SISTEM OTOMATIS UNTUK CROPPING REGION OF INTEREST SEL DARAH PUTIH PADA CITRA LEUKEMIA LIMFOBLAST AKUT Andrey Kartika Widhy Hapantenda 1), F.X. Ferdinandus 2) Teknologi Informasi, Sekolah Tinggi Teknik Surabaya Jl. Ngagel Jaya Tengah 73-77 Surabaya, Jawa Timur, Indonesia 1 andreyhapantenda@gmail.com, 2 ferdi@stts.edu ABSTRAK Leukemia merupakan salah satu penyebab kematian di antara beberapa jenis kanker. Leukemia disebabkan oleh neoplasma maligna atau tumor ganas sel darah putih. Umumnya jenis kanker ini banyak diderita oleh anak-anak dan dewasa di atas usia 50 tahun. Menurut klasifikasi French-American-British (FAB) salah satu tipe Leukemia akut yaitu Leukemia Limfoblastik. Keberadaan LLA ditandai dengan penyimpangan proliferasi Limfoblast pada sumsum tulang. Segmentasi Leukosit merupakan tahap awal yang krusial, segmentasi Leukosit bertujuan mengekstrak region sitoplasma dan nukelus dari sel darah merah dan latar belakang. Metode segmentasi yang akurat dibutuhkan untuk mendapatkan akurasi yang tinggi pada deteksi LLA. Pada penelitian ini diusulkan metode untuk menentukan region sel darah putih serta membaginya ke dalam sub-sub citra. Pada penelitian ini metode ortogonalisasi Gram_schmidt digunakan untuk menentukan ROI sel darah putih. Dan pembagian ke dalam sub-sub citra menggunakan teknik pengolahan citra digital. Akurasi sistem ini dihitung berdasar rasio jumlah region sel darah putih yang dihasilkan sistem dengan jumlah perhitungan manual region sel darah putih, sistem ini memiliki rata-rata akurasi sebesar 98%. Kata kunci : Leukemia Limfoblast Akut, Gram-Schmidt, Citra Medis. ABSTRACT Leukemia is one of the leading causes of death among some types of cancer. Leukemia caused by neoplasm malignant white blood cells. This type of cancer generally suffered by children and adults over the age of 50. According to the classification of the French-American-British (FAB), Acute Lymphoblastic Leukemia is one of some types of Leukemia. The existence of ALL is characterized by deviation of proliferation of Lymphoblast in bone marrow. Leucocyte segmentation is a crucial, early stage Leucocyte segmentation aims to extract region of the cytoplasm and nucleus of white blood cell from red blood cell and the background. Accurate segmentation methods needed to obtain high accuracy in automatic detection of ALL. In this proposed methods try to determine region of white blood cells and dividing it into sub image. Orthogonalization Gram Schmidt method is used to determine the ROI of white blood cell, and digital image processing technique is used to divide it into sub image. The performance of this proposed method is measured by ratio of the number regions of white blood cells that produced by the system with manual counting, this system has an average accuracy of 98%. Keywords : Acute Lymphoblastic Leukemia, Gram-Schmidt, Biomedical Image. 1. PENDAHULUAN A. Latar Belakang Leukemia merupakan salah satu penyebab kematian di antara beberapa jenis kanker. Leukemia disebabkan oleh neoplasma maligna atau tumor ganas sel darah putih. Umumnya jenis kanker ini banyak diderita oleh anak-anak dan dewasa di atas usia 50 tahun. Menurut klasifikasi French-American-British (FAB) salah satu tipe Leukemia akut yaitu Leukemia Limfoblastik [1]. Keberadaan LLA ditandai dengan penyimpangan proliferasi (perbanyakan abnormal) Limfoblast pada sumsum tulang [2]. 133
Sebelum dilakukan pengamatan di bawah mikroskop, terlebih dahulu dilakukan proses staining, yaitu pemberian zat warna pada sample darah. Hal ini dilakukan supaya didapatkan visualisasi yang baik pada komponen-komponen sel darah yang diamati menggunakan mikroskop. Hal ini disebabkan sel darah merah dan sel darah putih mempunyai warna yang transparan. Perbedaan kondisi saat proses staining seperti konsentrasi zat pewarna, suhu dan lama pewarnaan akan menyebabkan variasi warna pada citra mikroskopis sel darah[3]. Saat ini diagnosa awal LLA dilakukan observasi morfologi sel darah putih di laboratorium menggunakan mikroskop secara manual oleh hematologist, hasil observasi manual ini bergantung pada pengalaman dan keterampilan hematologist. Observasi manual ini juga memakan waktu dan melelahkan sehingga berpotensi terjadinya kesalahan diagnosa. Pada penelitian yang dilakukan oleh Rezatofighi, et al [4] telah berhasil mensegmentasi komponen Nukleus dari sel darah putih. Segmentasi Leukosit merupakan tahap awal yang krusial, segmentasi Leukosit bertujuan mengekstrak region sitoplasma dan nukelus dari sel darah merah dan latar belakang. Metode segmentasi yang akurat dibutuhkan untuk mendapatkan akurasi yang tinggi pada deteksi LLA. Untuk proses klasifikasi LLA yang lebih akurat dibutuhkan semua komponen dari sel darah putih, Pada penelitian ini diusulkan sistem otomatis untuk menentukan region of interest seluruh komponen sel darah putih pada citra LLA serta memotongnya menjadi sub-sub citra dengan tujuan untuk mempermudah serta meningkatkan akurasi proses segmentasi. Pada penelitian ini terdapat dua tahap, yaitu tahap penentuan ROI sel darah putih menggunakan metode Ortogonalisasi Gram-Schmidt dan proses pemotongan citra menjadi sub citra menggunakan teknik pengolahan citra digital berdasar bounding box. B. Landasan Teori B.1 Darah Darah merupakan cairan yang terdapat di dalam tubuh manusia. Fungsi darah antara lain untuk memasok zat yang diperlukan oleh sel yaitu oksigen dan nutrisi, selain itu darah juga membawa sisa metabolisme dari sel. Di dalam darah juga terdapat plasma yang merupakan campuran dari protein dan cairan garam yang berisi sel-sel darah. Sel darah terbagi menjadi tiga jenis : a. Eritrosit : sel-sel ini disebut juga sel darah merah yang fungsinya untuk mengambil oksigen dari paru-paru dan membawanya ke jaringan yang membutuhkan untuk proses metabolisme. b. Leukosit : sel-sel ini disebut juga sel darah putih, fungsi utamnaya adalah melawan penyakit infeksius, pada Gambar 1.1 dapat kita lihat contoh citra mikroskopis darah. Gambar 1.1 Citra Mikroskopis Darah B.2 Leukemia Leukemia adalah salah satu jenis kanker yang ditandai dengan pertumbuhan sel darah putih yang abnormal. Berdasarkan seberapa cepat penyakit memburuk, Leukemia dibagi menjadi dua yaitu akut dan kronis. Pada Leukemia akut sel Blast berkembang sangat cepat, kondisi penyakit memburuk sangat cepat. Sedang pada Leukemia kronis, sel-sel Blast lebih matang bila dibandingkan dengan Leukemia akut, dan juga dapat berfungsi secara normal. Jumlah Blast meningkat lebih lambat. Berdasarkan organ hematological yang diserang, Leukemia dibagi menjadi dua : 1. Lymphoid Leukemia yang menyerang organ Limfoid seperti sumsum tulang, limfa dan kelnjar getah bening. 2. Myeloid Leukemia yang hanya menyerang organ-organ Myeloid. B.3 Leukemia Limfoblast Akut Leukemia Limfoblast Akut (LLA) merupakan kanker yang dihasilkan oleh modifikasi biogenetik dari selsel progenitor pada organ Limfoid. LLA diidentifikasi pembentukan limfosit yang tidak terbatas yang biasa disebut dengan Limfoblast. Pembentukan Limfoblast yang tidak terbatas dapat menghentikan produksi darah dalam sumsum tulang yang pada akhirnya dapat menjadi penyebab kematian. Skema klasifikasi kanker oleh French American Britsih (FAB) [5] dan World Health Organization (WHO) [6] adalah dua skema klasifikasi yang digunakan di seluruh dunia untuk membedakan tipe-tipe kanker. 134
Berdasarkan klasifikasi FAB, LLA dibagi menjadi tiga tipe yaitu L1,L2 dan L3 masing-masing memiliki morfologi sel yang berbeda. Menurut WHO LLA dibedakan menjadi tiga kategori yaitu pre-b, pre-t dan mature-b. LLA umum ditemukan pada anak-anak yang merupakan 33% dari total keseluruhan kanker yang diderita oleh anak-anak. Secara global terdapat 1 juta kejadian kanker, 25% di antaranya merupakan Leukemia. Angka kejadian LLA dilaporkan menjadi yang tertinggi di Negara-negara seperti Spanyol, Italia, New Zealand, dan yang terendah berada di Afrika, Amerika dan Asia. Meskipun banyak ditemukan pada anak-anak LLA juga ditemukan pada usia dewasa di atas 65 tahun sebanyak 20%. Contoh darah sehat dan darah dengan sel kanker dapat kita lihat pada gambar 2.2. (a) (b) Gambar 1.2 Contoh darah sehat (a), dan contoh darah mengandung sel kanker (b) B.4 Ortogonalisasi Gram-Schmidt Gram-Schmidt merupakan metode ortogonalisasi himpunan vector pada inner product space, umumnya pada ruang Euclidean R n. Misal himpunan vector S = v 1,...,v n { } maka proses Gram-Schmidt menghasilkan vector ortogonal S' = { u 1,...,u n }yang membentang di subruang yang sama dengan S yang dihasilkan oleh proses Gram-Schmidt [4]. Proyeksi dari Gram-Schmidt adalah sebagai berikut Di mana merupakan inner product dari vector u dan v. Vector v ortogonal vector u, proses metode Gram-Schmidt adalah sebagai berikut : (1) (2) u 1,,u k merupakan vector ortogonal, vector ternormalisasi e 1,,e k merupakan himpunan ortonormal. Gambar 1.3 Dua langkah awal proses Gram-Schmidt 135
Berdasrkan metode ini, untuk himpunan bebas linear, kita mendapatkan vector yang memiliki ortogonal maksimal dengan 1 vektor v k yang diinginkan dan yang memiliki ortogonaly minimum dengan vector lain pada ruang N dimensi. Vektor w k dapat dihitung menggunakan formula berikut : w k v k 1 k j 1 proj v j v k Maka, hasil inner product himpunan S, dengan w k adalah sebagai berikut : (3) ìï í îï v j, w k = 0 j Î1,..., n dan j Ï k v k, w k = K K ¹ 0 (4) Hubungan antara w 2 dengan v 1,v 2 dan v 3 ditampilkan pada gambar 4. Gambar 1.4 Hubungan antara w2, v1,v2 dan v3 dalam ruang 3D Vektor bobot w dihitung untuk memperkuat vector warna yang diinginkan dan melemahkan vector warna yang tidak diinginkan. Seperti terlihat pada gambar 5, inner product dari vector bobot dengan vector piksel dari citra asli menghasilkan citra komposit yang memiliki intensitas maksimum pada region dengan warna ungu dan intensitas minimum pada warna lainnya (a) (b) Gambar 1.5 (a) Citra asli, (b) hasil iner product citra asli dengan vector bobot hasil metode Gram-Schmidt 136
2. METODE PENELITIAN Dalam penelitian ini terdapat dua tahap, yaitu tahap penentuan ROI sel darah putih kemudian pembagian citra ke dalam sub-sub citra yang terdapat ROI sel darah putih yang didapat pada tahap pertama. Adapun alur kerja sistem yang diusulkan dapat dilihat pada gambar 2.1. Penentuan ROI WBC menggunakan metode Gram-Schmidt Cropping Citra berdasar ROI Citra input Gambar 2.1 Alur Kerja Sistem Yang Diusulkan Output berupa sub-sub citra A. Penentuan ROI Menggunakan Metode Ortogonalilsasi Gram-Schmidt Region Nukleus dapat dijadikan untuk penentuan ROI awal sel darah putih dikarenakan region Nukleus memiliki intensitas warna yang sangat berbeda dari region lainnya (sitoplasma, sel darah merah dan background). Intensitas citra LLA F(x,y) diasumsikan sebagai vektor 3D yaitu terdiri dari vektor komponen R, F R (x,y), vektor komponen G, F G (x,y) dan vektor komponen B, F B (x,y). Vektor v 1 didefinisikan dari rata-rata vektor 3D region nukleus, Vektor v 2 dan v 3 didefinisikan dari vektor 3D region sitoplasma dan background (termasuk sel darah merah). Vektor v 1, v 2, v 3 ditentukan dari sample citra LLA dituliskan pada persamaan 10 berikut :, (10) Selanjutnya proses ortogonalisasi Gram Schmidt dilakukan pada Vektor v 1, v 2, v 3 untuk memperoleh vektor bobot w k menggunakan persamaan (3). ROI awal sel darah putih f wbin(x,y) didapat dari hasil inner product citra LLA dengan vector bobot w k. Proses penentuan ROI awal sel darah putih dapat dilihat pada gambar 2.2. Untuk menggabungkan region yang merupakan bagian dari sel bertumpuk/bersentuhan yang terpisah dengan region lainnya dilakukan dengan operasi dilasi. Hal ini dikarenakan f wbin(x,y) merupakan lokasi perkiraan nukleus yang berada di tengah membrane sel darah putih yang diilustrasikan pada gambar 2.3. Gambar 2.2 Penentuan ROI Awal Sel Darah Putih Dengan Metode Gram Schmidt 137
(a) (b) Gambar 2.3 Ilustrasi Region f wbin(x,y) pada sel bertumpuk/bersentuhan yang terpisah dengan region lainnya. (a)roi awal sel darah putih f wbin(x,y) sebelum dilakukan dilasi. (b)roi awal sel darah putih f wbin(x,y) setelah dilakukan dilasi. B. Pembagian Subcitra Setelah didapat ROI awal sel darah putih, dilakukan proses cropping untuk membagi citra LLA menjadi sub-sub citra dengan tujuan untuk mempermudah dan meningkatkan akurasi pada proses segmentasi menggunakan optimasi nilai local threshold karena berdasarkan distribusi piksel gray level masingmasing sub citra. Contoh pembagian sub citra dapat dilihat pada gambar 8. Initial ROI sel darah putih Penentuan bounding box awal per region Resizing bounding box awal Cropping citra F(x,y) berdasarkan bounding box final bounding box awal bounding box final 3. HASIL DAN PEMBAHASAN sub-citra sel darah putih F i (x,y) Gambar 2.4 Alur Pembagian Citra LLA Menjadi Sub-Sub Citra LLA Berdasarkan ROI Awal Sel Darah Putih Dataset citra yang digunakan dalam pengujian sistem ini adalah basis data citra leukemia limfoblastik akut (LLA) ALL-IDB1, yang disediakan oleh Labati, dkk [7]. ALL-IDB1 adalah dataset citra sampel sediaan apus darah tepi (peripheral blood smear) dari individu yang tidak menderita ALL dan pasien penderita ALL, yang tersedia untuk umum dengan izin. Sampel tersebut dikumpulkan oleh pakar di Pusat Penelitian Tettamanti, Tettamanti Research Center untuk leukemia anak-anak dan penyakit hematik, Monza, Italia. Basis data ALL-IDB1 dapat digunakan untukpengujian kemampuan algoritma segmentasi dan sistem klasifikasi karena terdiri dari citra dengan resolusi, perbesaran, dan pencahayaan yang berbeda-beda. Hasil output dari sistem dapat dilihat pada gambar 3.1. Akurasi sistem ini dihitung berdasarkan rasio jumlah subcitra yang dihasilkan oleh sistem dan terdapat sel darah putih dengan jumlah region sel darah putih yang dihitung secara manual dan disajikan pada tabel 3.1. 138
Gambar 3.1 Contoh Hasil Output Sistem Tabel 3.1. Hasil Pengujian Sistem Citra Input Jumlah Region Akurasi (%) Sistem Manual Im001_1 11 11 100% Im002_1 16 17 94% Im007_1 9 9 100% Im011_1 17 17 100% Im023_1 7 7 100% 4. PENUTUP Berdasarkan hasil pengujian yang dilakukan, sistem ini memiliki performa yang baik untuk menentukan ROI seluruh komponen sel darah putih dan membaginya menjadi sub-sub citra yang dapat digunakan untuk membantu proses segmentasi dan klasifikasi LLA secara otomatis. Dengan akurasi yang tinggi sistem ini dapat membantu petugas laborat untuk mendeteksi sel kanker LLA dan dapat menurunkan potensi terjadinya kesalahan diagnosa yang dilakukan secara manual. 5. DAFTAR PUSTAKA [1] L. Putzu, G. Caocci, and C. Di, Artificial Intelligence in Medicine Leucocyte classification for leukaemia detection using image processing techniques, Artif. Intell. Med., vol. 62, no. 3, pp. 179 191, 2014. [2] B. Bain, Blood cells: A practical guide. 2008. [3] D. Huang, K. Hung, and Y. Chan, The Journal of Systems and Software A computer assisted method for leukocyte nucleus segmentation and recognition in blood smear images, J. Syst. Softw., vol. 85, no. 9, pp. 2104 2118, 2012. [4] S. H. Rezatofighi, A New Approach to White Blood Cell Nucleus Segmentation Based on Gram-Schmidt Orthogonalization, pp. 107 111, 2009. [5] J. M. Bennett et al., Proposals for the Classification of the Acute Leukaemias French-American- British (FAB) Co-operative Group, Br. J. Haematol., vol. 33, no. 4, pp. 451 458, 1976. [6] J. W. Vardiman et al., The 2008 revision of the World Health Organization (WHO) classification of myeloid neoplasms and acute leukemia: Rationale and important changes, Blood, vol. 114, no. 5, pp. 937 951, 2009. [7] R. D. Labati, V. Piuri, and F. Scotti, All-IDB: The acute lymphoblastic leukemia image database for image processing, 2011 18th IEEE Int. Conf. Image Process., pp. 2045 2048, 2011. 139
140