LAPORAN AKHIR
PENELITIAN HIBAH BERSAING
AKSELERASI ALGORITMA MARCHING CUBE MENGGUNAKAN GENERAL PURPOSE GRAPHICAL PROCESSING UNIT (GPGPU) UNTUK MEMBANGUN
PENCITRAAN MEDIS 3D
Tahun ke 2 dari rencana 2 tahun
TIM PENGUSUL Ketua :
Candra Irawan, M.Kom NIDN : 0628057201
Anggota :
Fajar Agung Nugroho, M.CS NIDN : 0611048402 Erika Devi Udayanti, M.CS NIDN : 0620118701 dr. Indri Hapsari Putri NPA IDI : 1304.121123
UNIVERSITAS DIAN NUSWANTORO SEMARANG
2014
BIDANG ILMU : KOMPUTER/ MEDIS
2
HALAMAN PENGESAHAN
1. Judul Penelitian : Akselerasi Algoritma Marching
Cube Menggunakan GPGPU untuk Membangun Pencitraan Medis 3D 2. Ketua Penelitian
a. Nama Lengkap : Candra Irawan, M.Kom b. Jenis Kelamin : Laki- laki
c. NIP : 0686.11.1995.076
d. Jabatan Fungsional : Lektor
e. Fakultas/ Jurusan : Ilmu Komputer/ Teknik Informatika f. Pusat Penelitian : LPPM Universitas Dian Nuswantoro g. Alamat : Jl. Nakula I no. 5-11 Semarang h. Telpon/ fax : (024) - 3517261
i. Alamat Rumah : Griya Lestari Blok A3/7 Semarang j. Telpon/Faks/E-mail : 024-8662764 / 08122834112 3. Jangka Waktu Penelitian : 2 tahun
4. Pembiayaan
a. Jumlah biaya yang diajukan ke Dikti (Total) : Rp 137.000.000 b. Jumlah biaya tahun ke 1 : Rp 68.000.000 Jumlah biaya tahun ke 2 : Rp 69.000.000
Semarang, 25 November 2013 Mengetahui,
Dekan Fakultas Ilmu Komputer Ketua Peneliti,
Universitas Dian Nuswantoro
(Dr. Abdul Syukur) (Candra Irawan, M.Kom)
NPP. 0686.11.1992.017 NPP. 0686.11.1995.076
Menyetujui, Kepala Pusat Penelitian
(Juli Ratnawati, SE, M.Si) NPP. 0686.11.2000.193
3 RINGKASAN
Akselerasi dari algoritma Marching Cube pada rekonstrusi citra medis 2dimensi (2D) ke dalam citra medis 3 dimensi (3D) telah berhasil dilakukan. Akselerasi dilakukan dengan membangun paralelisasi terhadap algoritma marching cube pada GPGPU dengan mengimplementasikan CUDA programming technology. Target jangka panjang yang ingin dicapai dari penelitian ini yaitu diimplementasikannya visualization tool rekonstruksi citra medis 3D sebagai alat bantu penyedia informasi bagi ahli medis dalam melakukan diagnosa penyakit pasien.
Dasar dilakukannya penelitian ini adalah rekonstruksi citra medis 2D ke dalam citra medis 3D. Proses rekonstruksi citra 3D cukup memakan waktu (time consuming) dan kinerja processor. Sedangkan kemampuan hardware komputer terus meningkat hingga dapat
digunakan untuk komputasi umum (general purpose), sehingga dari kelebihan inilah dimanfaatkan untuk menyelesaikan masalah time consuming yang ada pada proses rekonstruksi citra medis 3D.
4
PRAKATA
Dengan memanjatkan puji syukur kehadirat Allah SWT, karena dengan rahmat, hidayah, dan karuniaNya telah memperkenankan penulis untuk menyelesaikan laporan kemajuan penelitian Hibah Bersaing (HIBER) yang berjudul “Akselerasi Algoritma Marching Cube dengan GPGPU untuk Membangun Pencitraan Medis 3D”.
Selama melaksanakan penelitian ini, banyak sekali bantuan dan dukungan yang telah diperoleh. Untuk itu pada kesempatan ini, penulis bermaksud mengucapkan terima kasih kepada beberapa pihak yang diantaranya adalah :
1. Bapak Dr. Ir. Edi Noersasongko, M.Kom selaku rektor Universitas Dian Nuswantoro Semarang.
2. Ibu Juli Ratnawati, SE, M.Si selaku Kepala Pusat Penelitian Universitas Dian Nuswantoro Semarang.
3. Bapak Dr. Abdul Syukur,Drs, MM selaku Dekan Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang.
4. Rekan- rekan dosen Fakultas Ilmu Komputer Udinus yang telah berbagi ilmu dalam menjalankan penelitian.
Sungguh penelitian hibah bersaing ini bukanlah tanpa kelemahan, untuk itu kritik dan saran yang bersifat konstruktif sangat diharapkan. Akhir kata, semoga laporan kemajuan penelitian ini dapat bermanfaat.
Semarang, 24 Juni 2014
5 DAFTAR ISI
HALAMAN PENGESAHAN ... 2
RINGKASAN ... 3
PRAKATA ... 4
DAFTAR ISI ... 5
DAFTAR GAMBAR ... 7
DAFTAR TABEL ... 8
BAB I PENDAHULUAN ... 9
1.1 Latar Belakang ... 9
1.2 Rumusan Masalah ... 10
1.3 Tujuan Penelitian ... 10
1.4 Luaran Yang Diharapkan ... 11
BAB II STUDI PUSTAKA ... 12
2.1 Citra Medis ... 12
2.2 Algoritma Marching Cube (MC) ... 13
2.3 General Purpose Graphical Processing Unit (GPGPU) ... 15
2.4 CUDA Technology ... 18
BAB III TUJUAN DAN MANFAAT PENELITIAN ... 21
2.1 Tujuan Penelitian ... 21
2.2 Manfaat Penelitian ... 21
2.2.1 Manfaat Praktis ... 21
2.2.2 Manfaat Akademis ... 21
BAB IV METODE PENELITIAN ... 22
6
BAB V JADWAL PELAKSANAAN ... 25
BAB VI HASIL DAN PEMBAHASAN ... 26
5.1 Capaian Penelitian ... 26
5.2 Hambatan dan Penanganan ... 30
BAB VII KESIMPULAN DAN SARAN ... 32
DAFTAR PUSTAKA ... 33
LAMPIRAN ... 35
Lampiran 1. Justifikasi Penggunaan Dana ... 35
Lampiran 2. Real Medical Data ... 37
Lampiran 3. Publikasi ... 39
Lampiran 4. Draft Haki ... 40
7
DAFTAR GAMBAR
Gambar 1. IsoSurface dari dataset CT Lobster... 14
Gambar 2. Pola Kubus Imajiner Algoritma Marching Cube ... 15
Gambar 3. Alokasi Transistor untuk CPU dan GPU ... 17
Gambar 4. Model Memory GPU (Q. Huang et al. 2008) ... 19
Gambar 5. Arsitektur CUDA ... 20
Gambar 6. Desain Penelitian ... 22
Gambar 7. Rancangan Penelitian Tahun ke 2... 23
8
DAFTAR TABEL
Tabel 1. Jadwal Pelaksanaan Kegiatan ... 25 Tabel 2. Capaian Penelitian ... 26 Tabel 3. Tabel Hambatan dalam Penelitian ... 30
9
BAB I PENDAHULUAN
1.1 Latar Belakang
Ketersediaan informasi terhadap kondisi pasien yang cepat dan akurat menjadi suatu urgensi tersendiri bagi para ahli medis. Citra medis hasil dari perekaman berbagai modalitas pencitraan umumnya berupa citra 2D. Interpretasi terhadap citra medis 2D umumnya sulit untuk diinterpretasikan, sehingga diperlukan suatu rekonstruksi citra medis 3D (Virasin Archirapatkave , 2011). Oleh karena itu untuk memudahkan penginterpretasian gambar dilakukan tansformasi gambar 2D ke rekonstruksi gambar 3D yang hampir menyerupai bentuk asli objek. Dalam suatu citra akan terdiri dari ribuan pixel yang mana masing- masing pixel memiliki arti tersendiri.
Telah banyak metode dan algoritma yang diusulkan dalam melakukan rekonstruksi citra 3D, dan dalam penelitian ini digunakan algoritma Marching Cube (Lorensen 1987).
Untuk meningkatkan performa dari algoritma marching cube (MC) dalam proses rekonstruksi citra 3D, maka dilakukan paralelisasi MC untuk menggantikan proses sekuensial pada rekonstruksi citra 3D. Dengan memanfaatkan GPGPU akan mengurangi waktu pemrosesan (time consuming) tranformasi gambar 2D ke dalam 3D. Selain itu, dengan GPGPU akan lebih menghemat biaya (cost) karena dapat memanfaatkan sejumlah processor yang ada pada GPU. Compute Univide Device Architecture (CUDA) diadopsi sebagai arsitektur pemrograman paralel guna mengoptimalkan kerja dari GPU dalam melakukan pemrosesan secara paralel.
10
Dari penelitian tahap 1 yang telah dilakukan, hasilnya diperoleh akselerasi terhadap proses rekonstruksi citra medis 3D dengan paralelisasi terhadap algoritma marching cube. Pengujian dilakukan pada berbagai dataset yang berisi data volume yang berasal dari CT atau MRI scanner. Akan tetapi ukuran data uji yang digunakan terbatas pada citra dengan dimensi tidak lebih dari 256x256x256. Sistem tidak mampu merekonstruksi citra dengan ukurann lebih dari 256x256x256. Hasil komparasi response time dari sekuensial dan parallel rekonstruksi pun cukup signifikan. Parallel rekonstruksi
citra medis 3D memiliki performa yang semakin bagus dibandingkan dengan rekonstruksi sekuensial jika ukuran data uji semakin besar.
1.2 Rumusan Masalah
Rumusan masalah yang dikaji dalam penelitian lanjutan ini adalah :
1. Ketidakmampuan sistem membaca citra medis dengan dimensi lebih dari 256x256x256 pada proses rekonstruksi citra medis 3D.
2. Penggunaan data uji hanya terbatas pada public dataset, sehingga memungkinkan untuk menggunakan data citra medis asli dari modalitas pencitraan medis.
1.3 Tujuan Penelitian
Dalam penelitian ini, secara umum tujuan yang ingin dicapai adalah menyempurnakan kekurangan kegiatan tahun pertama, yaitu mencapai target capaian yang
11
belum terealisasi. Namun secara khusus tujuan yang ingin dicapai adalah mengimplementasikan visualization tool yang telah dibuat di penelitian tahun pertama pada real medical data.
1.4 Luaran Yang Diharapkan
Dari penelitian yang dikerjakan ini, luaran yang diharapkan dapat tercapai adalah sebagai berikut :
1. Implementasi Visualization Tool : real medical data berhasil dibaca dan dijalankan pada tool yang sudah dibuat.
2. Publikasi karya ilmiah : dokumentasi hasil penelitian dipublikasikan melalui konferensi nasional maupun internasional
12
BAB II STUDI PUSTAKA
2.1 Citra Medis
Digitalisasi image atau citra membuktikan perkembangan teknologi yang semakin pesat. Sebagai bentuk informasi visual, image menjadi komponen multimedia yang memegang peranan sangat penting (Putra 2010). Kemampuan digitalisasi image mengevolusi dunia kedokteran dengan adanya citra medis (medical image). Istilah pencitraan medis atau yang biasa dikenal dengan medical imaging merupakan suatu metode dalam memvisualisasikan tubuh manusia untuk mendukung penanganan medis bagi para pasien dengan maksud menganalisa, mendiagnosis suatu penyakit dalam ilmu kedokteran.
Tujuan utama digitalisasi citra medis ini adalah merepresentasikan citra medis dalam bentuk digital yang mendukung transfer gambar dan pengarsipan serta untuk memanipulasi informasi diagnosis visual yang lebih bermanfaat (Wong et al. 1995).
Teknik- teknik dalam pencitraan medis seperti X-ray, Ultrasound, CT-scan dan juga MRI telah secara luas digunakan untuk melakukan suatu diagnosis terhadap penyakit (Archirapatkave et al. 2011). Magnetic Resonance Imaging (MRI) merupakan suatu alat kedokteran dibidang pemeriksaan diagnostik radiologi, yang menghasilkan rekaman gambar potongan penampang tubuh atau organ manusia dengan menggunakan medan magnet berkekuatan antara 0,064 – 1,5 tesla (1 tesla = 1000 Gauss) dan resonansi getaran terhadap inti atom hidrogen (Suswati Susy 2004).
13
Berbeda dengan citra yang lain, pola citra yang terkandung pada citra medis cukup rumit untuk dapat dilakukan analisis. Kerumitan pola citra medis ini karena terdapat berbagai jenis jaringan (tissue) pembangun tubuh manusia (Budiman 2007). Pengolahan citra medis memiliki dua tujuan utama (Freedman, Artz, and Mun 1997), meningkatkan keakuratan diagnosis dokter dari pengolahan gambar yang dilakukan, serta adanya peningkatan efisiensi dari pengolahan citra tersebut sehingga dapat menekan biaya diagnosis.
2.2 Algoritma Marching Cube (MC)
Algoritma Marching Cube (MC) pertama kali dikemukakan pada tahun 1987 oleh Lorensen dan Cline (Lorensen 1987). Diantara algoritma isosurfacing, marching cube merupakan algoritma yang paling populer. Sebagai contoh pada gambar 1 menunjukkan isosurface cangkang lobster yang telah diekstrak dari CT dataset. Algoritma MC telah
banyak diaplikasikan di berbagai bidang ilmu, termasuk biomedik, biokimia, maupun lingkungan hidup.
Algoritma marching cube bekerja dengan merekonstruksi model 3D dari kumpulan citra 2D yang memiliki singgungan. Untuk merekonstruksi model 3D tersebut, MC membangun kubus- kubus (cube) imajiner seperti yang tampak pada Gambar 2.
Kedelapan sudut dari kubus imajiner marching dibentuk oleh pixel dari dua gambar yang berdekatan dimana setiap sudut dapat menjadi pixel putih atau pixel hitam. Hal ini kemudian menyebabkan algoritma marching cube memiliki 2 ^ 8 = 256 konfigurasi, atau
14
setelah memperhitungkan refleksi dan rotasi, marching cube dapat dikatakan memiliki 15 pola yang diilustrasikan pada gambar 2.
Gambar 1. IsoSurface dari dataset CT Lobster
Dalam pengimplementasiannya, algoritma MC telah banyak diaplikasikan di berbagai bidang ilmu seperti biomedik (Yim et al. 2003), biokimia, maupun lingkungan hidup. MC telah dikembangkan untuk dapat bekerja secara multithread dan mendapat hasil yang cukup signifikan ketika dijalankan pada processor dual-core maupun quad-core.
15
Gambar 2. Pola Kubus Imajiner Algoritma Marching Cube
2.3 General Purpose Graphical Processing Unit (GPGPU)
Dengan meningkatnya model permainan (game) dan animasi 3 dimensi (3D), pengembang dari Graphical Processing Unit (GPU) meningkatkan kinerja processor yang tertanam dalam GPU menjadi perangkat yang mendukung paralelisasi komputasi (Nickolls 2011). Kartu grafis atau graphic card didesain untuk mengolah gambar dan pemrosesan grafis pada suatu personal computer (PC) yang memerlukan penghitungan intensif dan penghitungan kerja paralel yang tinggi. Sekarang ini, GPU telah bertransformasi fungsi,
16
yang mulanya hanya mampu memproses grafis sekarang mampu melakukan tugas pemrosesan sama seperti yang dilakukan CPU. Transformasi ini kemudian dikenal dengan era General Purpose Graphical Processing Unit (GPGPU). Perumulla, menyebutkan bahwa evolusi dari GPU yaitu kemampuan pemrograman hardware dan pengembangan software berevolusi bersama untuk mentransformasikan kartu grafis menjadi GPGPU
(Perumalla 2006).
GPU memiliki beberapa keunggulan dibandingkan dengan CPU dalam hal performanya yaitu sebagai berikut :
GPU memproses lebih cepat dari CPU
Dalam GPU diberikan lebih banyak transistor untuk melakukan pemrosesan data daripada hanya untuk data catching dan mengontrol alur kerja, yang mana membuatnya mampu melakukan lebih banyak proses floating point setiap detiknya dibanding dengan CPU.
GPU lebih cocok untuk perhitungan data paralel
Kartu grafis ini (GPU) secara khusus cocok untuk menyelesaikan masalah yang bisa diekspresikan dalam perhitungan data paralel dengan intensitas aritmatika yang tinggi.
Keberhasilan dari GPGPU sebagai hardware accelerator tidak jauh dari keberadaan pemrograman GPGPU seperti NVIDIA CUDA. Pemrograman paralel ini memungkinkan untuk menulis kode program untuk GPU dengan antarmuka mirip dengan
17
Bahasa C / C++. Beberapa framework memodelkan GPU sebagai arsitektur klasik many- core, seperti yang tampak pada Gambar 3, yang mana mengekspos fitur perangkat keras
untuk komputasi umum.
Gambar 3. Alokasi Transistor untuk CPU dan GPU
Seperti yang telah disebutkan diatas bahwa struktur dari GPU adalah berbeda dengan CPU. Untuk CPU memiliki keterbatasan pemrosesan, sedangkan pada GPU mampu memiliki ratusan bahkan lebih unit- unit pemrosesan kecil yang membuat GPU cocok untuk aplikasi- aplikasi paralel yang berjalan dengan sangat efisien. Meskipun evolusi dari GPU mampu melakukan perhitungan dan pemrosesan seperti yang dilakukan CPU, namun ada beberapa aplikasi tertentu tetap memerlukan eksekusi dari keduanya. CPU akan melakukan bagian pemrosesan sekuensial, dan GPU akan melakukan pemrosesan paralel.
Untuk dapat mengakses kemampuan keduanya diperlukan penjembatan sebagai mediator yaitu pemrograman paralel.
18 2.4 CUDA Technology
Pada tahun 2006, sebuah perusahaan kartu grafis yaitu NVIDIA memperkenalkan sebuah arsitektur baru untuk dapat lebih memanfaatkan kemampuan kartu grafisnya.
NVIDIA memperkenalkan arsitektur pemrosesan paralel yang disebut Compute Univide Device Architecture atau CUDA Technology. Model pemrograman CUDA ini mampu
mendukung penggabungan kerja antara CPU dan GPU.
NVIDIA CUDA merupakan sebuah SDK yang dirilis oleh perusahaan kartu grafis NVIDIA dengan tujuan memungkinkan programmer mengakselerasi general purpose- computation dengan menggunakan sumber daya komputasi yang ada pada GPU modern
(Sanders. Jason 2010). CUDA terdiri dari model hardware dan software yang memperbolehkan eksekusi komputasi pada GPU NVIDIA modern dalam bentuk data paralel. Multiprosesor yang terdiri dari sejumlah Single Instruction Multiple Data (SIMD) yang mengimplementasikan GPU yang mana sebuah Arithmatic Logical Unit (ALU) merepresentasikan processor. Konsep dari SIMD dalam GPU menjalankan command yang sama pada waktu yang sama untuk setiap processor dalam sebuah multiprocessor.
Gambar 4 menunjukkan arsitektur memori pada GPU (Q. Huang et al. 2008).
Ditunjukkan bahwa masing- masing level eksekusi memiliki sebuah tipe memory yang saling terhubung yang kemudian disebut sebagai hirarki memori. Setiap processor memiliki akses ke register lokal. Pada level multiprocessor disebut shared memory. Selain itu ada juga sebuah device memori untuk keseluruhan device processor yaitu global memory.
19
Gambar 4. Model Memory GPU (Q. Huang et al. 2008)
Pemrograman CUDA merupakan sebuah interface untuk dapat mengakses komputasi paralel GPU dengan menuliskan code yang berjalan langsung pada device.
Beberapa istilah dalam CUDA yang biasa digunakan adalah device yang mewakili GPU, dan host yang merupakan CPU. Untuk arsitektur CUDA ditunjukkan dalam Gambar 5.
20
Terlihat bahwa CUDA framework terdiri dari beberapa bagian. Sejumlah library- library optimasi untuk CUDA yang disediakan oleh NVIDIA seperti FFT, Blas, math.h, dan lain sebagainya. Hal yang paling utama dalam CUDA framework adalah compiler NVIDIA C yang disebut NVCC.
Gambar 5. Arsitektur CUDA
21
BAB III
TUJUAN DAN MANFAAT PENELITIAN
2.1 Tujuan Penelitian
Dalam penelitian ini, tujuan khusus yang ingin dicapai adalah memberikan kemudahan bagi staff medis dalam melakukan analisa, diagnosa penyakit pasien dengan menyediakan visualisasi 3D medical image dengan waktu proses yang lebih cepat.
2.2 Manfaat Penelitian
Beberapa manfaat praktis dan akademis yang diharapkan dalam penelitian ini adalah sebagai berikut :
2.2.1 Manfaat Praktis
Akselerasi pada waktu proses (response time) rekonstruksi citra medis merupakan manfaat yang hendak dicapai dalam penelitian ini.
2.2.2 Manfaat Akademis
Dari sisi akademis, hasil dari penelitian akan dapat menambah kepustakaan keilmuan dalam bidang pencitraan medis. Sharing knowledge hasil penelitian dilakukan melalui publikasi karya ilmiah nasional maupun internasional.
22
BAB IV
METODE PENELITIAN
Penelitian tahap 2 (dua) ini merupakan penelitian lanjutan dari penelitian sebelumnya yaitu tahap 1 (satu) dengan roadmap penelitian seperti yang tersaji dalam Gambar 6.
Gambar 6. Desain Penelitian
Dalam penelitian tahap dua ini, rancangan penelitian yang dilaksanakan secara rinci disajikan dalam Gambar 7. Diawali dengan studi lapangan untuk pengumpulan hasil perekaman citra medis pada salah satu modalitas pencitraan yang ada yaitu MRI. Kemudian
Real Medical Data
Tahun 1
Tahun 2
23
dilanjutkan dengan penyempurnaan kekurangan tahun pertama yaitu pembacaan citra medis yang berdimensi lebih dari 256x256x256, dan dilakukan pemodelan terhadap algoritma marching cube paralel.
Variabel penelitian ini adalah real medical data yang selanjutnya digunakan sebagai dasar analisis. Sedangkan pengukuran keberhasilan penelitian adalah didasarkan pada rata- rata akselerasi waktu proses atau response time dari rekonstruksi citra medis.
Gambar 7. Rancangan Penelitian Tahun ke 2
Pengumpulan data yaitu dikumpulkan citra medis asli hasil perekaman kondisi pasien yang berupa citra hasil MRI ataupun CT-scan. Kemudian dikembangkan visualization tool lanjutan dari navigasi dan rotasi xyz visualisasi citra medis 3D.
Observasi perekaman citra medis, pemodelan parallel marching cube dalam rekonstruksi citra medis 3D .
Pengumpulan data asli dari perekaman citra medis MRI/ CT-Scan
Perancangan paralelisasi code untuk citra dimensi 512x512x512
Pengembangan visualization tool “navigasi dan rotasi xyz visualisasi citra medis 3D”, Pengujian tool dengan real data
Analisa hasil, pelaporan kegiatan, dan diseminasi
24
Dilanjutkan proses pengujian sistem dengan pembacaan dan rekonstruksi citra medis yang sudah diperoleh. Dan dilakukan analisa hasilnya. Pada akhir kegiatan akan dilakukan diseminasi dari penelitian yang dilakukan dan pelaporan akhir kegiatan.
25
BAB V
JADWAL PELAKSANAAN
Dalam pelaksanaannya, penelitian tahun ke dua dijadwalkan seperti yang terlihat pada tabel kegiatan berikut ini.
Tabel 1. Jadwal Pelaksanaan Kegiatan
NO KEGIATAN
Waktu Pelaksanaan Bulan Ke
Indikator Kerja I II III IV V VI VII VIII IX
1 Preparasi alat dan bahan Tersedianya alat yang akan digunakan
2 Onsite research Studi lapangan terhadap perekaman citra
medis
3 Data gathering Citra medis asli terkumpul untuk ujicoba
4 Perancangan paralelisasi Source code algoritma MC untuk membaca
citra dengan dimensi 512x512x512 5 Pengembangan
visualization tool
Sourcecode visualization tool “navigasi dan rotasi xyz visualisasi citra medis 3D”
6 Instalasi system Visualization tool yang terintegrasi
7 Pengujian tool dengan real data
Rekonstruksi citra medis 3D dengan dimensi yang lebih besar
8 Analisa Hasil dan diseminasi, Monev Internal
Evaluasi hasil
9 Monev, Laporan Ahir Laporan penelitian, draft artikel publikasi
26
BAB VI
HASIL DAN PEMBAHASAN
Dalam bab ini akan dibahas hasil yang telah dicapai hingga saat ini, serta hambatan yang ditemui selama pengerjaan penelitian.
5.1 Capaian Penelitian
Dari penelitian yang telah dilakukan, diperoleh berbagai capaian atau hasil penelitian. Realisasi dari hasil penelitian yang telah dilakukan saat ini adalah tersaji dalam Tabel 2 berikut.
Tabel 2. Capaian Penelitian
No Kegiatan Hasil Realisasi
Capaian 1 Inisialisasi
a. Review hasil penelitian tahap 1
b. Studi literatur MRI medical data Medical image terdiri dari ratusan slice
image. 100%
c. Penyusunan Metode Penelitian yang
akan dilakukan Diagram alur Metode Penelitian 100%
d. Pemetaan kebutuhan device dan software
Daftar kebutuhan perangkat
pengembangan.Diagram alir teknik rekonstruksi citra 3D
2 Preprocessing Data
a. Gather Real medical data
Memperoleh dua buah dataset hasil CT-Scan dari bagian Radiologi RSDK pada pasien RSDK.
100%
27
No Kegiatan Hasil Realisasi
Capaian
b. Pemahaman real medical data (data reading)
Dua dataset yang didapat,
teridentifikasi bahwa dataset pertama terdiri dari 181 file dan yang ke-dua terdiri dari 215 file.
Semua file dari kedua dataset tidak memiliki file extention.
Semua file dari kedua dataset berukuran 516 KB.
Secara default, dataset dapat dibuka menggunakan aplikasi Syngofastview.
Aplikasi tersebut biasa dipakai oleh dokter spesialis maupun residen radiologi untuk menganalisa penyakit pasien. Kelemahan Syngofastfiew hanya bisa menampilkan gambar secara dua dimensi. Berikut adalah preview dari software tersebut.
Softare tersebut mempunyai banyak fitur yang dapat menjelaskan informasi dari dataset yang dibuka. Informasi tentang identitas pasien secara sengaja kami hilangkan.
Adapun software lain yang dapat digunakan untuk menampilkan preview dari dataset terkumpul adalah QTViewer yang bisa didownload di http://www.open- terrain.org/index.php.
100%
28
No Kegiatan Hasil Realisasi
Capaian
c. Data Converting
Hasil penelitian pada tahun pertama adalah berupa prototype implementasi algoritma MC Cubes. prototype tersebut berhasil membaca dataset dari on-line repository yang berupa sebuah
"raw" data untuk satu dataset.
Seperti yang sudah dibahas
sebelumnya, dataset yang terkumpul dari RSDK ada dua buah, masing- masing berisi 181 file dan 215 file.
Peneliti telah berhasil mengkonfersi dua dataset tersebut menjadi dua file
"raw" supaya dapat dibaca oleh prototype yang sudah dibangun sebelumnya. Setelah berkali-kali mencoba beberapa software converter, ahirnya peneliti menemukan software ImageJ yang bisa didownload di http://imagej.nih.gov/ij/index.html.
Selain dapat mengkonversi dataset menjadi raw data, ImageJ juga dapat merubah ukuran dimensi image. Hal ini sangat penting karena dataset yang terkumpul dari RSDK mempunyai resolusi 512x512, sedangkan prototype kami dengan algoritma dan hardware yang ada sampai saat ini baru bisa memvisualisasikan dataset dengan resolusi 256x256.
100%
29
No Kegiatan Hasil Realisasi
Capaian
d. Visualisasi citra 3D
Setelah peneliti berhasil mengkonversi dataset yang didapat dari RSDK menjadi raw data dan menurunkan dimensi menjadi 256x256 maka visualisasi citra 3D dapat terwujud.
berikut adalah penampakan citra 3D hasil pemindaian CT Scan dari RSDK
Tampak samping kiri
Tampak depan
Tampak samping kanan
100%
30 5.2 Hambatan dan Penanganan
Pengerjaan penelitian tahap ke 2 (dua) ini mengalami beberapa hambatan yang lebih sulit dibandingkan dengan penelitian tahap sebelumnya. Sehingga dalam pelaksanaannya menjadi relative lambat. Berikut adalah hambatan yang ditemui beserta penanganan yang telah dilakukan.
Tabel 3. Tabel Hambatan dalam Penelitian
No Hambatan Penanganan
1 Pengumpulan real medical data perlu waktu yang lama
Karena dalam proses data gathering ini melibatkan instansi lain, maka tim lebih aktif menjalin komunikasi kepada pihak RS terkait dengan pengajuan pengambilan hasil CT-Scan.
2 Pembacaan hasil CT-Scan pasien Mendiskusikan dengan residen radiologi yang ada di RSDK untuk mendapatkan keterangan mengenai data yang diperoleh.
Mendiskusikan dengan residen tentang system yang dapat membaca seluruh file- file citra medis.
Peneliti kemudian mendapat informasi bahwa residen-residen RSDK selalu menggunakan software Syngo Fastview untuk mambaca citra hasil CT Scan.
Software lain yang bisa digunakan untuk melihat preview dari citra medis hasil CT Scan adalah QTV3. QTV3 menampilkan hasil yang menyerupai 3D namun dengan citra yang transparan.
31 3 Kesulitan convert medical image yang asli
ke dalam format file yang sesuai dengan system yang telah dibuat
Memanfaatkan software ImageJ yang bisa didownload di
http://imagej.nih.gov/ij/index.html.
Selain dapat mengkonversi dataset menjadi raw data, ImageJ juga dapat merubah ukuran dimensi citra. Hal ini sangat penting karena dataset yang terkumpul dari RSDK mempunyai resolusi 512x512. Menggunakan Image J, dimensi dataset dapat diturunkan menjadi 256x256.
4 Kesulitan meningkatkan dimensi citra medis yang divisualisasikan secara 3D
Searching literature. disimpulkan bahwa hal yang sama juga terjadi pada penelitian sebelumnya. Eric Smistad dari NTNU juga menyimpulkan hal ini terjadi karena memori GPU yang digunakan tidak cukup sehingga perlu dilakukan upgrade.
Peneliti dalam hal ini tidak melakukan upgrade hardware namun mengubah dimensi citra kembali ke 256x256 sehingga visualisasi 3D bisa terwujud.
5 Kesulitan menampilkan organ dalam otak pada hasil visualisasi 3D
Visualisasi 3D organ dalam otak memerlukan perhatian khusus. Peneliti memutuskan untuk mengangkat permasalahan baru tersebut sebagai future work bagi penelitian berikutnya.
32
BAB VII
KESIMPULAN DAN SARAN
Dari sejumlah kegiatan penelitian yang telah dilakukan, akselerasi algoritma marching cube dalam rekonstruksi citra medis 3D berhasil dicapai. Paralelisasi terhadap algoritma marching cube dilakukan dengan memanfaatkan GPU mengunakan CUDA paralel programming.
Hingga saat ini telah dikembangkan graphical user interface system visualisasi pencitraan medis 3D hasil rendering dataset MRI/CT-Scan. Dari hasil analisa yang dilakukan, diketahui bahwa paralel marching cube memiliki response time yang lebih kecil dibandingkan dengan sekuensial marching cube. Semakin besar citra yang direkonstruksi maka akan semakin kecil response time yang dihasilkan. Akan tetapi untuk citra medis dengan dimensi lebih dari 256x256x256 belum dapat terbaca. Sehingga inilah yang akan dijadikan penelitian tahapan berikutnya. Selain itu pembacaan citra medis asli juga akan menjadi acuan target penelitian berikutnya.
33
DAFTAR PUSTAKA
Archirapatkave, Virasin, Hendra Sumilo, Simon Chong Wee See, and Tiranee Achalakul.
2011. “GPGPU Acceleration Algorithm for Medical Image Reconstruction.” 2011 IEEE Ninth International Symposium on Parallel and Distributed Processing with Applications:41–46.
Budiman, Ade Surya. 2007. “Pengolahan dan Eksplorasi Informasi Citra Medis dengan Segmentasi Amplitudo.” Universitas Andalas.
Freedman, Matthew, Dorothy Steller Artz, and Seong Ki Mun. 1997. “Image Processing of Medical Radiographs for Single Image Display.” (443): 12–16.
Huang, Qihang, Zhiyi Huang, Paul Werstein, and Martin Purvis. 2008. “GPU as a General Purpose Computing Resource.” 2008 Ninth International Conference on Parallel and Distributed Computing, Applications and Technologies: 151–158.
Lorensen, William E; Harvey E Cline. 1987. “MArching Cubes: A High Resolution 3D Surface Reconstruction Algorithm.” In ACM, ACM.
Nickolls, J. 2011. “NVIDIA CUDA software and GPU parallel computing architecture.”
Microprocessor Forum, May.
Perumalla, K.S. 2006. “Discrete-event execution alternatives on general purpose graphical processing units (GPGPUs).” Proceedings of the 20th Workshop on Principles of …:
74–81.
Putra, Darma. 2010. Pengolahan Citra Digital. CV. Andi Offset Yogyakarta.
Sanders. Jason, Edward Kandrot. 2010. “CUDA by Example, An Introduction to General Purpose Graphical Processing Unit.” Review Literature And Arts Of The Americas.
34
Suswati Susy, Notosiswoyo Mulyono; 2004. “Pemanfaatan MRI Sebagai Sarana Diagnosa Pasien.pdf.” Media Litbang Kesehatan Volume XIV Nomor 3 Tahun 2004.
Wong, S., L. Zaremba, D. Gooden, and H.K. Huang. 1995. “Radiologic image compression-a review.” Proceedings of the IEEE 83(2): 194–219.
Yim, Peter J, G Boudewijn C Vasbinder, Vincent B Ho, and Peter L Choyke. 2003.
“Isosurfaces as deformable models for magnetic resonance angiography.” IEEE transactions on medical imaging 22(7): 875–81.
35
LAMPIRAN
Lampiran 1. Justifikasi Penggunaan Dana
No Komponen Satuan Realisasi Ket
1. Gaji dan Upah
No Pelaksana Jumlah Pelaksana
Waktu (Jam/Pe rtemuan
)
Minggu Honor/Pertemuan
(Rp) Jumlah
(Rp) Ket
1 Peneliti Utama 1 3.5 40 42,500 5,950,000
2 Anggota Peneliti
2 3.5 36 39,000 9,828,000
3 PPH - - - 825,000 825,000 Pajak penghasilan
5%
Sub total 16,603,000
2. Bahan dan Peralatan Penunjang
Penelitian
No Nama Alat Kegunaan Jumlah Satuan Harga
(Rp) Beli/ Sewa (rupiah) Jumlah Ket 1 Kertas HVS Printout bahan,
laporan.
4 37,000 Beli 148,000
2 Kertas Buram Penulisan harian 2 22,000 Beli 44,000
3 ATK Peralatan
Penunjang Kegiatan Harian
1 320,600 Beli 320,600
4 Printer Pencetakan laporan
dan bahan 8 250,000 sewa 2,000,000
5 Tinta Hitam Pencetakan laporan
dan bahan 4 95,000 Beli 380,000
Tinta Hitam 6 Tinta Color Pencetakan laporan
dan bahan 3 95,000 Beli 285,000
Tinta Warna
7 Set PC Perangkat Keras 7 1,150,000 Sewa 8,050,000 CPU + Monitor
8 Monitor 23" Display monitor
kedua 7 250,000 Sewa 1,750,000
9 UPS Supply daya 7 250,000 Sewa 1,750,000
10 Pointer Alat bantu
presentasi 1 375,000 Beli 375,000
11 Langganan
Internet Koneksi internet 8 150,000 Beli 1,200,000
12 Real medical data
Data asli hasil CT
Scan pasien 1 354,000 Beli 354,000
13 Data gathering Pengolahan data 1 350,000 Beli 350,000
14 Design Code Algorithm 1 3,000,000 Jasa 3,000,000
36
15 Translation Grammar 1 300,000 Jasa 300,000
16 Souvenir
dokter Sovenir 1 199,900 Beli 199,900
17 Materai Surat Kontrak 10 7,000 Beli 70,000
18 PPN Pajak 1 3,500,000 Potongan 3,500,000 Potong otomatis
waktu dana cair
Sub total 24,076,500
3. Perjalanan dan Akomodasi
No Jenis Pengeluaran Jumlah Harga Satuan
(Rp) Jumlah
(Rp) Ket
1 Biaya perjalanan dalam dan luar kota
- - 1,375,000 Biaya perjalanan
tidak selalu sama 2 Konsumsi rapat koordinasi
- -
1,859,266 Biaya konsumsi tidak selalu sama jadi hanya dicantumkan total biaya konsumsi saja
Sub total 3,234,266
4. Lain- lain
No Jenis Pengeluaran Jumlah Harga Satuan
(Rp) Jumlah
(Rp) Ket
1 JATIT International Journal 1 5,000,000 5,000,000
2 Seminar SEMANTIK 2014 2 250,000 500,000
3 Pulsa Komunikasi 21 100,000 2,100,000 Untuk 3 orang
selama 6 bulan
4 Diseminasi 1 3,000,000 3,000,000
5 Fotocopy 1 163,550 163,550 Jumlah fc tidak
selalu sama
6 Pelaporan kemajuan 4 50,000 200,000
7 Desain poster result 1 100,000 100,000
8 Cetak poster A3 5 30,000 150,000
9 Pelaporan akhir 4 50,000 200,000
Sub total 11,413,550
Total Penggunaan Dana Penelitian 55,327,316
5. Pemasukan
No Jenis Pemasukan Jumlah Harga Satuan
(Rp) Jumlah
(Rp) Ket
1 Dana Cair Tahap 1 0.7 55,000,000 38,500,000
2 Dana Cair Tahap 2 0.3 55,000,000 16,500,000
Total Pemasukan Saat ini 55,000,000
Sisa Dana Penelitian -327,316 Kekurangan dana
hingga saat ini
37 Lampiran 2. Real Medical Data
Berikut adalah dua dataset yang berhasil peneliti dapatkan dari bagian radiologi RS Dokter Karyadi. Dataset ini dibuat oleh mesin CT-Scan 64 slices. Mesin tersebut menghasilkan ratusan file dengan ukuran 516 KB, setiap kali digunakan. Peneliti menggunakan software Syngo Fastview yang biasa digunakan oleh bagian radiologi RS Dokter Karyadi untuk menampilkan image hasil scan dari mesin CT-Scan.
1. Dataset Tenggorokan
Dataset ini terdiri dari 215 file.
38 2. Dataset Kepala
Dataset ini terdiri dari 181 file.
39 Lampiran 3. Publikasi
40 Lampiran 4. Draft Haki
Deskripsi
NAVIGASI DAN OPERASI ROTASI XYZ PADA VISUALISASI CITRA MEDIS 3D DARI DATASET MRI/CT-SCAN
Bidang Teknik Invensi
Invensi ini berkaitan dengan graphical user interface system visualisasi pencitraan medis 3D hasil rendering dataset MRI/CT-Scan.
Latar Belakang Invensi
Kehadiran pengolahan citra (image processing) merupakan bukti pesatnya perkembangan teknologi komputer. Cakupan area pemanfaatan dari pengolahan citra sangat luas hingga merambah ke berbagai disiplin ilmu dan aplikasi. Salah satu bidang keilmuan yang memanfaatkan pengolahan citra untuk berbagai fungsi adalah ilmu kedokteran yaitu yang dikenal dengan citra medis (medical image). Citra medis diperoleh dari berbagai modalitas pencitraan seperti foto X-ray atau Rontgen, Computerized Tomography (CT) , Ultrasound (US) maupun Magnetic Resonance Imaging (MRI). Hasil gambar yang diperoleh dari modalitas pencitraan tersebut adalah serangkaian irisan (slice) gambar medis 2D (H.Wang, 2009).
Pencitraan medis 2D pada umumnya sulit diinterpretasikan (Archirapatkave dkk, 2011). Padahal informasi yang terkandung dalam citra medis sangat penting bagi para tenaga ahli medis untuk dapat mendiagnosis penyakit dan mendukung pengambilan treatment yang harus diberikan. Karena kebutuhan akan data yang lebih rinci terhadap kondisi pasien, maka diperlukan penyajian citra yang lebih detail dan mudah dibaca secara
41
visual. Oleh karena itu untuk memudahkan penginterpretasian citra dilakukan tansformasi citra medis 2D ke 3D yang hampir menyerupai bentuk asli objek.
Banyak metode dan algoritma yang diusulkan dalam melakukan rekonstruksi citra 3D, dan dalam penelitian ini akan digunakan algoritma Marching Cube (MC) yang merupakan algoritma iso-surfacing yang paling popular (Weber dkk, 2002; Qian dkk, 2009). Algoritma MC bekerja dengan merekonstruksi model 3D dari kumpulan citra 2D yang mempunyai singgungan dan membangun kubus- kubus (cube) kecil imajiner.
Di sisi lain, perkembangan grafis komputer mulai masuk pada era general purpose.
Pemanfaatan kartu grafis yang tidak lagi berfokus pada pengolah grafis saja, namun juga dapat digunakan untuk tujuan umum yaitu general computation (Huang dkk, 2008).
Sehingga fungsi kartu grafis sangat mendukung dalam proses komputasi rekonstruksi citra 3D. Untuk dapat menghasilkan kualitas citra yang lebih baik, maka penelitian ini akan menggunakan teknologi General Purpose Graphical Processing Unit (GPGPU). Dengan memanfaatkan GPGPU akan mengurangi waktu (time consuming) rekonstruksi citra 2D ke dalam 3D. Selain itu, dengan GPGPU akan lebih menghemat biaya (cost) karena dapat memanfaatkan sejumlah processor yang ada pada GPU. Di sisi lain, untuk dapat mengoptimalkan kerja dari GPU dalam melakukan pemrosesan secara paralel, Compute Univide Device Architecture (CUDA) diadopsi sebagai arsitektur pemrograman paralel.
Dengan memanfaatkan GPGPU untuk melakukan proses rendering citra 3D dari dataset MRI/CT-Scan maka visualisasi 3D dapat dihasilkan secara lebih cepat. Setelah mendapat hasil visualisasi yang cepat, tentu saja perhatian berikutnya adalah untuk dapat mengoperasikan sistem secara efektif dan evisien.
Secara umum, operasi rotasi dari visualisasi citra 3D hasil rekonstruksi citra medis pada dataset MRI/CT-Scan dilakukan dengan sistem dragging. Tehnik ini sangat bisa diandalkan terutama untuk operasi rotasi pada sumbu X dan Y. Tetapi pada operasi rotasi terhadap sumbu Z, tehnik dragging sangat merepotkan. Hal ini dikarenakan operasi draging hanya mengenal inputan X dan Y. Jadi untuk melakukan rotasi pada sumbu Z, harus
42
dengan melakukan dua kali rotasi, yaitu rotasi sumbu X dan Y. Ini tentu saja sangat mekakan waktu. Terutama karena citra 3D yang dipakai di sini adalah citra medis.
Uraian Ringkas Invensi
Invensi ini mengusulkan penggunaan slide bar pada user interface visualisasi citra 3D. Slide bar terdiri dari tiga buah, masing-masing satu untuk operasi rotasi pada sumbu YXZ. Dengan menggunakan slide bar, untuk rotasi sumbu Z bisa dilakukan hanya dengan satu kali drag saja. Hal ini tentu akan sangat memudahkan operator sekaligus menghemat waktu pengoperasian.
Uraian Singkat Gambar
Berdasar pada gambar invensi berikut ini, dapat dijelaskan antara lain :
Gambar diatas mengungkapkan tentang penggunaan objek slider sebagai operasi rotasi pada sumbu XYZ terhadap objek citra 3D.
Slider sumbu X
slider sumbu Y slider
sumbu Z
3D Objek
43 Uraian Lengkap Invensi
Invensi ini mengusulkan penggunaan objek slider pada user interface visualisasi citra 3D.
Objek slider terdiri dari tiga buah, masing-masing satu untuk operasi rotasi pada sumbu YXZ. Dengan menggunakan objek slider, untuk rotasi sumbu Z bisa dilakukan hanya dengan satu kali drag saja. Hal ini tentu akan sangat memudahkan operator sekaligus menghemat waktu pengoperasian.
Klaim
Navigasi dan operasi rotasi sumbu X,Y,Z citra 3D pada user interface hasil visualisasi dataset MRI/CT-Scan dengan menggunakan objek slider.
44 Abstrak
NAVIGASI DAN OPERASI ROTASI XYZ PADA VISUALISASI CITRA MEDIS 3D DARI DATASET MRI/CT-SCAN
Operasi rotasi dari visualisasi citra 3D hasil rekonstruksi citra medis pada dataset MRI/CT-Scan secara umum dilakukan dengan sistem dragging. Tehnik ini sangat bisa diandalkan terutama untuk operasi rotasi pada sumbu X dan Y. Tetapi pada operasi rotasi terhadap sumbu Z, tehnik dragging sangat merepotkan. Hal ini dikarenakan operasi draging hanya mengenal inputan X dan Y. Jadi untuk melakukan rotasi pada sumbu Z, harus dengan melakukan dua kali rotasi, yaitu rotasi sumbu X dan Y. Ini tentu saja sangat mekakan waktu. Terutama karena citra 3D yang dipakai di sini adalah citra medis.
Invensi ini mengusulkan penggunaan objek slider pada user interface visualisasi citra 3D. Objek slider terdiri dari tiga buah, masing-masing satu untuk operasi rotasi pada sumbu YXZ. Dengan menggunakan objek slider, untuk rotasi sumbu Z bisa dilakukan hanya dengan satu kali drag saja. Hal ini tentu akan sangat memudahkan operator sekaligus menghemat waktu pengoperasian.
