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
Prosedur Evaluasi Sel Darah
Prosedur Evaluasi Sel Darah
– Waktu yang lama
– Susah diproduksi ulang – Pengalaman operator
Keragaman Citra Sel Darah Putih
• Detection
• Separation
• Identification
Deteksi Bertumpuk ???
Deteksi Bertumpuk ???
Objek bertumpuk dapat
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
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
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
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
DATASET CITRA
• Darah Manusia Normal Acak • Pewarnaan Geimsa
• Pengamatan Mikroskop 1000x • Pengamatan Mikroskop 1000x • Melalui Kamera
Rancangan Sistem
kamera Citra Darah Database Citra Pra Proses Citra Segmentasi CitraDeteksi 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
Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra
Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra
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
Input citra Pra-proses citra Segmentasi Deteksi Deteksi Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Ref: Scotti F., 2006
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
Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk Bertumpuk Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra
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
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
Fitur Detail
Geometri
Luas Sel, Luas Nukleus, Luas Sitolasma, Perimeter,
Compactness, Eccentricity, Orientation, Solidity, Form Factor, Roundness nukleus,
Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk
Warna Mean Warna tiap kanal
Tekstur 14 Fitur GLCM 10 fitur LBP Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Rezatofighi dkk, 2011
• Pemilihan Fitur
• Support Vector Mechine
– Pendekatan multikelas
• One Againts All • One Againts One
Input citra Pra-proses citra Segmentasi Deteksi Bertumpuk
• One Againts One
– Fungsi Kernel • Linier • Quadratic • Gaussian Pemisahan Sel Ekstrasi fitur Klasifikasi Output citra Rezatofighi dkk, 2011
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
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
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
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
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
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
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
Dataset Uji Coba Segmentasi Deteksi & Pemisahan Klasifikasi
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
Dataset Uji Coba Segmentasi Deteksi & Pemisahan Klasifikasi
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
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
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
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
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
Dataset Uji Coba
Segmentasi
Deteksi &
Analisis Distance Marker
Contoh proses deteksi yang gagal
Pengaruh Segmentasi
Deteksi & Pemisahan
Klasifikasi
Pengaruh Segmentasi
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
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
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
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
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
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
Dataset Uji Coba Segmentasi Deteksi &
Dataset Pelatihan
Akurasi (%) Parameter SVMOne 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
Dataset Uji Coba Segmentasi Deteksi &
Dataset Pengujian
Akurasi (%) Parameter SVMOne 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
Dataset Uji Coba
Segmentasi
Deteksi &
Pendekatan One Againts All terdapat
area bukan kelas
Fitur terseparasi baik secara linier
Support Vector Mechine
Deteksi & Pemisahan
Klasifikasi
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
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
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
Perlu dikembangkan optimasi otomatis
deteksi
Perlu diujicobakan metode pemisahan lainnya
Perlu diujicobakan kombinasi fitur serta
Saran
Perlu diujicobakan kombinasi fitur serta