PRESENTASI TUGAS AKHIR KI091391

(1)

PRESENTASI TUGAS AKHIR – KI091391

IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK

OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG

DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL

(Kata Kunci : Segmentasi ,Fuzzy C-Means, MRI otak)

Penyusun Tugas Akhir :

Riezka Scenda Ramadhita Putra

(NRP : 5106.100.087)

Dosen Pembimbing

:

Prof.Ir. Handayani Tjandrasa, Msc, Ph.D

NIP. 130 532 048

(2)

27 Juli 2010 Tugas Akhir – KI091391 2

LATAR BELAKANG(1)



Segmentasi citra pada MRI otak diperlukan untuk

membantu mengenali informasi

fisiologi

dalam

diagnosis dunia kedokteran



Dibutuhkannya segmentasi MRI otak secara tepat

dan cepat



Pada kenyataannya citra MRI otak kebanyakan

(3)

LATAR BELAKANG(2)



Proses segmentasi menggunakan beberapa metode

klustering



Dibutuhkan segmentasi dengan metode klustering

yang mampu mengatasi keterkaitan antar piksel

(4)

TUJUAN



Mengimplementasikan

segmentasi

pada

MRI

(

Magnetic Resonance Imaging

) otak menggunakan

algoritma clustering Fuzzy C-Means yang dimodifikasi

berdasarkan korelasi antar piksel

(5)

PERMASALAHAN



Bagaimana mendapatkan hasil segmentasi yang lebih

baik dibandingkan dengan algoritma klustering lain

sebagai pembanding yaitu FCM dan K-Means



Bagaimana mendapatkan batas tepi objek dari citra

MRI otak menggunakan algoritma Fuzzy C-Means

berdasarkan korelasi antar piksel

(6)

BATASAN MASALAH



Data yang akan digunakan untuk percobaan adalah

citra MRI otak normal berupa image

gray-scale



Perbandingan kualitas hasil segmentasi menggunakan

algoritma FCM berdasarkan korelasi piksel dengan

algoritma pembanding FCM dan K-Means ditunjukkan

melalui pendekatan secara visual dan jumlah partisi

daerah dalam citra yang terbentuk.

(7)

Perancangan Perangkat Lunak

Citra Masukan

Hitung

Local Image Feature

(Fij)

Hitung

Weighting Pixel

(Wi)

Inisialisasi Segmentasi

Dengan FCM Basic

Inisialisasi

Centroid

dan

Membership Cluster

Hitung

Centroid

dan

Membership

Baru Dengan

Local Image Feature

Menampilkan Citra

Tersegmentasi

(8)

Skenario Uji Coba :

1. Uji coba perbandingan hasil segmentasi algoritma modifikasi

FCM menggunakan korelasi piksel dengan algoritma FCM dan

K-Means

2. Uji coba hasil segmentasi menggunakan perubahan ukuran

window 3x3 dan 5x5

3. Uji coba perubahan parameter

minimum distance error

untuk

mengetahui hasil segmentasi

4. Uji coba perubahan nilai spasial dan gray scale

(9)

Uji Coba I - 1

Citra masukan

(10)

27 Tugas Akhir – KI091391 10

Evaluasi Uji Coba I

Citra Inputan

Algoritma

Running Time

(s)

Partisi Objek

dataset2.png

Modifikasi FCM

30.985158

48 FCM

23.452703

120 K-Means

24.566627

141

(11)

Uji Coba II -1

Tugas Akhir – KI091391 11

Uji Coba II - 1

Citra masukan

(12)

Tugas Akhir – KI091391 12 27 Juli 2010 Tugas Akhir – KI091391 12

Evaluasi Uji Coba II

Citra Inputan

Window

Running Time

(s)

Partisi Objek

Dataset2.png

3x3

32.299681

48 5x5

39.387198

37

(13)

27 Juli 2010 Tugas Akhir – KI091391Tugas Akhir – KI091391Tugas Akhir – KI091391 131313

Uji Coba III - 1

Citra masukan Modifikasi FCM FCM 0.00001 0.001 0.01

(14)

Uji Coba III - 1

Citra masukan

K-Means

0.00001 0.001

(15)

Tugas Akhir – KI091391 15 Tugas Akhir – KI091391 15 27 Juli 2010 Tugas Akhir – KI091391 15

Evaluasi Uji Coba III

Tabel Running time dan partisi objek skenario III - 1

Algoritma

Min Distance

Running Time

(s)

Jumlah

Partisi

Modifikasi FCM

0.01 27.250454

57

0.001 29.127894

52 0.00001

33.985158

43 FCM

0.01 26.997360

120

0.001 24.701233

120 0.00001

30.282917

120 K-Means

0.01 37.555119

141

0.001 34.424846

141 0.00001

37.688089

141

(16)

Uji Coba IV - 1

Citra masukan

(17)

Tugas Akhir – KI091391 17 Tugas Akhir – KI091391 17 Tugas Akhir – KI091391 17 27 Juli 2010 Tugas Akhir – KI091391 17

Evaluasi Uji Coba IV

Tabel Running time dan partisi objek skenario IV

Parameter

Running Time (second)

Partisi Objek

λs = 1 λg = 1

34.192923

44 λs = 5 λg = 5

34.216235

48

(18)

No. Parameter Keterangan

1 ukuran window Perubahan ukuran window memberikan pengaruh pada nilai local image feature piksel terhadap tetangganya yang menunjukkan penggunaan window 3x3 menjadikan nilai pembobotan piksel semakin besar namun waktu komputasi lebih cepat. Sedangkan penggunaan window 5x5 membuat nilai pembobotan piksel lebih kecil

3 spasialdan gray scale Pemilihan parameter spasial dan gray scale yang semakin besar akan

menghasilkan hasil segmentasi yang kurang baik dimana berdasarkan hasil uji coba menunjukkan bahwa jumlah partisi daerah yang dihasilkan menjadi lebih banyak.

4 Jumlah iterasi Perubahan jumlah iterasi bersifat divergen, dimana setelah nilai optimal ditemukan, maka jumlah iterasi yang berlebih akan tetap menghasilkan segmentasi yang optimal sehingga didapatkan minimalisasi partisi daerah dalam objek.

5 minimum distance error Perubahan batas minimum distance error memberi pengaruh pada kualitas segmentasi yang terbentuk karena minimum distance error yang akan mengatur proses klustering citra mencapai optimal atau belum.

(19)

Metode fuzzy klustering yang memperhatikan pengaruh piksel

ketetanggaan mampu mengatasi adanya partisi daerah dalam objek

yang berupa piksel-piksel yang masuk dalam kluster tertentu namun

tidak sesuai dengan keanggotaan piksel tetangganya yang masuk

dalam kluster berbeda. Dari hasi uji coba ditunjukkan bahwa

algoritma modifikasi FCM dengan korelasi piksel menghasilkan

jumlah partisi objek yang lebih minimal dari algoritma

pembanding yaitu FCM dan K-Means.

Ukuran window 3x3 secara visual menghasilkan segmentasi yang

lebih baik dibandingkan dengan ukuran window 5x5. Pada window

3x3 akan membuat pengaruh nilai piksel pusat terhadap piksel

ketetanggaan semakin besar dan waktu komputasi yang dihasilkan

lebih cepat.

(20)

Perubahan nilai batas pengukuran

minimum distance error

digunakan

untuk mengatur konvergensi nilai pusat kluster yang akan

mempengaruhi hasil kluster piksel citra. Didapatkan hasil dimana

semakin kecil nilai batas

minimum distance error

pada algoritma

modifikasi FCM semakin menghasilkan segmentasi yang

optimal sedangkan FCM dan K-Means walaupun mencapai optimal

pada batas

minimum distance error

0.01 lebih cepat dari modifikasi

FCM dimana jumlah partisi sudah tidak berubah lagi namun partisi

yang didapatkan masih jauh lebih banyak dari modifikasi FCM.

(21)

Perlu dikembangkan metode deteksi tepi yang lebih

baik untuk mengatasi semua batas tepi dari objek

sehingga dapat menemukan tepi objek yang

benar-benar tepat posisi.

Perlu dikembangkan metode lebih optimal untuk

mengatasi citra MRI otak dengan kualitas citra relatif

rendah sehingga antara informasi yang penting dan

kurang penting dapat teratasi.

(22)

[1] Seeman, Torsten., B. Sc.2002. Digital Image Processing Using Local

Segmentation,<URL:http://www.csse.monash.edu.au/~torsten/pubs/Seemann-thesis.pdf, diakses 24 juni 2010>.

[2] Miyamoto,S., Hidetomo Ichihasi., dan Katsuhiro Honda. 2008. Algorithms for Fuzzy Clustering. Springer-Verlag, Inc.,Berlin.

[3] Clustering, Tutorial. 2008. Fuzzy C-Means Clustering, <URL:

http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/cmeans.html>. [4] Schaefer,G., Abdul Ella Hassanien., dan Jianmin Jiang. 2009. Computational

Intelligence In Medical Imaging. France : Taylor and francis Group. [5] Sodikin, Imam. 2004. Euclidean Distance, <URL:

http://elista.akprind.ac.id/fti/jurnal_teknologi/volume_1_edisi_1/hal-44-52-imam1.pdf, diakses 26 juni 2010>.

[6] Wapedia. 2008. Distance, <URL: http://wapedia.mobi/en/Distance >

[7] Wang, X-Y., J.Bu. 2009. A fast and robust image segmentation using FCM with spatial information. China: Elsevier, Inc.

[8] Library, ITTelkom. 2008. Algoritma K-Means, <URL:

http://www.ittelkom.ac.id/library/index.php?view=article&catid=20:informatika&id=183:alg oritma-k-means&option=com_content&Itemid=15>

[9] Clustering, Tutorial. 2008. Fuzzy C-Means Clustering,

<URL:http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/kmeans.html>.

(23)

TERIMA KASIH

(24)

LOCAL IMAGE FEATURE (1)

Local Image Window

• Window 3 x 3

• Window 5 x 5

Piksel pusat

(25)

Local Image Feature

LOCAL IMAGE FEATURE (2)









,

0 ,

G ij S ij ij

xF

F

















_



S i j i j S

x

y

Fij



max

exp























₂ 2

)

,

(

)

,

(

exp

G i G i i j j G

g

x

y

g

x

y

Fij





i i

N

y

x

g

y

x

g

j j j i i G i   







2

)

,

(

)

,

(



λs = spatial scale

λg = gray scale

(26)

02 Agustus 2010 Tugas Akhir – KI091391 26

Weighting Pixel(1)

Gral Level

(27)

Weighting Pixel(2)









_















i

j

ij

j

ij

i

F

g

x

y

F

w

,

Proses menghitung pembobotan piksel :

(28)

Fuzzy C-Means(1)

   





 



  

_



 







   j i m k j i m k k c p m p k k

j

i

j

i

f

j

i

v

j

i

d

j

i

d

j

i

, , 1 0 ) 1 ( 2

,

1 )

,

(



Update Membership (

_{μ) & centroid (v)}

 





₂

 

2

,

_k k

i

j

f

i

j

v

d





 



  



k



T k

f

i

j

v

j

i

f





_,

Euclidean Distance

(29)

Memungkinkan adanya data memiliki

keanggotaan pada tiap-tiap kluster

Masing-masing keanggotaan rentang

0-1 dan jumlah semua keanggotaan

adalah 1

(30)

Membership dengan

Local Image Feature (2)

3

1

3

1

3

1

3

3 ₃

Model 1

Model 2

(31)

Membership dengan

Local Image Feature (2)













i

j

k

i

k

x

y

x

y

h

(

,

)



,



 



₁ 0 '

)

,

(

)

,

(

)

,

(

)

,

(

)

,

(

_c j q i i k p i i k q i i k p i i k i i

y

x

h

y

x

y

x

h

y

x

y

x

k



Hitung Local Image Feature Pada Membership

(32)

Dataset Uji Coba

(33)

Dataset Uji Coba

Uji Coba I - 3

Citra masukan

(34)

Tugas Akhir – KI091391 34 27 Juli 2010 Tugas Akhir – KI091391 34

Evaluasi Uji Coba I

Citra Inputan

Algoritma

Running Time

(s)

Partisi Objek

Dataset3.png Modifikasi FCM

30.075658

16 FCM

22.933082

109 K-Means

23.356051

99 Dataset4.png Modifikasi FCM

28.871958

24 FCM

24.070555

72 K-Means

31.413266

70