SEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET

SEGMENTASI ENDAPAN URIN PADA CITRA MIKROSKOPIK BERBASIS WAVELET Miftahus Sholihin, Agus Zainal Arifin, Anny Yuniarti Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia Abstrak Segmentasi terhadap endapan urin sangat penting dalam melakukan diagnosis terhadap jenis penyakit yang berhubungan dengan urin. Dalam melakukan proses segmentasi endapan urin dibutuhkan suatu metode yang dapat melakukan proses segmentasi secara efisien dan efektif, sehingga dapat membantu dunia medis dalam melakukan diagnosis terhadap penyakit. Segmentasi berbasis wavelet ini memiliki beberapa langkah proses. Pertama dilakukan pre-processing, selanjutnya melakukan transformasi wavelet yang diikuti dengan operasi morfologi, kemudian dilakukan pemrosesan terhadap tiap-tiap region, langkah terakhir yang dilakukan adalah menghilangkan overlapped region. Langkah-langkah tersebut bertujuan untuk mengetahui elemen-elemen urin yang terdiri dari sel darah merah, sel darah putih, dan epitelium. Penentuan nilai minimum sangat berpengaruh terhadap hasil dari proses segmentasi. Jika nilai minimum yang digunakan terlalu kecil dapat mengakibatkan oversegmentation. Berdasarkan hasil ujicoba, nilai minimum untuk sel darah merah yang cukup optimal adalah 100 dengan rata-rata akurasi 48.6%, sedangkan nilai minimum untuk sel darah putih dan epithelium yang cukup optimal adalah 300 dan 1500 dengan rata-rata akurasi 37.88% dan 71.42%. 1. Pendahuluan Deteksi terhadap endapan urin sangat penting dalam membantu proses diagnosis terhadap suatu jenis penyakit seperti radang pada ginjal, radang pada saluran kencing serta radang pada kandung kemih. Dalam melakukan proses segmentasi terhadap endapan urin tersebut dibutuhkan suatu metode yang mampu melakukan proses segmentasi secara efektif dan efisien, sehingga diharapkan dapat membantu dunia medis dalam melakukan deteksi penyakit yang berkaitan dengan urin. Sampai saat ini banyak sekali metode-metode yang digunakan untuk melakukan proses segmentasi terhadap endapan urin tersebut. Metode-metode tersebut antara lain clustering, edge detection, region extraxtion, thresholding. Metode-metode yang digunakan dalam melakukan proses segmentasi tersebut masih terdapat kelemahan baik secara komputasi maupun secara hasil. Hal ini juga dipengaruhi oleh citra urin itu sendiri, dimana citra urin tersebut memiliki beberapa karakteristik antara lain mempunyai tepi yang tidak jelas, memiliki susunan partikel yang sangat komplek serta memiliki kontras untuk tiap-tiap elemen sangat rendah. Oleh karena itu dalam tugas akhir ini metode yang digunakan untuk menyelesaikan masalah segmentasi endapan urin pada citra mikroskopik dengan menggunakan metode berbasis wavelet. Tahapantahapan yang digunakan untuk menyelesaikan masalah tersebut adalah sebagai berikut : transformasi wavelet dan morfologi digunakan untuk mengatasi masalah defocusing terhadap citra urin, edge detection dan adaptive threshold digunakan untuk mengatasi masalah citra yang memiliki tepi yang tidak jelas serta watershed algorithm yang digunakan untuk mengatasi masalah overlapping terhadap citra. Tujuan dalam pembuatan Tugas Akhir ini adalah untuk melakukan proses segmentasi endapan urin pada citra mikroskopik berbasis wavelet. Dengan adanya metode segmentasi tersebut diharapkan dapat membantu dunia medis dalam melakukan proses diagnosis terhadap penyakit yang berhubungan dengan urin. 2. Metode Wavelet Wavelet adalah fungsi matematika yang memotongmotong data menjadi sekumpulan frekuensi yang berbeda, sehingga masing-masing komponen tersebut dapat dipelajari dengan menggunakan skala resolusi yang berbeda. 3. Transformasi Wavelet Diskrit (Discrate Wavelet Transform) Transformasi wavelet diskrit secara umum merupakan dekomposisi citra pada frekuensi subband citra tersebut dimana komponennya dihasilkan dengan cara penurunan level dekomposisi. Implementasi transformasi wavelet diskrit dapat dilakukan dengan cara melewatkan sinyal frekuensi tinggi atau highpass filter dan frekuensi rendah atau lowpass filter. Gambar 1 adalah gambar dari transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu. Suatu citra jika dilakukan proses transformasi wavelet diskrit dua dimensi dengan level dekomposisi satu, maka akan menghasilkan empat buah subband, yaitu : 1

Koefisien Approksimasi (CA j+1) atau subband LL. Koefisien Detil Horisontal (CD(h) j+1) atau subband HL. Koefisien Detil Vertikal (CD(v) j+1) atau subband LH. Koefisien Detil Diagonal (CD(d) j+1) atau subband HH. Reconstruction). Cara kerja dari DWT balik dapat dilihat pada Gambar 2. Dengan Level Dekomposisi 1 subband hasil dari dekomposisi dapat didekomposisi lagi karena level dekomposisi wavelet bernilai dari 1 sampai n atau disebut juga transformasi wavelet multilevel. Jika dilakukan dekomposisi lagi, maka subband LL yang akan didekomposisi karena subband LL berisi sebagian besar dari informasi citra. Jika dilakukan dekomposisi dengan level dekomposisi dua maka subband LL akan menghasilkan empat buah subband baru, yaitu subband LL2 (Koefisien Approksimasi 2), HL2 (Koefisien Detil Horisontal 2), LH2 (Koefisien Detil Vertikal 2), dan HH2 (Koefisien Detil Diagonal 2). Gambar 1 Proses Dekomposisi Wavelet Dua Dimensi Gambar 2 Proses Rekonstruksi Wavlet Dua Dimensi 5. Morphology Image Processing Operasi morfologi adalah teknik pengolahan citra digital yang didasarkan pada bentuk segmen atau region dalam citra. Konsep yang dipakai dalam operasi morfologi adalah konsep himpunan. Dalam operasi morfologi dikenal dengan adanya struktur elemen. Dengan mengatur atau memilih ukuran dan bentuk dari struktur elemen yang digunakan maka dapat mengatur sensivitas operasi morfologi terhadap bentuk tertentu pada citra masukan. Operasi morfologi tersebut antara lain adalah dilasi, erosi, dan filling. Dilasi adalah sebuah operasi morfologi yang dapat memperbesar atau mengentalkan objek dari sebuah citra. Jumlah piksel yang ditambahkan tergantung dari struktur elemen yang digunakan untuk memproses suatu citra. Misal terdapat dua himpunan A dan B pada ruang Z 2, operasi dilasi A oleh struktur elemen B dilambangkan dengan A B. Dilasi dapat didefinisikan sebagai persamaan berikut : 4. Inverse Discrete Wavelet Transform (IDWT) Dua Dimensi Inverse Discrete Wavelet Transform (IDWT) merupakan kebalikan dari discrate wavelet transform ( DWT). Pada tahap ini dilakukan proses rekonstruksi dengan arah yang berlawanan dari proses sebelumnya. Yaitu dengan proses up-sampling dan pem-filter-an dengan koefisien-koefisien filter balik. Proses upsampling dilakukan dengan mengembalikan dan menggabungkan sinyal seperti semula. Proses ini dilakukan dengan menyisipkan sebuah kolom berharga nol di antara setiap kolom dan melakukan konvolusi pada setiap baris dengan filter satu dimensi. Hal yang sama dilakukan dengan menyisipkan sebuah baris nol di antara setiap baris dan melakukan konvolusi pada setiap kolom dengan filter yang lainnya. Filter yang digunakan pada transformasi balik (rekonstruksi) ini adalah filter yang mempunyai hubungan khusus terhadap filter pada sisi dekomposisi yaitu filter Lo_R (Low Pass Filter reconstruction) dan Hi_R (High Pass Filter 2 A + B = z (B) z A }. (1) Erosi adalah sebuah operasi morfologi yang dapat menyusutkan atau menguruskan objek dari sebuah citra. seperti pada proses dilasi penusutan atau pengurusan juga dipengaruhi dengan struktur elemennya. Misal terdapat dua himpunan A dan B pada ruang Z 2, operasi dilasi A oleh struktur elemen B dilambangkan dengan AΘB. Erosi dapat didefinisikan sebagai persamaan berikut : AΘB = {z (B) z A}. (2) 6. Canny Edge Detection Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyekobyek citra, tujuan dari deteksi tepi adalah untuk menandai bagian yang menjadi detail dari citra dan juga untuk memperbaiki detail citra yang kabur, yang terjadi karena error atau adanya efek akuisisi terhadap citra. Suatu titik dapat dipandang sebagai tepi dari suatu citra jika titik tersebut memiliki perbedaan yang tinggi dengan tetangganya.

Algoritma deteksi tepi Canny dikenal sebagai algoritma yang optimal dalam melakukan proses pendeteksian terhadap tepi. Untuk meningkatkan metode-metode yang telah ada dalam pendeteksian tepi, algoritma deteksi tepi canny mengikuti kriteriakriteria sebagai berikut : Tingkat error yang rendah. Error terjadi bila ada tepi yang penting tetapi tepi tersebut tidak muncul atau sebaliknya Titik edge pada suatu citra akan tepat terdeteksi, dengan kata lain jarak antara edge piksel sudah terdeteksi dan edge yang sebenarnya (actual edge) adalah yang paling minimum. Merespon atau menghasilkan satu edge saja, ini sudah diimplementasikan karena dua dari kriteria penting yang disebutkan masih belum cukup untuk mengeleminasi nilai kemungkinan dari edge. Berdasarkan kriteria-kriteria diatas, metode deteksi tepi Canny bisa dijelaskan sebagai berikut : 1. Pertama-tama dilakukan proses penghalusan (smoothing) citra untuk menghilangkan noise dengan menggunakan Gaussian filter. 2. Local gradient g x, y = [G x 2 + G y 2 ] 1/2, dan arah tepi a x, y = tan 1 (G y /G x ), dihitung pada tiap-tiap titik. Titik tepi didefinisikan sebagai titik yang mempunyai local maximum pada arah gradient 3. Titik yang telah ditentukan pada langkah (2) memberikan kenaikan pada bukit citra. Aloritma ini kemudian menelusuri titik sepanjang bukit sampai pada puncaknya dan memberikan nilai 0 pada piksel yang tidak berada pada puncak bukit untuk memberikan output berupa garis tipis. Proses ini dikenal sebagai nonmaximal suppression. Pikselpiksel pada bukit kemudian disegmentasi dengan menggunakan dua threshold, T1 dan T2 dimana T1 < T2. Piksel dengan nilai lebih besar dari pada T2 maka dikatakan sebagai tepi yang tebal. Sedangkan nilai piksel di antara T1 dan T2 disebut tepi yang tipis. Gambar 3 Blok Diagram Sistem Untuk melakukan proses segmentasi endapan urin pada citra mikroskopik berbasis wavelet, berikut ini adalah diagram alir dari proses blok segmentasi berbasis wavelet, pemrosesan tiaptiap region, dan menghilangkan overlapped region. Segmentasi berbasis wavelet. Mulai Masukan Citra Urin Rubah ke Grayscale Dekomposisi Wavelet Daubechies 9/7 Rekronstruksi Citra Gaussian Filtering Operasi Morfologi Selesai Gambar 4 Diagram Alir Segmentasi Berbasis Wavelet 7. Desain Sistem Gambar 3 adalah desain blok diagram yang merupakan gambaran umum dari proses segmentasi berbasis wavelet. 3

Pemrosesan tiap-tiap region. Setting nilai minimum 200, dimana besarnya sel darah merah 200 sampai 300, sel darah putih besarnya 301 sampai 1500, dan epielium besarnya > 1500. Gambar 5 Diagram Alir Pemrosesan Tiap-Tiap Region 1. Ujicoba pada citra urin Pada awal proses dilakukan pengambilan citra urin. Citra urin tersebut menurut dokter Komang dan dokter Ita terdiri dari sel darah merah yang berjumlah 11 dan sel darah putih berjumlah 9, dan epitelium 0. Citra urin tersebut kemudian dilakukan proses perubahan dari bentuk RGB ke bentuk grayscale. Kemudian dilakukan proses transformasi wavelet yang diikuti dengan operasi morfologi. Operasi ini bertujuan untuk mengatasi masalah defocusing terhadap citra urin. Setelah itu dilakukan proses pengambilan nilai dari masing-masing region yang ada. Nilai ini digunakan untuk menentukan apakah region tersebut masuk sebagai sel darah merah, sel darah putih atau sebagai epithelium. Besarnya nilai sel darah merah berkisa antara 100 sampai dengan 300. Sedangkan untuk sel darah putih besarnya berkisar antara 301 sampai dengan 1500, sedangkan untuk epithelium besarnya diatas 1500. Langkah terakir yang dilakukan adalah dengan menggunakan algoritma watershed. Langkah ini dilakukan dengan tujuan untuk mengatasi masalah overlapping terhadap citra sehingga akan dihasilkan hasil segmentasi yang bagus dan akurat. 8. Lingkungan Ujicoba Lingkungan uji coba yang meliputi perangkat lunak dan perangkat keras yang digunakan. Perangkat lunak diimplementasikan dengan menggunakan MATLAB 7.04, karena kemudahan penggunaannya untuk keperluan pengolahan citra digital. Adapun implementasi dari tugas akhir ini dilakukan dalam lingkungan perangkat keras dengan spesifikasi prosesor intel core 2 duo 2.0 GHz dengan RAM 2 GB DDR2. Perangkat lunak ini dibangun pada system operasi Microsoft Windows Vista Home Edition dengan menggunakan Matlab 7.04. 9. Ujicoba Tujuan dari ujicoba ini adalah untuk membuktikan tingkat akurasi dari aplikasi yang dibuat dibandingkan dengan pengamatan dokter spesialis urin. Skenario yang dilakukan dalam proses ujicoba ini adalah sebagai berikut : Memasukan citra urin kedalam sistem. Setting nilai minimum 100, dimana besarnya sel darah merah 100 sampai 300, sel darah putih besarnya 301 sampai 1500, dan epielium besarnya > 1500. Setting nilai minimum 150, dimana besarnya sel darah merah 150 sampai 300, sel darah putih besarnya 301 sampai 1500, dan epielium besarnya > 1500. Gambar 6 Citra Masukan Ujicoba 1 4

Gambar 7 Hasil Segmentasi Ujicoba 1 Gambar 7 adalah hasil dari proses segmentasi dari citra masukan. Dari Gambar 7 terlihat bahwa objek dan beckground sudah dibedakan. Warna putih adalah objek dari elemen-elemen yang terdapat pada urin sedangkan untuk warna hitam menunjukan sebagai background. Objek tersebut dikatakan sebagai sel darah merah, sel darah putih atau epithelium didasarkan pada luas dari masing-masing region. Untuk region yang paling kecil dikatakan sebagai sel darah merah, sedangkan untuk sel darah putih lebih besar dari sel darah merah, namun demikian tidak selamanya sel darah putih lebih besar dari sel darah merah. Hal ini dapat mengakibatkan kesalahan dalam proses segmentasi. Untuk epithelium memiliki luas yang paling besar bila daibandingkan dengan sel darah merah atau sel darah putih. 2. Ujicoba pada citra urin Pada awal proses dilakukan pengambilan citra urin. Citra urin tersebut menurut dokter Komang dan dokter Ita terdiri dari sel darah merah yang berjumlah 17 dan sel darah putih berjumlah 8, dan epitelium 0. Citra urin tersebut kemudian dilakukan proses perubahan dari bentuk RGB ke bentuk grayscale. Kemudian dilakukan proses transformasi wavelet yang diikuti dengan operasi morfologi. Operasi ini bertujuan untuk mengatasi masalah defocusing terhadap citra urin. Setelah itu dilakukan proses pengambilan nilai dari masing-masing region yang ada. Nilai ini digunakan untuk menentukan apakah region tersebut masuk sebagai sel darah merah, sel darah putih atau sebagai epithelium. Besarnya nilai sel darah merah berkisa antara 100 sampai dengan 300. Sedangkan untuk sel darah putih besarnya berkisar antara 301 sampai dengan 1500, sedangkan untuk epithelium besarnya diatas 1500. Langkah terakir yang dilakukan adalah dengan menggunakan algoritma watershed. Langkah ini dilakukan dengan tujuan untuk mengatasi masalah overlapping terhadap citra sehingga akan dihasilkan hasil segmentasi yang bagus dan akurat. 5 Gambar 8 Citra Masukan Ujicoba 2 Gambar 9 adalah hasil dari proses segmentasi dari citra masukan. Dari Gambar 9 terlihat bahwa objek dan beckground sudah dibedakan. Warna putih adalah objek dari elemen-elemen yang terdapat pada urin sedangkan untuk warna hitam menunjukan sebagai background. Objek tersebut dikatakan sebagai sel darah merah, sel darah putih atau epithelium didasarkan pada luas dari masing-masing region. Untuk region yang paling kecil dikatakan sebagai sel darah merah, sedangkan untuk sel darah putih lebih besar dari sel darah merah, namun demikian tidak selamanya sel darah putih lebih besar dari sel darah merah. Hal ini dapat mengakibatkan kesalahan dalam proses segmentasi. Untuk epithelium memiliki luas yang paling besar bila daibandingkan dengan sel darah merah atau sel darah putih. Gambar 9 Hasil Segmentasi Ujicoba 2 10. Pembahasan Aplikasi yang dibuat ini bertujuan untuk melakukan proses segmentasi terhadap endapan urin dan juga untuk mengetahui elemen-elemen apa saja yang ada pada urin tersebut. Proses untuk mengetahui jenis elemen penyusun urin tersebut hanya didasarkan pada ukurannya saja. Data yang digunakan sebagai data masukan dalam aplikasi ini adalah data citra urin yang berasal dari College of Communication Engineering, Chongqing University, China.

Pada aplikasi ini langkah awal dari proses pengujian adalah dengan menjalankan aplikasi yang telah dibuat, kemudian memasukan citra urin yang ingin diproses sebagai masukan dari aplikasi. Setelah citra urin dimasukan langkah selanjutnya adalah dengan melakukan perubahan citra dari RGB ke grayscale. Kemudian dilakukan proses transformasi wavelet. Alasan penggunaan transformsi wavelet ini adalah karena kemampuan wavelet dalam membedakan frekuensi yang beragam dan dapat mempertahankan tiap detil sinyal pada level yang berbeda-beda. Pada objek seperti citra, wavelet secara umum melakukan proses dekomposisi sinyal menjadi dua bagian yaitu sinyal berfrekuensi rendah dan sinyal berfrekuensi tinggi. Pada citra berfrekuensi rendah merupakan komponen global yang terdapat pada citra, sedangkan untuk sinyal frekuensi tinggi berisikan bagian-bagian kecil dari sebuah citra atau disebut sebagai detil citra. Dalam kandungan urin terdiri dari beberapa elemen antara lain sel darah merah, sel darah putih, dan epithelium. Kandungan urin tersebut memiliki ukuran dan bentuk yang berbeda-beda. Sel darah merah merupakan elemen yang memiliki ukuran paling kecil, sedangkan sel darah putih ukuranya lebih besar dari sel darah merah, sedangkan untuk epithelium memiliki ukuran yang paling besar bila dibandingkan dengan sel darah merah dan juga sel darah putih. Dalam melakukan proses segmentasi ini untuk menentukan jenis elemen dalam urin dilihat dari aspek ukuran urin tersebut. Dalam tugas akhir ini penentuan suatu region dikatakan sebagai sel darah merah, sel darah putih, dan epithelium hanya melihat dari ukuran region tersebut. Sehingga dapat mengakibatkan kesalahan dalam melakukan segmentasi. Hal ini dapat dipengaruhi oleh beberapa faktor anatara lain besarnya ukuran sel darah putih tidak selamanya lebih kecil dari sel darah merah begitu pula sebaliknya, dalam proses penentuan region termasuk sel darah merah, sel darah putih, dan epitelium tidak hanya dilihat dari segi ukurannya saja, akan tetapi harus dilihat dari bentuk, warna, morfologi, dan juga sel penyusunnya. Berdasarkan hasil ujicoba, nilai minimum untuk sel darah merah yang cukup optimal adalah 100 dengan rata-rata akurasi 48.6%, sedangkan nilai minimum untuk sel darah putih dan epithelium yang cukup optimal adalah 300 dan 1500 dengan rata-rata akurasi 37.88% dan 71.42%. diikuti dengan operasi morfologi yang dapat menghasilkan citra yang focus. 2. Pemilihan nilai minimum dan nilai maksimum sangat berpengaruh terhadap hasil dari segmentasi. Jika nilai minimum terlalu kecil akan mengakibatkan oversegmentasi dan jika nilai minimum yang digunakan terlalu besar maka akan mengakibatkan miss segmentasi. 3. Ukuran sel darah merah, sel darah putih, dan epithelium berbeda-beda untuk tiaptiap citra. Hal ini dapat mengakibatkan kesalahan dalam proses segmentasi. 4. Berdasarkan ujicoba yang dilakukan nilai minimum untuk sel darah merah yang cukup optimal adalah 100 dengan rata-rata akurasi 48.6%, sedangkan nilai minimum untuk sel darah putih dan epithelium yang cukup optimal adalah 300 dan 1500 dengan rata-rata akurasi 37.88% dan 71.42%. 5. Penggunaan metode deteksi tepid an adaptive threshold dapat membantu mengatasi masalah segmentasi terhadap citra yang memiliki tepi yang kurang jelas. 6. Penggunaan algoritma watershed dapat membantu dalam mengatasi masalah overlapping terhadap region, akan tetapi metode yang digunakan tersebut juga masih memiliki kelemahan, karena dapat mengakibatkan oversegmentasi. 5.2. Saran 1. Aplikasi ini dapat disempurnakan lagi dalam melakukan proses segmentasi dengan cara melakukan pengamatan terhadap bentuk morfologi dari urin tersebut. Sehingga dalam proses segmentasi didasarkan pada bentuk, ukuran, dan kerapatan dari sel penyusun urin tersebut. 2. Untuk mendapatkan hasil yang bak hendaknya melakukan perbaikan metode yang dapat mengatasi masalah overlapped terhadap region 11. Kesimpulan Dari hasil ujicoba dan pembahasan dari tugas akhir, penulis menarik beberapa kesimpulan sebagai berikut : 1. Penggunaan transformasi wavelet untuk mengatasi masalah defocusing terhadap citra dilakukan dengan cara mendekomposisi citra dan melakukan rekonstruksi kembali terhadap citra yang 6 Daftar Pustaka [1] R.C. Gonzales dan R.E. Woods, Digital Image Processing, 2nd ed. Upper Saddle River, NJ: Prentice-Hall, 2002. [2] R.C. Gonzales, R.E. Woods dan Steven L.Eddins, Digital Image Processing Using Matlab, 2nd ed. Upper Saddle River, NJ: Prentice-Hall, 2004. [3] http://www.ittelkom.ac.id/library/index.php

terakir di akses : 27 desember 2009. [4] http://aseppopy.net/kesehatan/sekilas-tentangurin. terakir di kases : 01 januari 2010. [5] MATLAB 7.04 Help and Documentation. [6] Y.-K. Sun, Wavelet Analysis and Application, vol. 3(1), China Machine Press, 2005. [7] Yong-Ming Li, Xiao-Ping Zeng, A new strategy for urinary sediment segmentation based on wavelet, morphology and combination method, College of Communication Engineering, Chongqing University, Chongqing 400044, China. [8] B.-G. Kim, J.-I. Shim, D.-J. Park, Fast image segmentation based on multi-resolution analysis and wavelets, Pattern Recognit. Lett. 24 (2003) 2995 3006. 7