Prosiding Semirata FMIPA Universitas Lampung, 2013
Deteksi Tepi Citra Kanker Payudara dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah1), Andi Ihwan1) 1) Prodi Fisika FMIPA Untan, Pontianak Email:
[email protected] Abstrak. Proses diagnosa dalam bidang kedokteran saat ini tidak lagi hanya mengandalkan pembedahan (biopsi) tetapi dengan perkembangan teknologi memungkinkan didapatkannya hasil visualisasi organ internal (struktur anatomi) melalui sistem pencitraan medis tanpa harus membedah. Pencitraan medis merupakan teknik atau proses yang digunakan untuk membuat gambar tubuh manusia (organ dalam tubuh) untuk tujuan klinis. Deteksi tepi citra kanker payudara menjadi bagian yang penting dalam radioterapi karena proses ini merupakan langkah awal pemisahan kanker dalam citra yang memiliki perbedaan karakteristik dan ciri khas tersendiri. Batas antara jaringan sehat dan jaringan sakit (kanker) dalam citra yang berbeda karakteristik telah jelas, maka selanjutnya citra kanker dapat dilakukan analisa lebih lanjut dan juga diagnosa kondisi penyakit pasien yang terlihat dengan menginterpretasikan citra tersebut tanpa harus melakukan pembedahan. Deteksi tepi dilakukan dengan menggunakan Laplacian of Gaussian, operator ini akan menangkap tepian dari semua arah dan menghasilkan tepian yang lebih tajam. Sehingga pada citra hasil proses terlihat bagian-bagian tepi jaringan sakit dengan jelas, dan proses ini membutuhkan waktu yang cukup singkat hanya dalam hitungan detik. Kata Kunci. Laplacian of Gaussian, Deteksi Tepi, Kanker Payudara
PENDAHULUAN Kanker payudara merupakan penyakit kanker yang menyerang pada kelenjar air susu, saluran kelenjar dan jaringan penunjang payudara. Kanker payudara masih menjadi salah satu penyakit yang paling menakutkan bagi wanita di berbagai belahan dunia. Di Indonesia, kanker payudara adalah jenis kanker dengan penderita terbanyak setelah kanker serviks [1]. Sebagian besar kasus kanker payudara terjadi pada wanita di atas 50 tahun. Kanker payudara tak hanya penyakit khusus kaum hawa, kanker payudara juga bisa menyerang kaum pria, walaupun prosentasenya hanya satu persen dari semua kasus yang tercatat hingga kini. Penyakit yang mematikan ini juga menyerang kaum muda berusia belasan tahun [2]. Olehnya itu deteksi dini terhadap penyakit ini sangat dibutuhkan. Seiring dengan perkembangan teknologi saat ini telah ditemukan sistem diagnosa dan pengobatan modern tanpa harus membedah tetapi hanya
menggunakan citra internal tubuh manusia (citra medis). Mammogram merupakan salah satu alat yang biasa digunakan untuk menghasilkan citra medis khususnya citra payudara. Mamografi (mammography) merupakan metode pencitraan payudara dengan menggunakan sinar X berdosis rendah (umumnya berkisar 0,7 mSv). Citra internal tubuh ini biasanya digunakan untuk tujuan medis (diagnosa dan pengobatan) dan ilmu kesehatan (studi anatomi dan fungsi tubuh). Tahap lanjutan dari diagnosa adalah pengobatan atau sering disebut Radiation Treatment Planning (RTP). RTP merupakan bagian penting dalam pengobatan radiasi untuk membantu radiolog memberikan radiasi dengan cara yang paling efektif, tepat dan akurat. RTP ini dilakukan untuk mencapai tujuan pengobatan radiasi (radiation beam) yang baik, yakni memaksimalkan dosis radiasi yang mengenai target dan meminimumkan dosis pada bagian tubuh sehat [3]. Dalam RTP dibutuhkan informasi lokasi target Semirata 2013 FMIPA Unila |369
Nurhasanah: Deteksi Tepi Citra Kanker Payudara dengan Menggunakan Laplacian of Gaussian (LOG)
yang tepat, ukuran dan bentuk target serta struktur anatomi [4]. Mikrokalsifikasi pada citra mammogram sulit untuk dideteksi karena jaringan pada payudara, variasi pada bentuk, orientasi, kecerahan dan ukuran gambar [5]. Hal ini akan menyulitkan dokter untuk memberikan hasil diagnosis dari gambar mammogram kepada pasien, oleh sebab itu untuk membantu dokter dalam mendiagnosis hasil mammogram akan lebih baik jika dibuat aplikasi untuk mendeteksi mikrokalsifikasi pada citra mammogram dan mengklasifikasikan citra mammogram sebagai pendukung diagnosis kanker payudara [5]. Analisis terhadap citra mammogram telah dilakukan oleh L. ETP, dkk [6] dimana tekstur citra mammogram dianalisis dengan menerapkan filter Gabor namun kelemahannya tidak dilakukan segmentasi citra dan hasil citra yg diperoleh kurang jelas perbedaannya. Untuk mendapatkan informasi lokasi target yang tepat pada citra mammogram dibutuhkan analisis citra. Analisis citra pada dasarnya terdiri dari tiga tahapan, yaitu ekstraksi ciri (feature extraction), segmentasi dan klasifikasi [7]. Salah satu faktor utama dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi (edge) dari objek di dalam citra. Pendeteksian tepi untuk meningkatkan penampakan garis batas suatu daerah atau obyek di dalam citra guna mendapatkan bentuk dasar organ yang diinginkan. Deteksi tepi berperan penting dalam seleksi objek pada pengolahan citra yang kemudian akan diinterpretasi. Dalam radioterapi, deteksi tepi citra menjadi bagian yang penting karena proses ini merupakan langkah awal pemisahan objek dalam citra yang memiliki perbedaan karakteristik dan ciri khas tersendiri. Batas antara satu objek dengan objek lain dalam citra yang berbeda karakteristik telah jelas, maka selanjutnya citra medis dapat dilakukan analisa citra lebih lanjut dan juga diagnosa kondisi penyakit pasien yang terlihat dengan
370| Semirata 2013 FMIPA Unila
menginterpretasikan citra medis. Deteksi tepi telah berhasil dilakukan oleh Sri Yulianto, dkk [8] dengan mengimplementasikan pendekatan logika fuzzy dalam pendeteksian tepi kanker payudara. Tetapi Deteksi tepi menghasilkan tepi-tepi titik yang relatif tebal. Olehnya itu akan digunakan deteksi tepi dari turunan kedua. Deteksi tepi dari turunan kedua dapat menghasilkan tepian citra yang lebih baik karena menghasilkan tepian yang lebih tipis. Salah satu operator dari turunan kedua adalah operator Laplacian of Gaussian. Operator ini sangat berbeda dari operator lainnya karena operator Laplacian of Gaussian berbentuk omny directional (tidak horizontal dan tidak vertikal). Operator ini akan menangkap tepian dari semua arah dan menghasilkan tepian yang lebih tajam [9]. Tujuan penelitian adalah mendesain dan mengembangkan program deteksi tepi (edge detection) berdasarkan operator turunan kedua (Laplacian). Dengan menggunakan citra radioterapi, di sini akan mendeteksi tepi jaringan sakit dari citra mammogram. METODE PENELITIAN DESAIN PROGRAM
Pengolahan citra di sini dilakukan melalui tahap pre-processing dan dilanjutkan dengan proses deteksi tepi dengan menggunakan operator turunan kedua (Laplacian of Gaussian). Pre-Processing
Pre-processing merupakan proses yang digunakan untuk meningkatkan kualitas tampilan citra agar memiliki format yang lebih baik sehingga citra tersebut menjadi lebih mudah diolah lebih lanjut sehingga menghasilkan deteksi tepi yang terbaik. Di sini akan digunakan pre-processing yang menggunakan grayscaling. Proses grayscaling adalah proses untuk mengubah gambar yang memiliki warna menjadi gambar yang memiliki tingkat
Prosiding Semirata FMIPA Universitas Lampung, 2013
warna abu-abu (gray-level). Proses ini dilakukan dengan konversi nilai pixel dari 3 nilai RGB menjadi 1 nilai. Persentasi yang sering digunakan adalah 29,9% dari warna merah (Red), 58,7% dari warna hijau (Green), dan 11,4% dari warna biru (Blue). Nilai pixel didapat dari jumlah persentasi 3 nilai tersebut. Mengkonversi nilai RGB menjadi nilai grayscale dibentuk dengan menjumlahkan komponen R, G, dan B : (
)
( (
) )
(14)
Dimana, R = Red, G = Green dan B = Blue.
Proses Deteksi Tepi Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek dalam citra. Proses deteksi tepi citra radioterapi di sini dilakukan dengan menggunakan operator Laplacian of Gaussian (LOG) yang dikembangkan dari turunan kedua. LOG terbentuk dari proses Gaussian yang diikuti operasi laplace. Fungsi Gaussian akan mengurangi derau sedangkan Laplacian mask meminimalisasi kemungkinan kesalahan deteksi tepi.
Pendekatan dengan operator LOG dimulai dengan proses blurring citra dengan menggunakan filter Gaussian, (
)
(
)
(15)
Dilanjutkan dengan deteksi tepi menggunakan operator Laplacian of Gaussian (LOG), sebagai berikut ( ) ̅ ̅ ( ) ( ) (16)
(
)
Dan Fungsi dari Laplacian of Gaussian sebagai berikut,
(
) *
+
(17)
Menemukan zero-crossing dari Laplacian dan membandingkan variasi lokal di titik ini untuk threshold (ambang batas). Jika ambang batas telah terlampaui, maka dinyatakan sebagai tepi. Secara ringkas proses deteksi tepi dengan operator Laplacian of Gaussian (LOG), ditulis dalam bentuk algoritma berikut: 1. Input image 2. Blur image, pengaburan ini dilakukan dengan convolving image menggunakan Gaussian (sebuah low pass filter umum memiliki riak, dan riak ditampilkan sebagai tepi) 3. Melakukan Laplacian pada image yang telah dikaburkan 4. Menemukan zero-crossing dari Laplacian dan membandingkan variasi lokal di titik ini untuk threshold (ambang batas). Jika ambang batas telah terlampaui, maka dinyatakan sebagai tepi. PENGUJIAN PROGRAM Pengujian program dilakukan dengan meng-input-kan file citra mammogram ke dalam program yang telah dibuat. Ini dilakukan terhadap program pre-processing dan program deteksi tepi. Pengujian dilakukan berdasarkan kualitas edge yang dihasilkan dan di uji berdasarkan waktu yang diperlukan dalam proses tersebut (timing run). Adapun citra yang di-input-kan sebagai berikut (Gambar 1): 1. Citra ke-1, citra mammogram payudara
normal dengan ukuran 1457x893x24b JPEG. 2. Citra ke-2, citra mammogram payudara abnormal dengan ukuran 395x487x8b JPEG.
Semirata 2013 FMIPA Unila |371
Nurhasanah: Deteksi Tepi Citra Kanker Payudara dengan Menggunakan Laplacian of Gaussian (LOG)
3. Citra ke-3, citra mammogram payudara
abnormal dengan ukuran 336x412x8b JPEG.
(b) GAMBAR 34 Citra Input : (a) citra I, Citra Hasil Grayscaling : (b) citra I, (a)
(b) (c) GAMBAR 33 citra mammogram: (a) citra I, (b) citra II, (c) citra III
HASIL DAN PEMBAHASAN Demikian juga dengan judul HASIL DAN PEMBAHASAN. Jika ada sub judul yang diperlukan dari bagian judul sebelumnya, ikuti petunjuk berikutnya. Isi hasil dan pembahasan adalah menampilkan hasil dan pembahasana penelitian anda. Uraikan dengan grafik, tabel dll. Ikuti tatacara penulisan gambar dan tabel pada pembahasan berikut.
PENGUJIAN DETEKSI TEPI
Proses ini dimulai dengan proses blurring citra dengan filter Gaussian. Fungsi Gaussian di sini akan mengurangi derau. Hasilnya dapat dilihat pada Gambar 3. Operator Laplacian of Gaussian (LOG) bekerja dengan mencari nilai nol pada turunan kedua dari citra, karena ketika turunan pertama terdapat pada nilai maksimum maka turunan kedua akan menghasilkan nilai nol. Turunan kedua dari arah x dan arah y digabungkan menjadi satu
(a)
(b)
(c)
(d)
PENGUJIAN PRE-PROCESSING
Proses grayscaling dilakukan pada citra yang memiliki kedalaman 24 bit, yaitu citra ke-1. Sedangkan citra ke-2 dan citra ke-3 tidak dilakukan grayscaling karena sudah memiliki kedalaman 8 bit. Hasil proses grayscaling dapat dilihat pada Gambar 2.
(a)
372| Semirata 2013 FMIPA Unila
(e) (f) GAMBAR 35 Citra Input : (a) citra I, (c) citra II (e) citra III ; Hasil proses Blurring : (b) citra I, (d) citra II, (f) citra III
Prosiding Semirata FMIPA Universitas Lampung, 2013
nilai operator. Nilai ini direpresentasikan dalam bentuk hasil penjumlahan dua matriks konvolusi dari arah x dan y, seperti pada persamaan berikut. ( (
(
( (
̂
) )
)
(
(
)
)
)
(
)
)
(
)
[
(a)
] [
]
[
]
(18)
Adapun hasil pengujian program deteksi tepi terhadap citra hasil pre-processing dapat dilihat pada Gambar 4.
(a)
(c)
(b)
(b)
(d)
(e) (f) GAMBAR 36 Citra Input : (a) citra I, (c) citra II (e) citra III ; Hasil deteksi tepi : (b) citra I, (d) citra II, (f) citra III
(c) (d) GAMBAR 37 Citra Input : (a) citra II, (c) citra III ; Citra Hasil deteksi Tepi jaringan abnormal : (b) citra II, (d) citra III
Hasil deteksi tepi tampak pada citra I, II dan III, terlihat bahwa pada bagian-bagian yang intensitasnya cukup berbeda akan terbentuk tepi sehingga akan jelas terbedakan bagian-bagian payudara dari citra tersebut. Bagian yang abnormal akan jelas terlihat setelah dilakukan deteksi tepi, seperti pada Gambar 5. PERHITUNGAN WAKTU Selain menguji hasil deteksi tepi apakah sesuai dengan algoritma yang telah dibuat juga dilakukan perhitungan waktu yang dibutuhkan mulai dari pre-processing hingga selesainya deteksi tepi. Perhitungan waktu ini dilakukan untuk mengetahui apakah proses deteksi tepi berdasarkan Laplacian of Gaussian efektif untuk dilakukan. Hasil perhitungan waktu proses deteksi tepi untuk setiap citra masing-masing adalah citra I selama 0,82 detik, citra IIselama 0,69 detik dan citra III selama 0,62 detik. Berdasarkan waktu proses deteksi tepi mulai dari pre-processing hingga pembentukan tepi dapat terlihat bahwa program deteksi tepi dengan menggunakan Operator Laplacian of Gaussian cukup
Semirata 2013 FMIPA Unila |373
Nurhasanah: Deteksi Tepi Citra Kanker Payudara dengan Menggunakan Laplacian of Gaussian (LOG)
efektif untuk digunakan pada citra mammogram karena waktu yang dibutuhkan untuk menyelesaikan satu gambar kurang dari 1 detik. KESIMPULAN Deteksi tepi citra mammogram dengan menggunakan operator Laplacian of Gaussian cukup efektif digunakan karena menghasilkan citra bagian-bagian payudara yang dapat terbedakan dengan jelas, khususnya bagian yang abnormal. Selain itu terlihat bahwa waktu yang digunakan selama proses kurang dari 1 detik. Deteksi tepi ini sangat dipengaruhi oleh besarnya kontras citra, intensitas dari masing-masing citra dan besarnya pixel citra. DAFTAR PUSTAKA Anonymous. (2013). Kompasiana Nangkring: Mengenal Kanker Payudara Melalui Inovasi dan Teknologi, http://blog.kompasiana.com/2013/03/10/kompasi ana-nangkring-di-bali-mengenal-kankerpayudara-535615.html, diakses pada tanggal
28 maret 2013 Anonymous. (2013). Kanker Payudara Menjangkiti Anak Muda , http://www.fajar.co.id/read20130416095400-kanker-payudara-
374| Semirata 2013 FMIPA Unila
menjangkiti-anak-muda, diakses pada tanggal 28 maret 2013 I. J. Kalet, and M. M. A. Seymour. (1997) . The Use of Medical Images in Planning and Delivery of Radiation Therapy, Journal of The American Medical Informatics Association, 4, 327-339. P. Sprawls. (1995) : Physical Principle of Medical Imaging, Medical Physics Publishing, United State. Zhang, Xinsheng, dkk. (2012). Micro Calcification Clusters Detection by Using Gaussian Markov Random Fields Representation. Xi'an: University of Architecture and Technology. L. ETP, S. Widodo, dan D. A. Pambayun. (2011). Penerapan Filter Gabor untuk Analisis Tekstur Citra Mammogram, SNATI 2011(Seminar Nasional Aplikasi Teknologi Informasi), Jogyakarta – Indonesia. 17-18 juni 2011 T. Acharya, dan A.K. Ray. (2005) : Image Processing: Principles and Applications. S. Yulianto J.P., Y. Nataliani, dan A. Kurniawan (2009). Jurnal Teknologi Informasi-Aiti, Vol. 6. No. 1, Februari 2009: 1-100 Putra, D. (2010) : Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.
