TESIS
DETEKSI KEPALA JANIN PADA GAMBAR USG
MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN
MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN
INFORMASI SPASIAL & ITERATIVE RANDOMIZED
HOUGH TRANSFORM (IRHT)
Oleh
: Dwi puspitasari - 5109201026
Dosen Pembimbing :
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
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
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
Perumusan Masalah
• Bagaimana meningkatkan hasil segmentasi
sehingga mampu meningkatkan akurasi
deteksi kepala janin pada gambar USG.
• Bagaimana membangun sistem yang dapat
• Bagaimana membangun sistem yang dapat
mendeteksi kepala janin serta menghasilkan
ukuran BPD dan HC secara otomatis
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
• Implementasi menggunakan perangkat lunak
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)
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.
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
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
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)Informasi Spasial
• Merupakan korelasi ketetanggaan yang
digunakan untuk meningkatkan hasil segmentasi
• Klasterisasi piksel bukan hanya berdasarkan nilai
• 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
Iterative Randomized Hough
Transform (IRHT)
Y
Y
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
Elips
• Persamaan elips
• Fungsi elips [1]:
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
Penskalaan
• Dilakukan untuk :
– Menyamakan skala citra USG
– Mendapatkan perbandingan piksel dalam mili
meter
meter
Skala :
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
i
j
i
Pembobotan Piksel
• Mengganti nilai piksel gambar asli dengan nilai yang
dipengaruhi ketetanggaan
w
i
F1, 1Fi,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 9Window 3x3
w1 w2 w12Wi’
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
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
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.
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
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 ?
Antarmuka preproses
Antarmuka deteksi
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
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
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
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
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
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
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
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
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
Saran
• Pada penelitian ini waktu eksekusi proses
segmentasi relatif lama, dengan demikian
permasalahan untuk mempercepat waktu
eksekusi dapat digunakan sebahai bahan
eksekusi dapat digunakan sebahai bahan
penelitian lebih lanjut
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