KEPUTUSAN DAN PERBINCANGAN
4.4 Keputusan Pengekstrakan Ciri-ciri Morfologi
4.4.2 Keputusan Pengekstrakan Ciri-ciri Morfologi Sel Kelompok
4.4.2 Keputusan Pengekstrakan Ciri-ciri Morfologi Sel Kelompok
Selain daripada data ciri morfologi, maklumat jumlah bilangan sel bagi setiap sampel imej FNAC juga adalah penting untuk digunakan dalam sesetengah kaedah diagnosis barah payudara. Seperti yang telah dinyatakan dalam Bab 2 yang lepas, kaedah diagnosis barah yang melibatkan pembangunan histogram DNA misalannya memerlukan maklumat jumlah bilangan sel ini. Oleh itu, selain daripada algoritma bagi pengekstrakan ciri morfologi, penyelidikan ini juga secara tidak langsung mencadangkan algoritma bagi pengiraan jumlah bilangan sel dalam setiap imej FNAC yang mengandungi sel berkelompok. Sekiranya bilangan sel yang dikesan adalah 1, maka imej yang dikaji merupakan imej sel tunggal seperti yang ditunjukkan dalam Rajah 4.54 berikut:
Rajah 4.54: Contoh paparan antaramuka pengekstrakan data morfologi imej FNAC sel tunggal
Walaubagaimanapun, sekiranya bilangan sel yang dikesan melebihi 1, maka imej yang dikaji adalah imej sel kelompok. Berbeza dengan penyelidikan-penyelidikan yang lepas, biasanya penjumlahan bilangan sel dilakukan melalui konsep jarak Euclidean, namun dalam penyelidikan ini pendekatan yang digunakan adalah menerusi konsep kejiranan iaitu algoritma NPS seperti yang telah dinyatakan pada Bahagian 3.5 dalam bab yang lepas. Rajah 4.55 hingga Rajah 4.57 berikut menunjukkan contoh-contoh paparan antaramuka komponen bantuan yang dibina berjaya mengesan jumlah bilangan sel yang terkandung dalam imej FNAC bagi sel berkelompok.
Rajah 4.55: Contoh 1 paparan antaramuka pengekstrakan data morfologi imej FNAC sel berkelompok
Rajah 4.56: Contoh 2 paparan antaramuka pengekstrakan data morfologi imej FNAC sel berkelompok
Rajah 4.57: Contoh 3 paparan antaramuka pengekstrakan data morfologi imej FNAC sel berkelompok
Berdasarkan Rajah 4.54 hingga Rajah 4.57 di atas, dapat diperhatikan algoritma NPS berjaya mengira jumlah bilangan sel yang terkandung dalam imej FNAC dengan tepat. Setelah bilangan sel dikesan melebihi daripada 1 sel, proses pengekstrakan data ciri-ciri morfologi seterusnya dijalankan ke atas setiap sel dalam sel kelompok imej tersebut. Teknik-teknik yang sama seperti aplikasi ke atas sel tunggal yang lepas digunakan. Cuma bezanya pada peringkat ini, setiap data morfologi yang diekstrak masing-masing mengandungi maklumat tambahan seperti nilai purata, varians dan sisihan piawai. Bagi melaksanakan tujuan penilaian ini, sebanyak 50 sampel imej yang mengandungi sel kelompok dipilih untuk dianalisis. Di mana 40 imej daripadanya adalah terdiri daripada sel benigna dan selebihnya 10 imej adalah terdiri
daripada sel malignan. Nilai bagi setiap data morfologi automatik yang diperolehi disenaraikan secara terperinci dalam Jadual B.1 hingga Jadual B.5 pada Lampiran B di akhir bahagian tesis ini.
Berdasarkan data-data yang diperolehi, 10 sampel set data automatik yang diperolehi dipilih secara rawak untuk dibandingkan dengan set data manual. Bagi menguji tahap keupayaan teknik-teknik yang dicadangkan, ujian korelasi dilaksanakan sekali lagi ke atas data-data morfologi sampel-sampel tersebut. Semua keputusan ujian korelasi yang diperolehi ditunjukkan seperti dalam Jadual 4.8 berikut:
Jadual 4.8: Keputusan ujian korelasi di antara data automatik dan data manual bagi 10 sampel imej sel kelompok
Jenis data korelasi Nilai korelasi yang diperolehi
Perimeter
Jadual 4.8: Sambungan
Jenis data korelasi Nilai korelasi yang diperolehi
NPM varians ketumpatan optik juga menunjukkan tahap hubungan lelurus yang tinggi iaitu melebihi nilai 0.82. Manakala data-data morfologi yang lain secara keseluruhannya menunjukka tahap hubungan lelurus yang sederhana. Merujuk kepada keputusan pada jadual tersebut, nilai korelasi yang diperolehi terbahagi kepada dua bahagian iaitu nilai positif dan negatif. Nilai hubungan lelurus yang positif menunjukkan nilai set data automatik yang berkadar langsung dengan set data manual. Ini bermakna, apabila nilai data automatik meningkat, maka nilai data manual juga turut meningkat dan sebaliknya. Manakala, nilai hubungan lelurus yang negatif menunjukkan nilai set data automatik yang berkadar songsang dengan set data manual.
Secara keseluruhannya, teknik-teknik pemprosesan imej yang dikaji dan dicadangkan juga mampu mengekstrak ciri-ciri morfologi bagi sel kelompok yang terkandung dalam imej FNAC.
4.5 Ringkasan
Bab ini memaparkan semua keputusan bagi teknik-teknik pemprosesan berautomatik yang dikaji dan dicadangkan bagi mengekstrak ciri-ciri morfologi daripada imej-imej FNAC.
Berdasarkan hasil keputusan yang telah dibentangkan, beberapa kesimpulan dapat dibuat. Tiga teknik prapemprosesan imej telah dikaji dan dilaksanakan ke atas imej FNAC iaitu teknik peningkatan kontras, teknik pemprosesan paras kelabu dan teknik penapisan hingar.
Berdasarkan keputusan pada Bahagian 4.2.1, teknik penyebaran kontras setempat linear telah dikenalpasti sebagai teknik yang paling sesuai digunakan untuk meningkatkan kontras imej FNAC secara automatik. Seterusnya, aplikasi teknik prapemprosesan imej diteruskan lagi dengan proses penukaran imej berwarna kepada imej paras kelabu. Berdasarkan hasil keputusan kajian yang telah dibentangkan pada Bahagian 4.2.2, imej paras kelabu 8-bit dikenalpasti merupakan imej paras kelabu yang paling optimum, jelas dan sekata ke atas imej-imej yang dikaji.
Pada Bahagian 4.2.3 hingga 4.3.1, keputusan teknik penapisan hingar yang dicadangkan terhadap proses peruasan menunjukkan proses penapisan hingar median dengan elemen pengstrukturan berbentuk oktagon dan saiz tetingkap penapis 7x7 sesuai digunakan. Teknik ini dikenalpasti berjaya memberikan hasil keputusan yang terbaik dan perlu dijalankan terlebih dahulu sebelum menjalani proses peruasan. Ini adalah penting bagi mengekalkan maklumat morfologi asas yang terkandung pada sel imej seperti luas kawasan, perimeter dan keamatan paras kelabu piksel sel nukleus.
Dalam bahagian keputusan teknik peruasan imej, teknik peruasan menggunakan algoritma AVPPP yang dicadangkan telah menunjukkan keupayaan yang tinggi untuk meruas kawasan nukleus. Manakala algoritma RGBAVPPP yang dicadangkan pula dikenalpasti mampu mengesan pinggir nukleus sahaja dengan baik tanpa kewujudan pinggir-pinggir yang lain.
Bukan itu sahaja, stuktur pinggir yang dibina juga adalah lebih halus, licin dan bersambungan menyebabkan ukuran perimeter nukleus yang sebenar dapat dikekalkan.
Bahagian 4.4 menunjukkan keputusan pengekstrakan ciri-ciri morfologi ke atas dua jenis imej iaitu imej yang mengandungi sel tunggal dan sel-sel berkelompok. Sebanyak 13 ciri morfologi telah berjaya diekstrak daripada imej-imej FNAC yang mengandungi sel tunggal. Manakala sebanyak 40 ciri morfologi pula diekstrak daripada imej-imej yang mengandungi sel-sel berkelompok. Bagi mengenalpasti imej-imej yang mengandungi sel-sel berkelompok ini, algoritma NPS yang berasaskan konsep piksel kejiranan secara tidak langsung telah diperkenalkan. Hasil keputusan ujian korelasi yang diperolehi menunjukkan sebanyak 9 daripada keseluruhan 13 jenis data korelasi yang diekstrak daripada imej-imej sel tunggal mempunyai hubungan lelurus yang kuat iaitu melebihi 0.8. Manakala bagi imej sel berkelompok pula, 11 daripada 40 jenis data korelasi yang diekstrak mempunyai hubungan lelurus yang kuat. Manakala selebihnya pula kebanyakannya berada pada tahap hubungan lelurus yang sederhana.
Secara keseluruhannya, semua hasil keputusan yang dibentangkan dalam Bab 4 ini menunjukkan bahawa teknik-teknik pemprosesan berautomatik yang dikaji berjaya mengekstrak ciri-ciri morfologi imej FNAC dengan baik.
BAB 5