TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN INFORMASI SPASIAL & ITERATIVE RANDOMIZED HOUGH TRANSFORM (IRHT)

(1)

TESIS

DETEKSI KEPALA JANIN PADA GAMBAR USG

MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN

INFORMASI SPASIAL & ITERATIVE RANDOMIZED

HOUGH TRANSFORM (IRHT)

Oleh

: Dwi puspitasari - 5109201026

Dosen Pembimbing :

(2)

Latar Belakang

• Analisis kepala janin pada pencitraan USG sangat

dibutuhkan oleh tenaga medis

• Diameter biparietal (BPD) dan lingkar kepala (HC)

adalah dua pengukuran penting untuk :

– mengevaluasi pertumbuhan janin

– memperkirakan usia kehamilan

– memprediksi berat dan kematangan janin,

– mendiagnosa berbagai masalah obstetri.

• Perlu pengukuran BPD dan HC secara otomatis

eteksi bentuk elips yang diasumsikan sebagai kepala

janin

(3)

Latar Belakang

• Penelitian deteksi kepala janin

– Sebelumnya: Menggunakan metode IRHT dengan

praproses berupa klasterisasi piksel berdasarkan nilai

keabuan menggunakan K-Means [1].

• Hasil : Metode tersebut mampu mendeteksi elips dengan baik.

Akan tetapi pada beberapa gambar dengan banyak noise, hasil

segmentasi kurang baik sehingga menghasilkan kesalahan deteksi

– Penelitian ini : menggunakan metode IRHT [1] dengan

praproses berupa klasterisasi menggunakan Fuzzy

C-Means (FCM) dengan informasi spasial [3], serta

penghalusan dengan metode thinning.

• Hipotesa : Dengan klasterisasi menggunakan FCM dengan

informasi spasial, diharapkan dapat meningkatkan kualitas hasil

segmentasi sehingga dapat meningkatkan akurasi deteksi kepala

janin

(4)

Perumusan Masalah

• Bagaimana meningkatkan hasil segmentasi

sehingga mampu meningkatkan akurasi

deteksi kepala janin pada gambar USG.

• Bagaimana membangun sistem yang dapat

mendeteksi kepala janin serta menghasilkan

ukuran BPD dan HC secara otomatis

(5)

Batasan Masalah

• Data yang digunakan dalam uji coba penelitian

merupakan data gambar USG kepala janin

yang berumur antara 18-34 minggu.

• Implementasi menggunakan perangkat lunak

(6)

Tujuan & Manfaat

• Tujuan

Membangun sistem deteksi kepala janin pada

gambar USG menggunakan Fuzzy C-Means (FCM)

dengan informasi spasial dan Iterative

Randomized Hough Transform (IRHT)

• Manfaat

Menghasilkan suatu sistem deteksi kepala janin

pada gambar USG dengan pengukuran BPD dan

HC secara otomatis sebagai alat bantu tenaga ahli

dibidang kedokteran.

(7)

K-means VS FCM

• Persamaan : metode klastering partitioning dengan

penentuan awal jumlah klaster

• Perbedaan :

– K-means

data terklaster secara tegas

– K-means

data terklaster secara tegas

– FCM

data terklaster pada semua klaster

dengan derajat keanggotaan berbeda

(a) Keanggotaan pada

metode K-means

(a) Keanggotaan pada

(8)

Algortima K-means

1. Inisialisasi K titik sebagai titik2 pusat (centroids) awal dari grup

2. Masukkan tiap objek dalam grup yang mempunyai titik pusat terdekat

3. Setelah selesai untuk semua objek, hitung kembali posisi K titik2 pusat yang

baru

• Pada penelitian ini klasifikasi menggunakan metode K-means

dibangun menggunakan fungsi ‘kmeans’ yang disediakan oleh

perangkat lunak Matlab

(9)

Algoritma FCM

1. Inisialisasi matriks U=[u

_ij

] , U

(0)

2. Pada langkah ke-k, hitung vektor pusat C

(k)

_=[c

j

] dengan U

(k)

3. Update U

(k)

_{, U}

(k+1)

(10)

Informasi Spasial

• Merupakan korelasi ketetanggaan yang

digunakan untuk meningkatkan hasil segmentasi

• Klasterisasi piksel bukan hanya berdasarkan nilai

keabuan, tetapi juga nilai keabuan dan jarak

piksel ketetanggaan

_{local image feature}

• Penentuan keanggotaan klaster bukan hanya

berdasarkan nilai keanggotaan piksel tetapi juga

nilai keanggotaan piksel ketetanggaan

(11)

Iterative Randomized Hough

Transform (IRHT)

Y

Hough Transform (HT) Rosenfeld, 1962 [4] Randomized Hough Transform (RHT) Xu Oja, 1989 [5] Iterative Randomized Hough Transform (IRHT) Wei Lu, 2008 [1]

Y

b

k

Y

y=kx+b (x,y)

x

Y

y=kx+b (x,y)

x

b

(k,b)

k

b

(k,b)

k

Y

y=kx+b (x,y)

x

b

(k,b)

k

Y

y=kx+b (x,y)

x

(12)

Elips

• Persamaan elips

• Fungsi elips [1]:

(13)

Diagram Sistem

Menghitung local image feature berdasarkan jarak dan nilai keabuan ketetanggaan

Pembobotan piksel

Klasterisasi menggunakan K-means Klasterisasi menggunakan FCM dengan

Penskalaan Citra USG kepala janin dengan _{skala yang sama} Citra USG kepala

janin

Klasterisasi menggunakan K-means Klasterisasi menggunakan FCM dengan

informasi spasial

Pembentukan citra obyek

Thinning

IRHT

Kaliberai piksel ke mili meter Citra obyek

Citra hasil thinning

BPD dan HC Parameter elips

Elips hasil deteksi

Segmentasi

Penghalusan

(14)

Penskalaan

• Dilakukan untuk :

– Menyamakan skala citra USG

– Mendapatkan perbandingan piksel dalam mili

meter

Skala :

(15)

Perhitungan Local Image Feature

• Local image feture (F

ij

) dihitung berdasarkan pada :

– jarak ketetanggaan ( ) dan

– keabuan ketetanggaan (F

ijG

)

Gambar asli

ketetanggaan dengan

ukuran window (3x3)

j

i

λ

_S

= faktor skala,λ

_G

=faktor global

i

j

i

(16)

Pembobotan Piksel

• Mengganti nilai piksel gambar asli dengan nilai yang

dipengaruhi ketetanggaan

_w

i

F1, 1

Fi,j

i=1

4

7

10

2

5

8

11

3

6

9

12 Gambar asli

j=1 4 7 2 5 8 3 6 9

Window 3x3

w1 w2 w12

Wi’

(17)

Klasterisasi FCM

1. Inisialisasi segmentasi dengan FCM basic

2. Mendapatkan inisialisasi keanggotaan piksel (μk) dan pusat klaster (vk)

3. Menghitung keanggotaan (μ’k) dan pusat klaster baru (vk)

baru (vk)

Sudah konvergen ?

4. Mendapatkan keanggotaan piksel dan pusat klaster

(18)

Pembentukan citra obyek

• Proses untuk memilih piksel-piksel hasil

klasterisasi yang menjadi obyek

• Yaitu piksel yang menjadi anggota klaster dengan

pusat klaster tertinggi. Dikarenakan obyek berupa

kepala janin pada citra USG memiliki nilai

keabuan tertinggi (warna cerah) [1]

• Selanjutnya dibentuk citra monokrom dengan

piksel pembentuk obyek bernilai 1 dan piksel lai

bernilai 0.

(19)

Thinning

• Digunakan untuk mencari bentuk dasar/ rangka/

skeleton dari gambar obyek hasil klasterisasi

• Pada penelitian ini digunakan fungsi thinning yang

disediakan oleh software Matlab yaitu menggunakan

fungsi bwmorph

(20)

Tidak

Ya Tidak

1.Inisialisasi ROI sebesar ukuran gambar, maxEpoch dan maxIterasi

2.Mengambil semua piksel obyek dalam ROI dan menyimpannya di daftar piksel. Membersihkan accumulator, dan bestellipse. Inkremen epoch

3.Memilih secara acak 4 piksel dalam daftar piksel. Inkremen I. 4.Menemukan parameter elips dengan persamaan (1), (2), (3), (4), (5), (6) Apakah merupakan elips ?

IRHT

Ya Tidak Tidak Ya Tidak Ya 5.Tambahkan ke accumulator Apakah iterasi = maxIterasi ?

6.Mendeteksi bestellipse berdasarkan parameter di accumulator yang memiliki skor terbanyak. Update ROI selanjutnya berdasarkan bestellpse

Apakah epoch = maxEpoch ?

(21)

Antarmuka preproses

(22)

Antarmuka deteksi

(23)

Uji Coba

• Lingkungan uji coba :

Perangkat

Spesifikasi

Perangkat

Keras

Prosesor : Intel (R) Core (TM) 2 Duo CPU T5750 @2.00GHz

Memori : 2,00 GB

• Skenario uji coba :

1. mengetahui pengaruh parameter ukuran window pada metode FCM

dengan informasi spasial

2. membandingkan hasil output segmentasi citra USG kepala janin antara

metode K-means dengan metode FCM berdasarkan informasi spasial

3. membandingkan akurasi deteksi elips dari hasil segmentasi menggunakan

metode K-means dan IRHT dengan metode FCM dan IRHT

Perangkat

Lunak

Sistem Operasi : Windows Vista Home Basic

32-bit

Perangkat Pengembang : Matlab 7.1, Photoshop CS 2

(24)

Data uji coba

1. BPD51mm.jpg

2. BPD63mmjpg

3. BPD69mm.jpg

4. BPD72mm.jpg

5. BPD77mm.jpg

6. BPD82.jpg

7. BPD90,2mm.jpg

8. BPD90mm.jpg

(25)

Hasil Uji Coba Skenario 1

o. Citra Inputan Ukuran

Window Jumlah Partisi Waktu Eksekusi (detik) 1. BPD51mm.jpg 3 x 3 11 193.422 5 x 5 7 478.111 2. BPD63mm.jpg 3 x 3 12 100.011 5 x 5 8 271.394 3. BPD69mm.jpg 3 x 3 9 43.274 3. BPD69mm.jpg 3 x 3 9 43.274 5 x 5 4 200.295 4. BPD 72.mm.jpg 3 x 3 15 111.814 5 x 5 8 741.472 5. BPD77mm.jpg 3 x 3 11 104.808 5 x 5 4 419.099 6. BPD82mm.jpg 3 x 3 6 93.084 5 x 5 5 410.260 7. BPD90,2mm.jpg 3 x 3 10 202.141 5 x 5 6 786.619 8. BPD90mm.jpg 3 x 3 11 122.761 5 x 5 7 590.067

(26)

Hasil Uji Coba Skenario 2

o. Citra Inputan Metode Jumlah

Partisi

Waktu Eksekusi

(detik)

1. BPD51mm.jpg K-means ₅₀ _2.474

FCM dengan informasi spasial ₇ _478.111

2. BPD63mm.jpg K-means ₅₇ _0.553

FCM dengan informasi spasial ₈ _271.394

3. BPD69mm.jpg K-means ₆₅ _0.228

FCM dengan informasi spasial ₄ _200.295

4. BPD 72.mm.jpg K-means ₆₃ _3.197

FCM dengan informasi spasial ₈ _741.472

5. BPD77mm.jpg K-means ₅₈ _1.179

FCM dengan informasi spasial ₄ _419.099

6. BPD82mm.jpg K-means ₈₄ _1.336

FCM dengan informasi spasial ₅ _410.260

7. BPD90,2mm.jpg K-means ₅₁ _1.376

FCM dengan informasi spasial ₆ _786.619

8. BPD90mm.jpg K-means ₅₈ _0.833

(27)

Hasil uji coba skenario 3

Citra Uji BPD

(mm)

BPD Sistem Pada Uji Coba ke- (mm) _{Rata-Rata BPD}

Sistem (mm) Akurasi (%) 1 2 3 4 5 6 7 8 9 10 Kmeans_BPD51mm.jpg 51 118,75 77,50 55,00 125,00 107,50 100,00 57,50 52,50 97,50 37,50 82,88 20 Kmeans_BPD63mm.jpg 63 73,75 7,50 10,00 11,25 17,50 107,50 90,00 86,25 22,50 76,25 50,25 0 Kmeans_BPD69mm.jpg 69 68,75 67,50 70,00 71,25 71,25 13,75 63,75 32,50 6,25 13,75 47,88 60 Kmeans_BPD72mm.jpg 72 76,25 68,75 72,50 76,25 75,00 80,00 73,75 83,75 77,50 87,50 77,13 60 Kmeans_BPD77mm.jpg 77 57,50 82,00 101,25 53,75 86,25 75,00 41,25 106,25 98,75 66,25 76,83 20 Kmeans_BPD82mm.jpg 82 25,00 8,75 11,25 105,00 38,75 13,75 90,00 36,25 80,00 16,25 42,50 10 Kmeans_BPD90,2mm.jpg 90,2 73,75 81,25 58,75 77,50 88,75 47,50 107,50 97,50 100,00 97,50 83,00 10 Kmeans_BPD90mm.jpg 90 50,00 27,50 81,25 40,00 38,75 108,75 40,00 56,25 17,50 22,50 48,25 0 FCM_BPD51mm.jpg 51 51,25 51,25 51,25 52,50 51,25 51,25 48,75 53,75 47,50 46,25 50,50 100 FCM_BPD63mm.jpg 63 66,25 62,50 63,75 62,50 63,75 66,25 68,75 63,75 63,75 62,50 64,38 90 FCM_BPD69mm.jpg 69 68,75 71,25 68,75 77,50 70,00 72,50 71,25 70,00 70,00 68,75 70,88 90 FCM_BPD72mm.jpg 72 81,25 77,50 76,25 77,50 76,25 77,50 83,75 73,75 75,00 78,75 77,75 70 FCM_BPD77mm.jpg 77 86,25 85,00 80,00 93,75 90,00 82,50 90,00 75,00 92,50 73,00 91,13 30 FCM_BPD82mm.jpg 82 20,00 30,00 18,75 27,50 80,00 78,00 25,00 37,50 30,00 81,25 42,80 30 FCM_BPD90,2mm.jpg 90,2 93,75 100,00 98,75 105,00 102,50 92,50 90,00 101,25 106,25 113.75 89,00 30 FCM_BPD90mm.jpg 90 18,75 94,00 100,00 101,25 17,50 113,75 111,25 86,00 88,00 110,00 84,05 30

(28)

Hasil Uji Coba Skenario 3

o. Citra Inputan Kebenaran Deteksi

(%) Rata-Rata Waktu Eksekusi (detik) 1. Kmeans_BPD51mm.jpg 20 8.501 2. Kmeans_BPD63mm.jpg 0 10.557 3. Kmeans_BPD69mm.jpg 60 4.893 4. Kmeans_BPD 72.mm.jpg 60 9.827 5. Kmeans_BPD77mm.jpg 20 4.243 5. Kmeans_BPD77mm.jpg 20 4.243 6. Kmeans_BPD82mm.jpg 10 4.596 7. Kmeans_BPD90,2mm.jpg 10 4.519 8. Kmeans_BPD90mm.jpg 0 4.483 9. FCM_BPD51mm.jpg 100 9.966 10. FCM_BPD63mm.jpg 90 4.837 11. FCM_BPD69mm.jpg 90 11.787 12. FCM_BPD 72.mm.jpg 70 9.193 13. FCM_BPD77mm.jpg 30 10.974 14. FCM_BPD82mm.jpg 30 6.260 15. FCM_BPD90,2mm.jpg 30 12.094 16. FCM_BPD90mm.jpg 30 6.546

(29)

Kesimpulan

• Hasil segmentasi pada gambar USG kepala janin

menggunakan metode FCM dengan informasi spasial lebih

baik dibandingkan dengan menggunakan metode K-means.

• Dengan menggunakan metode FCM berdasarkan informasi

spasial dan IRHT, mampu meningkatkan keberhasilan

deteksi kepala janin dibandingkan dengan menggunakan

metode K-means dan IRHT. Dengan kata lain meningkatnya

hasil segmentasi dapat meningkatkan akurasi deteksi.

• Dengan deteksi elips yang diasumsikan sebagai kepala janin

menggunakan metode FCM berdasarkan informasi spasial

dan IRHT, dapat menghasilkan BPD dan HC kepala janin

secara otomatis

(30)

Saran

• Pada penelitian ini waktu eksekusi proses

segmentasi relatif lama, dengan demikian

permasalahan untuk mempercepat waktu

eksekusi dapat digunakan sebahai bahan

penelitian lebih lanjut

(31)

Daftar Pustaka

1. Lu, W., Jinglu Tan, (2008), “Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT)”, Journal of Pattern Recognition 41 pp 1268 – 1279 Elsivier Science Ltd

2. Xu, L., Oja, E., (1990), “A new curve detection method : Randomized Hough Transform (RHT)”, Journal of Pattern Recognition Letter 11 331-338 North-Holland Elsivier Science Ltd

3. Wang, X-Y., J.Bu., (2010), “A fast and robust image segmentation using FCM with 3. Wang, X-Y., J.Bu., (2010), “A fast and robust image segmentation using FCM with

spatial information”, Journal of Digital Signal Processing 1173–1182 Elsivier Science Ltd 4. Xu, L., Oja, E., (2009), “Randomized Hough Transform”, Encyclopedia of Artificial

Intelligence, IGI Global publishing company

5. J. C. Bezdek, (1981), "Pattern Recognition with Fuzzy Objective Function Algoritms", Plenum Press, New York

6. J. B. MacQueen, (1967), "Some Methods for classification and Analysis of Multivariate Observations”, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1:281-297

7. Gonzalez. R.C, (2007), “Digital Image Processing Chapter 10 Image Representation and Description”, Prentice Hall

8. Leavers, V.F., (1992), “The Dynamic Generalized Hough Transform: Its Relationship to the Probabilistic Hough Transforms and an Application to the Concurrent Detection of Circles and Ellipses”, CVGIP:Image Understanding

(32)

(33)

Citra hasil uji coba skenario 1

Gambar asli FCM dg window 3x3 FCM dg window 5x5

(34)

Citra hasil uji coba skenario 2

Gambar asli K-means FCM dg window 5x5