DIAGNOSIS KANKER PAYUDARA PADA MAMMOGRAM MENGGUNAKAN METODE TRANSFORMASI CURVELET DAN CBIR TRI ADHI WIJAYA [5108100510] Surabaya, 19 Juli 2010 / Ruang Sidang S2 Gedung Teknik Informatika ITS
Latar Belakang Jumlah Pengidap Kanker Payudara di dunia* Wanita Pengidap Kanker Payudara Wanita Normal
11% 1jt orang mengidap kanker payudara
89%
400rb diantaranya meninggal dunia
* Data tahun 2003
Diagnosis Kanker Payudara
Metode yang paling akurat adalah Biopsy, namun sangat beresiko, tidak nyaman dan berbiaya besar.
Tujuan
Membantu penganalisaan awal tentang adanya kanker payudara pada mammogram dengan menggunakan metode Transformasi Curvelet berbasis Content-based Image Retrieval.
Kenapa Mammogram?
Telah digunakan untuk mengurangi biaya dan efek negatif lainnya dari Biopsy. Mammogram telah terbukti dapat menunjang secara efektif dan mudah dalam proses pengklasifikasian tumor*
* Cheng HD, Cia X, Chen X, Lou LH. Computer-aided detection and classification of micro-calcification in mammogram: a survey. Pattern Recognition Letters 2003;36:2967–91
Analisa Mammogram dengan CBIR
Tidak bertujuan untuk mengganti dokter dengan memprediksi kasus penyakit tertentu, tetapi untuk membantu dokter dalam mendiagnosis penyakit
Pengekstraksian Fitur Citra dengan Transformasi Curvelet
Edge yang dihasilkan dari citra lebih efisien daripada Transformasi Wavelet Metode ini mampu menghasilkan gambar objekobjek kecil dengan garis-garis yang tak terputus.
Diagram Curvelet
Next
Separate Scales pada Skala 2
Penghitungan Similaritas
Dengan Euclidean Distance
Contoh: titik A (0, 3, 4, 5) dan titik B (7, 6, 3, 1)
Bagaimana dengan perhitungan similaritas citra?
Menghitung Similaritas Citra
circ7 Koefisien:
circ2 Koefisien:
circ7 Koefisien:
arch2 Koefisien:
10.32949 10.10845 9.966872 … … 0.262711
9.159048 8.832970 8.582138 … … 0.320842
10.32949 10.10845 9.966872 … … 0.262711
28.21416 26.93028 26.12869 … … 0.330187
Nilai Dist: 19.17612
Nilai Dist: 158.0332
Citra circ7 lebih dekat dengan citra circ2 daripada dengan citra arch2
Diagnosis Kanker Payudara pada Mammogram Menggunakan Metode Transformasi Curvelet dan CBIR
Data Ujicoba
Mammogram digital Pilot European Image Processing Archive (PEIPA), University of Essex, United Kingdom* Contoh: Nama File Karakteristik background citra Kelas keabnormalan Tingkat keabnormalan Koordinat x pusat keabnormalan Koordinat y pusat keabnormalan Radius keabnormalan
: mdb117.pgm : Grandular : Architectural : Malignant : 416 : 384 : 84
*http://peipa.essex.ac.uk/ipa/pix/mias
Karakteristik Background Citra
Fatty (Circ)
Fatty-grandular (Arch)
Dense-grandular (Norm)
Keabnormalan pada citra dengan background jenis Fatty dapat lebih mudah dilihat daripada citra dengan background jenis Grandular
Pemotongan Citra
ROI
Dilakukan secara manual untuk mendapatkan Region of Interest (ROI) yang tidak memuat noise
Interface Sistem Tab Image Source
Interface Sistem Tab Class Image Collection
Pembentukan Core Vektor
Proses Klasifikasi
Output 1. 2.
Normal Abnormal: • • • • • •
Micro-calcification clusters Spiculated Mass Circumscribed Mass Ill-defined Mass Architectural Distortion Asymetry
Ujicoba
Ujicoba dilakukan sebanyak 5 kali dengan tujuan menghasilkan klasifikasi terbaik Ujicoba menghasilkan tingkat klasifikasi terendah sebesar 64,29% dan tertinggi sebesar 92,86% dengan rata-rata tingkat klasifikasi sebesar 79,72%
Analisa
Pemilihan citra pembentuk core vektor kelas sangat mempengaruhi tingkat akurasi hasil klasifikasi Tingkat akurasi keberhasilan klasifikasi dipengaruhi jenis background citra
Simpulan dan Saran
Simpulan: Tingkat keakuratan klasifikasi yang tinggi membuktikan bahwa transformasi curvelet efektif untuk digunakan dalam penganalisaan mammogram Saran: Sebaiknya metode pemotongan image tidak dilakukan secara manual. Sebaiknya perhitungan similaritas dilakukan dengan metode lain.
Hasil Ujicoba 1 Architectural
Asymmetry
Calcification
Circumscribed
Ill-Defined
Spiculated
Normal
Arch2
Asym1
Calc7
Circ2
Misc2
Spic4
Norm4
Arch3
Asym7
Calc8
Circ3
Misc6
Spic8
Norm5
Arch10
Asym9
Calc9
Circ7
Misc9
Spic10
Norm8
ID FILE
1 2 3 4 5 6 7 8 9 10 Jumlah Benar
HASIL KLASIFIKASI UNTUK FILE
ARCH S S B B S B B S B B
ASYM S S S S S S S S S B
CALC B S S S B S B B S S
CIRC B B B S B B B S S B
MISC B B B B B B S B B S
SPIC B B B B B B B B B B
NORM B B B B B B B B B S
6
1
4
7
8
10
9
Tingkat akurasi Keberhasilan = 45/70 * 100 = 64,29%
=45
Hasil Ujicoba 2 Architectural
Asymmetry
Calcification
Circumscribed
Ill-Defined
Spiculated
Normal
Arch4
Asym2
Calc3
Circ6
Misc1
Spic2
Norm3
Arch7
Asym4
Calc5
Circ9
Misc4
Spic5
Norm6
Arch9
Asym5
Calc10
Circ10
Misc5
Spic8
Norm9
ID FILE
1 2 3 4 5 6 7 8 9 10 Jumlah Benar
HASIL KLASIFIKASI UNTUK FILE
ARCH B S B B S B B S B B
ASYM B B B B B B B S S S
CALC B B B B B S B B S S
CIRC B S S B B S B B S S
MISC B S B B B B B S B S
SPIC B B B B B B B B B B
NORM B B B B B B B B B S
7
7
7
5
7
10
9
Tingkat akurasi Keberhasilan = 52/70 * 100 = 74,29%
=52
Hasil Ujicoba 3 Architectural
Asymmetry
Calcification
Circumscribed
Ill-Defined
Spiculated
Normal
Arch4
Asym2
Calc1
Circ1
Misc1
Spic1
Norm2
Arch5
Asym4
Calc4
Circ5
Misc3
Spic3
Norm3
Arch6
Asym8
Calc6
Circ8
Misc5
Spic7
Norm6
ID FILE
1 2 3 4 5 6 7 8 9 10 Jumlah Benar
HASIL KLASIFIKASI UNTUK FILE
ARCH B B B B S B B B B B
ASYM B B B B B B B S S S
CALC B B B B B S B B B S
CIRC B B B B B S B B B B
MISC S S B B B B B B B S
SPIC B B B B B B B B B B
NORM B B B B B B B B B S
9
7
8
9
7
10
9
Tingkat akurasi Keberhasilan = 59/70 * 100 = 84,29%
=59
Hasil Ujicoba 4 Architectural
Asymmetry
Calcification
Circumscribed
Ill-Defined
Spiculated
Normal
Arch4
Asym2
Calc2
Circ1
Misc1
Spic1
Norm2
Arch5
Asym4
Calc4
Circ5
Misc4
Spic3
Norm3
Arch6
Asym5
Calc6
Circ8
Misc5
Spic7
Norm10
ID FILE
1 2 3 4 5 6 7 8 9 10 Jumlah Benar
HASIL KLASIFIKASI UNTUK FILE
ARCH B B B B S B B B B B
ASYM B B B B B B B S S S
CALC B B B B B B B B B B
CIRC B S B B B B B B B B
MISC B S B B B B B B B S
SPIC B B B B B B B B B B
NORM B B B B B B B B B S
9
7
10
5
8
10
9
Tingkat akurasi Keberhasilan = 58/70 * 100 = 82,86%
=58
Hasil Ujicoba 5 Architectural
Asymmetry
Calcification
Circumscribed
Ill-Defined
Spiculated
Normal
Arch2
Asym1
Calc2
Circ1
Misc1
Spic3
Norm2
Arch5
Asym2
Calc4
Circ2
Misc2
Spic4
Norm3
Arch6
Asym8
Calc6
Circ8
Misc3
Spic5
Norm4
ID FILE
1 2 3 4 5 6 7 8 9 10 Jumlah Benar
HASIL KLASIFIKASI UNTUK FILE
ARCH B B B B B B B B B B
ASYM B B B B B B B S S S
CALC B B B B B B B B B B
CIRC B B B B B B B B B B
MISC B B B B B B B B B S
SPIC B B B B B B B B B B
NORM B B B B B B B B B S
10
7
10
10
9
10
9
Tingkat akurasi Keberhasilan = 65/70 * 100 = 92,86%
=65
