Review Paper - Seminar 1 Cepi Ramdani 10144

8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144

1/12


2/12

berfungsi untuk memperbaiki citra yang berderau, Segmentasi

Citra ( Image Segmentation) berguna untuk memilah gambar

menjadi bagian-bagian tertentu yang unik dan bermakna,memperjelas batas dari setiap objek dalam citra sehingga

memudahkan untuk proses diagnosa, Klasifikasi Citra ( Image

Classification) berfungsi untuk mengelompokkan citra

berdasarkan fitur tertentu, dan Deteksi Citra ( Image Detection)

berfungsi untuk mendeteksi kelainan, melihat

kelainan/penyakit. Dalam paper ini akan dibahas proses keduayakni segmentasi citra pada citra MR otak. Segmentasi citra

merupakan langkah kunci dari pengolahan citra kepada

analisis citra, dan juga memegang posisi penting dalam teknik

pencitraan dan merupakan dasar dari pemahaman citra lebih

lanjut[4].

Otak merupakan organ penting bagi suatu individu, otak

merupakan organ istimewa yang mengontrol organ-organ

tubuh lainnya. Sedikit kerusakan pada organ otak dapat

menganggu bahkan meniadakan fungsi organ atau jaringan

tertentu. Beberapa kelainan yang terjadi pada otak diantaranya,

Alzheimer , Parkinson, Dementia, Tumor , dsb. Pada paper ini

kelainan yang banyak dibicarakan dan dimaksudkan adalah

tumor dan lebih khusus lagi tumor otak. Tumor otak adalah

keadaan dimana sel-sel otak tumbuh dan berkembang berlipat-lipat secara tidak terkontrol karena alasan tertentu, mekanisme

yang biasa mengontrol sel-sel terganggu, sehingga tidak dapat

mengatur pertumbuhan dari sel-sel otak [5]. Tumor dapat

bersifat benign (bukan kanker) atau malignant (kanker) [6].

II. Landasan Teori

2.1 Citra

Citra, menurut kamus Webster adalah suatu representasi,

kemiripan atau imitasi dari suatu objek atau benda. Citra dari

sudut pandang matematis, merupakan fungsi bersambung

(continue) dari intensitas cahaya pada bidang 2 dimensi.Citra yang terlihat merupakan cahaya yang direfleksikan

dari sebuah objek. Sumber cahaya menerangi objek, objek

memantulkan kembali sebagian dari berkas cahaya tersebut dan

pantulan cahaya ditangkap oleh alat-alat optik, misal mata

manusia, kamera, scanner , sensor satelit, dsb, kemudian

direkam.

Citra digital adalah citra yang disimpan dalam formatdigital (dalam bentuk file). Hanya citra digital yang dapat

diolah menggunakan komputer. Jenis citra lain jika akan diolah

dengan komputer harus diubah dulu menjadi citra digital .

Citra Magnetic Resonance dibentuk dengan

mentransformasikan/merekonstruksi gelombang radio ( Free

Induction Decay - FID), yang diperoleh pada proses scanning oleh perangkat Magnetic Resonance ( MR), dengan

menggunakan formula matematika Fourier . Citra MR otak,merupakan citra penampang otak yang dihasilkan oleh

perangkat MR, dengan 3 sudut pandang yakni samping

( sagittal ), depan (coronal ), atas (axial ) dan gabungan

ketiganya (oblik ). Objek dominan yang nampak adalah

jaringan Gray Matter (GM), White Matter (WM), dan

Cerebrospinal Fluid (CSF).

Pencitraan (imaging) adalah kegiatan mengubah informasi

dari citra tampak/citra non digital menjadi citra digital .

Beberapa alat yang dapat digunakan untuk pencitraan adalah :

scanner , kamera digital, kamera sinar-x/sinar infra merah.

Pengolahan Citra merupakan kegiatan memperbaiki

kualitas citra agar mudah diinterpretasi oleh manusia/mesin

(komputer). Inputannya adalah citra dan keluarannya juga citra

tapi dengan kualitas lebih baik daripada citra masukan, misalcitra warnanya kurang tajam, kabur (blurring ), mengandung

noise (misal bintik-bintik putih), sehingga perlu ada

pemrosesan untuk memperbaiki citra karena citra tersebutmenjadi sulit diinterpretasikan karena informasi yang

disampaikan menjadi berkurang.

Analisis Citra adalah kegiatan menganalisis citra sehingga

menghasilkan informasi untuk menetapkan keputusan

(biasanya didampingi bidang ilmu kecerdasan buatan/AI yaitu

pengenalan pola ( pattern recognition) menggunakan jaringansyaraf tiruan, logika fuzzy).

Gambar 1. Alur Manipulasi Citra[7].

2.2 Segmentasi

Segmentasi merupakan sebuah proses untuk memisahkansebuah obyek dari background atau latar, sehingga obyek

tersebut dapat diproses untuk keperluan tertentu[8].

Segmentasi citra secara formal dapat didefinisikan sebagai berikut, jika F adalah seluruh pixel dari citra dan P adalah

kelompok pixel yang saling terhubung yang memiliki

nama/panggilan yang telah didefiniskan, maka segmentasi

dapat diartikan sebagai pembagian dari seluruh pixel F

kedalam kelompok-kelompok atau wilayah tertentu (S1, S2,

S3, ..., Sn), sesuai dengan kesamaan atribut/ciri yang dimiliki,

dimana setiap kelompok/wilayah saling beririsan[5].

Gambar 2. Definisi Segmentasi[5].

Segmentasi citra MR otak pada dasarnya proses untuk

memilah-milah bagian-bagian dari otak pada citra MR tersebut

seperti Gray Matter (GM), White Matter (WM) lalu

memperjelas batas/tepi dari bagian-bagian tersebut sehingga

semua bagian terlihat jelas.

Tujuan dari segmentasi citra MR otak yakni, memisahkaninformasi-informasi yang terdapat dalam citra kepada bagian-

bagian yang lebih mudah untuk dimengerti/dipahami dengan

meletakkan batas-batas yang membatasi wilayah otak yang

sehat dari wilayah otak yang sakit (terdapat tumor/kanker

misalnya)[5].

Segmentasi citra merupakan langkah kunci dari pengolahan

citra kepada analisis citra, dan juga memegang posisi penting

dalam teknik pencitraan dan merupakan dasar dari pemahaman

citra lebih lanjut[4].


3/12

(a) (b)

Gambar 3. Contoh Segmentasi. (a) Gambar asli, (b)

Gambar hasil segmentasi[9].

2.3 Otak dan Tumor Otak

2.3.1 Pengenalan Otak

Otak manusia merupakan pusat pengendali seluruh organ-

organ tubuh, merupakan organ spesial yang menjadikan

manusia memiliki kemampuan beradaptasi dan bertahan pada beragam kondisi lingkungan. Otak manusia menjadikan

manusia mampu untuk berbicara, mengucapkan kata-kata,

melakukan suatu tindakan, dan berbagi pikiran juga perasaan.

Otak manusia memiliki berat rata-rata 1500 gram atau

sekitar 2 % dari berat tubuh[10]. Terdiri dari dua tipe jaringan,yakni Gray Matter (GM) dan White Matter (WM). Gray Matter

tersusun dari sel-sel neuron dan glial , juga dikenal sebagai

neuroglia atau glia yang mengendalikan aktifitas-aktifitas otak

dan inti basal (caudate nucleus, putamen, pallidum, dan

claustrum). White Matter (WM) terdiri dari banyak axon-axon

yang terhubung pada cerebral cortex dengan wilayah-wilayahotak lainnya. Belahan otak sebelah kiri dan kanan dihubungkan

oleh corpus callosum, sebuah pita tipis dari serat White Matter .Otak mengandung semacam cairan pelindung yang

menyelimuti organ otak yakni Cerebrospinal Fluid (CSF) yang

terdiri dari glukosa, garam, enzim-enzim, dan sel darah putih.

Cairan ini menyelimuti otak juga pita spinal , cairan ini

berfungsi untuk melindungi kedua organ dari tekanan, benturan

luka, cedera, dsb.

Otak terbagi menjadi 2 bagian menurut letaknya yakni otak

kanan dan otak kiri. Otak kanan mengatur tubuh bagian kiri

sementara otak kiri mengatur tubuh bagian kanan. Menurut

ukurannya otak terbagi menjadi 2 bagian juga yaitu otak besar

yang disebut cerebrum dan otak kecil yang disebut cerebellum.

Otak besar terdiri atas bagian frontal, temporal, parietal dan

occipital lobes.

Gambar 4. Penampang Otak Manusia[10].

2.3.2 Tumor Otak

Kelainan pada otak yang menjadi subjek penelitian yang

berkaitan dengan citra MR pada paper ini mengacu pada tumor

dan kanker (tumor yang merusak). Tumor adalah keadaan

dimana sel-sel tumbuh dan berkembangbiak tidak terkontrol

karena suatu alasan. Jika keseimbangan dari pertumbuhan dankematian sel terganggu maka dimungkinkan tumor akan

terbentuk[11]. Mekanisme yang mengontrol kehidupan sel-sel

normal tidak berjalan dengan semestinya, tidak dapat

mengendalikan pertumbuhan sel-sel. Ketidaknormalan massa

jaringan otak adalah tumor otak yang menempati ruangan pada

tengkorak dan mengganggu fungsi normal dari otak danmemberikan tekanan pada pada otak. Semakin meningkatnya

tekanan pada otak dapat mengakibatkan kerusakan pada

jaringan otak.

Para ilmuwan telah mengelompokkan tumor otak

berdasarkan lokasi dari tumor, tipe jaringan yang terlibat,

apakah itu termasuk sel kanker atau bukan. Tempat bermula

dan faktor-faktor lain yang terlibat. World Healthy

Organization (WHO) mengklasifikasikan tumor otak kedalam120 macam. Pengelompokkan ini dilakukan berdasarkan asal

sel tumor dan perilakunya dari yang tidak agresif hingga yang

paling agresif. Bahkan beberapa jenis tumor memiliki level

berkisar dari level I, dimana berarti tidak bersifat kanker (less

malignant/benign) hingga level IV yang berarti bersifat kanker

(more malignant ).

Tumor otak dibagi menjadi 2 macam berdasarkan letaknya,

yakni tumor otak utama dan sekunder. Tumor otak utamaadalah tumor yang berasal dari otak dan dinamai dengan namasel dimana dia berasal, mereka bisa bersifat kanker atau tidak.

Tumor yang tidak bersifat kanker (benign) pertumbuhannya

lambat dan jarang menyebar kemana-mana atau jarang

menjangkiti jaringan disekitarnya. Namun bagaimanapun juga

tumor tersebut meskipun tidak agresif dapat memberikan

tekanan pada otak yang dapat mempengaruhi kinerja otak[6].

Tumor agresif dapat tumbuh sangat cepat dan menyebar pada

jaringan lain, Setiap tumor-tumor ini memiliki karakteristik

unik tersendiri dalam hal klinis, radiografi, dan biologi. Tumor

otak sekunder adalah tumor yang berasal dari bagian tubuh lain

(bukan otak). Tumor ini terdiri dari sel kanker, berasal dari

suatu tempat di tubuh yang kemudian menyebar ke otak.Penyebab utama dari tumor otak sekunder ini adalah kanker

paru-paru, kanker payudara , melanoma, kanker ginjal, kanker

kandung kemih, certain sarcoma, testicular , dan sel tumor

germ.

2.4 Magnetic Resonance Image

MRI dikenal dengan nama Nuclear Magnetic Resonance

(NMR). Hal ini disebabkan prinsip dasar MRI bersumber pada pemanfaatan nucleus bermuatan positif atau proton yang

berinteraksi dengan gelombang radio didalam suatu medan


4/12

magnet yang sangat kuat. MRI merupakan alat kedokteran di

bidang pemeriksaan diagnostik radiologi yang dapat

menghasilkan rekaman gambar potongan penampang tubuhmanusia. MRI memiliki kemampuan menghasilkan gambaran

jaringan lunak secara axial , coronal dan sagittal tanpa merubah

posisi tubuh pasien [12].

Gambar 5. Pemindai MRI.

Tubuh manusia sebagian besar terdiri dari air yang

mengandung dua atom hidrogen dengan nomor atom ganjil.

Didalam inti atom hidrogen memiliki satu proton. Inti

hidrogen merupakan kandungan inti terbanyak dalam jaringan

tubuh manusia yaitu 1019 inti/ mm³ dan memiliki gaya

magnetik ( gyromagnetic) terkuat dibandingkan unsur lainnya.

Proton memiliki sifat yang hampir sama dengan sifat

sebuah magnet. Sebab proton merupakan suatu partikel yang bermuatan positif dan aktif melakukan putaran pada sumbunya

( spin) secara kontinu. Berdasarkan teori jika suatu muatan

listrik melakukan pergerakan maka disekitarnya akan timbul

gaya magnet dengan demikian dapat diibaratkan proton seperti

sebuah magnet yang kecil. Pada unsur dengan nomor atomgenap, proton-proton akan berpasang-pasangan sehingga efekmagnetiknya akan saling meniadakan. Karena tidak ada

magnetisasi pada unsur dengan nomor atom genap maka tidak

terdapat inti bebas sehingga akan sulit untuk dirangsang agar

terjadi pelepasan sinyal. Sebaliknya unsur dengan nomor atom

ganjil memiliki inti atom bebas yang akan menghasilkan

magnetisasi sehingga mudah untuk melakukan pelepasansinyal. Begitu pula dengan unsur selain hidrogen yang

memiliki nomor atom ganjil. Sehingga memungkinkan untuk

melakukan pengembangan pemeriksaan MRI pada jaringan

yang mengandung Natrium (11 proton dan 12 neutron ),

Phospor (15 proton dan 16 neutron ) dan Potassium ( 19

proton dan 20 neutron )[12].

Gambar 6. Pergerakan Precission Proton[12].

Prinsip dasar pemeriksaan MRI dapat dijelaskan secara

singkat sebagai berikut[2].

a. Struktur atom hidrogen (H) dalam tubuh manusia saat di

luar medan magnet berarah acak dan tidak membentuk

keseimbangan.

b. Saat diletakkan dalam alat MRI , atom H akan se-jajar

dengan arah medan magnet.

c. Saat diberikan Radio Frequency (RF), atom H akan

mengabsorsi energi dari RF . RF yang diberikan sesuai dengan

besar frekuensi Larmor yang besarnya berbanding lurus

dengan besar tetapan gyromagnetic suatu atom (H) dalam

suatu medan magnet.

d. Dengan bertambahnya energi, atom H akan mengalami

pembengkokan sesuai besar dan lama energi RF yangdiberikan.

e. Saat RF dihentikan, atom H akan sejajar kembali dengan

arah medan magnet. Pada saat kembali inilah, atom H akan

memancarkan energi yang dimilikinya.

f. Energi yang berupa sinyal tersebut dideteksi dengan

detektor yang khusus dan diperkuat. Selanjutnya komputer

akan mengolah dan merekonstruksi citra berdasarkan sinyal

yang diperolah dari berbagai irisan.

Proses terjadinya signal MRI yang berasal dari pasien

tersebut melalui 3 fase fisika yaitu : Fase Presesi

(Magnetisasi), Fase Resonansi dan Fase Relaksasi.

Fase Presisi

Telah diketahui inti sebuah atom terdiri dari neutron yang

tidak bermuatan ( netral ) dan proton yang bermuatan positif.

Proton-proton yang bersifat magnetik memiliki medan magnet

yang mengarah pada 2 kutub ( utara dan selatan ) mirip dengan

sebuah magnet kecil sehingga proton-proton dengan kutubnyatersebut lazim disebut “ Magnetic Dipole “. Dalam keadaan

normal proton-proton hydrogen dalam tubuh tersusun secara

acak sehingga tidak dihasilkan jaringan magnetisasi. Ketika pasien dimasukan kedalam medan magnet yang kuat dalam

pesawat MRI , magnetic dipole ( proton-proton ) tubuh pasien

akan searah ( parallel ) dan tidak searah (antiparallel ) dengan

kutub medan magnet pesawat. Selisih proton-proton yangsearah dan berlawanan arah amat sedikit dan tergantung

kekuatan medan magnet pesawat dan selisih inilah yang akanmerupakan inti bebas (tidak berpasangan) yang akan

membentuk jaringan magnetisasi. Dipole yang membentuk

jaringan magnetisasi tersebut cenderung dengan arah kurub

medan magnet pesawat MRI (B0) – dikenal juga dengan arah

longitudinal (Z axis). Jaringan magnetisasi itu sulit diukur

karena arah induksi magnetnya sama dengan arah induksimagnet pesawat, sehingga dibutuhkan perubahan arah induksi

magnet dari dipole-dipole tersebut dengan menggunakan


5/12

gelombang radio. Dipole – dipole selain terus melakukan spin

juga melakukan gerakan relatif. Gerakan relatif tersebut serupa

dengan gerakan permukan gasing ( spinning to toy) yangdisebut gerakan presesi. Frekuensi gerakan presesi tergantung

pada jenis atom dan kekuatan medan magnet luar yang

mempengaruhinya (kekuatan medan magnet pesawat MRI ).

Frekuensi presesi dapat dihitung berdasarkan rumus larmor

berikut ini :

WO = Y . BO

Dimana :

WO ( Omega Zerio ) = frekuensi presesi atau resonansi

magnetik ( 2,13 MHZ – 85 MHZ )

Y ( gamma ) = konstanta giromagnetik proton ( Hydrogen 42,8 MHZ/Tesla )

BO = kekuatan medan magnet ( Tesla )

Fase Resonansi

Mengetahui secara tepat frekuensi presesi proton-proton

sangat mutlak untuk menentukan besarnya frekuensi presesi

gelombang radio ( RF ) yang akan dipancarkan untuk mengubah

arah orientasi dipole yang membentuk jaringan magnetisasi.

Ketika proton-proton hydrogen mengalami 1 presesi, maka

proton-proton akan mudah menyerap energi luar. Pada saat

fase presesi itulah gelombang radio ( RF ) dipancarkan dan

proton-proton hydrogen akan menyerapnya dan mulai bergerak

meninggalkan arah longitudinal ( L direction) yang sejajar

dengan arah kutub magnet pesawat menuju kearah transversal

(Tegak lurus terhadap sumbu medan magnet pesawat) dan

menghasilkan magnetisasi transversal . Proton-proton yang

dapat dipengaruhi oleh gelombang radio hanyalah proton-

proton yang memiliki frekuensi presesi yang sama dengan

frekuensi gelombang radio. Fase dimana proton-proton bergerak meninggalkan sumbu longitudinal menuju arahtransversal disebut sebagai fase resonansi.

Fase Relaksasi

Ketika proton-proton hydrogen berada pada bidang

transversal , maka akan menginduksikan signal dalam bentuk

gelombang elektromagnetik (dikenal dengan MRI ) yang akan

diterima oleh sebuah kumparan (antenna) penerima disisi

pesawat MRI. Saat pancaran frekuensi radio dihentikan ( turnoff ) proton-proton secara perlahan lahan kehilangan energinya

dan mulai bergerak meninggalkan arah transversal (decay)

menuju kembali kearah longitudinal (recovery) sambil

melepaskan energi yang diserapnya dari gelombang radiodalam bentuk gelombang elektromagnetik yang dikenal

sebagai signal MRI , fase ini disebut fase relaksasi.Fase relaksasi dibagi menjadi T1 dan T2. T1 didefenisikan

sebagai waktu yang diperlukan proton-proton hydrogen sekitar

63% telah berada kembali dalam arah longitudinal

(magnetisasi longitudinal ). T1 mencerminkan tingkat transfer

energi frekuensi radio ( RF ) dari proton-proton keseluruh

jaringan sekitar (Tissue-Lattice) sehingga T1 biasa puladikenal; istilah “Spin Lattice-Relaxation”, dimana besar T1

tergantung pada konsentrasi dan kepadatan proton serta

struktur kimiawi dari materi jaringan yang diperiksa

( Macromolecul Environment ). Jika T1 makin lama maka

diperoleh signal yang makin besar.Ketika pemberian gelombang radio 900 (memutar proton-

proton ke arah transversal ) diperoleh signal dari arah

transversal maksimum. Namun ketika RF 900 dihentikan

magnetisasi transversal yang memancarkan signal awal

maksimum berangsur angsur mulai berkurang ( Decay).

Awalnya presesi proton-proton berada dalam laju dan arahyang sama ( fase yang sama) namun secara perlahan satu sama

lain keluar dari fase yang satu tersebut ( Dephasing ) disebabkan

terjadinya interaksi antara satu proton dengan proton lain

disekitarnya ( spin-spin interaction). Interaksi spin-spin

merupakan suatu mekanisme tambahan yang dikonstribusikan

oleh kenyataan bahwa medan magnetik eksternal dari pesawat

MRI tidak betul-betul seragam (homogen) sehingga

menghasilkan magnetisasi proton-proton lokal yang tidak

homogen (local inhomogeneity). Local inhomogeneity

meningkatkan interksi spin-spin dan mempercepat dephasing

sehingga mempercepat penurunan besarnya signal ( signal

decay) ke nilai nol. Hal ini berarti terdapat adanya signal yang

hilang (loss of signal ). Waktu yang diperlukan proton-proton

dari keadaan magnetisasi transversal berkurang hingga sekitar

37 % saja dan ini merupakan nilai T2 yang sebenarnya.

Kehilangan signal yang diakibatkan oleh medan magnetik

lokal yang tidak homogen tersebut, menutupi nilai T2 yangsebenarnya. Nilai T2 yang diakibatkan oleh adanya medan

magnetik yang tidak homogen diberi simbol T2*. Medan

magnetik lokal yang tidak homogen mengakibatkan terjadinya

gerakan presesi proton-proton yang tidak seragam (acak)

sehingga menyebabkan terjadinya saling interaksi diantara

mereka dengan demikian tidak ada signal yang terdeteksisehingga seolah olah ada kehilangan signal (loss of signal ).

Hadirnya T2* mempercepat signal menuju ke nol, oleh karena

itu prosedur pemeriksaan MRI salah satunya adalah

mengurangi atau menghilangkan efek T2*, sehingga diperileh

nilai T2 yang sebenarnya. Jika nilai T2 besar maka signal yang

dihasilkan juga besar. Jadi proses dephasing diakibatkan olehhasil interaksi spin-spin yang sebenarnya dan interaksi spin-

spin akibat medan magnet yang tidak homogen ( T2*).

Dari fase relaksasi T1 dan T2 terbentuk kontras citra yang

berbeda, dimana fase T1 menghasilkan citra MR T1-weighted

dan fase relaksasi T2 menghasilkan citra MR T2-weighted .

(a) (b)

Gambar 7. Citra Magnetic Resonance; (a) T1-weighted, (b)

T2-weighted[13].


6/12

III. PEMBAHASAN

Algoritma segmentasi citra medis khususnya citra Magnetic

Resonance (MR) telah banyak berkembang dan beragam

macamnya. Dalam paper ini akan dibahas hasil penelitian

terdahulu dari implementasi dan pengujian algoritma-algoritmasegmentasi dengan merujuk pada paper-paper penelitian dalam

lingkup yang terkait.

3.1 K-means clustering - Support Vector Machine

Penggabungan antara metode segmentasi K-means

clustering dengan Support Vector Machine (SVM), penelitian

dilakukan oleh [14], langkah-langkah segmentasi yang

dilakukan yakni pertama menggunakan algoritma K-means

clustering untuk mendapatkan hasil inisialisasi klasifikasi

sebagai label kelas, kemudian kedua atribut/ciri vektor dari

setiap pixel dari jaringan lunak otak dipilih sebagai contoh

pelatihan dan contoh pengetesan, dan langkah terakhir

segmentasi menggunakan algoritma SVM [14].

Pengujian dilakukan terhadap citra MR T1-w dengan

tingkat derau/noise yakni 5%, 7%, dan 9%. Hasil dari penelitian dari metode yang diajukan/diteliti dilakukan

komparasi dengan metode K-means clustering saja tanpa SVM .

Disimpulkan bahwa metode K-means clustering dengan SVM

memberikan hasil yang lebih baik dibandingkan dengan

menggunakan metode K-means saja.

Gambar 8. Hasil Perbandingan Metode yang Dipilih

dengan metode K-means Clustering[14].

(a) (b)

(c) (d)

Gambar 9. (a) Citra simulasi, (b) Citra referensi, (c)

Segmentasi K-means clustering, (d) Segmentasi metode yang

diajukan[14].

3.2 Hybrid Intellegent Algorithm Fuzzy Hopfield Neural Network

Fuzzy Hopfield Neural Network merupakan gabungan dari

metode Fuzzy C-means Clustering dengan metode Hopfield

Neural Network. Metode ini diajukan oleh [15] merupakan

metode yang memungkinkan untuk melakukan pembelajaransecara online dan implementasi paralel dalam segmentasi citra.

Penelitian yang mereka kerjakan tidak terfokus hanya pada

segmentasi citra namun juga pada deteksi kelainan otak.Langkah-langkah yang mereka lakukan dapat diurutkan

sebagai berikut,

1. Reduksi derau (noise) pada citra dengan menggunakan

metode "local entropy minimization with a bicubic spline" dan

" anisotropic diffusion filter ".

2. Deteksi kelainan (tumor) dengan metode analisis simetri

3. Segmentasi citra menggunakan metode Fuzzy Hopfield

Neural Network.

Data/citra eksperimen yang disediakan terdiri dari citra MR

T1-w dan T2-w dengan rincian,

1. Citra MR otak bertumor asli dari Pioneer Diagnostic

Center (PDC), Addis Ababa, Ethiopia

2. Citra MR otak sehat asli dari Internet BrainSegmentation Repository (IBSR).

3. Citra MR bertumor dalam bentuk simulasi.

Hasil segmentasi dari penelitian mereka disajikan sebagai

berikut.

a)

b)

c)

Gambar 10. Hasil Segmentasi Menggunakan Citra

Simulasi. Baris (a),(b),dan(c) ; kolom berurutan dari kiri ke

kanan : Citra T2-w, Citra T1-w, Citra segmentasi metode yang

diajukan, Citra segmentasi dasar, Citra ekstraksi dengan

metode yang diajukan, Citra ekstraksi dari segmentasi

dasar [15].


7/12

a)

b)

c)

d)

Gambar 11. Hasil dari segmentasi dan ekstraksi citra MR

otak bertumor asli. Dari kiri ke kanan, tiga kolom pertama ;

Citra dari pasien A. (a) Citra T2-w, (b) Citra T1-w, (c) Citra

segmentasi metode yang diajukan, (d) Ekstraksi dari citra yang

tersegmen; tiga kolom terkahir merepresentasikan citra MR

pasien B[15].

Hasil quantitatif dari metode segmentasi yang diajukan

diperbandingkan dengan segmentasi dasar, divalidasi dengan

metode umum validasi metrik yakni Jaccard Similarity Index

(JSI), Dice Similarity Score(DSS), Sensitivity dan Specificity.

Gambar 12. Hasil Validasi Segmentasi Dasar dengan

Segmentasi yang diajukan[15].

3.3 SOM-clustering (Self Organizing Maps)

SOM adalah teknik pengklusteran yang digunakan untuk

melakukan segmentasi secara tidak tertuntun (unsupervised ).Penelitian segmentasi dengan metode SOM telah dilakukan

oleh [16]. Sama seperti penelitian yang dilakukan oleh [15],

peneltian tidak hanya terfokus pada segmentasi namun juga

reduksi derau dan klasifikasi. Fase-fase yang dilakukan dapat

diurukan sbb.

1. Konstruksi histogram

2. Ekstraksi fitur-fitur

3. Clustering

4. Segmentasi

5. Ekstraksi fitur tekstur menggunakan GLCM (Gray Level

Co- occurrence Matrix)

6. Pemilihan fitur menggunakan PCA (Principal

Component Analysis)

7. Klasifikasi menggunakan PSVM (Proximal Support

Vector Machines)

Fase clustering dan segmentasi yang akan disinggung

dalam paper ini.

Gambar 13. Proses Segmentasi[16].

Dari penelitian yang dilakukan tidak disajikan penilaian

dari metode segmentasi yang diajukan, namun hasil yangdisajikan lebih bersipat umum untuk seluruh proses. Dataset

yang diolah hanya terdiri dari citra T1-w, sumber data berasal

dari Internet Brain Segmentation Repository (IBSR) dari

Massachusetts General Hospital.

Gambar 14. Hasil perbandingan metode yang diajukan

dengan metode lainnya[16].

3.4 Threshold - Neural Network

Penelitian dengan algoritma ini telah dilakukan oleh[17],

namun dalam penelitian mereka algoritma neural network

digunakan untuk proses klasifikasi nantinya, jadi untuk proses

segmentasi hanya menggunakan algoritma thresholding . Salah

satu teknik thresholding adalah mempartisi histogram dengan

menggunakan sebuah threshold global T. Segmentasi

dilakukan dengan memeriksa piksel demi piksel dari citra dan

memberikan label pada setiap piksel sebagai objek atau sebagaibackground , tergantung pada tingkat keabuan dari piksel

tersebut, apakah lebih besar atau lebih kecil dari T [18].Teknik threshold tersebut diajukan dalam penelitian[18].

Dataset yang diolah dalam penelitian [17] adalah citra T1-w

sedangkan dalam penelitian [18] tidak disebutkan informasi

mengenai dataset yang dipakai.

Hasil segmentasi dari metode Threshold disajikan berikut,


8/12

(a) (b) (c)

(d) (e)

Gambar 15. Segmentasi menggunakan algoritma

threshold; (a) Gambar asli, (b) Penghapusan tengkorak, (c)

Segmentasi WM, (d) Segmentasi GM, (e) Segmentasi CSF [17].

3.5 Sobel Operator and Maximum Entropy Algorithm

Gabungan dari metode Sobel Operator dan Maximum

Entropy. Penelitian mengenai metode ini telah dilakukan oleh

[4], tujuan dari penelitian mereka seperti yang disinggung

dalam abstraksi paper mereka yakni berfokus pada masalah

akurasi dalam segmentasi sobel, dimana metode segmentasi

sobel tradisional mudah menyebabkan ketidakjelasan pada

citra, kontras citra tidak tampak, dan akurasi segementasi

sangat rendah [4]. Langkah-langkah segmentasi yang

dilakukan yakni, pertama citra diolah oleh algoritma Sobel

edge detection untuk menemukan garis yang benar yang

melalui threshold kemudian setelah itu langkah kedua

menerapkan nilai yang didapat dari algoritma sobel sebagaimasukkan untuk algoritma segmentasi 2-d maximum entropy.

Contoh penerapan segmentasi, hasil dan perbandingannya

disajikan dalam gambar 15 dan 16.

(a) Citra asli (b) Segmentasi Wavelet

(c) Segmentasi Sobel (d) Segmentasi Maximum Entropy

(e) Segmentasi Canny (f) Segmentasi metode yang dajukan

Gambar 16. Perbandingan metode segmentasi yangdiajukan dengan metode segmentasi lainnya[4].

Gambar 17. Perbandingan Secara Kuantitatif [4].

Keterangan gambar 13 :

1. Untuk nilai PNSR/dB >= 38 dB, maka mata manusia

tidak akan bisa membedakan diantara dua gambar. Semakin

besar nilainya maka semakin tinggi qualitas citra.

2. Time, merupakan konsumsi waktu

3. NC (Normalized related Coefficient) digunakan untuk

mengevaluasi algoritma segmentasi citra.

3.6 Semi-MriMOO - AMOSA

Merupakan teknik segmentasi semi tertuntun ( semi-

supervised ). Penelitian atas algoritma ini diajukan oleh [19],

teknik yang diajukan ini menggunakan nilai intensitas dari

pixel dari citra sebagai fitur. Ditambah juga teknik ini

mengasumsikan bahwa informasi aktual kelas label dari 10%

nilai dari fakta-fakta data set citra diketahui.

Dataset citra yang dipakai dalam penelitian tersebut

menggunakan citra simulasi normal dari otak T1-w, T2-w, dan

Proton Density. Kemampuan dari teknik yang diajukan

diperbandingkan dengan beberapa metode segmentasi terkenalyakni Fuzzy C-means, Expectation Maximization (EM),

Multiobjective based MCMOClust, dan Fuzzy-VGAPS

Clustering.

Gambar 18. Perbandingan Kemampuan[19].

Keterangan :

AC berarti Aktual

MS Minkowski Indeks


9/12

(a) (b) (c)

(d) (e)

Gambar 19. Citra normal MR Otak (T1-w) ; (a) z,. (b) z2,

(c) z5, (d) z10, (e) z36 [19].

(a) (b) (c)

(d) (e)

Gambar 20. Segmentasi Citra oleh algoritma yang

diajukan Semi-MriMOO ; (a) z1, (b) z2, (c) z5, (d) z10, (e) z36

[19].

3.7 Modified Spatial Fuzzy C-Means

Algoritma Modified SFCM ini diajukan dalam penelitian

[20]. Penelitian mereka berfokus pada segmentasi jaringan

lunak normal yakni White Matter (WM), Gray Matter (GM),

dan Cerebrospinal Fluid (CSF). Sebelum melakukan

segmentasi dilakukan dahulu reduksi derau (noise) dengan

metode wrapping based curvelet transform, kemudian citra

keluaran dari metode de-noise tersebut menjadi masukkan

untuk proses segmentasi dengan memanfaatkan algortima Modified Spatial Fuzzy C-Means. Metode segmentasi M-

SFCM ini melakukan segmentasi pada jaringan lunak normal

dengan mempertimbangkan/menyertakan informasi spasial,

pixel tetangga memiliki keterikatan/keterhubungan yang tinggi.

Dataset citra yang digunakan citra MR T1-w dengan tingkat

derau Rician sebesar 1 %, 3%, 5%, 7%, 9% dan tingkat artifak

INU (Intensity Non-Uniformity) sebesar 20%, 40%.

(a)

(b)

(c)

Gambar 21. Perbandingan Citra dari kiri ke kanan, Citra

Normal dengan derau 1% dan INU 20%, Citra segmentasi

SFCM, Citra segmentasi M-SFCM ; (a) White Matter, (b) Gray

Matter, (c) Cerebrospinal Fluid [20].

Gambar 22. Perbandingan kuantitatif segmentasi citra

dengan derau 1% dan INU 20%[20].

Gambar 23. Perbandingan kuantitatif segmentasi citra

dengan derau 9% dan INU 40%[20].

Penelitian yang serupa, algoritmanya sama namun dengan

nama yang berbeda yakni Optimized Fuzzy Logic oleh [21],

konsepnya hampir sama yakni menggunakan algoritma Fuzzy

C-means dengan memanfaatkan informasi spasial. Dikatakan

bahwa dalam penelitiannya digunakan algoritma Fuzzy C-

Means yang menggabungkan informasi spasial ke dalam fungsi

keanggotaan untuk pengklusteran. Manfaat dari teknik ini

yakni lebih kurang sensitif terhadap derau dibandingkan

dengan algoritma lainnya[21]. Dataset citra yang digunakan


10/12

yakni citra normal T2-w dengan ukuran 256x256 dan citra

tumor glioma T2-w dengan ukuran yang sama.

(a) (b)

Gambar 24. Perbandingan Citra Asli normal dengan

Segmentasi; (a) Citra asli, (b) Citra segmentasi[21].

(a) (b)

Gambar 24. Perbandingan citra asli tumor glioma dengan

Segmentasi; (a) Citra asli, (b) Citra segmentasi[21].

3.8 Konventional K-means, ExpectationMaximization(EM), Spatial Fuzzy C-means.

Penelitian terhadap ketiga algoritma segmentasi citra diatas

dilakukan oleh [22]. Mereka melakukan studi komparasi

terhadap ketiga algoritma tersebut, proses pengujian dilakukan

dengan menggunakan dataset 5 citra berupa citra MR T1-w dengan ukuran 165x175 pixel .

Gambar 25. Hasil perbandingan ketiga algoritma[22].

Performansi dari ketiga algoritma dievaluasi denganmenggunakan kriteria evaluasi segmentasi objektif berdasarkan

Jaccard Index (JC), Volumetric SImilarity (VC), Global

Consistency Error (GCE), Variation Of Index (VOI), dan

Probability Random Index (PRI). Kesimpulan dari penelitian

mereka, menyatakan bahwa Spatial Fuzzy C-Means memiliki

akurasi yang bagus dalam semua kasus pengujian dan lebih

cepat daripada metode K-Means dan Maximization.

III KESIMPULAN

Dalam bidang analisis citra medis telah berkembang pesat

metode, algoritma, skema, serta teknik yang mengarahkankepada keberhasilan proses analisis. Nilai ukur keberhasilan

suatu metode maupun algoritma atau skema juga teknik dapat

dilihat dari seberapa akurat hasil yang didapat, seberapa kuat

nilai kebenarannya, kemudahan dalam implementasi,

kecepatan proses, dan harga. Dalam paper ini tersaji metode

analisis citra pada tahap preprocessing yang telah dilakukanoleh peneliti-peneliti. Semua metode yang disinggung memiliki

tingkat keberhasilan yang bagus.

IV REFERENSI

[1] M. Y. Choong, W. Y. Kow, Y. K. Chin, L. Angeline,

and K. T. K. Teo, “Image segmentation via

normalised cuts and clustering algorithm,” Proc. -

2012 IEEE Int. Conf. Control Syst. Comput. Eng.

ICCSCE 2012, pp. 430 – 435, 2013.

[2] I. Soesanti, A. Susanto, T. Widodo, and M.

Tjokronagoro, “Ekstraksi Ciri dan Identifikasi Citra

Otak MRI Berbasis Eigenbrain Image,” Forum Tek.,vol. 34, no. 1, pp. 47 – 52, 2011.

[3] H. B. Nandpuru, S. S. Salankar, and V. R. Bora, “MRIBrain Cancer Classification Using Support Vector

Machine,” Electr. Electron. Comput. Sci. (SCEECS),

2014 IEEE Students’ Conf. IEEE., pp. 1 – 6, 2014.

[4] H. Zhang, Q. Zhu, and X. F. Guan, “Probe into image

segmentation based on sobel operator and maximum

entropy algorithm,” Proc. - 2012 Int. Conf. Comput.

Sci. Serv. Syst. CSSS 2012, pp. 238 – 241, 2012.

[5] M. S. H. Al-Tamimi and G. Sulong, “Tumor brain

detection through MR images: A review of literature,” J. Theor. Appl. Inf. Technol., vol. 62, no. 2, pp. 387 –

403, 2014.

[6] K. Machhale et al., “MRI Brain Cancer Classification

Using Hybrid Classifier ( SVM- KNN ),” Int. Conf.

Ind. Instrum. Control , pp. 60 – 65, 2015.

[7] I. Hestiningsih, “Pengolahan Citra,” Bandung, 2013.

[8] P. A. Cahyan, M. Aswin, and A. Mustofa,

“Segmentasi Citra Digital dengan Menggunakan


11/12

Algoritma Watershed dan Lowpass Filter Sebagai

Proses Awal,” pp. 1 – 6, 2013.

[9] A. Z. Arifin and A. Asano, “Image segmentation by

histogram thresholding using hierarchical cluster

analysis,” Pattern Recognit. Lett., vol. 27, no. 13, pp.

1515 – 1521, 2006.

[10] C. Noback, N. Strominger, R. Demarest, and D.Ruggiero, The Human Nervous System Structure and

Function, 6th ed. Totowa, New Jersey: Human Press

Inc, 2005.

[11] R. Balakrishnan and S. G, “Brain Tumor Diagnosis

From MRI Feature Analysis – A Comparative Study,”

IEEE Spons. 2nd Int. Conf. Innov. Inf. Embed.

Commun. Syst. ICIIECS ’ 15, pp. 1 – 4, 2015.

[12] H. Tjahjadi, “Magnetic Resonance Imaging,” pp. 1 – 7,

2012.

[13] M. R. Zaky, R. M. Shaat, S. R. El-Bassiony, A. A.

Abdel Razek, and S. M. Farag, “Magnetic resonance

imaging (MRI) brain abnormalities of

neuropsychiatric systemic lupus erythematosus

patients in Mansoura city: Relation to disease

activity,” Egypt. Rheumatol., Nov. 2015.

[14] J. Liu and L. Guo, “A New Brain MRI Image

Segmentation Strategy Based on K-means Clustering

and SVM,” 2015 7th Int. Conf. Intell. Human-

Machine Syst. Cybern. A, pp. 270 – 273, 2015.

[15] Y. Megersa and G. Alemu, “Brain Tumor Detection

and Segmentation Using Hybrid Intelligent

Algorithms,” IEEE , pp. 1 – 8, 2015.

[16] K. B. Vaishnavee and K. Amshakala, “An AutomatedMRI Brain Image Segmentation and Tumor Detection

using SOM-Clustering and Proximal Support Vector

Machine Classifier,” IEEE Int. Conf. Eng. Technol.

2015, pp. 1 – 6, 2015.

[17] K. J. Shanthi, M. S. Kumar, and C. Kesavadas,“ Neural Network Model for Automatic Segmentation

of Brain MRI,” IEEE , pp. 1125 – 1128, 2008.

[18] H. S. Abdulbaqi, A. F. Omar, I. Shahrim Bin Mustafa,

M. Z. M. Jafri, and L. K. Abood, “Detecting Brain

Tumor in Magnetic Resonance Images Using Hidden

Markov Random Fields and Threshold Techniques,” IEEE , pp. 1 – 5, 2014.

[19] A. K. Alok, S. Saha, and A. Ekbal, “MR Brain Image

Segmentation Using Muti-objective Semi-supervised

Clustering,” IEEE , pp. 0 – 4, 2015.

[20] D. Selvathi and R. Dhivya, “Segmentation of tissues

in MR images using Modified Spatial Fuzzy C Means

algorithm,” Signal Process. Image Process. Pattern

Recognit. (ICSIPR), 2013 Int. Conf., pp. 136 – 140,

2013.

[21] I. Soesanti, A. Susanto, T. S. Widodo, and M.

Tjokronagoro, “Optimized Fuzzy Logic Based

Segmentation for Abnormal MRI Brain Images

Analysis,” Int. J. Comput. Sci. Issues, vol. 8, no. 5, pp.

207 – 213, 2011.

[22] R. Reddy, E. V Prasad, and L. S. S. Reddy,“Comparative Analysis of Brain Tumor Detection

using Different Segmentation Techniques,” Int. J.

Comput. Appl., vol. 82, pp. 14 – 28, 2013.


12/12

Documents

Review Paper - Seminar 1 Cepi Ramdani 10144