Analisis Komptasi pada Segmentasi Citra Medis Adaptif Soesanti, dkk. 89 Analisis Komptasi pada Segmentasi Citra Medis Adaptif Berbasis Logika Fzzy Teroptimasi Indah Soesanti ), Adhi Ssanto 2), Thomas Sri Widodo 2), Maesadji Tjokronegoro 3) ) Jrsan Teknik Elektro dan Teknologi Informasi Fakltas Teknik Universitas Gadjah Mada Yogyakarta email: indah@mti.gm.ac.id 2) Jrsan Teknik Elektro dan Teknologi Informasi Fakltas Teknik Universitas Gadjah Mada Yogyakarta 3) Fakltas Kedokteran Universitas Gadjah Mada Yogyakarta Abstract The objective of this research is to analyze the comptation of medical image adaptive segmentation based on optimized fzzy logic. The sccess of the image analysis system depends on the qality of the segmentation. The image segmentation is separating the image into regions that are meaningfl for a given prpose. In this research, the Fzzy C-Means (FCM) algorithm with spatial information is presented to segment Magnetic Resonance Imaging (MRI) medical images. The FCM clstering tilizes the distance between pixels and clster centers in the spectral domain to compte the membership fnction. The pixels of an object in image are highly correlated, and this spatial information is an important characteristic that can be sed to aid their labeling. This scheme greatly redces the effect of noise. The FCM method sccessflly classifies the brain MRI images into five clsters. This techniqe is therefore a powerfl method in comptation for noisy image segmentation. Keywords: comptation analysis, MRI Medical image, adaptive image segmentation, fzzy c- means. Pendahlan Salah sat permasalahan penting dalam bidang pengolahan citra dan pengenalan pola adalah segmentasi citra ke dalam area homogen (Schlze, 993). Ekstraksi ciri dan segmentasi citra merpakan langkah awal dalam analisis citra. Beberapa metode segmentasi citra telah dislkan, di antaranya metode-metode berbasis thresholding histogram, clstering, atapn region growing (Jain, 995; Soesanti, 2009). Tjan tama segmentasi adalah membagi citra ke dalam bagian-bagian yang mempnyai korelasi kat dengan objek dalam citra. Citra medis yang tersegmentasi dengan baik akan didapatkan informasi batasan-batasan objek dengan jelas, misalnya ntk keperlan deteksi sel tmor pada pasien. Informasi ini sangat membant tenaga medis secara objektif dan akrat ntk melakkan analisis, diagnosis, perencanaan pengobatan, dan tindakan medis yang diperlkan. Untk it dalam penelitian ini akan dilakkan segmentasi citra medis secara adaptif menggnakan metode fzzy c-means (FCM) dengan informasi spasial yang bergna dalam segmentasi citra asli yang berdera. Algoritma FCM modifikasi diharapkan dapat memberikan hasil yang baik pada citra berdera, dengan cara menggabngkan informasi piksel tetangganya. Tjan penelitian ini adalah menganalisis komptasi pada aplikasi Logika Fzzy Teroptimasi yakni Fzzy C-Means Clstering dengan informasi spasial ntk mengrangi pengarh dera pada segmentasi citra medis. Dalam metode yang dikembangkan ini digabngkan informasi spasial, dan bobot keanggotaan setiap klaster dibah setelah memperhitngkan distribsi klaster pada tetangga. Skema ini bermaksd ntk meminimalkan pengarh dera. Dalam penelitian ini dilakkan segmentasi terhadap sebah citra medis MRI otak (Besese, 99). Orisinalitas dalam penelitian ini adalah pada metode: kran window yang dignakan adalah 3x3, karena dengan informasi spasial berbasis window 3x3 diharapkan tidak akan mengrangi ata mengbah informasi pada citra. Hal ini berbeda dengan penelitian yang dilakkan
90 oleh Das, dkk., 2006. Sedang orisinalitas pada objek yakni dalam penelitian ini metode diterapkan pada citra MRI otak (data primer dari pasien) dengan ditambah dera Gassian 2%, 4%, 6%, 8%, dan 0%, berbeda dengan penelitian sebelmnya (Sn, 200). 2. Fndamental Segmentasi citra merpakan kegiatan yang sangat diperlkan dalam saha memahami ciri citra secara lengkap. Segmentasi citra merpakan salah sat proses dalam pengolahan citra yang slit (Gonzales, 2008). Keakratan segmentasi menentkan keberhasilan dalam analisis sat citra. Algoritma segmentasi citra mmnya berdasar pada da sifat dasar nilai intensitas citra yait diskontinitas dan kesamaan. Pada segmentasi citra berdasar diskontinitas, pendekatan yang dilakkan adalah dengan melakkan partisi citra berdasar perbahan drastis intensitas citra, yang dikenal jga sebagai proses deteksi tepi. Sedang segmentasi citra berdasar kesamaan, pendekatan yang dilakkan adalah melakkan partisi citra ke dalam area yang sama berdasarkan himpnan kriteria yang telah didefinisikan di awal. Segmentasi pada citra medis akan menghasilkan citra medis yang disertai batasan objek yang merpakan ciri penting karena dapat menggali informasi ntk pengenalan pola gna keperlan analisis. Beberapa peneliti telah mengembangkan metode-metode segmentasi citra (Clark, 994; Yang, 2002). Akan tetapi pada metode-metode tersebt tidak memanfaatkan informasi mltispektral isyarat MRI. Pengklasteran fzzy c-means merpakan teknik tak-terbimbing yang berhasil diterapkan ntk analisis ciri, pengklasteran, dan rancangan pengklasifikasi dalam bidang-bidang seperti astronomi, geologi, segmentasi citra, dan sebagainya. Sat citra dapat direpresentasikan dalam berbagai rang ciri, dan algoritma FCM mengklasifikasi citra dengan mengelompokkan titiktitik data yang serpa dalam rang ciri ke dalam klaster. Pengklasteran ini dicapai secara iteratif meminimisasi fngsi cost yang tergantng pada jarak piksel ke psat klaster dalam domain ciri. Piksel-piksel pada sat citra pada dasarnya mempnyai korelasi kat, piksel yang dekat dengan Form Teknik Vol. 33, No. 2, Mei 200 tetangga mempnyai data ciri yang hampir sama, sehingga relasi spasial dari piksel tetangga merpakan karakteristik penting yang sangat membant dalam segmentasi citra (Das, 2006, Khaligi, 2002, Hang, 2004, Ma, 2006, Shan, 2008). Akan tetapi, algoritma FCM konvensional tidak sepenhnya memanfaatkan informasi spasial ini. Pedrycz dan Waletzky (997) menggnakan informasi klasifikasi yang ada dan diterapkan sebagai bagian dari prosedr optimisasinya. Ahmed dkk (2002) memodifikasi fngsi objektif algoritma FCM standar ntk memberikan label pada tetangga piksel ntk mempengarhi pelabelannya. Dalam penelitian ini Logika Fzzy Teroptimasi yakni Fzzy C-Means Clstering dengan informasi spasial diaplikasikan ntk mengrangi pengarh dera pada segmentasi citra medis. Segmentasi dilakkan pada citra medis MRI otak dengan besar dera Gassian yang berbeda-beda. 3. Metodologi Fzzy C-Means Clstering Algoritma FCM menetapkan piksel setiap kategori dengan menggnakan fngsi keanggotaan fzzy. Jika X=(x, x 2,.,x N ) menyatakan citra dengan N piksel yang dipartisi menjadi c klaster, dengan x i merepresentasikan data. Algoritma ini merpakan optimisasi iteratif yang meminimalkan fngsi cost yang didefinisikan sebagai berikt: J N c = j= i= m x j vi 2 () dengan merepresentasikan keanggotaan piksel x j dalam klaster ke-i, v i adalah psat klaster ke-i, dan m adalah konstanta. Parameter m mengendalikan fzziness partisi hasil, dan m=2. Fngsi keanggotaan merepresentasikan probabilitas bahwa sat piksel termask klaster khss. Probabilitas ini tergantng hanya pada jarak antara piksel dan masing-masing psat klaster individ dalam domain ciri. Fngsi keanggotaan dan psat klaster diperbari menggnakan persamaan: = c k = x x j j v i v k 2 /( m ) (2)
Analisis Komptasi pada Segmentasi Citra Medis Adaptif Soesanti, dkk. 9 dan v N j= i = N j= m x m dengan [0, ]. j (3) Dimlai dengan taksiran awal ntk setiap psat klaster, FCM konvergen pada solsi ntk v i yang merepresentasikan nilai minimm fngsi cost. Konvergensi dideteksi pada perbahan fngsi keanggotaan ata psat klaster pada da langkah iterasi bertrt-trt. FCM Spasial Salah sat karakteristik penting dari citra adalah bahwa piksel tetangga berkorelasi tinggi (Das, 2006, Khaligi, 2002, Hang, 2004, Ma, 2006, Shan, 2008). Dengan kata lain, piksel tetangga tersebt memiliki nilai ciri yang sama, dan mempnyai probabilitas yang tinggi bahwa piksel-piksel tersebt termask dalam klaster yang sama. Hbngan spasial ini sangat penting dan pengklasteran, tetapi tidak dignakan dalam algoritma FCM standar. Untk memanfaatkan informasi spasial, sat fngsi spasial didefinisikan sebagai h = (4) ik k NB x ) ( j dengan NB(x j ) merepresentasikan window yang terpsat pada piksel x j dalam domain spasial. Dalam penelitian ini dignakan window 3x3. Fngsi spasial h merepresentasikan probabilitas bahwa piksel x j termask klaster ke-i. Fngsi spasial sat piksel ntk sebah klaster akan bernilai besar jika mayoritas tetangganya termask dalam klaster yang sama. Fngsi spasial tergabng dalam fngsi keanggotaan berikt. p ' = c k= h q h p q kj kj (5) dengan p dan q adalah parameter ntk mengendalikan kepentingan relatif keda fngsi. Dalam daerah homogen, fngsi spasial benarbenar mengkhkan keanggotaan asli, dan hasil pengklasteran tetap tak berbah. Akan tetapi, ntk piksel berdera, formla ini mengrangi bobot klaster berdera dengan label piksel tetangganya, sehingga piksel-piksel pada daerah berdera dapat dikoreksi nilai keanggotannya dan terklasifikasi dengan tepat. Pengklasteran adalah proses da-jalan (twopass) pada setiap iterasi. Jalan pertama adalah sama dengan FCM standar ntk menghitng fngsi keanggotaan dalam domain spektral. Pada jalan keda, informasi keanggotaan setiap piksel dipetakan ke domain spektral, dan fngsi spasial dihitng dari domain spektral tersebt. Iterasi FCM diproses dengan keanggotaan bar yang tergabng dengan fngsi spasial. Iterasi akan berhenti pada saat perbedaan maksimm antara da psat klaster pada da iterasi bertrt-trt lebih kecil dari ambang. Setelah konvergen, defzifikasi diterapkan ntk menentkan setiap piksel ke klaster spesifik agar keanggotaan maksimal. 4. Hasil dan Pembahasan Pada metode ini yang dignakan pada penelitian ini ditetapkan ambang yang menentkan apakah nilai-nilai fngsi keanggotaan yang diperoleh telah konvergen ata belm. Jika selisih antara nilai-nilai fngsi keanggotaan pada iterasi sekarang dengan iterasi sebelmnya masih sama ata lebih besar dari ambang maka iterasi akan dilanjtkan, dan jika nilai-nilai fngsi keanggotaan yang diperoleh telah mencapai krang dari nilai ambang yang ditetapkan maka dianggap hasil telah konvergen, dan nilai-nilai fngsi keanggotaan terakhir inilah yang akan disimpan dan dignakan ntk proses selanjtnya. Dengan demikian, dapat dikatakan bahwa jika nilai ambang yang ditetapkan semakin besar maka keadaan konvergen akan lebih cepat diperoleh dengan jmlah iterasi yang lebih sedikit ata wakt lebih pendek, dan jika semakin kecil nilai ambangnya maka keadaan konvergen akan lebih lama diperoleh dengan jmlah iterasi yang lebih banyak ata wakt lebih panjang. Pada bagian penelitian ini, dicoba ntk menganalisis njkkerja metode yang dignakan berdasar jmlah iterasi yang diperlkan ntk memperoleh nilai-nilai fngsi keanggotaan yang
92 konvergen pada tiap-tiap citra. Citra yang diamati di sini sama dengan salah sat citra yang dignakan pada penelitian lal (Soesanti, dkk, 200): Citra MRI normal, Citra MRI otak normal dengan Dera Gassian 2%, Citra MRI otak normal dengan Dera Gassian 4%, Citra MRI otak normal dengan Dera Gassian 6%, Citra MRI otak normal dengan Dera Gassian 8%, dan yang terakhir adalah Citra MRI otak normal dengan Dera Gassian 0%, citra MRI P, Q, dan R. Sema citra yang dignakan ini jga citra grayscale dengan kran 256x256. Dari hasil pengamatan yang diperoleh ntk jmlah iterasi yang diperlkan, maka diperoleh seperti yang dapat dilihat pada Tabel. Tabel. Jmlah iterasi ntk segmentasi citra No. Citra MRI Jmlah Iterasi Normal 7 2 Normal dengan dera Gassian 2% 7 3 Normal dengan dera Gassian 4% 7 4 Normal dengan dera Gassian 6% 7 5 Normal dengan dera Gassian 8% 7 6 Normal dengan dera Gassian 0% 7 Pada Tabel terlihat bahwa ntk citra MRI otak normal tanpa atapn dengan dera, jmlah iterasi yang diperlkan adalah sama. Hal ini berarti bahwa ada ata tidaknya dera, serta kecil atapn membesarnya dera tidak mempengarhi jmlah iterasi yang dibthkan. Hal ini semakin mempertegas bahwa metode ini mempnyai ketahanan terhadap dera Gassian. Gambar. citra MRI asli Dengan lebih banyaknya area-area yang mempnyai batas-batas yang krang jelas, maka Form Teknik Vol. 33, No. 2, Mei 200 dimngkinkan jga lebih banyak nilai-nilai fngsi keanggotaan yang membthkan wakt lebih lama ntk mencapai keadaan. Saat proses segmentasi maka nilai-nilai v awal akan berbah sesai dengan perbahan nilainilai fngsi keanggotaan. Dengan berbahnya nilai v dan ini maka ntk tiap iterasi jga menghasilkan citra yang berbeda-beda jga secara visal. Perbahan ini akan terlihat pada tiap iterasi yang dapat diraikan sebagai berikt. Pada Gambar ditnjkkan citra asli, sedang citra hasil segmentasi ntk tiap iterasi bertrt-trt ditnjkkan pada Gambar 2(a) sampai dengan 2(g). Untk tiap iterasi maka selisih nilai-nilai fngsi keanggotaan dengan iterasi sebelmnya akan mengecil sedemikian hingga konvergen dan sampai pada nilai yang lebih kecil dari ambang, dengan nilai ambang 0,02. Untk citra yang tanpa dera nilai selisih ini mengecil ntk setiap iterasi, demikian jga ntk citra yang berdera Gassian. Pada citra berdera dengan tingkat dera yang berbeda, selisih fngsi keanggotaan mennjkkan nilai yang sama pada tiap iterasi. Pada Gambar 3 ditnjkkan grafik mengecilnya selisih nilai fngsi keanggotaan, baik ntk citra tanpa dera mapn ntk citra dengan dera Gassian. Jika kondisi ini telah tercapai maka secara otomatis proses iterasi berhenti dan nilai keanggotaan dan psat klaster terakhir inilah yang akan dignakan dalam defzifikasi sehingga menghasilkan citra tersegmentasi seperti yang diharapkan. Dari raian di atas terkait analisis terhadap komptasi yakni jmlah iterasi yang dibthkan ntk mencapai keadaan konvergen, maka dapat diberikan pertimbangan atas beberapa hal berikt:. Nilai ambang yang ditetapkan (0,02), jika semakin kecil nilai ambang yang hars dicapai maka semakin banyak jmlah iterasi yang diperlkan, dan sebaliknya jika nilai ambang semakin besar maka semakin sedikit iterasi yang dibthkan. 2. Jmlah iterasi yang dibthkan jga sangat tergantng pada citra inpt yang akan disegmentasi. Untk citra yang berbeda dapat dibthkan jmlah iterasi yang berbeda jga, walapn kran ata jmlah pikselnya sama.
Analisis Komptasi pada Segmentasi Citra Medis Adaptif Soesanti, dkk. 93 (a) citra hasil iterasi (b) citra hasil iterasi 2 (c) citra hasil iterasi 3 (d) citra hasil iterasi 4 (e) citra hasil iterasi 5 (f) citra hasil iterasi 6 (g) citra hasil iterasi 7 Gambar 2. Citra hasil segmentasi tiap iterasi 0,35 Grafik U vs Iterasi 0,3 ntk citra tanpa dera ntk citra berdera Gassian U 0,25 0,2 0,5 0, 0,05 0 2 3 4 5 6 7 Iterasi Gambar 3. Grafik penrnan selisih nilai fngsi keanggotaan (Δ ) tiap iterasi ntk citra tanpa dera dan citra berdera Gassian
94 3. Jmlah iterasi berpengarh langsng terhadap wakt komptasi. Semakin banyak jmlah iterasi yang dibthkan tent saja akan semakin panjang wakt yang diperlkan. 4. Jmlah komptasi dan wakt yang dibthkan akan dipengarhi oleh jmlah piksel yang akan diolah. Pada penelitian ini sema citra MRI yang dignakan sema berkran 256 x 256. Namn jika metode ini diterapkan ntk kran citra yang lebih kecil tentnya akan mengrangi jmlah komptasi, sehingga jga akan berakibat mengrangi wakt yang akan dibthkan, sebaliknya jika metode ini diterapkan ntk citra dengan jmlah piksel yang lebih besar jga akan menambah panjang wakt yang akan dibthkan. Namn demikian, jmlah iterasi yang sedikit serta wakt komptasi yang singkat bkan satsatnya target yang ingin dicapai oleh metode ini. Artinya bahwa tidak akan diterapkan ambang yang besar hanya ntk mencapai jmlah iterasi yang sekecil mngkin, namn nilai fngsi keanggotaan belm benar-benar konvergen serta secara visal citra hasil segmentasi masih jah dari yang Form Teknik Vol. 33, No. 2, Mei 200 diharapkan. Hal ini disebabkan jika ini terjadi maka akan dapat mempengarhi kalitas citra tersegmentasi yang akan dianalisis lebih lanjt. Misalnya jika pada citra otak terdapat lesi ata kelainan yang kecil, maka jika segmentasi yang dilakkan belm semprna, maka dimngkinkan secara visal lesi ini akan tidak tampak sehingga analisis bisa tidak tepat. Penelitian selanjtnya dilakkan segmentasi terhadap lima citra medis MRI yakni Citra MRI otak normal, Citra MRI otak normal dengan Dera Gassian 2%, Citra MRI otak normal dengan Dera Gassian 4%, Citra MRI otak normal dengan Dera Gassian 6%, Citra MRI otak normal dengan Dera Gassian 8%, dan yang terakhir adalah Citra MRI otak normal dengan Dera Gassian 0%. Sema citra yang dignakan ini adalah citra grayscale dengan kran 256x256. Segmentasi dilakkan terhadap Citra MRI otak normal, dengan citra asli baik tanpa dera mapn dengan dera seperti terlihat pada Gambar 4. Dan citra hasil segmentasi 5 level ntk citra MRI Otak normal ditnjkkan pada Gambar 5. (a). Citra MRI Otak (b). Citra MRI Otak dengan (b). Citra MRI Otak dengan Dera Gassian 2% Dera Gassian 4% (d). Citra MRI Otak dengan (b). Citra MRI Otak dengan (b). Citra MRI Otak dengan Dera Gassian 6% Dera Gassian 8% Dera Gassian 0% Gambar 4. Citra MRI Otak Normal asli tanpa dan dengan dera
Analisis Komptasi pada Segmentasi Citra Medis Adaptif Soesanti, dkk. 95 (a). Citra hasil MRI (b). Citra hasil MRI dengan (b). Citra hasil MRI dengan Dera Gassian 2% Dera Gassian 4% (d). Citra hasil MRI dengan (b). Citra hasil MRI dengan (c). Citra hasil MRI dengan Dera Gassian 6% Dera Gassian 8% Dera Gassian 0% Gambar 5. Hasil segmentasi citra MRI Otak Normal tanpa dan dengan dera Dera Gassian merpakan dera yang bersifat aditif, dan dapat mengbah nilai-nilai piksel citra, serta secara visal jga akan berbah. Semakin besar prosentase dera yang diberikan maka akan semakin berbah nilainilai pikselnya jika dibanding dengan citra aslinya. Sedang secara visal citra jga akan semakin brk. Jika hal ini terjadi pada citra medis dan dilakkan segmentasi yang tidak mempnyai kekebalan terhadap dera, maka akan mempnyai pengarh yang signifikan terhadap citra hasil segmentasi, sehingga dapat mempengarhi analisis baik secara kantitatif mapn secara kalitatif. 5. Kesimplan Metode Logika Fzzy teroptimasi yakni metode FCM dengan ditambah informasi spasial mamp ntk mensegmentasi secara adaptif citra medis MRI otak tanpa dan dengan dera sehingga didapatkan hasil citra tersegmentasi dengan pengarh dera yang dapat diminimalkan. Dengan metode FCM yang ditambah informasi spasial ini dibthkan panjang komptasi yang relatif sedikit baik ntk citra tanpa mapn dengan dera. Daftar Pstaka Ahmed, M.N., S.M. Yamany. Nevin A. Mohamed, A. Farag, T. Moriarty, A Modified Fzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI Data, IEEE Transaction on Medical Imaging, 2002, 2:93 9. Besese, J.H., Cranial MRI, A Teaching File Approach, McGraw-Hill, International Edition, Medical Series, 99. Clark, M.C., L.O. Hall., D.B. Goldgof, L.P. Clarke, R.P. Velthnizen, M.S. Silbiger, MRI Segmentation Using Fzzy Clstering Techniqes, IEEE Engineering on Medical Bioligy, 3, 994, pp 730 742. Das, S., A. Abraham, A. Konar, Spatial Information Based Image Segmentation Using a Modified Particle Swarm Optimization Algorithm, Seol, 2006. Gonzalez, R.C., R.E. Woods, Digital Image Processing, Third Edition, Pearson Prentice Hall, New Jersey, 2008.
96 Hang, C.H., J.D. Lee, Improving MMI with Enhanced-FCM for The Fsion of Brain MR and SPECT Images, IEEE, 2004. Jain, A.K., "Fndamental of Digital Image Processing", Prentice-Hall, Inc., New Jersey, 995. Khaligi, M.M., H.S. Zadeh, C. Lcas, Unspervisied MRI Segmentation with Spatial Connectivity, Proceeding of SPIE Int. Symposim on Medical Imaging, San Diego, 2002. Ma, L., L, L.P., Zh, L., Unspervised Textre Segmentation Based on Mltiscale Local Binary Pattern and FCM Clstering, China, 2006. Pedrycz, W., J. Waletzky, 997, Fzzy Clstering With Partial Spervision, IEEE Transaction on Syst. Man. Cybern. Part B Cybern., 27, 787 795. Schlze, M.A., Pearce, J.A., 993, Linear Combinations of Morphological Operators: The Midrange, Psedomedian, and LOCO Filters, IEEE International Conference, Acostics, Speech, and Signal Processing, Vol.V, pp.57-60. Form Teknik Vol. 33, No. 2, Mei 200 Shan, S., A.J. Szameitat, A. Sterr, Detection of Infarct Lesions from Single MRI Modality sing Inconsistency between Voxel Intensity and Spatial Location-A 3D Atomatic Approach, Pblished Jornal Articles and Book Chapter from The Department of Psychology, University of Srrey, 2008. Soesanti, I., Analisis Citra Medis Menggnakan Segmentasi Adaptif, Jrnal JITEE vol, Teknik Elektro UGM, Yogyakarta, 2009. Soesanti, I., A. Ssanto, T. S. Widodo, M. Tjokronegoro, Segmentasi Citra Adaptif Berbasis Logika Fzzy Teroptimasi ntk Analisis Citra Medis, Form Teknik Vol. 33, No., Yogyakarta, Janari 200. Sn, S.G., and H.W. Park, Segmentation of forward-looking infrared image sing fzzy thresholding and edge detection, Optical Engineering, Vol. 40 No., November 200, pp.2638 2645. Yang, M.S., H, Y.J., Lin, K.C.R., Lin, C.C.L., 2002, Segmentation Techniqes for Tisse Differentiation in MRI of Ophthalmology Using Fzzy Clstering Alg., MRI Jornal, 20:73 9.