8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
1/12
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
2/12
berfungsi untuk memperbaiki citra yang berderau, Segmentasi
Citra ( Image Segmentation) berguna untuk memilah gambar
menjadi bagian-bagian tertentu yang unik dan bermakna,memperjelas batas dari setiap objek dalam citra sehingga
memudahkan untuk proses diagnosa, Klasifikasi Citra ( Image
Classification) berfungsi untuk mengelompokkan citra
berdasarkan fitur tertentu, dan Deteksi Citra ( Image Detection)
berfungsi untuk mendeteksi kelainan, melihat
kelainan/penyakit. Dalam paper ini akan dibahas proses keduayakni segmentasi citra pada citra MR otak. Segmentasi citra
merupakan langkah kunci dari pengolahan citra kepada
analisis citra, dan juga memegang posisi penting dalam teknik
pencitraan dan merupakan dasar dari pemahaman citra lebih
lanjut[4].
Otak merupakan organ penting bagi suatu individu, otak
merupakan organ istimewa yang mengontrol organ-organ
tubuh lainnya. Sedikit kerusakan pada organ otak dapat
menganggu bahkan meniadakan fungsi organ atau jaringan
tertentu. Beberapa kelainan yang terjadi pada otak diantaranya,
Alzheimer , Parkinson, Dementia, Tumor , dsb. Pada paper ini
kelainan yang banyak dibicarakan dan dimaksudkan adalah
tumor dan lebih khusus lagi tumor otak. Tumor otak adalah
keadaan dimana sel-sel otak tumbuh dan berkembang berlipat-lipat secara tidak terkontrol karena alasan tertentu, mekanisme
yang biasa mengontrol sel-sel terganggu, sehingga tidak dapat
mengatur pertumbuhan dari sel-sel otak [5]. Tumor dapat
bersifat benign (bukan kanker) atau malignant (kanker) [6].
II. Landasan Teori
2.1 Citra
Citra, menurut kamus Webster adalah suatu representasi,
kemiripan atau imitasi dari suatu objek atau benda. Citra dari
sudut pandang matematis, merupakan fungsi bersambung
(continue) dari intensitas cahaya pada bidang 2 dimensi.Citra yang terlihat merupakan cahaya yang direfleksikan
dari sebuah objek. Sumber cahaya menerangi objek, objek
memantulkan kembali sebagian dari berkas cahaya tersebut dan
pantulan cahaya ditangkap oleh alat-alat optik, misal mata
manusia, kamera, scanner , sensor satelit, dsb, kemudian
direkam.
Citra digital adalah citra yang disimpan dalam formatdigital (dalam bentuk file). Hanya citra digital yang dapat
diolah menggunakan komputer. Jenis citra lain jika akan diolah
dengan komputer harus diubah dulu menjadi citra digital .
Citra Magnetic Resonance dibentuk dengan
mentransformasikan/merekonstruksi gelombang radio ( Free
Induction Decay - FID), yang diperoleh pada proses scanning oleh perangkat Magnetic Resonance ( MR), dengan
menggunakan formula matematika Fourier . Citra MR otak,merupakan citra penampang otak yang dihasilkan oleh
perangkat MR, dengan 3 sudut pandang yakni samping
( sagittal ), depan (coronal ), atas (axial ) dan gabungan
ketiganya (oblik ). Objek dominan yang nampak adalah
jaringan Gray Matter (GM), White Matter (WM), dan
Cerebrospinal Fluid (CSF).
Pencitraan (imaging) adalah kegiatan mengubah informasi
dari citra tampak/citra non digital menjadi citra digital .
Beberapa alat yang dapat digunakan untuk pencitraan adalah :
scanner , kamera digital, kamera sinar-x/sinar infra merah.
Pengolahan Citra merupakan kegiatan memperbaiki
kualitas citra agar mudah diinterpretasi oleh manusia/mesin
(komputer). Inputannya adalah citra dan keluarannya juga citra
tapi dengan kualitas lebih baik daripada citra masukan, misalcitra warnanya kurang tajam, kabur (blurring ), mengandung
noise (misal bintik-bintik putih), sehingga perlu ada
pemrosesan untuk memperbaiki citra karena citra tersebutmenjadi sulit diinterpretasikan karena informasi yang
disampaikan menjadi berkurang.
Analisis Citra adalah kegiatan menganalisis citra sehingga
menghasilkan informasi untuk menetapkan keputusan
(biasanya didampingi bidang ilmu kecerdasan buatan/AI yaitu
pengenalan pola ( pattern recognition) menggunakan jaringansyaraf tiruan, logika fuzzy).
Gambar 1. Alur Manipulasi Citra[7].
2.2 Segmentasi
Segmentasi merupakan sebuah proses untuk memisahkansebuah obyek dari background atau latar, sehingga obyek
tersebut dapat diproses untuk keperluan tertentu[8].
Segmentasi citra secara formal dapat didefinisikan sebagai berikut, jika F adalah seluruh pixel dari citra dan P adalah
kelompok pixel yang saling terhubung yang memiliki
nama/panggilan yang telah didefiniskan, maka segmentasi
dapat diartikan sebagai pembagian dari seluruh pixel F
kedalam kelompok-kelompok atau wilayah tertentu (S1, S2,
S3, ..., Sn), sesuai dengan kesamaan atribut/ciri yang dimiliki,
dimana setiap kelompok/wilayah saling beririsan[5].
Gambar 2. Definisi Segmentasi[5].
Segmentasi citra MR otak pada dasarnya proses untuk
memilah-milah bagian-bagian dari otak pada citra MR tersebut
seperti Gray Matter (GM), White Matter (WM) lalu
memperjelas batas/tepi dari bagian-bagian tersebut sehingga
semua bagian terlihat jelas.
Tujuan dari segmentasi citra MR otak yakni, memisahkaninformasi-informasi yang terdapat dalam citra kepada bagian-
bagian yang lebih mudah untuk dimengerti/dipahami dengan
meletakkan batas-batas yang membatasi wilayah otak yang
sehat dari wilayah otak yang sakit (terdapat tumor/kanker
misalnya)[5].
Segmentasi citra merupakan langkah kunci dari pengolahan
citra kepada analisis citra, dan juga memegang posisi penting
dalam teknik pencitraan dan merupakan dasar dari pemahaman
citra lebih lanjut[4].
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
3/12
(a) (b)
Gambar 3. Contoh Segmentasi. (a) Gambar asli, (b)
Gambar hasil segmentasi[9].
2.3 Otak dan Tumor Otak
2.3.1 Pengenalan Otak
Otak manusia merupakan pusat pengendali seluruh organ-
organ tubuh, merupakan organ spesial yang menjadikan
manusia memiliki kemampuan beradaptasi dan bertahan pada beragam kondisi lingkungan. Otak manusia menjadikan
manusia mampu untuk berbicara, mengucapkan kata-kata,
melakukan suatu tindakan, dan berbagi pikiran juga perasaan.
Otak manusia memiliki berat rata-rata 1500 gram atau
sekitar 2 % dari berat tubuh[10]. Terdiri dari dua tipe jaringan,yakni Gray Matter (GM) dan White Matter (WM). Gray Matter
tersusun dari sel-sel neuron dan glial , juga dikenal sebagai
neuroglia atau glia yang mengendalikan aktifitas-aktifitas otak
dan inti basal (caudate nucleus, putamen, pallidum, dan
claustrum). White Matter (WM) terdiri dari banyak axon-axon
yang terhubung pada cerebral cortex dengan wilayah-wilayahotak lainnya. Belahan otak sebelah kiri dan kanan dihubungkan
oleh corpus callosum, sebuah pita tipis dari serat White Matter .Otak mengandung semacam cairan pelindung yang
menyelimuti organ otak yakni Cerebrospinal Fluid (CSF) yang
terdiri dari glukosa, garam, enzim-enzim, dan sel darah putih.
Cairan ini menyelimuti otak juga pita spinal , cairan ini
berfungsi untuk melindungi kedua organ dari tekanan, benturan
luka, cedera, dsb.
Otak terbagi menjadi 2 bagian menurut letaknya yakni otak
kanan dan otak kiri. Otak kanan mengatur tubuh bagian kiri
sementara otak kiri mengatur tubuh bagian kanan. Menurut
ukurannya otak terbagi menjadi 2 bagian juga yaitu otak besar
yang disebut cerebrum dan otak kecil yang disebut cerebellum.
Otak besar terdiri atas bagian frontal, temporal, parietal dan
occipital lobes.
Gambar 4. Penampang Otak Manusia[10].
2.3.2 Tumor Otak
Kelainan pada otak yang menjadi subjek penelitian yang
berkaitan dengan citra MR pada paper ini mengacu pada tumor
dan kanker (tumor yang merusak). Tumor adalah keadaan
dimana sel-sel tumbuh dan berkembangbiak tidak terkontrol
karena suatu alasan. Jika keseimbangan dari pertumbuhan dankematian sel terganggu maka dimungkinkan tumor akan
terbentuk[11]. Mekanisme yang mengontrol kehidupan sel-sel
normal tidak berjalan dengan semestinya, tidak dapat
mengendalikan pertumbuhan sel-sel. Ketidaknormalan massa
jaringan otak adalah tumor otak yang menempati ruangan pada
tengkorak dan mengganggu fungsi normal dari otak danmemberikan tekanan pada pada otak. Semakin meningkatnya
tekanan pada otak dapat mengakibatkan kerusakan pada
jaringan otak.
Para ilmuwan telah mengelompokkan tumor otak
berdasarkan lokasi dari tumor, tipe jaringan yang terlibat,
apakah itu termasuk sel kanker atau bukan. Tempat bermula
dan faktor-faktor lain yang terlibat. World Healthy
Organization (WHO) mengklasifikasikan tumor otak kedalam120 macam. Pengelompokkan ini dilakukan berdasarkan asal
sel tumor dan perilakunya dari yang tidak agresif hingga yang
paling agresif. Bahkan beberapa jenis tumor memiliki level
berkisar dari level I, dimana berarti tidak bersifat kanker (less
malignant/benign) hingga level IV yang berarti bersifat kanker
(more malignant ).
Tumor otak dibagi menjadi 2 macam berdasarkan letaknya,
yakni tumor otak utama dan sekunder. Tumor otak utamaadalah tumor yang berasal dari otak dan dinamai dengan namasel dimana dia berasal, mereka bisa bersifat kanker atau tidak.
Tumor yang tidak bersifat kanker (benign) pertumbuhannya
lambat dan jarang menyebar kemana-mana atau jarang
menjangkiti jaringan disekitarnya. Namun bagaimanapun juga
tumor tersebut meskipun tidak agresif dapat memberikan
tekanan pada otak yang dapat mempengaruhi kinerja otak[6].
Tumor agresif dapat tumbuh sangat cepat dan menyebar pada
jaringan lain, Setiap tumor-tumor ini memiliki karakteristik
unik tersendiri dalam hal klinis, radiografi, dan biologi. Tumor
otak sekunder adalah tumor yang berasal dari bagian tubuh lain
(bukan otak). Tumor ini terdiri dari sel kanker, berasal dari
suatu tempat di tubuh yang kemudian menyebar ke otak.Penyebab utama dari tumor otak sekunder ini adalah kanker
paru-paru, kanker payudara , melanoma, kanker ginjal, kanker
kandung kemih, certain sarcoma, testicular , dan sel tumor
germ.
2.4 Magnetic Resonance Image
MRI dikenal dengan nama Nuclear Magnetic Resonance
(NMR). Hal ini disebabkan prinsip dasar MRI bersumber pada pemanfaatan nucleus bermuatan positif atau proton yang
berinteraksi dengan gelombang radio didalam suatu medan
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
4/12
magnet yang sangat kuat. MRI merupakan alat kedokteran di
bidang pemeriksaan diagnostik radiologi yang dapat
menghasilkan rekaman gambar potongan penampang tubuhmanusia. MRI memiliki kemampuan menghasilkan gambaran
jaringan lunak secara axial , coronal dan sagittal tanpa merubah
posisi tubuh pasien [12].
Gambar 5. Pemindai MRI.
Tubuh manusia sebagian besar terdiri dari air yang
mengandung dua atom hidrogen dengan nomor atom ganjil.
Didalam inti atom hidrogen memiliki satu proton. Inti
hidrogen merupakan kandungan inti terbanyak dalam jaringan
tubuh manusia yaitu 1019 inti/ mm³ dan memiliki gaya
magnetik ( gyromagnetic) terkuat dibandingkan unsur lainnya.
Proton memiliki sifat yang hampir sama dengan sifat
sebuah magnet. Sebab proton merupakan suatu partikel yang bermuatan positif dan aktif melakukan putaran pada sumbunya
( spin) secara kontinu. Berdasarkan teori jika suatu muatan
listrik melakukan pergerakan maka disekitarnya akan timbul
gaya magnet dengan demikian dapat diibaratkan proton seperti
sebuah magnet yang kecil. Pada unsur dengan nomor atomgenap, proton-proton akan berpasang-pasangan sehingga efekmagnetiknya akan saling meniadakan. Karena tidak ada
magnetisasi pada unsur dengan nomor atom genap maka tidak
terdapat inti bebas sehingga akan sulit untuk dirangsang agar
terjadi pelepasan sinyal. Sebaliknya unsur dengan nomor atom
ganjil memiliki inti atom bebas yang akan menghasilkan
magnetisasi sehingga mudah untuk melakukan pelepasansinyal. Begitu pula dengan unsur selain hidrogen yang
memiliki nomor atom ganjil. Sehingga memungkinkan untuk
melakukan pengembangan pemeriksaan MRI pada jaringan
yang mengandung Natrium (11 proton dan 12 neutron ),
Phospor (15 proton dan 16 neutron ) dan Potassium ( 19
proton dan 20 neutron )[12].
Gambar 6. Pergerakan Precission Proton[12].
Prinsip dasar pemeriksaan MRI dapat dijelaskan secara
singkat sebagai berikut[2].
a. Struktur atom hidrogen (H) dalam tubuh manusia saat di
luar medan magnet berarah acak dan tidak membentuk
keseimbangan.
b. Saat diletakkan dalam alat MRI , atom H akan se-jajar
dengan arah medan magnet.
c. Saat diberikan Radio Frequency (RF), atom H akan
mengabsorsi energi dari RF . RF yang diberikan sesuai dengan
besar frekuensi Larmor yang besarnya berbanding lurus
dengan besar tetapan gyromagnetic suatu atom (H) dalam
suatu medan magnet.
d. Dengan bertambahnya energi, atom H akan mengalami
pembengkokan sesuai besar dan lama energi RF yangdiberikan.
e. Saat RF dihentikan, atom H akan sejajar kembali dengan
arah medan magnet. Pada saat kembali inilah, atom H akan
memancarkan energi yang dimilikinya.
f. Energi yang berupa sinyal tersebut dideteksi dengan
detektor yang khusus dan diperkuat. Selanjutnya komputer
akan mengolah dan merekonstruksi citra berdasarkan sinyal
yang diperolah dari berbagai irisan.
Proses terjadinya signal MRI yang berasal dari pasien
tersebut melalui 3 fase fisika yaitu : Fase Presesi
(Magnetisasi), Fase Resonansi dan Fase Relaksasi.
Fase Presisi
Telah diketahui inti sebuah atom terdiri dari neutron yang
tidak bermuatan ( netral ) dan proton yang bermuatan positif.
Proton-proton yang bersifat magnetik memiliki medan magnet
yang mengarah pada 2 kutub ( utara dan selatan ) mirip dengan
sebuah magnet kecil sehingga proton-proton dengan kutubnyatersebut lazim disebut “ Magnetic Dipole “. Dalam keadaan
normal proton-proton hydrogen dalam tubuh tersusun secara
acak sehingga tidak dihasilkan jaringan magnetisasi. Ketika pasien dimasukan kedalam medan magnet yang kuat dalam
pesawat MRI , magnetic dipole ( proton-proton ) tubuh pasien
akan searah ( parallel ) dan tidak searah (antiparallel ) dengan
kutub medan magnet pesawat. Selisih proton-proton yangsearah dan berlawanan arah amat sedikit dan tergantung
kekuatan medan magnet pesawat dan selisih inilah yang akanmerupakan inti bebas (tidak berpasangan) yang akan
membentuk jaringan magnetisasi. Dipole yang membentuk
jaringan magnetisasi tersebut cenderung dengan arah kurub
medan magnet pesawat MRI (B0) – dikenal juga dengan arah
longitudinal (Z axis). Jaringan magnetisasi itu sulit diukur
karena arah induksi magnetnya sama dengan arah induksimagnet pesawat, sehingga dibutuhkan perubahan arah induksi
magnet dari dipole-dipole tersebut dengan menggunakan
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
5/12
gelombang radio. Dipole – dipole selain terus melakukan spin
juga melakukan gerakan relatif. Gerakan relatif tersebut serupa
dengan gerakan permukan gasing ( spinning to toy) yangdisebut gerakan presesi. Frekuensi gerakan presesi tergantung
pada jenis atom dan kekuatan medan magnet luar yang
mempengaruhinya (kekuatan medan magnet pesawat MRI ).
Frekuensi presesi dapat dihitung berdasarkan rumus larmor
berikut ini :
WO = Y . BO
Dimana :
WO ( Omega Zerio ) = frekuensi presesi atau resonansi
magnetik ( 2,13 MHZ – 85 MHZ )
Y ( gamma ) = konstanta giromagnetik proton ( Hydrogen 42,8 MHZ/Tesla )
BO = kekuatan medan magnet ( Tesla )
Fase Resonansi
Mengetahui secara tepat frekuensi presesi proton-proton
sangat mutlak untuk menentukan besarnya frekuensi presesi
gelombang radio ( RF ) yang akan dipancarkan untuk mengubah
arah orientasi dipole yang membentuk jaringan magnetisasi.
Ketika proton-proton hydrogen mengalami 1 presesi, maka
proton-proton akan mudah menyerap energi luar. Pada saat
fase presesi itulah gelombang radio ( RF ) dipancarkan dan
proton-proton hydrogen akan menyerapnya dan mulai bergerak
meninggalkan arah longitudinal ( L direction) yang sejajar
dengan arah kutub magnet pesawat menuju kearah transversal
(Tegak lurus terhadap sumbu medan magnet pesawat) dan
menghasilkan magnetisasi transversal . Proton-proton yang
dapat dipengaruhi oleh gelombang radio hanyalah proton-
proton yang memiliki frekuensi presesi yang sama dengan
frekuensi gelombang radio. Fase dimana proton-proton bergerak meninggalkan sumbu longitudinal menuju arahtransversal disebut sebagai fase resonansi.
Fase Relaksasi
Ketika proton-proton hydrogen berada pada bidang
transversal , maka akan menginduksikan signal dalam bentuk
gelombang elektromagnetik (dikenal dengan MRI ) yang akan
diterima oleh sebuah kumparan (antenna) penerima disisi
pesawat MRI. Saat pancaran frekuensi radio dihentikan ( turnoff ) proton-proton secara perlahan lahan kehilangan energinya
dan mulai bergerak meninggalkan arah transversal (decay)
menuju kembali kearah longitudinal (recovery) sambil
melepaskan energi yang diserapnya dari gelombang radiodalam bentuk gelombang elektromagnetik yang dikenal
sebagai signal MRI , fase ini disebut fase relaksasi.Fase relaksasi dibagi menjadi T1 dan T2. T1 didefenisikan
sebagai waktu yang diperlukan proton-proton hydrogen sekitar
63% telah berada kembali dalam arah longitudinal
(magnetisasi longitudinal ). T1 mencerminkan tingkat transfer
energi frekuensi radio ( RF ) dari proton-proton keseluruh
jaringan sekitar (Tissue-Lattice) sehingga T1 biasa puladikenal; istilah “Spin Lattice-Relaxation”, dimana besar T1
tergantung pada konsentrasi dan kepadatan proton serta
struktur kimiawi dari materi jaringan yang diperiksa
( Macromolecul Environment ). Jika T1 makin lama maka
diperoleh signal yang makin besar.Ketika pemberian gelombang radio 900 (memutar proton-
proton ke arah transversal ) diperoleh signal dari arah
transversal maksimum. Namun ketika RF 900 dihentikan
magnetisasi transversal yang memancarkan signal awal
maksimum berangsur angsur mulai berkurang ( Decay).
Awalnya presesi proton-proton berada dalam laju dan arahyang sama ( fase yang sama) namun secara perlahan satu sama
lain keluar dari fase yang satu tersebut ( Dephasing ) disebabkan
terjadinya interaksi antara satu proton dengan proton lain
disekitarnya ( spin-spin interaction). Interaksi spin-spin
merupakan suatu mekanisme tambahan yang dikonstribusikan
oleh kenyataan bahwa medan magnetik eksternal dari pesawat
MRI tidak betul-betul seragam (homogen) sehingga
menghasilkan magnetisasi proton-proton lokal yang tidak
homogen (local inhomogeneity). Local inhomogeneity
meningkatkan interksi spin-spin dan mempercepat dephasing
sehingga mempercepat penurunan besarnya signal ( signal
decay) ke nilai nol. Hal ini berarti terdapat adanya signal yang
hilang (loss of signal ). Waktu yang diperlukan proton-proton
dari keadaan magnetisasi transversal berkurang hingga sekitar
37 % saja dan ini merupakan nilai T2 yang sebenarnya.
Kehilangan signal yang diakibatkan oleh medan magnetik
lokal yang tidak homogen tersebut, menutupi nilai T2 yangsebenarnya. Nilai T2 yang diakibatkan oleh adanya medan
magnetik yang tidak homogen diberi simbol T2*. Medan
magnetik lokal yang tidak homogen mengakibatkan terjadinya
gerakan presesi proton-proton yang tidak seragam (acak)
sehingga menyebabkan terjadinya saling interaksi diantara
mereka dengan demikian tidak ada signal yang terdeteksisehingga seolah olah ada kehilangan signal (loss of signal ).
Hadirnya T2* mempercepat signal menuju ke nol, oleh karena
itu prosedur pemeriksaan MRI salah satunya adalah
mengurangi atau menghilangkan efek T2*, sehingga diperileh
nilai T2 yang sebenarnya. Jika nilai T2 besar maka signal yang
dihasilkan juga besar. Jadi proses dephasing diakibatkan olehhasil interaksi spin-spin yang sebenarnya dan interaksi spin-
spin akibat medan magnet yang tidak homogen ( T2*).
Dari fase relaksasi T1 dan T2 terbentuk kontras citra yang
berbeda, dimana fase T1 menghasilkan citra MR T1-weighted
dan fase relaksasi T2 menghasilkan citra MR T2-weighted .
(a) (b)
Gambar 7. Citra Magnetic Resonance; (a) T1-weighted, (b)
T2-weighted[13].
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
6/12
III. PEMBAHASAN
Algoritma segmentasi citra medis khususnya citra Magnetic
Resonance (MR) telah banyak berkembang dan beragam
macamnya. Dalam paper ini akan dibahas hasil penelitian
terdahulu dari implementasi dan pengujian algoritma-algoritmasegmentasi dengan merujuk pada paper-paper penelitian dalam
lingkup yang terkait.
3.1 K-means clustering - Support Vector Machine
Penggabungan antara metode segmentasi K-means
clustering dengan Support Vector Machine (SVM), penelitian
dilakukan oleh [14], langkah-langkah segmentasi yang
dilakukan yakni pertama menggunakan algoritma K-means
clustering untuk mendapatkan hasil inisialisasi klasifikasi
sebagai label kelas, kemudian kedua atribut/ciri vektor dari
setiap pixel dari jaringan lunak otak dipilih sebagai contoh
pelatihan dan contoh pengetesan, dan langkah terakhir
segmentasi menggunakan algoritma SVM [14].
Pengujian dilakukan terhadap citra MR T1-w dengan
tingkat derau/noise yakni 5%, 7%, dan 9%. Hasil dari penelitian dari metode yang diajukan/diteliti dilakukan
komparasi dengan metode K-means clustering saja tanpa SVM .
Disimpulkan bahwa metode K-means clustering dengan SVM
memberikan hasil yang lebih baik dibandingkan dengan
menggunakan metode K-means saja.
Gambar 8. Hasil Perbandingan Metode yang Dipilih
dengan metode K-means Clustering[14].
(a) (b)
(c) (d)
Gambar 9. (a) Citra simulasi, (b) Citra referensi, (c)
Segmentasi K-means clustering, (d) Segmentasi metode yang
diajukan[14].
3.2 Hybrid Intellegent Algorithm Fuzzy Hopfield Neural Network
Fuzzy Hopfield Neural Network merupakan gabungan dari
metode Fuzzy C-means Clustering dengan metode Hopfield
Neural Network. Metode ini diajukan oleh [15] merupakan
metode yang memungkinkan untuk melakukan pembelajaransecara online dan implementasi paralel dalam segmentasi citra.
Penelitian yang mereka kerjakan tidak terfokus hanya pada
segmentasi citra namun juga pada deteksi kelainan otak.Langkah-langkah yang mereka lakukan dapat diurutkan
sebagai berikut,
1. Reduksi derau (noise) pada citra dengan menggunakan
metode "local entropy minimization with a bicubic spline" dan
" anisotropic diffusion filter ".
2. Deteksi kelainan (tumor) dengan metode analisis simetri
3. Segmentasi citra menggunakan metode Fuzzy Hopfield
Neural Network.
Data/citra eksperimen yang disediakan terdiri dari citra MR
T1-w dan T2-w dengan rincian,
1. Citra MR otak bertumor asli dari Pioneer Diagnostic
Center (PDC), Addis Ababa, Ethiopia
2. Citra MR otak sehat asli dari Internet BrainSegmentation Repository (IBSR).
3. Citra MR bertumor dalam bentuk simulasi.
Hasil segmentasi dari penelitian mereka disajikan sebagai
berikut.
a)
b)
c)
Gambar 10. Hasil Segmentasi Menggunakan Citra
Simulasi. Baris (a),(b),dan(c) ; kolom berurutan dari kiri ke
kanan : Citra T2-w, Citra T1-w, Citra segmentasi metode yang
diajukan, Citra segmentasi dasar, Citra ekstraksi dengan
metode yang diajukan, Citra ekstraksi dari segmentasi
dasar [15].
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
7/12
a)
b)
c)
d)
Gambar 11. Hasil dari segmentasi dan ekstraksi citra MR
otak bertumor asli. Dari kiri ke kanan, tiga kolom pertama ;
Citra dari pasien A. (a) Citra T2-w, (b) Citra T1-w, (c) Citra
segmentasi metode yang diajukan, (d) Ekstraksi dari citra yang
tersegmen; tiga kolom terkahir merepresentasikan citra MR
pasien B[15].
Hasil quantitatif dari metode segmentasi yang diajukan
diperbandingkan dengan segmentasi dasar, divalidasi dengan
metode umum validasi metrik yakni Jaccard Similarity Index
(JSI), Dice Similarity Score(DSS), Sensitivity dan Specificity.
Gambar 12. Hasil Validasi Segmentasi Dasar dengan
Segmentasi yang diajukan[15].
3.3 SOM-clustering (Self Organizing Maps)
SOM adalah teknik pengklusteran yang digunakan untuk
melakukan segmentasi secara tidak tertuntun (unsupervised ).Penelitian segmentasi dengan metode SOM telah dilakukan
oleh [16]. Sama seperti penelitian yang dilakukan oleh [15],
peneltian tidak hanya terfokus pada segmentasi namun juga
reduksi derau dan klasifikasi. Fase-fase yang dilakukan dapat
diurukan sbb.
1. Konstruksi histogram
2. Ekstraksi fitur-fitur
3. Clustering
4. Segmentasi
5. Ekstraksi fitur tekstur menggunakan GLCM (Gray Level
Co- occurrence Matrix)
6. Pemilihan fitur menggunakan PCA (Principal
Component Analysis)
7. Klasifikasi menggunakan PSVM (Proximal Support
Vector Machines)
Fase clustering dan segmentasi yang akan disinggung
dalam paper ini.
Gambar 13. Proses Segmentasi[16].
Dari penelitian yang dilakukan tidak disajikan penilaian
dari metode segmentasi yang diajukan, namun hasil yangdisajikan lebih bersipat umum untuk seluruh proses. Dataset
yang diolah hanya terdiri dari citra T1-w, sumber data berasal
dari Internet Brain Segmentation Repository (IBSR) dari
Massachusetts General Hospital.
Gambar 14. Hasil perbandingan metode yang diajukan
dengan metode lainnya[16].
3.4 Threshold - Neural Network
Penelitian dengan algoritma ini telah dilakukan oleh[17],
namun dalam penelitian mereka algoritma neural network
digunakan untuk proses klasifikasi nantinya, jadi untuk proses
segmentasi hanya menggunakan algoritma thresholding . Salah
satu teknik thresholding adalah mempartisi histogram dengan
menggunakan sebuah threshold global T. Segmentasi
dilakukan dengan memeriksa piksel demi piksel dari citra dan
memberikan label pada setiap piksel sebagai objek atau sebagaibackground , tergantung pada tingkat keabuan dari piksel
tersebut, apakah lebih besar atau lebih kecil dari T [18].Teknik threshold tersebut diajukan dalam penelitian[18].
Dataset yang diolah dalam penelitian [17] adalah citra T1-w
sedangkan dalam penelitian [18] tidak disebutkan informasi
mengenai dataset yang dipakai.
Hasil segmentasi dari metode Threshold disajikan berikut,
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
8/12
(a) (b) (c)
(d) (e)
Gambar 15. Segmentasi menggunakan algoritma
threshold; (a) Gambar asli, (b) Penghapusan tengkorak, (c)
Segmentasi WM, (d) Segmentasi GM, (e) Segmentasi CSF [17].
3.5 Sobel Operator and Maximum Entropy Algorithm
Gabungan dari metode Sobel Operator dan Maximum
Entropy. Penelitian mengenai metode ini telah dilakukan oleh
[4], tujuan dari penelitian mereka seperti yang disinggung
dalam abstraksi paper mereka yakni berfokus pada masalah
akurasi dalam segmentasi sobel, dimana metode segmentasi
sobel tradisional mudah menyebabkan ketidakjelasan pada
citra, kontras citra tidak tampak, dan akurasi segementasi
sangat rendah [4]. Langkah-langkah segmentasi yang
dilakukan yakni, pertama citra diolah oleh algoritma Sobel
edge detection untuk menemukan garis yang benar yang
melalui threshold kemudian setelah itu langkah kedua
menerapkan nilai yang didapat dari algoritma sobel sebagaimasukkan untuk algoritma segmentasi 2-d maximum entropy.
Contoh penerapan segmentasi, hasil dan perbandingannya
disajikan dalam gambar 15 dan 16.
(a) Citra asli (b) Segmentasi Wavelet
(c) Segmentasi Sobel (d) Segmentasi Maximum Entropy
(e) Segmentasi Canny (f) Segmentasi metode yang dajukan
Gambar 16. Perbandingan metode segmentasi yangdiajukan dengan metode segmentasi lainnya[4].
Gambar 17. Perbandingan Secara Kuantitatif [4].
Keterangan gambar 13 :
1. Untuk nilai PNSR/dB >= 38 dB, maka mata manusia
tidak akan bisa membedakan diantara dua gambar. Semakin
besar nilainya maka semakin tinggi qualitas citra.
2. Time, merupakan konsumsi waktu
3. NC (Normalized related Coefficient) digunakan untuk
mengevaluasi algoritma segmentasi citra.
3.6 Semi-MriMOO - AMOSA
Merupakan teknik segmentasi semi tertuntun ( semi-
supervised ). Penelitian atas algoritma ini diajukan oleh [19],
teknik yang diajukan ini menggunakan nilai intensitas dari
pixel dari citra sebagai fitur. Ditambah juga teknik ini
mengasumsikan bahwa informasi aktual kelas label dari 10%
nilai dari fakta-fakta data set citra diketahui.
Dataset citra yang dipakai dalam penelitian tersebut
menggunakan citra simulasi normal dari otak T1-w, T2-w, dan
Proton Density. Kemampuan dari teknik yang diajukan
diperbandingkan dengan beberapa metode segmentasi terkenalyakni Fuzzy C-means, Expectation Maximization (EM),
Multiobjective based MCMOClust, dan Fuzzy-VGAPS
Clustering.
Gambar 18. Perbandingan Kemampuan[19].
Keterangan :
AC berarti Aktual
MS Minkowski Indeks
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
9/12
(a) (b) (c)
(d) (e)
Gambar 19. Citra normal MR Otak (T1-w) ; (a) z,. (b) z2,
(c) z5, (d) z10, (e) z36 [19].
(a) (b) (c)
(d) (e)
Gambar 20. Segmentasi Citra oleh algoritma yang
diajukan Semi-MriMOO ; (a) z1, (b) z2, (c) z5, (d) z10, (e) z36
[19].
3.7 Modified Spatial Fuzzy C-Means
Algoritma Modified SFCM ini diajukan dalam penelitian
[20]. Penelitian mereka berfokus pada segmentasi jaringan
lunak normal yakni White Matter (WM), Gray Matter (GM),
dan Cerebrospinal Fluid (CSF). Sebelum melakukan
segmentasi dilakukan dahulu reduksi derau (noise) dengan
metode wrapping based curvelet transform, kemudian citra
keluaran dari metode de-noise tersebut menjadi masukkan
untuk proses segmentasi dengan memanfaatkan algortima Modified Spatial Fuzzy C-Means. Metode segmentasi M-
SFCM ini melakukan segmentasi pada jaringan lunak normal
dengan mempertimbangkan/menyertakan informasi spasial,
pixel tetangga memiliki keterikatan/keterhubungan yang tinggi.
Dataset citra yang digunakan citra MR T1-w dengan tingkat
derau Rician sebesar 1 %, 3%, 5%, 7%, 9% dan tingkat artifak
INU (Intensity Non-Uniformity) sebesar 20%, 40%.
(a)
(b)
(c)
Gambar 21. Perbandingan Citra dari kiri ke kanan, Citra
Normal dengan derau 1% dan INU 20%, Citra segmentasi
SFCM, Citra segmentasi M-SFCM ; (a) White Matter, (b) Gray
Matter, (c) Cerebrospinal Fluid [20].
Gambar 22. Perbandingan kuantitatif segmentasi citra
dengan derau 1% dan INU 20%[20].
Gambar 23. Perbandingan kuantitatif segmentasi citra
dengan derau 9% dan INU 40%[20].
Penelitian yang serupa, algoritmanya sama namun dengan
nama yang berbeda yakni Optimized Fuzzy Logic oleh [21],
konsepnya hampir sama yakni menggunakan algoritma Fuzzy
C-means dengan memanfaatkan informasi spasial. Dikatakan
bahwa dalam penelitiannya digunakan algoritma Fuzzy C-
Means yang menggabungkan informasi spasial ke dalam fungsi
keanggotaan untuk pengklusteran. Manfaat dari teknik ini
yakni lebih kurang sensitif terhadap derau dibandingkan
dengan algoritma lainnya[21]. Dataset citra yang digunakan
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
10/12
yakni citra normal T2-w dengan ukuran 256x256 dan citra
tumor glioma T2-w dengan ukuran yang sama.
(a) (b)
Gambar 24. Perbandingan Citra Asli normal dengan
Segmentasi; (a) Citra asli, (b) Citra segmentasi[21].
(a) (b)
Gambar 24. Perbandingan citra asli tumor glioma dengan
Segmentasi; (a) Citra asli, (b) Citra segmentasi[21].
3.8 Konventional K-means, ExpectationMaximization(EM), Spatial Fuzzy C-means.
Penelitian terhadap ketiga algoritma segmentasi citra diatas
dilakukan oleh [22]. Mereka melakukan studi komparasi
terhadap ketiga algoritma tersebut, proses pengujian dilakukan
dengan menggunakan dataset 5 citra berupa citra MR T1-w dengan ukuran 165x175 pixel .
Gambar 25. Hasil perbandingan ketiga algoritma[22].
Performansi dari ketiga algoritma dievaluasi denganmenggunakan kriteria evaluasi segmentasi objektif berdasarkan
Jaccard Index (JC), Volumetric SImilarity (VC), Global
Consistency Error (GCE), Variation Of Index (VOI), dan
Probability Random Index (PRI). Kesimpulan dari penelitian
mereka, menyatakan bahwa Spatial Fuzzy C-Means memiliki
akurasi yang bagus dalam semua kasus pengujian dan lebih
cepat daripada metode K-Means dan Maximization.
III KESIMPULAN
Dalam bidang analisis citra medis telah berkembang pesat
metode, algoritma, skema, serta teknik yang mengarahkankepada keberhasilan proses analisis. Nilai ukur keberhasilan
suatu metode maupun algoritma atau skema juga teknik dapat
dilihat dari seberapa akurat hasil yang didapat, seberapa kuat
nilai kebenarannya, kemudahan dalam implementasi,
kecepatan proses, dan harga. Dalam paper ini tersaji metode
analisis citra pada tahap preprocessing yang telah dilakukanoleh peneliti-peneliti. Semua metode yang disinggung memiliki
tingkat keberhasilan yang bagus.
IV REFERENSI
[1] M. Y. Choong, W. Y. Kow, Y. K. Chin, L. Angeline,
and K. T. K. Teo, “Image segmentation via
normalised cuts and clustering algorithm,” Proc. -
2012 IEEE Int. Conf. Control Syst. Comput. Eng.
ICCSCE 2012, pp. 430 – 435, 2013.
[2] I. Soesanti, A. Susanto, T. Widodo, and M.
Tjokronagoro, “Ekstraksi Ciri dan Identifikasi Citra
Otak MRI Berbasis Eigenbrain Image,” Forum Tek.,vol. 34, no. 1, pp. 47 – 52, 2011.
[3] H. B. Nandpuru, S. S. Salankar, and V. R. Bora, “MRIBrain Cancer Classification Using Support Vector
Machine,” Electr. Electron. Comput. Sci. (SCEECS),
2014 IEEE Students’ Conf. IEEE., pp. 1 – 6, 2014.
[4] H. Zhang, Q. Zhu, and X. F. Guan, “Probe into image
segmentation based on sobel operator and maximum
entropy algorithm,” Proc. - 2012 Int. Conf. Comput.
Sci. Serv. Syst. CSSS 2012, pp. 238 – 241, 2012.
[5] M. S. H. Al-Tamimi and G. Sulong, “Tumor brain
detection through MR images: A review of literature,” J. Theor. Appl. Inf. Technol., vol. 62, no. 2, pp. 387 –
403, 2014.
[6] K. Machhale et al., “MRI Brain Cancer Classification
Using Hybrid Classifier ( SVM- KNN ),” Int. Conf.
Ind. Instrum. Control , pp. 60 – 65, 2015.
[7] I. Hestiningsih, “Pengolahan Citra,” Bandung, 2013.
[8] P. A. Cahyan, M. Aswin, and A. Mustofa,
“Segmentasi Citra Digital dengan Menggunakan
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
11/12
Algoritma Watershed dan Lowpass Filter Sebagai
Proses Awal,” pp. 1 – 6, 2013.
[9] A. Z. Arifin and A. Asano, “Image segmentation by
histogram thresholding using hierarchical cluster
analysis,” Pattern Recognit. Lett., vol. 27, no. 13, pp.
1515 – 1521, 2006.
[10] C. Noback, N. Strominger, R. Demarest, and D.Ruggiero, The Human Nervous System Structure and
Function, 6th ed. Totowa, New Jersey: Human Press
Inc, 2005.
[11] R. Balakrishnan and S. G, “Brain Tumor Diagnosis
From MRI Feature Analysis – A Comparative Study,”
IEEE Spons. 2nd Int. Conf. Innov. Inf. Embed.
Commun. Syst. ICIIECS ’ 15, pp. 1 – 4, 2015.
[12] H. Tjahjadi, “Magnetic Resonance Imaging,” pp. 1 – 7,
2012.
[13] M. R. Zaky, R. M. Shaat, S. R. El-Bassiony, A. A.
Abdel Razek, and S. M. Farag, “Magnetic resonance
imaging (MRI) brain abnormalities of
neuropsychiatric systemic lupus erythematosus
patients in Mansoura city: Relation to disease
activity,” Egypt. Rheumatol., Nov. 2015.
[14] J. Liu and L. Guo, “A New Brain MRI Image
Segmentation Strategy Based on K-means Clustering
and SVM,” 2015 7th Int. Conf. Intell. Human-
Machine Syst. Cybern. A, pp. 270 – 273, 2015.
[15] Y. Megersa and G. Alemu, “Brain Tumor Detection
and Segmentation Using Hybrid Intelligent
Algorithms,” IEEE , pp. 1 – 8, 2015.
[16] K. B. Vaishnavee and K. Amshakala, “An AutomatedMRI Brain Image Segmentation and Tumor Detection
using SOM-Clustering and Proximal Support Vector
Machine Classifier,” IEEE Int. Conf. Eng. Technol.
2015, pp. 1 – 6, 2015.
[17] K. J. Shanthi, M. S. Kumar, and C. Kesavadas,“ Neural Network Model for Automatic Segmentation
of Brain MRI,” IEEE , pp. 1125 – 1128, 2008.
[18] H. S. Abdulbaqi, A. F. Omar, I. Shahrim Bin Mustafa,
M. Z. M. Jafri, and L. K. Abood, “Detecting Brain
Tumor in Magnetic Resonance Images Using Hidden
Markov Random Fields and Threshold Techniques,” IEEE , pp. 1 – 5, 2014.
[19] A. K. Alok, S. Saha, and A. Ekbal, “MR Brain Image
Segmentation Using Muti-objective Semi-supervised
Clustering,” IEEE , pp. 0 – 4, 2015.
[20] D. Selvathi and R. Dhivya, “Segmentation of tissues
in MR images using Modified Spatial Fuzzy C Means
algorithm,” Signal Process. Image Process. Pattern
Recognit. (ICSIPR), 2013 Int. Conf., pp. 136 – 140,
2013.
[21] I. Soesanti, A. Susanto, T. S. Widodo, and M.
Tjokronagoro, “Optimized Fuzzy Logic Based
Segmentation for Abnormal MRI Brain Images
Analysis,” Int. J. Comput. Sci. Issues, vol. 8, no. 5, pp.
207 – 213, 2011.
[22] R. Reddy, E. V Prasad, and L. S. S. Reddy,“Comparative Analysis of Brain Tumor Detection
using Different Segmentation Techniques,” Int. J.
Comput. Appl., vol. 82, pp. 14 – 28, 2013.
8/17/2019 Review Paper - Seminar 1 Cepi Ramdani 10144
12/12
Top Related