Sistem Deteksi Keganasan Kanker Paru-Paru pada CT Scan dengan Menggunakan Metode Mask Region-based Convolutional Neural
Network (Mask R-CNN)
Fajar Astuti Hermawati1, Mochammad Imam Safii2,
12
Teknik Informatika, Universitas 17 Agustus 1945 Surabaya Email Correspondence Author: fajarastuti@untag-sby.ac.id
Abstract — Lung cancer is one of the most common cancers in the world. Lung cancer is challenging to detect because it arises and shows symptoms at an advanced stage. Therefore, to minimize this incident, early cancer detection is holistic by conducting a physical examination and supporting radiological and laboratory examinations. CT scan is the standard radiological support tool in diagnosing tumors because CT scans can identify specific features of lung nodules that are diagnostic. This study aims to detect lung cancer from CT scan images and classify lung cancer malignancies into three types of nodules, namely large benign, small benign, and malignant.
The nodule's location was detected by applying the Faster R- CNN method, and then it was segmented using a Segnet network. The system can identify and segment the nodule area with benign type very well but has not succeeded in detecting and segmenting nodules with malignant type.
Keyword — Segmentation, Mask R-CNN, Segnet, CT Scan, Lung Cancer
Abstrak — Kanker paru paru merupakan salah satu kanker dengan penderita terbanyak di dunia. Kanker paru paru sangat sulit di deteksi karena timbul dan menunjukkan gejala pada stadium stadium lanjut. Oleh sebab itu untuk meminimalisir kejadian tersebut, deteksi kanker dini secara holistik dengan melakukan pemeriksaan terhadap fisik dan pemeriksaan penujang radiologis dan laboratorium. CT scan merupakan standar sarana penunjang radiologi dalam mendiagnosis tumor karena CT Scan dapat mengidentifikasi gambaran secara spesifik pada nodul paru yang bersifat diagnostik. Penelitian ini bertujuan mendeteksi kanker paru paru dari gambar CT Scan dan mengklasifikasikan keganasan kanker paru menjadi tiga tipe nodul yaitu benign ukuran besar, benign ukuran kecil, dan malignant. Lokasi nodul dideteksi dengan menerapkan metode Faster R-CNN, dan kemudian disegmentasi menggunakan jaringan Segnet. Sistem mampu mengidentifikasi dan mengsegmentasi area nodul dengan tipe benign dengan sangat baik, namun belum berhasil mendeteksi dan mensegmentasi nodul dengan tipe malignant.
Kata kunci — Segmentasi, Mask R-CNN, Segnet, CT Scan, Kanker Paru.
I. PENDAHULUAN
Semakin pesatnya teknologi informasi berjalan lurus dengan perkembangan pengolahan citra digital.
Pemanfaatan pengolahan citra digital sudah sampai diberbagai bidang, salah satunya dibidang medis. Banyak sekali pemanfaatan pengolahan citra digital mulai dari deteksi tumor yang ada didalam tubuh hingga membaca sel darah. Deteksi penyakit sangatlah banyak yang sudah menerapkan pengolahan citra digital, tapi sedikit pemanfaatan citra digital dalam pendeteksian tumor, salah
satunya tumor atau kanker paru paru. Kanker paru paru merupakan salah satu kanker dengan penderita terbanyak di dunia, di Amerika Serikat tahun 2002, lebih dari 225.000 kasus, 150.000 kematian dan lebih dari 12 miliar dolar amerika untuk biaya perawatan kanker paru paru setiap tahunnya. Hanya 17% orang yang terdiagnosa kanker paru paru dapat bertahan lima tahun setelah didiagnosis oleh dokter. Di dunia tumor atau kanker paru paru masih mejadi penyebab kematian 5 setelah pneumonia atau infeksi saluran pernafasan. Tumor atau kanker paru paru merupakan benjolan tidak normal yang tumbuh pada jaringan paru paru, sama halnya dengan tumor tumor lain, kanker atau tumor paru paru bisa saja bersifat ganas dan bisa juga bersifat jinak [1]. Oleh sebab itu untuk meminimalisir kejadian tersebut, deteksi kanker tidak hanya berdasarkan keluhan dari pasien, tetapi pendeteksian diagnosa dan stadium pada kanker paru paru harus secara holistik dengan melakukan pemeriksaan terhadap fisik dan pemeriksaan penujang radiologis dan laboratorium.
CT scan merupakan standar sarana penunjang radiologi dalam mendiagnosis tumor dan merupakan prosedur pemeriksaan medis dengan menggunakan teknologi kombinasi sinar X dan sistem komputer khusus untuk melihat kondisi dalam tubuh dari berbagai sudut dan potongan. Hasil CT scan memiliki tingkat kualitas dan kedalaman yang lebih rinci dibandingkan foto rontgen biasa.
Meskipun pencitraan CT scan adalah teknik pencitraan terbaik di bidang medis, namun sulit bagi dokter untuk menafsirkan dan mengidentifikasi kanker dari gambar CT scan. Dengan perkembangan teknik-teknik pembelajaran mesin, deteksi kanker atau tumor dari gambar CT Scan menjadi lebih cepat dan mudah.
Beberapa penelitian tentang deteksi kanker paru paru pada gambar CT Scan yang menggunakan metode Convolution Neural Network, salah satunya adalah penelitian Alakwaa et al. [2]. Pada penelitian ini gambar CT-Scan pada dataset tersebut diolah dengan menggunakan arsitektur U-Net dan model 3D CNN. Convolutional Neural Network juga digunakan pada penelitian Khumancha et al. [3]. Pada penelitian ini metode CNN digunakan untuk mentraining data dalam pendeteksian nodul. Dan melakukan segmentasi pada gambar CT Scan dengan cara binerisasi. Pada penelitian yang lain, metode yang digunakan lebih mendalam yaitu dengan menggunakan Mask R-CNN menggunakan jaringan ResNet101 [4]. Penelitian Cai et al.
IJCCSISSN
[5] juga menggunakan Mask R-Cnn untuk metode pendeteksian dan klasifikasinya dengan model jaringan ResNet50.
Penelitian ini bertujuan mengimplementasikan metode Mask Region-based Convolutional Neural Network (mask R-CNN) sebagai metode dalam deteksi dan mensegmentasi nodul tumor berdasarkan CT Scan. Jenis tumor dikatagorikan dalam tiga jenis yaitu benign tumor besar, benign tumor kecil, dan malignant. Hasil dari penelitian ini diharapkan akan membantu untuk mendeteksi tingkat keganasan kanker paru dengan lebih cepat dan mudah.
II. LANDASANTEORI A. Convolutional Neural Network
Convolutional Neural Network (CNN) merupakan salah satu metode machine learning yang prupakan pengembangan dari Multi Player Perceptron (MLP) yang mana dirancang untuk mengolah data dua dimensi. Metode CNN terdiri dari dua metode yaitu klasifikasi yang menggunakan feedward dan tahap pembelajarannya menggunakan backpropagation. Prinsip kerja dari metode ini mempunyai kesamaan pada metode MLP, tetap di dalam metode CNN setiap neuronnya disajikan dalam bentuk dua dimensi yang mana tidak sama seperti pada metode MLP yang setiap neuron hanya memiliki ukuran satu dimensi [2].
Sama halnya dengan metode neural network pada umumnya, metode CNN mempunyai beberapa hidden layer dari suatu input yang memiliki vektor tunggal. Di dalam input yang merupakan citra digital yang dijadikan ke dalam vektor tunggal. Di dalam hidden layer, terdapat beberapa neuron yang layaknya memiliki empat fitur pemetaan yaitu C11 yang di dalam gambar tersebut. Di dalam neuronneuron C1 dihubungkan dengan neuron di dalam S1, dan seterusnya begitu. Layer terakhir yang terhubung dengan hidden layer sebelumnya disebut dengan output layer dan disajikan hasil akhir ke dalam klasifikasi kelas.
B. Mask Region-based Convolutional Neural Network Mask Regional Convolutional Neural Network (Mask R- CNN) adalah jaringan saraf dalam yang bertujuan untuk menyelesaikan masalah segmentasi instance dalam pembelajaran mesin atau computer vision. Dengan kata lain, ini dapat memisahkan objek yang berbeda dalam gambar atau video. Mask R-CNN secara konseptual sederhana:
Faster R-CNN yang memiliki dua output untuk setiap kandidat objek berupa label kelas dan bounding box [6];
yang ditambahkan cabang ketiga yang menampilkan mask dari objek [7].
Ada dua tahapan dari Mask RCNN. Pertama, menghasilkan Region Proposal Network (RPN) di mana mungkin ada objek berdasarkan gambar masukan. Kedua, memprediksi kelas objek, menyempurnakan kotak pembatas, dan menghasilkan mask dalam level piksel objek berdasarkan proposal tahap pertama. Kedua tahapan tersebut
terhubung ke struktur backbone. Backbone adalah jaringan neural dalam gaya Feature Pyramid Network (FPN). Ini terdiri dari jalur bottom-up, jalur top-down dan koneksi lateral. Jalur bottom-up dapat berupa ConvNet apa saja, biasanya ResNet atau VGG, yang mengekstrak fitur dari gambar mentah. Jalur top-down menghasilkan peta piramida fitur yang ukurannya mirip dengan jalur bottom-up. Koneksi lateral adalah konvolusi dan operasi penambahan antara dua tingkat yang sesuai dari dua jalur.
Secara formal, selama pelatihan, mask R-CNN mendefinisikan kerugian multi-tugas pada setiap RoI sampel sebagai L = Lcls + Lbox + Lmask. Loss klasifikasi Lcls dan bounding-box loss Lbox adalah identik seperti yang didefinisikan dalam [8]. Cabang mask memiliki output Km2- dimensi untuk setiap RoI, yang mengkodekan K mask biner dengan resolusi mxm, satu untuk masing-masing kelas K.
Untuk ini dienerapkan sigmoid per-piksel, dan mendefinisikan Lmask sebagai kerugian lintas-entropi biner rata-rata. Untuk RoI yang terkait dengan ground-truth class k, Lmask hanya didefinisikan pada mask ke-k (output mask lain tidak berkontribusi pada kerugian) [7].
III. METODOLOGIPENELITIAN A. Objek Penelitian
Obyek pada penelitian ini adalah gambar CT-Scan yang terdapat tumor di paru paru yang didapat dari database LIDC / IDRI scan paru-paru yang tersedia untuk umum [9], [10]. Dataset diambil sebanyak 500 gambar dengan 100 gambar objek Tumor dan 400 gambar objek Non-Tumor.
Setiap kandidat memiliki posisi, dan dalam koordinat dan klasifikasi sebagai non-nodul atau nodul. Dimensi gambar CT Scan adalah 512x512xZ di mana Z adalah panjang yang bervariasi tergantung pada tinggi pasien yang dipindai.
B. Tahap Penelitian
Gambar 1. Blok diagram sistem
Secara garis besar, sistem terdiri dari beberapa tahapan seperti pada Gambar 1 meliputi (1) input data file yang masih dalam bentuk dicom, (2) image preprocessing, mengubah file dicom menjadi file berbentuk jpg atau tif, (3) deteksi area nodul, dan (4) segmentasi area nodul yang terdeteksi.
C. Deteksi Area Nodul
Metode Mask Region-based Convolutional Neural Network diterapkan untuk deteksi dan segmentasi nodul seperti pada Gambar 2.
Gambar 2. Blok Diagram Alur Mask R-CNN
Pada tahap ini file dicom yang sudah di proses menjadi format tif akan dideteksi dengan menggunakan metode Mask RCNN. Pada tahap ini ada 2 sub tahapan yaitu mendapatkan area nodul atau mengsegmentasi nodul. Yang pertama untuk mendapatkan gambar nodul akan dilakukan proses Regression Layer yaitu mengenali dulu objek objek yang terdapat di CT Scan paru paru, dengan memberikan kotak pembatas untuk objek didalam gambar input jaringan, akan dilakukan proses pengenalan object yang termasuk Tumor dengan menggunakan classification layer.
Pada proses ini, akan dilakukan training menggunakan Convolutional Neural untuk mengenali objek nodul dan objek non nodul. Pada proses kelas terbagi menjadi dua yaitu kelas nodul dan kelas non nodul, dimana kelas nodul terdapat 107 gambar dataset yang berisi nodul, dan yang kelas non nodul berisi 428 gambar dataset non nodul, pada proses ini mendapatkan akurasi training sebesar 100 %, untuk proses training terdapat pada Gambar 3.
Gambar 3. Grafik akurasi training CNN
C. Segmentasi Area Nodul
Lalu selanjutnya proses mensegmentasi area nodul, dimana pada tahap ini menggunakan segmentation layer, yang berguna untuk memisahkan antara objek dengan background. Nodul akan diklasifikasi, termasuk nodul atau bukan. Setelah data terkenali maka akan di training dengan menggunakan Segnet dan VGG16. Gambar 4 adalah bentuk jaringan Segnet. Setelah itu diberi label yang menunjukkan objek yang diberi kotak pembatas, lalu objek di beri mask, Mask Data terdapat 2 format yaitu Binary Mask yang ditetapkan sebagai Logical Array yang dimana nanti nilai array pada gambar bernilai 1 dan 0.
Polygon Coordinate yang ditetapkan sebagai NumObjects Array, jadi setiap baris dari array berisi koordinat x dan y.
Gambar 4. Model Jaringan Segnet
IV.HASILPEMBAHASAN
Sistem ini dibangun dengan menggunakan software Matlab.
Untuk mempermudah mengelola data hasil citra CT Scan, file standart dari CT Scan diubah menjadi format jpg.
Proses pengenalan nodul dan non nodul, setelah proses training RCNN, akan menunjukkan letak dari nodul yang ditandai dengan bounding box seperti contoh hasil deteksi serta hasil potongan area nodul pada Gambar 5.
Gambar 5. Contoh hasil deteksi area nodul dan potongan nodul Setelah objek nodul di deteksi letaknya maka akan di-crop otomatis. Hasil crop selanjutnya di training menggunakan Segnet untuk memisahkan area nodul dari backgroundnya.
Gambar 6 adalah grafik progres training Segnet.
IJCCSISSN
Gambar 6. Grafik progres training Segnet
Performa hasil segmentasi diukur menggunakan ukuran Precision (P), Sensitivity atau True Positive Ratio (TPR), Specificity atau True Negative Ratio (TNR), dan Dice Similarity (D) [11], [12]. Tabel 1 menunjukkan contoh hasil segmentasi area nodul dengan rata-rata performa presisi (precision) yang tinggi. Pada gambar hasil segmentasi, kurva warna merah menunjukkan area ground truth dan kurva warna biru mewakili area hasil segmentasi. Tabel 2 menyajikan contoh hasil segmentasi dengan performa presisi yang lebih rendah.
TABEL I
CONTOH HASIL SEGMENTASI NODUL DENGAN PRESISI TINGGI
Grondtruth Hasil Segmentasi Ukuran Performa
P = 0.85 TPR = 0.97 TNR = 0.82 D = 0.90
P = 0.85 TPR = 1 TNR = 0.77
D = 0.89
P = 0.85 TPR = 0.99 TNR = 0.82 D = 0.91
P = 0.85 TPR = 0.95 TNR = 0.83 D = 0.90
P = 0.86 TPR = 0.88 TNR = 0.86 D = 0.87
TABEL I
CONTOH HASIL SEGMENTASI NODUL DENGAN PRESISI RENDAH
Ground Truth Hasil Segmentasi Ukuran Performa
0.74 0.99 0.65 0.85
0.76 0.0041
0.99 0.0081
0.77 0.98 0.71 0.86
Dari Tabel 1 diatas, dapat dilihat bahwa hasil segmentasi pada nodul yang padat yang merupakan tipe nodul benign mempunyai rata-rata performa yang tinggi dengan rerata precision 0.852, sensitivity 0.958, specificity 0.82, dan Dice Similarity 0.894. Sedangkan pada Tabel 2 untuk nodul yang tidak padat yaitu tipe malignant mempunyai performa hasil segmentasi yang sangat rendah, karena tipe nodul ini mempunyai area yang warnanya hampir sama dengan area lain pada daerah parenkim paru serta batas yang kurang jelas.
V.KESIMPULAN
Penelitian ini berhasil mendeteksi area nodul kanker pada gambar CT Scan dan mensegmentasinya menggunakan metode Mask R-CNN untuk selanjutnya akan dilihat luasannya dan diklasifikasikan tingkat keparahannya.
Namun demikian sistem ini masih belum berhasil mendeteksi dan mensegmentasi area nodul kanker tipe malignant yang cenderung menyebar dan sulit dibedakan dari jaringan lain di sekitarnya. Sehingga diperlukan pengembangan teknik deteksi dan segmentasi area dengan kekontrasan yang sangat rendah seperti pada kasus tersebut.
DAFTAR ACUAN
.[1] I. Iqbalawaty et al., “Profil hasil pemeriksaan CT-Scan pada pasien tumor paru di Bagian Radiologi RSUD Dr. Zainoel Abidin periode Juli 2018-Oktober 2018,” Intisari Sains Medis, vol. 10, no. 3, pp. 625–630, 2019.
[2] W. Alakwaa, M. Nassef, and A. Badr, “Lung cancer detection and classification with 3D convolutional neural network (3D-CNN),” International Journal of Biology and Biomedical Engineering, vol. 11, no. January, pp. 66–73, 2017.
[3] M. B. Khumancha, A. Barai, and C. B. R. Rao, “Lung Cancer Detection from Computed Tomography (CT) Scans using Convolutional Neural Network,” 2019 10th International Conference on Computing, Communication and Networking Technologies, ICCCNT 2019, pp. 1–7, 2019.
[4] P. Monkam, S. Qi, H. Ma, W. Gao, Y. Yao, and W. Qian,
“Detection and Classification of Pulmonary Nodules Using Convolutional Neural Networks: A Survey,” IEEE Access, vol. 7, pp. 78075–78091, 2019.
[5] L. Cai, T. Long, Y. Dai, and Y. Huang, “Mask R-CNN- Based Detection and Segmentation for Pulmonary Nodule 3D Visualization Diagnosis,” IEEE Access, vol. 8, pp.
44400–44409, 2020.
[6] F. A. Hermawati, H. Tjandrasa, and N. Suciati,
“Combination of Aggregated Channel Features ( ACF ) Detector and Faster R-CNN to Improve Object Detection Performance in Fetal Ultrasound Images,” International Journal of Intelligent Engineering & System, vol. 11, no. 6, pp. 65–74, 2018.
[7] K. He, G. Gkioxari, P. Dollar, and R. Girshick, “Mask R- CNN,” Proceedings of the IEEE International Conference on Computer Vision, vol. 2017-Octob, pp. 2980–2988, 2017.
[8] R. Girshick, “Fast R-CNN,” in Proceedings of the IEEE International Conference on Computer Vision, 2015, vol.
2015 Inter, pp. 1440–1448.
[9] K. Clark et al., “The cancer imaging archive (TCIA):
Maintaining and operating a public information repository,”
Journal of Digital Imaging, vol. 26, no. 6, pp. 1045–1057, 2013.
[10] S. G. Armato et al., “The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): A completed reference database of lung nodules on CT scans,”
Medical Physics, vol. 38, no. 2, pp. 915–931, 2011.
[11] F. A. Hermawati, H. Tjandrasa, and N. Suciati, “Hybrid Speckle Noise Reduction Method for Abdominal Circumference Segmentation of Fetal Ultrasound Images,”
International Journal of Electrical and Computer Engineering (IJECE), vol. 8, no. 3, pp. 1747–1757, 2018.
[12] F. A. Hermawati, H. Tjandrasa, and N. Suciati, “Phase-based thresholding schemes for segmentation of fetal thigh cross- sectional region in ultrasound images,” Journal of King Saud University - Computer and Information Sciences, no. xxxx, 2021.
