Kajian Pengolahan Citra untuk Analisis Kanker Paru –
paru
Maria Mediatrix1, Teguh Bharata Adji2, Hanung Adi Nugroho3 Jurusan Teknik Elektro dan Teknologi Informasi
Universitas Gadjah Mada Jl. Grafika No.2 Yogyakarta - 55281
[email protected],[email protected], hanung @ te. ugm.ac.id3
Abstract1— Lung cancer is a type of cancer that
has a high mortality rate in the world. There are two types of lung cancer that are small cell lung cancer and non-small cell lung cancer. Lung cancer diagnosis can be done by physical examination, X-ray, and Computed Tomography (CT) scans. An early detection of lung cancer can reduce the dead rate. However, radiologists can also make mistakes in distinguishing normal and lung that contain nodule. Therefore, we need a system that can detect lung cancer for helping the experts to get more accurate diagnosis. This paper presents several methods that can be used for segmentation, extraction and image classification so it can produce a more precise and accurate diagnosis. Based on the study, the classification has high degree of accuracy reached 97,55%, 85,91% sensitivity and 97,70% specificity.
Keywords— CT image, lung cancer, nodule detection
1. PENDAHULUAN
anker paru-paru merupakan salah satu jenis kanker yang memiliki tingkat kematian yang tinggi di dunia. American Cancer Society mengestimasi kanker paru-paru di Amerika Serikat pada tahun 2014 adalah sekitar 224.210 kasus (116.000 pria dan 108.210 wanita) dan yang meninggal 159.260 (86.930 pria dan 72.330 wanita) [1]. Kanker merupakan pertumbuhan dan penyebaran sel-sel abnormal yang memiliki karakteristik yang khas. Kanker yang sudah menyebar, biasanya akan menyebabkan kematian. Kanker paru-paru lebih sering menyebabkan pria meninggal dibanding kanker lain, dan yang sering menjadi penyebab kanker paru-paru adalah merokok [2]. Kanker paru-paru terdiri dari kanker paru-paru sel kecil
K
1Maria Mediatrix S. , Program Studi S2 Teknik Elektro, Jurusan
Teknik Elektro dan Teknologi Informasi UGM, Jl. Grafika No.2, Sleman, Yogyakarta ([email protected]).
(SCLC) dan kanker paru-paru non-sel kecil (NSCLC) [1].
Kanker paru-paru sel kecil cenderung tumbuh dan berkembang lebih lambat jika dibandingkan dengan kanker paru-paru non-sel kecil yang memiliki tingkat pertumbuhan yang pesat dan cepat menyebar ke pembuluh darah menuju anggota tubuh lainnya. Biasanya penyebaran kanker paru-paru menuju kelenjar getah bening, otak, tulang, hati dan kelenjar adrenal. Kanker paru-paru non sel kecil terdiri dari beberapa jenis yaitu Squamous cell (epidermoid) carcinoma, Adenocarcinoma, dan Large cell (undifferentiated) carcinoma. Kanker paru-paru sel kecil terdiri dari Small cel carcinoma dan Combined small cel carcinoma [1].
Pendeteksian dini kanker paru-paru akan sangat membantu penderita agar bisa sembuh. Salah satu cara yang digunakan untuk mendeteksi kanker paru-paru ialah melalui pemeriksaan CT Scan (Computed Tomography). Citra dari CT Scan akan memberikan hasil yang berbeda antara paru-paru yang normal dan yang tidak normal, seperti kanker paru-paru sekaligus stadium dari kanker paru-paru tersebut. Proses pemeriksaan dengan cara ini tentu saja membutuhkan peralatan yang cukup kompleks, mahal dan memerlukan tenaga ahli dalam proses pengerjaannya. Bahkan tenaga ahli juga dapat melakukan kesalahan dalam membedakan antara paru-paru yang normal dan yang tidak normal [3]. Oleh karena itu, banyak peneliti telah memberikan berbagai alternatif solusi yang dapat membantu para dokter dengan memanfaatkan berbagai teknik pengolahan citra.
Dataset diperoleh dari The Lung Image Database Consortium (LIDC-IDRI) yang terdiri dari skrining CT scan kanker paru-paru. Citra yang diperoleh memiliki format DICOM (Digital Imaging and Communications in Medicine) dan berukuran 512x512. LIDC merupakan website internasional yang dapat diakses untuk pengembangan, pelatihan dan evaluasi diagnostik untuk mendeteksi dan mendiagnosis kanker paru-paru [4]. Oleh sebab itu, dataset ini sering digunakan di berbagai penelitian untuk mendeteksi kanker paru-paru [4], [9], [18]. Tahap deteksi kanker paru-paru terdiri dari preprocessing, ekstraksi ciri, segmentasi dan klasifikasi.
2.1. Preprocessing
Tahap yang paling mendasar yang perlu dilakukan adalah tahap preprocessing yang bertujuan untuk menyiapkan citra sebelum diolah. Gomathi dan Thangaraj (2010) [5][6], menggunakan teknik bit-plane slicing yang bertujuan untuk mengubah citra grayscale menjadi citra biner untuk mempermudah pengolahan. Erosion untuk meningkatkan kualitas citra untuk mengurangi noise (gangguan) dari citra tersebut. Dilation dan median filter untuk melakukan perbaikan citra lebih lanjut terhadap distorsi lainnya. Outlining untuk menentukan bentuk garis area yang diperoleh dari pengurangan noise. Lung border extraction untuk memperoleh area perbatasan paru-paru. Selanjutnya, flood fill algorithm untuk mengisi perbatasan paru-paru.
2.2. Ekstraksi ciri
Penelitian untuk mendeteksi kanker paru-paru dilakukan melalui beberapa tahap. Tahap yang paling mendasar adalah ekstraksi area paru-paru. Tujuan utama dari ekstraksi adalah untuk mendeteksi area paru-paru dan Region of Interest (ROI) dari citra CT [5]. Tahap ekstraksi ini dapat dilakukan dengan berbagai teknik, misalnya Region Growing [7], Large Nodule Filter (LNF), Constrained Sliding Band Filter (CSBF), dan Outlier Area Filter (OAF) [8], kombinasi Gaussian Filter dan Median Filter [9], dan transformasi wavelet[10].
Pada tahun 2009, Yang Liu, dkk [11], mengusulkan analisis peningkatan voxel untuk citra 3D. Teknik ekstraksi 3D Selective Enhancement Filter digunakan untuk mendapatkan nodul voxel awal. Tetapi, karena terlalu banyak area False Positive (FP) yang
dihasilkan dalam Nodule Enhanced, maka perlu untuk menambahkan metode seleksi fitur yang mampu mengurangi tingkat FP.
Ekstraksi ciri menggunakan pendekatan Region Growing, dilakukan oleh Ferreira dkk (2010) [12] dan Elizabeth dkk (2012) [3]. Metode ini [3] dibandingkan metode yang digunakan oleh [5] yang hanya menggunakan fitur berdasarkan daerah dan intensitas klasifikasi.
Saksono, dkk(2010) [2] juga melakukan ekstraksi ciri dengan menggunakan menggunakan transformasi wavelet haar karena metode ini dapat merepresentasikan ciri tekstur dan bentuk serta waktu komputasi yang lebih kecil dibanding jenis wavelet lainnya. Transformasi wavelet juga diusulkan oleh Al-Absi dkk (2012) [10]. Mereka menggunakan wavelet Haar, Daubechies dan Symlet untuk menguji metode yang diusulkan.
Teknik yang berbeda diusulkan oleh Gergely Orban, dkk (2012) [8] yaitu Nodule Enhancement menggunakan algoritme Large Nodule Filter (LNF), Constrained Sliding Band Filter (CSBF), dan Outlier Area Filter (OAF). Pada tahun yang sama, R. Nagata, dkk [13] juga mengusulkan teknik Nodule Enhancement menggunakan Laplacian of Gaussian (LoG) filter. Kemudian, Antonio Oseas dkk (2014) [9], juga menggunakan teknik Enhancement yang mengkombinasikan Gaussian Filter dan Median Filter.
2.3. Segmentasi
Tahap lanjutan setelah ekstraksi adalah segmentasi yaitu proses membagi suatu citra ke dalam komponen-komponen region atau objek [14]. Level pembagian tergantung pada masalah yang diselesaikan. Maka segmentasi seharusnya berhenti ketika objek yang diinginkan telah terisolasi [15]. Algoritme segmentasi citra umumnya didasarkan pada satu dari dua properti nilai intensitas yaitu diskontinuitas yang memecah/memilah citra berdasarkan perubahan kasar dalam intensitas seperti tepi citra, dan similaritas yang memecahkan citra ke dalam area-area yang serupa sesuai dengan kriteria awal yang diberikan [14] [15]. Gambar 1 menunjukkan hasil segmentasi citra CT.
Pada tahun 2010, Gomathi dan Thangraj [5] [6] [16] mengusulkan pendekatan segmentasi citra menggunakan algoritme Modified Fuzzy C-Means (FCM) dan Fuzzy Possibilistic C-Means (FPCM). Metode segmentasi yang sama juga digunakan oleh Sivakumar S. dan C. Chandrasekar (2013) [4], mengusulkan sebuah sistem untuk mendeteksi nodul pada paru-paru dengan menggunakan Fuzzy Clustering.
Jiantao Pu, dkk(2011) [17] mengusulkan strategi analisis bentuk yang disebut “ break-and-repair” untuk memfasilitasi segmentasi citra medis secara otomatis. Strategi “ break-and-repair” yang diusulkan terdiri dari tiga tahap utama yaitu : modelling (pemodelan), “break”, dan “repair”.
Pada tahun yang sama, Maxine Tan dkk [18], menyajikan sistem CAD untuk mendeteksi nodul paru-paru pada citra CT.Tahap deteksi sistem terdiri dari segmentasi nodul berdasarkan peningkatan penyaringan nodul dan pembuluh darah, dan menghitung fitur divergensi untuk mencari pusat-pusat klaster nodul.
Shanhui Sun, dkk(2012) [19] menggunakan algoritme pencocokan Robust Active Shape Model (RASM) untuk menghasilkan sebuah segmentasi paru-paru. Algoritme ini dibandingkan dengan algoritme Active Shape Model.
Stelmo Magalhaes dkk (2012) [7], mengembangkan metode segmentasi nodul paru-paru yang terdiri dari dua tahap. Tahap pertama adalah pengelompokkan struktur padat melalui penerapan Growing Neural Gas (GNG). Tahap kedua adalah pemisahan struktur yang menyerupai nodul pada paru-paru dari struktur lainnya, seperti pembuluh darah dan bronkus.
Wook-Jin Choi dkk (2012) [20], mengusulkan segmentasi menggunakan thresholding dan komponen pelabelan 3D yang terhubung, ekstraksi area paru dan koreksi kontur.
K. Kancherla dan S. Mukkamala (2013) [21], melakukan segmentasi menggunakan metode segmentasi Seeded Region Growing. Nima Torbati dkk (2014) [22], menyajikan suatu metode jaringan saraf (neural network) untuk segmentasi citra medis.
3. METODE-METODE DETEKSI KANKER PARU-PARU
Teknik pengolahan citra untuk mendeteksi kanker paru-paru dapat dilakukan dengan berbagai cara. Berbagai teknik tersebut memiliki kelebihan dan kekurangan dalam hal akurasi, sensitivitas, spesifisitas serta dalam hal penguragan tingkat FP.
Menurut Sun, dkk [19], menggunakan algoritme pencocokan Robust Active Shape Model (RASM) untuk menghasilkan sebuah segmentasi paru-paru. Tahap awal, metode pencocokan RASM digunakan untuk segmentasi garis paru-paru. Kemudian, posisi awal RASM ditentukan dengan metode deteksi tulang rusuk. Kedua, pendekatan optimal surface finding digunakan untuk mengadaptasi hasil segmentasi awal. Algoritme ini dibandingkan dengan algoritme Active Shape Model. Pendekatan pencocokan RASM yang diusulkan melebihi pendekatan standar ASM. Bahkan pada paru-paru normal, RASM memberikan kinerja yang unggul, bahkan dapat menangani data yang hilang.
Elizabeth dkk [3], mengusulkan metode ekstraksi parenkim paru menggunakan pendekatan region-growing, segmentasi menggunakan algoritme Greedy Snake. Hasil segmentasi menjadi masukan kepada Neural Network terlatih, yang mengklasifikasikan nodul sebagai jinak atau ganas. Dari hasil yang diperoleh, diketahui bahwa meskipun tidak ada peningkatan yang signifikan dalam True Positive (TP), membuang bagian yang tidak perlu dengan analisis irisan yang paling signifikan saja untuk setiap ROI yang telah menghasilkan pengurangan FP dalam sistem yang diusulkan.
Gomathi dan Thangaraj [5] [16] melakukan segmentasi area paru-paru untuk menemukan nodul kanker menggunakan Fuzzy Possibilistic C Mean (FPCM). Kemudian, [5] menggunakan Extreme Learning Machine (ELM) karena klasifikasinya yang lebih baik. Teknik yang diusulkan mendeteksi 10 nodul kanker dengan benar. Area FP juga dapat dideteksi. Tetapi berdasarkan teknik tersebut maka citra yang telah diubah tidak dapat dikembalikan lagi ke bentuk semula.
diusulkan adalah 117 artinya area false positive dapat dideteksi dengan baik. Hasil ini lebih baik jika dibandingkan dengan sistem CAD konvensional.
Sivakumar S. dkk[4], juga mengusulkan sebuah sistem untuk mendeteksi nodul pada paru-paru dengan menggunakan Fuzzy Clustering dan Support Vector Machine. Tahap awal yang dilakukan adalah segmentasi citra menggunakan algoritme Fuzzy C-Means (FCM) standar, Fuzzy-Possibilistic C-Means dan Weighted Fuzzy-Possibilistic C-Means (WFPCM) pada CT citra paru-paru. Dari fitur citra yang tersegmentasi, diekstraksi dan fitur ini digunakan sebagai masukan pada SVM classifier. SVM menggunakan tipe kernel yang berbeda seperti linear, polynomial dan RBF (yang akan dibandingkan).
Chen dan Suzuki[25], yang mengembangkan skema CAD dengan peningkatan sensitivitas dan spesifitas dengan menggunakan radiografi dada Virtual Dual Energy (VDE) dimana tulang rusuk dan klavikula ditekan dengan Massive Training Artificial Neural Networks (MTANN). Untuk mengurangi kesalahan false positive pada tulang rusuk dan mendeteksi nodul tulang rusuk yang tumpang tindih, maka dimasukkan teknologi VDE dalam skema CAD yang diusulkan. Teknologi VDE menekan tulang rusuk dan kekeruhan klavikula CXR dengan mempertahankan opasitas jaringan lunak, menggunakan teknik MTANN yang telah dilatih dengan pencitraan dual-energi. Skema nodul yang terdeteksi pada citra VDE menggunakan sebuah teknik filtering morfologis. 60 morfologi dan level fitur keabuan diekstraksi dari masing-masing kandidat dari citra VDE dan CXR yang asli. Support Vector classifier non linier digunakan untuk klasifikasi kandidat nodul. Skema asli tanpa teknologi VDE dicapai sensitivitas 78,6% dengan 5 citra false positive. Dengan menggunakan teknologi VDE, nodul yang tumpang tindih dengan rusuk atau klavikula terdeteksi dan sensitivitas meningkat secara substansial hingga 85% pada tingkat false positive yang sama dalam uji validasi bersilang, sedangkan tingkat false positive dikurangi menjadi 2,5 per citra pada tingkat sensitivitas yang sama seperti skema CAD asli yang diperoleh. Sensitivitas skema CAD berbasis VDE untuk nodul halus (66,7%) secara statistik lebih signifikan dari skema CAD yang asli (57,1%). Oleh karena itu, dengan menggunakan teknologi VDE, sensitivitas dan spesifisitas CAD yang diusulkan dapat mendeteksi nodul, terutama nodul
halus pada CXR yang ditingkatkan secara substansial.
Magalhaes dkk [7], juga melakukan klasifikasi dengan menggunakan metode SVM. Metode yang diusulkan terdiri dari akuisisi citra CT paru-paru, pengurangan volume dari area yang diperhatikan menggunakan sebuah teknik untuk ekstraksi thoraks, ekstraksi paru-paru, dan rekonstruksi bentuk asli parenkim. Setelah itu, Growing Neural Gas (GNG) diterapkan untuk membatasi struktur yang lebih padat dari parenkim paru (nodul, pembuluh darah, bronkus, dll). Tahap selanjutnya adalah pemisahan struktur yang menyerupai nodul pada paru-paru dari struktur lainnya, seperti pembuluh darah dan bronkus. Struktur diklasifikasikan sebagai nodul atau bukan nodul, melalui bentuk dan tekstur pengukuran dengan SVM. Metode ini dilakukan selama 10 percobaan pelatihan dan pengujian sampel dari 48 nodul yang terjadi di 29 pengujian. Tingkat False Positive per pengujian adalah 0,138 untuk 29 pengujian yang dianalisis. Metode yang diusulkan didasarkan pada teknik yang sederhana, mudah diimplementasi dan biasanya cepat.
Ferreira dkk[12], mengusulkan metode deteksi nodul paru-paru yang terdiri dari enam tahap, ekstraksi toraks, ekstraksi paru-paru, rekonstruksi paru-paru, ekstraksi struktur, eliminasi struktur tubular, dan pengurangan false positive. Pada tahap ekstraksi thorax, semua artefak eksternal akan dibuang dari tubuh pasien. Struktur akan diidentifikasi menggunakan algoritme region growing 2-D. Tahap ekstraksi paru-paru digunakan untuk identifikasi parenkim paru. Tujuan dari tahap rekonstruksi paru adalah untuk mencegah salah penghapusan bagian parenkim. Tahap ini menerapkan dua langkah yaitu mengidentifikasi dan menghilangkan jaringan parenkim yang kurang padat dan memisahkan masing-masing struktur tiga dimensi yang ditemukan sehingga dapat diproses secara individual. Tahap ekstraksi fitur terdiri dari pemilihan struktur yang padat dari dalam parenkim paru. Tahap berikutnya, eliminasi struktur tubular menghilangkan sebagian besar pohon paru. Tahap false positive dengan menghilangkan nodul paru yang salah dengan menggunakan SVM. Masing-masing dari beberapa tahap memiliki tujuan yang sangat spesifik dalam deteksi nodul paru-paru tertentu, tingkat pencocokan yang baik bahkan dalam keadaaan sulit mendeteksi.
pertama, ekstraksi dan rekonstruksi parenkim paru dilakukan dan kemudian ditingkatkan untuk menyoroti strukturnya. Ekstraksi dilakukan dengan Gaussian Filter dan Median Filter. Tahap kedua, kandidat nodul disegmentasi. Tahap ketiga, bentuk dan tekstur fitur diekstrak, dipilih dan kemudian diklasifikasikan menggunakan SVM. Pada tahap pengujian dengan 140 data dari Lung Image Database Consortium, 80% diantaranya adalah untuk pelatihan dan 20% untuk pengujian.
Berbeda dengan penelitian-penelitian lainnya, J. Pu, dkk [17], mengusulkan strategi analisis bentuk yang disebut “break-and-repair” untuk memfasilitasi segmentasi citra medis secara otomatis. Strategi “break-and-repair” yang diusulkan terdiri dari tiga tahap utama yaitu : modelling (pemodelan), “break”, dan “repair”. Tahap pertama ekstrak ROI dan direpresentasikan sebagai model permukaan. Tahap kedua, melakukan identifikasi dan menghapus area yang bermasalah yang bukan bagian dari struktur anatomi yang bersangkutan atau berpotensi menghambat kelancaran atau segmentasi yang lengkap. Tahap ketiga “repairing” (memperbaiki) area yang mencurigakan. Algoritme Cubes Marching (MCA) digunakan untuk ekstrak dan merepresentasi struktur anatomi. Hasil dari penilaian awal menunjukkan kelayakan umum dan ketahanan strategi dalam segmentasi.
Pendekatan lain dilakukan oleh Eva M. dkk[23], yang menyajikan sebuah metode otomatis untuk mengidentifikasi lobus paru-paru dan segmen paru pada data CT 3-D. Tahap awal dimulai dengan segmentasi paru-paru berdasarkan wilayah perkembangan. Selanjutnya, celah paru diekstrak oleh filter supervised. Kemudian, lobus paru-paru diperoleh dengan klasifikasi voxel dimana posisi voxel di paru-paru dan relatif terhadap celah yang digunakan sebagai fitur. Akhirnya, masing-masing lobus dibagi dalam segmen paru dengan menerapkan klasifikasi voxel yang lain yang menggunakan fitur berdasarkan celah yang terdeteksi dan posisi relatif voxel di lobus. Metode ini telah dievaluasi pada 100 CT scan yang diperoleh dari percobaan penyaringan dari kanker paru-paru dan dibandingkan dengan perkiraan dari para pengamat. Metode ini mencapai akurasi yang tinggi (77%), tetapi jika dibandingkan dengan metode lain, metode ini masih perlu dikembangkan agar dapat menghasilkan akurasi yang lebih akurat.
Menurut Abdullah dkk[24], dalam mendeteksi dan mendiagnosis nodul kanker paru-paru pada
citra X-ray terkadang tersamar oleh struktur anatomi, rendahnya kualitas gambar atau pun karena kriteria variabel keputusan yang digunakan oleh dokter. Oleh karena itu, dikembangkan pendekatan Cellular Neural Network (CNN) template simulation untuk membantu para dokter dalam mengenali area kanker paru-paru dalam citra x-ray. Metode ini menggunakan CNN Visual Mouse versi 4.1 yang merupakan kerangka kerja perangkat lunak untuk teknologi CNN berdasarkan konsep Mouse Visual (VisMouse). Parameter yang digunakan dalam CNN disebut template, yaitu median template, HeatDiffusion template, Hole-Filling template, Peel template, LogANDOperation template, Smoothing template, dan Edge Detection template. Jika template berubah, output juga akan berubah. Hasil eksperimen menunjukkan adanya kanker dan telah dibuktikan oleh ahli radiologi dan ahli medis. Kemungkinan untuk menggunakan metode ini lebih tinggi untuk mendiagnosa gejala kanker paru-paru dari radiografi dada. Kinerja algoritma CNN diverifikasi untuk mendeteksi daerah dan batas daerah kanker paru-paru.
Menurut Al-Absi dkk[10], mengusulkan teknik Machine Learning yang digunakan untuk mengembangkan system CAD untuk mendeteksi kanker paru-paru. Sistem terdiri dari tahap ekstraksi fitur, tahap seleksi fitur, dan tahap klasifikasi. Untuk ekstraksi fitur seleksi, fungsi wavelet (haar, daubechies, symlet) telah diterapkan untuk menemukan akurasi tertinggi. Algoritme klasifikasi K-Nearest Neighbor dikembangkan untuk melakukan klasifikasi. Dataset radiografi dada diperoleh dari JSRT (Japanese Society of Radiological Technology) digunakan untuk menguji metode yang diusulkan. Dataset terdiri dari 247 radiografi dada dimana 154 citra terdapat nodul (abnormal) dan 93 citra tidak terdapat nodul (normal). Sistem dikembangkan menggunakan MATLAB yang diuji dengan berbagai fungsi wavelet untuk menentukan fungsi dan level untuk menghasilkan hasil yang optimal
citra dari bayang-bayang tulang. Langkah kedua disebut peningkatan lesi, menyoroti struktur yang mencurigakan seperti nodul pada paru-paru yang menjadi sasaran dan area yang disusupi dengan menggunakan algoritme pengolahan citra dan klasifikasi menggunakan SVM. Tetapi, belum dijelaskan tingkat akurasi, sensitivitas dan spesifisitas yang dicapai.
Selain penelitian-penelitian diatas, Kancherla, dkk[21], juga menyajikan sebuah metodologi deteksi dini kanker paru-paru menggunakan nucleus based features. Penelitian ini menggunakan Tetrakis Carboxy Phenyl Porphine (TCPP) sebagai pendekatan alternatif untuk deteksi dini kanker paru-paru. Tahap awal, sampel dahak pasien diberi label dengan TCPP dan dan diambil sampel citra fluorescent. TCPP adalah porfirin yang dapat membantu dalam pelabelan sel-sel kanker paru-paru dengan meningkatkan jumlah lipoprotein densitas rendah pada permukaan kanker. Penelitian ini menggunakan teknik machine learning dalam konteks deteksi kanker paru-paru pada dataset Biomoda. Diperoleh hasil 81% menggunakan 71 fitur yang berhubungan dengan bentuk, intensitas dan warna. Dengan menambahkan nucleus segmented features maka akurasi dapat ditingkatkan hingga 87%. Segmentasi nucleus dilakukan menggunakan metode segmentasi Seeded Region Growing. Hasil menunjukkan bahwa nucleus segmented features berpotensial untuk mendeteksi kanker paru-paru.
Selanjutnya, Y. Liu, dkk[11], mengusulkan analisis peningkatan voxel dalam 3D menggunakan pendekatan CAD. Metode ini terdiri dari berbagai tahap, segmentasi bidang paru dengan mengkombinasikan bounding box dan segmentasi threshold, peningkatan kandidat nodul, peningkatan ekstraksi fitur voxel, dan klasifikasi voxel dengan Support Vector Machine dan aturan keputusan nodul. Dua dataset nodul kanker digunakan untuk mengevaluasi kinerja skema. Untuk memperhalus batas area segmentasi paru digunakan algoritme Rolling Ball. Skema CAD memperoleh tingkat sensitivitas dan spesifisitas yang tinggi.
Sedangkan Wook-Jin Choi dkk[20], mengusulkan sistem deteksi nodul paru berbasis Genetic Programming (GP). Sistem yang diusulkan terdiri dari tiga tahap. Pada tahap pertama, volume paru-paru disegmentasi menggunakan thresholding dan komponen pelabelan 3D yang terhubung, ekstraksi area paru dan koreksi kontur. Tahap kedua,
mengoptimalkan berbagai thresholding dan pemangkasan rule-based diterapkan untuk mendeteksi dan meng-segmen kandidat nodul. Dalam tahap ini, satu set fitur diesktrak dari kandidat nodul yang dideteksi, kemudian fitur 3D dan 2D dipilih. Pada tahap terakhir, pengklasifikasi GP (GPC) dilatih dan digunakan untuk mendeteksi nodul karena dianggap sebagai teknik yang fleksibel dan kuat sehingga GPC dapat secara optimal menggabungkan fitur yang dipilih, fungsi matematika dan konstanta secara acak. Kinerja dari sistem ini kemudian dievaluasi. Selanjutnya penelitian yang dilakukan Torbati dkk[22], mengusulkan suatu metode jaringan saraf (neural network) untuk segmentasi citra medis. Tahap pertama, jaringan self-organizing map (SOM) yang disebut Moving Average SOM (MA-SOM) digunakan untuk segmentasi citra medis. Setelah tahap segmentasi awal, proses penggabungan dirancang untuk menghubungkan objek bersama-sama. Transformasi Wavelet Diskrit 2D digunakan untuk membangun fitur input pada jaringan. Fitur umum dari citra masukkan dianalisis menggunakan 2D-DWT, Network training, segmentation dan merging process. Hasil eksperimen menunjukkan bahwa MA-SOM tahan terhadap noise dan mampu menentukan pola citra masukkan dengan benar. Hasil segmentasi breast ultrasound images (BUS) menunjukkan bahwa ada hubungan yang signifikan antara area tumor yang dipilih oleh dokter dan area tumor yang disegmentasi dengan metode yang diusulkan. Selain itu, metode ini dapat meng-segmen citra X-ray Computerized Tomography (CT) dan Magnetic Resonance jauh lebih baik daripada Incremental Supervised Neural Network (ISNN) dan metode SOM.
4. PEMBAHASAN
Tahap untuk mendeteksi kanker paru-paru diawali dengan proses ekstraksi area paru-paru untuk mendapatkan ROI dari citra paru-paru, proses segmentasi dan klasifikasi. Ketiga tahap tersebut disajikan dengan berbagai metode dengan tujuan untuk mendapatkan akurasi yang lebih tinggi. Rangkuman metode-metode tersebut ditampilkan dalam tabel berikut. (CSBF), dan Outlier Area Filter (OAF)
Nima Torbati,
dkk[22] Two-DimensionalWavelet Transform Discrete Ryoichi Nagata,
dkk[13] Laplacian of Gaussian Filter Antonio Oseas,
Kenji Suzuki[25] Directional Gradient MagnitudeFilter Kesav Kancherla
dan Srinivas Mukkamala[21]
Daubechies Wavelet
TABEL 2. METODE SEGMENTASI DAN KLASIFIKASI
dkk[19] RobustActive Shape Model
n interobserver dan intraobserver (74% dan 80%) S. Chen dan K.
Suzuki[25] Virtual DualEnergy, Support
dkk[22] Neuralnetwork Mampumendeteksi rasio false positive 0,8%
untuk semua bagian dan rasio true positive lebih dari 93%. false positive 4 per citra
Penelitian-penelitian yang telah dilakukan memberikan hasil klasifikasi yang berbeda-beda. Hal ini disebabkan karena perbedaan metode yang digunakan oleh masing-masing peneliti. Namun, proses dan algoritme dari beberapa penelitian dapat digabungkan untuk menghasilkan sistem yang dapat mendeteksi 97,70% [22]. Salah satu metode yang diusulkan [9] [12], setelah melakukan praproses seperti Bit-Plane Slicing, Erosion, Median Filter, Dilation, Outlining, Lung Border Extraction dan algoritme Flood-Fill, maka tahap selanjutnya adalah segmentasi dan klasifikasi. Namun, tingkat akurasi, sensitivitas dan spesifisitas tidak dijelaskan dengan jelas.
DAFTAR PUSTAKA
[1] National Cancer Institute, 2013.
[3] D. S. Elizabeth, H. K. Nehemiah, C. S. Retmin Raj, and A. Kannan, “Computer-aided diagnosis of lung cancer based on analysis of the significant slice of chest computed tomography image,” IET Image Process., vol. 6, no. 6, pp. 697–705, 2012.
[4] S. Sivakumar and C. Chandrasekar, “Lung nodule detection using fuzzy clustering and support vector machines,” Int. J. Eng. Technol., vol. 5, no. 1, pp. 179–185, 2013.
[5] M. Gomathi, Dr. P. Thangaraj, “A Computer Aided Diagnosis System for Detection of Lung Cancer Nodules Using Extreme Learning Machine” International Journal of Engineering Science and Technology Vol. 2(10), 2010, 5770-5779
[6] M. Gomathi and P. Thangaraj, “A computer aided diagnosis system for lung cancer detection using support vector machine,” American Journal of Apllied Sciences 7 (12) : 1532-1538, 2010.
[7] S. Magalhães Barros Netto, A. Corrĉa Silva, R. Acatauassú Nunes, and M. Gattass, “Automatic segmentation of lung nodules with growing neural gas and support vector machine,” Comput. Biol. Med., vol. 42, no. 11, pp. 1110– 1121, 2012.
[8] G. Orbán and G. Horváth, “Algorithm fusion to improve detection of lung cancer on chest radiographs,” Int. J. Intell. Comput. Cybern., vol. 5, no. 1, pp. 111–144, 2012.
[9] A. O. De Carvalho Filho, W. B. De Sampaio, A. C. Silva, A. C. de Paiva, R. A. Nunes, and M. Gattass, “Automatic detection of solitary lung nodules using quality threshold clustering, genetic algorithm and diversity index,” Artif. Intell. Med., vol. 60, no. 3, pp. 165–177, 2014. [10] H. R. H. Al-Absi, B. B. Samir, K. B. Shaban,
and S. Sulaiman, “Computer aided diagnosis system based on machine learning techniques for lung cancer,” 2012, vol. 1, pp. 295–300. [11] Y. Liu, J. Yang, D. Zhao, and J. Liu, “Computer
aided detection of lung nodules based on voxel analysis utilizing support vector machines,” 2009, pp. 90–93.
[12] J. R. F. da Silva Sousa, A. C. Silva, A. C. de Paiva, and R. A. Nunes, “Methodology for automatic detection of lung nodules in computerized tomography images,” Comput. Methods Programs Biomed., vol. 98, no. 1, pp. 1–14, 2010.
[13] R. Nagata, T. Kawaguchi, and H. Miyake, “Automated detection of lung nodules in chest radiographs using a false-positive reduction scheme based on template matching,” presented at the 2012 5th International Conference on Biomedical Engineering and Informatics, BMEI 2012, 2012, pp. 216–223.
[14] Hermawati Fajar A., 2013, Pengolahan Citra Digital, ANDI, Yogyakarta.
[15] Eko P., 2011, "Pengolahan citra digital dan aplikasinya", Yogyakarta : ANDI
[16] M. Gomathi, P. Thangaraj, "A new approach to lung image segmentation using fuzzy possibilistic c-means algorithm", International Journal of Computer Science and Information Security, vol. 7, no. 3. 2010.
[17] J. Pu, D. S. Paik, X. Meng, J. Roos, and G. D. Rubin, “Shape ‘break-and-repair’ strategy and its application to automated medical image segmentation,” IEEE Trans. Vis. Comput. Graph., vol. 17, no. 1, pp. 115–124, 2011. [18] M. Tan, R. Deklerck, B. Jansen, M. Bister, and
J. Cornelis, “A novel computer-aided lung nodule detection system for CT images,” Med. Phys., vol. 38, no. 10, pp. 5630–5645, 2011. [19] S. Sun, C. Bauer, and R. Beichel, “Automated
3-D segmentation of lungs with lung cancer in CT data using a novel robust active shape model approach,” IEEE Trans. Med. Imaging, vol. 31, no. 2, pp. 449–460, 2012.
[20] W.-J. Choi and T.-S. Choi, “Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images,” Inf. Sci., vol. 212, pp. 57–78, 2012. [21] K. Kancherla and S. Mukkamala, “Early lung
cancer detection using nucleus segmentation based features,” 2013, pp. 91–95.
[22] N. Torbati, A. Ayatollahi, A. Kermani, "An efficient neural network based method for medical image segmentation", Computers in Biology and Medicine 44(2014) 76 87.
[23] Eva .M, de Hoop B., van de Vorst S., Prokop M., van Ginneken B., "Automatic segmentation of pulmonary segments from volumetric chest CT scans", IEEE Trans. Med. Imaging, vol. 28,no. 4, 2009.
[24] A. A. Abdullah, Hasdiana M., "Development of cellular neural network algorithm for detecting lung cancer symptoms", Conf. Biomedic Engineering & Sciences. 2011.
![Gambar 3. Hasil segmentasi citra CT[11]](https://thumb-ap.123doks.com/thumbv2/123dok/3903693.1858394/2.595.342.508.675.753/gambar-hasil-segmentasi-citra-ct.webp)
