PENGEMBANGAN MODUL SEGMENTASI PADA M-ANALYZER, SISTEM PORTABEL CERDAS UNTUK IDENTIFIKASI PARASIT MALARIA

PENGEMBANGAN MODUL SEGMENTASI PADA M-ANALYZER, SISTEM PORTABEL CERDAS UNTUK IDENTIFIKASI PARASIT MALARIA Dias Natawan Gita1 , I Ketut Eddy Purnama2 , Diah Puspito Wulandari3 Institut Teknologi Sepuluh Nopember, Surabaya [email protected] , [email protected] , [email protected]

Abstrak—Penelitan ini mengusulkan segmentasi plasmodium pada citra sel darah menggunakan active contour dan max tree. Segmentasi tersebut diimplementasikan pada M-Analyzer yaitu sistem portabel pendeteksi malaria secara real time. Ada tiga segmentasi yang dilakukan yaitu segmentasi sel darah dari latar belakang citra, segmentasi sel darah terinfeksi dari sel darah sehat dan segmentasi plasmodium dari sel darah. Dari hasil percobaan pada 120 citra sel darah yang terdiri dari 40 plasmodium fase ring, 40 plasmodium fase tropozoit dan 40 plasmodium fase schizonts dihasilkan rata-rata akurasi segmentasi sel darah dari latar belakang sebesar 0.96, segmentasi sel darah terinfeksi dari sel darah sehat sebesar 0.94 dan segmentasi plasmodium dari sel darah sebesar 0.92. Selain rata-rata akurasi, rata-rata Area Under Curve (AUC) juga dihitung dan menhasilkan AUC pada segmentasi sel darah dari latar belakang sebesar 0.95, segmentasi citra sel darah terinfeksi dari sel darah sehat sebesar 0.77 dan segmentasi plasmodium dari sel darah sebesar 0.98. Kata Kunci—Segmentasi, Active Contour, Max Tree, Branches filtering

I. P ENDAHULUAN ENURUT laporan WHO pada bulan Oktober 1998 dalam WHOfact sheet No. 94, Malaria merupakan salah satu masalah kesehatan masyarakat di lebih 90 negara, dengan populasi penderita 40% dari penduduk dunia. Pada tahun 2002 WHO juga mengeluarkan laporannya dalam World Health Report 2002 yang isinya menyatakan bahwa beban kasus global tahunan dari malaria adalah 300-500 juta kasus dengan 11 juta kematian, dan 44 juta cacat seumur hidup [5]. Demikian pula halnya dengan Negara Indonesia, malaria merupakan salah satu penyakit yang menjadi permasalahan, terutama untuk Indonesia bagian Timur. Kondisi demografi Indonesia yang kurang menguntungkan, menyebabkan banyak daerah terjangkit malaria yang belum terjangkau pusat layanan kesehatan. Selain itu, penggunaan mikroskop untuk diagnosa penyakit malaria, memerlukan waktu yang cukup lama sehingga meningkatkan resiko kematian akibat tidak cepatnya penanganan malaria. Untuk mengatasi permasalahan tersebut dibutuhkan Sistem Portabel Cerdas untuk identifikasi Otomatis Malaria secara Real time yang dinamakan M-Analyzer, dengan begitu identifikasi tidak perlu dikirim ke laboratorium lagi. M-Analyzer terdiri dari tiga modul yaitu modul akuisisi, segmentasi dan klasifikasi. Modul akuisisi bertugas mengcapture sel darah pada preparat menjadi citra digital, modul segmentasi bertugas

M

memisahkan plasmodium dari sel darah dan modul klasifikasi bertugas mengklasifikasikan plasmodium berdasarkan fase. Penelitian tentang pengkajian terhadap citra preparat darah telah dilakukan oleh beberapa grup riset [5][2][4]. Penelitian tentang pengkajian terhadap citra preparat darah telah dilakukan oleh beberapa grup riset [5][2][4]. Pada penelitian [5], metode yang digunakan adalah k-mean clustering dengan dua ekstraksi ciri yaitu ciri warna dan ciri histogram. Uji identifikasi dan klasifikasi parasit plasmodium falciparum dilakukan kedalam empat kelas dan menggunakan metode jaringan saraf tiruan (JST) Learning Vector Quantization (LVQ). Sedangkan grup riset yang kedua [2], melakukan segmentasi dengan pemisahan sel darah merah menggunakan representrasi Incusion-Tree selanjutnya melakukan dua klasifikasi untuk mengidentifikasi sel darah merah yang terinfeksi oleh plasmodium menggunakan binary classifier dan menentukan fase plasmodium menggunakan multiclass classifier. Penelitian yang pernah dilakukan juga adalah melakukan analisa terhadap citra preparat darah yang terinfeksi dengan malaria [4]. Proses segmentasi dan dilanjutkan dengan klasifikasi menggunakan pendekatan morphologi dan kesamaan warna histogram. Pada penelitian ini, metode segmentasi yang digunakan berbeda dari penelitian-penelitian sebelumnya. Metode yang kami gunakan adalah metode active contour dan max tree. II. DASAR T EORI A. M-Analyzer

Gambar 1: Ilustrasi dari M-Analyzer

M-Analyzer merupakan salah satu bidang riset yang diusulkan di Teknik Komputer dan Telematika jurusan Teknik Elektro ITS. Tujuan dari riset tersebut adalah menghasilkan Sistem Portabel Cerdas untuk identikasi Otomatis Malaria secara Real time. Saat ini, sistem identifikasi otomatis malaria tersebut masih berupa prototipe dengan tiga modul didalamnya yaitu modul Akuisisi, Segmentasi dan Klasifikasi. Modul Akuisisi bertugas mengcapture sel darah yang ada pada preparat dengan menggunakan mikroskop digital. Modul ini menghasilkan citra sel darah dengan perbesaran 200 kali. Kemudian citra tersebut digunakan sebagai masukkan pada modul segmentasi. Fungsi dari modul segmentasi adalah memisahkan plasmodium dari latar belakang pada citra sel darah. Sehingga dari modul segmentasi tersebut dihasilkan citra plasmodium. Citra plasmodium tersebut selanjutnya diklasifikasikan berdasarkan fase oleh modul klasifikasi. Fase yang diklasifikasikan yaitu fase Ring, Tropozoit dan Schizont. Gambar 1 menunjukkan ilustrasi dari M-Analyzer. Peranan dari penelitian ini adalah untuk mengembangkan modul segmentasi dengan metode yang tepat. Metode segmentasi yang dikembangkan saat ini yaitu metode active contour dan max tree dengan filtering menggunakan branches filtering. Metode active contour diharapkan bisa memisahkan sel darah dari latar belakang citra. Sedangkan metode max tree digunakan untuk memisahkan sel darah terinfeksi dari sel darah sehat. Kemudian dengan menggunakan metode yang sama, hasil dari segmentasi tersebut disegmentasi ulang untuk mendapatkan plasmodium dari sel darah.

x(s) dan y(s) merupakan posisi dari contour. Hasil segmentasi terbaik adalah pada saat E bernilai minimum. C. Max Tree Max tree merupakan representasi zona datar pada citra dalam bentuk tree. Max tree diusulkan oleh Salembier pada tahun 1998 [7]. Max-Tree merupakan sebuah rooted-tree, dimana setiap node memiliki sebuah pointer menuju parent. Root merepresentasikan piksel dari background yang merupakan himpunan piksel dengan intensitas paling rendah dari citra. Leaf merupakan himpunan piksel dengan intensitas tertinggi dari citra. Ilustrasi dari max tree bisa dilihat pada gambar 3.

(a)

(b)

Gambar 3: (a) zona datar (b) representasi max tree dari zona datar

B. Active Contour D. Branches Filtering Branches filtering melakukan filtering berdasarkan leaf node terpilih. Metode ini berbeda dengan attribute filtering yang filteringnya dilakukan kepada semua node. Hasil dari branches filtering berupa sekumpulan node terpilih. Kemudian, dari node-node tersebut dibentuk tree baru. Tree baru inilah yang direkonstruksi ulang menjadi citra baru yaitu citra hasil segmentasi. III. D ESAIN DAN I MPLEMENTASI S ISTEM

Gambar 2: Active Contour Segmentasi menggunakan metode Active contour adalah memisahkan objek dengan cara melingkupi objek menggunakan contour. Contour tersebut merupakan kumpulan titik yang memiliki energi. Ada dua energi yang mempengaruhi contour yaitu energi internal dan enegi eksternal. Energi-energi tersebut merupakan representasi dari nilai piksel. Perumusan energi-energi tersebut bisa dilihat pada rumus 1. E=

R1

[Eint(x(s), y(s) + Eimage(x(s), y(s)+

0 Econ(x(s), y(s)]ds

(1)

Dimana Eint adalah energi internal dari kurva, Eimage adalah energi dari image, Econ dan adalah energi ekternal.

Pada bagian ini desain dan implementasi dijelaskan tiap bagian dari tahapan metodologi. Skema dari tahapan metodologi bisa dilihat di gambar 4.

A. Preprosesing Langkah pertama dari penelitian ini adalah preprosesing. Tujuannya agar kontras bagian plasmodium lebih tinggi dari pada latar belakang sehingga mempermudah proses segmentasi. Ada tiga tahapan dari preprosesing. Pertama adalah mengubah citra RGB menjadi citra keabuan. Layer yang dipilih pada proses ini adalah green channel. Kemudian tahap selanjutnya yaitu normalisasi. Tujuannya untuk mendapatkan citra dengan nilai piksel maksimum dan minimum yang seragam sehingga bisa menjaga keotomatisan sistem dalam

pergerakan contour dan sebaliknya. Untuk lambda, umumnya digunakan nilai 0.1 pada pergerakkan contour yang smooth. Semakin besar dari nilai lambda maka semakin kecil nilai smoothnya. Sedangkan pada variabel mu diisi dengan nilai 10. C. Max tree

Gambar 4: Metodologi Penelitian

mensegmentasi citra. Proses normalisasi menggunakan rumus 2. g(x,y) merupakan citra hasil normalisasi dan f(x,y) merupakan citra yang dinormalisasi. Tahapan terakhir adalah invers nilai piksel dengan cara mengurangkan nilai maksimum piksel dengan nilai piksel citra. Tujuannya untuk mendapatkan citra dengan bagian plasmodium sebagai tingkat keabuan tertinggi dari citra. Algoritma dari Preprosesing bisa dilihat pada kode program 1.

Citra masukkan dari segmentasi ini menggunakan citra dari hasil segmentasi active contour. Citra tersebut direpresentasikan kedalam bentuk tree. Kemudian dari tree tersebut di filter menggunakan branches filtering. Branches filtering memilih node-node ujung yang merupakan representasi dari bagian plasmodium dari citra. Selanjutnya masing-masing node dicari parent nodenya. Dari parent node yang dihasilkan dicari lagi parentnya. Proses ini dilakukan beriterasi sampai ditemukan parent node dari batas bawah. Batas bawah adalah level kedua dari tree yang merupakan level tingkat bawah dari bagian sel darah. Dari proses filtering dihasilkan tree baru. Rekonstruksi citra tree baru tersebut akan menghasilkan citra sel darah terinfeksi. Untuk segmentasi plasmodium, langkahlangkah yang digunakan sama dengan segmentasi citra sel darah terinfeksi namun batas bawah pada segmentasi plasmodium ditentukan dengan cara mencari rata-rata dari batas bawah seluruh citra. Imlementasi dari segmentasi menggunakan metode max tree menggunakan SDC Morphology Toolbox Matlab 1.6. Algoritma bisa dilihat pada Kode program . IV. H ASIL DAN P ENGUJIAN S ISTEM

Bagian ini menjabarkan pengujian kinerja dari metode yang digunakan dalam mengatasi masalah segmentasi plasmodium pada sel darah. Pengujian dilakukan dengan menggunakan 255 citra yang diunduh dari situs [6]. Ada tiga kelompok citra sel g(x, y) = f (x, y) − min(f (x, y)) max(f (x, y)) − min(f (x, y)) darah dengan fase yang berbeda yaitu kelompok dengan fase (2) ring, tropozoit dan schizont. Masing-masing dari kelompok tersebut terdiri dari 40 citra sel darah. Hasil dari segmentasi Algorithm 1 Preprosesing bisa dilihat pada gambar 5. Untuk validasi hasil pengujian dilakukan dengan cara mema ( x , y ) <− c i t r a bandingkan hasil segmentasi yang diusulkan dengan hasil b ( x , y ) <− l a y e r 2 ( a ( x , y , z ) ) segmentasi oleh ahli. Metode validasi yang digunakan adalah c ( x , y ) <− 255−b ( x , y ) Receiver Operating Characteristic (ROC) [4]. Dari ROC dimn <− min ( c ( x , y ) ) hasilkan empat nilai yaitu True Positive (TP), False Positive mx <− max ( c ( x , y ) ) (FP), True Negative (TN) dan False Negative (FN). Keemd ( x , y ) <− ( c ( x , y)−mn ) ∗ 2 5 5 / ( mx−mn ) pat parameter tersebut digunakan untuk menghitung akurasi dengan menggunakan rumus 3. Selain akurasi, parameter tersebut bisa digunakan untuk menghitung True Positive Rate (TPR) dan False Positive Rate (FPR). Selanjutnya TPR dan B. Active contour FPR tersebut direpresentasikan dalam bentuk kurva (bisa dilPada implementasi active contour digunakan aplikasi dari ihat pada lampiran) dengan sumbu vertikal adalah TPR dan A Fast Global Minimization for Active Contour Models [1]. sumbu horisontal adalah FPR. Dari kurva TPR dan FPR, Aplikasi ini dimodifikasi agar dapat mengsegmentasi citra sel nilai Area Under Curve (AUC) bisa dihitung. Semakin besar darah. Modifikasi dilakukan pada variabel modelseg, lambda AUC menandakan semakin besarnya kemampuan metode yang dan mu. Pada variabel modelseg disediakan dua pilihan digunakan dalam mensegmentasi plasmodium. model active contour yaitu model Chan-Vese dan model TP + TN Houhou-Thiran-Bresson. Penelitian ini menggunakan Chan(3) Akurasi = FP + FN + FP + TN Vese model. Sedangkan untuk Lambda bernilai 0.1. Lambda Hasil perhitungan rata-rata akurasi dan AUC bisa dilihat tersebut berfungsi untuk mengatur smooth dari pergerakkan contour. Semakin kecil nilai lambda maka semakin smooth pada tabel I.

Algorithm 2 Segmentasi menggunakan metode Max Tree f ( x , y ) <− c i t r a mm <− mmmaxtree ( f ( x , y ) ) nn <− mmmaxgetcount (mm) temp <− nn temp ( 0 ) <− 0 b i l <− 0 w h i l e ( temp ( b i l ) == 0 ) b i l <− b i l +1 end−w h i l e b a t a s _ b a w a h <− b i l b a t a s _ a t a s <− nn ( 2 5 5 ) f o r j u m l a h _ n o d e <− 0 t o nn ( b a t a s _ a t a s ) p a r e n t _ l e v e l <− b a t a s _ a t a s p a r e n t _ i n d e k s <− j u m l a h _ n o d e while ( p a r e n t _ l e v e l > batas_bawah ) node <− mmmaxgetnodes (mm , parent_level , parent_indeks ) c i t r a <− mmmaxsubimage (mm , parent_level , parent_indeks ) c i t r a _ b a r u <− c i t r a _ b a r u + citra p a r e n t _ l e v e l <− node ( 2 ) p a r e n t _ i n d e k s <− node ( 3 ) end−w h i l e end−f o r show ( c i t r a _ b a r u ) Table I: Tabel rata-rata akurasi dan AUC segmentasi Segmentasi 1 2 3

Ring Akurasi 0.93 0.96 0.99

Tropozoit AUC 0.96 0.76 0.95

Akurasi 0.92 0.92 0.98

AUC 0.95 0.98 0.99

(a)

(b)

(c)

(d)

Figure 5: (a) Citra asli (b) hasil segmentasi sel darah dari latar belakang citra (c) hasil segmentasi sel darah terinfeksi dari sel darah sehat (d) hasil segmentasi plasmodium dari sel darah.

3) Segmentasi plasmodium dengan sel darah menghasilkan rata-rata akurasi sebesar 0.98 dan rata-rata AUC sebesar 0.97 B. Saran Penelitian ini masih bisa diteruskan dengan menggunakan metode segmentasi selain active contour dan max tree. Untuk penelitian dengan metode yang sama, penulis menyarankan dilakukan modifikasi pada citra masukkan. Segmentasi dilakukan per sel darah bukan per citra preparat agar keakurasian hasil lebih bagus.

Schizonts Akurasi 0.87 0.91 0.97

AUC 0.93 0.58 0.98

Ket : Segmentasi 1 adalah segmentasi sel darah dengan latar belakang citra, segmentasi 2 adalah segmentasi sel darah terinfeksi dengan sel darah sehat pada citra dan segmentasi 3 adalah segmentasi plasmodium dengan sel darah pada citra. V. PENUTUP A. Kesimpulan Berdasarkan uji coba dan analisis hasil dari percobaan segmentasi plasmodium yang telah dilakukan, dapat disimpulkan sebagai berikut 1) Segmentasi sel darah dengan latar belakang citra menghasilkan rata-rata akurasi sebesar 0.91 dan rata-rata AUC sebesar 0.95 2) Segmentasi sel darah terinfeksi dengan sel darah sehat pada citra menghasilkan rata-rata akurasi sebesar 0.93 dan rata-rata AUC sebesar 0.77

P USTAKA [1] Bresson Xavier, “A Short Guide on a Fast Global Minimization Algoritm for Active Contour Models”, 2009. [2] Cecilia Di Ruberto, Andrew Dempster, Shahid Khan, Bill Jarra, “Analysis of infected blood cell images using morphological operators”, Image and Vision Computing, 20:133-146, 2002. [3] Fawcett Tom, “An Introduction to ROC Analysis”, Elsevier on Pattern Recognition. 2005. [4] Gloria Díaz, Fabio A. González, Eduardo Romero,” A semi-automatic method for quantification and classification of erythrocytes infected with malaria parasites in microscopic images”, J. of Biomedical Informatics,42:296–307, 2009 [5] Iis Hamsir Ayub Wahab, “Identifikasi parasit malaria dalam darah menggunakan segmentasi citra digital dn jaringan syaraf tiruan”, 2008. [6] Malaria, , Desember, 2010. [7] Salembier P. and A. Oliveras and L. Garrido, “ Anti-extensive Connected Operators for Image and Sequence Processing”. IEEE Transactions on Image Processing; 7:555-570, 1998.

LAMPIRAN

(a)

(a)

(b)

(b)

(c)

(c)

Figure 6: Hasil akurasi dari masing-masing segmentasi

Figure 7: ROC pada segmentasi sel darah dari latar belakang citra

(a)

(b)

(c)

Figure 8: ROC pada segmentasi sel darah terinfeksi dari sel darah sehat

(a)

(b)

(c)

Figure 9: ROC pada segmentasi plasmodium dari sel darah