Journal of Control and Network Systems

JCONES Vol. 3, No. 1 (2014) 54-60

Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone

SEGMENTASI CITRA TULANG BELAKANG MENGGUNAKAN CHARGED PARTICLE MODEL Alif Aziz Mujahidin1)Susijanto Tri Rasmana2)Madha Christian Wibowo3)Sandy Wirakusuma4) Program Studi/Jurusan Sistem Komputer STMIK STIKOM Surabaya Jl. Raya Kedung Baruk 98 Surabaya, 60298 Email: 1)[email protected], 2)[email protected], 3)[email protected]

Abstract: Scoliosis is a spinal abnormalities that bends to S shape or C shape. The proper treatment can make better healing of scoliosis patient. Currently, diagnosis of spinal curvature is using a manual process performed by orthopedic, thus resulting an error in the measurement. To resolve this issue, we used segmentation method that using image processing technology. segmentation method is using ChargedParticle Model (CPM) which able to perform segmentation properly. By using this method, the PSNR score is 12,4213 dB.

Keywords:CPM, Charged Particle Model, Modified Tophat Filter, Gaussian cropping, Skoliosis, segmentation. Skoliosis adalah fenomena kelainan tulang belakang yang akan membengkok membentuk huruf C atau S. Hal ini dapat mengakibatkan saraf tulang belakang terjepit atau organ-organ dalam terganggu.Tingkat presisi dalam menentukan sudut kemiringan tulang belakang(cobb angle) secara manual masih sangat rendah. Hal ini terjadi karena noise yang terdapat pada citra sinar x tulang belakang dari pasien penderita skoliosis. Noise itu dapat berupa organ-organ, darah, maupun tulang-tulang yang lainnya. Untuk itu, diperlukan proses segmentasi kelengkungan tulang belakang agar citra tulang belakang dapat diperjelas sehingga memudahkan proses selanjutnya, yaitu determinasicobb angle. Untuk meningkatkan akurasi pengukuran cobb angle, maka dilakukan proses komputasi secara otomatis yang diharapkan mendapatkan tingkat presisi yang lebih tinggi dalam menentukan cobb angle. Proses komputasi yang dilakukan yaitu segmentasi kontur tulang belakang dengan menggunakan Charged Particle Model (CPM).

CPM terdiri dari medan energi yang bermuatan negatif dan partikel yang bermuatan positif. Medan negatif diaplikasikan sebagai gaya Lorentz, sedangkan partikel bermuatan positif diaplikasikan sebagai gaya Coulomb. Citra yang akan disegmentasi diubah dalam bentuk biner dan dibuat bermuatan negatif agar memiliki gaya tarik pada partikel bermuatan positif yang berada di sekelilingnya. Sedangkan antar partikelnya terjadi tolak menolak, sehingga antar partikel tidak akan bertubrukan. Partikel bermuatan positif tersebut akan bergerak kearah objek pada citra dengan nilai negatif paling tinggi yang berada paling dekat dengan partikel bermuatan positif. Inisialisasi awal yaitu membuat partikelpartikel bermuatan positif di sekeliling daerah tulang belakang pada citra yang akan disegmentasi. Banyaknya noise yang berupa organorgan dalam, darah, dan tulang-tulang lainnya cukup mengganggu dalam proses segmentasi tulang belakang, maka dari itu diperlukan proses pre-processing. Proses pre-processing berperan penting dalam menentukan hasil segmentasi karena hasil

Alif Aziz Mujahidin, Susijanto Tri Rasmana, Madha Christian Wibowo, Sandy Wirakusuma JCONES Vol. 3, No. 1 (2014) Hal: 54

Ju STM

SitusJurn

dari pre-processing diharapkan mampu menghilangkan noise, atau setidaknya mengurangi noise. Proses pre-processing yang digunakan yaitu Modified Tophat filter digunakan untuk meningkatkan nilai kontras dari objek tulang punggung dan Gaussian cropping digunakan untuk menghilangkan objek pada sisi kanan dan kiri dari tulang belakang. Hasil dari proses pre-processing digunakan untuk proses segmentasi menggunakan CPM. Inisialisasi partikel dilakukan secara manual pada tepi dari kontur tulang belakang. Sehingga didapatkan hasil berupa kontur tulang belakang yang bisa digunakan untuk determinasi cobb angle.

I. METODE 1. Perancangan Sistem Diagram Sistem

dan

Blok

Perancangan dari sistem yang lebih jelas seperti yang dijelaskan melalui blok diagram pada Gambar 1. Terdapat 2 bagian utama pada perancangan sistem ini, yaitu pre-processing dan segmentasi.Pre-processing terdiri dari Modified Tophat filter dan Gaussian cropping, sedangkan proses segmentasi menggunakan Charged Particle Model(CPM).

Citra x-ray tulang belakang Pre-processing Modified Tophat Filter

Gaussian cropping

Segmentasi menggunakan CPM

Hasil

a.

Pre-processing Pre-processing dilakukan untuk mengekstraksi tepi dari citra sebelum dilakukan segmentasi. Keberhasilan proses segmentasi sangat dipengaruhi oleh edge map yang dihasilkan dari proses ini. Oleh karena itu, penulis akan menganalisa tingkat efektivitas proses segmentasi yang dilakukan dengan proses Gaussian cropping dibandingkan dengan tanpa Gaussian cropping. Modified Tophat filter yang digunakan sebelumnya telah digunakan oleh Sardjono pada tahun 2007 untuk mengekstraksi edge map dari citra tulang belakang.Hasil dari Modified Tophat filter mampu memperjelas daerah tulang belakang namun masih menyisakan noise yang cukup banyak disekeliling daerah tulang belakang. Proses Gaussian cropping digunakan untuk menghapus sisa noise yang terlihat cukup mengganggu. b.

Segmentasi menggunakan Charged Particle Model (CPM). Charged particle model (CPM) adalah model yang diinspirasi oleh elektrodinamika klasik dan berdasarkan pada simulasi pergerakan partikel bermuatan pada medan elektrostatis. CPM digunakan untuk kebutuhan shape recovery dan segmentasi dengan berbasis pada partikel bermuatan.CPM memanfaatkan gaya Lorentz untuk digunakan sebagai medan gaya negatif dan gaya Coulomb untuk partikel-partikel bermuatan positif. Sehingga pergerakan partikel positif dipengaruhi oleh besar kecilnya nilai medan negatif yang menarik partikel-partikel bermuatan positif tersebut. Sedangkan antar partikel positif akan saling tolak menolak. Setelah proses filtering, didapat citra grayscale yang berbentuk tulang belakang dengannoise yang jauh berkurang dibandingkan dengan citra sinar x yang asli.Setelah itu barulah proses pembentukan imitasi siluet tulang belakang melalui titiktitik yang diinisialisasikan secara manual. Bentuk akhir CPM ini digunakan sebagai imitasi dari bentuk kontur tulang belakang yang lebih jelas. Hasil CPM inilah yang nantinya akan digunakan untuk perhitungan cobb angle.

Gambar 1. Blok Diagram


2.

Sampel Citra X-ray Tulang Belakang

Sampel yang digunakan pada penelitian ini diperoleh dari Departemen Radiologi, University Medical Center Groningen, Belanda. 3.

Modified Tophat Filter.

Tahap pertama dari proses pre-processing adalah proses filtering untuk memperjelas citra tulang belakang dan mengurangi noise di sekitar tulang belakang menggunakan Modified Tophat Filter. Rumus Modified Tophat adalah :

mod TH  Keterangan :

( f  b)  f   ................... (1) f b

 = operatormorfologiclosing  = operator morfologiopening b = struktur elemen



= attenuation factor

f = citra 4. Gaussian cropping Tahap kedua dari proses pre-processing adalah dengan menghilangkannoise dan bagianbagian dari citra sinar x yang tidak diperlukan khususnya bagian kanan dan kiri dari citra tulang belakang menggunakan koordinat yang dikumpulkan dari gerakan mouse yang mengikuti bentuk tulang belakang.

Gaussian  exp

 b  a 2    2 c 2 

   

........................ (2)

Keterangan : a=koordinat piksel pada citra b=koordinat center of peak dari fungsi Gaussian c= standar deviasi.

5. Charged Particle Model Charged particle model (CPM) adalah model yang diinspirasi oleh elektrodinamika klasik dan berdasarkan pada simulasi pergerakan partikel bermuatan pada medan elektrostatis. CPM digunakan untuk kebutuhan shape recovery dan segmentasi dengan berbasis pada partikel bermuatan. Muatan yang diberikan akan menarik partikel pada kontur objek yang diinginkan oleh sebuah medan listrik yang sumbernya dikomputasi berdasarkan citra gradientmagnitude. Sedangkan gaya interaksi internalnya dimodelkan dengan gaya Coulomb.

Gambar 2. Ilustrasi CPM. Gaya-gaya pada sistem N yang memengaruhi partikel bebas bermuatan qi (bulatan kecil hitam) yang bergerak pada medan listrik yang dihasilkan dari muatan tetap dari citra ei (bulatan besar abu-abu), di mana warna abu-abu yang berbeda menunjukkan besar medan yang berbeda. Pada sebuah sistem N (diilustrasikan pada Gambar 2.7) yang partikel-partikelnya (pi) diberi muatan positif dengan muatan listrik qi, di mana i = 1 . . . N. Muatan ini bergerak bebas dalam medan elektrostatis eksternal E yang dihasilkan dari muatan negatif yang didapat dari perhitungan setiap piksel citra yang proporsional dengan besarnya muatan dari edge map citra. Setiap partikel bebas qi bergerak di bawah pengaruh dua macam gaya, yaitu gaya Coulomb (Fc) yang menyebabkan adanya interaksi antar partikel, dan gaya Lorentz (Fl) yang merupakan medan listrik yang dihasilkan dari muatan tetap ei. Resultan kedua gaya tersebut akan menghasilkan vektor resultan gaya (F) yang menyebabkan partikel-partikel pi bergerak. Vektor resultan yang terletak pada 𝓇𝑖 = 𝑥𝑖 , 𝑦𝑖 dinyatakan sebagai

𝐹 𝓇𝑖 = 𝐹𝑐 𝓇𝑖 + 𝐹𝑙 𝓇𝑖 ….................(3) Di mana 𝐹𝑐 adalah gaya Coulomb dan 𝐹𝑙 adalah gaya Lorentz yang memengaruhi partikel 𝑝𝑖 yang diberi muatan 𝑞𝑖 seperti pada Persamaan (4).

𝐹𝑙 𝓇𝑖 = 𝑞𝑖 𝐸 𝓇𝑖 + 𝑣𝑖 × 𝐵 𝓇𝑖 .…(4)


Di mana 𝑣𝑖 adalah kecepatan gerak partikel dan 𝐵 𝓇𝑖 adalah medan magnetik. Sehingga bila tidak ada medan magnetis (𝐵 = 0), gaya yang terjadi adalah:

𝐹 𝓇𝑖 = 𝑘 𝑞

𝐹𝑙 𝓇𝑖 = 𝑞𝑖 𝐸 𝓇𝑖 …………………….(5)

𝑞

Pada Persamaan (5) gaya Lorentz yang terjadi memiliki arah gerak yang paralel terhadap medan listrik E. Meskipun medan magnetik muncul pada posisi partikel 𝓇𝑖 yang dikarenakan seluruh partikel yang bergerak, medan ini diabaikan. Bila diasumsikan pada setiap posisi piksel Rk, k = 1, . . . , M dari sebuah fungsi edge map f(x,y) yang dihitung dari ∇ 𝐺𝜎 𝑥, 𝑦 ∗ 𝐼 𝑥, 𝑦 dari sebuah citra I berukuran M piksel, akan diletakkan muatan listrik negatif tetap 𝑒𝑖 = −𝑓 𝑥𝑖 , 𝑦𝑖 ≤ 0. Dengan prinsip superposisi, medan listrik pada posisi 𝓇 dinyatakan sebagai:

𝐸 𝓇 = −∇ϕ0 𝓇 = −∇

𝑁

𝑒𝑘 1 4𝜋𝜖 𝓇−𝑅 0 𝑘 𝑘:𝑅𝑘≠𝓇𝑖

…………(6)

Di mana ϕ0 𝓇 adalah potensial listrik pada posisi 𝓇 dan 𝜖0 adalah permitivitasi listrik dari tempat-tempat kosong. Bila posisi 𝓇 terletak pada posisi tepi, posisi ini dikesampingkan dalam persamaan. Menilik Persamaan (6) dengan melakukan subtitusi 𝐸 𝓇𝑖 pada Persamaan (5), persamaannya akan menjadi:

𝐹𝑙 𝓇𝑖 = 𝑞𝑖

𝑁

𝑒𝑘 𝓇𝑖 −𝑅𝑘 3 4𝜋𝜖 𝓇 0 𝑖 −𝑅𝑘 𝑘:𝑅𝑘≠𝓇𝑖

....(7)

Gaya Coulomb yang berlaku pada partikel 𝑝𝑖 bermuatan 𝑞𝑖 adalah penjumlahan dari gaya-gaya Coulomb yang dibuat oleh semua partikel bebas. 𝑁

𝐹𝑐 𝓇𝑖 = 𝑞𝑖 j≠i

𝑞𝑗 𝓇𝑖 −𝓇𝑗 4𝜋𝜖 0 𝓇𝑖 −𝓇𝑗 3

…...(8)

Bila diasumsikan seluruh partikel memiliki muatan positif sehingga 𝑞𝑖 = 𝑞, Persamaan (2.6) dapat dituliskan sebagai:

𝑁

𝓇𝑖 −𝓇𝑗

2 j≠i

𝑀 𝑘:𝑅𝑘≠𝓇𝑖

Bila 𝑘 =

𝓇𝑖 −𝑅𝑘 𝓇𝑖 −𝑅𝑘 3

1 4𝜋𝜖 0

𝓇𝑖 −𝓇𝑗

3

+

…………….….(9)

, perbedaan paling besar di

antara dua faktor pada Persamaan (9) adalah bahwa gaya Lorentz merefleksikan mesh partikel atau gaya penarik eksternal dan dikomputasikan pada domain citra. Sedangkan gaya Coulomb merepresentasikan gaya internal yang saling tolak-menolak antar partikel. Distribusi muatan tetap 𝑒𝑖 merefleksikan kekuatan dari edge map dan gaya listrik adalah “inversesquare” yang rusak dengan jarak kuadrat. Medan elektrostatis memiliki nilai yang besar di dekat tepi citra dan nilai yang kecil di area yang homogen dari sebuah objek citra. Pada implementasinya medan 𝐸 pada posisi tepi 𝑅𝑘 dikomputasi dahulu kemudian diinterpolasikan antara nilai medan pada posisi tersebut untuk mendapatkan medan pada posisi 𝓇𝑖 berapapun dari partikel bebas 𝑝𝑖 yang bergerak. Energi total sistem adalah penjumlahan dari semua partikel energi.

𝐸𝑝 𝓇1 , … , 𝓇𝑁 = 𝑁

1 2

𝑁

𝑤1 i=1

𝑤2

j≠i

1 𝓇𝑖 −𝓇𝑗

−

𝑀

𝑒𝑘 𝓇 −𝑅𝑘 𝑖 k:R k ≠r i

…………….(10)

Di mana 𝑤1 = 𝑘𝑞 2 dan 𝑤2 = 𝑘𝑞 adalah bobot. (Jalba dkk, 2004) Untuk mengetahui apakah program CPM yang dibuat dapat berjalan dengan baik, maka dilakukan pengujian menggunakan citra sampel. Hasil pengujian CPM bisa dilihat pada Gambar 3-4.


Gambar 3. Inisialisasi partikel. Inisialisasi partikel dilakukan secara manual dan dilakukan di sekeliling objek yang akan di segmentasi. Seperti yang ditunjukkan pada Gambar 3.

Gambar 5. Citra Sampel Hasil Pengujian Modified Tophat filter dilakukan menggunakan parameter disk=5, dan attenuation factor =11 ditunjukan pada Gambar 6.

Gambar 4. Hasil CPM. Dari Gambar 4 dapat dijelaskan bahwa program CPM yang dibuat mampu berjalan dengan baik. Partikel-partikel yang di inisialisasi mampu menuju tepi dari objek citra.

II.

HASIL DAN PEMBAHASAN 1. Hasil Pengujian Modified Tophat Filter Pengujian dilakukan untuk mengekstrak egde map dari citra x-ray tulang belakang untuk memberikan citra tulang belakang yang jelas dan mengurangi noise pada sekitar objek tulang belakang.

Gambar 6. Hasil Modified Tophat Filter.

2. Hasil Pengujian Cropping

Gaussian

Pengujian dilakukan untuk menghilangkan noise yang ada di sekitar tulang belakang. Hasil pengujian


Gaussian cropping dengan menggunakan parameter jarak =10 ditunjukan seperti pada Gambar7.

Gambar 8. Hasil CPM pada citra tulang belakang

Gambar 7. Hasil Gaussian cropping.

3.

Hasil Pengujian menggunakan CPM.

Segmentasi

Dari Gambar 8 dapat diketahui bahwa CPM mampu melakukan segmentasi tulang belakang. Inisialisasi partikel dilakukan secara manual di sekitar tulang belakang.Dari Gambar8 didapat citra hasil segmentasi seperti yang ditunjukkan Gambar 9.

Pengujian dilakukan untuk mendapatkan citra hasil segmentasi tulang belakang menggunakan CPM. Pengujian menggunakan parameter w1 1.5, w2 0.0009 dan ∆𝑡 0.1. Hasil pengujian seperti yang ditunjukkan pada Gambar 8.

Gambar 9. Citra hasil segmentasi tulang belakang


III.

KESIMPULAN

Segmentasi citra tulang belakang mampu dilakukan oleh CPM. Setelah melakukan pengujian terhadap sistem yang dibuat, dapat diambil kesimpulan sebagai berikut : 1. Aplikasi ini dapat melakukan segmentasi kelengkungan tulang belakang pada beberapa bentuk tulang belakang dengan tingkat akurasi rata-rata sebesar 12,42 dB dan dikategorikan kurang baik, dengan menggunakan modified tophat filter dan Gaussian cropping untuk pre-processing dan GVF Snake untuk segmentasi kelengkungan tulang belakang. 2. Nilai parameter w1 dan w2 yang memberikan hasil akurasi terbaik untuk digunakan segmentasi tulang belakang menggunakan CPM adalah 0,0009 untuk w1 dan 1,5 untuk w2.

Tcheslavski, G.V. 2010. Image Processing: Gray-Scale Morphology.

DAFTAR PUSTAKA David K. Wolpert. 2006. Scoliosis Surgery: The Definitive Patient's Reference. Swordfish Communications. Jalba, A.C. dkk. 2004. CPM: A Deformable Model for Shape Recovery and Segmentation Based on Charger Particles. IEEE Transactions on Pattern Analysis and Machine Intelligence vol. 26, no. 10. Kass, M. dkk. 1988. Snakes : Active Contour Models. International Journal of Computer Vision, 321-331(1998). Li, B. Dan Acton, C.S. 2007. Active Countour External Force Using Vector Field Convolution for Image Segmentation. IEEE Transactions on Image Processing vol. 16, no. 8. Sardjono, T.A. 2007. Spinal X-ray Image Analysis in Scoliosis. Sardjono, T.A. dkk. 2007. Spinal Curvature Determination from an X-Ray Image Using a Deformable Model. IFMBE Proceedings Vol. 15. Serra, J. 1988. Image Analysis and Mathematical Morphology, Volume 2: Theoretical Advances. Academic Press; 1st edition. Alif Aziz Mujahidin, Susijanto Tri Rasmana, Madha Christian Wibowo, Sandy Wirakusuma JCONES Vol. 3, No. 1 (2014) Hal: 60

Journal of Control and Network Systems

Recommend Documents