Kombinasi Teknik Ekstraksi Fitur pada Sistem Temu Kembali Citra Mammogram Diana Purwitasari
Anugrah Nahari
Anny Yuniarti
Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember
Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember
Teknik Informatika - FTIF, Institut Teknologi Sepuluh Nopember
[email protected]
[email protected]
[email protected]
ABSTRAK Bentuk dan tekstur adalah beberapa informasi yang bisa digunakan untuk ekstraksi fitur pada tahap prapemrosesan citra. Hasil ekstraksi fitur bentuk pada mammogram dapat dilihat secara visual karena ekstraksi fitur ini berdasarkan pada bentuk mammogram itu sendiri. Sedangkan untuk mendapatkan fitur tekstur Haralick dari mammogram diperlukan pembentukan matriks Gray Level Co-occurrence (GLCM). Untuk melakukan penggabungan kedua jenis fitur dalam proses pencarian citra, terlebih dahulu dilakukan proses normalisasi pada hasil perhitungan jarak untuk tiap-tiap fitur. Penerapan pra pemrosesan pada citra mammogram seperti penghilangan film artifact dapat membantu dalam membersihkan citra mammogram dari noise, Sehingga hasil dari ekstraksi fitur adalah bentuk payudara tanpa keikutsertaan film artifact. Sistem temu kembali citra mammogram menampilkan citra hasil pencarian berdasarkan urutan nilai jarak terkecil dengan citra query. Hasil uji coba menunjukkan bahwa sistem mampu melakukan proses pencarian mamogram berdasarkan isi dengan nilai presisi sebesar 48%.
Kategori dan Subjek Deskriptor H.3.3 [Information Storage and Retrieval]: Information Search and Retrieval β retrieval models, search process
Persyaratan Umum
metode CBIR biasanya dikembangkan untuk fitur citra secara spesifik, sehingga satu metode yang digunakan tidak selalu cocok jika diterapkan dengan citra medis jenis lain. Penelitian CBIR dengan mammogram sering kali berfokus dalam identifikasi dan ekstraksi fitur tekstur [2][3][4]. Salah satu metode mendapatkan fitur tekstur adalah dengan membentuk matriks Gray Level Cooccurrence (GLCM) untuk menghasilkan fitur Haralick [5]. Bentuk dan tekstur adalah beberapa informasi yang bisa digunakan untuk ekstraksi fitur pada tahap prapemrosesan citra. Pada penelitian ini dilakukan kombinasi kedua fitur tersebut untuk diterapkan dengan teknik CBIR. Dua cara yang sering dilakukan dalam pengambilan kembali suatu citra adalah context-based yang merujuk pada kandungan semantik dari citra serta content-based yang merujuk pada fitur citra seperti warna, tekstur, bentuk, atau kombinasi. Teknik context based menjadi tidak praktis dikarenakan adanya ukuran basis data yang besar dan penilaian subjektif dalam mengartikan citra dengan teks. Oleh karena itu digunakan pendekatan CBIR dengan teknik warna, teknik tekstur, dan teknik bentuk. Pada suatu sistem temu kembali (CBIR) content visual dari citra akan diekstraksi dan diuraikan menggunakan metode pengekstrakan ciri. Pengguna memasukkan citra query pada sistem untuk mendapatkan kembali suatu citra. Sistem akan mengekstrak citra query sehingga menghasilkan fitur ciri citra dan kemudian mencari citra dalam database berdasarkan kemiripan fitur ciri [2].
Experimentation
Kata Kunci mammogram, ekstraksi fitur kombinasi, sistem temu kembali citra
1. PENDAHULUAN Implementasi Content Based Image Retrieval (CBIR) sering dilakukan dalam bidang medis dengan citra mammogram karena kemudahannya dalam mendapatkan sampel data. Banyaknya penelitian di bidang tersebut juga dikarenakan kanker payudara adalah salah satu jenis kanker yang paling banyak menyerang kaum wanita. Pada tahun 2000 WHO memperkirakan 1,2 juta wanita terdiagnosis kanker payudara dan lebih dari 700.000 meninggal dunia [1]. Pada referensi tersebut juga diulas bahwa pada tahun 2005 kanker payudara di Indonesia menduduki peringkat kedua setelah kanker leher rahim. Oleh karena itu deteksi dini penyakit kanker payudara sangat diperlukan. Di bidang medis, CBIR digunakan untuk membantu ahli radiologi dalam mendapatkan citra yang mempunyai kemiripan isi. Metode-
2. PRAPEMROSESAN CITRA MAMMOGRAM Dilakukan tahap pengolahan citra untuk ekstraksi fitur ciri dengan segmentasi melalui penggunaan Otsu threshold dan penghapusan film artifact.
2.1 Otsu Threshold Segmentasi berfungsi untuk memisahkan antara foreground dan background. Dikarenakan setiap citra mammogram mempunyai tingkat derajat keabuan yang berbeda, apabila nilai threshold yang tetap digunakan pada semua citra maka bisa saja hasil threshold kurang bagus karena ada beberapa daerah yang terpotong. Untuk mengatasi permasalahan ini maka metode yang digunakan adalah Otsu Thresholding karena nilai threshold yang akan dihasilkan tergantung dari tingkat keabuan dari setiap citra [6]. Otsu Threshold memisahkan background dan foreground dengan mendapatkan nilai variance dari setiap tingkat keabuan dan memilih nilai yang terbesar sebagai nilai threshold. Otsu
(a) Citra asli
(b) Citra hasil Otsu
(c) Citra hasil penghilangan label
(f) Citra akhir dari pra pemrosesan
(e) Citra hasil ekstraksi tepi
(d) Citra hasil erosi
Gambar 1. Hasil pra pemrosesan pada mammogram. mendefinisikan between-class variance menggunakan diskriminan analisis sebagai berikut: ππ΅2 = π1 π1 β π π
2
+ π2 π2 β ππ‘
2 ......................................... (1)
dengan π1 dan π2 nilai bobot dari probabilitas dua kelas, foreground dan background. Sedangkan π1 dan π2 adalah nilai rata-rata tiap kelas dengan π π dan ππ‘ adalah nilai threshold lokal. Nilai threshold optimal dipilih dari nilai ππ΅2 yang maximal untuk bi-level thresholding (kelas foreground dan kelas background). Hasil dari segmentasi citra berupa citra binary dimana 0 mewakili background dan 1 mewakili foreground. Hasil segmentasi dari citra mammogram pada Gambar 1(a) dengan Otsu Threshold ditunjukkan pada Gambar 1(b).
2.2 Penghapusan Film Artifact Citra mammogram sering mengandung film artifact yang berasal dari label untuk identifikasi (penanda) atau untuk alat pengganjal yang umumnya berada pada daerah background. Keberadaan film artifact ini sangat mengganggu proses segmentasi sehingga harus dihilangkan. Sebagai contoh adalah keberadaan film artifact pada mammogram setelah segmentasi pada Gambar 1(b). Film artifact dihilangkan dengan algoritma Connected Component Labeling yaitu sebuah algoritma pengelompokan sederhana untuk mengisolasi, mengukur, dan mengidentifikasi potensi daerah obyek dalam citra [7]. Operasi pelabelan dari daerah obyek akan memberikan nama atau nomor yang unik ke semua piksel bernilai 1 yang termasuk dalam daerah tersebut. Hasil pelabelan adalah komponen individu yang dapat diekstraksi. Algoritma Connected Component Labeling bekerja pada citra biner dengan ukuran 8 ketetanggaan. Operator untuk pelabelan memindai citra dengan bergerak sepanjang baris sampai titik p yang menunjukkan piksel tempat label akan diberikan untuk daerah foreground. Ketika kondisi bernilai benar maka akan dicek
delapan titik tetangga dari p (yaitu posisi atas, bawah, kiri, kanan, diagonal kiri dan kanan). Jika semua tetangga adalah background maka akan diberikan label baru pada p. Tetapi apabila hanya satu tetangga yang bernilai (1) foreground maka label p sama dengan label tetangga. Hasil akhir dari proses pelabelan adalah citra yang diberikan label berdasarkan hubungan antar piksel, Setelah mendapat label dari tiap daerah pada citra, langkah selanjutnya adalah mencari label dengan jumlah terbanyak. Kemudian label dengan nilai terbanyak pada piksel diberikan nilai 1 sedangkan yang lain bernilai 0. Gambar 1(c) menunjukkan hasil dari penghapusan label pada citra mammogram. Selain fitur tekstur pada citra mammogram, fitur bentuk juga akan menjadi fitur ciri. Untuk memperjelas bentuk dalam citra mammogram digunakan operasi morfologi erosi dan ekstraksi tepi [7]. Erosi merupakan salah satu dari dua operator dasar dalam bidang morfologi. Hal ini biasanya diterapkan pada citra biner. Efek dasar operasi morfologi pada citra biner adalah mengikis batas-batas wilayah piksel foreground (yaitu piksel putih). Sehingga ukuran bidang piksel foreground mengecil dan lubang di sekitar wilayah tersebut menjadi lebih besar. Operator erosi menggunakan dua data sebagai masukan. Data pertama adalah citra yang akan terkikis (A). Data kedua adalah set titik koordinat yang dikenal sebagai elemen struktur/kernel (B). Elemen struktur yang menentukan efek tepat dari erosi pada citra masukan. Nilai dari elemen struktur yang digunakan adalah 1. Misal A dan B adalah himpunan pada ruang Z2, operasi erosi A oleh struktur elemen B dilambangkan dengan π΄Ξπ΅ yang artinya adalah: π΄π©π΅ = π§| π΅
π§
β π΄ ................................................................................. (2)
Hasil erosi pada citra mammogram ditunjukkan pada Gambar 1(d). Selain erosi operasi morfologi yang digunakan adalah
Gambar 2. Contoh lubang pada mammogram. ekstraksi tepi. Tepi dari suatu citra A dapat dilambangkan dengan ο’(A) yang diperoleh dari pengurangan A dengan erosi A oleh B. π½ π΄ = π΄ β (π΄π©π΅) .................................................................................... (3) dimana B merupakan struktur elemen. Gambar 1(e) menunjukkan hasil dari proses ekstraksi tepi pada mammogram. Operasi ini digunakan untuk mencari fitur bentuk dari citra mammogram. Hasil akhir dari pra pemrosesan adalah citra mammogram tanpa label yang ditunjukkan pada Gambar 1(f). Hasil pra pemrosesan tersebut dilanjutkan ke proses ekstraksi fitur untuk menghitung fitur yang ada pada citra.
3. MEKANISME PENCARIAN CITRA MAMMOGRAM 3.1 EKSTRAKSI FITUR CITRA Fitur yang pertama adalah fitur bentuk. Bentuk dari suatu obyek adalah karakter konfigurasi permukaan yang diwakili oleh garis dan kontur. Hal ini penting dalam sistem temu kembali karena berhubungan dengan Region of interest (ROI) pada citra. Bentuk citra biner yang terdiri dari kontur atau garis obyek diperoleh setelah proses segmentasi. Fitur bentuk yang digunakan adalah wilayah (area), lingkar (perimeter), kekompakan (compactness), dan nilai Euler. Area adalah jumlah piksel yang digambarkan oleh bentuk pada foreground. Perimeter adalah jumlah dari piksel yang berada pada batas dari bentuk didapatkan dari hasil ekstraksi tepi. Sedangkan kekompakan didefinisikan sebagai πΆππππππ‘πππ π =
ππππππ _ππππππ _πππππ‘ β π΄πππ
2
........................................... (4)
Fitur bentuk terakhir nilai Euler atau faktor E adalah perbedaan antara jumlah dari connected component C dan jumlah lubang H pada citra. πΈ = πΆ β π» ...................................................................................................... (5) Gambar 2 menunjukkan connected component pada mamogram yaitu piksel dengan warna putih sedangkan lubang adalah piksel hitam yang berada di dalam payudara. Fitur kedua adalah fitur tekstur yang dihitung berdasarkan analisa statistik dari tekstur. Salah satu teknik statistik terkenal untuk ekstraksi fitur adalah matrix Gray Level Co-occurrence (GLCM).
Ide dasarnya adalah melakukan pemindaian untuk mencari jejak derajat keabuan setiap dua buah piksel yang dipisahkan dengan jarak d dan sudut ΞΈ yang tetap. Biasanya digunakan 4 sudut yaitu o (0o, 45(3) , 90o, dan 135o ). GLCM adalah matrix dua dimensi dari joint probabilities Pr(i,j) antara pasangan piksel yang dipisahkan dengan jarak d pada arah yang diberikan r. Menggunakan matriks tersebut, Haralick mendefinisikan fitur tekstur yang bisa diekstraksi seperti inverse difference moment, angular second moment, contrast, correlation, variance, inverse variance difference moment, sum difference average, sum variance, sum entropy, entropy, difference variance, difference entropy, information measurement dan maximum probability [5].
3.2 Perhitungan Kemiripan Tahap terakhir dalam sistem temu kembali adalah pencarian kemiripan antara citra query dengan fitur dari citra-citra yang sudah disimpan pada database. Similarity measure antara citra query dan citra di database untuk setiap fitur tekstur dan bentuk dihitung menggunakan Euclidean Distance. Berikut adalah perhitungan Euclidean Distance untuk mencari jarak antara fitur citra query dengan fitur citra pada database. π·ππ =
π½ππ
2
β ππ
2
............................................................................ (6)
dengan nilai D adalah Euclidean Distance, J adalah database fitur dari citra, Q adalah fitur dari citra query, indeks k = 1,2,3β¦.P menunjukkan jumlah citra P pada database. Nilai dari i adalah 1,2 untuk menunjukkan bahwa i =1 adalah indeks untuk fitur tekstur sedangkan i = 2 adalah indeks untuk fitur bentuk. Pada hasil perhitungan Euclidean distance dilakukan normalisasi sehingga nilai kemiripan dalam batas antara 0 dan 1. Proses (4)normalisasi digunakan untuk menampilkan citra hasil kembalian berdasarkan bobot tiap fitur bernilai antara 0 dan 1. Perhitungan untuk mendapatkan citra hasil kembalian berdasarkan bobot yang diberikan adalah sebagai berikut π
π = π1 π·1π + π2 π·2π ................................................................................ (7)
(5)
dengan R adalah nilai hasil pembobotan, π1 adalah bobot untuk fitur tekstur, π·1 adalah hasil Euclidean pada fitur tekstur, π2 adalah bobot untuk fitur bentuk dan π·2 adalah hasil Euclidean pada fitur bentuk. Citra hasil kembalian akan diurut berdasarkan nilai R yang terkecil.
Tabel 1 Data set untuk pembelajaran dan uji coba.
NORM CALC CIRC SPIC MISC ARCH ASYM
Kelas
Total Data
Data Pembelajaran
Data Uji Coba
Normal
20
16
4
Calcification Circumscribed masses Spiculated masses Other, illdefined masses Architectural distortion Asymmetry
20
16
4
20
16
4
19
16
3
15
12
3
19
12
3
15
16
3
atau sama. Sebagai hasil akhir akan didapatkan nilai ambang untuk ketiga jenis pencarian tersebut. Setelah nilai ambang ditemukan maka untuk menampilkan hasil pencarian tergantung pada nilai ambang tersebut. Jika nilai jarak hasil pencarian kurang dari nilai ambang, maka data hasil pencarian tidak akan ditampilkan. Oleh karena itu dimungkinkan hasil pencarian tidak ditemukan.
4. EVALUASI SISTEM
3.3 Parameter Hasil Kembalian Untuk menentukan parameter hasil kembalian hal yang harus dilakukan adalah (i) lakukan uji coba pencarian terhadap data pembelajaran, (ii) hitung presisi untuk setiap jenis pencarian berdasarkan fitur tekstur, fitur bentuk dan kedua fitur tersebut, (iii) cari rata-rata dari nilai presisi tersebut, (iv) hitung jarak ratarata dari hasil pencarian yang mempunyai nilai presisi lebih besar
Data pembelajaran dan percobaan yang digunakan adalah database MIAS (Mammographic Citra Analysis Society) [9]. Citra berukuran 1024x1024 dengan kasus normal, mass, dan microcalcification yang mengindikasikan adanya perbedaan pengelompokan ketidaknormalan seperti calcification, well defined circumscribed masses, speculated masses, ill defined masses, architectural distortion, asymetry dan normal. Data pembelajaran menggunakan data yang dipilih dengan menyesuaikan jumlah rata-rata tiap kelas pada mammogram. Data untuk pembelajaran dan uji coba dijelaskan pada Tabel 1 dengan perbandingan antara data untuk pembelajaran dan uji coba adalah 80% dan 20%. Pada bahasan sebelumnya disebutkan bahwa citra hasil kembalian harus melewati nilai tertentu. Nilai rata-rata presisi yang
Tabel 2 Hasil t-test pada fitur tekstur. Normal
Abnormal
Fitur
t mean
variance
mean
variance
ASM
15.6802
23.9733
16.7413
22.2618
0.4125
Contrast
192.123
3128.9668
207.8238
2174.5673
0.2326
Correlation
-0.0448
0.0006
-0.0438
0.0005
0.873
Variance
425880.1675
53771243428
451580.126
1.57E+11
0.8022
ID_Mon
4.6981
0.13
4.7824
0.1513
0.4221
Sum_Aver
689088.3725
783450227.6
680620.4353
1445719288
0.3981
Sum_Var
1.17E+15
2.99E+28
1.15E+15
3.64E+28
0.609
Sum_Entro
-3923.6594
178057.5315
-3904.8296
221695.299
0.8816
Entropy
7.3273
18.8717
6.654
20.9305
0.5866
Diff_Vari
68349694163
1.01E+21
75212089289
8.58E+20
0.3969
Diff_Entro
-5.3853
2.1346
-5.6973
2.1448
0.4347
Inf_Meas_1
-1.993
380.4344
-3.766
378.5195
0.7382
Inf_Meas_2
0.9995
0
0.996
0.0006
0.5597
Max_Prob
5.9922
0
5.9922
0
0
Tabel 3 Hasil t-test pada fitur bentuk. Normal
Abnormal
Fitur
t mean
variance
mean
variance
Area
361881.4375
11547527729
339994.8636
13112447751
0.4796
Perimeter
4457
644622.6667
4728.8409
1750189.584
0.4291
Compactness
56.8088
304.7057
65.1644
953.6613
0.2965
Euler Number
-55.4375
581.1958
-62.0455
2866.2048
0.6299
Gambar 3. Antarmuka sistem temu kembali citra mammogram.
Tabel 4. Hasil tingkat presisi pencarian citra query. NORM
CIRC
MISC
ASYM
ARCH
SPIC
CALC
Fitur Tekstur
13.49%
31.94%
59.77%
48.33%
57.50%
54.46%
56.16%
Fitur Bentuk
10.00%
61.25%
50.00%
48.89%
47.04%
61.11%
49.03%
Kombinasi Kedua Fitur
25.83%
32.29%
50.00%
60.00%
35.71%
55.83%
79.17%
didapatkan dari data pembelajaran untuk pencarian dengan fitur tekstur adalah 0.34, pencarian dengan fitur bentuk adalah 0.33 dan pencarian dengan fitur tekstur dan fitur bentuk adalah 0.34. Dari nilai presisi tersebut maka dihitung nilai jarak rata-rata dari hasil pencarian dengan nilai presisi sama dengan atau lebih besar dari nilai presisi diatas. Nilai parameter yang didapatkan untuk ketiga jenis pencarian pada data percobaan adalah sebagai berikut: fitur tekstur = 1.93249E+13, untuk fitur bentuk = 12003.73769 dan untuk kombinasi fitur = 0.000523557.
4.1 Seleksi Fitur yang Berpengaruh Setelah mendapatkan fitur tekstur dan fitur bentuk dari hasil ekstraksi fitur maka dilakukan proses untuk memilih fitur yang paling diskriminan. Teknik statistic multivariate t-test digunakan untuk menilai perbedaan signifikan antara mean dari 2 kejadian A dan B yang independen antara satu dengan lainnya. Pada Tabel 2 ditunjukkan hasil t-test pada fitur tekstur bahwa perbedaan nilai mean dari Correlation, Variance, Sum_Var, Sum_Entro, Entropy, Inf_Meas_1 dan Inf_Meas_2 dari citra normal dan abnormal sangat signifikan (t>0.5). Maka tujuh fitur tersebut dipilih untuk sebagai deskriptor atau fitur tekstur yang paling berpengaruh. Uji statistik juga dilakukan dengan fitur bentuk pada Tabel 3 yang menunjukkan bahwa perbedaan nilai mean dari Euler Number dari citra normal dan abnormal sangat signifikan (t>0.5). Oleh karena itu nilai Euler dipilih menjadi fitur bentuk yang paling berpengaruh.
4.2 Evaluasi Performa Penentuan relevansi merupakan bagian utama dalam evaluasi performa. Kriteria relevan yang dikembangkan dan digunakan
pada sistem temu kembali citra mammogram adalah pemberian nilai skor berbeda untuk setiap citra kembalian. Skor bernilai 1 jika citra hasil kembalian memiliki kelas sama dengan citra query. Skor bernilai 0.5 jika citra hasil kembalian termasuk dalam kelas abnormal. Skor bernilai 0 jika citra hasil kembalian berbeda kelas dengan citra query. Sebagai contoh anggap citra query adalah kelas calcification, citra hasil kembalian akan bernilai 0.5 jika termasuk dari salah satu kelas abnormal berikut: ill-defined masses, circumscribed masses, speculated masses, architectural distortion, dan asymmetry. Untuk mengukur keefektifan evaluasi dari sistem temu kembali digunakan presisi p sebagai jumlah rasio hasil kembalian yang relevan dibanding jumlah total hasil kembalian yang relevan dan tidak relevan. π=
π π=1 ππ
π
......................................................................................................... (8)
Tabel 4 menunjukkan tingkat presisi dalam pencarian dengan menggunakan tiga jenis pencarian berdasarkan fitur bentuk, fitur tekstur, dan kombinasi kedua fitur yaitu 44.44%, 45.93% dan 48.08%. Pencarian berdasarkan kombinasi fitur tekstur dan fitur bentuk mempunyai tingkat presisi paling tinggi sebesar 48.08%.
5. SIMPULAN DAN SARAN Pada makalah ini telah dibahas implementasi sistem temu kembali pada bidang biomedis menggunakan citra mammogram. Setiap jenis citra medis memiliki karakteristik tersendiri. Untuk citra mammogram pengaruh adanya garis tipis yang menghubungkan
antara payudara dan film artifact bisa mengakibatkan daerah film artifact tidak bisa dihilangkan. Selain itu ukuran film artifact yang lebih besar dari ukuran payudara juga dapat menyebabkan kesalahan dalam penghapusan film artifact sehingga bagian yang terhapus adalah bagian payudara. Dalam implementasi sistem temu kembali digunakan dua jenis fitur. Berdasarkan hasil dari t-test pada setiap jenis fitur dalam evaluasi sistem disebutkan bahwa fitur yang berpengaruh pada fitur tekstur adalah Correlation, Variance, Sum_Var, Sum_Entro, Entropy, Inf_Meas_1 dan Inf_Meas_2. Sedangkan fitur yang dianggap berpengaruh pada fitur bentuk adalah angka Euler. Akan tetapi penggunaan fitur bentuk kurang berpengaruh pada hasil pencarian dikarenakan deteksi kanker payudara ditetapkan pada bagian dalam payudara bukan pada bentuk luar payudara. Meskipun demikian dengan menggunakan tiga jenis pencarian (fitur tekstur, fitur bentuk dan gabungan antara fitur tektur dan bentuk) hasil evaluasi tetap menunjukkan bahwa performa yang baik adalah pencarian berdasarkan gabungan antar fitur tekstur dan fitur bentuk dengan tingkat presisi sebesar 48%. Tingkat presisi dari sistem membaik juga disebabkan adanya penambahan proses pengolahan citra terlebih dahulu. Untuk pengembangan selanjutnya proses pencarian dengan tidak dilakukan pada citra mammogram secara utuh melainkan memilih daerah yang ingin dicari sebagai data masukan maupun data uji coba.
6. REFERENSI [1] Badan Koordinasi dan Kerjasama Nasional, Kanker Payudara, diakses 14 Juli 2010, dari http://www.hompedin.org/download/kankerpayudara.pdf
[2] Wei, C.H., Li, C.T., & Wilson, R. (2005) A General Framework for Content-Based Medical Image Retrieval with its Application to Mammograms, Proc. of Intl. Symposium on Medical Imaging (pp. 134-143). [3] VΓ‘llez, N., Bueno, G., DΓ©niz, O., Esteve, P., Rienda, M.A., & Pastor, C. (2010) Automatic Breast Tissue Classification Based on BIRADS Categories, Proc. of 10th Intl. Workshop on Digital Mammography (pp. 259-266), Spain. [4] Oliveira, J., AraΓΊjo, A., & Deserno, T. (2010) MammoSysLesion: a Content-Based Image Retrieval System for Mammographies, Proc. of 17th Intl. Conf. on Systems, Signals and Image Processing (pp. 408-451). [5] Haralick, R.M., Shanmugam, K., & Dinstein, I., (1973) Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics 3 (6) 610β 621. [6] Otsu, N. (1979) A Threshold Selection Method from Graylevel Histograms. IEEE Transactions on Systems, Man and Cybernetics 9 (1) 62β66. [7] Gonzales, R.C., & Woods, R.E. (2002) Morphological Image Processing, Prentice Hall. [8] Osadebey, M.E. (2006) Integrated Content-Based Image Retrieval Using Texture, Shape and Spatial Information, Unpublished master thesis, Umea University, Sweden. [9] Suckling, J., et al (1994) The Mini-MIAS Database of Mammograms diakses 14 Juli 2010 dari http://peipa.essex.ac.uk/info/mias.html.
