BAB I PENDAHULUAN 1.1 Latar Belakang Kanker adalah suatu penyakit dimana terjadi pertumbuhan berlebihan atau perkembangan tidak terkontrol dari sel-sel jaringan pada bagian tubuh tertentu. Kanker payudara merupakan jenis kanker yang sering ditemukan pada wanita. Menurut WHO pada tahun 2008 ada sekitar 1,38 juta kasus terbaru dan 458.000 wanita meninggal tiap tahunnya diakibatkan oleh kanker payudara, lebih dari setengahnya, yaitu sekitar 269.000 terdapat di Negara berkembang dengan angka pendapatan perkapita yang rendah [1]. Sedangkan di Indonesia menurut profil kesehatan Departemen Kesehatan Republik Indonesia Tahun 2012 kanker tertinggi yang diderita wanita Indonesia adalah kanker payudara dengan angka kejadian 2,2 % dari 1000 perempuan. Jika hal ini tidak bisa terkendali, maka diperkirakan pada tahun 2030 akan ada 26 juta orang menderita kanker payudara dan 17 juta meninggal dunia [2]. Untuk itu diperlukan adanya deteksi dini kanker payudara melalui mamografi untuk dapat meningkatkan kesempatan bertahan hidup. Hal tersebut terbukti di Amerika dan Inggris dengan deteksi dini dapat menyelamatkan 12 sampai 37 jiwa perhari. Dengan perspektif, di Amerika dari 527 kasus kanker payudara dengan tingkat kematian 110 perhari, jika dilakukan deteksi dini dapat menyelamatkan 37 jiwa perhari. Di Inggris dari 125 kasus kanker payudara dengan tingkat kematian 35 perhari, jika dilakukan deteksi dini dapat menyelamatkan 12 jiwa perhari [3]. Kanker payudara tidak selalu bisa terlihat dengan mata telanjang karena tanda-tanda awal kanker sering kali tersembunyi dibalik jaringan payudara. Meskipun dapat melihat perubahan pada payudara setiap saat namun sangat sulit untuk mengambil kesimpulan bahwa itu adalah suatu kanker payudara. Oleh sebab itu, 1
untuk dapat mengetahui secara tepat apakah payudara dalam kondisi normal atau sedang mengalami gejala gejala tumor payudara maka dibutuhkanlah sebuah alat bantu medis yang berfungsi untuk mendiagnosis kelainan pada payudara. Terdapat beberapa alat bantu radiologi konvensional yang umum dipakai untuk dapat melakukan skrining tumor diantaranya adalah Mammografi, Ultrasonografi (USG), Magnetic Resonance Imaging (MRI), PET Scan. Salah satu metode pemeriksaan secara medis yang banyak dilakukan adalah mammografi, mammografi merupakan alat bantu radiologi yang paling banyak digunakan untuk skrining payudara. Karena harganya yang ekonomis dan terbukti dapat menunjang secara efektif dan mudah dalam proses pengklasifikasian kanker payudara [11]. Namun sekitar 5-10% dari hasil mammografi diklasifikasikan sebagai abnormal atau tidak meyakinkan [3]. Jumlah dokter spesialis radiologi Indonesia saat ini mencapai lebih dari 700 orang yang melayani lebih dari 220 juta penduduk Indonesia, jumlah yang masih sangat kurang terutama bila mempertimbangkan perkembangan ilmu dan teknologi yang sangat pesat belakangan ini [5]. Adanya keterbatasan jumlah ahli radiologi ini, terutama di daerah-daerah yang sulit di jangkau, menyebabkan susahnya mendapatkan hasil diagnosis dengan cepat dan tepat untuk pasien penderita kanker payudara. Sehingga dibutuhkan prosedur untuk dirujuk ke rumah sakit yang lebih memadai atau menunggu adanya dokter ahli, dan hal ini menyebabkan penanganan untuk pasien jadi tidak bisa ditangani secara cepat. Umumnya dokter hanya mengandalkan kemampuan penglihatan dalam menganalisa sebuah mammogram untuk menentukan seorang terdapat kanker payudara atau tidak. Namun dengan cara tersebut terdapat kelemahan dalam menganalisa citra mammogram karena ada beberapa kasus yang sulit dibedakan dengan mata telanjang. Kondisi tersebut menyebabkan dibutuhkannya sebuah metode yang mampu membantu dokter dalam diagnosis hasil skrining kanker payudara yang dengan metode itu dokter bisa membuat analisa terhadap citra payudara secara lebih tepat dan juga mendapat masukan dari metode sebagai second opinion dalam melakukan diagnosis [10]. Dengan adanya CAD (Computer-Aid Diagnosis) 2
diharapkan dapat membantu dokter dalam melakukan diagnosis terhadap citra mamografi dengan lebih cermat dan teliti dan dalam waktu singkat, sehingga dapat mengurangi tingkat subyektifitas yang diakibatkan oleh kurangnya pengalaman, kelelahan atau faktor human error lainnya dari dokter maupun radiologis. Sistem CAD terdiri atas tiga modul yaitu pra pengolahan, deteksi dan klasifikasi. Pada tahap pra pengolahan, akan dilakukan hal-hal yang bertujuan untuk mempermudah proses selanjutnya. Apabila mammogram belum merupakan mammogram digital, maka akan dikonversi lebih lanjut ke digital agar dapat diproses oleh komputer. Langkah selanjutnya adalah memisahkan antara latar belakang dengan bagian yang merupakan payudara. Pemisahan ini dilakukan karena pada dasarnya sepertiga dari mammogram adalah sebuah latar belakang yang menyimpan informasi yang sangat minim. Tujuan utama dari preprocessing yaitu untuk meningkatkan informasi dari citra yang terdistorsi. Informasi yang seharusnya bisa diekstraksi terkadang terhalang noise sehingga informasi dari citra tidak bsa didapatkan. Beberapa contohnya yaitu contrast yang buruk yang menyebabkan kualitas gambar menurun. Tahap selanjutnya dari modul CAD yaitu tahap deteksi, tujuan utamanya yaitu untuk menemukan wilayah yang dicurigai memiliki kemungkinan sebagai kanker. Area yang dicurigai tersebut adakalanya terhalang noise sehingga diperlukan adanya proses contrast enchanment dan segmentation agar citra menjadi lebih jelas. Langkah terakhir adalah dilakukan ekstraksi fitur untuk menentukan apakah area yang dicurigai tersebut adalah area yang benar atau tidak. Modul terakhir yaitu klasifikasi, fitur-fitur yang telah didapatkan dari hasil ekstraksi fitur digunakan sebagai input untuk menentukan jenis dari gumpalan mencurigakan yang ditemukan yang dibagi kedalam kelas-kelas tertentu yaitu normal, malignant dan benign. Normal berarti gumpalan yang ditemukan tidak merupakan kanker. Benign dapat dikatakan tumor tapi tidak menyebar ke organ lain dan tidak membahayakan. Malignant adalah jenis tumor yang dapat menyebar ke organ tubuh lain dan bisa membahayakan jiwa penderita. Pada tesis ini akan dibangun 3
metode pra pengolahan, ekstraksi fitur berbasis tekstur dan klasifikasi yang dapat mengklasifikasikan hasil skrining mammogram payudara ke dalam kelas normal, benign dan malignant, sehingga pasien dapat mengetahui hasil skrining mereka secara tepat untuk deteksi awal dari kanker payudara. 1.2 Perumusan Masalah Masalah yang dirumuskan berdasarkan dari latar belakang diatas yaitu : 1. Kurangnya kualitas citra payudara, seperti kontras yang rendah dan adanya noise, maka dibutuhkan metode pra pengolahan yang baik untuk meningkatkan kualitas citra sehingga mudah dalam proses selanjutnya (ekstraksi fitur dan klasifikasi). 2. Melakukan proses ekstraksi fitur berbasis tekstur pada citra payudara tanpa cropping pada bagian ROI dan tanpa segmentasi untuk menghasilkan fitur yang optimal dan dapat menunjang keakuratan dari proses klasifikasi payudara, baik untuk 2 kelas normal dan abnormal maupun 3 kelas, yaitu normal, benign dan malignant. 3. Dibutuhkan adanya metode klasifikasi yang dapat mendiagnosis keabnormalan pada payudara secara tepat berdasarkan fitur yang didapat pada proses ekstraksi fitur untuk mengurangi tingkat subjektifitas dari dokter atau radiologis. 1.3 Keaslian Penelitian Terdapat berbagai teknik yang dilakukan dalam menganalisis mammogram payudara, mulai dari tahap pra pengolahan, seperti yang dilakukan oleh munoz, dkk [6], pada penelitiannya Nonsubsampled Contourlet Transform (NSCT) digunakan untuk proses peningkatan kontras citra mammogram. Disini koefisien NSCT dimanipulasi dengan koefisien non linier. Sehingga dihasilkan citra rekonstruksi yang lebih baik dari hasil manipulasi koefisien tadi. Untuk mendapatkan ciri yang spesifik dari mammogram ini, citra ditransformasi ke dalam domain NSCT untuk memperoleh 4
multiskala dan dekomposisi multi arah pada N level dan M N arah per level dari citra. Penelitian lainnya yaitu, penelitian oleh M. Sundaram, dkk [7], melakukan perbandingan terhadap berbagai macam teknik perbaikan contras diantaranya histogram equalization (HE), CLAHE, Unsharp masking filter dan histogram modified local contrast enhancement (HMLCE). Dari penelitiannya disimpulkan bahwa CLAHE merupakan metode yang baik untuk perbaikan kontras. Pada penelitian yang dilakukan oleh Boss, dkk [8], peneliti menggunakan metode Contrast Streching (CS) untuk tahap pra pengolahan kemudian dilanjutkan dengan median filter dan Connected Component Labeling (CCL) untuk penghilangan label pada citra mammogram dan kemudian dilakukan proses untuk menghilangkan pectoral muscle (otot dada) yang ikut terscan. Sedangkan untuk tahap ekstraksi fitur dan klasifikasi juga banyak penelitian yang telah dilakukan, seperti penelitian oleh Menaka dan Karpagavalli [9], pada penelitiannya, untuk tahap pra pengolahan citra, citra dipangkas dibagian Region of Interest (ROI) untuk selanjutnya dilakukan perataan histogram untuk meningkatkan kontras pada wilayah ROI tersebut. Sedangkan untuk proses ekstraksi fitur berbasis histogram dan GLCM, dilanjutkan dengan proses klasifikasi dengan metode Extreme Learning Machine dan Genetic Programming untuk mengklasifikasi kelas jinak dan ganas. Selanjutnya penelitian oleh Herwanto dan Aniati Murni Arymurthy [12], Proses identifikasi dimulai dengan melakukan perbaikan citra untuk menghilangkan artifak dengan cropping. Selanjutnya dilakukan peningkatan kontras dengan CLAHE. Kemudian dicari daerah kandidat massa dengan 2 cara, yaitu : menandai daerah yang dicurigai massa kanker dengan adaptive tresholding teknik p-tile. Dan menandai dengan connected component. Untuk ekstraksi fitur dengan fitur tekstur GLCM, dengan ciri : kontras, korelasi, energy, homogenity untuk mengetahui apakah itu massa atau bukan dan mendeteksi margin massa tersebut. Viet Dzung Nguyen, dkk [13], pada penelitiannya, untuk tahap preprocessing menggunakan operasi morfologi top hat dan bottom hat, kemudian deteksi ROI 5
dengan menggunakan metode berbasis kontur. Tiap ROI yang dideteksi di labeli sebagai TP ROI atau FP ROI. Proporsi dari jumlah TP ROI dan jumlah massa aktual disebut sensitivity. Dilanjutkan dengan ekstraksi fitur memakai GLCM, dengan ciri : energi, entropi, korelasi. Untuk klasifikasi dengan menggunakan ANN dengan 2 layer feed fordward yang ditraining dengan gradient descent learning. Untuk mengevaluasi CAD, Receiver Operating Characteristic (ROC). Kurva ROC merepresentasikan sensitivity dan specificity sistem. Dari berbagai macam penelitian yang telah ada tersebut, maka pada penelitian ini citra yang dipakai adalah citra tanpa cropping pada bagian ROI atau pun citra yang telah disegmentasi pada bagian tertentu, dengan kata lain citra yang dipakai adalah citra yang dipangkas pada bagian payudara saja dengan ekstraksi fitur khusus berbasis tekstur dengan mencobakan metode GLCM, GLRLM dan histogram. Pada penelitian ini kita dapat mengetahui kinerja dari berbagai metode untuk pra pengolahan dengan tujuan peningkatan kontras, ekstraksi fitur berbasis tekstur dan metode klasifikasi dengan melihat dari nilai akurasi, sensitifitas dan spesifisitasnya. Untuk tahap pra pengolahan dengan tujuan meningkatkan kontras citra dipakai metode, yaitu : CLAHE, Non Subsampled Contourlet Transform (NSCT), dan Contras Streching (CS), untuk selanjutnya dilihat kinerja masing-masing algoritma, seberapa baik algoritma tersebut dapat dijadikan inputan untuk tahap ekstraksi fitur dan klasifikasi. Kinerja masing-masing algoritma dengan melihat nilai MSE dan PSNR dari metode tersebut. Selain menggunakan nilai MSE dan PSNR, nilai hasil klasifikasi menjadi penentu metode mana yang paling bagus untuk digunakan. Tahap ekstraksi fitur yaitu berbasis GLCM yang terdiri dari : ASM, IDM, Korelasi, entropi, kontras yang dibandingkan dengan metode ekstraksi berbasis tekstur lainnya, yaitu : Gray Level Run Length Matrix (GLRLM) dan berbasis Histogram. Sedangkan pada tahap klasifikasi digunakan classifier berbasis Multi Layer Perceptron (MLP) dengan metode pembelajaran Back Error Propagation (BEP) yang dibandingkan dengan metode classifier lainnya, yaitu Support Vector Machine (SVM) dan Naïve Bayes. 6
1.4 Tujuan Penelitian Penelitian ini bertujuan untuk membangun metode yang dapat mengklasifikasi hasil skrining citra payudara tanpa cropping pada bagian ROI dan tanpa segmentasi ke dalam kelas normal, benign dan malignant berdasarkan fitur tekstur. 1.5 Manfaat Penelitian Penelitian ini diharapkan dapat memiliki manfaat sebagai berikut : 1. Sebagai bahan pertimbangan bagi dokter radiologi dalam pengambilan keputusan terhadap keabnormalan payudara seseorang. 2. Setelah melakukan skrining diharapkan pasien mendapatkan penanganan yang cepat dan tepat sesuai dengan keabnormalannya. 3. Mendapat rujukan tentang metode yang cocok untuk digunakan untuk proses pra pengolahan, ekstraksi fitur dan klasifikasi. 7