SISTEM PENCITRAAN MIKROSKOP DIGITAL UNTUK IDENTIFIKASI
BAKTERI TUBERKULOSIS (TB)
Kusworo Adi1,∗, K. Sofjan Firdausi1, Rahmat Gernowo1, Budi Rahardjo2, Ibnu Siena1, dan Ari Bawono Putranto1 1Jurusan Fisika, Fakultas MIPA, Universitas Diponegoro
Jl. Prof. H. Soedarto, SH, Tembalang, Semarang Telepon (024)70790933
2
Jurusan Biologi, Fakultas MIPA, Universitas Diponegoro Jl. Prof. H. Soedarto, SH, Tembalang, Semarang
Telepon (024)76480923 ∗
e-Mail: kusworoadi@undip.ac.id Disajikan 29-30 Nop 2012
ABSTRAK
Kemajuan di bidang pengolahan citra untuk mengolah citra dalam orde mikro semakin pesat, hal ini tentunya memerlukan sebuah sistem akuisisi data secara digital dengan menggunakan mikroskop digital yang dapat dikendalikan secara otomatis. Pada penelitian ini telah dihasilkan suatu mikroskop digital yang mempunyai kemampuan untuk mendapatkan data secara digital dengan melakukan penambahan sistem mekanik dan sistem elektronik agar dapat dikendalikan melalui komputer. Dari hasil pengujian telah didapatkan hasil yang cukup baik, mikroskop sudah dapat mengambil citra dalam orde mikro secara digital. Citra bakteri tuberkulosis (TB) hasil akuisisi dari sistem pencitraan mikroskop telah berhasil diidentifikasi sebagai bakteri TB dengan menggunakan teknik pengolahan citra.
Kata Kunci: Mikroskop digital, citra bakteri TB, pengolahan citra
I.
PENDAHULUAN
Perkembangan dunia digital semakin pesat, ke-butuhan untuk melakukan observasi secara digital semakin mendesak. Mikroskop konvesnional yang merupakan susunan optik mempunyai beberapa keter-batasan, terutama dalam konversi dari data analog menjadi data digital yang dapat di manfaatkan untuk identifikasi bakteri TB secara realtime. Perkembangan pengolahan citra untuk menganalisis dan mengidenti-fikasi bakteri TB memerlukan mikroskop yang dapat mengambil data secara digital.
Berdasarkan pertimbangan tersebut maka pada penelitian dilakukan modifikasi mikroskop konven-sional menjadi mikroskop digital dengan beberapa modifikasi pada bagian yang penting. Sistem pencit-raan mikroskop mempunyai fitur - fitur yang memu-dahkan pengguna.
Pemeriksaan bakteri TB secara mikroskopis dengan menggunakan metode pewarnaan Ziehl-Neelsen stain (ZN-stain) merupakan pemeriksaan primer yang masih digunakan di seluruh dunia termasuk di Indone-sia berdasarkan rekomendasi dari badan kesehatan dunia (WHO). Pemeriksaan ini sangat tergantung pada
keahlian sumber daya manusia dan memakan waktu pemeriksaan yang lama[1]Sehingga di negara berkem-bang dengan fasilitas terbatas, sedikit tenaga ahli, dan biaya tidak murah merupakan salah satu alasan sulit-nya menekan pertumbuhan penderita TB. Oleh karena itu diperlukan suatu sistem otomatis untuk mendeteksi bakteri tuberkulosis dari citra digital sample ZN-stain.
II.
METODOLOGI
A. Sistem Pencitraan Mikroskop
Fungsi mikroskop adalah memperoleh citra atau pencitraan yang besar dari obyek yang sangat ke-cil (orde mikro). Secara umum, komponen utama mikroskop optik terdiri dari lensa obyektif dan lensa okuler. Lensa obyektif berfungsi membentuk bayangan riil obyek yang diamati. Bayangan riil tersebut kemu-dian jatuh di depan lensa okuler yang jaraknya lebih kecil dari fokus lensa okuler, sehingga terbentuk yangan maya. Secara umum, proses pembentukan ba-yangan oleh kedua lensa mikroskop dapat dijelaskan padaGAMBAR1.[2]
diberikan oleh persamaan:[3]
M = Mob× Mok (1)
Dengan M adalah perbesaran total, Mobperbesaran
oleh lensa obyektif, dan Mok perbesaran oleh lensa
okuler.
GAMBAR1: Komponen utama dan proses pembentukan bayangan
pada mikroskop optis[3]
Jika mata tak berakomodasi maka perbesaran oleh lensa okuler dapat ditulis:[3]
Mok=
N fok
(2)
Dengan N = 25 cm adalah titik dekat mata normal. Dengan asumsi bahwa semua lensa tidak mengalami aberasi, serta nilai fok maupun fobjauh lebih kecil dari
jarak kedua lensa, maka perbesaran minimal yang da-pat diperoleh dari sebuah mikroskop optik adalah:[3]
M ≈ N × L
fob× fok
(3)
PERS. (3) menunjukkan bahwa perbesaran mikroskop dapat diperoleh sebesar-besarnya jika fokus obyektif dan okuler sekecil-kecilnya.
Sistem pencitraan mikroskop digital terdiri dari tiga bagian utama, yaitu sistem mekanik, sistem elektronik dan kamera sebagai pengambil data citra. Sistem mekanik mikroskop berfungsi menggerakan penggerak kasar dan halus pada mikroskop untuk mendapatkan titik fokus yang dikendalikan oleh sistem elektronik dengan mikrokontroler ATmega8535. Kamera digital berfungsi menggantikan mata untuk akuisisi citra sam-pel yang dapat disimpan dalam bentuk data digital. Blok diagram sistem pencitraan mikroskop seperti di-sajikan padaGAMBAR2.
B. Pengembangan Algoritma Pengolahan Citra Un-tuk Identifikasi Bakteri TB
Beberapa peneliti di dunia telah melakukan banyak penelitian tentang pemeriksaan sampel dahak dengan menggunakan teknik pemrosesan citra. Segmentasi bakteri dari spesies tertentu memerlukan proses yang kompleks. Oleh karena itu selain bentuk, infor-masi warna bakteri banyak digunakan. Veropoulos
GAMBAR2: Diagram blok sistem pencitraan mikroskop
dkk. menggunakan metode identifikasi berdasarkan deskriptor bentuk dan klasifikasi dengan jaringan syaraf tiruan menunjukkan sensitivitas (rasio kepu-tusan positif benar terhadap jumlah kasus positif) sebesar 94,1%[4, 5] Peneliti lain menggunakan informasi warna sebagai faktor diskriminan kunci baik untuk seg-mentasi dan identifikasi bakteri[6] atau segmentasi sel
kanker untuk diagnosis paru-paru.[7, 8]
Pemrosesan citra TB dilakukan oleh Khutlang dkk yaitu melakukan skrining untuk TB di negara-negara berpenghasilan untuk identifikasi mycobac-terium tuberculosis secara otomatis dalam citra Ziehl-Neelsen (ZN), dahak bernoda diperoleh menggunakan mikroskop medan-terang. Segmentasi objek bakteri de-ngan menggunakan kombinasi dua pengklasifikasi ke-las pixel. Algoritma ini menghasilkan hasil yang sesuai dengan segmentasi manual, kemudian memodifikasi jarak Hausdorff dan indeks Williams. Ekstraksi ciri dan optimalisasi fitur yang ditetapkan oleh pemilihan sub-set ciri dan transformasi Fisher. Sensitivitas dan spe-sifisitas dari semua pengklasifikasian diuji di atas 95% untuk identifikasi objek bakteri yang diwakili oleh ciri Fisher. Hasil ini dapat digunakan untuk mengurangi keterlibatan teknisi pada pemeriksaan TB[9]Identifikasi
secara otomatis akan memberikan beberapa kelebihan, seperti pengurangan beban kerja dokter, meningkat-kan sensitivitas pengujian dan akurasi yang lebih baik dalam diagnosis dengan meningkatkan jumlah citra yang dapat dianalisis oleh komputer[10]Segmentasi dan
klasifikasi dengan pendekatan komponen warna hue digunakan untuk identifikasi bakteri TB. Metede ini dikembangkan batas ambang saturasi warna pada pik-sel citra bakteri TB Ziehl-Neelsen (ZN).[11]
Pengembangan algoritma pengolahan citra untuk deteksi bakteri TB meliputi: marker warna, segmen-tasi citra, morfologi, ekstraksi ciri dan klasifikasi de-ngan jaride-ngan syaraf tiruan untuk proses pelatihan dan identifikasi bakteri TB. Dengan dilakukan proses pela-tihan bentuk bakteri, maka data pelapela-tihan akan digu-nakan untuk mengidentifikasi bakteri TB. Bakteri yang akan diidentifikasi sebagai TB berdasarkan bentuk dan warna dari bakteri tersebut. Citra mikroskopik dengan metode pewarnaan Ziehl-Nelsen (ZN) dilakukan un-tuk identifikasi bakteri tahan asam (BTA). Bakteri tahan asam (BTA) adalah bakteri yang pada pengecatan ZN
tetap mengikat warna pertama, tidak luntur oleh asam dan alkohol, sehingga tidak mampu mengikat warna kedua. di bawah mikroskop tampak bakteri berwarna merah dengan warna dasar biru muda. Gambar 3 merupakan blok diagram pengembangan algoritma un-tuk proses pelatihan maupun identifikasi bakteri TB.
GAMBAR3: Diagram Blok Pengolahan Citra
Adapun spesifikasi algoritma pengolahan citra yang telah dikembangkan adalah:
• Dapat membedakan antara obyek (bakteri) dan background
• Dapat melakukan segmentasi obyek untuk menda-patkan parameter eccentricities dan compactness • Arsitektur Jaringan Syaraf Tiruan (JST) adalah 2
layer input (eccentricities dan compactness), 15 layer tersembunyi, dan 1 layer output (positif TB dan Negatif TB)
III.
HASIL DAN PEMBAHASAN
A. Sistem Pencitraan Mikroskop
Rancang bangun sistem pencitraan mikroskop meliputi desain mekanik, elektronik, dan pengambilan citra dengan kamera digital. GAMBAR4 merupakan desain mekanik sistem pencitraan mikroskop yang terdiri dari casing motor dan bracket yang digunakan untuk menggerakkan penggerak mikroskop secara otomatis.
Sistem pencitraan mikroskop mempunyai spesi-fikasi:
Gearbox Motor DC Rasio 1:
100 (100 putaran 1 output) Torsi: 3 kg-cm
Tegangan Kerja: 2×12 Volt DC Arus: Maks 2 Ampere Perbesaran Digital:
100 x, 250 x, 1000 x, 2500 x Resolusi Kamera:
320 x 240 piksel, 640 x 480 piksel, 1280 x 960 piksel, 2560 x 1920 piksel
SedangkanGAMBAR5merupakan sistem pencitraan mikroskop yang terdiri dari: (a). sistem pencitraan mikroskop lengkap, (b). sistem mekanik dengan motor
GAMBAR4: Desain sistem mekanik pencitraan mikroskop
gearbox dc, (c) sistem elektronik dan komunikasi data dengan Mikrokontroler ATmega8535 dan perangkat lu-nak untuk mengendalikan sistem mekanik pada peng-gerak mikroskop. @@@ Motor gearbox dc yang
digu-GAMBAR5: Hasil racang bangun sistem pencitraan mikroskop
nakan untuk menggerakkan penggerak kasar dan halus pada mikroskop dkendalikan oleh sistem elektronik dengan Mikrokontroler ATmega8535, selain itu digu-nakan sebagai komunikasi melalui port serial untuk mengendalikan gerakan penggerak mikroskop melalui komputer dalam mendapatkan titik fokus.
Dari hasil pengujian secara fungsional dari sistem mekanik, elektronik dan kamera sudah bekerja dengan baik. Untuk sistem mekanik, gearbaok motor dc yang digunakan pada sistem ini sudah dapat menggerakkan penggerak kasar dan halus pada mikroskop. Hasil
pe-ngujian setiap langkah gerakan motor dengan jalur lin-tasan sepanjang 35 mm seperti padaTABEL1
TABEL1: Hasil pengujian gerakan motor dc pada sistem mekanik
Mode Gerak Perpindahan (mm) Naik Turun K 1S 4S K 1S 4S Kasar 5 0,5 2 8 1 4 Halus 0,1 - - 0,05 -
-Ket.: K=Kontinyu, S=Step
Berdasarkan pengujian didapatkan hasil yang berbeda antara gerakan naik dan turun, hal ini dise-babkan karena suplai tegangan pada gerakan naik dibuat lebih besar agar dapat mengangkat beban yang lebih berat. Ketika diberi suplai tegangan yang sama (±2,8 Volt) pada gerakan naik tidak sebaik gerakan turun dan berhenti setelah menempuh jarak 10 mm.
TABEL2merupakan hasil pengujian tegangan dan arus ketika motor bergerak naik dan turun.
TABEL2: Hasil pengujian tegangan (V) dan arus (I)
Pengukuran ke
Gerakan Naik Gerakan Turun
V I C I
(Volt) (mA) (Volt) (mA)
1 - 4,5 - 167 2,8 67 2 - 4,6 - 200 2,7 67 3 - 4,5 - 133 2,8 100 4 - 4,6 - 200 2,8 67 5 - 4,6 - 167 2,8 67 Rerata - 4,6 - 173,4 2,8 73,6
Pengujian sistem pencitraan mikroskop selanjut-nya adalah menguji fokus citra dengan mengerakkan mikroskop naik maupun turun, hasil pengujian seperti padaGAMBAR6.
GAMBAR6: Hasil pengujian fokus kamera dengan gerakan motor
Hasil pengujian fokus kamera (a) posisi fokus, (b) mikroskop digerakkan naik 1 step, (c) mikroskop diger-akkan naik 2 step, dan (d) mikroskop digerdiger-akkan naik 3 step. Pengujian pengambilan sampel dahak terinfeksi bakteri TB hasilnya seperti padaGAMBAR7Tampak dari hasil pengujian sistem pencitraan mikroskop telah da-pat mengambil citra bakteri terinfeksi tuberkulosis (TB) meskipun hasilnya belum begitu fokus.
GAMBAR7: Hasil pengujian dengan sampel dahak terinfeksi
bak-teri TB
@@@ Algoritma Pengolahan Citra Untuk Identifikasi Bakteri TB Hasil simulasi algoritma pengolahan citra yang telah dikembangkan seperti padaGAMBAR8
GAMBAR8: Hasil simulasi algoritma pengolahan citra
Secara fungsional algoritma ini sudah bekerja de-ngan baik, karena pada prisipnya untuk mengenali bak-teri tersebut dilihat dari warna dan bentuknya. Al-goritma pengolahan citra untuk identifikasi bakteri TB
pada langkah pertama diuji dengan menggunakan citra uji yang digunakan oleh para peneliti sebelumnya[12]
Adapun hasil pengujian seperti padaGAMBAR9.
GAMBAR 9: Hasil pengujian dengan citra uji, (a) dan (c)
meru-pakan citra sebelum proses identifikasi, (b) dan (d) merumeru-pakan citra hasil identifikasi
Berdasarkan hasil pengujian dengan citra uji, algo-ritma tersebut masih belum dapat mengenali obyek bakteri menumpuk yang merupakan bakteri seperti ditunjukkan pada GAMBAR9-(d) Kemudian pengujian dilanjutkan dengan sampel yang pekat/kental seperti padaGAMBAR10.
GAMBAR10: Contoh sampel yang terlalu pekat
Sampel yang terlalu pekat akan sulit dibedakan an-tara obyek dengan background, sehingga untuk kasus tersebut perlu perbaikan pada proses pembuatan sam-pel dengan metode pewarnaan Ziehl-Nelsen (ZN).
Algoritma pengolahan citra diujikan pada citra hasil akuisisi sistem pencitraan mikroskop seperti
ditunjuk-GAMBAR 11: Hasil pengolahan citra dengan citra hasil akuisisi
sistem pencitraan mikroskop
kan pada GAMBAR11 Tampak dari hasil tersebut al-goritma sudah dapat mengidentifikasi bakteri dengan baik.
IV.
KESIMPULAN
Dari hasil penelitian dapat kesimpulan sebagai berikut : 1. Sistem pencitraan mikroskop sudah bek-erja dengan baik dalam mengakuisisi citra sampel da-hak terinfeksi bakteri TB dengan metode metode pe-warnaan Ziehl-Nelsen (ZN) meskipun kurang fokus hasilnya, sehingga masih perlu perbaikan. 2. Algo-ritma pengolahan citra untuk identifikasi bakteri TB telah berhasil mengenali bakteri TB berdasarkan warna dan bentuk. Akan tetapi sistem ini belum dapat mengenali bakteri yang menumpuk dan sampel yang pekat/kental.
UCAPAN TERIMA KASIH
Kementerian Riset dan Teknologi Republik Indone-sia yang telah mendanai penelitian ini melalui Program Insentif SiNas Terapan.
DAFTAR PUSTAKA
[1] Sadaphal, P., Rao, J., Comstock, G. W., dan Beg, M. F., (2008), Image Processing Techniques for Identifiying Mycobacterium Tuberculosis in Ziehl-Neelsen Stains, International Journal Tuberc Lung Disease 12(5): 579-582.
[2] Malacara, D., (1988), Methods of Experimental Physics, Geometrical and Instrumental Optics, Vol 25, Academic Press, Inc.
Pear-son Prentice Hall.
[4] Veropoulos, K., Campbell, C., and Learmonth, G., (1998), Image Processing And Neural Computing Used In The Diagnosis Of Tuberculosis, Proc. IEE Colloquium on Intelligent Methods in Healthcare and Medical Applications (Digest No. 1998/514), pp. 8/1 - 8/4
[5] Veropoulos, K., Learmonth, G., Campbell, C., and Knight, B., Simpson, J., (1999), Automatic Identifi-cation of Tubercle Bacilli in Sputum. A preliminary investigation, Analytical and Quantitative Cytol-ogy and HistolCytol-ogy, Vol. 21, No. 4, (Aug. 1999), pp. 277-81, ISSN 0884-6812.
[6] Alvarez-Borrego J., Mourino R., CristLobal G., and Pech J., (2000), Invariant Optical Color Correlation for Recognition of Vibrio Cholerae, in Int. Conf. on Pattern Recognition, 2847, p. 283, Barcelona, Spain [7] Sammouda R., Niki N., Nishitani H., Nakamura S., and Mor S. , (1997), Segmentation of Sputum Color Image for Lung Cancer Diagnosis, in Int. Conf. on Image Processing, 1, p. 243, Washington, USA. [8] Sammouda R., Niki N., Nishitani H, and Kyokage
E., (1998),Segmentation of Sputum Color Image for Lung Cancer Diagnosis Based on Neural Network, IEICE transactions on Information and Systems [9] Khutlang, R., Krishnan, S., Dendere, R., Whitelaw,
A., Veropoulos, K., Learmonth, G., and Douglas T. S., (2010), Classification of Mycobacterium Tuber-culosis in Images of ZN-stained Sputum Smears, IEEE Transactions on Information Technology in Biomedicine, Vol. 14, No. 4, (July 2010), pp. 949-957, ISSN 1089-7771.
[10] Forero, M. G.; Cristobal, G. and Borrego, J. A., (2003), Automatic Identification Techniques of Tuberculosis Bacteria, SPIE Proceedings Of The Applications Of Digital Image Processing XXVI, Vol.5203, pp. 71-81, ISBN 0-8194-5076-6
[11] Makkapati, V., Agrawal, R., and Acharya,R.,(2009), Segmentation and classification of tuberculosis bacilli from ZN-stained sputum smear images, CASE 2009: 217-220
[12] Centers for disease control and preven-tion (cdc) public health image library (phil), http://phil.cdc.gov/phil/home.asp.
