IV-92 SENTRA
KLASIFIKASI NODULE PARU-PARU DARI CITRA CT-SCAN
BERDASARKAN
GRAY LEVEL C0-OCCURRENCE MATRIKS
MENGGUNAKAN
PROBABILISTIC NEURAL NETWORK
Tri Deviasari Wulan1, I Ketut Eddy Purnama2, Mauridhi Heri Purnomo3
1. Institut Teknologi Sepuluh Nopember, Surabaya 2. Institut Teknologi Sepuluh Nopember, Surabaya 3. Institut Teknologi Sepuluh Nopember, Surabaya
Kontak Person:
Penelitian ini melakukan klasifikasi nodule paru-paru dari citra CT-scan berdasarkan tekstur fitur yaitu menggunakan Gray Level Coocurrance Matriks (GLCM). Nodule paru-paru merupakan bercak-bercak pada paru yang digunakan sebagai salah satu tanda untuk mendiagnosis kanker paru-paru. Nodule paru-paru ini tersebar diseluruh area paru dengan posisi yang acak, bentuk dan ukuran yang beragam. Bercak-bercak ini kemudian akan berkembang dan mengganas menjadi kanker paru-paru. Dalam citra CT-Scan tersebut terdapat banyak sekali bercak-bercak yang memiliki warna dan ukuran seperti nodul paru tetapi bercak tersebut bukan nodul paru melainkan jaringan paru yang lain.Oleh karena itu, tekstur Fitur merupakan metode analisis yang cocok digunakan untuk mengetahui perbedaan karakteristik dari nodul paru-paru dan bukan nodul paru-paru. Salah satu metode tekstur fitur yang terkenal adalah Gray Level Coocurrance Matriks (GLCM). Fitur yang digunakan adalah Angular Second Moment (ASM), Kontras, Invers Different Moment (IDM), Entropi, Korelasi dan Kontras. Fitur-fitur tersebut yang menjadi masukan pada proses klasifikasi. Probabilistic Neural Network (PNN) digunakan untuk mengklasifikasi antara nodule paru-paru dan bukan nodule paru-paru. Hasil pengujian menggunakan probabilistic neural network (PNN) memiliki tingkat akurasi sebesar 85% dalam membedakan antara nodule dan bukan nodule, sehingga sistem ini dapat dijadikan sebagai alat bantu bagi dokter untuk mempercepat proses diagnosis dan meningkatkan pelayanan dibidang kesehatan.
Kata kunci: nodul paru-paru, Gray Level Coocurance Matriks (GLCM), Probabilistic Neural
Network (PNN)
Pendahuluan
Kanker adalah penyebab kematian utama di dunia. Data WHO menyebutkan bahwa sebesar 7,6 juta (13%) kematian di tahun 2008 disebabkan oleh kanker. Dari jumlah tersebut, kanker paru tergolong menduduki peringkat tertinggi. International Agency for Research on Cancer (IARC) dalam GLOBOCAN 2008, memperoleh data setidaknya 1,61 juta (12,7%) kasus kanker paru. Selain itu 1,38 juta (18,2%) kematian karena kanker, disebabkan oleh kanker paru, menjadikan kanker paru sebagai kanker yang paling mematikan.
Salah satu tanda yang sering digunakan untuk mendiagnosis kanker paru-paru adalah nodule atau bercak. Nodul pada paru paru adalah bercak-bercak yang tersebar di seluruh area paru paru dengan posisi yang acak, bentuk yang beragam dan ukuran yang tidak terdefinisi . Bercak-bercak ini kemudian akan berkembang dan mengganas menjadi kanker paru-paru.
SENTRA IV-93
membedakan antara nodule paru dan bukan nodule paru.Hal ini dikarenakan nodule paru-paru memiliki kesamaan bentuk dan warna dengan objek bukan nodule. Dengan demikian diperlukan suatu sistem yang mampu mendeteksi nodule paru-paru secara otomatis sebagai alat bantu dari diagnosis radiolog dan dokter spesialis, sehingga dapat mempercepat waktu diagnosis dan meningkatkan pelayanan dibidang kesehatan. Masalah lain yang muncul adalah nodule paru-paru memiliki ukuran dan bentuk yang beragam yang tersebar secara acak pada paru-paru, segmentasi biasa saja dinilai kurang cocok digunakan untuk mendeteksi nodule paru-paru.
Beberapa penelitian telah dilakukan dalam melakukan segmentasi nodule paru-paru dengan beberapa metode. Penelitian telah dilakukan Ananda [1] tentang segmentasi nodule pada citra CT Paru-paru menggunakan max tree dan attribute filter. Pada penelitian citra CT paru dilakukan preprosessing kemudian proses pembangkitan max tree dan proses attribute filteringnya. Daerah nodule yang dihasilkan dari proses tersebut kemudian dibandingkan dengan hasil annotation dari radiolog yang terdapat database.
Penelitian lain dilakukan oleh Huan Wang, dkk [2] tentang model Multi Binomonal Logistic
Prediction pada nodule paru-paru ganas berdasarkan pada teksture feature pada citra CT Scan. Pada
penelitian ini segmentasi nodule dilakukan dengan dengan mencari Region of interest (ROI) nodule paru kemudian diekstrak menggunakan metode teksture feature yaitu gray level co-occurrence matriks
(GLCM). Citra nodule paru-paru diekstrak dengan 14 fitur GLCM yaitu energy, inertia, inverse Difference Moment, Entropy, Correlation, Cluster Tendency, Contrast, Homogenety, Variance,
Maximum probability, sun-mean, Difference-mean, Sum-Entropy, Difference-Entropy. Meskipun hasil
yang dilaporkan akurat, penelitian ini masih menggunakan analisis statistic untuk metode analisis klasifikasi antara nodule paru yang jinak dan ganas.
Pada penelitian ini dilakukan segmentasi nodule paru-paru dari citra CT-Scan berdasarkan analisis ekstraksi fitur menggunakan GLCM yaitu ASM, IDM, Entropi, Korelasi, kontras dan mengklasifikasikan nodule tersebut menggunakan, Probabilistik Neural Network (PNN). PNN dikembangkan oleh Donald Specht pada tahun 1990. PNN biasanya digunakan untuk masalah klasifikasi.
Metode Penelitian
A. Data
Data yang digunakan dalam penelitian ini adalah citra hasil CT-Scan paru-paru yang diperoleh dari Lung Times Database, seperti ditunjukkan pada gambar 1.
Gambar 1. Citra CT-Scan Paru-Paru
Secara umum desain sistem metodologi penelitian untuk klasifikasi nodul paru-paru ditunjukkan pada Gambar 2.
Citra CT-Scan Paru
Ekstraksi Fitur
Klasifikasi Cropping ROI
IV-94 SENTRA
B. Cropping Region of Interest (ROI)
Penentuan ROI dari citra CT paru adalah untuk mencari daerah nodule paru. ROI ini didapatkan dengan memasukkan nilai koordinat (x,y) yang ditandai sebagai nodule paru. Koordinat nodule paru diperoleh dari annotation yang telah diperiksa oleh radiologis yang terdapat pada lung times database.
Setelah didapatkan daerah ROI dari nodul paru pada citra CT Scan maka proses selanjutnya dilakukan proses cropping pada daerah tersebut, seperti ditunjukkan pada gambar 3. Dari proses cropping area nodule paru-paru yang kemudian akan dilakukan ekstraksi fitur dari nodule paru-paru menggunakan ekstraksi fitur.
Gambar 3. Hasil Cropping ROI Citra CT Paru-Paru
C. Ekstraksi Fitur
Ekstraksi fitur berfungsi untuk mencari karakteristik khusus yang dimiliki oleh citra. Ekstraksi fitur dalam penelitian ini menggunakan metode analisis tekstur yaitu gray level co-occurrence matriks. GLCM menggunakan perhitungan tekstur pada orde kedua. Pada orde kedua, hubungan antarpasangan dua piksel citra asli diperhitungkan [5].
Proses teksture feature ini bertujuan untuk mengetahui tekture fitur dari nodule paru-paru baik yang paru-paru normal maupun nodule kanker paru-paru.
Pada penelitian ini fitur-fitur teksture yang akan dijadikan masukan dari sistem klasifikasi adalah ASM, IDM, Entropi, korelasi, dan kontras.
D. Klasifikasi
Klasifikasi pada penelitian ini menggunakan Probabilistic Neural Network (PNN) untuk membedakan antara nodule paru-paru dan bukan nodule paru-paru. Masukan dari PNN adalah fitur-fitur tekstur yang dihasilkan dari proses sebelumnya
Probabilistic Neural Network adalah suatu metode jaringan saraf tiruan (neural network) yang menggunakan pelatihan (training) supervised. PNN berasal dari jaringan Bayesian dan algoritma statistik bernama Kernel Fisher Discriminant Analysis. Secara garis besar, PNN mempunyai tiga lapisan yaitu:
1. Input layer
Input layer merupakan layer data input bagi PNN. 2. hidden layer
Pada layer ini menerima data dari input layer yang akan diproses dalam PNN. 3. output layer
Pada layer ini, node output berupa binary yang menghasilkan keputusan klasifikasi.
SENTRA IV-95
E. Perhitungan Akurasi
Perhitungan akurasi dari proses klasifikasi menggunakan persamaan :
Dengan:
1.True Positive (TP) yaitu data uji nodule paru dikenali sebagai nodule paru
2.True Negative (TN) yaitu data uji nodule paru dikenali sebagai bukan nodule paru
3.False Positive (FP) yaitu data uji bukan nodule paru dikenali sebagai nodule paru
4.False Negative (FN) yaitu data uji bukan nodule paru dikenali sebagai bukan nodule paru.
Hasil Penelitian dan Pembahasan
Pada penelitian ini citra dilakukan proses penentuan daerah nodul paru menggunakan ROI berdasarkan koordinat (x,y) yang telah dilampirkan pada annotation Lung Time Database. Gambar 4 menunjukkan hasil cropping daerah nodul paru.
Gambar 4. Hasil Cropping ROI Daerah Nodul Paru
Setelah mendapatkan area nodule paru dan bukan nodul paru dilakukan proses ekstraksi fitur menggunakan GLCM untuk mencari perbedaan tekstur dari nodul paru dan bukan nodul paru. Table 1 menunjukkan perbedaan hasil ekstraksi fitur nodul dan bukan nodul.
Tabel 1. Hasil Ekstrasi Fitur
ASM
GLCM Nodule Bukan Nodule
0o
0.0607 0.0086
45o 0.0562 0.0091
90o
0.0518 0.0100
135o
0.0518 0.0095
Kontrast
GLCM Nodule Bukan Nodule
0o
57.5000 165.0909
45o
84.5769 79.0187
90o
68.4615 140.4813
135o 49.1731 357.6952
IV-96 SENTRA
IDM
GLCM Nodule Bukan Nodule
0o 0.1222 0.1348
GLCM Nodule Bukan Nodule
0o
GLCM Nodule Bukan Nodule
0o 0.0064 0.0030
Dari table hasil ekstraksi fitur tersebut dilakukan klasifikasi menggunakan Probabilistik Neural
Network (PNN). Dalam proses ini digunakan 60 citra CT paru baik nodule paru-paru maupun bukan
nodule paru-paru yang terbagi menjadi 40 data citra CT paru yang digunakan sebagai proses pelatihan dan 20 data citra CT paru yang digunakan untuk proses pengujian.
Dari proses testing menggunakan PNN didapatkan hasil sebagai berikut :
True Positive (TP) = 14
True Negative (TN) = 3
False Positive (FP) = 3
False Negative (FN) = 0
Sehingga nilai akurasi dapat diperoleh dengan cara:
Kesimpulan
SENTRA IV-97
Dengan demikian PNN dapat digunakan untuk klasifikasi antara nodule paru-paru dan bukan nodule paru-paru berdasarkan tekstur fitur.
Referensi
[1] Ananda.2012. Segmentasi Nodul Pada Citra CT Paru-Paru Menggunakan Max Tree dan Attribut Filter.ITS : Surabaya.
[2] Wang.H., Guo, X., Jia.Z., Li, H, dkk. 2010. Multilevel Binominal Logistic Prediction Model For Malignant Pulmonary Nodules based on Texture Feature on CT Images. European Journal of Radiologi . pp 124-129
[3] IARC.2010. Lung Cancer Incidence and Mortality Worldwide in 2008.
http://globocan.iarc.fr/factsheets/cancers/lung.asp
[4] Kadir, Abdul, Susanto, Adhi. 2012. Pengolahan Citra Teori dan Aplikasi. Yogyakarta.
[5] Cucun Very Angkoso.,Ingrid Nurtanio., dkk. 2011. Analisa Tekstur Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia. The 12th Seminar on Intelligent Technology and Its Application. ISSN: 2088-4796M.
[6] Shao-hu Peng.,Deok-Hwan Kim.,dkk. 2010. Texture Feature Extraction Based on a Uniformity Estimation Method For Local Brightnessdand Structure in Chest Images.Computers in Biomogi and Medicine. Pp 931-942.
[7] Kusumadewi Sri.2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu : Yogyakarta.
