TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT)

Transkripsi

1 TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT) Oleh : Dwi puspitasari Dosen Pembimbing : Prof. Ir. Handayani Tjandrasa, M.Sc, Ph.D

2 Latar Belakang Analisis kepala janin pada pencitraan USG sangat dibutuhkan oleh tenaga medis Diameter biparietal (BPD) dan lingkar kepala (HC) adalah dua pengukuran penting untuk : mengevaluasi pertumbuhan janin memperkirakan usia kehamilan memprediksi berat dan kematangan janin, mendiagnosa berbagai masalah obstetri. Perlu pengukuran BPD dan HC secara otomatis eteksi bentuk elips yang diasumsikan sebagai kepala janin

3 Latar Belakang Penelitian deteksi kepala janin Sebelumnya: Menggunakan metode IRHT dengan praproses berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means [1]. Hasil: Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi Penelitian ini : menggunakan metode IRHT [1] dengan praproses berupa klasterisasi menggunakan Fuzzy C- Means (FCM) dengan informasi spasial[3], serta penghalusan dengan metode thinning. Hipotesa: Dengan klasterisasi menggunakan FCM dengan informasi spasial, diharapkan dapat meningkatkan kualitas hasil segmentasi sehingga dapat meningkatkan akurasi deteksi kepala janin

4 Perumusan Masalah Bagaimana meningkatkan hasil segmentasi sehingga mampu meningkatkan akurasi deteksi kepala janin pada gambar USG. Bagaimana membangun sistem yang dapat Bagaimana membangun sistem yang dapat mendeteksi kepala janin serta menghasilkan ukuran BPD dan HC secara otomatis

5 Batasan Masalah Data yang digunakan dalam uji coba penelitian merupakan data gambar USG kepala janin yang berumur antara minggu. Implementasi menggunakan perangkat lunak Implementasi menggunakan perangkat lunak Matlab 7.1.

6 Tujuan & Manfaat Tujuan Membangun sistem deteksi kepala janin pada gambar USG menggunakan Fuzzy C-Means(FCM) dengan informasi spasial dan Iterative Randomized Hough Transform(IRHT) Manfaat Menghasilkan suatu sistem deteksi kepala janin pada gambar USG dengan pengukuran BPD dan HC secara otomatis sebagai alat bantu tenaga ahli dibidang kedokteran.

7 K-means VS FCM Persamaan : metode klastering partitioningdengan penentuan awal jumlah klaster Perbedaan : K-means data terklaster secara tegas FCM data terklaster pada semua klaster dengan derajat keanggotaan berbeda (a) Keanggotaan pada metode K-means (a) Keanggotaan pada metode FCM

8 Algortima K-means 1. Inisialisasi K titik sebagai titik2 pusat (centroids) awal dari grup 2. Masukkan tiap objek dalam grup yang mempunyai titik pusat terdekat 3. Setelah selesai untuk semua objek, hitung kembali posisi K titik2 pusat yang baru 4. Ulangi langkah 2 dan 3 sampai titik2 pusat tidak berubah Pada penelitian ini klasifikasi menggunakan metode K-means dibangun menggunakan fungsi kmeans yang disediakan oleh perangkat lunak Matlab

9 Algoritma FCM 1. Inisialisasi matriks U=[u ij ], U (0) 2. Pada langkah ke-k, hitung vektor pusatc (k) =[c j ] denganu (k) 3. UpdateU (k), U (k+1) 4. Bila U (k+1) -U (k) < berhenti, kalau tidak kembali ke langkah 2.

10 Informasi Spasial Merupakan korelasi ketetanggaan yang digunakan untuk meningkatkan hasil segmentasi Klasterisasi piksel bukan hanya berdasarkan nilai keabuan, tetapi juga nilai keabuan dan jarak piksel ketetanggaan local image feature Penentuan keanggotaan klaster bukan hanya berdasarkan nilai keanggotaan piksel tetapi juga nilai keanggotaan piksel ketetanggaan

11 Iterative Randomized Hough Transform (IRHT) Hough Transform (HT) Rosenfeld, 1962 [4] Randomized Hough Transform (RHT) Xu Oja, 1989 [5] Iterative Randomized Hough Transform (IRHT) Wei Lu, 2008 [1] Y Y Y (x,y) y=kx+b (x,y) y=kx+b (x,y) y=kx+b Y (x,y) y=kx+b x x x x b b b b (k,b) (k,b) (k,b) k k k k

12 Elips Persamaan elips Fungsi elips [1]: ac -b 2 > 0

13 Diagram Sistem Citra USG kepala janin Penskalaan Citra USG kepala janin dengan skala yang sama Menghitung local image featureberdasarkan jarak dan nilai keabuan ketetanggaan Pembobotan piksel Klasterisasi menggunakan FCM dengan informasi spasial Klasterisasi menggunakan K-means Pembentukan citra obyek Segmentasi Citra obyek Thinning Penghalusan Citra hasil thinning Deteksi IRHT Elips hasil deteksi Parameter elips Kaliberai piksel ke mili meter BPD dan HC

14 Penskalaan Dilakukan untuk : Menyamakan skala citra USG Mendapatkan perbandingan piksel dalam mili meter Skala : 10 mili meter : 16 piksel

15 Perhitungan Local Image Feature Local image feture (Fij) dihitung berdasarkan pada : jarak ketetanggaan ( ) dan keabuan ketetanggaan (F ijg ) Gambar asli i j i i i j ketetanggaan dengan ukuran window (3x3) λ S = faktor skala,λ G =faktor global

16 Pembobotan Piksel Mengganti nilai piksel gambar asli dengan nilai yang dipengaruhi ketetanggaan wi F1, 1 Fi,j Gambar asli i= Window 3x3 j= Wi w1 w2 w12

17 Klasterisasi FCM 1. Inisialisasi segmentasi dengan FCM basic 2. Mendapatkan inisialisasi keanggotaan piksel (μk) dan pusat klaster (vk) 3. Menghitung keanggotaan (μ k) dan pusat klaster baru (vk) Sudah konvergen? 4. Mendapatkan keanggotaan piksel dan pusat klaster

18 Pembentukan citra obyek Proses untuk memilih piksel-piksel hasil klasterisasi yang menjadi obyek Yaitu piksel yang menjadi anggota klaster dengan pusat klaster tertinggi. Dikarenakan obyek berupa kepala janin pada citra USG memiliki nilai keabuan tertinggi (warna cerah) [1] Selanjutnya dibentuk citra monokrom dengan piksel pembentuk obyek bernilai 1 dan piksel lai bernilai 0.

19 Thinning Digunakan untuk mencari bentuk dasar/ rangka/ skeleton dari gambar obyek hasil klasterisasi Gambar Asli Gambar hasil klasterisasi Gambar hasil thinning Pada penelitian ini digunakan fungsi thinningyang disediakan oleh softwarematlab yaitu menggunakan fungsi bwmorph

20 1.Inisialisasi ROI sebesar ukuran gambar, maxepoch dan maxiterasi IRHT 2.Mengambil semua piksel obyek dalam ROI dan menyimpannya di daftar piksel. Membersihkan accumulator, dan bestellipse. Inkremen epoch 3.Memilih secara acak 4 piksel dalam daftar piksel. Inkremen I. 4.Menemukan parameter elips dengan persamaan (1), (2), (3), (4), (5), (6) Tidak Apakah merupakan elips? Ya 5.Tambahkan ke accumulator Tidak Tidak Apakah iterasi = maxiterasi? Ya 6.Mendeteksi bestellipse berdasarkan parameter di accumulator yang memiliki skor terbanyak. Update ROI selanjutnya berdasarkan bestellpse Tidak Apakah epoch = maxepoch? Ya 7.Verifikasi elips yang ditemukan

21 Antarmuka preproses Antarmuka sub aplikasi preproses

22 Antarmuka deteksi Antarmuka sub aplikasi deteksi elip

23 Uji Coba Lingkungan uji coba : Perangkat Perangkat Keras Spesifikasi Prosesor : Intel (R) Core (TM) 2 Duo CPU Memori : 2,00 GB Perangkat Sistem Operasi : Windows Vista Home Basic 32-bit Lunak Perangkat Pengembang : Matlab 7.1, Photoshop CS 2 Skenario uji coba : 1. mengetahui pengaruh parameter ukuran window pada metode FCM dengan informasi spasial 2. membandingkan hasil output segmentasi citra USG kepala janin antara metode K-means dengan metode FCM berdasarkan informasi spasial 3. membandingkan akurasi deteksi elips dari hasil segmentasi menggunakan

24 Data uji coba 1. BPD51mm.jpg 2. BPD63mmjpg 3. BPD69mm.jpg 4. BPD72mm.jpg 5. BPD77mm.jpg 6. BPD82.jpg 7. BPD90,2mm.jpg 8. BPD90mm.jpg

25 Hasil Uji Coba Skenario 1 o. Citra Inputan Ukuran Window Jumlah Partisi Waktu Eksekusi (detik) 1. BPD51mm.jpg 3 x x BPD63mm.jpg 3 x x BPD69mm.jpg 3 x x BPD 72.mm.jpg 3 x x BPD77mm.jpg 3 x x BPD82mm.jpg 3 x x BPD90,2mm.jpg 3 x x BPD90mm.jpg 3 x x

26 Hasil Uji Coba Skenario 2 o. Citra Inputan Metode Jumlah Waktu Partisi Eksekusi (detik) 1. BPD51mm.jpg K-means FCM dengan informasi spasial BPD63mm.jpg K-means FCM dengan informasi spasial BPD69mm.jpg K-means FCM dengan informasi spasial BPD 72.mm.jpg K-means FCM dengan informasi spasial BPD77mm.jpg K-means FCM dengan informasi spasial BPD82mm.jpg K-means FCM dengan informasi spasial BPD90,2mm.jpg K-means FCM dengan informasi spasial BPD90mm.jpg K-means FCM dengan informasi spasial

27 Hasil uji coba skenario 3 Citra Uji BPD (mm) BPD Sistem Pada Uji Coba ke-(mm) Rata-Rata BPD Sistem (mm) Akurasi (%) Kmeans_BPD51mm.jpg ,75 77,50 55,00 125,00 107,50 100,00 57,50 52,50 97,50 37,50 82,88 20 Kmeans_BPD63mm.jpg 63 73,75 7,50 10,00 11,25 17,50 107,50 90,00 86,25 22,50 76,25 50,25 0 Kmeans_BPD69mm.jpg 69 68,75 67,50 70,00 71,25 71,25 13,75 63,75 32,50 6,25 13,75 47,88 60 Kmeans_BPD72mm.jpg 72 76,25 68,75 72,50 76,25 75,00 80,00 73,75 83,75 77,50 87,50 77,13 60 Kmeans_BPD77mm.jpg 77 57,50 82,00 101,25 53,75 86,25 75,00 41,25 106,25 98,75 66,25 76,83 20 Kmeans_BPD82mm.jpg 82 25,00 8,75 11,25 105,00 38,75 13,75 90,00 36,25 80,00 16,25 42,50 10 Kmeans_BPD90,2mm.jpg 90,2 73,75 81,25 58,75 77,50 88,75 47,50 107,50 97,50 100,00 97,50 83,00 10 Kmeans_BPD90mm.jpg 90 50,00 27,50 81,25 40,00 38,75 108,75 40,00 56,25 17,50 22,50 48,25 0 FCM_BPD51mm.jpg 51 51,25 51,25 51,25 52,50 51,25 51,25 48,75 53,75 47,50 46,25 50, FCM_BPD63mm.jpg 63 66,25 62,50 63,75 62,50 63,75 66,25 68,75 63,75 63,75 62,50 64,38 90 FCM_BPD69mm.jpg 69 68,75 71,25 68,75 77,50 70,00 72,50 71,25 70,00 70,00 68,75 70,88 90 FCM_BPD72mm.jpg 72 81,25 77,50 76,25 77,50 76,25 77,50 83,75 73,75 75,00 78,75 77,75 70 FCM_BPD77mm.jpg 77 86,25 85,00 80,00 93,75 90,00 82,50 90,00 75,00 92,50 73,00 91,13 30 FCM_BPD82mm.jpg 82 20,00 30,00 18,75 27,50 80,00 78,00 25,00 37,50 30,00 81,25 42,80 30 FCM_BPD90,2mm.jpg 90,2 93,75 100,00 98,75 105,00 102,50 92,50 90,00 101,25 106, ,00 30 FCM_BPD90mm.jpg 90 18,75 94,00 100,00 101,25 17,50 113,75 111,25 86,00 88,00 110,00 84,05 30

28 Hasil Uji Coba Skenario 3 o. Citra Inputan Kebenaran Deteksi (%) Rata-Rata Waktu Eksekusi (detik) 1. Kmeans_BPD51mm.jpg Kmeans_BPD63mm.jpg Kmeans_BPD69mm.jpg Kmeans_BPD 72.mm.jpg Kmeans_BPD77mm.jpg Kmeans_BPD82mm.jpg Kmeans_BPD90,2mm.jpg Kmeans_BPD90mm.jpg FCM_BPD51mm.jpg FCM_BPD63mm.jpg FCM_BPD69mm.jpg FCM_BPD 72.mm.jpg FCM_BPD77mm.jpg FCM_BPD82mm.jpg FCM_BPD90,2mm.jpg FCM_BPD90mm.jpg

29 Kesimpulan Hasil segmentasi pada gambar USG kepala janin menggunakan metode FCM dengan informasi spasial lebih baik dibandingkan dengan menggunakan metode K-means. Dengan menggunakan metode FCM berdasarkan informasi spasial dan IRHT, mampu meningkatkan keberhasilan deteksi kepala janin dibandingkan dengan menggunakan metode K-means dan IRHT. Dengan kata lain meningkatnya hasil segmentasi dapat meningkatkan akurasi deteksi. Dengan deteksi elips yang diasumsikan sebagai kepala janin menggunakan metode FCM berdasarkan informasi spasial dan IRHT, dapat menghasilkan BPD dan HC kepala janin secara otomatis

30 Saran Pada penelitian ini waktu eksekusi proses segmentasi relatif lama, dengan demikian permasalahan untuk mempercepat waktu eksekusi dapat digunakan sebahai bahan penelitian lebih lanjut

31 Daftar Pustaka 1. Lu, W., Jinglu Tan, (2008), Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT), Journal of Pattern Recognition 41 pp Elsivier Science Ltd 2. Xu, L., Oja, E., (1990), A new curve detection method : Randomized Hough Transform (RHT), Journal of Pattern Recognition Letter North-Holland Elsivier Science Ltd 3. Wang, X-Y., J.Bu., (2010), A fast and robust image segmentation using FCM with spatial information, Journal of Digital Signal Processing Elsivier Science Ltd 4. Xu, L., Oja, E., (2009), Randomized Hough Transform, Encyclopedia of Artificial Intelligence, IGI Global publishing company 5. J. C. Bezdek,(1981), "Pattern Recognition with Fuzzy Objective Function Algoritms", Plenum Press, New York 6. J. B. MacQueen, (1967), "Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1: Gonzalez. R.C, (2007), Digital Image Processing Chapter 10 Image Representation and Description, Prentice Hall 8. Leavers, V.F., (1992), The Dynamic Generalized Hough Transform: Its Relationship to the Probabilistic Hough Transforms and an Application to the Concurrent Detection of Circles and Ellipses, CVGIP:Image Understanding

32

33 Citra hasil uji coba skenario 1 Gambar asli FCM dg window 3x3 FCM dg window 5x5

34 Citra hasil uji coba skenario 2 Gambar asli K-means FCM dg window 5x5