Penemuan Dimensi Standar Kepala Manusia Berdasarkan Citra CT Bayu Kurniawan, Dr. I Ketut Eddy Purnama, ST., MT., Ir. Stevanus Hardiristanto,. ST., MT Jurusan Teknik Elektro FTI-ITS Abstrak— Angka kecelakaan lalu lintas dan bencana alam di Indonesia semakin tinggi, mengakibatkan banyak korban yang mengalami patah tulang. Tindakan medis berupa pembedahan biasanya dilakukan untuk menyambung tulang dengan menggunakan bone plate. Dalam pemasangan plat diperlukan perkiraan panjang plat dan sekrup yang sesuai dengan dimensi tulang korban. Jika plat yang digunakan terlalu panjang akan merusak tulang, sedangkan jika terlalu pendek akan mempengaruhi kekuatan tulang.
Sekarang ini belum ada penemuan dimensi standar kepala manusia, sehingga pada penelitian ini akan dibuat suatu sistem untuk mendapatkan dimensi kepala berdasarkan parameterparameter yang diukur seperti lebar tengkorak, tulang pipi, tulang rahang, panjang tulang tengkorak dan titik kelengkungan tengkorak. Tahap awal pada penelitian ini yaitu segmentasi, dimana hasil segmentasi akan digunakan acuan untuk mengukur parameter-parameter yang telah ditentukan. Kemudian hasil pengukuran fitur tersebut akan dijadikan input untuk klasifikasi. Pada tahap penemuan kelas dimensi tulang diimplementasikan algoritma K-means. Pada proses klasifikasi diperoleh dua kelas dimensi tulang yang paling sesuai untuk data citra CT dengan nilai rata-rata 0.6492 dan silhouette negatif sebanyak 0 buah. Tingkat akurasi yang didapat sebesar 93.99%. Dengan adanya penelitian ini diharapkan dapat digunakan sebagai dasar penentuan standar dimensi tulang kepala berdasarkan fitur yang didapat sehingga dapat dimanfaatkan dalam berbagai kebutuhan seperti pembuatan bone plate. Kata Kunci—Bone Plate, K-means, Citra CT
I. PENDAHULUAN
T
ulang merupakan bagian yang penting dari tubuh manusia. Tanpa adanya tulang yang kokoh manusia tidaklah mungkin bisa beraktifitas dengan baik. Tulang berfungsi untuk melindungi bagian-bagian tubuh yang lunak dan sebagai tempat menempelnya otot. Karena tulang merupakan bagian tubuh yang tidak lentur, maka tulang bisa patah jika terkena benturan keras. Tulang memiliki bentuk yang sama pada manusia. Akan tetapi ukuran tulang bisa berbeda pada setiap orang, karena setiap orang mempunyai tipe dan bentuk tubuh yang berbeda.
Ukuran tulang bisa dibedakan dari ukuran fitur tulang, misalnya panjang tulang. Dengan mengetahui ukuran sebuah tulang bisa didapatkan ukuran atau kelas dimensi tulang. II. DASAR TEORI A. Citra CT Pencitraan medis bertujuan untuk menghasilkan citra dari sebagian atau keseluruhan dari bagian tubuh manusia untuk kepentingan medis seperti pemeriksaan medis dan diagnose penyakit atau untuk kepentingan ilmu kedokteran seperti anatomi dan fisiologi. Modality adalah jenis scanner yang digunakan untuk menghasilkan citra medis. Terdapat beberapa jenis modality yang digunakan untuk menghasilkan citra medis. Dalam penelitian Tugas Akhir ini akan digunakan Citra CT dengan standard DICOM. Computed Tomography (CT) atau juga dikenal dengan Computed Assisted Tomography / Computerized Axial Tomography (CAT), merupakan suatu modalitas yang memberikan informasi anatomi atau struktural dari seorang pasien. Pemindai CT dapat menghasilkan lebih dari 100 irisan gambar berukuran 512x512 dengan ketebalan irisan sekitar0.5-10 mm. B. Bone Plate Bone plate adalah salah satu cara yang digunakan untuk menyembuhkan tulang yang patah dan retak. Bone plate harus cukup kuat untuk menopang beban pada daerah yang patah selama proses penyembuhan tulang. Dalam pemasangan bone plate juga harus memperhatikan ukuran yang cocok pada bagian tulang yang akan dipasangkan bone plate, apabila bone plate yang dipasang tidak cocok dengan tulang yang akan dipasangkan bone plate, maka akan merusak bagian tulang yang ada disekitarnya Pada Gambar 2.3 ditunjukkan bahwa ketika merancang desain plat tulang, pemilihan material, dan biokompatibilitas adalah tiga pertimbangan penting, Plate juga harus memiliki kekakuan yang sama dengan tulang yang ditempeli. Implan harus tidak beracun dan tidak menyebabkan respons peradangan di dalam tubuh. Ada beberapa bahan yang dipakai untuk membuat plate diantaranya metals, Hydroxyapatite, Polylactic acid (PLA), Polycaprolactone (PCL), Composite Materials.
untuk memisahkan objek dari latar belakang dapat digunakan rumus
.
𝑔𝑔(𝑥𝑥, 𝑦𝑦) = �
1 𝑖𝑖𝑖𝑖 𝑓𝑓(𝑥𝑥, 𝑦𝑦) ≥ 𝑇𝑇 ..............(2.1) 0 𝑖𝑖𝑖𝑖 𝑓𝑓 (𝑥𝑥, 𝑦𝑦) ≤ 𝑇𝑇
Gambar 2.3 Bone Plate [9] C. Segmentasi Secara umum segmentasi merupakan proses untuk membagi citra sedemikian rupa sehingga didapatkan bagianbagian yang mempunyai kesamaan ciri yang bisa berupa warna pada citra berwarna, tingkat keabuan pada citra grayscale, atau posisi piksel yang terletak dalam satu objek. Saat ini ada banyak teknik atau metode untuk segmentasi citra salah satunya adalah tresholding. Segmentasi ini berfungsi untuk mendapatkan garis dengan asumsi bahwa garis tersebut merupakan tepi dari obyek yang memisahkan obyek dengan obyek yang lain atau antara obyek dengan background. Hasil dari tahapan segmentasi adalah didapatnya citra tiga dimensi tulang. Berdasarkan citra ini akan ditentukan fitur- fitur yang bisa digunakan sebagai pembeda antara tulang seseorang dengan orang lain. Setelah itu akan diadakan aplikasi untuk mengukur fitur yang sudah ditentukan. Pengukuran harus dilakukan dalam domain tiga dimensi. Nilai dari fitur-fitur yang didapat pada tahapan pengukuran fitur digunakan untuk menemukan kelas. Oleh karena itu jumlah dimensi standard atau jumlah kelas tidak diketahui, maka teknik yang cocok untuk menemukan kelas dimensi tulang nantinya adalah menggunakan teknik-teknik klastering. Tujuan utama dari klastering adalah mengelompokkan sejumlah data kedalam klaster atau grup sedemikian rupa sehingga di dalam setiap klaster hanya terdiri dari data yang semirip mungkin. Dengan demikian teknik klastering berusaha untuk memperkecil jarak kemiripannya data dalam satu klaster dan memperbesar jarak data jika berbeda klasternya. Jadi masukan untuk teknik klastering adalah nilai fitur fitur tulang, sedangkan keluarannya adalah jumlah kelas yang ada. Jumlah kelas ini nantinya akan menjadi jumlah dimensi standar tulang.[1] D. Tresholding Thresholding merupakan salah satu metode segmentasi berdasarkan daerah yang memiliki nilai piksel tertentu (region based). Metode ini digunakan pada citra dengan objek yang cenderung memiliki intensitas warna yang homogen dan terletak pada kisaran keabuan tertentu. Pada penelitian tugas akhir ini range tresholding yang digunakan yaitu 100-200. Untuk memperjelas penjelasan tentang thresholding, diberikan contoh histogram persebaran piksel dari sebuah citra dengan fungsi f(x,y) (lihat gambar 2.7). Pada histogram tersebut persebaran nilai piksel terbagi menjadi dua grup dengan nilai piksel T sebagai pembatas dari kedua grup. Dimisalkan jika f(x,y), T merupakan nilai piksel yang merepresentasikan objek dari citra dan f(x,y) < T adalah nilai piksel yang merepresentasikan latar belakang citra maka
T Gambar 2.7. Histogram Persebaran Piksel E. Pengukuran Fitur Pengukuran fitur dilakukan untuk mendapatkan hasil dimensi dari setiap parameter-parameter yang akan diukur seperti, lebar tengkorak, tulang pipi, tulang rahang, panjang kepala, dan tinggi kepala dengan menggukan alat ukur (KLK). F. K-Means Klastering Algoritma K-means merupakan algoritma yang relatif sederhana untuk mengklasifikasikan atau mengelompokkan sejumlah objek berdasarkan atribut tertentu kedalam kelompok-kelompok (klaster) sebanyak K. Pada algoritma Kmeans jumlah cluster K sudah ditentukan terlebih dahulu. Setiap cluster memiliki titik pusat (centroid) dan anggotaanggota dari satu cluster dipilih berdasarkan jarak titik pusat dan anggota-anggota dari satu cluster dipilih berdasarkan titik jarak dari titik pusat cluster yang terdekat penentuan keanggotaan dan titik pusat cluster kemudian menjadi tidak mudah karena penambahan satu anggota pada lokasi yang signifikan akan merubah lokasi titik pusat cluster, dan status dari keanggotaan harus ditinjau kembali perubahan keanggotaan kemudian akan kembali merubah titik pusat dan seterusnya keanggotaan akan berubah lagi. Oleh karena itu penentuan titik pusat dan keanggotaan cluster harus dilakukan dalam iterasi (perulangan) sehingga letak titk pusat dan keanggotaan benar-benar stabil dalam artian tidak berpindahpindah.
Gambar 4. Desain sistem
IV. IMPLEMENTASI
Gambar 3. Flowchart algoritma K-Means
III. METODOLOGI Alur penelitian yang dilakukan ditunjukkan pada Gambar 4. Secara garis besar penelitian ini dibagi menjadi tiga tahapan, yaitu tahapan segmentasi, tahapan pengukuran fitur dan tahapan penentuan kelas. Tahapan segmentasi bertujuan untuk mendapatkan bagian yang merupakan bagian dari tulang yang sedang diteliti. Kemudian fitur-fitur yang bisa membedakan antara tulang antar pasien ditentukan dan diukur pada tahapan selanjutnya yaitu tahapan pengukuran fitur. Terakhir, berdasarkan nilai fitur- fitur yang didapat, akan dilakukan proses untuk menemukan kelas dengan menggunakan teknikteknik klastering. Adapun langkah yang dilakukan pada masing-masing tahap adalah sebagai berikut : 1) Segmentasi a) Pembacaan Citra DICOM untuk Membaca satu set citra DICOM hasil citra CT. b) Segmentasi untuk memperoleh citra tulang.
A. Segmentasi Segmentasi citra dapat diartikan sebagai ekstraksi bagian tertentu suatu citra dari bagian lain. Dalam bidang medical imaging segmentasi dapat diartikan sebagai proses identifikasi dan pemisahan tipe jaringan. Segmentasi umum digunakan pada data citra CT untuk mengelompokkan suatu jaringan dengan organ tubuh atau struktur anatomi tertentu. Tujuan utama dari tahap ini adalah memperoleh bagian tulang yang diinginkan dari citra CT. Tahap segmentasi ditujukan untuk membaca input data berupa satu slice citra CT dan mendapatkan citra tiga dimensi bagian permukaan tulang dari citra tersebut.
Gambar 5 Tampilan Hasil Segmentasi Dua Dimensi
2) Pengukuran Fitur a) Penentuan dua titik dan garis hubungnya. b) Pengukuran jarak. c) Penyimpanan hasil pengukuran kedalam file txt. 3) Penentuan Kelas a) Pembacaan data pasien dari hasil pengukuran. b) Estimasi Jumlah kelas dengan metode klastering. Dalam penelitian ini akan diimplementasikan sebuah prototipe aplikasi untuk masing-masing tahap.
Gamabr 6 Tampilan Hasil Segmentasi Tiga Dimensi
B. Pengukuran Fitur Pengukuran fitur dilakukan pada file DICOM yang merupakan hasil dari segmentasi Kemudian dilanjutkan dengan penentuan titik awal dan titik akhir pengukuran. Kemudian dibuat sebuah garis hubung antara kedua titik utuk mempermudah pengamatan perhitungan jarak kedua titik tersebut.Hasil pengukuran jarak disebut sebagai fitur dari tulang yang diukur. Fitur-fitur yang diperoleh disimpan pada file txt fitur tulang pasien yang akan digunakan sebagai input pada tahap kuantifikasi dan penemuan kelas dimensi tulang.
Tabel 2 Error Enam Kali Pengukuran Pada Pipi Pengukuran keJarak Error 1 93.79 2.86% 2 93.41 2.44% 3 93.15 2.16% 4 93.86 2.93% 5 93.79 2.86% 6 93.64 2.69% Tabel 2 merupakan prosentase error untuk enam kali pengukuran pada lebar tengkorak dengan data yang sama. Untuk prosentase tersebut dihitung dengan membandingkan nilai pengukuran dengan nilai valid yang dijadikan acuan untuk perhitungan tersebut. untuk ukuran panjangnya = 91.18, nilai rata-rata error yang didapatkan pada hasil pengukuran pipi adalah 2.65%, sedangkan untuk nilai rata-rata untuk perhitungan jarak adalah 93.60.
Gambar 6. Tampilan Aplikasi Pengukuran Fitur pada Parameter Pertama
Tabel 1 Error Enam Kali Pengukuran Pada Lebar Tengkorak Pengukuran keJarak Error 1 116.89 1.02% 2 118.68 2.57% 3 114.03 1.44%
4 5 6
113.82 112.61 114.58
1.62% 2.67% 0.96%
Tabel.1 merupakan prosentase error untuk enam kali pengukuran pada lebar tengkorak dengan data yang sama. Untuk prosentase tersebut dihitung dengan membandingkan nilai pengukuran dengan nilai valid yang dijadikan acuan untuk perhitungan tersebut. untuk ukuran panjangnya = 115.70, nilai rata-rata error yang didapatkan pada hasil pengukuran lebar kepala adalah 1.17%, sedangkan untuk nilai rata-rata untuk perhitungan jarak adalah 115.10.
Gambar 7 Pengukuran Tulang Pipi
Gambar 8 Pengukuran Tulang Rahang
Tabel 3 Error Enam Kali Pengukuran Pada Rahang Pengukuran keJarak Error 1 77.84 8.08% 2 83.28 1.65% 3 79.83 5.72% 4 80.53 4.90% 5 82.16 2.97% 6 82.06 3.09% Tabel 3 merupakan prosentase error untuk enam kali pengukuran pada lebar tengkorak dengan data yang sama. Untuk prosentase tersebut dihitung dengan membandingkan nilai pengukuran dengan nilai valid yang dijadikan acuan untuk perhitungan tersebut. untuk ukuran panjangnya = 84.64, nilai rata-rata error yang didapatkan pada hasil pengukuran rahang adalah 4.40%, sedangkan untuk nilai rata-rata untuk perhitungan jarak adalah 80.95.
Gambar 9 Pengukuran Panjang Kepala
Tabel 4 Error Enam Kali Pengukuran Pada Panjang Tengkorak Pengukuran keJarak Error 1 158.80 0.81% 2 157.24 0.17% 3 155.01 1.58% 4 159.14 1.03% 5 157.75 0.15% 6 155.29 1.40% Tabel 4 merupakan prosentase error untuk enam kali pengukuran pada lebar tengkorak dengan data yang sama. Untuk prosentase tersebut dihitung dengan membandingkan nilai pengukuran dengan nilai valid yang dijadikan acuan untuk perhitungan tersebut. untuk ukuran panjangnya 157.51, nilai rata-rata error yang didapatkan pada hasil pengukuran panjang tengkorak adalah 0.85%, sedangkan untuk nilai ratarata untuk perhitungan jarak adalah 157.20.
C. Penemuan Kelas Dimensi Tulang Pada tahap ini akan digunakan salah satu algoritma klastering yang digunakan untuk menemukan jumlah kelas pada suatu sebaran data yaitu algoritma K-Means.
Gambar 11 Hasil Klastering dengan k=3
Tabel 6 Hasil Klasifikasi k=3 Lebar Tengkorak Jumlah Prosentase Kelas Jarak Anggota Data 108.601 18 60% 148.31 133.192 4 13.33% 144.57 117-140.19 3 8 26.66% Berdasarkan tabel diatas dapat ditarik kesimpulan bahwa untuk klastering terhadap 30 data paling baik dikelompokkan menjadi 2 kelas. V. PENUTUP
Gambar 10 Pengukuran Tinggi Kepala
Tabel 5 Error Enam Kali Pengukuran Pada Tinggi Tengkorak Pengukuran keJarak Error 1 128.59 22.24% 2 132.33 19.79% 3 135.53 19.04% 4 130.59 21.03% 5 128.87 22.07% 6 129.50 21.69% Tabel 5 merupakan prosentase error untuk enam kali pengukuran pada lebar tengkorak dengan data yang sama. Untuk prosentase tersebut dihitung dengan membandingkan nilai pengukuran dengan nilai valid yang dijadikan acuan untuk perhitungan tersebut. untuk ukuran panjangnya = 165.37, nilai rata-rata error yang didapatkan pada hasil pengukuran tinggi kepala adalah 20.97%, sedangkan untuk nilai rata-rata untuk perhitungan jarak adalah 130.90.
A. Kesimpulan Dari hasil penelitian pada tugas akhir ini dapat disimpulkan bahwa: 1. Citra CT yang sudah diolah, menunjukkan bahwa ukuran dimensi yang paling bagus dibagi dalam dua klaster, karena tidak terdapat nilai negatif pada silhoutte dan memiliki nilai mean yang besar. 2. Fitur yang bisa digunakan untuk menemukan dimensi kepala adalah lebar tengkorak, tulang pipi, tulang rahang, panjang tengkorak, kelengkungan pada tulang tengkorak 3. Nilai rata-rata error yang didapat untuk pengukuran 5 fitur sebesar 8,81%. Dengan nilai error untuk masingmasing sebesar 15.18% untuk fitur pertama, 2,65% untuk fitur kedua, 4,40 % untuk fitur ketiga, 0,85% untuk fitur keempat dan 20,97% untuk fitur kelima. B. Saran Penelitian dalam tugas akhir ini melakukan penemuan kelas berdasar citra 3D. Penelitian ini perlu dilanjutkan dengan menggunakan fitur-fitur dalam bentuk 3D seperti fitur pada bagian kaki, tangan dan lain-lain.
DAFTAR PUSTAKA [1]
Purnama, K.E., dkk, “Dimensi Tulang orang Indonesia: Kuantifikasi dan Penemuan Kelas dari hasil Segmentasi Tiga Dimensi pada Citra CT”, Program Insentif Kementerian Negara Riset dan Teknologi (RISET TERAPAN), 2010
[2] Sofyan, Moh. , “Clustering dengan Algoritma K-Means”, Ilmu Komputer FMIPA UGM, 2008 [3] J.B.MacQueen,”Some Methods for classification and analysis of Multimedia Observation ”, University California Press,1967 [4] J.D. Bronzino, The Biomedical Engineering Handbook 2nd Edition, vol. 1, CRC Press, Boca Raton, 2000, p.61. [5] Dyah Artaria Myrtati , “Metode Pengukuran Manusia” Universitas Airlangga , bab 3 dan 4, 2009. [6]
Dr.pinna,”Lung Cancer Deaths Reduced By CT Scan”, United States, 2002.
[7]
Titin,”Sistem gerak pada manusia”, Jakarta 2010.
[8]
Putz R. Sabotta,”Anatomi Manusia”, Jakarta 1997.
[9]
Kartika Heny,”Anatomi Hidung”, ECG 2007.
