited Adaptive Histogram Equalization, kemudian menggunakan
metode Peregangan Kontras. Ketiga metode tersebut dapat memperbaiki kualitas citra USG dengan
cara meningkatkan kontras citra dan memperlebar range kontras citra.
Implementasi segmentasi metode Active Contour pada citra USG kanker payudara untuk
jenis jinak memiliki karakteristik dengan garis tepi yang tegas sedangkan citra USG kanker
payudara untuk jenis ganas memiliki karakteristik dengan garis tepi yang tidak teratur.
 Pada penelitian ini menggunakan 20 data citra USG kanker payudara. Hasil segmentasi
metode Active Contour dihitung menggunakan ROC mampu melakukan segmentasi citra kanker
payudara jenis Benign dengan presentase akurasi 92,35%, sensitifitas 80,5% dan spesifisitas
93,41% serta citra kanker payudara jenis Malignant dengan presentase akurasi 73,9%, sensitifitas
57,83% dan spesifisitas 73,49%.
4.2. Saran
Diharapkan pada penelitian yang akan dilakukan selanjutnya dapat mendeteksi bentuk dari
objek citra USG kanker payudara. Dan diharapkan pada penelitian berikutnya dapat dilakukan
proses klasifikasi terhadap hasil segmentasi yang dilakukan menggunakan metode Active Contour.

DAFTAR PUSTAKA
[1] W. I. Globocan Observatory 2019, I. A. for R. on C. (IARC), and W. H. O. (WHO), “Breast
Cancer. Source: Globocan 2018,” World Heal. Organ. Int. Agency Res. Cancer, vol. 876,
pp. 2018–2019, 2019, [Online]. Available: http://gco.iarc.fr/today
%0Ahttps://gco.iarc.fr/today/data/factsheets/populations/900-world-fact-sheets.pdf.
[2] R. I. Kemenkes, “Bulan peduli kanker payudara,” Info Datin Bulan Peduli Kanker
Payudara, 2016.
[3] G. Benitez-Garcia, J. Olivares-Mercado, G. Aguilar-Torres, G. Sanchez-Perez, and H.
Perez-Meana, “Face identification based on Contrast Limited Adaptive Histogram
Equalization (CLAHE),” Proc. 2011 Int. Conf. Image Process. Comput. Vision, Pattern
Recognition, IPCV 2011, vol. 1, pp. 363–369, 2011.
[4] F. Basyid, K. Adi, F. Sains, and U. Diponegoro, “Segmentasi Citra Medis Untuk
Pengenalan Objek Kanker Menggunakan Metode Active Contour,” Youngster Phys. J., vol.
3, no. 3, pp. 209–216, 2014.
[5] T. F. Chan and L. A. Vese, “Active contours without edges,” IEEE Trans. image Process.,
vol. 10, no. 2, pp. 266–277, 2001.
[6] B. Proklamasi, “Segmentasi tulang selangka dari citra x-ray thorax dengan menggunakan
active contour.” Universitas Islam Negeri Maulana Malik Ibrahim, 2013.
[7] I. M. O. Widyantara, A. T. A. P. Kusuma, and N. M. A. E. D. Wirastuti, “Preprocessing
Pada Segmentasi Citra Paru-Paru Dan Jantung Menggunakan Anisotropic Diffusion Filter,”
Maj. Ilm. Teknol. Elektro, vol. 14, no. 2, p. 6, 2015, doi: 10.24843/mite.2015.v14i02p02.
LAMPIRAN
Lampiran 1 Hasil Perbandingan citra USG kanker payudara jenis Benign segmentasi program dan
segmentasi manual
No Nama TN FN TP FP Akurasi Sensitifitas Spesifisitas
Citra (%) (%) (%)
1 Benign 12072 4679 44308 4477 86,0291 90,4485 72,947
9
2 Benign 29791 2827 30582 2336 92,1219 91,5382 92,7289
10
3 Benign 61666 803 2928 139 98,5626 78,4776 99,7751
15
4 Benign 42738 3863 15384 3551 88,6871 79,9293 92,3286
23
5 Benign 28173 3753 31088 2522 90,4251 89,2282 91,7837
26
6 Benign 47081 4619 9321 4515 86,0626 66,8651 91,2493
34
7 Benign 55679 982 8590 285 98,0667 89,7409 99,4907
87
8 Benign 55485 3010 6395 1646 92,8955 67,9957 97,0676
89
9 Benign 61177 873 2791 695 97,6074 76,1736 98,8767
95
10 Benign 51033 3387 10000 1116 93,129 74,6993 97,86
99
Jumlah 444895 28796 161387 21282 923,587 805,0964 934,1076
Rata-rata 44489,5 2879,6 16138,7 2128,2 92,3587 80,5096 93,4108
Lampiran 2 Hasil Perbandingan citra USG kanker payudara jenis Malignant segmentasi program
dan segmentasi manual
No Nama TN FN TP FP Akurasi Sensitifitas Spesifisitas
Citra (%) (%) (%)
1 Malignant 48616 4020 44308 4477 88,2278 69,603 92,9365
26
2 Malignant 53915 2819 6001 2801 91,4246 68,0385 95,0614
28
3 Malignant 46873 4814 9802 4047 86,4792 67,0635 92,0522
34
4 Malignant 9583 15741 24597 15651 52,1545 60,9772 38,0308
35
5 Malignant 4644 23391 14558 22943 29,2999 38,362 16,834
93
6 Malignant 47743 4115 9781 3897 87,7747 70,3872 92,4535
131
7 Malignant 8176 19097 19213 19050 41,7923 50,1514 30,0301
135
8 Malignant 47680 5535 6793 5528 83,1192 55,1022 89,6106
143
9 Malignant 59338 2086 2032 2080 93,6432 49,3443 96,6134
145
10 Malignant 50989 4933 4793 4821 85,1166 49,2803 91,3618
166
Jumlah 377557 86551 106775 84513 739,032 578,3096 734,9843
Rata-rata 37755,7 8655,1 10677,5 8451,3 73,9032 57,8310 73,4984
Lampiran 3
Hasil segmentasi citra USG kanker payudara jenis Benign
No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour

Benign 9

Benign 10

Benign 15

Benign 23

Benign 26

No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active

dan Pola Inisialisasi Contour

6
Hasil segmentasi citra USG kanker payudara jenis Malignant
No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour

Malignant 26

Malignant 28

Malignant 34

Malignant 35

Malignant 93

No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active

dan Pola Inisialisasi Contour