ANALISA MAMMOGRAFI MIKROKALSIFIKASI MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA TINGKAT KEABUAN

93

ANALISA MAMMOGRAFI MIKROKALSIFIKASI

MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA TINGKAT KEABUAN

Handayani Tjandrasa*, Anak Agung Ngurah Gunawan**, dan IDG Sukardja***

ABSTRAK

Mammografi adalah metoda yang efektif untuk mendeteksi tumor payudara. Ditemukannya mikrokalsifikasi

pada mammogram merupakan tanda-tanda utama adanya tumor payudara. Meskipun demikian sulit untuk

membedakan antara mikrokalsifikasi ganas dan jinak pada tumor payudara. Metode histogram orde dua yang

digunakan untuk proses analisa kalsifikasi pada citra mammografik diharapkan dapat menentukan mana

yang ganas dan yang jinak. Keadaan ini berbeda dengan metode pemisahan ciri-ciri bentuk berdasarkan

proses segmentasi. Pengolahan lebih lanjut dengan klasifikasi statistik menghasilkan fungsi determinan

untuk menentukan jenis tumor payudara. Dari hasil perhitungan histogram orde dua diperoleh bentuk grafik

yang berbeda untuk berbagai jenis tumor payudara. Hasil uji coba untuk 40 sampel citra mammografik

menunjukkan prediksi bahwa 39 sampel benar dan 1 sampel salah, yang memberikan akurasi sebesar 97,5%.

Kata kunci: mammografi, mikrokalsifikasi, histogram orde dua

ABSTRACT

Mammography is an effective method to detect breast tumors. The detection of microcalcifications in

mammograms is the early significant sign of the breast tumor. However it is difficult

tn differentiate fc»twe»n

malignant and benign microcalcifications in breast tumors. The second order histogram method used for

analyzing mammographic images is expected to be able to differentiate which tumor is malignant or benign.

This method is different from the features based on extracted segmentation. Further processing with

statistical classification result in discriminant functions for determining the type of breast tumors From the

calculation of the second order histogram can be obtained different shaped graphics for different types of

breast tumors. The experimental results for 40 samples of mammographic images show the prediction that 39

samples are correct and 1 sample is false which gives the accuracy of 97.5 %.

Keywords: mammography, microcalcification, second order histogram

1. PENDAHULUAN

Di Indonesia, kanker payudara merupakan proses

keganasan kedua Isrbanyak pada wanita setelah

carcinoma cervix uteri. Walaupun kanker ini

terbanyak menyerang wanita usia 40-49 tahun,

ternyata bisa menyerang wanita muda usia muda.

Kepastian diagnose untuk kanker tergantung dari

temuan pada pemeriksaan yang dipakai sebagai

dasar diagnose. Kepastian itu dibagi menjadi 5

tingkatan:

1) Temuan pada pemeriksaan standar.

Untuk diagnostik lesi mamma pemeriksaan

standar adalah anam-nese, pemeriksaan fisik

dengan sistem TNM (Tumor-Nodus-Metastase)

dan pemeriksaan radiologi dengan mammografi.

* Jurusan Teknik Informatika, FTIF, ITS Surabaya

** Universitas Udayana Bali

*** Universitas Airlangga Surabaya

2) Temuan pada pemeriksaan khusus.

Pemeriksaan khusus untuk diagnostik adalah

pemeriksaan patologi yang dipakai sebagai gold

standard.

3) Temuan pada operasi eksplorasi.

Pemeriksaan eksplorasi terutama untuk

mengetahui banyak dan tinggi level metastase di

nodus axilla.

4) Temuan pada operasi definitif dan spesimen

operasi.

Setelah diadakan operasi, maka spesimen

operasi harus diperiksa patologis, terhadao besar

tumor dan ada atau tidaknya metastase di

nodus axilla, banyaknya nodus axilla yang

terkena serta tinggi level metastase.

5) Temua n pad a autopsi . Pemeriksaan ini bar u dilaksanaka n setela h penderitn mpninggal da n mcrupaka n kcpastia n diagnostik yang tertinggi. Sejak sekitar tahu n 1987 , d i Indonesi a penelitia n dalam bidang ini mula i banya k dilakukan , denga n sono-mammografi tumo r payudar a yan g pada t dapa t memberi kontra s yan g bai k (Harton o da n Oesma n 1987). Kombinas i pemeriksaa n mammograf i da n sonografi dapa t meningkatka n ketepata n diagnos a tumor payudar a (Hasa n dkk . 1989 ; Sukardj a 1984) . Untuk analisa secara otomatis denga n komputer , film mammogram diubah dalam bentuk citra digital uu tu k dipiuses lebit i lanjut . Pengembanga n algoritma menggunakan morfologi tingka t keabua n (Mascio dkk. 1994 ) menganalis a da n member i tand a mikrokalsifikasi pad a mammogra m digita l denga n harapan untuk mengurangi persentas e dar i diagnos a fa ls e-ne ga ti ve yang diestimasikan 20%, sedangka n Kabatake (1996) menggunaka n analis a skeleton untuk mendeteksi sp ic ul es pad a mammogram . Penyelesaian klasifikasi tesktu r denga n Wavele t diberikan oleh Laine dan Fan (1993).

Pada

studi in i digunaka n histogra m ord e du a denga n parameter-parameter En tr op y, Co nt ra st , An gu la r second Mo me nt da n lain-lai n (Dhawa n dkk . 1996 ; Pratt 1991 ; Jai n 1999 ; Hussai n 1991 ; Gonzale s da n Wintz 1987 ) untu k analis a tekstu r mikrokalsifikas i pada mammogram. Dat a mammogra m untu k keperluan studi in i diperole h dar i catata n patolog i anatomi Ruma h Saki t Dokte r Soetom o Surabaya . Karena jenis tumo r gana s mikrokalsifikas i relati f sukar didapa t mak a hany a diperole h dat a sebanya k 5 kasus Gana s Mikrokalsi-fikas i (GM) , 1 2 kasu s Jina k Tanpa Mikrokalsifikasi (JTM) , 7 kasus Gana s Tanp a Mikrokalsifikasi (GTM) , da n 1 6 kasu s Norma l (N) . 2. MAMMOGRAF I Dalam radiologi pemeriksaa n mammograf i merupakan pemeriksaan yang paling sensitif untu k mendiagnosa lesi mamma , walaupu n mempunya i keterbatasan untuk menunjukkan adanya tumor pad a mamma yang kecil da n padat , sert a mamm a denga n fi br oc ys ti c disease. Kalau dengan palpasi bata s besar tumo r untu k dapa t dirab a diangga p 1 cm maka dengan mammografi, tumo r dapa t dideteks i sampa i minimal 2 mm, ata u denga n keuntunga n maksima l S waktu ganda dalam perjalanan penyakit kanke r payudara. Kala u wakt u gand a dala m pertumbuha n kanker mamm a it u rata-rat a 3 bulan, mak a keuntungan waktu yang diperoleh dengan staining mammografi adala h 2 tahun terdeteksi lebi h dini . Sehingga stadiumnya lebih dini da n kemungkina n sembuh lebih besar. Deteks i din i dapa t diperole h dari citr a mammogra m denga n mikrokalsi-fikasi , hanya tidak semua kanker mengalam i kalsifikas i da n tidak semua kalsifikasi it u karen a kanker . Mammografi (Sukardj a 1984 ) mempunyai : 1) Kemampua n deteks i kanke r mamma : 80% . 2) Sensitivitas : >90% . 3) Spesifisitas : >90% . 4) Po si ti ve p re di ct iv e v al ue : 10-40% . 5) Tambaha n deteks i denga n d ou bl e re ad 15 %. Kelainan yang nampak pada mammografi dapa t berupa: 1) Tand a Prime r • Tumo r Tumor pad a kanke r bentukny a tida k teratu r (irreguler), bata s tida k tegas , permukaa n kasar da n berjonjo t (speculated) . Kuran g lebih 5 % batas tumo r tegas , da n 10-1 5 % tumor palpabe l tida k terliha t denga n mammografi. • Kalsifikas i Kalsifikasi pad a kanke r berup a mikrokalsifikasi yan g bergerombo l (c lu st er ed ) ata u linie r denga n penyebara n yang tidak teratur. Kalsifikas i bergerombo l ± 33 %. Sekitar 50 % kanke r mamm a yan g no n palpabel dapa t dideteks i karen a a da mikrokalsifikasi. • Distors i struktu r mamm a Ada gambara n sepert i pengeruta n (purse st ri ng sign), asimetri .

95

Pemeriksaan pada kanker yang non palpabel menunjukkan:

• Struktur tanpa kalsifikasi 5 0 % • Asimetri Mikrokalsifikasi 90 %

t Tumor irreguler dengan kalsifikasi 70%

• Tumor irreguler tanpa kalsifikasi 40% • Distorsi struktur dengan kalsifikasi 60% • Distorsi dengan kalsifikasi 30 %

2) Tanda Sekunder

• Retraksi kulit atau papil • Penebalan kulit

• Permeasi limfe { l y m p h a t i c p e r m e a t i o n ) • Hypervaskularasi

• Pelebaran duktus • Pembesaran nodus axilla

3. M E T O D E HISTOGRAM ORDE DUA

Histogram orde dua H(yq,yr,d) mendeskripsikan

pendistribusian kemungkinan kejadian dari sepasang piksel tingkat keabuan yang dipisahkan oleh suatu vektor pergeseran (d). Berdasarkan histogram orde dua, dapat dilakukan analisa tekstur dengan menghitung parameter-parameter sebagai berikut: Entropy, Contrast, Angular second moment, inverse difference moment, Correlation, Mean, Deviation,

Entropy of Hd i f f, Angular Second moment (ASM) of

Hdiff (Dbawan dkk. 1996; Pratt 1991; Jain 1989; Hussain 1991; Gonzales dan Wintz 1987).

3.1 Parameter Entropy H (yq, yr, d)

Entropy yang dihitung berdasarkan histogram orde dua memberikan ukuran ketidakseragaman dan didefinisikan sebagai:

Y, Y,

- 2 I [H(yq,y„d)]log[H(yq,y„d)]

Yq=Y, Yr=Y,

Nilai ukuran keseragaman yang tinggi menunjukkan variasi struktural yang lebih rendah.

3.2 Kontras H( y„, yr, d)

Ciri-ciri kontras pada histogram orde dua dinyatakan oleh:

Y, Yt

2 2 d( yq, yr) H( yq, y„ d)

Yq =Y, Yr=Y,

dimana 5(yq,yr) adalah ukuran ketidakseragaman.

Ukuran ini menyatakan ketajaman variasi struktural dalam citra tersebut.

3.3 Momen Angular Kedua H(yq,yr,d)

Momen angular kedua memberikan ukuran keseragaman yang kuat dan diekspresikan dengan:

Y Y

- r ' £ '[H(y,.yr.d)]2

Yq=Y, Yr=Y,

Nilai-nilai ketidakseragaman yang lebih tinggi menyatakan variasi struktural yang lebih tinggi.

3.4 Momen Diferensial Invers H(yq,yr,d)

Momen diferensial invers adalah suatu ukuran dari homogenitas lokal dan diformulakan oleh:

Y| Y

Yq =Y, Y r - Y , l+3(yq,yr) J

untuk Y r * Y q

3.5 Nilai Rata-rata (Mean) Hm( yq, d)

Nilai rata-rata dari Hm(yq,d) didefinisikan sebagai:

Y,

• £ yqHm( yq )d )

Yq=Y,

Bila nilai meannya kecil maka histogram

terkonsentrasi di sekitar ys = y „ dan nilainya besar

jika sebalikmya.

3.6 Devias

i dar

i H

m

( y

q

, d)

i H

Deviasi dar

m

( y

q

, d)

diberikan oleh

:

,

v, v

V [ 2

[y

q

- 2

y

p

H

m

(y

p

,d)]

2

H

m

(y

q

,d)]

,

Yq=Y, Yp=Y

3.8 Mome

n Angula

r Kedu

a dar

i H

di

tf(i,d)

{i,d) dinyataka

din

i H

a dar

r kedu

Momen Angula

n

sebagai:

it

2 [H

Hdi(r(i,d) =

diff

(i,d)]

2

i=i,

dimana:

Y,

,d)= ZH(y

p

(y

m

H

q

,y

r

,d)

Yp=Y,

M

E II

~

( )

m

M

{ ,

q

,

y„

d )

Yq=Y,

Nilai in

i menyataka

n kerapata

n distribus

i H

m

(y

p

,d)

l mak

i keci

i devias

a nila

. Bil

i rata-rata

disekitar nila

a

.

i rata-rata

r nila

i disekita

histogram terkonsentras

Disamping paramete

r diatas

, didefinisika

n pul

a

e du

m ord

. Histogra

a diferensial

e du

histogram ord

a

n dar

s kejadia

i probabilita

diferensial mewakil

i

n

t keabua

i tingka

m nila

, dala

l = I)

r

- y

q

perbedaan (ly

dari du

a pikse

l yan

g dipisahka

n ole

h vekto

r berjara

k

:

n sebagai

i didefinisika

m in

. Histogra

tertentu (d)

Y

t

Y,

S I

H«r(w#>

H(y

p

,y

r

,d)

i Yp=Y

, | =

q -Y

i I Y

Yq =Y

,

Tiga sifa

t berdasarka

n histogra

m ord

e du

a

n penggunaa

bawah. Tujua

n di

diferensial dijelaska

n

m ord

l histogra

k diferensia

i statisti

sifat-sifat dar

e

t citr

h sifat-sifa

h jau

h lebi

k menelaa

h untu

dua adala

a

mammogram.

3.7 Entrop

y H

dif

f(i,d

)

g dihitun

Entropy yan

g terhada

p H

d

,n(i,d)

memberikan:

i,

-1 HiffCi.d

) lo

g H

dl(T

(i,d)

i=i,

3.9 Nila

i rata-rat

a dar

i H

difr

(i,d)

) dar

a (mean

i rata-rat

Sedangkan nila

i H

^d

)

:

diperoleh dari

i.

2 iH^ad

Hjifrad) =

Mean

)

i=i,

Perlu dicata

t bahw

a kit

a menghitun

g sifat-sifa

t

a

i rata-rat

' sebaga

u 'x

r tertent

k skala

u jara

untuk suat

dari vekto

r pergesera

n d =

(x, 0)

, (0

, x)

, (x

, x)

, da

n

i menyataka

n in

r pergesera

. Vektor-vekto

(x, -x)

n

i titi

a dar

g sam

k yan

a jara

piksel-piksel pad

k

referensi.

4. HASI

L UJ

I COB

A

a digunaka

i cob

Untuk uj

n 4

0 citr

a mammogra

m

s Mikrokalsifikas

kasus Gana

i 5

i dar

yang terdir

i

a Mikrokalsifikas

k Tanp

s Jina

2 kasu

(GM), 1

i

a Mikrokalsifikas

s Tanp

kasus Gana

(JTM), 7

i

.

l (N)

kasus Norma

n 16

(GTM), da

Citra mammogra

m diperbaik

i denga

n prose

s

n visualisas

k mendapatka

m untu

ekualisasi histogra

i

a

n analis

a dilakuka

. Selanjutny

h jelas

yang lebi

tekstur menggunaka

n metod

e histogra

m ord

e du

a

.

g parameter-parametemya

dengan menghitun

Gambar 1

, 2,

3, 4

, da

n 5 memperlihatka

n jenis-jeni

s

a hasi

, sert

i histogram

l ekualisas

tumor, hasi

l

m

i histogra

y dar

i entrop

n nila

prediksinya berdasarka

orde dua

.

97 (a) GS3Z9I • ' • « . . . - 4 (b)

Gambar 1. Jenis tumor ganas nukrokalsifikasi: (a) Citra asal "dan histogram ekualisasi. (b) Hasil prediksinya.

(b)

Gambar 3. Jenis tumor jinak tanpa mikrokalsifikasi:

(a) Citra awal dan histogram ekualisasi. (b) Hasil prediksinya. j H j o - . t r n K o C v l i -t i y £ + •• i . : • • > . t ' - ' i y :. ; I * •» .-A « * • x: 0. B J J K J ' .:: : x: 0. B J J K J ' .:: : WKSSKSstts: :: ::: : . M ; 5 * : ' ::C . < ! B : . , V ' ; »l • • M W f i n ft*:*™ ::W:':>>::':t>:*W<::::::::::; ::M:::'>x:::fi:::^t«::::::x> ::!'l">>T;;::::^.*Wii:;:::;::::: J « , « -K . . . . i (b)

GafTlbSf 2. Jenis tumor ganas tanpa mikrokalsifikasi: (a) Citra asal dan histogram ekualisasi. (b) Hasil prediksinya.

(b)

Gambar 4. Jenis normal: (a)Citra asal dan histogram ekualisasi. (b)Hasil prediksinya.

r.v :i:j::o:|:iii ^ijJy*: . . Gambar 5 . Jem s gana s mikrokalsifikas i tanp a tumor : (a) Citr a asa l da n histogra m ekualisasi . ( b) Hasil p re d ik s in y a. D en g an bantuan perangkat SPSS , berdasarka n hasi l perhitungan parameter-parameter tersebu t dilakuka n uji diskriminan . Setela h uj i diskrimina n diperole h faktor-faktor dominan , selanjutny a dibua t pemodelan matematisnya. yan g mamp u memprediksikan jenis tumo r payudara . Dari 4 0 sampe l citr a mammogra m didapa t sebanya k 400 data hasil perhitunga n parameter-paramete r histogram orde dua dan setelah dilakukan uji diskriminan ternyata parameter yan g palin g bai k adalah entropy. Berdasarkan faktor-faktor domina n untu k entrop y diperoleh fungsi diskrimina n ta k bak u sebaga i berikut: Yl = -0.2627413+34.6782658*dl-40.5379611*d2+ 33.1485421*d3 - 62.6186396*d 4 + 47.7196980*d5 - 8.9840276*d6 - 8.269480 0 *d7+ 4.7404956*d8- 3.5118845*d 9 + 3.5265216*dl0 Y2 = -1.327638 0 1.2328499*dl + 15.8828658*d2 + 5.4487649*d 3 + 3.9931677*d4 -5.6967169*d5- 6.6436526M 6 -31.1283052*d7+ 13.1412975*d8+ 1.0480655*d9 +7.2533856*dl0 Y3 =-4.1109589 + 5.4663126*dl. + 1.8430295*d2 -22.7307586*d3- 0.4487816*d 4 -2.3318533*d5+ 22.5505006*d6 -16.9662300*d7+ 9.040922*d8+ 11.2156147 *d9-3.9252490*dl0 Rata-rata skor diskrimina n kelompo k i untuk fungsi diskriminan j (Yij ) adalah : Yll = 9.20748 ; Y12=-0.5865 7 Y13= 0.64592; Y21=-2.2359 8 Y2 2= -i .3Z3SS; Y23= 0.84889 Y31= -0.84435; Y32 = 2.2228 3 Y33= 1.22613; Y41=-0.2919 8 Y42= 0.19093; Y43 = -1.5252 3 Persamaan Kelompok adalah: Kelompok tumor jeni s gana s tanp a mikrokalsifikasi : (GTM) = (Y1-Y11) 2 + (Y2-Y12) 2 + (Y3-Y13) 2 Kelompok tumor jeni s jina k tanp a mikrokalsifikasi : (JTM) = (Yl-Y21) 2 + (Y2-T22) 2 + (Y3-Y23) 2 Kelompok tumor jeni s gana s mikrokalsifikasi : ( GM ) = (Yl-Y31) 2 + (Y2-Y32) 2 + (Y3-Y33) 2 Kelompok normal: (N) = (Yl-Y41) 2 + (Y2-Y42) 2 + (Y3-Y43) 2 Dari pengujia n terhada p 4 0 sampe l pasie n bar u ternyata ada satu sampel yan g prediksiny a tida k tepat. Ha l it u disebabka n kankemy a berup a mikrokalsifikasi tanp a tumor , yan g mengakibatka n salah interpretasi. 5. SIMPULA N Dari hasi l analis a mammograf i mikrokalsifikas i dengan menggunakan ciri-ciri struktu r citr a tingka t keabuan dapat disimpulkan : 1) Dar i sepulu h paramete r citr a yan g ad a temyat a entropy paling baik untuk digunakan dalam analisa mammografi.

99

2) Dengan menggunakan parameter entropy temyata faktor-faktor yang dominan untuk memprediksi tumor payudara adalah harga entropy D l , D2, , D10 yang dievaluasi pada d=l, 2, 3, ,10 (d adalah jarak antar piksel). 3) Dilihat dari bentuk grafik temyata jenis normal

berupa garis lurus, sedangkan yang positif tumor bempa garis tidak lurus. Tumor ganas mikrokalsifikasi berupa garis lurus, dilanjutkan miring ke bawah dan kembali lurus. Untuk jenis tumor jinak tanpa mikrokalsifikasi berupa garis miring keatas selanjutnya lurus. Untuk jenis tumor ganas tanpa mikrokalsifikasi berupa garis miring ke bawah selanjutnya lurus.

4) Analisa mammografi mikrokalsifikasi menggunakan metoda statistik histogram orde dua terbukti menghasilkan kebenaran prediksi sekitar 97,5 %.

DAFTAR A C U A N

Dhawan, A.P., Chitre, Y., Kaiser-Bonasso, C , dan Moskowitz, M . (1996), Analysis of

M a m m o g r a p h i c M i c r o c a l c i f i c a t i o n s Using G r a y - L e v e l I m a g e S t r u c t u r e F e a t u r e s , IEEE,

Trans. Medical Imaging, Vol. 15, pp. 246-259.

Gonzales, R.C. dan Wintz, P. (1987), Digital Image Processing, Addison-Wesley.

Hartono, L dan Oesman, M. (1987), Sonomammo-grafi, Kelebihan dan Kekurangannya, FK. Unair, Surabaya.

Hasan, K.H., Rustiadji, Oesman, M . , dan Sukardja, IGN (1989), Ketepatan Mammografi dan Sonomammografi untuk Mendiagnosa Benjolan Payudara, FK.Unair, Surabaya. Hussain, Z. (1991), Digital Image Processing, Ellis

Horwood.

Jain, A.K. (1999), Fundamental s o f Digita l Image Processing, Prentice-Hall International.

Kabatake, H. (1996), Detection of Spicules on

M a m m o g r a m Based on Skeleton Analysis,

IEEE Trans. Medical Image,Vol. 15, p. 235. Laine, A. dan Fan, J. (1993), Texture Classification

by Wavelet Packet S i g n a t u r e , IEEE Trans

On Pattern Analysis and Machine Intelligence, Vol. 15, No. 11, pp. 1186-1191. Mascio, L.N., Hernandez, J.M., dan Logan, C M .

(1994), Automated Analysis for Microcalcifications in High Resolution

Digital Mammograms, Lawrence

Livermore

National

Laboratory Biology

and

Biotechnology Research Program.

Pratt, W.K. (1991), Digital Image Processing, Wiley Interscience.

Sukardja, IGN. (1984), Deteksi dini kanker payudara di Jatim. Pengaruh pen-didikan kanker kepada masyarakat. Suatu studi longitudinal (Ringkasan disertasi), Airlangga University Press, Surabaya.