93
ANALISA MAMMOGRAFI MIKROKALSIFIKASI MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA TINGKAT KEABUAN Handayani Tjandrasa*, Anak Agung Ngurah Gunawan**, dan IDG Sukardja*** ABSTRAK
Mammografi adalah metoda yang efektif untuk mendeteksi tumor payudara. Ditemukannya mikrokalsifikasi pada mammogram merupakan tanda-tanda utama adanya tumor payudara. Meskipun demikian sulit untuk membedakan antara mikrokalsifikasi ganas dan jinak pada tumor payudara. Metode histogram orde dua yang digunakan untuk proses analisa kalsifikasi pada citra mammografik diharapkan dapat menentukan mana yang ganas dan yang jinak. Keadaan ini berbeda dengan metode pemisahan ciri-ciri bentuk berdasarkan proses segmentasi. Pengolahan lebih lanjut dengan klasifikasi statistik menghasilkan fungsi determinan untuk menentukan jenis tumor payudara. Dari hasil perhitungan histogram orde dua diperoleh bentuk grafik yang berbeda untuk berbagai jenis tumor payudara. Hasil uji coba untuk 40 sampel citra mammografik menunjukkan prediksi bahwa 39 sampel benar dan 1 sampel salah, yang memberikan akurasi sebesar 97,5%. Kata kunci: mammografi, mikrokalsifikasi, histogram orde dua
ABSTRACT
Mammography is an effective method to detect breast tumors. The detection of microcalcifications in mammograms is the early significant sign of the breast tumor. However it is difficult tn differentiate fc»twe»n malignant and benign microcalcifications in breast tumors. The second order histogram method used for analyzing mammographic images is expected to be able to differentiate which tumor is malignant or benign. This method is different from the features based on extracted segmentation. Further processing with statistical classification result in discriminant functions for determining the type of breast tumors From the calculation of the second order histogram can be obtained different shaped graphics for different types of breast tumors. The experimental results for 40 samples of mammographic images show the prediction that 39 samples are correct and 1 sample is false which gives the accuracy of 97.5 %. Keywords: mammography, microcalcification, second order histogram
1. PENDAHULUAN
Di Indonesia, kanker payudara merupakan proses keganasan kedua Isrbanyak pada wanita setelah carcinoma cervix uteri. Walaupun kanker ini terbanyak menyerang wanita usia 40-49 tahun, ternyata bisa menyerang wanita muda usia muda. Kepastian diagnose untuk kanker tergantung dari temuan pada pemeriksaan yang dipakai sebagai dasar diagnose. Kepastian itu dibagi menjadi 5 tingkatan: 1) Temuan pada pemeriksaan standar. Untuk diagnostik lesi mamma pemeriksaan standar adalah anam-nese, pemeriksaan fisik dengan sistem TNM (Tumor-Nodus-Metastase) dan pemeriksaan radiologi dengan mammografi. * Jurusan Teknik Informatika, FTIF, ITS Surabaya ** Universitas Udayana Bali *** Universitas Airlangga Surabaya
2) Temuan pada pemeriksaan khusus. Pemeriksaan khusus untuk diagnostik adalah pemeriksaan patologi yang dipakai sebagai gold standard. 3) Temuan pada operasi eksplorasi. Pemeriksaan eksplorasi terutama untuk mengetahui banyak dan tinggi level metastase di nodus axilla. 4) Temuan pada operasi definitif dan spesimen operasi. Setelah diadakan operasi, maka spesimen operasi harus diperiksa patologis, terhadao besar tumor dan ada atau tidaknya metastase di nodus axilla, banyaknya nodus axilla yang terkena serta tinggi level metastase. Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
94
5) Temuan pada autopsi. Pemeriksaan
ini baru
dilaksanakan
setelah
besar tumor untuk dapat diraba dianggap 1 cm maka dengan mammografi, tumor dapat dideteksi sampai waktu ganda dalam perjalanan penyakit kanker
diagnostik yang tertinggi.
minimal 2 mm, atau dengan keuntungan maksimal S
penderitn mpninggal dan mcrupakan
kcpastian
payudara. Kalau waktu ganda dalam pertumbuhan Sejak sekitar tahun 1987, di Indonesia penelitian dalam bidang ini mulai banyak dilakukan, dengan sono-mammografi tumor payudara yang padat dapat memberi kontras yang baik (Hartono dan Oesman 1987). Kombinasi pemeriksaan mammografi dan sonografi dapat meningkatkan ketepatan diagnosa tumor payudara (Hasan dkk. 1989; Sukardja 1984). Untuk analisa secara otomatis dengan komputer, film mammogram diubah dalam bentuk citra digital uutuk
dipiuses
lebiti
lanjut.
Pengembangan
kanker
mamma
itu rata-rata
3
bulan, maka
keuntungan waktu yang diperoleh dengan staining mammografi adalah 2 tahun terdeteksi lebih dini. Sehingga stadiumnya lebih dini dan kemungkinan sembuh lebih besar. Deteksi dini dapat diperoleh dari citra mammogram dengan mikrokalsi-fikasi, hanya tidak semua kanker mengalami kalsifikasi dan tidak semua kalsifikasi itu karena kanker. Mammografi (Sukardja 1984) mempunyai:
2) Sensitivitas: >90%.
(Mascio dkk. 1994) menganalisa dan memberi tanda
1) Kemampuan deteksi kanker mamma: 80%.
algoritma menggunakan morfologi tingkat keabuan mikrokalsifikasi pada mammogram digital dengan harapan untuk mengurangi persentase dari diagnosa f a l s e - n e g a t i v e yang diestimasikan 20%, sedangkan Kabatake (1996) menggunakan untuk mendeteksi
spicules
analisa
pada
skeleton
mammogram.
Penyelesaian klasifikasi tesktur dengan Wavelet diberikan oleh Laine dan Fan (1993).
Pada studi ini digunakan histogram orde parameter-parameter E n t r o p y ,
dua dengan
Contrast,
Angular
3) Spesifisitas: >90%. 4) P o s i t i v e p r e d i c t i v e v a l u e : 10-40%. 5) Tambahan deteksi dengan d o u b l e r e a d 15 %. Kelainan yang nampak pada mammografi dapat berupa: 1) Tanda Primer • Tumor
kasar
Wintz 1987) untuk analisa tekstur mikrokalsifikasi
(irreguler), batas tidak tegas, permukaan
Pratt 1991; Jain 1999; Hussain 1991; Gonzales dan
Tumor pada kanker bentuknya tidak teratur
second
M o m e n t dan lain-lain (Dhawan dkk. 1996;
mammogram.
Data
mammogram
untuk
dan berjonjot
(speculated). Kurang
mammografi.
anatomi Rumah Sakit Dokter Soetomo Surabaya.
tumor
keperluan studi ini diperoleh dari catatan patologi
lebih 5 % batas tumor tegas, dan 10-15 %
pada
palpabel
tidak
terlihat
dengan
Karena jenis tumor ganas mikrokalsifikasi relatif •
sukar didapat maka hanya diperoleh data sebanyak 5
Kalsifikasi
(clustered)
Mikrokalsifikasi (GTM), dan 16 kasus Normal (N).
mikrokalsifikasi
Tanpa Mikrokalsifikasi (JTM), 7 kasus Ganas Tanpa
Kalsifikasi
kasus Ganas Mikrokalsi-fikasi (GM),
12 kasus Jinak
pada
kanker yang
berupa
bergerombol
atau linier dengan penyebaran
yang tidak teratur. Kalsifikasi bergerombol ± 33 %. Sekitar 50 % kanker mamma yang non
2. MAMMOGRAFI Dalam
radiologi
palpabel pemeriksaan
mammografi
dapat
dideteksi
karena
ada
mikrokalsifikasi.
merupakan pemeriksaan yang paling sensitif untuk •
mendiagnosa lesi mamma, walaupun mempunyai
Distorsi struktur mamma
s t r i n g sign),
mamma yang kecil dan padat, serta mamma dengan
Ada
keterbatasan untuk menunjukkan adanya tumor pada f i b r o c y s t i c disease.
gambaran seperti pengerutan
(purse
asimetri.
Kalau dengan palpasi batas
Majalah IPTEK - Vol. 14, No. 2 Mei 2003
95
Pemeriksaan pada kanker yang non palpabel
3.2 Kontras H( y„, y , d)
menunjukkan:
Ciri-ciri kontras pada histogram orde dua dinyatakan
r
oleh:
•
Struktur tanpa kalsifikasi 5 0 %
•
Asimetri Mikrokalsifikasi 90 %
t
Tumor irreguler dengan kalsifikasi 70%
•
Tumor irreguler tanpa kalsifikasi 40%
•
Distorsi struktur dengan kalsifikasi 60%
•
Distorsi dengan kalsifikasi 30 %
Y, 2 Yq =Y,
Y 2 d( y , y ) H( y , y„ d) Yr=Y, t
q
r
q
dimana 5(y ,y ) adalah ukuran ketidakseragaman. q
2) Tanda Sekunder
r
Ukuran ini menyatakan ketajaman variasi struktural dalam citra tersebut.
3.3 Momen Angular Kedua H(y ,y ,d) q
•
Retraksi kulit atau papil
•
Penebalan kulit
•
Permeasi limfe { l y m p h a t i c p e r m e a t i o n )
•
Hypervaskularasi
•
Pelebaran duktus
•
Pembesaran nodus axilla
Momen
angular
kedua
r
memberikan
ukuran
keseragaman yang kuat dan diekspresikan dengan: Y Y - r' £ '[H(y,.yr.d)] Yq=Y, Yr=Y, Nilai-nilai
2
ketidakseragaman
yang
lebih tinggi
menyatakan variasi struktural yang lebih tinggi.
3. M E T O D E HISTOGRAM ORDE DUA
3.4 Momen Diferensial Invers H(y ,y ,d) q
Histogram orde dua H(y ,y ,d) mendeskripsikan pendistribusian kemungkinan kejadian dari sepasang piksel tingkat keabuan yang dipisahkan oleh suatu vektor pergeseran (d). Berdasarkan histogram orde dua, dapat dilakukan analisa tekstur dengan menghitung parameter-parameter sebagai berikut: Entropy, Contrast, Angular second moment, inverse difference moment, Correlation, Mean, Deviation, Entropy of H , Angular Second moment (ASM) of Hdiff (Dbawan dkk. 1996; Pratt 1991; Jain 1989; Hussain 1991; Gonzales dan Wintz 1987). q
r
r
diff
Momen diferensial invers adalah suatu ukuran dari homogenitas lokal dan diformulakan oleh: Y|
Y
Yq =Y, Y r - Y , l+3(y ,y ) q
r
J
untuk Y r * Y q
3.5 Nilai Rata-rata (Mean) H ( y , d) m
q
Nilai rata-rata dari H (y ,d) didefinisikan sebagai: m
3.1 Parameter Entropy H (y , y , d) q
r
Entropy yang dihitung berdasarkan histogram orde dua memberikan ukuran ketidakseragaman dan didefinisikan sebagai: Y, Y, - 2 I [H(y ,y„d)]log[H(y ,y„d)] Yq=Y, Yr=Y, q
q
•
q
Y, £ y H (y d) Yq=Y, q
m
q )
Bila nilai meannya kecil maka histogram terkonsentrasi di sekitar y = y „ dan nilainya besar jika sebalikmya. s
Nilai ukuran keseragaman yang tinggi menunjukkan variasi struktural yang lebih rendah.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
96 3.6 Deviasi dari H m ( y q , d) Deviasi dari Hm( yq, d) diberikan oleh:
v, v, V [ 2[y q - 2 y p H m (y p ,d)] 2 H m (y q ,d)]
Yq=Y, Yp=Y,
dimana:
Y,
H m (y p ,d)= Z H ( y q , y r , d )
Yp=Y,
Mm(
M
) ~ E II{ , q , y„ d ) Yq=Y,
Nilai ini menyatakan kerapatan distribusi Hm(yp,d) disekitar nilai rata-rata. Bila nilai deviasi kecil maka histogram terkonsentrasi disekitar nilai rata-rata. Disamping parameter diatas, didefinisikan pula histogram orde dua diferensial. Histogram orde dua diferensial mewakili probabilitas kejadian dari perbedaan (lyq - yrl = I), dalam nilai tingkat keabuan dari dua piksel yang dipisahkan oleh vektor berjarak tertentu (d). Histogram ini didefinisikan sebagai: Yt Y, S I H(yp,yr,d) Yq =Yi I Yq -Y, | = i Yp=Y,
H«r(w#>
Tiga sifat berdasarkan histogram orde dua diferensial dijelaskan di bawah. Tujuan penggunaan sifat-sifat dari statistik diferensial histogram orde dua adalah untuk menelaah lebih jauh sifat-sifat citra mammogram. 3.7 Entropy H dif f(i,d) Entropy yang dihitung memberikan: i, - 1 HiffCi.d) log Hdl(T(i,d) i=i,
terhadap
Hd,n(i,d)
3.8 Momen Angular Kedua dari Hditf(i,d) Momen Angular kedua dari Hdin{i,d) dinyatakan sebagai: it Hdi(r(i,d) = 2 [Hdiff(i,d)]2 i=i, 3.9 Nilai rata-rata dari Hdifr(i,d) Sedangkan nilai rata-rata (mean) dari H ^ d ) diperoleh dari: i. Mean Hjifrad) = 2 iH^ad) i=i, Perlu dicatat bahwa kita menghitung sifat-sifat untuk suatu jarak skalar tertentu 'x' sebagai rata-rata dari vektor pergeseran d = (x, 0), (0, x), (x, x), dan (x, -x). Vektor-vektor pergeseran ini menyatakan piksel-piksel pada jarak yang sama dari titik referensi. 4. HASIL UJI COBA Untuk uji coba digunakan 40 citra mammogram yang terdiri dari 5 kasus Ganas Mikrokalsifikasi (GM), 12 kasus Jinak Tanpa Mikrokalsifikasi (JTM), 7 kasus Ganas Tanpa Mikrokalsifikasi (GTM), dan 16 kasus Normal (N). Citra mammogram diperbaiki dengan proses ekualisasi histogram untuk mendapatkan visualisasi yang lebih jelas. Selanjutnya dilakukan analisa tekstur menggunakan metode histogram orde dua dengan menghitung parameter-parametemya. Gambar 1, 2, 3, 4, dan 5 memperlihatkan jenis-jenis tumor, hasil ekualisasi histogram, serta hasil prediksinya berdasarkan nilai entropy dari histogram orde dua.
Majalah IPTEK - Vol. 14, No. 2 Mei 2003
97
(a) GS3Z9I
•
'
«...
(b) Gambar 1. Jenis tumor ganas nukrokalsifikasi: (a) Citra asal "dan histogram ekualisasi. (b) Hasil prediksinya.
•
-
4
(b) Gambar 3. Jenis tumor jinak tanpa mikrokalsifikasi:
(a) Citra awal dan histogram ekualisasi. (b) Hasil prediksinya.
jHjo-.trnKoCv
li t i y £+ •• i . : • • > . t ' - ' i y :. ; .-A I * •» « * •
WKSSKSstts: : : ::
::
.M;5*:': C.
»l • • M W f i n
ft*:*™
x: 0. B J J K J ' . : : :
:W:':>>::':t>:*W<:::::::: ::M:::'>x: :fi:::^t«::::::x> :
: : ;
:
::!'l">>T;;::^.*Wii:;::;::::: : :
:
J« -K
(b) GafTlbSf 2. Jenis tumor ganas tanpa mikrokalsifikasi: (a) Citra asal dan histogram ekualisasi. (b) Hasil prediksinya.
,« .
.
..
i
(b) Gambar 4. Jenis normal: (a)Citra asal dan histogram ekualisasi. (b)Hasil prediksinya.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
r.v
5.6967169*d5- 6.6436526M6 31.1283052*d7+ 13.1412975*d8+ 1.0480655*d9 +7.2533856*dl0 :i:j::o:|:iii^ijJy*:
. .
Y3 =-4.1109589 + 5.4663126*dl.+ 1.8430295*d222.7307586*d3- 0.4487816*d4 2.3318533*d5+ 22.5505006*d6 16.9662300*d7+ 9.040922*d8+ 11.2156147 *d9-3.9252490*dl0 Rata-rata skor diskriminan kelompok i untuk fungsi diskriminan j (Yij) adalah: Y l l = 9.20748; Y12=-0.58657 Y13= 0.64592; Y21=-2.23598 Y 2 2 = - i .3Z3SS;
Y23= 0.84889
Y31= -0.84435; Y32= 2.22283 Y33= 1.22613; Y41=-0.29198 Y42= 0.19093; Y43= -1.52523 Persamaan Kelompok adalah: Gambar 5. Jems ganas mikrokalsifikasi tanpa tumor: (a) Citra asal dan histogram ekualisasi.
(b) Hasil prediksinya.
Kelompok tumor jenis ganas tanpa mikrokalsifikasi: (GTM) = (Y1-Y11) + (Y2-Y12) + (Y3-Y13) 2
Dengan bantuan perangkat SPSS, berdasarkan hasil perhitungan parameter-parameter tersebut dilakukan uji diskriminan. Setelah uji diskriminan diperoleh faktor-faktor dominan, selanjutnya dibuat pemodelan matematisnya. yang mampu memprediksikan jenis tumor payudara. Dari 40 sampel citra mammogram didapat sebanyak 400 data hasil perhitungan parameter-parameter histogram orde dua dan setelah dilakukan uji diskriminan ternyata parameter yang paling baik adalah entropy.
2
2
Kelompok tumor jenis jinak tanpa mikrokalsifikasi: (JTM) = (Yl-Y21) + (Y2-T22) + (Y3-Y23) 2
2
2
Kelompok tumor jenis ganas mikrokalsifikasi: (GM) = (Yl-Y31) + (Y2-Y32) + (Y3-Y33) 2
2
2
Kelompok normal: (N) = (Yl-Y41) + (Y2-Y42) + (Y3-Y43) 2
2
2
Dari pengujian terhadap 40 sampel pasien baru ternyata ada satu sampel yang prediksinya tidak tepat. Hal itu disebabkan kankemya berupa mikrokalsifikasi tanpa tumor, yang mengakibatkan salah interpretasi.
Berdasarkan faktor-faktor dominan untuk entropy diperoleh fungsi diskriminan tak baku sebagai berikut: Y l = -0.2627413+34.6782658*dl-40.5379611*d2+ 33.1485421*d3 - 62.6186396*d4 + 47.7196980*d5 - 8.9840276*d6- 8.2694800 *d7+ 4.7404956*d8- 3.5118845*d9 + 3.5265216*dl0
5. SIMPULAN Dari hasil analisa mammografi
mikrokalsifikasi
dengan menggunakan ciri-ciri struktur citra tingkat keabuan dapat disimpulkan: 1) Dari sepuluh parameter citra yang ada temyata entropy paling baik untuk digunakan dalam
Y 2 = -1.3276380 - 1.2328499*dl + 15.8828658*d2
analisa mammografi.
+ 5.4487649*d3 + 3.9931677*d4 Majalah EPTEK - Vol. 14, No. 2 Mei 2003
99
2) Dengan menggunakan parameter entropy temyata faktor-faktor yang dominan untuk memprediksi tumor payudara adalah harga entropy D l , D2, , D10 yang dievaluasi pada d=l, 2, 3, ,10 (d adalah jarak antar piksel). 3) Dilihat dari bentuk grafik temyata jenis normal berupa garis lurus, sedangkan yang positif tumor bempa garis tidak lurus. Tumor ganas mikrokalsifikasi berupa garis lurus, dilanjutkan miring ke bawah dan kembali lurus. Untuk jenis tumor jinak tanpa mikrokalsifikasi berupa garis miring keatas selanjutnya lurus. Untuk jenis tumor ganas tanpa mikrokalsifikasi berupa garis miring ke bawah selanjutnya lurus. 4) Analisa
mammografi
mikrokalsifikasi
menggunakan metoda statistik histogram orde dua terbukti menghasilkan kebenaran prediksi sekitar 97,5 %.
Hasan, K.H., Rustiadji, Oesman, M . , dan Sukardja, IGN (1989), Ketepatan Mammografi dan Sonomammografi
untuk
Mendiagnosa
Benjolan Payudara, FK.Unair, Surabaya. Hussain, Z. (1991), Digital Image Processing, Ellis Horwood. Jain, A.K. (1999), Fundamentals o f Digital Image
Processing, Prentice-Hall International. Kabatake, H. (1996), Detection of Spicules on M a m m o g r a m Based on Skeleton Analysis, IEEE Trans. Medical Image,Vol. 15, p. 235. Laine, A. dan Fan, J. (1993), Texture Classification by Wavelet Packet S i g n a t u r e , IEEE Trans On Pattern Analysis and Machine Intelligence, Vol. 15, No. 11, pp. 1186-1191. Mascio, L.N., Hernandez, J.M., dan Logan, C M . (1994),
Automated
Microcalcifications
in
Analysis High
DAFTAR ACUAN
Digital Mammograms, Lawrence
Dhawan, A.P., Chitre, Y., Kaiser-Bonasso, C , dan Moskowitz, M . (1996), Analysis of M a m m o g r a p h i c Microcalcifications Using G r a y - L e v e l I m a g e S t r u c t u r e F e a t u r e s , IEEE, Trans. Medical Imaging, Vol. 15, pp. 246259.
National
Gonzales, R.C. dan Wintz, P. (1987), Digital Image Processing, Addison-Wesley. Hartono, L dan Oesman, M. (1987), Sonomammo-
Laboratory
for
Resolution
Livermore Biology and
Biotechnology Research Program. Pratt, W.K. (1991), Digital Image Processing, Wiley Interscience. Sukardja, IGN. (1984), Deteksi dini kanker payudara di Jatim. Pengaruh pen-didikan kanker kepada masyarakat. Suatu studi longitudinal (Ringkasan disertasi), Airlangga University Press, Surabaya.
grafi, Kelebihan dan Kekurangannya, FK. Unair, Surabaya.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
