Pengaruh Perentangan Kontras pada Ekstraksi Ciri Jaringan Normal dan Jaringan Bermikrokalsifikasi pada Citra Mamografi Digital Indah Susilawati Program Studi Teknik Elektro Universitas Mercu Buana Yogayakarta Jl. Wates Km. 10 Yogyakarta, email:
[email protected]
Abstrak Secara visual jaringan normal pada citra mamografi tampak berbeda dengan jaringan bermikrokalsifikasi. Jika dilihat dari nilai pikselnya, jaringan normal cenderung mempunyai nilai piksel yang konstan. Sedangkan pada jaringan bermikrokalsifikasi terdapat titik-titik kecil yang berwarna lebih terang dari daerah sekitarnya. Titiktitik inilah yang disebut mikrokalsifikasi (microcalcification). Kenyataan di atas dapat digunakan untuk mengekstrak ciri-ciri statistik kedua jenis jaringan berdasarkan nilai piksel citra. Pada peneltian ini diekstrak enam jenis ciri satistik. Juga akan dilakukan operasi transformasi perentangan kontras pada citra untuk meningkatkan kualitas citra. Pada akhirnya dilakukan analisis pengaruh operasi transformasi perentangan kontras terhadap hasil ekstraksi ciri. Hasil penelitian menunjukkan bahwa ekstraksi ciri-ciri statistik citra berdasarkan nilai piksel citra dapat dilakukan dengan baik. Pengaruh operasi transformasi perentangan kontras cukup bervariasi. Pada ciri varians, standar deviasi, bedaan1, dan bedaan2, perentangan kontras memperlebar jangkauan nilai ciri. Pada ciri rerata, perentangan kontras mempersempit jangkauan nilai ciri. Perentangan kontras tidak mengubah jangkauan ciri entropi. Kata kunci:
normal, mikrokalsifikasi, ciri statistik, perentangan kontras
I. PENDAHULUAN 1.1 Latar Belakang Citra mamografi sinar X dari mesin mamografi (mammograms machine) digunakan oleh dokter atau ahli radiologi untuk mengetahui adanya abnormalitas pada jaringan payudara. Salah satu abnormalitas yang dapat dideteksi adalah keberadaan mikrokalsifikasi (microcalcification). Mikrokalsifikasi merupakan tanda awal perubahan ke arah kanker. Dalam citra mamografi, mikrokalsifikasi tampak sebagai titik-titik kecil yang lebih terang daripada daerah sekitarnya. Jaringan normal tidak mempunyai kenampakan seperti ini. Kenyataan ini memungkinkan untuk melakukan ekstraksi ciri berdasarkan nilai piksel citra atau dari histogramnya. Mikrokalsifikasi juga seringkali sulit untuk dideteksi oleh karena pengaruh jaringan di sekitarnya, bervariasinya bentuk dan orientasi, serta kecerahan dan ukurannya yang kecil (biasanya 0,05 – 1 mm). Berdasarkan kenyataan tersebut, maka dalam penelitian ini akan diterapkan operasi perentangan
kontras pada citra mamografi meningkatkan kualitas citra.
sehingga
dapat
1.2 Tujuan Penelitian Penelitian ini bertujuan untuk melakukan ekstraksi ciri-ciri statistik pada citra mamografi, yaitu ciri-ciri yang mewakili jaringan normal dan jaringan bermikrokalsifikasi. 1.3 Batasan Masalah Penelitian ini dilakukan dengan bantuan Matlab 7.1, menggunakan transformasi linear sebagiansebagian (piecewise linear), dan data citra mamografi diperoleh dari basis data MIAS (Mammographic Image Analysis Society). II. LANDASAN TEORI 2.1 Mamografi Mamografi adalah pencitraan menggunakan sinar X untuk pengujian (examination) jaringan payudara. Mamografi terutama digunakan untuk deteksi dan diagnosa kanker payudara tetapi juga digunakan untuk keperluan pra-operasi, yaitu untuk menentukan lokasi yang dicurigai dan untuk mengarahkan biopsi. Saat ini mamografi merupakan cara paling efektif untuk mendeteksi kanker payudara stadium dini. Citra mamografi adalah citra yang dihasilkan saat sinar X dipancarkan menembus jaringan payudara dan sinar X yang ditransmisikan diterima (recorded) pada sebuah reseptor citra. Sinyal yang dihasilkan merupakan sinar X yang telah mengalami penyusutan sepanjang lintasannya melalui struktur payudara. Sifat-sifat penting mengenai kualitas citra mamografi diperlihatkan pada Gambar 2.1. Pada gambar tersebut diperlihatkan profil transmisi sinar X dalam satu dimensi dengan pemodelan yang diilustrasikan pada Gambar 2.2. Transmisi yang bersesuaian dengan struktur seperti tumor, mikrokalsifikasi, atau jaringan fibroglandular normal diperlihatkan pada gambar. Variasi dalam penyusutan sinar X akan meningkatkan kontras. Detektabilitas struktur dengan kontras yang samar terpengaruh oleh fluktuasi acak dalam profil yang disebut derau. Pada Gambar 2.3 diperlihatkan citra mamografi mdb219. 2.2 Histogram Citra Informasi penting mengenai isi citra dapat diketahui dengan membuat histogram citra. Histogram citra adalah grafik yang menggambarkan penyebaran
nilai-nilai intensitas piksel dari suatu citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi relatif kemunculan setiap nilai aras keabuan pada citra. Oleh karena derajat keabuan mempunyai 256 aras (0 – 255) maka histogram akan menyatakan jumlah kemunculan setiap nilai 0 – 255. Histogram juga memberi informasi mengenai kontras sebuah citra. Histogram yang terkumpul pada sisi kiri menunjukkan bahwa citra memiliki kontras rendah dan cenderung gelap, sedangkan histogram yang terkumpul pada sisi kanan memberikan informasi bahwa citra tersebut mempunyai kontras rendah dan cenderung terang (overexposure). Citra dengan kontras yang baik mempunyai histogram yang merata pada seluruh nilai aras keabuan.
Gambar 2.1 Profil citra proyeksi sinar X yang mengilustrasikan peranan kontras, resolusi spasial, dan derau dalam citra mamografi
14000 12000 10000 8000 6000 4000 2000 0 0
50
150
200
250
Gambar 2.4 Histogram untuk citra mdb006
Untuk citra berwarna, histogramnya dinyatakan untuk setiap komponen RGB (Red, Blue, Green) yang membentuk setiap piksel citranya. Dengan demikian untuk setiap citra berwarna dapat dibuat tiga buah histogram. Pada penelitian akan dilakukan ekstraksi ciri-ciri dari nilai-nilai piksel atau dari histogram citra. Ekstraksi ciri bertujuan untuk mendapatkan ciri-ciri dari suatu objek. Ciri-ciri tersebut akan digunakan untuk mengenali suatu objek sesuai dengan kategorinya. Ciri-ciri yang dapat diekstrak dari citra antara lain adalah ciri spasial (spatial features), ciri alih-ragam (transform features), ciri bentuk (shape features), dan tekstur. Ciri-ciri histogram (histogram features) diperoleh berdasarkan histogram citra. Misalkan u adalah variabel acak yang menyatakan aras keabuan pada citra, maka dapat didefinisikan p u ( x ) Δ prob[u = x ] =
Gambar 2.2 Model proses akuisisi citra mamografi yang disederhanakan
100
jumlah piksel dengan aras keabuan x jumlah total piksel dalam citra
(1)
dengan nilai x dari 0 hingga L – 1, dan L adalah jumlah aras keabuan dalam citra (256 untuk citra dengan aras keabuan yang dinyatakan dalam delapan bit). Ciri-ciri yang umum dari pu(x) diantaranya adalah momen dan entropi, yang dinyatakan dengan rumusan-rumusan sebagai berikut. L −1
Moments,
m i = E[ u i ] = ∑ x i p u ( x )
(2)
x =0
Absolute moments,
L −1
∧
m i = E[| u |i ] = ∑ | x |i p u ( x )
(3)
x =0
Central moments, L −1
μ i = E{[u − E( u )]i } = ∑ ( x − m1 ) i p u ( x ) (4) x =0
Absolute central moments, L −1
∧
μ i = E{| u − E (u ) |i } = ∑ | x − m1 |i pu ( x) (5) x =0
Entropy, L −1
H = E[− log 2 p u ] = −∑ p u ( x ) log 2 p u ( x ) bit Gambar 2.3 Citra mamografi mdb219
x =0
dengan i = 1, 2, 3, . . . .
(6)
Ciri-ciri histogram yang lain dapat diperoleh dari ∧
kelima ciri di atas, antara lain adalah dispersi (= μ1 ), rerata (=m1), varians (=μ2), nilai kuadrat rerata atau energi rerata (= m2), skewness (= μ3), kurtosis (= μ4– 3). Dua ciri lain yang juga berguna adalah median dan mode. Rerata mengekstrak ciri-ciri frekuensi-spasial rendah (low spatial-frequency features). Varians dapat digunakan untuk mengukur aktivitas lokal dalam amplitude. Ciri standar deviasi berkaitan dengan tebing-tebing tajam (strong edges) pada citra. Entropi merupakan ukuran keacakan (randomness) statistik yang dapat digunakan untuk mengetahui karakter tekstur citra input (Gonzalez, 2003). Entropi sebuah sumber didefinisikan sebagai informasi rerata yang dibangkitkan oleh sumber informasi. Sumber informasi adalah sebuah sistem yang menghasilkan keluaran dari satu set simbol (misalnya M simbol) dalam bentuk sequence. Citra digital merupakan sumber informasi berupa pikselpiksel independen, dan entropi dapat diestimasi dari histogramnya. Misalnya sebuah citra mempunyai aras keabuan 256 aras (0 – 255) maka citra tersebut merupakan sumber informasi dengan 256 simbol yang dimungkinkan. 2.3 Perentangan Kontras Perentangan kontras (contrast stretching) termasuk dalam kategori operasi titik dalam proses peningkatan citra (image enhancement). Operasi titik merupakan operasi tanpa memori (zero memory operations) dengan memetakan suatu aras keabuan tertentu yaitu u ∈ [0, L] ke suatu aras keabuan lain yaitu v ∈ [0, L] menurut transformasi v = f (u) (7) Citra dengan kontras rendah seringkali dihasilkan karena kondisi pencahayaan yang buruk atau tidak merata (nonuniform). Kontras rendah juga dapat disebabkan oleh sensor pencitraan yang nonlinear atau mempunyai jangkauan dinamis yang sempit. Untuk meningkatkan kontras citra dapat digunakan transformasi dengan menggunakan fungsi penskalaan linear (linear scaling function) untuk tiap nilai piksel,
Po = (Pi − c) ×
b−c +a d−c
(8)
dengan Pi adalah nilai piksel input, Po adalah nilai piksel output, a adalah nilai piksel minimum yang diinginkan, b adalah nilai piksel maksimum yang diinginkan, c adalah nilai piksel terendah pada citra input, d adalah nilai piksel tertinggi pada citra input. III. JALAN PENELITIAN 3.1 Bahan Penelitian Citra mamografi yang digunakan dalam penelitian ini diperoleh dari basis data MIAS. Citra
merupakan citra aras keabuan 8 bit berukuran 1024 x 1024 piksel dengan ukuran piksel 200 mikron. Basis data MIAS memberikan informasi mengenai jenis abnormalitas dan posisinya pada citra. Pada penelitian ini digunakan 10 citra mamografi normal dan 10 citra mamografi bermikrokalsifikasi. 3.2 Metode Penelitian Langkah-langkah yang dilakukan pada penelitian ini diperlihatkan pada Gambar 3.1.
Gambar 3.1 Diagram blok langkah penelitian
Citra mamografi yang diperoleh dari basis data MIAS telah di-padding dengan menambah beberapa piksel di sebelah kanan dan kiri citra. Bagian piksel tambahan ini tidak mengandung informasi apapun dan hanya digunakan untuk menyamakan ukuran citra, sehingga dalam penelitian ini harus dilakukan cropping untuk menghilangkan bagian tersebut. Cropping juga dilakukan untuk mengambil bagian pada citra mamografi yang mengandung mikrokalsifikasi. Hal ini dilakukan dengan menggunakan informasi dari basis data MIAS yang menyatakan koordinat pusat posisi mikrokalsifikasi dan radiusnya. Koordinat pusat posisi mikrokalsifikasi = (m, n) (9a) m = 1024 – y (9b) n =x (9c) dengan x dan y adalah koordinat yang diperoleh dari basis data MIAS. Sebagai contoh untuk citra mdb219 diperoleh informasi (dari MIAS): x = 546
y = 756
r = 29 piksel
Dengan demikian, posisi mikrokalsifikasi pada citra mdb219 berada pada daerah berupa lingkaran dengan radius 29 piksel dan berpusat pada koordinat (478, 546). Dari bagian citra yang mengandung mikrokalsifikasi inilah akan diambil sampel citra berukuran 40 x 40 piksel, untuk kemudian dilakukan proses berikutnya. Sedangkan sampel citra mamografi normal diambil secara acak dari citra mamografi normal (tidak bermikrokalsifikasi). Perentangan kontras citra dilakukan menggunakan transformasi yang dinyatakan pada persamaan (8) dengan bantuan program Matlab. Nilai a dan b masing-masing adalah 0 dan 255, sedangkan nilai c dan d ditentukan sesuai citra input. Pada penelitian ini dilakukan ekstraksi ciri-ciri dari nilai-nilai piksel atau dari histogram citra. Ekstraksi ciri dilakukan dua kali, yaitu sebelum dan sesudah dikenakan transformasi perentangan kontras.
Ciri-ciri yang diperoleh kemudian dibandingkan dan dianalisis. Ada enam macam ciri yang diekstrak, yaitu rerata, varians, standar deviasi (selanjutnya disebut std), entropi, beda nilai aras maksimum dan minimum (selanjutnya disebut bedaan1), serta beda nilai aras maksimum dengan nilai rerata (selanjutnya disebut bedaan2). Dalam pemograman untuk memperoleh ciri-ciri tersebut digunakan rumusan-rumusan sebagai berikut. 1 (10) rerata = ∑ u (m, n ) N var ians =
1 ∑ [u (m, n ) − rerata ]2 N
(11)
1 [u (m, n ) − rerata] 2 ∑ N bedaan1 = max[u (m, n )] − min[ u (m, n )] bedaan 2 = max[u (m, n )] − rerata
std =
(a)
(b)
Gambar 4.2(a) Sampel mamografi normal norm_11 (b) Sampel mamografi bermikrokalsifikasi calc_1
Setiap sampel citra (normal dan bermikrokalsifikasi) dikenakan transformasi perentangan kontras. Pada gambar 4.3 diperlihatkan hasil perentangan kontras pada sampel norm_11 dan pada Gambar 4.4 untuk sampel calc_1.
(12) (13) (14)
dengan u(m,n) adalah nilai piksel citra pada baris kem kolom ke-n dan N adalah jumlah piksel dalam jendela citra. Untuk entropi digunakan persamaan (6). IV. HASIL PENELITIAN DAN PEMBAHASAN 4.1 Hasil Penelitian Hasil cropping untuk menghilangkan padding pada citra mamografi normal dan bermikrokalsifikasi diperlihatkan pada Gambar 4.1(a) dan 4.1(b).
(a)
(b)
Gambar 4.3(a) Sampel mamografi normal norm_11 (b) Sampel norm_11 hasil perentangan kontras
(a)
(b)
Gambar 4.4(a) Sampel mamografi bermikrokalsifikasi calc_1 (b) Sampel calc_1 hasil perentangan kontras
Hasil perentangan kontras juga dapat disajikan dalam bentuk histogram citra sebelum dan sesudah operasi transformasi perentangan kontras. Pada Gambar 4.5 dan 4.6 diperlihatkan perbandingannya untuk sampel norm_11 dan calc_1. 25
25
20
20
15
15
10
10
5
5
0
0 0
(a)
50
(b)
Gambar 4.1(a) Citra mamografi normal mdb006 (b) Citra mamografi bermikrokalsifikasi mdb219
Pada Gambar 4.2 diperlihatkan hasil cropping untuk sampel-sampel citra normal dan citra bermikrokalsifikasi. Pada penelitian ini diambil 64 sampel citra mamografi normal dan 34 sampel citra mamografi bermikrokalsifikasi. Jumlah sampel citra normal diambil kira-kira dua kali lipat jumlah sampel citra bermikrokalsifikasi dengan alasan bahwa dalam satu citra mamografi, jaringan yang normal biasanya jauh lebih luas daripada jaringan bermikrokalsifikasi. Disamping itu, citra normal juga lebih bervariasi bergantung pada sifat jaringannya (fatty, dense, glandular).
100
150
200
0
250
50
100
(a)
150
200
250
(b)
Gambar 4.5(a) Histogram sampel norm_11 (b) Histogram setelah perentangan kontras
35
35
30
30
25
25
20
20
15
15
10
10
5
5 0
0 0
50
100
(a)
150
200
250
0
50
100
150
200
(b)
Gambar 4.6(a) Histogram sampel calc_1 (b) Histogram setelah perentangan kontras
250
Ekstraksi ciri dilakukan dengan bantuan program Matlab dan dilakukan pada setiap sampel baik sebelum maupun sesudah operasi transformasi perentangan kontras. Tabel 4.1 memperlihatkan hasil ekstraksi ciri pada sampel sebelum dan sesudah perentangan kontras untuk sampel norm_11 dan calc_1 . Tabel 4.1 Hasil ekstraksi ciri norm_11 dan calc_1
Ciri Rerata Varians Std Entropi Bedaan1 Bedaan2
Norm_11
Calc_1
Sebelum
Sesudah
Sebelum
Sesudah
81,6 589,2 24,3 6,36 100 46,4
97,21 2351,3 48,5 6,36 190 92,8
124,4 231,9 15,2 5,84 94 54,6
68,87 923,76 30,4 5,84 178 109,1
Pada Tabel 4.2 berikut diperlihatkan hasil ekstraksi ciri untuk semua sampel dan disajikan dalam jangkauan masing-masing ciri untuk sampel normal dan bermikrokalsifikasi sebelum dilakukan operasi transformasi perentangan kontras. Tabel 4.2 Jangkauan nilai ciri sampel normal dan bermikrokalsifikasi (sebelum perentangan kontras)
Ciri Rerata Varians Std Entropi Bedaan1 Bedaan2
Norm 0 – 219,6 0 – 1779,8 0 – 42,2 0 – 7,1 8 – 167 6,4 – 63,8
Calc 96,6 – 181,1 39,8 – 391,5 6,3 – 19,79 4,6 – 6,2 47 – 108 26,4 – 73,12
Pada Tabel 4.3 berikut diperlihatkan hasil ekstraksi ciri untuk semua sampel dan disajikan dalam jangkauan masing-masing ciri untuk sampel normal dan bermikrokalsifikasi sesudah dilakukan operasi transformasi perentangan kontras. Tabel 4.3 Jangkauan nilai ciri sampel normal dan bermikrokalsifikasi (sesudah perentangan kontras)
Ciri Rerata Varians Std Entropi Bedaan1 Bedaan2
Norm 0,2 – 182,9 40,6 – 7829 6,4 – 88,5 0 – 7,1 52 – 255 19,2 – 254,8
Calc 21,2 – 85,9 114,4 – 1938,9 10,7 – 44 4,6 – 6,2 78 – 204 52,9 – 146,2
4.2 Pembahasan Pengaruh operasi transformasi perentangan kontras secara visual diperlihatkan pada Gambar 4.3 dan 4.4. Pada kedua gambar tersebut dapat dibandingkan sampel citra normal dan citra bermikrokalsifikasi sebelum dan sesudah transformasi. Tampak jelas dalam gambar bahwa
setelah operasi transformasi perentangan kontras maka citra yang dihasilkan menunjukkan kualitas kontras yang lebih baik daripada sebelumnya. Hal ini juga ditunjukkan oleh Gambar 4.5 dan 4.6. Setelah operasi perentangan kontras maka histogram citra menempati wilayah yang lebih lebar yang juga berarti peningkatan kontras citra yang bersangkutan. Ciri-ciri yang diekstrak dari citra sampel adalah ciri statistik. Citra digital diasumsikan sebagai sumber informasi berupa piksel-piksel independen, dan cirisiri statistiknya dapat diperoleh dari histogram atau dari nilai-nilai pikselnya secara langsung. Misalnya sebuah citra mempunyai aras keabuan 256 aras (0 – 255) maka citra tersebut merupakan sumber informasi dengan 256 simbol yang dimungkinkan. Tabel 4.1 memperlihatkan satu contoh hasil ekstraksi ciri pada dua jenis sampel, sampel citra normal dan bermikrokalsifikasi. Tampak pada tabel bahwa nilai masing-masing ciri berbeda untuk kedua jenis sampel baik sebelum maupun sesudah operasi perentangan kontras. Hasil ini memberikan petunjuk bahwa untuk kedua jenis sampel diharapkan akan menghasilkan nilai ciri yang berbeda. Hasil ekstraksi ciri untuk keseluruhan sampel yang ada diperlihatkan pada Tabel 4.2 dan 4.3. Dari kedua tabel dapat diketahui bahwa jangkauan nilai masing-masing ciri berubah setelah sampel dikenakan operasi perentangan kontras, kecuali untuk ciri entropi. Hal ini disebabkan karena entropi didefinisikan sebagai informasi rerata yang dibangkitkan oleh sumber informasi. Transformasi perentangan kontras memetakan satu nilai piksel ke satu nilai piksel yang lain, sehingga tidak akan mengubah nilai entropi citra yang bersangkutan. Dengan demikian jangkauan nilai ciri entropi setelah operasi perentangan kontras juga tidak berubah. Pengaruh operasi perentangan kontras juga tampak pada semakin lebarnya jangkauan nilai pada masing-masing ciri kecuali pada ciri rerata dan ciri entropi. Jangkauan ciri rerata setelah perentangan kontras menjadi semakin sempit. Hal ini disebabkan karena operasi perentangan kontras cenderung akan membuat piksel berwarna gelap menjadi lebih gelap dan piksel berwarna terang menjadi semakin terang. Citra normal biasanya berwarna lebih gelap dan nilai pikselnya cenderung lebih konstan (frekuensi rendah), sedangkan citra bermikrokalsifikasi mengandung komponen frekuensi tinggi. V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil penelitian dan pembahasan di atas dapat ditarik beberapa kesimpulan sebagai berikut. 1. Ciri-ciri statistik dapat diekstrak dari sebuah citra berdasarkan histogramnya atau berdasarkan nilainilai pikselnya secara langsung.
2. Operasi transformasi perentangan kontras berpengaruh pada pelebaran jangkauan nilai ciri varians, standar deviasi, bedaan1, dan bedaan2. Hal ini sejalan dengan transformasi itu sendiri yang bersifat memperlebar jangkauan nilai piksel citra untuk meningkatkan kontras. 3. Pada ciri rerata, perentangan kontras justru mempersempit jangkauan nilainya. Hal ini berkaitan dengan kecenderungan nilai piksel citra baik citra normal maupun citra bermikrokalsifikasi. 4. Pada ciri entropi, perentangan kontras tidak mengubah jangkauan nilainya. Hal ini disebabkan karena perentangan kontras memetakan satu nilai piksel ke satu nilai piksel yang lain.
[8] Munir, R., 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika Bandung.
5.2 Saran 1. Ciri-ciri yang telah diekstrak pada penelitian ini dapat digunakan sebagai ciri pembeda antara kedua jenis jaringan (normal dan bermikrokalsifikasi), sehingga dapat digunakan sebagai masukan pengklasifikasi (classifier), misalnya Jaringan Syaraf Tiruan (JST). 2. Dapat dilakukan ekstraksi ciri-ciri statistik (berdasarkan nilai piksel citra) yang lain misalnya skewness, kurtosis, dan lain-lain.
[13]
VI. DAFTAR PUSTAKA [1] Abubaker, A.A., Qahwadi, R.S., Aqel, M.J., Al-Osta, H., Saleh, M.H., 2006, Efficient Pre-Processing of USF and MIAS Mammograms Images, Journal of Computer Science 3 (2): 67 – 75, ISSN 1549 – 3636. [2] Candade, N.V., 2004, Application of Support Vector Machines and Neural Networks in Digital Mammography: A Comparative Study, Thesis, Biomedical Engineering Department of Chemical Engineering College of Engineering, University of South Florida. [3] El-Naqa, I., Yang, Y., Wernick, M.N., Galatsanos, N.P., Nishikawa, R., 2002, Support Vector Machine Learning for Detection of Microcalcifications in Mammograms, Dept. Of Electrical and Computer Engineering, Illinois Institute of Technology. [4] Iqbal, K., Salam, R.A., Osman, A., Talib, A.Z., 2007, Underwater Image Enhancement Using an Integrated Colour Model, IAENG International Journal of Computer Science. [5] Jain, A.K., 1989, Fundamental of Digital Image Processing, Prentice Hall International, Inc. Singapore. [6] Liu, Sheng., Babbs, Charles F., dan Delp, Edward J., Normal Mammogram Analysis and Recognition, Purdue University, Indiana. [7] Melloul, M., Joskowicz, L., 2002, Segmentation of Microcalcification in X-ray Mammograms Using Entropy Thresholding, CARS 2002.
[9] Sheshadri, H.S. dan Kandaswamy, A., 2006, Computer Aided Decision System for Early Detection of Breast Cancer, Indian J Med Res 124, pp 149 – 154. [10] Srivastava, V., 2005, Perfomance of Microcalcification Detection Algorithms, Thesis, Department of Elekctrical and Computer Engineering, North Carolina State University, Raleigh. [11] Tembey, M., 2003, Computer – Aided Diagnosis for Mammographic Microcalcification Clusters, Thesis, Department of Computer Science and Engineering, College of Engineering, University of South Florida. [12] Yaffe, Martin J,. 1995, Mammography, Engineering Handbook, IEEE Press.
Biomedical
_____ , http://www.mathworks.com/acces/helpdesk/ help/ toolbox/ images/, download tanggal 21 Desember 2007 pukul 14.07 WIB.
[14] _____ , http://peipa.essex.ac.uk/ipa/pix/mias, download tanggal 27 Desember 2007 pukul 12.22 WIB. [15] _____ , http://www.imaginis.com/breasthealth/statistics.asp, download tanggal 15 Mei 2008 pukul 13.42 WIB.