JURNAL APLIKASI FISIKA
VOLUME 7 NOMOR 2
AGUSTUS 2011
Segmentasi Jaringan Otak Putih, Jaringan Otak Abu-Abu, dan Cairan Otak dari Citra MRI Menggunakan Teknik K-Means Clustering Nurhasanah Jurusan Fisika F.MIPA Universitas Tanjungpura email :
[email protected] Abstrak Magnetic Resonance Imaging (MRI) adalah teknik pencitraan medis yang digunakan dalam radiologi untuk memvisualisasi struktur internal secara rinci. Segmentasi jaringan otak putih, jaringan otak abu-abu dan cairan otak penting dilakukan untuk meningkatkan pemahaman tentang pathophysiology beberapa gangguan neurologis. Oleh karena itu, dibutuhkan teknik segmentasi citra untuk mensegmentasi citra jaringan otak lebih akurat dan efisien. Penelitian ini mendesain dan mengembangkan program berdasarkan algoritma KMeans clustering dengan menggunakan informasi yang saling melengkapi yang tersedia pada citra T1, T2 dan PD dari MRI. Algoritma K-means clustering dipilih karena sederhana, mudah diimplementasikan, dan mampu menangani data outlier. Gabungan dari ketiga citra MRI tersebut akan disegmentasi menjadi jaringan otak putih, jaringan otak abu-abu dan cairan otak secara otomatis setelah melalui pre-processing. Waktu segmentasi juga dihitung. Dihasilkan program segmentasi citra MRI menggunakan teknik K-means clustering yang mudah diimplementasikan dan metodenya bekerja secara efektif untuk mengklasifikasi jaringan otak putih, jaringan otak abu-abu dan cairan otak. Kata kunci : Magnetic Resonance Imaging, K-Means clustering, jaringan otak
melengkapi yang tersedia pada citra T1, T2 dan PD dari MRI. Gabungan dari ketiga citra tersebut akan disegmentasi menjadi jaringan otak putih, jaringan otak abu-abu dan cairan otak (CSF) secara otomatis setelah melalui pre-processing.
1. Pendahuluan Magnetic Resonance Imaging (MRI) adalah teknik pencitraan medis yang digunakan dalam radiologi untuk memvisualisasikan struktur internal secara rinci. Alat ini menghasilkan kontras yang baik sehingga berguna pada pencitraan otak, otot, jantung, dan kanker dibandingkan dengan teknik pencitraan medis yang lain seperti computed tomography (CT) atau sinar-X.[1] Segmentasi jaringan otak pada citra Magnetic Resonance (MR) merupakan isu penting dalam analisis beberapa penyakit otak (gangguan neurologis), seperti multiple sclerosis atau penyakit Alzheimer. Segmentasi jaringan otak putih, jaringan otak abu-abu dan cairan otak dilakukan untuk meningkatkan pemahaman tentang pathophysiology beberapa gangguan neurologis.[2] Hal ini penting untuk mendefinisikan batas-batas organ secara jelas, karena ini digunakan untuk perhitungan dosis dari setiap treatment.[3] Penelitian ini mendesain dan mengembangkan program segmentasi berdasarkan algoritma K-Means clustering dengan menggunakan informasi yang saling
2. Dasar Teori Magnetic Resonance Imaging (MRI) adalah suatu alat kedokteran di bidang pemeriksaan diagnostic radiologi, yang menghasilkan rekaman gambar potongan penampang tubuh/organ manusia dengan menggunakan medan magnet berkekuatan antara 0,064 – 1,5 tesla (1 tesla = 1000 Gauss) dan resonansi getaran terhadap inti atom hidrogen.[4] Citra MRI konvensional memberikan informasi morfologi berupa citra T1, T2 dan PD-weighted. Ketiga citra tersebut memberikan informasi tentang sifat fisik air pada jaringan. T1, spin-lattice relaxation time, berbanding terbalik dengan jumlah gerakan molekul dalam jaringan pada frekuensi resonansi. T2, spin-spin relaxation time, berbanding terbalik dengan jumlah gerakan dalam jaringan pada frekuensi di bawah dan sama dengan frekuensi resonansi. Selanjutnya
92
Segmentasi Jaringan Otak Putih, Jaringan Otak Abu-Abu,........... (Nurhasanah)
PD (proton density) menyediakan gambar kepadatan proton. Ketiga citra tersebut memberikan informasi yang berbeda dan saling melengkapi. Ketiga pengukuran berbeda ini memberikan perbedaan tingkat kontras dari berbagai jenis jaringan lunak pada otak manusia. 2.1 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. Perbaikan kualitas citra (image enhancement) adalah proses memperjelas dan mempertajam fitur tertentu dari citra agar citra lebih mudah dipersepsi atau dianalisis lebih teliti. Secara matematis, image enhancement dapat diartikan sebagai proses mengubah citra f(x,y) menjadi f’(x,y) sehingga ciri-ciri yang terlihat pada f(x,y) lebih ditonjolkan. Image enhancement tidak meningkatkan kandungan informasi, melainkan jangkauan dinamis dari ciri agar bisa dideteksi lebih mudah dan tepat. 2.2 Segmentasi Segmentasi citra merupakan pusat (a central preoccupation) dalam analisis citra. Proses segmentasi membagi citra menjadi bagian-bagian dimana bagian-bagian tersebut dapat dipandang sebagai objek-objek mandiri yang dapat dianalisa. Segmentasi citra merupakan teknik untuk membagi suatu citra menjadi beberapa daerah (region) dimana setiap daerah memiliki kemiripan atribut.[5] Atribut yang paling dasar untuk segmentasi adalah amplitudo pencahayaan (luminance) citra untuk gambar monokrom dan komponen warna untuk gambar berwarna. Tepi gambar dan tekstur juga merupakan atribut berguna untuk segmentasi. Segmentasi hanya membagi gambar, tetapi tidak berusaha untuk mengenali segmen satu per satu atau hubungan mereka satu sama lain. Segmentasi yang akan di bahas di sini yang berdasarkan clustering. Segmentasi ini menggunakan data multidimensi untuk mengelompokkan pixel citra ke dalam
93
beberapa cluster. Pada umumnya pixel dicluster berdasarkan kedekatan jarak antarpixel. Keberhasilan dari proses segmentasi berbasis cluster ditentukan oleh keberhasilan dalam mengelompokkan fitur-fitur yang berdekatan ke dalam satu cluster. 2.3 K-Means Clustering K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.[6] K-means mengelompokkan objek menjadi K cluster. Metode ini akan mencari pusat cluster dan batas-batas cluster melalui proses perulangan (iterative). Kedekatan atau kemiripan (similarity) suatu objek dengan objek lain atau dengan pusat cluster dihitung dengan menggunakan fungsi jarak. Pada umumnya K-means menggunakan jarak Euclidean untuk menghitung kemiripan tersebut. K-Means mampu meminimalkan ratarata jarak setiap data ke claster-nya. Metode ini dikembangkan oleh J. MacQueen pada tahun 1967. Algoritma K-means dipengaruhi jumlah pusat cluster, pemilihan inisial pusat cluster, bagaimana sampel diambil, dan sifat geometri dari data. Proses clustering menggunakan metode K-Means ini dilakukan dengan algoritma dasar sebagai berikut :[7] 1. Menentukan jumlah cluster. 2. Mengalokasikan data ke dalam cluster secara random 3. Menghitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. Mengalokasikan masing-masing data ke centroid/rata-rata terdekat Kembali ke langkah 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang
94
JAF, Vol. 7 No. 2 (2011), 90-95
digunakan di atas nilai ditentukan.
threshold yang
3. Metode Penelitian 3.1 Desain Program Pengolahan citra di sini dilakukan melalui tahap pre-processing, proses clustering dan pemisahan objek. Secara garis besar rancangan program ditunjukkan pada Gambar 1. Pre-processing merupakan proses yang digunakan untuk meningkatkan kualitas citra agar dapat menghasilkan segmentasi yang terbaik. Program ini akan melakukan preprocessing yang menggunakan thresholding (pengambangan), erosion, dilation dan histogram equalization. Proses thresholding adalah proses untuk mengubah gambar yang memiliki tingkat warna abu-abu menjadi gambar biner berdasarkan suatu nilai tertentu yang menjadi tolok ukurnya. Proses pengambangan citra grayscale untuk menghasilkan citra biner adalah sebagai berikut. g(x,y)=
intensitas dari histogram awal. Histogram puncak dan lembah hasil ekualisasi akan digeser atau lebih disebarkan (spreading). Nilai piksel baru n(g) dinyatakan sebagai berikut,
(3)
dimana, N menyatakan banyaknya pixel pada citra, g menyatakan nilai gray level awal yang nilainya dari 1…L-1(L adalah nilai gray level maksimum), dan c(g) menyatakan banyaknya pixel yang memiliki nilai sama dengan g atau kurang. Secara matemtis dinyatakan sebagai (4) dengan h(i) menyatakan histogram awal.
(1)
Dengan g(x,y) adalah citra biner dari citra grayscale f(x,y), dan T menyatakan nilai ambang. Nilai T pada gambar tersebut menunjukkan batas yang menjadi tolok ukur pengubahan nilai tiap pixel, apakah menjadi 0 (hitam) atau 255 (putih). Selanjutnya kombinasi dari operasi erosi (erosion) dan operasi dilasi (dilation) dilakukan. Proses ini disebut proses opening yang secara matematis dapat dinyatakan dengan : 0(A,B) = AoB = D(E(A,B),B)
(2)
Algoritma histogram equalization, mulai dari pengambilan nilai untuk histogram, kemudian perhitungan histogram menjadi histogram yang ter-equalize, hingga pengubahan pada tiap pixel pada gambar agar histogram dari gambar tersebut menjadi histogram yang ter-equalize. Teknik ini melakukan distribusi ulang terhadap distribusi
Gambar 1 Bagan Aplikasi Secara Garis Besar
Proses clustering di sini dilakukan dengan mengklasifikasi karakteristik citra berdasarkan K-Means clustering. Jumlah klas dalam klasifikasi ini terdiri dari 4 klas, yaitu klas 1 untuk latar belakang, klas 2 untuk cairan otak (CSF), klas 3 untuk jaringan otak abuabu, dan klas 4 untuk jaringan otak putih. Secara garis besar proses clustering menggunakan metode K-Means ditunjukkan pada gambar 2. Proses pemisahan citra dilakukan dengan thresholding (pengambangan). Seperti pada persamaan (1).
Segmentasi Jaringan Otak Putih, Jaringan Otak Abu-Abu,........... (Nurhasanah)
Proses ini clustering.
dilakukan
berdasarkan
hasil
Gambar 2 Flowchart K-Means Clustering
3.2 Pengujian Program Pengujian program dilakukan dengan meng-input-kan file citra MRI kepala yang terdiri dari PD, T1 dan T2 ke dalam program yang telah dibuat. Citra yang diinput ke dalam program seperti yang terlihat pada gambar 3.
(a)
95
4. Hasil dan Pembahasan 4.1. Pengujian Pre-Processing Pre-processing merupakan kumpulan dari proses yang digunakan untuk dapat menghasilkan segmentasi yang terbaik. Program ini akan digunakan pre-processing yang menggunakan thresholding, erosion, dilation dan histogram equalization. Untuk menghindari misclassification, citra selain jaringan otak harus dihilangkan. Proses thresholding dan opening dilakukan untuk menghilangkan citra tulang dan citra selain otak lainnya. Operasi erosi berguna dalam menghilangkan objek-objek kecil yang terdapat pada citra sedangkan operasi dilasi memperbesar batas dari objek yang ada sehingga objek terlihat semakin besar. Proses ini disebut proses opening yang bertujuan mencegah penurunan ukuran objek secara keseluruhan. Proses opening secara matematis dapat dinyatakan dengan : 0(A,B) = AoB = D(E(A,B),B) Hasil penghilangan citra tulang dapat dilihat pada gambar 4a. Kemudian citra otak dipertegas dengan peningkatan kontras menggunakan algoritma histogram equalization. Teknik ini melakukan distribusi ulang terhadap distribusi intensitas dari histogram awal. Hasil perbaikan citra pada tahap ini dapat dilihat pada gambar 4b.
(b)
(a)
(b)
Gambar 4 (a) Hasil Penghilangan Citra Tulang (b) Hasil Perbaikan Kualitas Citra
4.2. Pengujian Proses clustering (c) Gambar 3 Citra MRI: (a) PD (b) T1 (c) T2
Proses clustering dilakukan dengan mengklasifikasi intensitas citra berdasarkan KMeans cluster. Metode ini mengalokasikan data items ke masing-masing cluster secara
96
JAF, Vol. 7 No. 2 (2011), 90-95
unsupervised dan menentukan jumlah cluster yang paling sesuai dengan data yang dianalisa secara supervised. Setiap piksel citra dalam proses clustering ditandai menjadi 4 klas, yaitu klas 1 untuk latar belakang, klas 2 untuk cairan otak (CSF), klas 3 untuk jaringan otak abu-abu, dan klas 4 untuk jaringan otak putih.[8] Hasil pengujian proses clustering pada program segmentasi ini dapat dilihat pada gambar 5.
Gambar 5 Hasil clustering berdasarkan K-means clustering
4.3. Pengujian Proses Pemisahan Proses pemisahan citra dilakukan dengan thresholding (pengambangan). Proses pengambangan dilakukan terhadap citra menggunakan nilai ambang tertentu berdasarkan hasil clustering. Proses ini akan menghasilkan citra biner, yaitu citra yang memiliki dua nilai tingkat keabuan yaitu hitam dan putih. Proses ini bertujuan untuk menampilkan tiap-tiap klas yang telah dibuat. Hasil pengujian proses pemisahan dapat dilihat pada gambar 6. Selain menguji program segmentasi apakah sesuai dengan algoritma yang telah dibuat juga dilakukan perhitungan waktu yang dibutuhkan mulai dari pre-processing hingga selesainya segmentasi. Perhitungan waktu ini dilakukan untuk mengetahui apakah proses segmentasi berdasarkan K-means clustering efektif untuk dilakukan. Waktu yang dibutuhkan untuk menyelesaikan proses segmentasi hanya sekitar 10,94 detik. Oleh karena itu program segmentasi yang telah dibuat cukup efektif karena secara qualitative, hasil segmentasi lebih teliti dibandingkan dengan metode Minimum Distance Classifier dan Maximum Distance Classifier karena tiap data dikelompokkan menjadi k kelompok dengan cara memindah-
mindahkan data dari kelompok yang satu ke kelompok yang lain sehingga tercapai komponen kesalahan yang minimum. Selain itu, metode yang biasa digunakan oleh para ahli adalah metode manual yang membutuhkan waktu paling sedikit 3 jam[9] dan menghasilkan pengukuran volume tumor yang tidak dapat dipercaya dan sensitif error (error sensitive).[10] Sedangkan program ini hanya membutuhkan sekitar 10,94 detik untuk tiap citra.
(a)
(b)
(c) Gambar 6 (a) Otak Putih; (b) Otak abu-abu; (c) Cairan Otak
5. Kesimpulan Dari penelitian ini dapat diperlihatkan bahwa program segmentasi citra MRI menggunakan algoritma K-Means clustering berhasil membagi irisan citra MRI kepala menjadi 4 klas, yaitu klas 1 untuk latar belakang, klas 2 untuk cairan otak (CSF), klas 3 untuk jaringan otak abu-abu, dan klas 4 untuk jaringan otak putih. Keuntungan program segmentasi dengan algoritma KMeans clustering mudah diimplementasikan, cepat, dan memiliki kemampuan untuk menangani data outlier serta kompleksitas waktunya linear. Hasil klasifikasi berdasarkan K-Means clustering dipengaruhi oleh besarnya kontras citra, penentuan jumlah cluster yang paling cocok dan besarnya pixel citra yang digunakan.
Segmentasi Jaringan Otak Putih, Jaringan Otak Abu-Abu,........... (Nurhasanah)
Daftar pustaka [1]. http://en.wikipedia.org/wiki/Magnetic_resona nce_imaging, November 2010 [2]. Cercignani, M., Inglese, M., Zajdel, M. Z., dan Filippi, M. (2001). Segmenting Brain White Matter, Gray Matter and Cerebro-spinal Fluid Using Diffusion tensor-MRI Derived Indices. Magnetic Resonance Imaging, 19, 1167-1172. [3]. Kalet, I. J., and Seymour, M. M. A. (1997) : The Use of Medical Images in Planning and Delivery of Radiation Therapy, Journal of The American Medical Informatics Association, 4, 327-339. [4]. Stark, David D. (1988) : Magnetic Resonance Imaging, The CV Mosby Company, Toronto. [5]. Putra, D. (2010) : Pengolahan Citra Digital, Penerbit Andi, Yogyakarta. [6]. Agusta, Y. (2007) : K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika, 3, 47-60. [7]. MacQueen, J. B. (1967) : Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1, 281-297. [8]. Bartlett, T., Vannier, M., Keel, D.Mc., Gado, M., Hildebolt, C., dan Walkup, R. (1994). Interactive Segmentation of Cerebral Gray Matter, White Matter, and CSF : Photographic and MR Images. Comp. Med. Graphics, 18, 449-460.
97
[9]. Mancas, M., Gosselin, B., dan Macq, B. (2005) : Segmentation Using a Region Growing Thresholding, Proc. Of the Electronic Imaging Conference of the International Society for Optical Imaging (SPIE/EI 2005), San Jose (California, USA). [10]. Dai, D., Condon, B., Hadley, D., Rampling, R., Teasdale, G. (1993). Intracranial deformation caused by brain tumors : assessment of 3-D surface by magnetic resonance imaging. IEEE Transactions on Medical Imaging, 12, 693 – 702. [11]. Ardisasmita, M.S. Metoda Segmentasi Citra Resonansi Magnetik Otak Menggunakan Sistem Pengkodean Neurofuzzy. Pusat Pengembangan Teknologi Informatika dan Komputasi, BATAN. [12]. Gonzalez, R.C., Woods, R.E. (2002) : Digital Image Processing Second Edition, Prentice Hall, New Jersey. [13]. Sakas, G., dan Pommert, A. (2006) : Processing and Segmentation of 3D Images, 17-25 dalam Schlegel, W., Bortfeld, T., dan Grosu, A.-L. New Technologies in Radiation Oncology, Springer, Germany. [14]. Wijaya, M.C., dan Prijono, A. (2007) : Pengolahan Citra Digital menggunakan Matlab, Penerbit Informatika, Bandung. [15]. Tanabe, J. L., Amend, D., Scuff, N., DiSclafani, V., Ezekiel, F., Norman, D., Fein, G., dan Weiner, M.W. (1997). Tissue Segmentation of The Brain in Alzheimer Disease. Am. J. Neuroradiol, 18, pp. 115-123.
