BAB I
PENDAHULUAN
1.1 Latar Belakang
Kanker adalah penyebab utama kematian di seluruh dunia. Berdasarkan data dari World Health Organization (WHO), pada tahun 2012 terdapat sekitar 14 juta kasus kanker dan 8,2 juta dari kasus-kasus tersebut berakhir dengan kematian. Penyebab utama kematian yang disebabkan oleh kanker adalah kanker paru-paru dengan jumlah kematian sebanyak 1,59 juta [1]. Kanker paru-paru adalah salah satu jenis penyakit paru yang memerlukan penanganan dan tindakan yang cepat dan terarah. Kanker paru-paru dalam arti luas adalah semua penyakit keganasan di paru, mencakup keganasan yang berasal dari paru sendiri maupun keganasan dari luar paru (metastasis tumor di paru). Pada awalnya, sel-sel normal di paru-paru dan bagian lain dari tubuh, tumbuh dan membelah membentuk sel baru. Ketika sel-sel normal menjadi tua atau rusak, sel-sel-sel-sel tersebut akan mati dan akan digantikan dengan sel-sel baru. Terkadang proses ini tidak berjalan dengan baik. Sel-sel baru terbentuk meskipun tubuh tidak membutuhkannya dan sel-sel yang lama tidak mati seperti yang seharusnya. Dengan demikian, akan terjadi penumpukan sel. Penumpukan sel ekstra sering membentuk suatu massa di jaringan yang disebut tumor. Tumor di paru-paru terdiri dari dua jenis yaitu jinak dan ganas. Sebelum menentukan jenis tumor, perlu dikenali morfologi lesi dari masing-masing jenis tumor tersebut yaitu tumor yang bukan kanker (jinak) dan tumor yang bersifat ganas atau yang dikenal dengan kanker. Kanker paru berasal dari paru-paru dan bisa juga dari organ tubuh selain paru-paru. Kanker yang berasal dari paru-paru disebut kanker paru primer dan yang berasal dari luar paru disebut kanker paru-paru sekunder. Biasanya, kanker paru-paru-paru-paru primer hanya berjumlah satu pada area paru-paru, sedangkan kanker paru-paru sekunder berjumlah lebih dari satu. Untuk penelitian ini akan membahas tentang morfologi kanker paru-paru primer.
Gambaran morfologi kanker paru-paru primer terdiri dari beberapa komponen yaitu ukuran tumor, penyangatan, tepi irregular spiculated, lobulated,
air bronchograms, ground glass opacity, dan densitas. Proses identifikasi kanker paru-paru dengan menggunakan gambaran morfologi tersebut dapat dilakukan dengan metode pencitraan atau yang dikenal dengan Computed Tomography (CT) image. Hasil CT Scan paru-paru dapat menggambarkan tingkat keganasan dari kanker. Peningkatan dalam pemanfaatan CT Scan paru-paru dapat meningkatkan jumlah penemuan nodul paru soliter, yang didefinisikan sebagai lesi bulat < 3cm dan dikelilingi oleh parenkim paru [2]. Penelitian ini hanya menggunakan beberapa komponen gambaran morfologi kanker paru primer yaitu shape dan Ground Glass Opacity.
Ground-glass opacity (GGO) adalah area yang mengalami sedikit peningkatan densitas yang bersifat homogen, yang tidak jelas (kabur) dan terletak di dasar bronchial atau pada tepi vaskuler pada High Resolution CT (HRCT). Secara patologis, GGO mungkin disebabkan oleh pengisian udara secara parsial, penebalan interstitial dengan peradangan, oedema, fibrosis, neoplastic proliferation, kondisi pernapasan normal atau peningkatan volume darah pada kapiler paru. GGO dapat diklasifikasikan menjadi pure GGO (pGGO) dan mixed GGO (mGGO) berdasarkan pada komponen solid. GGO dapat terjadi pada kondisi paru-paru jinak seperti pneumonia, focal fibrosis dan haemorrhage, tetapi saat ini telah mendapat perhatian khusus karena dapat mengindikasikan adanya keberadaan awal kanker paru-paru. Kasus yang paling sering muncul diantaranya bronchioloalveolar carcinoma (BAC) dan adenocarcinoma dengan komponen dominan yaitu BAC [3]. Pure GGO didefinisikan sebagai meningkatnya area nodular paru melalui struktur parenkim normal termasuk saluran udara dan pembuluh darah yang kelihatan. Nodul yang terdiri dari komponan ground-glass dan solid disebut part-solid GGN [4]. Salah satu fitur yang digunakan untuk melakukan klasifikasi lesi adalah fitur shape. Shape dibagi menjadi empat jenis yaitu round, oval, polygonal dan complex [5].
Fitur-fitur yang digunakan radiolog untuk mengklasifikasi jenis lesi merupakan fitur yang juga sering digunakan dalam bidang pengolahan citra. Untuk melakukan klasifikasi terhadap jenis lesi tersebut dapat menggunakan beberapa
metode, misalnya Support Vector Machine (SVM) [6] [7] [8], K-Nearest Neighbor (K-NN) [9], Radial Basis Function Network (RBFN) [10], dan lain-lain. Sebelum melakukan klasifikasi, citra hasil CT scan harus melalui tahap ekstraksi fitur terlebih dahulu. Beberapa metode yang dapat digunakan untuk ekstraksi fitur GGO adalah fitur tekstur berbasis histogram [11] [12] atau Gray Level Co-occurrence Matrices (GLCM) dan lain sebagainya [13]. Untuk mengetahui shape dari suatu lesi dapat menggunakan beberapa metode momen invariant, antara lain momen hu, momen zernike, momen jarak ke pusat hingga fitur circularity yang dapat digunakan untuk menghitung kebulatan suatu objek [14] [15] [16] [17] [18] [19] [20] [21] [22]. Penelitian ini akan menggunakan GLCM untuk mendapatkan fitur GGO dan fitur shape akan diperoleh dengan menggunakan metode momen zernike dan circularity. GLCM pertama kali diusulkan oleh Haralick pada tahun 1973 dengan 28 fitur untuk menjelaskan pola spasial dan menggunakan perhitungan tekstur pada orde kedua. Berdasarkan namanya, metode ini bekerja dengan menghitung nilai derajat keabuan pada suatu citra. Pengukuran tekstur pada orde pertama menggunakan perhitungan statistika dan didasarkan pada nilai piksel citra asli semata, dan tidak memperhatikan hubungan ketetanggaan piksel. Tetapi GLCM bekerja dengan memperhitungkan hubungan antara satu piksel dengan piksel disebelahnya (ketetangaan piksel). Momen zernike digunakan untuk menyatakan bentuk objek dan memiliki beberapa kelebihan yaitu tidak bergantung terhadap rotasi, andal terhadap derau memiliki redundansi yang minimum. Selanjutnya fitur circularity (sifat bundar) adalah perbandingan antara rerata jarak Euclidean dari sentroid terhadap tepi area dan deviasi standar jarak dari sentroid ke tepi area [21]. Berdasarkan metode-metode yang telah digunakan dalam penelitian-penelitian sebelumnya, maka penelitian-penelitian ini akan menggunakan Citra CT scan paru-paru untuk melakukan ekstraksi dan klasifikasi morfologi kanker paru-paru-paru-paru primer yaitu GGO dan shape. Dengan adanya penelitian ini, diharapkan dapat membantu radiolog untuk melakukan klasifikasi terhadap jenis resiko pasien dan dapat dijadikan second opinion dikarenakan masing-masing radiolog memiliki sudut pandang yang berbeda-beda terhadap suatu lesi paru-paru. Second opinion yang dimaksudkan merupakan alat bantu yang dapat digunakan sebagai bahan
pertimbangan bagi radiolog dalam melakukan pengenalan terhadap karakteristik lesi paru-paru. Selain itu, terdapat juga permasalahan dimana fitur dari lesi tersebut terlihat mirip sehingga sulit untuk bisa mengetahui jenis resiko kanker.
1.2 Perumusan masalah
Adapun rumusan masalah dalam penelitian ini adalah :
1. Tingginya resiko kematian yang disebabkan oleh kanker paru-paru menuntut para radiolog untuk dapat mengenali jenis lesi pada kasus kanker paru-paru primer dengan baik berdasarkan hasil CT scan. Tetapi kenampakan karakteristik lesi GGO dan shape pada citra CT scan cenderung hampir sama sehingga terkadang radiolog melakukan kesalahan dalam mengenali karakteristik lesi tersebut.
2. Belum adanya second opinion yang dapat dijadikan panduan dalam mengenali karakteristik lesi GGO dan shape. Hal ini dapat dilihat dengan proses pengenalan yang dilakukan oleh radiolog secara manual.
1.3 Keaslian penelitian
Pada bagian ini diberikan kajian mengenai beberapa penelitian yang bertujuan untuk melakukan pengenalan morfologi kanker paru-paru. Selain itu, juga diberikan kajian mengenai metode-metode yang telah diterapkan baik pada citra CT maupun pada citra yang berbeda. Kajian dilakukan untuk memberikan informasi mengenai perbedaan dan kebaruan antara penelitian-penelitian sebelumnya dengan penelitian yang dilakukan pada saat ini.
Penelitian yang dilakukan oleh Katsumata dkk [11] yang mengusulkan sebuah sistem untuk mendeteksi area GGO dengan menghitung empat fitur statistik dari fitur densitas dan satu fitur bentuk. Penelitian ini menggunakan 31 dataset citra thorax abnormal yang diperoleh dari Multi Detector row CT (MDCT). Fitur statistik yang dihitung antara lain mean, standard deviation, skewness dan kurtosis. Dari keempat fitur tersebut diperoleh tingkat akurasi 79% dengan tingkat False Positive (FP) sebesar 1,3. Kemudian, digunakan fitur bentuk yang dihitung menggunakan
Minimum Directional Difference Filter (Min-DD) untuk mengurangi tingkat FP. Dari hasil penelitian, disimpulkan bahwa sistem yang diusulkan tersebut dapat digunakan di bidang medis.
Sedangkan pada penelitian yang dilakukan oleh Bastawrous dkk [12], menggunakan beberapa fitur morfologi dan graylevel. Fitur morfologi yang dihitung antara lain area, compactness, dan irregularity. Kemudian, fitur graylevel terdiri dari mean intensity value dan maximum intensity value. Penelitian ini menggunakan 715 slice citra CT yang berisi 25 nodul GGO dan diklasifikasi menggunakan template matching dan diperoleh sensitivitas 92% dengan FP 0,76 per slice. Selanjutnya, digunakan metode ANN untuk mengurangi tingkat FP. Setelah menggunakan ANN, FP dapat dikurangi dari 0,76 menjadi 0,25 per slice tetapi metode ini mengurangi tingkat sensitivitas menjadi 84%.
Penelitian yang dilakukan Yokota dkk [13], juga melakukan deteksi area GGO pada citra CT berdasarkan fitur statistik dengan menghitung keempat sudut dari metode GLCM antara lain energy, entropy, inertia dan correlation. Metode yang diusulkan, diterapkan pada 31 citra CT yang diperoleh dari LIDC. Dengan menggunakan metode tersebut diperoleh akurasi 93%. Hal ini disebabkan karena area pembuluh darah dihilangkan terlebih dahulu menggunakan 3D line filter.
Selain metode-metode yang digunakan untuk mengukur tingkat GGO, terdapat juga beberapa metode yang dapat digunakan untuk deteksi keabnormalan pada paru-paru. Fesharaki dan Pourghassem [14] melakukan ekstraksi fitur dengan memanfaatkan fitur bentuk yaitu Fourier Descriptor, Invariant Moments dan Zernike Moments. Penelitian ini menggunakan 4.937 citra x-ray dan dibagi menjadi 4.375 citra untuk training dan 562 citra untuk testing. Kemudian, klasifikasi menggunakan Bayesian Rule dan diperoleh akurasi 82,87%.
Penelitian yang dilakukan Asadi dkk [15] menggunakan metode digital holographic untuk klasifikasi dan mengenali sel leukemia pada citra blood cells. Data yang digunakan untuk training sebanyak 800 citra berbeda dari 4 jenis leukemia. Tahap ekstraksi menggunakan Zernike Moments. Kemudian, untuk klasifikasi sel leukemia, digunakan K-Nearest Neighbor (KNN) dan minimum mean
distance yang bertujuan untuk membandingkan tingkat akurasi tertinggi. Dari hasil penelitian, diperoleh akurasi tertinggi dengan menggunakan KNN yaitu mencapai 93%.
Kemudian, Sharma dan Khanna [16] mengusulkan sebuah sistem untuk klasifikasi keganasan pada citra mammogram. Sebelum diklasifikasi, citra tersebut diekstraksi menggunakan Zernike moment. Penelitian ini menggunakan citra mammogram dari Image Retrieval in Medical Application (IRMA) dan Digital Database for Screening Mammography (DDSM). Setelah proses ekstraksi, dilakukan klasifikasi menggunakan SVM dengan kernel RBF (Radial Basis Function) terhadap masing-masing database. Hasil yang diperoleh yaitu sensitivitas 99% dan spesifisitas 99% untuk IRMA. Sensitivitas 97% dan spesifisitas 96% untuk DDSM. Metode yang diusulkan dibandingkan dengan fitur tekstur yaitu GLCM dan Discrete Fourier Transform (DCT) dan hasil yang diperoleh adalah metode yang diusulkan memberikan kinerja yang lebih baik.
Tahmasbi dkk [17], juga melakukan klasifikasi massa jinak dan ganas pada citra mammogram dengan menggunakan Zernike moment. Penelitian ini menggunakan dataset dari Mammographic Image Analysis Society (MIAS) yang terdiri dari 322 citra digital yang terdiri dari payudara kiri dan kanan dari 161 wanita yang berbeda. Tahap awal yang dilakukan adalah praproses yang terdiri dari dua cara yaitu menggunakan citra grayscale untuk ekstraksi fitur menggunakan Zernike moment sebagai deskriptor mass margin dan menggunakan citra biner untuk sebagai deksriptor mass shapes. Klasifikasi menggunakan Multi-Layer Perceptron (MLP) yang dilatih dengan aturan pembelajaran Back Propagation (BP) dan Opposition-based Learning (OBL). Spesifisitas dan sensitivitas yang dicapai dari kedua cara tersebut yaitu 97,5% dan 97,6%.
Pengenalan shape dapat dilakukan dengan menggunakan metode-metode yang telah disebutkan tetapi ada penelitian yang juga melakukan pengenalan shape dengan metode yang berbeda yaitu dengan menghitung nilai kebulatan (circularity). Weiqiang, dkk [22] melakukan analisis terhadap shape dan boundary menggunakan beberapa metode yaitu polygonal modeling dan index of lobule untuk
memperoleh boundary, kemudian fractal dimension dan circularity digunakan untuk memperoleh shape. Massa shape terdiri dari irregular dan sub-circular kemudian massa boundary terdiri dari spiculate, microlobulate dan smooth. Penelitian dilakukan menggunakan 93 citra mammogram yang terdiri dari 54 citra benign dan 39 malignant yang diperoleh dari MIAS.
Fitur bentuk juga banyak digunakan dalam bidang-bidang selain citra medis. Kale dkk [18], melakukan pengenalan tulisan tangan Devanagari menggunakan fitur bentuk yaitu Zernike moments. Dalam penelitian ini, tidak ada dataset yang tersedia sehingga tulisan huruf Devanagari dibuat sendiri. Dataset terdiri dari basic dan compound character sehingga terdapat 27.000 karakter yang akan diklasifikasi. Setelah ekstraksi fitur, SVM dan KNN digunakan untuk klasifikasi dan diperoleh akurasi yang tinggi yaitu SVM mencapai 98,37% dan KNN mencapai 95,82%. Sedangkan Chen dan Li [19] melakukan pengenalan sidik jari menggunakan 7 momen Hu. Penelitian ini menggunakan database DB1 dari FCV2002. Database DB1 terdiri dari 800 citra sidik jari. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat membedakan masing-masing sidik jari.
Sementara itu, Trbali dkk [20], juga menggunakan momen Zernike untuk melakukan klasifikasi massa jinak dan ganas pada citra mammogram. Dataset diperoleh dari Mammography Image Analysis Society (MIAS) yang berisi 322 citra digital mammogram yang terdiri dari payudara kiri dan kanan dari 161 wanita. Tahap-tahap yang dilakukan yaitu tahap praproses, segmentasi,ekstraksi fitur kemudian klasifikasi. Setelah klasifikasi, akurasi yang diperoleh mencapai 90,4% dengan sensitivitas 92% dan spesifisitasi 96%.
Fu dan Han [23], mengusulkan metode untuk menghitung kebulatan berbasis pada morfologi matematika dan kode rantai. Metode tersebut dapat digunakan untuk citra biner sehingga tahap awal yang dilakukan adalah proses binarisasi menggunakan metode Otsu. Selanjutnya metode morfologi yaitu opening dan closing dan proses deteksi tepi dan ekstraksi kontur. Selanjutnya metode kode rantai diterapkan pada tepi citra untuk mendapatkan kebulatan
(circularity). Hasil penelitian menunjukkan bahwa algoritme yang diusulkan sederhana dan efektif serta cukup akurat.
Penelitian-penelitian yang telah dilakukan lebih cenderung menggunakan citra mammogram untuk klasifikasi tingkat keganasan kanker payudara ataupun untuk melakukan pengenalan terhadap karakter tulisan tangan maupun pada citra yang bukan citra medis sementara untuk citra CT pada kasus kanker paru-paru belum banyak dilakukan. Berikut ini adalah beberapa penelitian yang telah dilakukan yang dirangkum pada Tabel 1.1
Tabel 1. 1 Perbandingan keaslian penelitian
No Peneliti Data Metode Keterangan
1. Katsumata dkk. [11], 2008. Penelitian ini menggunakan 31 dataset thorax abnormal yang diperoleh dari Multi Detector row (MDCT)
Ekstraksi empat fitur statistik (mean,
standard deviation, skewness,kurtosis) dan
satu fitur bentuk (Minimum Directional
Difference Filter)
Dapat disimpulkan bahwa sistem yang diusulkan dapat digunakan di bidang medis 2. Bastawrous dkk [12], 2005. 715 slice citra CT yang berisi 25 nodul GGO Ekstraksi fitur morfologi (area, compactness, dan
irregularity) dan fitur graylevel (mean
intensity value dan maximum intensity value) Klasifikasi menggunakan template matching, diperoleh sensitivitas 92% dan FP 0,76/slice. Metode ANN dapat mengurangi tingkat FP menjadi 0,25/slice tetapi mengurangi tingkat sensitivitas menjadi 84%
Tabel 1. 2 Perbandingan keaslian penelitian (lanjutan)
3. Yokota dkk. [13], 2014. Metode diterapkan pada 31 citra CT yang diperoleh dari LIDC Menghitung keempat sudut dari metode GLCM antara lain
energy, entropy, inertia
dan correlation. Kemudian area pembuluh darah dihilangkan menggunakan 3D line filter. Dengan menggunakan metode GLCM dan 3D line filter, diperoleh akurasi 93% 4. Fesharaki dan Pourghasse m [14], 2012. Penelitian ini menggunakan 4.937 citra x-ray dan dibagi menjadi 4.375 citra untuk training dan 562 citra untuk testing.
Ekstraksi fitur bentuk yaitu Fourier Descriptor, Invariant Moments dan Zernike Moments.
Klasifikasi menggunakan
Bayesian Rule dan
diperoleh akurasi 82,87% 5. Asadi dkk. [15], 2006. Testing menggunakan 800 citra yang berbeda dari 4 jenis leukemia.
Ekstraksi fitur bentuk menggunakan Zernike Moments. Klasifikasi menggunakan KNN dan minimum mean
distance Tingkat akurasi tertinggi diperoleh dengan menggunakan KNN yaitu mencapai 93%
Tabel 1. 3 Perbandingan keaslian penelitian
6. Sharma dan Khanna [16], 2014. Penelitian ini menggunakan citra mammogram
dari IRMA dan DDSM.
Ekstraksi
menggunakan Zernike moment dan klasifikasi menggunakan SVM dengan kernel RBF pada masing-masing database
Hasil yang diperoleh yaitu sensitivitas 99% dan spesifisitas 99% untuk IRMA. Sensitivitas 97% dan spesifisitas 96% untuk DDSM. 7. Tahmasbi dkk. [17], 2011 Dataset diperoleh dari Mammography Image Analysis Society (MIAS)
yang terdiri dari 322 citra payudara kiri dan kanan.
Ekstraksi fitur pada citra mammogram menggunakan Zernike moment. Klasifikasi menggunakan Multi-Layer Perceptron (MLP).
Hasil yang diperoleh yaitu spesifisitas mencapai 97,5% dan sensitivitas mencapai 97,6%. 8. Weiqiang dkk.[22], 2008 93 citra mammogram dari Mammography Image Analysis Society (MIAS)
yang terdiri dari 54 citra benign dan 39 citra malignant Menggunakan fractal dimension dan circularity untuk mengetahui shape dari massa
Klasifikasi
menghasilkan massa shape dan boundary dapat dibedakan dengan akurasi 92,5%
Tabel 1. 4 Perbandingan keaslian penelitian
9. Kale dkk. [18], 2013
Dataset terdiri dari basic dan
compound character
sehingga
terdapat 27.000 karakter.
Ekstraksi fitur untuk pengenalan tulisan tangan Devanagari menggunakan Zernike moment, SVM dan KNN digunakan untuk klasifikasi SVM dan KNN digunakan untuk klasifikasi dan diperoleh akurasi yang tinggi yaitu SVM mencapai 98,37% dan KNN mencapai 95,82% 10. Chen dan Li [19], 2013 Penelitian ini menggunakan database DB1 dari FCV2002. Database DB1 terdiri dari 800 citra sidik jari.
Ekstraksi fitur menggunakan 7 momen Hu. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat membedakan masing-masing sidik jari 11. Trbali dkk. [20], 2014 Dataset diperoleh dari Mammography Image Analysis Society (MIAS)
yang terdiri dari 322 citra payudara kiri dan kanan.
Ekstraksi fitur massa jinak dan ganas pada citra mammogram menggunakan momen Zernike, kemudian klasifikasi menggunakan neural network. Akurasi yang diperoleh mencapai 90,4% dengan sensitivitas 92% dan spesifisitasi 96%. 12. Fu dan Han [23], 2012 Citra berbentuk bundar Menggunakan operasi morfologi matematika dan kode rantai untuk memperoleh fitur
circularity
Algoritme yang diusulkan sederhana dan efektif serta cukup akurat.
Tabel 1. 5 Perbandingan keaslian penelitian
12. Penelitian yang akan dilakukan Data yang digunakan terdiri dari 30 citra
Ekstraksi fitur yang digunakan adalah fitur berbasis Gray Level
Co-occurrence
Matrices (GLCM) untuk GGO kemudian
Zernike Moment dan circularity untuk shape. Selanjutnya klasifikasi menggunakan metode Multilayer Perceptron. Melakukan pengujian dengan menggunakan metode ekstraksi fitur GLCM dan fitur bentuk. Kemudian menggunakan metode klasifikasi
MLP untuk
mengenali jenis lesi.
Perbedaan antara penelitian di atas dengan penelitian yang akan dilakukan adalah penelitian ini akan menggunakan metode-metode ekstraksi fitur dari metode-metode yang sudah ada pada citra CT scan paru-paru untuk mengenali morfologi lesi kanker paru-paru primer yaitu GGO dan shape yang dapat dijadikan parameter dalam menentukan tingkat keganasan dan jenis resiko pasien. Selain itu, untuk berupaya meningkatkan akurasi maka dilakukan proses seleksi fitur yang dilakukan secara otomatis.
1.4 Tujuan Penelitian
Tujuan utama dalam penelitian ini adalah :
- Menerapkan metode ekstraksi fitur berdasarkan metode yang telah digunakan sebelumnya untuk mengenali morfologi lesi GGO dan shape pada kasus kanker paru-paru primer.
- Menggunakan metode klasifikasi yang bertujuan untuk memperoleh tingkat akurasi yang signifikan dalam mengenali karakteristik morfologi lesi paru-paru.
- Meningkatkan akurasi pengenalan jenis lesi yang dapat dilakukan melalui beberapa tahap
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat digunakan oleh radiolog sebagai second opinion dalam mengenali karakteristik morfologi kanker paru-paru primer sehingga dapat menentukan jenis resiko pasien dan tindakan seperti apa yang harus dilakukan.
