APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA

Transkripsi

1 APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira Dr. Karmilasari

2 Kanker Latar Belakang

3 Kanker Payudara Latar Belakang

4 Data Statistik Latar Belakang

5 Latar Belakang Mammogram pemeriksaan payudara dengan sinar-x untuk mendeteksi perubahan yang terjadi pada payudara. Pada citra mammogram terkadang terdapat kumpulan mikrokalsifikasi yang dapat menjadi indikator terdapatnya kanker payudara. Mikrokalsifikasi pada citra mammogram sulit untuk dideteksi karena jaringan pada payudara, variasi pada bentuk, orientasi, kecerahan dan ukuran gambar

6 Tujuan Penulisan membuat aplikasi deteksi mikrokalsifikasi dan klasifikasi citra mammogram berbasis tekstur berfungsi untuk membantu dokter dalam mendiagnosis kanker payudara pada citra mammogram. 1. Memperbaiki kualitas citra mammogram dengan mendeteksi garis kulit. 2. Melakukan segmentasi dengan metode Otsu Thresholding. 3. Melakukan deteksi tepi pada area yang diduga terdapat mikrokalsifikasi dengan menggunakan metode Canny dan mempertebal garis tepi dengan metode Morfologi Citra operasi Dilasi. 4. Memperoleh nilai ekstraksi fitur berbasis tekstur menggunakan metode Gray Lavel Co-occurrence Matrix (GLCM). 5. Melakukan klasifikasi pada citra mammogram menggunakan metode SVM dengan kernel RBF. Menggunakan nilai homogenitas dan korelasi.

7 Metode Penelitian

8 Deteksi Garis Kulit 1: Masukan citra asli, Nilai pixel I(Xi,Yi) = Pi 2: Inisialisasi BW1(Xi,Yi) = BP1i sebagai nilai pixel citra biner dengan batas angka 3 2.1: Jika Pi 3 maka BP1i = 1 2.2: Jika Pi < 3 maka BP1i = 0 3: Inisialisasi BW2(Xi,Yi) = BP2i sebagai nilai pixel citra biner dengan batas angka : Jika Pi 12 maka BP2i = 1 3.2: Jika Pi <12 maka BP2i = 0 4: Garis Kulit = BW1 - BW2

9 Deteksi Garis Kulit

10 1: Dimulai dengan baris1. Algoritma tes LMLO: 2: Scan dari kolom1 paling kiri ke arah kanan. 2.1: Jika piksel berwarna hitam maka ubah dengan warna putih dan pindah ke piksel selanjutnya dan ulangi langkah : Selain itu lanjutkan ke langkah 3. 3: Pindah ke piksel selanjutnya. 3.1: Jika berwarna putih maka ulangi langkah : Selain itu lanjutkan ke langkah 4. 4: Ubah piksel dengan warna hitam dan pindah ke piksel selanjutnya 4.1: Jika telah melebihi kolom terahir lanjutkan ke langkah 5 4.2: Selain itu ulangi langkah 4. 5: Ulangi langkah 2-4 untuk baris selanjutnya kecuali telah melebihi semua baris.

11 Algoritma tes LMLO:

12 1: Dimulai dengan baris1. Algoritma tes RMLO: 2: Scan dari kolom1 paling kanan ke arah kiri. 2.1: Jika piksel berwarna hitam maka ubah dengan warna putih dan pindah ke piksel selanjutnya dan ulangi langkah : Selain itu lanjutkan ke langkah 3. 3: Pindah ke piksel selanjutnya. 3.1: Jika berwarna putih maka ulangi langkah : Selain itu lanjutkan ke langkah 4. 4: Ubah piksel menjadi warna hitam dan lanjutkan ke piksel selanjutnya. 4.1: Jika telah melebihi kolom terahir maka lanjutkan ke langkah : Selain itu ulangi langkah 4. 5: Ulangi langkah 2-4 untuk baris selanjutnya kecuali telah melebihi baris terahir.

13 Algoritma tes RMLO:

14 Memilih LMLO atau RMLO 1: Cari rata-rata RMLO 2: Cari rata-rata LMLO 2.1: Jika rata-rata RMLO > rata-rata LMLO maka citra mammogram adalah RMLO 2.1: Selain itu citra mammogram adalah LMLO

15 Memilih LMLO atau RMLO

16 Algoritma Otsu Thresholding 1: Hitung histogram ternormalisasi dari citra. 2: Hitung jumlah kumulatif (cumulative sum). 3: Hitung rerata kumulatif (cumulative mean). 4: Hitung rerata intensitas global. 5: Hitung varians antar kelas. 6: Pilih nilai threshold k * yang merupakan indeks dimana nilai varians antar kelas maksimum. Jika terdapat lebih dari satu nilai k * maka reratakan untuk mendapatkan nilai threshold. 7: Hitunglah separability measurement

17

18 Algoritma deteksi tepi Canny 1: Menghaluskan citra menggunakan filter Gaussian dengan standar deviasi yang ditentukan, σ, untuk mengurangi noise. 2: Cari Gradien lokal dan arah tepi dihitung pada setiap titik.titik tepi didefinisikan sebagai titik dimana kekuatan secara lokasi maksimum dalam arah gradien. 3: Titik-titik tepi ditentukan pada langkah 2 memberikan kemunculan terhadap pertemuan dua permukaan yang melereng (ridge) dalam jarak gradien citra, algoritma kemudian melacak sepanjang puncak ridge dan memberi nilai nol semua piksel yang sebenarnya tidak berada di atas puncak ridge sehingga memberikan sebuah garis tipis dalam keluarannya. Proses ini disebut sebagai nonmaximal suppression. 4: Piksel ridge kemudian di-threshold menggunakan dua threshold, T1 T2, dengan T1 < T2. Piksel ridge dengan nilai diantara T1, T2 disebut piksel tepi lemah. 5: Melakukan linking tepi dengan menemani piksel lemah yang 8-connected menjadi piksel kuat.

19 Algoritma deteksi tepi Canny

20 Algoritma Dilasi 1: Inisialisasi S sebegai mask [1 1 1; 1 1 1; 1 1 1] 2: Inisialisasi A adalah piksel garis 3: Letakkan titik poros S pada titik A. 4: Beri angka 1 untuk semua titik (x,y) yang terkena / tertimpa oleh struktur S pada posisi tersebut.

21

22 Algoritma GLCM 1: Buat area kerja matriks. 2: Tentukan hubungan spasial antara piksel referensi dengan piksel tetangga, berapa nilai sudut θ dan jarak d. 3: Hitung jumlah kookurensi dan mengisikannya pada area kerja. 4: Jumlahkan matriks kookurensi dengan transposenya untuk menjadikannya simetris. 5: Normalisasi matriks untuk mengubahnya ke bentuk probabilitas. Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri statistik orde dua yang merepresentasikan citra yang diamati, diantaranya homogenitas, energi, korelasi dan kontras.

23 Algoritma GLCM Nama Citra Homogenitas Kontras Korelasi Energi mdb125.pgm

24 Algoritma SVM 1: Data diproyeksikan ke ruang vektor baru disebut feature space, berdimensi lebih tinggi sehingga data dapat terpisah secara linier. 2: SVM mencari hyperplane optimal di ruang baru melibatkan dot product dari data yang sudah diproyeksikan ke ruang baru. 3: Menghitung nilai dot product dua buah data di ruang baru itu, secara implisit. Dot product dua titik di ruang baru bisa dihitung dengan fungsi kernel dan akan diubah ke dimensi ruang yang jauh lebih tinggi daripada dimensi aslinya.

25 Algoritma SVM 0 = Normal 1 = Abnormal

26 Algoritma SVM 0 = Normal 1 = Abnormal

27 Graphical User Interface Tampilan Halaman Menu Utama Tampilan Halaman Proses Citra Mammogram

28 Graphical User Interface Tampilan Box Select an Image Tampilan Halaman Proses Citra Mammogram Setelah Pemilihan Citra Mammogram

29 Graphical User Interface Tampilan Halaman Proses Citra Mammogram Setelah Menekan Tombol Proses Tampilan Halaman Proses Citra Mammogram Setelah Menekan Tombol Klasifikasi

30 Graphical User Interface Tampilan Halaman Basis Data Tampilan Halaman Basis Data Setelah Pemilihan Citra Mammogram

31 Graphical User Interface Tampilan Halaman Basis Data Setelah Menekan Tombol Proses Tampilan Halaman Bantuan

32 Graphical User Interface Tampilan Halaman Tentang Tampilan Konfirmasi Keluar

33 Hasil Uji Coba Hasil Uji Coba Data Uji di Dalam Basis Data Abnormal Benar Normal Benar Abnormal Salah Normal salah Jumlah kasus /50 43/50 10/50 7/50 Persentasi 100% 80% 86% 20% 14% Hasil Uji Coba Data Uji di Luar Basis Data Abnormal Benar Normal Benar Abnormal Salah Normal salah Jumlah kasus 20 8/10 9/10 2/10 1/10 Persentasi 100% 80% 90% 20% 10%

34 Kesimpulan Berhasil membuat aplikasi deteksi mikrokalsifikasi dan klasifikasi citra mammogram berupa citra digital dengan area mikrokalsifikasi yang terdeteksi ditandai garis hitam dan klasifikasi citra mammogram. Berhasil memperbaiki kualitas citra dengan mendeteksi garis kulit, melakukan segmentasi citra dengan metode Otsu Thresholding, mendeteksi tepi dengan metode Canny dan mempertebal garis tepi dengan metode Dilasi, memperoleh nilai ekstraksi fitur dengan metode GLCM dan melakukan klasifikasi dengan SVM dengan kernel RBF dengan parameter nilai homogenitas dan korelasi. Aplikasi dapat membantu dokter mendiagnosis kanker payudara pada citra mammogram. Data uji di dalam basis data data latih: abnormal 80% dan normal 86%. Data uji tidak di dalam basis data data latih: abnormal 80% dan normal 90%.

35 TERIMAKASIH