Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan

Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan Oky Dwi Nurhayati

Abstract : Image segmentation is an important research area in digital image processing with several applications in vision-guided autonomous robotics, product quality inspection, medical diagnosis, the analysis of remotely sensed images, etc. The aim of image segmentation can be defined as partitioning an image into homogeneous regions in terms of the features of pixels extracted from the image. Edge detection and thresholding are simple segmentation in images and the focuses in our research. This research used k-mean clustering method as the main tool. The image data chosen were normal diagnosed head CT Scan photos, and those which have indication of damages of brain effect of lacunar infark and hemorrhage. Feature extraction utilized a curve fitting procedure for the computed autocorrelation of each image segment. The results show a promising guide for further diagnosis steps. Keywords : Head CT scan photo, threshold, edge detection, k-mean clustering, curve fitting PENDAHULUAN Pengolahan citra (Image Processing) merupakan bidang yang berkembang pesat dan banyak diterapkan pada ilmu-ilmu murni dan teknik. Pengolahan citra didefinisikan sebagai proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses pengolahan citra mempunyai ciri data masukan dan informasi keluaran berbentuk citra, sehingga pengolahan citra adalah pemrosesan citra yang telah ada untuk menghasilkan citra yang lebih tinggi kualitasnya, dalam arti lebih jelas menampilkan informasi yang diharapkan. Berbagai aplikasi pengolahan citra sangat membantu bagi kepentingan manusia. Salah satu aplikasinya adalah peningkatan kualitas citra medis sebagai pra-proses agar lebih mudah untuk dianalisis atau diintepretasikan melalui sarana visual manusia (tenaga kesehatan). Pada umumnya citra medis hasil scanning, yang berupa citra digital aras keabuan mengalami penurunan kualitas (terdegradasi) yang disebabkan faktor-faktor luar (derau) dan peralatan medis yang digunakan. Dengan demikian proses peningkatan citra juga harus menggunakan teknik-teknik pengolahan citra aras keabuan. Maka diperlukan

Oky Dwi Nurhayati adalah Dosen Fakultas Ilmu Komputer UDINUS Semarang

53

54

Techno.Com, Vol.8 No. 1, Mei 2009

proses peningkatan kualitas citra yang bertujuan untuk menghasilkan citra yang lebih baik dibandingkan dengan citra semula. Langkah selanjutnya yang diperlukan dalam pengolahan citra adalah analisis citra dengan tujuan untuk mengidentifikasi dan menampilkan parameter-parameter yang diasosiasikan dengan ciri-ciri pada representasi objek didalam citra, untuk selanjutnya parameter tersebut digunakan sebagai interpretasi citra. Tomografi adalah suatu teknik pencitraan yang menghasilkan citra penampang lintang atau transparansi benda 3 dimensi tanpa membelahnya (Hariyadie, 1995). Teknik tomografi memiliki keunggulan-keunggulan dibandingkan metode pencitraan radiografi konvensional antara lain karena: (1) citra yang dihasilkan tidak terpengaruh oleh tumpang tindih bagian objek yang tidak menjadi perhatian; (2) dengan menggunakan bantuan komputer (Computed Tomography) akuisisi data, pengolahan, dan interprestasi hasil dapat dilakukan dengan cepat; (3) citra objek yang dihasilkan dapat menampakkan karakter bagian objek secara cermat. Teknik tomografi merupakan teknik yang dapat dikatakan baru, tetapi telah mengalami perkembangan pesat terutama di bidang kedokteran. Beberapa aplikasi di bidang ini berupa peralatan diagnosis yang menggunakan prinsip tomografi seperti CT (Computed Tomography), PET (Positron Emission Tomography), SPECT (Single Photon Emission Tomography), X-Ray Tomography, Ultrasound Transmission Tomography, dan sebagainya. Perbedaan utama pada berbagai teknik tersebut adalah penggunaan gelombang pengindera, sedangkan persamaan utamanya adalah teknik rekonstruksi yang didasarkan pada proyeksi. Prinsip dasar CT Scan mirip dengan perangkat radiografi konvensional. Kedua 4perangkat ini sama-sama memanfaatkan intensitas radiasi terusan setelah melewati suatu objek untuk membentuk citra. Perbedaan antara keduanya adalah pada teknik yang digunakan untuk memperoleh citra dan citra yang dihasilkan. Tidak seperti citra yang dihasilkan dari teknik radiografi, informasi citra yang ditampilkan oleh CT Scan tidak tumpang-tindih sehingga lebih mudah dianalisis daripada citra yang dihasilkan oleh teknik radiografi konvensional. Dalam kegiatan pemrosesan citra secara digital dan visi komputer, proses deteksi tepi objek merupakan pengolah awal yang paling penting pada analisis citra untuk pengenalan pola, segmentasi, dan analisis pergerakan objek. Tepian setiap citra objek mengandung banyak informasi mengenai objek tersebut. Deteksi tepi citra tomografi timbul pada sejumlah aplikasi tomografi komputer, misalnya dalam pencitraan medis dan tes uji yang tidak merusak, kontur objek perlu ditentukan pada penampang lintang hasil tomografi. Di bidang kedokteran, citra medis pada umumnya mempunyai histogram yang cenderung berada di sekitar dark nilai pada aras keabuan sehingga pemanfaatan pengolahan citra digital dirasakan belum optimal, padahal dengan menggunakan utilitas ini dapat membantu para profesional radiolog dalam menentukan diagnostik suatu kelainan akibat kerusakan jaringan. Deteksi kerusakan otak menggunakan citra foto CT Scan merupakan upaya untuk memperkenalkan metode deteksi kerusakan otak secara terkomputerisasi yang lebih baru dibandingkan dengan metode “visual” selama ini. Melalui tesis ini penulis berupaya untuk menganalisis metode segmentasi yang lebih tepat digunakan pada citra digital head CT Scan untuk mendeteksi adanya kerusakan otak dengan beberapa metode segmentasi dan membuat pencocokan kurva korelasi dari hasil ekstraksi ciri untuk mendeteksi jenis stroke infark, lakunar atau perdarahan.

Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan (Oky)

55

Dari beberapa penelitian yang penulis temui masih jarang penelitian yang membahas segmentasi pada citra medis terutama head CT Scan untuk mendeteksi kerusakan jaringan otak. Dapat dikatakan topik yang diusulkan ini merupakan suatu hal yang masih akan terus berkembang. Adapun dari beberapa sumber acuan, telah dilakukan penelitian oleh Wahyu (2001) mengenai tapis optimal pada citra biner digital yang terbubuh derau, morfologi matematik untuk citra biner, operator morfologi untuk citra dan kompresi video, segmentasi citra ultrasound menggunakan operator morfologi, analisis sifat tapis median, turunan morfologi untuk pengolahan citra, dekomposisi struktur elemen aras keabuan dan pengenalan pola citra medis dengan jaringan saraf tiruan metode Adaptive Resonant Theory (ART). Penelitian selanjutnya dilakukan oleh Paniran (2001), yaitu Peningkatan Citra Medis Menggunakan Tapis Morfologi. Penelitian selanjutnya dilakukan oleh Priyono Yulianto (2005), bahwa peningkatan citra untuk memperjelas foto brain CT-Scan dapat dilakukan dengan ekualisasi histogram, perentangan kontras, histogram classify, ROI (Region Of Interest) maupun deteksi tepi menggunakan operasi morfologi citra yang meliputi gabungan dilasi dan erosi. Pada penelitian ini, akan ditekankan pada penggunaan metode segmentasi yang tepat bagi citra head CT Scan dan analisis korelasi terhadap deteksi kerusakan jaringan otak pada penderita stroke. Adapun tujuan penelitian dalam tesis ini adalah untuk membuktikan bahwa metode segmentasi dapat digunakan untuk membantu deteksi kerusakan otak dengan mengekstrak beberapa fitur yang ada dalam citra dan meng analisis statistik dan analisis korelasi dengan mengekstrak informasi yang terkandung dalam citra medis head CT Scan untuk mendeteksi kelainan otak penderita stroke. Sejak ditemukan pemayar Computer Tomography Scanner (CT Scan) oleh Allan Cormack dan Geoffrey Hounsfiled pada tahun 1970, penggunaan CT Scan dalam bidang radiologi telah mengalami kemajuan yang sangat pesat (Aston,1991). Asal mula teknik ini digunakan untuk pemeriksaan otak, suatu tabung sinar-X tergandeng dengan dua detektor memanyar dua potongan yang berdekatan dari kepala dengan gerakan translasi. Dampak dari penggunaan sinar-X adalah menghitamkan film negatif. Oleh karena itu, benda-benda yang menyerap sinar lebih banyak (lebih rapat) akan ditampilkan dalam film negatif dengan warna yang lebih terang daripada benda-benda yang menyerap sinar lebih sedikit. Munir (2004) menyatakan bahwa citra (image) adalah istilah lain untuk gambar sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Elemen terkecil citra digital disebut piksel atau pel (singkatan picture element). Jumlah piksel yang terdapat pada suatu citra disebut resolusi citra. Makin banyak piksel yang mewakili suatu citra, maka makin tinggi nilai resolusi dan makin halus gambarnya. Pada hakikatnya, visi komputer mencoba meniru cara kerja sistem visual manusia (human vision). Human vision sesungguhnya sangat kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk pengambilan keputusan. Visi komputer merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan (recognition), dan pembuatan keputusan. Visi komputer terdiri atas

56


teknik-teknik untuk mengestimasi ciri-ciri objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan menginterpretasi informasi geometri tersebut. Menurut Munir (2004), perbaikan kualitas citra (image enhancement) merupakan salah satu proses awal dalam pengolahan citra (image preprocessing). Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki, sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya pada pengenalan objek di dalam citra. Secara matematis perbaikan citra dapat diartikan sebagai proses mengubah citra f(x,y) menjadi f’(x,y) sehingga ciri-ciri yang dilihat pada f(x,y) lebih ditonjolkan. Pada penelitian ini proses awal pengolahan citra yang digunakan adalah pengubahan kontras dan pengubahan kecerahan. Kontras menyatakan sebaran terang dan gelap di dalam sebuah gambar. Jika sebuah citra yang mempunyai nilai keabuan yang tidak terlalu berbeda untuk semua titik, yaitu titik tergelap dalam citra tidak mencapai hitam pekat dan titik paling terang dalam citra tidak berwarna putih cemerlang. Persamaan yang digunakan untuk meningkatkan kontras citra ini adalah: Ko = G (Ki – P) + P

dengan G = Koefisien penguatan kontras dan P = Nilai skala keabuan yang dipakai sebagai pusat pengontrasan. Kecerahan atau kecemerlangan citra dapat diperbaiki dengan menambahkan atau mengurangkan sebuah konstanta setiap piksel di dalam citra. Persamaan yang digunakan adalah sebagai berikut. Ko = Ki + C atau f(x,y)’ = f(x,y) + C

Jika C positif kecerahan akan bertambah sebaliknya jika C negatif, maka kecerahan akan berkurang. Menurut Ahmad (2005), pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasi atas 3 warna, yaitu: merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (redgreen-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255. Pada citra aras keabuan, komposisi warna dasar pada setiap pikselnya sama. Untuk mengubah citra warna menjadi citra aras keabuan digunakan persamaan: Y = 0,3 R + 0,59 G +0,11 B

dengan : R = nilai warna merah; G = nilai warna hijau; B = nilai warna biru Pada operasi binerisasi otomatis, nilai batas tidak ditentukan sejak awal karena bersifat dinamis karena harus ada dengan sendirinya dan ditentukan dalam program. Salah satu metode yang digunakan untuk menentukan pengambangan otomatis adalah metode P Tile. Metode P Tile menggunakan pengetahuan tentang daerah atau ukuran dari objek yang diinginkan untuk menentukan nilai batas dan melakukan operasi binerisasi pada citra abu-abu berdasarkan nilai batas tersebut. Misalnya dalam suatu citra abu-abu, bagian objek menempati sekitar P persen dari area citra, sedangkan sisanya adalah bagian latar belakang. Persamaan yang digunakan :

9


57

 0, p1 Ko   1, p 2  lp Pengambangan ganda dilakukan untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan tertentu.

0, jika Ko   

ambangbawah  Ki  ambangatas 1,

lainnya

Segmentasi merupakan langkah pertama yang biasanya digunakan sebelum proses analisis terhadap suatu citra dilakukan. Algoritma segmentasi untuk gambar monokrom secara umum didasarkan pada satu dari dua karakteristik gambar yang memuat nilai aras keabuan, yaitu sifat diskontinu (discontinuity) dan sifat keserupaan (similarity). Contoh proses segmentasi yang didasarkan pada sifat diskontinu antara lain deteksi titik, deteksi garis, dan deteksi tepi, sedangkan yang berdasarkan sifat kemiripan adalah thresholding, region growing, region splitting, dan merging. Dalam penelitian ini selain menggunakan metode pengambangan dan deteksi tepi juga digunakan metode k-mean clustering. Menurut Gonzalez dan Woods, tujuan dari segmentasi untuk membagi citra digital menjadi wilayah atau region. Penentuan batas wilayah yang didasarkan pada intensitas yang tidak kontinu. Segmentasi menyelesaikannya melalui nilai ambang (threshold), berdasarkan10distribusi sifat-sifat piksel seperti intensitas atau warna. Munir (2004), Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Perbedaan intensitas inilah yang menampakkan rincian pada gambar. Pada penelitian ini operator deteksi tepi yang digunakan adalah operator Laplacian dan operator Laplacian of Gausian. Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Turunan kedua fungsi dengan dua peubah adalah:

2 f 

2 f 2 f  x 2 y 2

dengan menggunakan definisi hampiran selisih-mundur (backward difference approximation): 2 f 

f ( x, y  y)  2 f ( x, y)  f ( x, y  y) y 2

 


58

Dengan mengasumsikan x = y =1, maka diperoleh nilai mask :  0 1 0   1 4  1    0  1 0  (a)

 1  1  1  1 7  1    1  1  1 (b)

 1 2 1    2 6  2    1  2 1 

(c)

Gambar 1. Operator Laplacian untuk deteksi tepi Menurut Achmad (2005), Pendeteksian tepi menggunakan operator LoG merupakan kombinasi lain yang banyak digunakan yaitu penghalusan citra menggunakan operator Gausian yang dikombinasikan dengan operator Laplacian. Persamaan yang digunakan pada pendeteksian LoG ini adalah:

2 (G(u, v) o g ( x, y))  (2G(u, v)) o g ( x, y) Menurut Munir (2004), Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel suatu citra atau bagian tertentu atas citra. Secara matematis histogram citra dihitung dengan persamaan sebagai berikut.

hi 

ni , i = 0, 1, ..., L -1 n

dengan ni=jumlah piksel yang memiliki derajat keabuan i; n=jumlah seluruh piksel di dalam citra Disamping itu, dalam upaya menampakkan informasi sebanyak mungkin pada citra maka histogram dibuat semerata mungkin yang disebut dengan penyamaan histogram (histogram equalization). Tujuan ekualisasi histogram adalah untuk memperoleh penyebaran histogram yang merata, sehingga setiap derajat keabuan memiliki jumlah piksel yang relatif sama.

CARA PENELITIAN Adapun tahapan-tahapan dalam penelitian sebagai berikut: 1. Pengumpulan data citra yang berupa hasil head CT Scan dari penderita cacat otak yang diperoleh dari Instalasi Unit Stroke RSUP Dr. Sardjito, Yogyakarta dan pengumpulan head CT Scan dari internet untuk penderita normal maupun cacat otak. 2. Scanning head CT Scan dengan menggunakan scanner tipe CanoScan Lide 25 untuk menghasilkan citra dalam bentuk digital. Penggunaan scanner dengan resolusi yang tepat dapat menghasilkan citra digital yang bagus kualitasnya.


59 12

3. Proses pra-pengolahan citra yang meliputi pengubahan kontras dan pengubahan kecerahan. 4. Proses segmentasi citra yang diterapkan pada citra digital head CT Scan dengan menggunakan metode pengambangan, pengambangan ganda, deteksi tepi, dan k-mean clustering. 5. Proses analisis statistik citra objek dengan menentukan mean, standar deviasi, variansi, jarak, luas dan analisis korelasi curve fitting (pencocokan kurva).

HASIL DAN PEMBAHASAN Program dibuat dengan bahasa pemrograman Borland Delphi 7 yang mendukung tampilan interaktif serta mendukung aplikasi pemrograman berorientasi objek yang memudahkan dalam tahapan pemrograman. Sedangkan program yang digunakan untuk analisis korelasi curve fitting menggunakan bahasa pemrograman Matlab 6.5. Sarana antarmuka program penerapan metode segmentasi citra digital head CT Scan dapat dilihat pada Gambar 2.

13 Gambar 2. Sarana antarmuka program penerapan metode segmentasi

Analisis Objek Analisis objek bertujuan untuk mengenali suatu objek. Analisis objek didasarkan pada ciri khas pada objek tersebut. Selain bentuk dan karakteristik objek, terdapat informasi lainnya yang mampu membedakan dua wilayah yang berdekatan, atau dua objek yang tumpang tindih, yaitu informasi tekstur, atau sifat dari permukaan objek yang diamati. Beberapa analisis tektur yang umum digunakan berhubungan dengan sifat statistik objek antara lain mean, standar deviasi dan variansi. Tabel 1 menunjukkan analisis tekstur citra head CT Scan sebelm diolah. Tabel 1. Fitur tekstur citra head CT Scan sebelum diolah Tekstur Mean Std.Dev Variansi Jarak

N 151 13 168 375

P 32 5 22 437

I 41 7 49 388

L 86 40 1571 27


60

Luas

Keterangan: N = normal P = perdarahan I = infark L = lakunar

0

10

57

11

19

Nilai ambang otomatis untuk masing-masing citra yang terdeteksi kerusakan otak adalah sebagai berikut: a. Citra head CT Scan yang terdeteksi stroke infark lakunar P =0,35 atau 35 %. b. Citra head CT Scan yang terdeteksi stroke infark P =0,40 – 0,50 atau 40 % - 50 %. c. Citra head CT Scan yang terdeteksi stroke perdarahan P = 0,75–0,80 atau 75 % - 80 %.

KESIMPULAN Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut. 1. Peningkatan kualitas citra dengan menggunakan perangkat lunak aplikasi metode ekualisasi histogram serta pengubahan kontras dan cerah citra secara signifikan dapat memperjelas citra digital head CT Scan. 2. Penerapan metode segmentasi pengambangan, deteksi tepi, dan k-mean clustering akan lebih baik hasilnya apabila citra yang akan diolah ditingkatan kualitas citranya. 3. Metode segmentasi k-mean clustering dan deteksi tepi Laplacian 9 titik 1 merupakan metode segmentasi yang lebih tepat diterapkan pada citra digital head CT Scan dengan pemilihan k yang tepat. 4. Metode segmentasi pengambangan dan deteksi tepi Laplacian of Gaussian kurang tepat diterapkan pada citra digital head CT Scan karena menghasilkan citra keluaran yang tidak begitu jelas. 21

DAFTAR PUSTAKA 1. Achmad, B. & Kartika Firdausy, 2005, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardi, 2. 3. 4. 5. 6. 7.

Yogyakarta. Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu, Yogyakarta. Angenent, S., Eric Pichon, and Allen Tannenbaum, 2000, Mathematical Methods in Medical Image Processing, Buletin of the American mathematical society. Bailey, D.G., 2004, An Efficient Euclidean Distance Transform, Institute of Information Sciences and Technology, New Zealand. Castleman, K.R., 1996, Digital Image Processing, Prentice-Hall, Inc., Englewoods Cliff, New Jersey. Conte, S.D.,1980, Dasar-Dasar Analisis Numerik, Erlangga, Jakarta. Hasan, 1995,CT Scanner, ELEKTRO INDONESIA Nomor 3, Tahun I, http://www.google.com/CTScanner.html (diakses tanggal 18 Agustus 2007).


61

8. Hariyadie, E., 1995, Deteksi Sisi Citra Tomografi, Skripsi Fakultas MIPA, Universitas Gadjah Mada, Yogayakarta. 9. Isnanto, R.R, 2002, Identifikasi Kerusakan Tulang Menggunakan Analisis Citra Foto Sinar-X, Tesis Teknik Elektro, Universitas Gadjah Mada, Yogyakarta. 10. Jain, A.K.,1995, Fundamentals of Digital Image Processing, Prentice-Hall of India, New Delhi. 11. Karris, S.T, 2007, Numerical Analysis Using Matlab and Excel, Orchad, USA. 12. Leggett, R.,2004, Automatic Segmentation of MedicalImages, http://www.google.com/dissertation.pdf (diakses tanggal 20 oktober 2007). 13. Loncaric, S and et all, Quantitative intracerebral brain hemorrhage analysis, http://www.google.com/stroke_hemorrhage.pdf (diakses tanggal 18 Agustus 2007). 14. Loncaric, S and et all, Segmentation of CT Head Images, http://www.google.com/CT-HEAD-SEGMEN.pdf (diakses tanggal 18 Agustus 2007). 15. MADCOMS, 2006, Pemrograman Borland Delphi 7, Andi Offset, Yogyakarta. 16. Munir, R.,2004, Pengolahan Citra Digital dengan Pendekatan Logaritmik, Informatika, Bandung. 17. Nalwal, A.,1997, Pengolahan Gambar Secara Digital, Elex Media Komputindo, Jakarta. 18. Paniran, 2001, Peningkatan Citra Medis Menggunakan Tapis Morfologi, Tesis S2 Program Studi Teknik Elektro, Universitas Gadjah Mada, Yogyakarta. 19. Pranata, A., 2003, Pemrograman Borland Delphi 6, Andi Offset, Yogyakarta. 20. Phillips, D., 2000, Image Processing in C, http://www.google.com/Image Processing in C.pdf (diakses tanggal 24 November 2007) 21. Schalkoff, R.J.,1799, Digital Image Processing and Computer Vision, John Wiley & Sons, Inc, Monticello. 22. Sugiharto, A.,2006, Pemrograman GUI dengan MATLAB, Andi Offset, Yogyakarta.

Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan

Recommend Documents