APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma Jalan Margonda Raya No. 100 Pondok Cina, Depok 16424, Indonesia Email :
[email protected]
ABSTRAK Kanker merupakan penyakit yang muncul diakibatkan oleh pertumbuhan yang tidak normal dari sel-sel jaringan tubuh sehingga berubah menjadi sel kanker. Kanker merupakan salah satu penyakit yang berbahaya. Mammogram adalah pemeriksaan payudara dengan sinar-X untuk mendeteksi perubahan yang terjadi pada payudara. Pada citra mammogram terkadang terdapat kumpulan mikrokalsifikasi yang dapat menjadi indikator terdapatnya kanker payudara. Namun mikrokalsifikasi pada citra mammogram sulit untuk dideteksi karena jaringan pada payudara, variasi pada bentuk, orientasi, kecerahan dan ukuran gambar. Tujuan penelitian ini adalah untuk membuat aplikasi Deteksi Mikrokalsifikasi dan Klasifikasi Citra Mammogram Berbasis Tekstur Metode tahapan penelitian yang dilakukan meliputi memperbaiki kualitas citra mammogram dengan cara mendeteksi garis kulit untuk menghilangkan label pada citra mammogram, segmentasi pada citra mammogram menggunakan metode Otsu Thresholding, deteksi tepi pada area yang diduga terdapat mikrokalsifikasi dengan metode Canny dan metode Morfologi Citra operasi Dilasi, memperoleh nilai ekstraksi fitur berbasis tekstur menggunakan metode Gray Lavel Co-occurrence Matrix (GLCM) dan klasifikasi menggunakan metode Support Vector Machine (SVM) dengan kernel RBF dengan parameter yang digunakan adalah nilai homogenitas dan korelasi. Hasil percobaan menampilkan hasil deteksi area mikrokalsifikasi yang ditandai oleh garis berwarna hitam dan mengklasifikasikan citra mammogram menjadi citra mammogram normal atau abnormal. Serta menampilkan nilai hasil ekstraksi fitur dari citra mammogram. Kata kunci: Aplikasi Komputer, Deteksi Mikrokalsifikasi, Klasifikasi, Kanker Payudara, MatLab. 1. Pendahuluan Kanker merupakan penyakit yang muncul diakibatkan oleh pertumbuhan yang tidak normal dari sel-sel jaringan tubuh sehingga berubah menjadi sel kanker. Sel kanker tumbuh dengan cepat, sehingga sel kanker pada umumnya cepat menjadi besar dan dapat menyebar ke bagian tubuh lainnya sehingga dapat menimbulkan kematian [HOMPEDIN]. Berdasarkan data yang berasal dari http://globocan.iarc.fr/, kanker payudara merupakan kanker yang paling banyak membunuh perempuan di dunia. Pada tahun
2008 terdapat 1.384.100 kasus kanker payudara dan membunuh 458.500 orang di dunia. Sedangkan di Indonesia pada tahun 2008 telah terdapat 39.600 kasus kanker payudara dan telah membunuh 20.000 orang. Penyakit kanker payudara masih dapat disembuhkan jika telah dideteksi sejak dini dan diobati secara memadai. Oleh sebab itu sangat penting bagi masyarakat untuk mengetahui informasi tentang penyakit ini baik penyebabnya, cara mencegahnya dan cara mendeteksinya. Penyakit ini dapat dideteksi dengan berbagai cara dimana
terdapat tiga tahapan pemeriksaan secara dini yaita (1) pemeriksaan sendiri, (2) pemeriksaan yang dilakukan oleh tenaga medis yang bertujuan untuk mengkonfirmasi hasil pemeriksaan sendiri atau bila terjadi keluhan dan (3) pemeriksaan lanjutan untuk melengkapi pemeriksaan dokter digunakan dengan menggunakan alat bantu salah satunya adalah mammogram [Aviarini dkk, 2009]. Mammogram adalah pemeriksaan payudara dengan sinar-X. Tujuannya untuk mendeteksi perubahan yang terjadi pada payudara. Hasil mammogram akan dianalisis dan dibaca oleh dokter, sehingga tidak terjadi overdiagnosis yang menimbulkan resiko kesehatan bagi pasien. Pada citra mammogram terkadang terdapat kumpulan mikrokalsifikasi yang dapat menjadi indikator terdapatnya kanker payudara pada citra mammogram itu. Mikrokalsifikasi merupakan kalsium kecil yang muncul sebagai area atau titik yang berwarna terang pada mammogram [Tomislav dkk. 2010]. Mikrokalsifikasi pada citra mammogram sulit untuk dideteksi karena jaringan pada payudara, variasi pada bentuk, orientasi, kecerahan dan ukuran gambar [Xinsheng dkk, 2012]. Hal ini akan menyulitkan dokter untuk memberikan hasil diagnosis dari gambar mammogram kepada pasien, oleh sebab itu untuk membantu dokter dalam mendiagnosis hasil mammogram akan lebih baik jika dibuat aplikasi untuk mendeteksi mikrokalsifikasi pada citra mammogram dan mengklasifikasikan citra mammogram sebagai pendukung diagnosis kanker payudara. 2. Tinjauan Pustaka 2.1 Kanker Payudara Menurut definisi Depkes (2009), penyakit kanker merupakan penyakit tidak menular yang ditandai dengan adanya sel atau jaringan abnormal yang bersifat ganas, tumbuh cepat tidak terkendal dan menyebar ke tempat lain dalam tubuh penderita. Sel kanker bersifat ganas dan dapat menginvasi serta merusak sel-
sel normal di sekitarnya sehingga merusak fungsi jaringan tersebut. Penyebaran sel kanker dapat melalui pembuluh darah maupun pembuluh getah bening. Sel penyakit kanker dapat berasal dari semua unsur yang membentuk suatu organ, dalam perjalanan selanjutnya tumbuh dan menggandakan diri sehingga membentuk massa tumor. kanker payudara adalah kanker yang berasal dari kelenjar, saluran kelenjar dan jaringan penunjang payudara. 2.2 Citra Mammogram Mamografi (mammography) merupakan metode pencitraan payudara dengan menggunakan sinar X berdosis rendah (umumnya berkisar 0,7 mSv). Tes yang sesungguhnya disebut mammogram yang digunakan untuk melihat beberapa tipe tumor dan kista, dan telah terbukti dapat mengurangi mortalitas akibat kanker payudara. Sebagaimana penggunaan sinar-X lainnya, mammogram menggunakan radiasi ion untuk menghasilkan gambar. Radiolog kemudian menganalisa gambar untuk menemukan adanya pertumbuhan yang abnormal. 2.3 Citra Digital Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi terusmenerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek ditangkap oleh alat-alat optik misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya sehingga bayangan objek yang disebut citra tersebut terekam. Citra Sebuah citra adalah kumpulan pikselpiksel yang disusun dalam larik dua dimensi. Citra digital merupakan suatu larik dua dimensi atau suatu matriks yang elemenelemennya menyatakan tingkat keabuan dari elemen gambar. Jadi informasi yang terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data rekaman suatu sistem. Kadang-kadang hasil rekaman
data bersifat kontinu seperti gambar pada monitor televisi, foto x-ray, dan lain sebagainya. Dengan demikian untuk mendapatkan suatu citra digital diperlukan suatu proses konversi, sehingga citra tersebut selanjutnya dapat diproses dengan komputer. Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. 2.4 Segmentasi Proses segmentasi citra berfungsi untuk membagi citra ke dalam sejumlah region dan memisahkan area yang diperkirakan terdapat ketidaknormalan pada gambar. Dimana area yang diperkirakan terdapat ketidaknormalan pada gambar adalah area yang lebih terang dari area sekitarnya, memiliki densitas yang hampir seragam, memiliki bentuk yang teratur dengan berbagai ukuran dan memiliki batasbatas yang kabur. Pada penelitian ini segmentasi yang digunakan adalah segmentasi Otsu. Otsu thresholding bertujuan sama dengan thresholding yang lainnya yaitu memisahkan background dan foreground dengan mendapatkan nilai varians dari setiap tingkat keabuan [Diana dkk, 2011]. Setiap citra mammogram mempunyai tingkat derajat keabuan yang berbeda, jika menggunakan nilai threshold yang tetap pada semua citra, maka ada kemungkinan hasil threshold kurang baik maka metode yang digunakan dalam proses thresholding ini adalah Otsu Thresholding. Karena nilai threshold yang dihasilkan tergantung dari tingkat keabuan citra tersebut. Metode ini lebih optimal dibandingkan dengan metode global thresholding dikarenakan cara kerjanya yang memaksimalkan varians antar kelas. Varians
antar kelas ini cocok untuk menganalisa diskriminan kelas secara statistik. 2.5 Deteksi Tepi Deteksi tepi adalah langkah untuk mendeteksi garis tepi yang membatasi dua wilayah. Pada dua wilayah yang berbeda, akan terdapat perubahan nilai piksel. Tepian objek perbedaan nilai piksel yang cukup drastis antara dua piksel yang berdekatan. Tujuan dari deteksi tepi adalah untuk memisahkan foreground dari backgroundnya dan untuk melakukan segmentasi. Pada penelitian kali ini deteksi tepi yang digunakan menggunakan metode Canny dan untuk mempertebal garis tepi digunakan metode Morfologi Citra dengan operasi Dilasi. 2.6 Ekstraksi Fitur Ekstraksi fitur merupakan proses sebelum melakukan klasifikasi citra mammogram. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri. Pada penelitian kali ini ekstraksi fitur menggunakan metode GLCM yang termasuk dalam metode statistik dimana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur). 2.7 Klasifikasi Citra Mammogram Pada tahapan ini bertujuan untuk mengklasifikasikan citra mammogram, apakah citra termasuk normal, atau abnormal. Pada penelitian ini metode metode penelitian yang digunakan adalah SVM (Support Vector Machine). Dalam penerapannya SVM memberikan solusi yang global optimal, sehingga selalu
mencapi solusi yang sama untuk setiap running. Dalam teknik ini, diusahakan untuk menemukan fungsi pemisah (klasifier) yang optimal yang bisa memisahkan dua set data dari dua kelas yang berbeda. 3. Metode Penelitian
Tabel 4.1 Contoh Citra Awal Nama Keterangan Citra Awal file Citra
mdb057
citra mammogram normal
mdb125
citra mammogram abnormal
4.1
4. Hasil dan Analisis Data yang digunakan dalam penelitian ini berupa citra digital mammogram. Citra mammogram yang digunakan pada penelitian ini berasal dari mini mammography database of MIAS yang diambil dari http://abacus.ee.cityu.edu.hk/imagedb/cgi-bin/ ibrowser/ibrowser.cgi? folder=/ Medical _Image/mammogram/.
Hasil Proses Penghilangan Label
Langkah ini berfungsi untuk menghilangkan label atau informasi citra mammogram yang terkadang ada pada citra mammogram. Langkah pertama yang dilakukan pada proses ini adalah membaca garis kulit dari mammogram. Sehingga nantinya akan dapat dipisahkan antara gambar mammogram dengan gambar latar. Tabel 4.2 menunjukan citra mammogram sebelum dan setelah tahapan membaca garis kulit. Tabel 4.2 Citra Hasil Membaca Garis Kulit Citra Hasil Membaca Citra Awal Garis Kulit
mdb057.pgm
mdb057.pgm
gambar latar dan menampilkan mammogram. Tabel 4.4 menunjukan citra penghilangan label.
mdb1.pgm
mdb125.pgm
citra hasil
Tabel 4.4 Citra Hasil Penghilangan Label Citra Hasil Memutihkan Area Citra Hasil yang Dianggap Penghilangan Label Sebagai Gambar Latar
Selanjutnya memutihkan area yang dianggap sebagai gambar latar. Tabel 4.3 menunjukan citra mammogram sebelum dan setelah tahapan memutihkan area yang dianggap sebagai gambar latar. Tabel 4.3 Citra Hasil Memutihkan Area yang Dianggap Sebagai Gambar Latar Citra Hasil Memutihkan Area Citra Hasil Membaca yang Garis Kulit Dianggap Sebagai Gambar Latar
mdb057.pgm
mdb057.pgm
mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb125.pgm
Untuk menampilkan secara jelas perbedaan gambar sebelum dan setelah proses penghilangan label dapat dilihat pada tabel 4.5 Tabel 4.5 Citra Sebelum dan Sesudah Penghilangan Label Citra Hasil Citra Awal Penghilangan Label
mdb125.pgm
mdb125.pgm
Setelah itu menghitamkan area yang pada tahap sebelumnya berwarna putih dan menampilkan gambar asli pada posisi area yang pada tahap sebelumnya berwarna hitam. Tahapan ini akan menghasilkan gambar yang telah dihilangkan area yang dianggap sebagai
4.2
mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb125.pgm
Hasil Proses Segmentasi
Langkah ini berfungsi berfungsi untuk membagi citra ke dalam sejumlah region dan memisahkan area yang diperkirakan terdapat ketidaknormalan pada gambar. Langkah pertama yang dilakukan pada proses segmentasi adalah membagi citra ke sejumlah region, pada penelitian kali ini digunakan metode Otsu dengan membagi citra ke dalam empat region. Tabel 4.6 menunjukan citra mammogram sebelum dan setelah tahapan otsu dengan n = 4. Nilai n diperoleh dari hasil trial and error untuk mendapatkan nilai yang tepat. Tabel 4.6 Citra Hasil Segmentasi Otsu n = 4 Citra Hasil Proses Citra Hasil Segmentasi Otsu n = Penghilangan Label 4
mdb125.pgm
Selanjutnya yang dilakukan adalah mengambil area yang diperkirakan terdapat ketidaknormalan. Langkah yang dilakukan adalah memutihkan area yang dianggap sebagai gambar yang tidak terdapat ketidaknormalan. Tabel 4.7 menunjukan citra mammogram sebelum dan setelah tahapan memutihkan area yang dianggap sebagai gambar yang tidak terdapat ketidaknormalan. Tabel 4.7 Citra Hasil Memutihkan Area yang Dianggap Sebagai Gambar yang Tidak Terdapat Ketidaknormalan Citra Hasil Memutihkan Area Segmentasi Otsu n = yang Dianggap 4 Sebagai Gambar yang Tidak Terdapat Ketidaknormalan.
mdb057.pgm mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb057.pgm
mdb125.pgm
mdb125.pgm
mdb125.pgm
Selanjutnya yang dilakukan adalah tahapan terahir pada proses segmentasi citra mammogram yaitu menghitamkan area yang pada tahap sebelumnya berwarna putih dan menampilkan gambar asli pada posisi area yang pada tahap sebelumnya berwarna hitam. Langkah ini akan menghasilkan citra mammogram yang telah dihilangkan area yang dianggap sebagai area yang tidak terdapat ketidaknormalan. Tabel 4.8 akan menampilkan citra hasil segmentasi.
Untuk menampilkan secara jelas perbedaan gambar sebelum dan setelah proses segmentasi dapat dilihat pada tabel 4.9 Tabel 4.9 Citra Sebelum dan Sesudah Penghilangan Label Citra Hasil Citra Hasil Penghilangan Label Segmentasi
Tabel 4.8 Citra Hasil Segmentasi Citra Hasil Memutihkan Area yang Dianggap Citra Hasil Sebagai Gambar yang Segmentasi Tidak Terdapat Ketidaknormalan.
4.3 mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb125.pgm
Hasil Proses Deteksi Tepi Selanjutnya proses yang dilakukan adalah mendeteksi garis tepi, yang membatasi dua wilayah. Tujuan dari deteksi tepi adalah untuk memisahkan foreground dari backgroundnya. Pada proses ini tahap pertama yang dilakukan adalah melakukan deteksi tepi dengan metode canny. Tabel 4.10 menampilkan citra hasil deteksi tepi menggunakan metode Canny.
Tabel 4.10 Citra Hasil Deteksi Tepi Menggunakan Metode Canny Citra Hasil Proses Citra Hasil Deteksi Segmentasi Tepi Canny
mdb125.pgm
mdb057.pgm
mdb125.pgm
mdb057.pgm
mdb125.pgm
Citra hasil deteksi tepi Canny memiliki garis yang tipis sedangkan ukuan piksel citra mammogram besar, maka garis tidak begitu terlihat dan terlihat seperti garis putus-putus. Maka langkah selanjutnya adalah menebalkan garis menggunakan dilasi sehingga garis lebih terlihat dan tidak tampak putus-putus. Citra hasil dilasi ditampilkan pada tabel 4.11. Tabel 4.11 Citra Hasil Dilasi Citra Hasil Deteksi Citra Hasil Dilasi Tepi Canny
mdb057.pgm
mdb057.pgm
mdb125.pgm
Setelah itu lakukan penggabungan antara citra setelah proses penghilangan label dengan citra hasil dilasi. Sehingga pengguna dapat mengetahui posisi area yang diduga terdapat ketidaknormalan pada citra mammogram. Citra hasil penggabungan antara citra setelah proses penghilangan label dengan citra hasil dilasi ditampilkan pada tabel 4.12. Tabel 4.12 Citra Hasil Penggabungan Antara Citra Setelah Proses Penghilangan Label Dengan Citra Hasil Dilasi Citra Hasil Citra Hasil Dilasi Penggabungan
mdb057.pgm
mdb057.pg
mdb125.pgm
mdb125.pgm
Langkah selanjutnya adalah menghitamkan garis deteksi tepi agar memperjelas garis sehingga lebih mudah
terlihat oleh pengguna area yang diduga ketidak normalan pada citra mammogram. Citra hasil penghitaman garis tepi ditampilkan pada tabel 4.13. Tabel 4.13 Citra Hasil Penghitaman Garis Tepi Citra Hasil Citra Hasil Penghitaman Garis Penggabungan Tepi
mdb125.pgm
mdb125.pgm
4.4
mdb057.pgm
mdb057.pgm
mdb125.pgm
mdb125.pgm
Untuk menampilkan secara jelas perbedaan gambar sebelum dan setelah proses deteksi tepi dapat dilihat pada tabel 4.14 Tabel 4.14 Citra Sebelum dan Sesudah Deteksi Tepi Citra Hasil Citra Hasil Penghilangan Label Segmentasi
mdb057.pgm
mdb057.pgm
Hasil Proses Ekstraksi Fitur Langkah selajutnya adalah melakukan ekstraksi fitur yang merupakan proses sebelum melakukan klasifikasi citra mammogram. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri. Tabel 4.15 akan menampilkan nilai hasil ekstraksi fitur GLCM pada contoh citra mammogram. Tabel 4.15 Nilai Hasil Ekstraksi Fitur GLCM pada Citra Mammogram Nama Citra mbd057.pgm mdb125.pgm Homogenitas 0.9661 0.9739 Kontras 0.1093 0.1798 Korelasi 0.8945 0.7446 Energi 0.9962 0.9920 4.5
Hasil Proses Klasifikasi Pada tahapan ini bertujuan untuk mengklasifikasikan citra mammogram, apakah citra termasuk normal, atau abnormal. Pada penelitian ini metode metode penelitian yang digunakan adalah SVM (Support Vector Machine). Tabel 4.16 akan menampilkan grafik SVM dengan kernel fungsi RBF.
Tabel 4.16 Grafik SVM Klasifikasi Nama Tampilan Grafik SVM Hasil Klasifikasi mbd057 Normal .pgm
mbd125 .pgm
Abnormal
dengan parameter yang digunakan adalah nilai homogenitas dan korelasi. Dari hasil uji coba persentasi keberhasilan aplikasi ini untuk mengklasifikasikan data uji yang termasuk di dalam basis data data latih, pada citra mammogram abnormal sebesar 80% dan pada citra mammogram normal sebesar 86%. Sedangkan persentasi keberhasilan aplikasi ini untuk mengklasifikasikan data uji yang tidak termasuk di dalam basis data data latih, pada citra mammogram abnormal sebesar 80% dan pada citra mammogram normal sebesar 90%. 6. Daftar Pustaka Aniarti Murni. 1992. Pengantar Pengolahan Citra. Jakarta: Elex Media Komputindo.
5. Kesimpulan Penulis telah berhasil merancang dan membangun perangkat lunak deteksi mikrokalsifikasi dan klasifikasi citra mammogram. Hasil dari program ini berupa citra digital dengan area mikrokalsifikasi yang terdeteksi ditandai oleh garis berwarna hitam dan klasifikasi citra mammogram. Dengan menggunakan program ini, dapat membantu dokter atau pakar dalam mendiagnosis kanker payudara pada citra mammogram. Penulis berhasil memperbaiki kualitas citra mammogram dengan cara mendeteksi garis kulit untuk menghilangkan label pada citra mammogram dan juga berhasil melakukan segmentasi pada citra mammogram menggunakan metode Otsu Thresholding. Penulis juga berhasil melakukan deteksi tepi pada area yang diduga terdapat mikrokalsifikasi dengan metode Canny dan mempertebal garis tepi menggunakan metode Morfologi Citra operasi Dilasi. Selain itu penulis juga berhasil memperoleh nilai ekstraksi fitur berbasis tekstur menggunakan metode Gray Lavel Cooccurrence Matrix (GLCM) dan melakukan klasifikasi menggunakan metode Support Vector Machine (SVM) dengan kernel RBF
Anonim. Pengetahuan Dasar Tentang Kanker. http://www.hompedin.org/ artikel1.php akses terahir tanggal 10 Oktober 2012. Anonim. 2008. 10 Facts on Cancer dalam http://www.who.int/features/factfiles /cancer/facts/en/index.html akses terahir tanggal 10 Oktober 2012. Anonim. 2011. Preprosesing dalam http://grasshoppernetwork.com/attachment . php?aid=93 akses terahir tanggal 10 Oktober 2012. Anonim. Canny edge detector dalam http://en.wikipedia.org/wiki/Canny_edge_ detector akses terahir tanggal 10 Oktober 2012. Ardianto Eskaprianda, dkk. 2011. Deteksi Kondisi Organ Pankreas Melalui Iris Mata Menggunakan Jaringan Syaraf Tiruan Metode Perambatan Balik dengan Pencirian Matriks Ko-Okurensi Aras Keabuan. Semarang: Universitas Diponegoro. Aviarini Indrati dan Sarifuddin Madenda. 2010. Ekstraksi Fitur Bentuk Tumor
Payudara. Depok: Universitas Gunadarma.
Using-Otsu akses terahir tanggal 10 Oktober 2012.
Budi Santosa. 2008. Tutorial Support Vector Machine. Surabaya: Kampus ITS.
Jain, Ramesh. 1995. Machine Vision, McGraw-ill.
Dane Kurnia Putra, dkk. Identifikasi Keberadaan Kanker Pada Citra Mammografi Menggunakan Metode Wavelet Haar. Semarang: Universitas Diponegoro.
Rinaldi Munir. 2004. Pengolahan Citra Digital. Bandung: Penerbit Informatika.
Diana Purwitasari, dkk. Implementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara. Surabaya: Kampus ITS. Eko Prasetyo. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab. Yogyakarta: Penerbit ANDI. Hendry, Jans. 2012. Image Thresholding Using Otsu dalam http://www.scribd. com/doc/77263523/Image-Thresholding-
Stojić, Tomislav dan Reljin, Branimir. 2010. Enhancement of Microcalcifications in Digitized Mammograms: Multifractal and Mathematical Morphology Approach. Belgrade: University of Belgrade. S, Meenalosini, dkk. 2012. A Novel Approach in Malignancy Detection of Computer Aided Diagnosis. Chennai: Vel Tech Dr. RR and Dr. SR Technical University. Zhang, Xinsheng, dkk. 2012. Micro Calcification Clusters Detection by Using Gaussian Markov Random Fields Representation. Xi'an: University of Architecture and Technology.
