i
PERANCANGAN DAN PEREALISASIAN PENDETEKSI TEPI CITRA MEDIS DENGAN MENGGUNAKAN TEKNIK
GEOMETRIC DEFORMABLE MODEL(GDM) Douglas O. A. Limba
0122158
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg. Suria Sumantri 65
Bandung 40164, Indonesia Email:doa.limba@gmail.com
ABSTRAK
Segmentasi citra medis dalam dunia kedokteran sangat penting demi menentukan langkah medis yang akan diambil terhadap suatu diagnosa. Sampai sekarang deteksi tepi objek citra medis dilakukan oleh operator bagian radiologi secara manual sehingga menyebabkan munculnya kesalahan pada interpretasi, khususnya pada kasus dimana citra memiliki perbedaan warna yang sangat kecil antara objek denganbackground.
Dalam Tugas Akhir ini dibahas tentang teknik Geometric Deformable Model (GDM), khususnya metode level set dalam melakukan deteksi tepi citra medis. Level set dinilai memiliki kelebihan daripada teknikcurve evolution lainnya,yaitu ketahanannya terhadap noise dan kemampuan berevolusi melalui bidang konkaf, karena formulanya yang memiliki fungsi deteksi tepi.
Hasil percobaan menunjukkan deteksi tepi berhasil untuk citra medis dengan parameter μ dan konstan, 0.25 dan 1. Sementara parameter α dan β bervariasi antara 0.2 sampai dengan 1.5. Uji ketahanan terhadapnoisemenunjukkanlevel set berhasil hingga nilai variansinoise0.7.
ii
DESIGN AND REALIZATION of MEDICAL IMAGE EDGE DETECTION
BY USING THE
GEOMETRIC DEFORMABLE MODEL (GDM) TECHNIQUE Douglas O. A. Limba
0122158
Department of Electrical Engineering, Maranatha Christian University Prof. Drg. Suria Sumantri Rd. 65
Bandung 40164, Indonesia Email:doa.limba@gmail.com
ABSTRACT
Segmentation of medical images in the world of medicine is very important for determining the medical steps to be taken against a diagnosis. Until now medical image edge detection of objects carried by the radiology section operator to manually, which causing the emergence of the error in interpretation, particularly in cases where the image has very little color difference between objects with the background.
On this Final Project, Geometric Deformable Model (GDM) techniques discussed, in particular, the level set method on medical image edge detection. Level sets are considered to have excess than the others curve evolution techniques, which is the resistance of noise and the ability to evolve through a concave area, since the formula that has the edge detection function.
The experimental results show that edge detection to medical image goes successfully with the parameters μ and constant 0.25 and 1, respectively. While the parameters α and β varied between 0.2 to 1.5. The tests of noise resistance show that the level set works successfully with noise variance up to value of 0.7.
v
II.1.1 Teori Dasar Citra Dijital………...4
II.1.2 Format Citra Dijital………..8
II.1.2.1 Bitmap Images (BMP)……….9
II.1.2.2 GIF……….10
II.1.2.3 JPEG………...10
II.2 Citra Magnetic Resonance Imaging (MRI)………11
II.3 Segmentasi Citra………13
II.4 Deformable Model……….14
vi
II.4.1.1 Konsep Dasar Metoda Level Set pada Domain Spatial…..……...15
II.4.2 Minimisasi Energi…………...………...19
BAB III PERANCANGAN DAN REALISASI………26
III.1 Diagram Alir Jaringan………26
III.1.1 Load Data………..27
III.1.2 Buat g……….28
III.1.3 Parameter Update Fungsi Level Set………...28
III.1.4 Inisialisasi Level Set u………...29
III.1.5 Start Evolution dan Iterasi………..29
III.2 Software dan Hardware……….32
BAB IV DATA PENGAMATAN………..34
IV.1 Pengujian Citra Tanpa Noise………...35
IV.2 Pengujian Citra Dengan Noise………...38
IV.3 Uji Ketahanan Terhadap Noise………..42
IV.4 Penilaian Kualiatif………..47
BAB V KESIMPULAN DAN SARAN………..51
V.1 Kesimpulan………....51
V.2 Saran………..51
vii LAMPIRAN
LAMPIRAN A
M-FILE………A
LAMPIRAN B
GAMBAR HASIL SEGMENTASI CITRA TANPA NOISE………B
LAMPIRAN C
GAMBAR HASIL SEGMENTASI CITRA DENGAN TAMBAHAN NOISE SALT & PEPPER NILAI VARIANSI 0.02………C
LAMPIRAN D
GAMBAR HASIL UJI KETAHANAN TERHADAP NOISE………...D
LAMPIRAN E
METODE TRADISIONAL……….E
LAMPIRAN F
viii
DAFTAR TABEL
Tabel IV.1: kombinasi parameter untuk citra ujikappa………....35
Tabel IV.2: kombinasi parameter untuk citra uji otak5……….36
Tabel IV.3: kombinasi parameter terbaik pengujian citra tanpanoise…………...38
Tabel IV.4: kombinasi parameter untuk citra ujikappa dengan penambahannoise………..39
Tabel IV.5: kombinasi parameter untuk citra uji otak5……….40
Tabel IV.6 : kombinasi parameter terbaik pengujian citra dengannoise0.02…...42
Tabel IV.7: kombinasi parameter otak6noise0.05 dan 0.50……….44
Tabel IV.8 kombinasi terbaik pengujian daya tahan citra otak6 terhadapnoise…46 Tabel IV.9: kombinasi parameter terbaik uji ketahanannoise………...46
Tabel IV.10 : pengukuran skala likert………47
Tabel IV.11 : distribusi pilihan koresponden, poin ke-1………48
ix
DAFTAR GAMBAR
Gambar II.1: citra biner………5
Gambar II.2: representasi citra biner………5
Gambar II.3: citra grayscale……….7
Gambar II.4: citra berwarna……….8
Gambar II.5: gambar bitmap………9
Gambar II.6: peralatan MRI………...12
Gambar II.7: sistem magnetic resonance imaging……….12
Gambar II.8: implicit surface………15
Gambar II.9: implicit geometry………..16
Gambar III.1: diagram alir utama………...27
Gambar III.2: diagram alir load data………..27
Gambar III.3: diagram alur g……….28
Gambar III.4: diagram alur parameter update fungsi level set………...28
Gambar III.5: diagram alur inisialisasi level set u……….29
Gambar III.6: diagram alur start evolusi………29
Gambar III.7: diagram alur star iterasi………...30
Gambar III.8: diagram alur cari NX dan NY……….31
Gambar III.9: diagram alur dirac function……….31
Gambar III.10: diagram alur curvature central………...32
Gambar III.11: MATLAB versi 7.11.0.584 (R2010b)………...32
Gambar IV.1 : Proses segmentasi citra ujikappa………....36
x
Gambar IV.3 : citra uji sebelum dan sesudah penambahannoise………39
Gambar IV.4: proses segmentasi citra ujikappadengannoise……….40
Gambar IV.5 : proses segmentasi citra uji otak5noise………..41
Gambar IV.6: (a) citra tanpanoise; (b) citra dengan variansinoise0.05 ; (c) citra dengan variansinoise0.3 ;
(d) citra dengan variansinoise0.7……….43
Gambar IV.7: hasil akhir segmentasi citra otak6 dengan variansinoise0.8…….44
Gambar IV.8: hasil segmentasi citra uji otak6 dengannoise(a) 0.02 ;
1
BAB I
PENDAHULUAN
I.1 Latar Belakang
Segmentasi objek merupakan salah satu aplikasi pengolahan citra yang memiliki peranan penting dalam analisis citra kedokteran. Prosedur segmentasi secara umum bertujuan untuk mengidentifikasi dan melokasikan objek tertentu yang terdapat pada citra, sehingga analisis lebih lanjut dapat dilakukan pada objek tersebut. Sampai sekarang di aplikasi kedokteran, pengambilan keputusan medis masih dibantu dengan deteksi tepi objek citra medis yang dilakukan oleh operator bagian radiologi secara secara manual (langsung dari mata manusia) sehingga menyebabkan munculnya kesalahan pada interpretasi, khususnya pada kasus dengan citra yang memiliki perbedaan warna yang sangat kecil antara objek dengan background. Secara umum ada dua pendekatan yang digunakan dalam proses segmentasi, yaitu pendekatan similiarity (region-based) dan pendekatan
discontinuity (edge-based).
Deformable Model dipandang sebagai model segmentasi edge-based method,
B a b I P e n d a h u l u a n|2
Masalah noise dan bentuk yang kompleks pada citra medis merupakan kesulitan yang dihadapi dalam proses segmentasi. Namun dengan metoda Geometric Deformable Model, masalah tersebut dapat diatasi karena metoda ini memiliki ketahanan terhadap noise yang timbul sebagai akibat proses akuisisi data medis.
Geometric Deformable Model memiliki dasar pergerakan kurva yang diatur dua energi (internal dan eksternal) untuk mencapai boundary. Sifat elastis dan kekakuan pergerakan kurva ditentukan oleh parameter α dan β. Geometric Deformable Model menggunakan persamaan turunan parsial dalam mencari area
boundary. Fungsi edge-map functiondipergunakan sebagai korelasi antara fungsi energi dengan citra.
I.2 Identifikasi Masalah
1. Bagaimana merealisasikan persamaan Geometric Deformable Model untuk pendeteksian tepi citra medis dengan perangkat lunakMATLAB?
2. Berapa nilai parameter (α dan β) yang tepat untuk pendektesian tepi pada citra medis padaMATLAB?
I.3 Tujuan
1. Merealisasikan persamaan Geometric Deformable Model sebagai pendeteksi tepian objek pada citra medis dengan perangkat lunakMATLAB
2. Menentukan nilai parameter (α dan β) yang tepat untuk pendeteksian tepi pada citra medis padaMATLAB
I.4 Pembatasan Masalah
B a b I P e n d a h u l u a n|3
2. Pengujian dilakukan terhadap citra medis yang sudah bebas noise 3. Citra medis yang diolah berupa citra magnituda
4. Menggunakan citra 256 BMP (gray image) 5. Aplikasi yang digunakan adalahMATLAB 2010
6. Citra yang dipergunakan untuk pengujian adalah citra sintetik dan citra medis seperti ; citra MRI yang digunakan diperoleh dari Jena University Germany, MRI Clinic Centre.
I.5 Sistematika Penulisan
Tugas akhir ini ditulis dalam empat bab, masing-masing bab membahas satu topik utama dengan beberapa topic pendukung. Sistematika penulisan masing-masing bab adalah sebagai berikut:
1. Bab I: Pendahuluan, menerangkan latar belakang masalah yang mendasari dilakukannya penelitian ini. Dalam bab ini dikemukakan latar belakang masalah, identifikasi masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan.
2. Bab II: Landasan Teori, membahas tentang teori-teori citra dijital, MRI, segmentasi, dan teknikdeformable model.
3. Bab III: Desain Aplikasi, berisi tentang diagram alur dan rancangan program yang akan digunakan untuk segmentasi citra uji.
4. Bab IV: Data Pengamatan, berisi tentang hasil uji atas citra yang diujikan. 5. Bab V: Kesimpulan dan Saran, menyampaikan kesimpulan dari penelitian
51
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
1. Pendeteksian tepi dengan menggunakan teknik Geometric Deformable Modeldapat bekerja dengan baik dan menghasilkan segmentasi yang lebih baik daripada teknik tradisional lainnnya.
2. Pada percobaan di Tugas Akhir ini untuk citra medis tanpa noise segmentasi berhasil untuk pemilihan nilai μ yang konstan yaitu 0.25 dan nilai antara 1 dan 1.5, dengan nilai α dan β berkisar antara 0.2 sampai dengan 1.5.
3. Segmentasi untuk citra tanpanoisemembutuhkan iterasi yang lebih sedikit daripada citra dengan noise, dengan parameter-parameter α, β, , dan μ yang sama.
4. MetodeGeometric Deformable Modelyang digunakan dalam Tugas Akhir ini mampu mendeteksi tepian citra dengan noise salt & pepper sampai dengan nilai variansinoise0.70.
V.2 Saran
1. Perlu diadakannya penelitian lebih lanjut untuk penggunaan metode ini untuk objek medis yang lain, seperti CTscan, USG dan objek dijital lainnya.
52
DAFTAR PUSTAKA
1. D. Terzopoulos and K. Fleischer, “Deformable models,” The Visual Computer, vol. 4, pp. 306–331, 1988.
2. Lauterbur, P.C.,”Image Formation by Induced Local Interactions:Examples Employing Nuclear Magnetic Resonance”, Nature 242, 190-191, 1973.
3. Li Chunmig, Xu Chenyang, Gui Changfeng, and Fox Martin D., “Level Set Evolution Without Re-initialization:A New Variational Formulation”, IEEE Proc. Conf. on CVPR’05, 2005.
4. M. Brant – Zawadzki, et al, “Magnetic Resonance Imaging”, Volume 1, 1992.
5. M. Kass, A. Witkin, and D. Terzopoulos, “Snakes: active contour models,” Int’l J.Comp. Vis., vol. 1, no. 4, pp. 321–331, 1987.
6. Murni Aniati, Chahyati Dina.,”Segmentasi Citra”,ppt, Fakultas Ilmu Komputer, Universitas Indonesia, 2010.
7. Penny John, Lindfield George,”Numerical Methods Using Matlab”,Great Britain: Ellis Horwood, 1995.
8. Putra, Darma.,”Pengolahan Citra Digital”, Andi,2010.
9. R.C. Gonzales, R.E. Woods. “Digital Image Processing, 2nd ed.”.pp.567, New Jersey: Prentice Hall International, 2002.
10. Roy Pramono Adhie, Andriyan Bayu Suksmono, Tati R.Mengko, Oerip S.Santoso,”Phase Unwrapping Citra Insar Dengan Pendekatan Geometric Active Contour (GAC) Level Set”, Jurnal Elektronika dan Telekomunikasi,vol.10,no.3,okt-des, Pusat Penelitian Elektronika dan Telekomunikasi, Lembaga Ilmu Pengetahuan Indonesia, 2010.
53
12. Xu Chenyang, Pham Dzung L., Prince Jerry L. “Chaper 3: Image Segmentation Using Deformable Models.”, The Johns Hopkins University.
