1
Segmentasi Tiga Dimensi Struktur Tulang pada Citra CT Sutrisno1 , I Ketut Eddy Purnama2 , Diah Puspito W2
Ringkasan—Pada sebagian kasus patah tulang diperlukan pemasangan plat (bone plate) untuk menguatkan sambungan tulang. Tingginya tingkat kecelakaan lalu lintas dan bencana alam di Indonesia berakibat pada meningkatnya kebutuhan bone plate karena banyaknya korban yang mengalami kerusakan struktur tulang. Oleh karena itu, produksi bone plate dalam negeri perlu diupayakan karena selama ini sebagian besar bone plate masih diimpor Dalam pembuatan plat diperlukan perkiraan panjang plat dan sekrup yang tepat yang sesuai dengan dimensi tulang korban. Jika plat yang digunakan terlalu panjang akan merusak tulang, kalau terlalu pendek akan mempengaruhi kekuatan bone plate. Untuk mendapatkan data tiga dimensi tulang dilakukan segmentasi tiga dimensi pada citra CT tulang. Segmentasi citra medis, dalam hal ini citra CT, adalah pekerjaan yang tidak mudah. Di dalam citra CT masih terdapat objek- objek yang bukan merupakan bagian tulang yang dimaksud yang harus dihilangkan. Secara garis besar ada dua kelompok metode segmentasi yaitu segmentasi berdasar wilayah (region base) dan segmentasi berdasar garis tepi (boundary base). Setiap metode memiliki kelebihan dan kekurangan masing-masing. Pada tugas akhir ini telah diimplementasikan perangkat lunak untuk mensegmentasi tulang dari citra CT baik 2D maupun 3D. Untuk segmentasi 2D menggunakan metode Connected Threshold (region base) dan Fast Marching (boundary base). Dari pengujian hasil segmentasi 2D yang didapat, metode boundary base menghasilkan gambar yang lebih halus (smooth). Namun, metode region base lebih cepat (rata-rata 01.20 detik) dibanding boundary base (rata-rata 07.36 detik). Untuk segmentasi 3D digunakan metode deformable model yang telah dimodifikasi dengan BinaryMask3DMeshSource untuk mempercepat inisialisasi mesh. Index Terms—CT images, segmentation, VTK , ITK, DeformableModel, Region Growing, Boundary base.
I. P ENDAHULUAN ESAIN optimal bone plate dan proses simulasi kekuatan bone plate lokal sangat membutuhkan adanya citra tiga dimensi tulang orang Indonesia. Saat ini belum ada basis data citra tiga dimensi tulang orang Indonesia. Untuk mendapatkan data tiga dimensi tulang salah satunya dengan melakukan segmentasi tiga dimensi pada citra CT. Hal ini dikarenakan dalam citra CT masih terdapat objek-objek yang bukan merupakan bagian tulang yang dimaksud. Dalam dunia medis, keakuratan pengukuran sangat diperhatikan, untuk itu metode segmentasi yang dipakai harus handal.
D
1 Mahasiswa Program Sarjana, Jurusan Teknik Elektro ITS Surabaya [
[email protected]]. 2 Dosen Pembimbing, Jurusan Teknik Elektro ITS Surabaya [
[email protected]] 2 Dosen Pembimbing, Jurusan Teknik Elektro ITS Surabaya [
[email protected]]
Gambar 1.
Citra CT dari femur (tulang paha)
II. DASAR T EORI A. Citra CT Pencitraan medis (radiologi) pada tiga dekade terakhir telah berkembang pesat dan mampu menghasilkan gambar beresolusi maupun berdimensional tinggi. Modality adalah jenis scanner yang digunakan untuk menghasilkan citra medis. Terdapat beberapa jenis modality yang digunakan untuk menghasilkan citra medis. Dalam penelitian ini akan digunakan Citra CT dengan standar DICOM. CT merupakan suatu modalitas yang memberikan informasi anatomi atau struktural dari seorang plasien. CT-Scan dapat menghasilkan lebih dari 100 irisan gambar berukuran 512 × 512 dengan ketebalan irisan sekitar 0.5 – 10 mm. B. Standard Dicom Digital Imaging and Communications in Medicine (DICOM) adalah standar yang dikeluarkan oleh The National Electrical Manufacturers Association (NEMA). Standar ini digunakan untuk menangani, menyimpan, mencetak, dan mengirimkan informasi dalam pencitraan medis. standar ini mencakup protokol untuk format file dan komunikasi dalam jaringan. File citra medis dengan standar DICOM memiliki ekstensi file *.dcm. Sebuah file DICOM memiliki dua komponen utama yaitu: 1) DICOM header yang berisi informasi tentang pasien , jenis modality, informasi tentang citra, dan informasi lainnya. 2) Data Citra yang berisi informasi untuk setiap piksel dalam sebuah gambar dengan kompresi atau tanpa kompresi. C. Segmentasi Citra Tidak ada pendekatan tunggal yang umumnya dapat memecahkan masalah segmentasi untuk berbagai macam modalitas citra yang ada saat ini secara optimal. Dua jenis metode
Gambar 2.
Level Set
Gambar 4.
Gambar 3.
Bentuk Dasar Deformble Model
segmentasi yang sering dipakai adalah boundary-based dan region-based. Pendekatan dasar dari algoritma region growing adalah wilayah image yang berkembang mulai dari seed region (biasanya satu atau lebih piksel) yang berada di dalam objek yang akan tersegmentasi. Para tetangga piksel daerah ini dievaluasi untuk ditentukan apakah mereka juga harus dianggap sebagai bagian dari objek. Paradigma dari boundary-based memakai metode numerik untuk melacak evolusi dari kontur dan surface. boundarybased dapat digunakan untuk segmentasi dengan menggunakan fitur gambar seperti mean intensity, gradient dan edges dalam mengatur persamaan diferensial. Gambar 2 menggambarkan metode boundary base. Hasil dari tahapan segmentasi adalah didapatnya citra tiga dimensi tulang. Berdasarkan citra ini akan ditentukan fiturfitur yang bisa digunakan sebagai pembeda antara tulang seseorang dengan orang lain. Setelah itu akan diadakan aplikasi untuk mengukur fitur yang sudah ditentukan. D. Deformable Model (Active Contours) Active contour atau sering disebut sebagai deformable model merupakan suatu kurva atau surface yang ditentukan dalam domain image yang dapat bergerak karena pengaruh gaya internal yang ditentukan didalam kurva atau dipermukaannya, dan gaya eksternal yang dihitung dari data image dan gaya yang didefinisikan user. Gaya internal didesain untuk menjaga kelenturan model selama proses deformasi. Gaya eksternal ditentukan untuk menggerakkan model kearah obyek boundary atau fitur yang diinginkan dalam image [?]. Bentuk dasar dari deformable model adalah seperti diperlihatkan gambar 3. Secara sederhana Active Contour didefinisikan dengan : 1) Contour yang direpresentasikan dalam set titik (V(s)).
VTK visualization pipeline
2) Gaya internal yang ditentukan didalam kurva atau dipermukaannya, biasanya ditentukan saat inisialisasi. 3) Gaya eksternal yang dihitung dari data image (citra yang akan disegmentasi) dan gaya yang ekternal yang didefinisikan user. Z Esnake = Einternal v(s) + Eimage v(s) + Euser v(s)ds E. Insinght Toolkit (ITK) ITK adalah library untuk pengolahan citra baik 2D maupun 3D khususnya untuk citra medis. ITK cukup powerfull untuk semua metode pengolahan citra khususnya untuk segmentasi dan registrasi. Selain itu berbagai modul untuk filtering dan analisi secara numerik juga disediakan library-library ITK. Beberapa metode segmentasi region base yang disediakan ITK :Connected Threshold, Otsu Segmentation, Neighborhood Connected , Connected Confidence dan lainya. Perbedaan diantara metode diatas adalah cara mengevaluasi piksel tetangga untuk dimasukkan dalam wilayah tersegmentasi. Adapun metode boundary base : Fast Marching, Shape Detection, Geodesic Active Contour, Deformable Model . Dan banyak lagi metode segmentasi yang didukung ITK seperti metodeWatershed, Feature Extraction dan lainya. F. Visualization Toolkit Visualization Toolkit (VTK) adalah sebuah pustaka opensource yang tersedia secara bebas untuk komputer grafis 3D, pengolahan citra dan visualisasi. VTK terdiri dari class library C + + dan mendukung bahasa pemrograman lain seperti Tcl / Tk, Java, dan Python. VTK bersifat cross-platform sehingga dapat berjalan pada Sistem operasi Linux, Windows, Mac dan Unix [1]. Terdapat sembilan obyek dasar pada model grafis, yang diilhami oleh industri perfilman. Sembilan obyek tersebut adalah: render master, render window, renderer, camera, actor (objek yang digambar dalam scene), property, mapper dan transform: III. D ESAIN S ISTEM Untuk mendapatkan dapat melakukan proses segmentasi dirancang sebuah perangkat lunak dengan fungsi utama
Gambar 5.
Desain Sistem Secara Umum
melakukan segmentasi dari imput CT scan. Pada gambar 5 ini terlihat perangkat lunak didesain dengan empat tahapan utama yaitu: pembacaan CT scan dengan ITK, segmentasi tulang baik 2D maupun 3D juga dengan ITK, konversi ITK-VTK dan yang terakhir visualisasi. Untuk segmentasi 2D metode Connected Threshold dan Fast Marching. Untuk segmentasi 3D metode segmentasi yang dipakai adalah deformable model. Metode ini dipilih karena dapat menghasilkan hasil segmentasi yang lebih sempurna / smooth dari metode thresholding maupun region growing biasa. Mesh diinisialisasi dengan BinaryMask3DMeshSource untuk mempercepat inisialisasi mesh. IV. S EGMENTASI A. Pembacaan Citra DICOM Tahap pemrosesan dimulai dengan pembacaan satu set citra CT dalam format DICOM sebagai input. Citra dibaca ImageSeriesReader slice demi slice lalu digabung menjadi sebuah volume. Sebelum itu imageIOnya harus disesuaikan dengan format DICOM yaitu memakai GDCMImageIO.
Gambar 6.
Perubahan Image sesuai pipeline Fast Marching
dari atas kiri : (a) image hasil smoothing, (b) image hasil GradientMagnitude Filter, (c) image speed hasil fungsi sigmoid, (d) hasil akhir fast marching dengan inisialisasi ditengah tulang
2) Fast Marching (Boundary Base): Fast Marching yang mana metode ini menerapkan evolusi yang sederhana dan cepat dari level set. Filter utama yang dipakai adalah FastMarchingImageFilter. Evolusi dari level set diatur dengan persamaan differensial yang diwujudkan dalam gradient image dan image map filter. Algorithm 2 Pipeline Utama Fast Marching s m o o t h i n g −> g r a d i e n t M a g n i t u d e −> s i g m o i d −> f a s t M a r c h i n g −> t h r e s h o l d e r −> c a s t e r −> exporter
B. Segmentasi 2D 1) Connected Threshold (Region Base): Kriteria yang digunakan oleh ConnectedThresholdImageFilter didasarkan pada interval nilai intensitas yang disediakan oleh pengguna. I(X)E[lower, upper] Reader DICOM ditambah pada awal pipeline dan filter cast dan exporter ditambahkan di akhir pipeline. Filter cast diperlukan untuk mengkonversi jenis piksel, dalam hal ini dari float ke interger, hal ini dikarenakan hanya beberapa format file image yang mendukung tipe float.
Parameter sigma untuk kernel Gaussian ini pada gradientMagnitude digunakan untuk mengendalikan berbagai pengaruh tepi gambar. Sedang SigmoidImageFilter membutuhkan parameter alpha dan betha untuk menentukan transformasi linier. FastMarchingImageFilter mengharuskan user untuk memberikan titik benih (seed) dari kontur yang akan berkembang. Output serta image transisi selama proses segmentasi ditunjukkan gambar 6.
C. Segmentasi 3D (DeformableModel) Algorithm 1 Pipeline Connected Threshold r e a d e r −> s m o o t h i n g −> c o n n e c t e d T h r e s h o l d −> c a s t e r −>
Noise pada citra akan mengganggu proses berkembangnya region sehingga dimungkinkan pertumbuhan region terhenti sebelum waktunya karena terhalang noise. Untuk itu perlu dilakukan proses smoothing untuk mengurangi noise dalam image menggunakan CurvatureFlowImageFilter
Filter utama yang digunakan untuk segmentasi 3D adalah DeformableMesh3DFilter . Filter lainnya untuk preprosessing input seperti GradientRecursiveGaussianImageFilter dan GradientMagnitudeRecursiveGaussianImageFilter. Parameterparameter seperti sigma, timestep, stiffness, Number of iteration, dan External Force ditentukan oleh user. Parameterparameter ini berguna untuk menggerakakan kurva kearah boundary dari image. Namun perlu diperhatikan pemberian nilai dari parameter-parameter ini akan sangat mempengaruhi hasil segementasi.
komponen prosessor memory VGA Harddisk
spesifikasi Intel(R) Pentium(R) 4 CPU 2.40 GHz 526 MB Sis Mirage Graphics 80 G
NO 1 2 3
Seed Index [234,278] [234,278] [234,278]
lower 100 100 60
upper 240 255 256
Output Gambar (b) Gambar (c) Gambar(d)
Time 01.12 detik 01.14 detik 01.10 detik
Tabel II H ASIL S EGMENTASI 2D C ONNECTED T HRESHOLD
Tabel I S PESIKASI KOMPUTER UNTUK PENGUJIAN S EGMENTASI
Algorithm 3 Pipeline Utama Deformable Model Reader −> s m o o t h i n g −> g r a d i e n t M a g n i t u d e −> s i g m o i d −> D e f o r m a b l e M e s h 3 D F i l t e r ( + B i n a r y M a s k 3 D s o u r c e )−> t h r e s h o l d e r −> c a s t e r −> e x p o r t e r
Inti dari deformable model adalah kurva yang bergerak, kurva dapat diinisialisasikan secara internal dari mesh source. Salah satu energi yg mempengaruhi deformable model dapat mendekati boundary adalah adanya gradient magnitude pada image. Setelah kurva terdeformable maksimal maka kurva ini akan mendekati bentuk surface dari tulang. Kurva lalu disimpan dan dianggap sebagai surface dari tulang (berbentuk polydata) . D. Koneksi Pipeline VTK dan ITK ITK sebagai library pemrosesan image tidak menyediakan library untuk visualisasi. Selain untuk visualisasi VTK juga mendukung user interaction seperti bagaimana mengambil koordianat dari suatu titik dalam image. Campur tangan user sangat diperlukan dalam beberapa kasus segmentasi misalkan inisialisasi mesh dalam Deformable Model. Untuk menghubungkan pipeline ITK dan VTK digunakan pasangan Export dan Import Image E. Visualisasi Visualisasi dilakukan dengan membuat actor dari masing-masing objek yang ingin divisualisasikan kemudian mengkoneksikannya dengan renderer dan render window sesuai dengan pipeline visualisasi di VTK. Setelah divisualisasi citra hasil segmentasi dapat disimpan dalam format yang lainnya seperti *.stl. V. H ASIL DAN ANALISA Proses pengujian sebuah PC dan sebuah komputer 8-Core. PC digunakan untuk pengujian segmentasi 2D sedang komputer 8-core untuk menguji segmentasi 3D karena memerlukan komputasi yang besar. Semua memakai sistem operasi Ubuntu Linux 9.04. Untuk PC yang digunakan untuk melakukan pengujian segmentasi 2Dmemiliki spesifikasi seperti dapat dilihat pada tabel I. A. Hasil Segmentasi 2D 1) Connected Threshold (Region Base): Hasil segmentasi 2D dengan metode Connected Threshold dapat dilihat dalam tabel II. Untuk proses smoothing (number of iteration = 5 dan
Gambar 7.
Hasil Connected Threshol 2D
Dari kanan atas : (a) Image Input, (b)Output1[100,240], (c)Output2[100,255], (d)Output3[60,255] time step = 0.125 detik) dan inisialisasi seed (tepat pada daerah tulang) untuk ketiga data yang diambil adalah sama. Mula-mula nilai interval yang dipakai adalah [100, 240] dengan asumsi pada range itulah itensitas tulang pada citra CT (tentunya setelah citra direscale ke dalam range [0,255]). Setelah didapakan hasil segmentasi belum optimal maka nilai threshold diubah [100,255] dan [60,255]. Image yang dihasilkan seperti terlihat dalam gambar 7 . Dari hasil yang diperoleh, interval yang optimal untuk nilai threshold dalam Connected Threshold adalah [60,255] kalau dibawah 60 maka hasil segmetasi tidak akurat ada sebagian wilayah background yang dianggap wilayah tulang.Sedang nilai 255 adalah nilai maksimal citra. Proses segmentasi berjalana sangat cepat yaitu rata-rata 01.20 detik. B. Fast Marching (Boundary Base) Hasil segmentasi 2D dengan metode Fast Marching dapat dilihat dalam tabel III . Untuk proses smoothing (number of iteration = 5 dan time step = 0.125 detik) dan inisialisasi seed (tepat pada daerah tulang) untuk ketiga data yang diambil adalah sama. Mula-mula nilai sigma 1 (untuk gradient maqnitude) sedang nilai alpha dan betha yang dipakai adalah [0.7, 1] dengan asumsi dengan nilai itulah itensitas tulang pada citra CT menghasilkan image map yang bagus. Setelah itu nilai-nilai itu diubah untuk mengetahui pengaruh dari parameter yang ada. Image yang dihasilkan seperti terlihat dalam gambar 8
NO 1 2 3 4
Seed Index [234,278] [234,278] [234,278] [234,278]
Sigma 1 1 1 3
Alpha 0.7 0.3 0.1 0.1
Betha 1 3 10 10
Output Gambar (a) Gambar(b) Gambar(c) Gambar(d)
Time 07.23 detik 07.34 detik 07.42 detik 07.36 detik
Tabel III H ASIL S EGMENTASI 2D Fast Marching
Gambar 9.
•
•
•
Gambar 8.
Hasil Fast Marching 2D
Dari kanan atas : (a) Image Output1, (b)Output2, (c)Output3, (d)Output4
untuk input sama dengan yang dipakai segmentasi Connected Threshold. Dari hasil yang diperoleh, nilai parameter sehingga didapat hasil segmentasi yang optimal adalah sigma = 1, alpha= 0.7, betha = 1 . Proses segmentasi berjalan tidak secepat Connected Threshold yaitu rata-rata 07.36 detik. Namun dari semua hasil diatas masih lebih smooth dari hasil Connected Threshold sebelumnya. C. Hasil Segmentasi 3D (Deformable model) Parameter yang dipakai serta inisialisasi seed (tepat pada daerah tulang) untuk segmentasi 3D Deformable Model dapat dilihat dalam gambar 9. Nilai parameter yang kita pakai sigma = 1, external force = 10, stiffness = 1, timestep = 0.100, dan jumlah iterasi = 100 . Proses segmentasi belum berjalan normal karena komputasi yang diperlukan sangat berat. VI. P ENUTUP A. Kesimpulan Dari penelitian yang telah dilakukan dapat disimpulkan bahwa : • Berhasil diimplementasikan segmentasi tulang pada citra CT
Input Deformable Model
Hasil segmentasi dengan metode Fast Marching (boundary base) lebih halus / smooth dari Connected Threshold (region base). Namun waktu yang diperlukan lebih lama (07.36 detik) dibanding Connected threshold (01.20 detik). Untuk inisialisasi mesh dalam metode Deformable model (boundary base) dapat dimodifikasi dengan memanfaatkan teknik region base untuk mempercepat inisialisasi mesh/surface yang akan dideformasi. Deformable model belum terimplementasikan secara optimal karena sulitnya menentukan parameter-parameternya secara tepat.
B. Saran Penelitian ini adalah awal dari sebuah penelitian yang lebih besar mengenai segmentasi tulang manusia. Masih banyak dijumpai kekurangan dalam banyak hal yang perlu diperbaiki pada penelitian-penelitian selanjutnya. Penelitian ini perlu dilanjutkan dengan perbaikan pada penentuan parameter-parameter segmentasi. Besarnya komputasi dapat diatasi dengan mencoba dulu menggunakan sampel data yang tidak telalu besar. Pada penelitian lebih lanjut, data-data yang digunakan diharapkan adalah data riil sehingga hasilnya bisa benar-benar mewakili dimensi tulang yang ada. R EFERENCES [1]
, Desember, 2009 [2] Schroerder, W. J., K. M. Martin, et al.. “The Design and Implementation of an Object-Oriented Toolkit for 3D Graphics and Visualization”, IEEE Visualization 1996. [3] Schroerder. Will, Martin. Ken, and Lorensen. Bill. “The Visual-ization Toolkit An bject-Oriented Approach to 3D Graphics 3rd Edition”, Prentice-Hall Inc., 2002.