Benny Afandi

(1)

DETEKSI DAN PEMISAHAN SEL DARAH PUTIH BERTUMPUK MENGGUNAKAN ANALISIS DISTANCE MARKER DAN

GRADIENT-BARRIER WATERSHED

UNTUK IDENTIFIKASI JENIS SEL DARAH PUTIH PADA CITRA MIKROSKOPIK SEL DARAH

Benny Afandi

Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom, M.Kom.

Pembimbing II Dr. Eng. Nanik Suciati, S.Kom, M.Kom.

Benny Afandi 5114201012

(2)

(3)

Prosedur Evaluasi Sel Darah

– Waktu yang lama

– Susah diproduksi ulang – Pengalaman operator

(4)

Keragaman Citra Sel Darah Putih

• Detection

• Separation

• Identification

(5)

Deteksi Bertumpuk ???

Objek bertumpuk dapat

(6)

Tujuan Penelitian

Mengusulkan pendekatan skema baru

dalam pendeteksian dan pemisahan sel darah putih bertumpuk menggunakan analisis distance marker

dan gradient barrier watershed

untuk identifikasi jenis sel darah putih pada citra untuk identifikasi jenis sel darah putih pada citra

mikroskopis sel darah

Diharapkan dapat memberikan manfaat besar dalam mengidentifikasi sel darah putih pada citra mikroskopis sel

darah yang kompleks

(7)

Batasan Masalah

• Dataset citra sel darah putih diambil dari mikroskop menggunakan kamera

• Program bantu menggunakan MATLAB, Photoshop dan Weka.

Kontribusi

Proses deteksi dan pemisahan sel darah putih bertumpuk menggunakan analisis distance marker dan gradient-barrier

(8)

Penelitian Terkait

Metode Kelebihan Kelemahan Pustaka

Informasi Bentuk

• Stabil • Cepat

• Tidak robust

terhadap bentuk sel

• Fathichah dkk, 2014 • Nazlibiek dkk, 2014 2014 Analisa concavity pada kontur • Robust terhadap bentuk sel • Bergantung pada kondisi tepi • Nilai concavity • Yu D. dkk, 2009 • Bai X. dkk, 2009 • Lin P. dkk, 2014

(9)

Mikroskop 1000x Slide kamera Citra Darah Database Citra Pra Proses Citra Segmentasi Citra Deteksi Sel Bertumpuk Pemisahan Sel Bertumpuk Ekstrasi Fitur Klasfikasi Pelaporan positif/negatif Database Fitur

(10)

DATASET CITRA

• Darah Manusia Normal Acak • Pewarnaan Geimsa

• Pengamatan Mikroskop 1000x • Pengamatan Mikroskop 1000x • Melalui Kamera

(11)

Rancangan Sistem

kamera Citra Darah Database Citra Pra Proses Citra Segmentasi Citra

Deteksi Sel Pemisahan Sel

Pemilihan Mikroskop 1000x Slide Slide kamera Deteksi Sel Bertumpuk Pemisahan Sel Bertumpuk Ekstrasi Fitur Klasfikasi Pelaporan positif/negatif Database Fitur Komputer Pemilihan Dataset

(12)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra

(13)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra

(14)

Wiener Filter Laplacian Filter Start Input Citra Input citra Pra-proses citra Segmentasi

Deteksi Laplacian Filter

Konversi RGB ke L*a*b End Citra LAB Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Ref: M Ghosh dkk., 2010

(15)

Input citra Pra-proses citra Segmentasi Deteksi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Ref: Scotti F., 2006

(16)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Start Citra segmentasi sel Conn. Comp. Labelling Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Distance Transform Pencarian Marker End Analisa Distance Marker Jumlah sel Per Label Marker Per Label

(17)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra

(18)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk

Label ke-1 Jumlah = 1

Tidak Bertumpuk Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra

Label ke-2 Jumlah = 2

(19)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Marker Clustering Citra Gradient Start Marker Citra LAB Bertumpuk ? N Y

Conn. Comp. Labelling (info tambahan)

Setiap Conn. Comp. Label _{Jumlah sel}

Per Label Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Ref: Yang H dkk., 2014 Marker Clustering Gradient-Barrier Watershed End Threshold gradient Citra Hasil Pemisahan Marker Per Label

(20)

Fitur Detail

Geometri

Luas Sel, Luas Nukleus, Luas Sitolasma, Perimeter,

Compactness, Eccentricity, Orientation, Solidity, Form Factor, Roundness nukleus,

Warna Mean Warna tiap kanal

Tekstur 14 Fitur GLCM 10 fitur LBP Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Rezatofighi dkk, 2011

(21)

• Pemilihan Fitur

• Support Vector Mechine

– Pendekatan multikelas

• One Againts All • One Againts One

• One Againts One

– Fungsi Kernel • Linier • Quadratic • Gaussian Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Rezatofighi dkk, 2011

(22)

Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Pemisahan

Tiap Citra menghasilkan:

– Jenis Tiap Sel Darah Putih

– Jumlah Sel Darah Putih

Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra

(23)

 Kedua metode geometri bergantung informasi bentuk dan ukuran objek sel yang baik

 Metode ADM bergantung :

 Informasi overlap objek (disarankan < 50%)

 Kandidat marker terbaik

 Nilai marker noise berlebih dapat mengurangi kinerja deteksi

 Prosentase marker terbesar

ZSI Index (%)

Jumlah Citra Dataset Penelitian Pelatihan Pengujian

> 70 99 57

> 80 86 51

(24)

Dataset Uji Coba

Segmentasi

• Resolusi Citra 640 x 480 piksel

• 5 slide hapusan darah manusia

• Adobe Photoshop untuk Justifikasi

Deteksi & Pemisahan Klasifikasi

• Adobe Photoshop untuk Justifikasi

(25)

Dataset Uji Coba

Segmentasi

• Citra pelatihan:

– Sel tunggal pada satu daerah

lapang pandang mikroskop

– Justifikasi area sel dan identifikasi

• Citra Pengujian :

Deteksi & Pemisahan Klasifikasi

• Citra Pengujian :

– Keberadaan sel berjumlah > 1

– Justifikasi area sel

(26)

Dataset Uji Coba

Segmentasi

Distribusi Citra Pelatihan

Jumlah Citra Sel Darah putih

Limposit Monosit Eosinofil Netrofil Basofil

Slide-1 5 5 5 5 -Slide-2 5 5 5 5 5 Deteksi & Pemisahan Klasifikasi Slide-2 5 5 5 5 5 Slide-3 5 5 5 5 5 Slide-4 5 5 5 5 5 Slide-5 5 5 5 5 5

(27)

Dataset Uji Coba

Segmentasi

 _{fuzzy c-means pada citra ruang}

warna L*a*b*

 _{gray-level thresholding sebagai}

referensi

 _{Post-Segementasi : ½ luas dengan}

Deteksi & Pemisahan

Klasifikasi

 _{Post-Segementasi : ½ luas dengan}

rerata diameter sel

 _{Penambahan Opening, untuk}

meningkatkan kualitas segmentasi

(28)

Rata-rata ZSI Index

(%)

Penambahan Opening pada hasil segmentasi dari prosentase luas objek terbesar

tanpa 10 20 30 40 50 60 70 Data 75,96 77,13 78,05 78,89 79,51 80,03 80,65 81,30 Dataset Uji Coba Segmentasi Pelatihan 75,96 77,13 78,05 78,89 79,51 80,03 80,65 81,30 Data Pengujian 72,19 74,29 75,55 77,47 77,75 76,74 75,37 73,14 Deteksi & Pemisahan Klasifikasi

(29)

Dataset Uji Coba Segmentasi Deteksi & Pemisahan Klasifikasi

(30)

Dataset Uji Coba

Segmentasi

ZSI Index (%)

Jumlah Citra Dataset Penelitian Pelatihan Pengujian > 70 99 57 > 80 86 51 Deteksi & Pemisahan Klasifikasi > 80 86 51 > 90 70 32

(31)

Dataset Uji Coba Segmentasi Deteksi & Pemisahan Klasifikasi

(32)

Dataset Uji Coba

Segmentasi

 _{Penelitian menggunakan tambahan}

opening 40% dan dipilih sesuai ZSI index ≥ 90%

 Proses Deteksi bergantung Proses

Segmentasi

Noise mempengaruhi perhitungan

Deteksi & Pemisahan

Klasifikasi

 Noise mempengaruhi perhitungan

jumlah sel

 Akibat :

 _{Proses pewarnaan kurang baik}

(33)

Dataset Uji Coba

Segmentasi

Deteksi &

 Marker Noise

 Marker merupakan representasi Objek sel

 Marker objek berada ditengah objek  Marker Noise sedapat mungkin

dihilangkan

Analisis Distance Marker

Deteksi & Pemisahan

Klasifikasi

dihilangkan  Overlap Objek

 Kedalaman bertumpuknya objek  Bergantung jenis & kondisi objek

(34)

Akurasi Hit Citra (%)

Threshold Overlap % nilai marker objek

0 5 10 15 20 25 30 35 40 45 50 Thresh old Marker Noise % Nilai Marker T er besar 0 43,8 40,6 40,6 37,5 31,3 31,3 28,1 31,3 34,4 34,4 34,4 10 68,8 65,6 62,5 59,4 59,4 59,4 56,3 56,3 59,4 56,3 56,3 20 71,9 71,9 68,8 68,8 75,0 71,9 62,5 65,6 65,6 62,5 62,5 30 75,0 75,0 75,0 75,0 81,3 78,1 68,8 71,9 71,9 68,8 68,8 Dataset Uji Coba Segmentasi Deteksi &

Analisis Distance Marker

Thresh old Marker Noise % Nilai 40 81,3 81,3 81,3 81,3 84,4 81,3 78,1 81,3 81,3 78,1 78,1 50 81,3 81,3 81,3 84,4 84,4 81,3 78,1 81,3 84,4 81,3 81,3 P ixe l 5 65,6 65,6 62,5 59,4 59,4 56,3 53,1 56,3 59,4 56,3 56,3 10 68,8 65,6 68,8 68,8 75,0 71,9 68,8 71,9 71,9 68,8 68,8 15 71,9 71,9 71,9 71,9 78,1 78,1 75,0 78,1 81,3 78,1 78,1 20 78,1 78,1 81,3 84,4 84,4 84,4 84,4 87,5 87,5 87,5 87,5 25 75,0 75,0 78,1 81,3 81,3 81,3 81,3 84,4 84,4 84,4 84,4 30 34,4 34,4 34,4 37,5 37,5 37,5 37,5 40,6 40,6 40,6 40,6 Deteksi & Pemisahan Klasifikasi

(35)

Dataset Uji Coba

Segmentasi

Deteksi &

Analisis Distance Marker

Akurasi hit citra yang teridentifikasi Analisis Distance Geometri-1 (Eccentricity dan luas Geometri-2 (Major / Minor axis Deteksi & Pemisahan Klasifikasi teridentifikasi mempunyai jumlah sel benar (%) Marker dan luas objek) Minor axis Objek) 87,50 81,25 25,00

(36)

Dataset Uji Coba

Segmentasi

Deteksi &

 Kedua metode geometri bergantung

informasi bentuk dan ukuran objek sel yang baik

 Metode ADM bergantung :

 Informasi overlap objek (disarankan

< 50%)

Analisis Distance Marker

Deteksi & Pemisahan

Klasifikasi

< 50%)

 Kandidat marker terbaik

 Nilai marker noise berlebih dapat

mengurangi kinerja deteksi

(37)

Dataset Uji Coba

Segmentasi

Deteksi &

Analisis Distance Marker

Contoh proses deteksi yang gagal

Pengaruh Segmentasi

Deteksi & Pemisahan

Klasifikasi

Pengaruh Segmentasi

(38)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{Marker cluster}

 _{Marker menentukan daerah}

catchment basin

 _{Prinsip kerja conneted component}

Gradient barrier

Gradient Barrier Watershed

Deteksi & Pemisahan

Klasifikasi

 _{Gradient barrier}

 _{Menentukan proses flooding}

(39)

Dataset Uji Coba

Segmentasi

Deteksi &

Gradient Barrier Watershed

Akurasi terhadap jumlah sel

(%)

Nilai Marker Cluster (piksel)

0 5 10 15 20 25 30 35 40 45 50

Referensi 71,9 81,3 93,8 93,8 96,9 96,9 96,9 96,9 93,8 93,8 93,8

Deteksi 65,6 75,0 87,5 87,5 90,6 90,6 90,6 90,6 87,5 87,5 87,5

Deteksi & Pemisahan

Klasifikasi ZSI Index (%)

Nilai Threshold Gradient

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5

(40)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{Jarak cluster marker optimal pada}

objek penelitian pada 20-30 piksel

 _{Gradient barrier}

 _{≥ 0.35}

Lebih besar dari gradient citra

Gradient Barrier Watershed

Deteksi & Pemisahan

Klasifikasi

 _{Lebih besar dari gradient citra}

 _{Gradient tertinggi berada diantara}

(41)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{39 Fitur}

 _{15 fitur bentuk dan warna}

 _{14 fitur GLCM}  _{10 fitur LBP} Deteksi & Pemisahan Klasifikasi 10 fitur LBP

 _{Pemilihan fitur dengan berbagai}

(42)

Dataset Uji Coba

Segmentasi

Deteksi &

Fitur ke- Tipe Fitur Metode Tekstur Jenis Fitur

12 Warna - Kanal a*

18 Tekstur GLCM Entropy

27 Tekstur GLCM Sum Entropy

34 Tekstur LBP Uniform-5 23 Tekstur GLCM Homogenity Deteksi & Pemisahan Klasifikasi 23 Tekstur GLCM Homogenity 29 Tekstur GLCM Difference Entropy

35 Tekstur LBP Uniform-6

11 Warna - Kanal L*

1 Geometri - Luas Sel

(43)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{Pendekatan Multikelas}

 _{One Againts All}

 _{One Againts One}

 _{Fungsi kernel}

Support Vector Mechine

Deteksi & Pemisahan Klasifikasi Fungsi kernel  _Linier  _Quadratic

(44)

Dataset Uji Coba Segmentasi Deteksi &

Dataset Pelatihan

Akurasi (%) Parameter SVM

One Againts All One Againts One linear quadratic rbf linear quadratic rbf

1 22,86 51,43 51,43 40,00 42,86 52,86 2 47,14 74,29 78,57 77,14 77,14 74,29 3 64,29 87,14 78,57 82,86 90,00 87,14 4 68,57 88,57 82,86 85,71 92,86 94,29 Deteksi & Pemisahan Klasifikasi Ju m la h Fit ur 4 68,57 88,57 82,86 85,71 92,86 94,29 5 70,00 88,57 85,71 90,00 94,29 95,71 6 75,71 88,57 88,57 95,71 95,71 95,71 7 74,29 92,86 90,00 97,14 97,14 98,57 8 78,57 94,29 94,29 97,14 100,00 98,57 9 78,57 98,57 97,14 97,14 100,00 100,00 10 78,57 72,86 62,86 78,57 72,86 92,86 all 92,86 100,00 31,43 100,00 98,57 61,43

(45)

Dataset Uji Coba Segmentasi Deteksi &

Dataset Pengujian

Akurasi (%) Parameter SVM

One Againts All One Againts One linear quadratic rbf linear quadratic rbf 1 46,84 37,97 37,97 27,85 32,91 36,71 2 35,44 35,44 34,18 44,30 44,30 44,30 3 41,77 40,51 41,77 49,37 43,04 45,57 4 51,90 50,63 40,51 56,96 53,16 39,24 Deteksi & Pemisahan Klasifikasi Jum lah Fi tur 4 51,90 50,63 40,51 56,96 53,16 39,24 5 50,63 53,16 39,24 59,49 51,90 37,97 6 54,43 51,90 43,04 58,23 49,37 39,24 7 55,70 51,90 41,77 62,03 50,63 35,44 8 54,43 53,16 45,57 62,03 54,43 39,24 9 51,90 43,04 32,91 46,84 46,84 31,65 10 54,43 49,37 31,65 59,49 53,16 21,52 all 53,16 50,63 29,11 67,09 46,84 5,06

(46)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{Pendekatan One Againts All terdapat}

area bukan kelas

 _{Fitur terseparasi baik secara linier}

Support Vector Mechine

Deteksi & Pemisahan

Klasifikasi

(47)

Dataset Uji Coba Segmentasi Deteksi & Prediksi MO NT LP EU BS Ak tual MO 15 1 3 2 1 NT 9 11 1 6 0 LP 3 0 19 1 0

EU 0 0 0 4 0 Kelas TP Rate FP Rate

Deteksi & Pemisahan Klasifikasi Ak tual EU 0 0 0 4 0 BS 0 0 0 0 3

Kelas TP Rate FP Rate

MO 68,18 44,44 NT 40,74 8,33 LP 86,96 16,67 EU 100 66,67 BS 100 25,00 Rerata 67,09 24,40

(48)

Dataset Uji Coba

Segmentasi

Deteksi &

 _{Fitur warna dominan pada jenis sel}

Eosinofil dan Basofil

 _{Fitur jenis sel lainnya mirip dengan}

Deteksi & Pemisahan

Klasifikasi

 _{Fitur jenis sel lainnya mirip dengan}

(49)

(50)

 Analisis Distance Marker

 Bergantung marker noise dan overlap

 Tingkat keberhasilan 87%

 _{Gradient Barrier Watershed tidak optimal pada}

Kesimpulan

 _{Gradient Barrier Watershed tidak optimal pada}

objek penelitian ini

 Klasifikasi SVM cukup baik

 pendekatan One Againts One kernel linier

(51)

 _{Perlu dikembangkan optimasi otomatis}

deteksi

 _{Perlu diujicobakan metode pemisahan lainnya}

 _{Perlu diujicobakan kombinasi fitur serta}

Saran

 _{Perlu diujicobakan kombinasi fitur serta}

(52)