ANALISIS MAMMOGRAPHIC MICROCALCIFICATIONS MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA GRAY-LEVEL

Seminar Nasional Sistem dan Informatika 2006; Bali, November 17, 2006

SNSI06-002

ANALISIS MAMMOGRAPHIC MICROCALCIFICATIONS MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA GRAY-LEVEL Gunawan Jurusan Fisika, FMIPA, Universitas Udayana, Bali [email protected] ABSTRACT Mammography is one of many effective methods for checking cancer in a human breast. The existence of microcalcification in a mammography is a primary sign of breast cancer. The analysis of the microcalcification mammography using the second level histogram is expected to be capable in detecting the existence of cancer and determining whether the type of the cancer found is malignant or benign. This method differs from the segmentation-based structure features separation method. In this paper, discriminant analysis is applied in order to find dominant factors within the cancer. Graphic form of the analysis is also built for further guidance. From the experiment using 40 samples of mammography, it is showed that 39 samples were correctly classified, and with a specific reason, one was misclassified. Keywords : Mammographic, Microcalcifications

1. Pendahuluan

Mammografi adalah metode yang efektif untuk pemeriksaan payudara[1]. Ditemukannya mikrokalkifikasi pada mammografi adalah tanda-tanda utama adanya tumor payudara[2,4]. Tetapi membedakan antara mikrokalkifikasi benigna dan maligna pada tumor payudara masih merupakan hal yang sulit[2,3]. Kepastian diagnosa untuk kanker tergantung dari temuan pada pemeriksaan yang dipakai sebagai dasar diagnosa. Kepastian itu dibagi menjadi 5 tingkatan, yaitu: a. Temuan Pada Pemeriksaan Standar: Untuk diagnostik lesi mamma, pemeriksaan standar yang digunakan adalah anamnese, pemeriksaan fisik dengan sistem TNM (Tumor Nodus Metastase) dan pemeriksaan radiologi dengan mammografi. b. Temuan Pada Pemeriksaan Khusus: Yang tergolong pemeriksaan khusus adalah pemeriksaan patologi yang merupakan pemeriksaan “gold standard”. c. Temuan Pada Operasi Explorasi: Pemeriksaan explorasi dilakukan terutama untuk mengetahui jumlah dan tingginya level metastase di nodus axilla. d. Temuan Pada Operasi Definitif dan Spesimen Operasi: Setelah dilakukan tindakan operasi, maka spesimen operasi harus diperiksa patologis untuk mengetahui besar tumor dan ada atau tidaknya metastase di nodus axilla, banyaknya nodus axilla yang terkena serta tinggi level metastase. e. Temuan Pada Autopsi: Pemeriksaan ini baru dilakukan setelah penderita meninggal dan merupakan tindakan dengan tingkat kepastian diagnostik yang tinggi. Penelitian dalam bidang ini banyak dilakukan menggunakan sonomammografi tumor payudara yang padat dapat memberi kontras yang baik[5]. Kombinasi antara pemeriksaan dengan mammografi dan sonografi dapat meningkatkan ketepatan diagnosa tumor payudara[6]. Namun demikian untuk mendokumentasikan hasil temuan mikrokalkifikasi pada mammografi dalam bentuk grafik dari berbagai jenis tumor payudara dan memvisualisasikan hasil temuan tersebut ke dalam layar monitor belum dilakukan. Untuk keperluan tersebut paper ini berusaha mengulas visualisasi hasil temuan tumor payudara ke layar monitor dalam bentuk grafik.

2. Latar Belakang Di Indonesia, kanker payudara merupakan kanker ganas kedua pada wanita setelah carcinoma cervix uteri (kanker leher rahim). Walaupun kanker ini banyak menyerang wanita berusia 40-49 tahun, tetapi pada kenyataannya kanker jenis ini bisa juga menyerang wanita usia muda. 2.1. Mammografi Pada saat ini pemeriksaan mammografi merupakan pemeriksaan yang paling sensitif untuk mendiagnose lesi mamma. Akan tetapi pemeriksaan jenis ini juga mempunyai keterbatasan, yaitu sukar atau tidak dapat menunjukkan adanya tumor pada mamma yang kecil dan padat atau mamma dengan fibrocystic disease. Dengan teknik palpasi batas besar tumor untuk dapat diraba dianggap 1 cm. Sedangkan mammografi dapat melihat tumor sampai minimal 2 mm atau dengan keuntungan maximal 8 waktu ganda dalam perjalanan penyakit kanker payudara. Kalau waktu ganda dalam pertumbuhan kanker payudara itu rata-rata 3 bulan, maka keuntungan waktu yang diperoleh dengan screening mammografi adalah 2 tahun terdeteksi lebih dini. Sehingga stadium kanker dapat diketahui dengan lebih dini dan kemungkinan untuk disembuhkan lebih besar. Di antara citra yang terdapat dalam mammografi, mikrokalkifikasi merupakan citra yang paling dini yang dapat dideteksi. Tetapi tidak semua kanker mengalami kalsifikasi dan tidak semua kalsifikasi itu karena kanker. Mammografi mempunyai kemampuan deteksi kanker payudara sebesar 80%, sensitivitas > 90%, spesifisitas > 90%, positive predictive value sebesar 10-40% dan tambahan deteksi dengan “double read“ sebesar 15%. Kelainan yang nampak pada mammografi dapat berupa tanda primer dan tanda sekunder. Tanda primer dapat terdiri dari tumor, kalkifikasi dan distorsi struktur mamma. Tumor pada kanker mempunyai bentuk yang tidak teratur (irreguler), batas 8


SNSI06-002

yang tidak tegas, permukaan yang kasar dan berjonjot (speculated). Kurang lebih 5% batas tumor bersifat tegas dan 10-15% tumor dapat diraba (palpabel) serta tidak terlihat dengan mammografi. Kalsifikasi pada kanker berupa mikrokalkifikasi yang bergerombol (clustered) atau linier dengan penyebaran yang tidak teratur. Kalsifikasi bergerombol ± 33%. Sekitar 50% kanker mamma yang tidak dapat diraba (non palpable) dapat dideteksi karena ada mikrokalkifikasi. Distorsi struktur mamma ditandai dengan gambaran seperti pengerutan (“purse string” sign) yang bersifat asymetri. Pemeriksaan pada kanker yang tidak dapat diraba (non palpabel) menunjukkan mikrokalkifikasi sebesar 90%, tumor tidak teratur (irreguler) dengan kalsifikasi sebesar 70%, tumor tidak teratur ( irreguler ) tanpa kalsifikasi sebesar 40%, distrosi struktur dengan kalsifikasi sebesar 60%, distrosi struktur tanpa kalsifikasi sebesar 50% dan asimetri dengan kalsifikasi sebesar 30%. Tanda sekunder dapat berupa retraksi kulit atau papil, penebalan kulit, permeasi limfe (lymphatic permeation), hipervaskularasi, pelebaran duktus atau pembesaran nodus axilla. 2.2. Analisa Tekstur Untuk membantu proses analisa mammography, penganalisaan tekstur dilakukan menggunakan Histogram Orde DuaH (yq, yr d). Histogram Orde DuaH adalah histogram yang mengambarkan pendistribusian kemungkinan sepasang gray-level yang dapat dipisahkan oleh suatu vektor pergeseran (d). Permasalahan untuk menganalisa sebuah matrik di dalam suatu tekstur memiliki beberapa katagori perhitungan[2]. Analisa tekstur dapat digambarkan dengan sekumpulan parameter sebagai berikut: Entropy, Contrast, Angular second moment, Inverse Difference Moment, Correlation, Mean, Deviation, Entropy of Hdiff dan Angular Second Moment (ASM) of Hdiff. 2.2.1 Entropy dari H (yq, yr d) Entropy yang dihitung dari histogram orde kedua menyediakan suatu ukuran ketidakseragaman dan didefinisikan dengan rumus sebagai berikut: yt yt − H(yq , yr , d) log H(yq , yr , d) . yq =y1 yr =y1 (1) Nilai pengukuran keseragaman yang tinggi akan menunjukkan variasi struktural yang lebih rendah.

∑ ∑[

] [

]

2.2.2. Kontras dari H (yq, yr, d) Kontras pada histogram orde kedua didefinisikan dengan rumus sebagai berikut: yt yt ∑ ∑ ∂ ( yt,yr ) H ( yt,yr,d ) yq=y1 yr=y1 dimana ∂(yt,yr) adalah ukuran ketidakseragaman yang didefinisikan sebagai ∂(yt,yr) = ( yq - yr ) 2 Nilai ini melambangkan ketajaman variasi struktural yang terdapat di dalam suatu citra. 2.2.3 Momen Angular Kedua H (yq, yr, d) Momen Angular Kedua memberikan ukuran keseragaman dan didefinisikan dengan rumus sebagai berikut: yt yt 2 = H( y q , y r ,d ) y q = y1 y r = y1

∑

∑[

(2) (3)

]

(4)

Nilai ketidakseragaman yang lebih tinggi menunjukkan variasi struktural yang lebih tinggi. 2.2.4 Momen Differensial Invers H (yq, yr, d) Momen Differensial Invers adalah suatu ukuran homogenitas lokal dan didefinisikan dengan rumus sebagai berikut: yt yt  H(y , y , d)  q r =   untuk yr ≠ yq 1 (yq , yr)  + ∂   yr = y1 yq = y1 (5)

∑ ∑

2.2.5 Nilai Rata-rata (Mean) Hm (yq,d) Nilai rata-rata dari Hm (yq,d) didefinisikan dengan sebagai berikut: yt = y q H m ( y q , d ). y q = y1

∑

(6) Sifat ini menggambarkan keaslian dari distribusi Hm (yq,d). Bila nilai mean-nya kecil maka histogram terkonsentrasi di sekitar ys = y1, dan sebaliknya. 2.2.6 Deviasi dari Hm (yq,d) Deviasi dari Hm (yq,d) didefinisikan sebagai berikut: 9


SNSI06-002

2  yt  yt   = ypHm(yp,d) Hm(yq,d). yq −  yq =y1  yp =y1 

∑

∑

(7)

dimana: H m (yq , d) =

yt

∑

H(y q , y r , d) y r = y1

(8)

dan H m (y r , d) =

yt

∑ H( y q , y r , d)

y q = y1

(9) Sifat ini menunjukkan tingkat kerapatan dari distribusi Hm (yq,d) di sekitar nilai rata-rata. Bila nilai deviasi kecil maka histogram terkonsentrasi di sekitar nilai rata-rata. Sebagai tambahan terhadap ketujuh karakteristik di atas, tiga sifat lainnya dapat dihitung dari statistik “histogram orde kedua differensial”. Histogram orde kedua differensial mewakili probabilitas kejadian dari perbedaan, (|yq - yr| = I), yang merupakan nilai gray-level dari dua pixel yang terpisah oleh suatu vektor dengan jarak tertentu (d). Histogram differensial didefinisikan sebagai yt yt Hdiff (i,d) = H(yq , yr , d). yq =y1|yq −yr |=i yr =y1 (10) Secara teoritis, sifat-sifat yang dihitung dari histogram differensial adalah sama dengan sifat-sifat yang dipisahkan dari histogram orde dua seperti entropy maksimal untuk suatu probabilitas distribusi yang seragam. Akan tetapi variasi dari nilai sebenarnya akan berbeda dan sifat-sifat yang digunakan tidak perlu dikorelasikan terhadap satu sama lainnya. Tujuan penggunaan sifat-sifat yang dihitung dari statistik histogram defferensial orde dua adalah untuk menelaah lebih jauh sifat-sifat jaringan dari citra.

∑

∑

Dalam hal ini, Entropy dari Hdiff (i,d) didefinisikan dengan rumus sebagai berikut: it = − ∑ H diff (i, d) log H diff (i, d). i = i1

(11)

Momen Angular Kedua (Angular Second Moment) dari Hdiff (i,d) didefinisikan dengan rumus sebagai berikut: it H diff (i, d ) = ∑ [ H diff (i, d )]2 . i = i1

(12)

Nilai rata-rata dari Hdiff (i,d) didefinisikan dengan rumus sebagai berikut: it Mean = H ( i , d ) = diff ∑ iH diff (i, d). i = i1

(13) Perlu dicatat bahwa sifat-sifat untuk suatu jarak skalar tertentu “x” dihitung sebagai rata-rata dari sifat-sifat atas vector pergeseran d = (x, 0), (0, x), (x, x), dan (x, -x). Vektor-vektor pergeseran ini menggambarkan pixel-pixel pada “jarak papan catur” yang sama dari suatu titik referensi.

3. Metode Penelitian Dalam penyusunan penelitian ini metodologi yang diterapkan adalah: a. Mempelajari teori-teori dan konsep-konsep pengolahan citra digital yang menunjang dalam analisa mammografi b. Mengolah data untuk dipersiapkan dalam proses pengolahan citra yang mencakup: [1] Mengumpulkan dan mensortir mammogram sesuai jenis tumornya (data diambil dari catatan patologi anatomi pasien yang telah dioperasi di Rumah Sakit Dokter Soetomo Surabaya) [2] Melakukan scanning mammogram menggunakan scanner jenis ScanJet 5100 C dengan spesifikasi 600 dpi. Scanner dijalankan dengan bantuan sistem operasi Windows. Gambar disimpan d idalam Hard Disk dengan format file BMP dan 256 warna. [3] Melakukan loading gambar yang disimpan untuk ditampilkan ke dalam layar monitor dan melakukan uraian warna dengan histogram equalize (biasanya di bidang kedokteran menggunakan lampu neon)

10


c.

SNSI06-002

Melakukan penganalisaan mammogram dengan langkah-langkah sebagai berikut: [1] Menghitung parameter-parameter citra menggunakan metoda histogram orde dua [2] Membuat model matematika terhadap data hasil perhitungan parameter citra menggunakan fungsi uji diskriminan [3] Mencari faktor-faktor dominan yang mampu membedakan jenis tumor payudara [4] Membuat persamaan matematika yang mampu memprediksi jenis tumor payudara

4. Hasil Penelitian 4.1. Uji Diskriminan Melalui proses analisa histogram orde dua dan uji diskriminan diperoleh persamaan matematika sebagai berikut: Fungsi diskriminan tak baku adalah Y1 = -0.2627413 + 34.6782658*d1 - 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*d10 Y2 = -1.3276380 - 1.2328499*d1 + 15.8828658*d2 + 5.4487649*d3 + 3.9931677*d4 - 5.6967169*d5 -6.6436526*d6 - 31.1283052*d7 + 13.1412975 *d8 + 1.0480655*d9 + 7.2533856*d10 Y3 = -4.1109589 + 5.4663126*d1 + 1.8430295*d2 - 22.7307586*d3 – 0.4487816*d4 - 2.3318533*d5 +22.5505006*d6 - 16.9662300*d7 + 9.040922*d8 + 11.2156147*d9 -3.9252490*d10

Gambar 1. Hasil Histogram Tumor Ganas Tanpa Mikrokalkifikasi

Gambar 2. Grafik Tumor Ganas Tanpa Mikrokalkifikasi Rata-rata skor diskriminan kelompok i untuk fungsi diskriminan j (Yij) adalah Y11=9.20748; Y12=-0.58657; Y13=0.64592; Y21=-2.23598; Y22=-1.32388; Y23=0.84889; Y31=-0.84435; Y32=2.22283; Y33=1.22613; Y41=-0.29198; Y42= 0.19093; Y43=-1.52523;

11


SNSI06-002

4.2. Hasil Pencitraan Dari hasil uji diskriminan, tumor dibagi menjadi empat kelompok yaitu kelompok tumor jenis ganas tanpa mikrokalkifikasi, kelompok tumor jinak tanpa mikrokalkifikasi, kelompok tumor jenis ganas mikrokalkifikasi dan kelompok normal. Masing-masing pencitraan ditampilkan dalam beberapa gambar berikut ini. Kelompok Tumor Jenis Ganas Tanpa Mikrokalkifikasi dengan rumus sebagai berikut (Gambar 1 dan Gambar 2) (GTM) = (Y1-Y11)2 + (Y2-Y12)2 + (Y3-Y13)2 Kelompok Tumor Jinak Tanpa Mikrokalkifikasi dengan rumus (JTM) = (Y1-Y21)2 + (Y2-Y22)2 + (Y3-Y23)2

Gambar 3. Hasil Histogram Tumor Jinak Tanpa Mikrokalkifikasi.

Gambar 4. Grafik Tumor Jinak Tanpa Mikrokalkifikasi. Kelompok Tumor Jenis Ganas Mikrokalkifikasi dengan rumus (Gambar 5 dan Gambar 6) (GM) = (Y1-Y31)2 + (Y2-Y32)2 + (Y3-Y33)2 4.3 Hasil Pengujian Pengujian dilakukan terhadap 40 sampel pasien baru. Dari ke-40 sampel yang diuji, 39 diantaranya diklasifikasikan dengan benar dan satu yang diklasifikasikan tidak tepat. Ketidak tepatan ini disebabkan karena mammography mengandung mikrokalkifikasi bukan tumor. Ini mengakibatkan kesalahan pembidikan pada saat pengujian.

12


Gambar 5. Hasil Histogram Tumor Ganas Mikrokalkifikasi

Gambar 6. Grafik Tumor Ganas Mikrokalkifikasi Kelompok Normal dengan rumus: ( N ) = (Y1-Y41)2 + (Y2-Y42)2 + (Y3-Y43)2

Gambar 7. Hasil Histogram Normal

13

SNSI06-002


SNSI06-002

Gambar 8. Grafik Normal

5. Kesimpulan Dari hasil analisa mammografi mikrokalkifikasi dengan menggunakan ciri-ciri struktur citra gray-level dapat disimpulkan hal-hal sebagai berikut: 1. Pembacaan visual mammografi dapat ditingkatkan dengan bantuan scanner dan program komputer 2. Hasil temuan mikrokalkifikasi pada mammografi dapat didokumentasikan ke dalam hard disk dengan terlebih dahulu dibuatkan histogram equalize 3. Dari sepuluh parameter citra yang ada ternyata entropy paling baik digunakan dalam analisa mammografi 4. Dengan menggunakan parameter entropy ternyata faktor-faktor yang dominan untuk memprediksi tumor payudara adalah d1, d2, d3, d4, d5, d6, d7, d8, d9, d10 (d adalah jarak antar piksel) 5. Dilihat dari bentuk tumor, untuk jenis tumor ganas batas tumornya tidak jelas, sedangkan untuk jenis tumor jinak batas tumornya jelas 6. Dilihat dari bentuk grafik ternyata jenis normal berupa garis lurus, sedangkan yang positif tumor berupa garis tidak lurus. Dengan perincian untuk jenis tumor ganas mikrokalkifikasi berupa garis lurus kemudian miring ke bawah kemudian lurus. Untuk jenis tumor jinak tanpa mikrokalkifikasi berupa garis miring keatas kemudian lurus. Untuk jenis tumor ganas tanpa mikrokalkifikasi berupa garis miring ke bawah kemudian lurus.

Daftar Pustaka [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18]

Laura N. Mascio[1996], “Automoted Analisis for Microcalcifications in High Resolution Digital Mammograms”, Internet, Lowrence Livermore National Laboratory Biology and Biotechnologi Research program. Atom P. Dhawan [1996],”Analysis of Mammographic microcalcifications Using Gray Level Image Structure Feature “ , IEEE, Trans. Medical Imaging, Vol. 15 juni, pp.246-257. Hidefumi Kabatake [1996],”Detection of Spicules on Mammogram Based on Skeleton Analysis,”IEEE, Trans. Medical Image Vol.15 ,juni, pp. 235 Jalink and H.Liu [1996],”CCD Mossaic Technique for Large-Fiel Digital Mammography ,” IEEE, Trans. Medical Image Vol.15 ,juni, pp. 260-267. L.Hartono & Mashar Oesman [1987]," Sonomammografi kelebihan dan kekurangannya,FK.Unair Surabaya. Kermala.,Rustiadji,Mashar Oesman, Sukardja IGN.Prof.Dr.dr.[1989]," Ketepatan mammografi dan sonomammografi untuk mendiagnosa benjolan payudara, FK.Unair Surabaya. Sukardja,IGN.Prof.Dr.dr.[1984]," Deteksi dini kanker payudara di jatim. Pengaruh pendidikan kanker kepada masyarakat. Suatu studi longitudinal (Ringkasan disertasi), Airlangga University Press, Surabaya. Pratt [1978],” Digital Image Processing,” Wiley Interscience,Hal.471-174. Anil K. Jain [1989],” Fundamentals of Digital Image Processing”, Prentice-Hall International, Hal.344-346. Zahid Hussain [1991],” Digital Image Processing,”Ellis Horwood,Hal. 77-87. Alan V. Oppenheim [1978],” Aplication of Digital Signal Processing”, Prentice-Hall, Hal. 186-196. Gonzales Rafeal C. and P. Wintz [1977],”Digital Image Processing,” Addison-Wesley. Allen Shau de Parades [1992],” Atlas of Film-Screen Mammography, Second Edition, William & Wilkins, H.41-46 dan H 401. Andrew Laine and Jian Fan [1993],” Texture Classificaton by Wavelet packet Signature, IEEE Trans On Pattern Analysis and machine Intelligence, Vol. 15, N0.11, Nov. Hal. 1186-1191. Steve Rimmer[1996],“Bit - Mapped Graphics, Borland International Inc. Ronald E. Walpole [1978], Probability and Statistics for enggineers and Scientists, Second edition, Macmillan Publishing, Co,Inc. Hal. 445-477. Craig A.Lindley [ 1995], “ Photographic Imaging Technicques in C++ for windows and windows and windows NT, John Wiley & sans, Inc. Olson, Chesterl [ 1987],” Statistics making Sence of data”, Allyn and Bacon ,Inc, Massa Chusetts.

14

ANALISIS MAMMOGRAPHIC MICROCALCIFICATIONS MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA GRAY-LEVEL

Recommend Documents