APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA

(1)

APLIKASI DETEKSI MIKROKALSIFIKASI DAN

KLASIFIKASI CITRA MAMMOGRAM BERBASIS

TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS

KANKER PAYUDARA

Yusti Fitriyani Nampira

50408896

Dr. Karmilasari

(2)

Latar Belakang

(3)

Latar Belakang

(4)

Latar Belakang

(5)

Latar Belakang

• Mammogram

pemeriksaan payudara dengan sinar-X untuk mendeteksi

perubahan yang terjadi pada payudara. Pada citra mammogram

terkadang terdapat kumpulan mikrokalsifikasi yang dapat menjadi

indikator terdapatnya kanker payudara. Mikrokalsifikasi pada citra

mammogram sulit untuk dideteksi karena jaringan pada payudara,

variasi pada bentuk, orientasi, kecerahan dan ukuran gambar

(6)

Tujuan Penulisan

membuat aplikasi deteksi mikrokalsifikasi dan klasifikasi citra mammogram

berbasis tekstur berfungsi untuk membantu dokter dalam mendiagnosis

kanker payudara pada citra mammogram.

1. Memperbaiki kualitas citra mammogram dengan mendeteksi garis kulit.

2. Melakukan segmentasi dengan metode Otsu Thresholding.

3. Melakukan deteksi tepi pada area yang diduga terdapat mikrokalsifikasi

dengan menggunakan metode Canny dan mempertebal garis tepi

dengan metode Morfologi Citra operasi Dilasi.

4. Memperoleh nilai ekstraksi fitur berbasis tekstur menggunakan metode

Gray Lavel Co-occurrence Matrix (GLCM).

5. Melakukan klasifikasi pada citra mammogram menggunakan metode

SVM dengan kernel RBF. Menggunakan nilai homogenitas dan korelasi.

(7)

(8)

Deteksi Garis Kulit

1: Masukan citra asli, Nilai pixel I(Xi,Yi) = Pi

2: Inisialisasi BW1(Xi,Yi) = BP1i sebagai nilai pixel citra biner dengan batas angka 3

2.1: Jika Pi ≥ 3 maka BP1i = 1 2.2: Jika Pi < 3 maka BP1i = 0

3: Inisialisasi BW2(Xi,Yi) = BP2i sebagai nilai pixel citra biner dengan batas angka 12

3.1: Jika Pi ≥ 12 maka BP2i = 1 3.2: Jika Pi <12 maka BP2i = 0 4: Garis Kulit = BW1 - BW2

(9)

(10)

Algoritma tes LMLO:

1: Dimulai dengan baris1.

2: Scan dari kolom1 paling kiri ke arah kanan.

2.1: Jika piksel berwarna hitam maka ubah dengan warna putih dan pindah ke piksel selanjutnya dan ulangi langkah 2.1.

2.2: Selain itu lanjutkan ke langkah 3. 3: Pindah ke piksel selanjutnya.

3.1: Jika berwarna putih maka ulangi langkah 3. 3.2: Selain itu lanjutkan ke langkah 4.

4: Ubah piksel dengan warna hitam dan pindah ke piksel selanjutnya 4.1: Jika telah melebihi kolom terahir lanjutkan ke langkah 5

4.2: Selain itu ulangi langkah 4.

(11)

(12)

Algoritma tes RMLO:

1: Dimulai dengan baris1.

2: Scan dari kolom1 paling kanan ke arah kiri .

2.1: Jika piksel berwarna hitam maka ubah dengan warna putih dan pindah ke piksel selanjutnya dan ulangi langkah 2.1.

2.2: Selain itu lanjutkan ke langkah 3. 3: Pindah ke piksel selanjutnya.

3.1: Jika berwarna putih maka ulangi langkah 3. 3.2: Selain itu lanjutkan ke langkah 4.

4: Ubah piksel menjadi warna hitam dan lanjutkan ke piksel selanjutnya. 4.1: Jika telah melebihi kolom terahir maka lanjutkan ke langkah 5. 4.2: Selain itu ulangi langkah 4.

(13)

(14)

Memilih LMLO atau RMLO

1: Cari rata-rata RMLO 2: Cari rata-rata LMLO

2.1: Jika rata-rata RMLO > rata-rata LMLO maka citra mammogram adalah RMLO

(15)

(16)

Algoritma Otsu Thresholding

1: Hitung histogram ternormalisasi dari citra. 2: Hitung jumlah kumulatif (cumulative sum) . 3: Hitung rerata kumulatif (cumulative mean).

4: Hitung rerata intensitas global.

5: Hitung varians antar kelas.

6: Pilih nilai threshold k*_{yang merupakan indeks dimana nilai varians antar}

kelas maksimum. Jika terdapat lebih dari satu nilai k*_{maka reratakan}

untuk mendapatkan nilai threshold. 7: Hitunglah separability measurement

(17)

(18)

Algoritma deteksi tepi Canny

1: Menghaluskan citra menggunakan filter Gaussian dengan standar deviasi yang ditentukan, σ, untuk mengurangi noise.

2: Cari Gradien lokal dan arah tepi dihitung pada setiap titik.Titik tepi didefinisikan sebagai titik dimana kekuatan secara lokasi maksimum dalam arah gradien. 3: Titik-titik tepi ditentukan pada langkah 2 memberikan kemunculan terhadap pertemuan dua permukaan yang melereng (ridge) dalam jarak gradien citra,

algoritma kemudian melacak sepanjang puncak ridge dan memberi nilai nol semua piksel yang sebenarnya tidak berada di atas puncak ridge sehingga memberikan sebuah garis tipis dalam keluarannya. Proses ini disebut sebagai nonmaximal suppression.

4: Piksel ridge kemudian di-threshold menggunakan dua threshold, T1 T2, dengan T1 < T2. Piksel ridge dengan nilai diantara T1, T2 disebut piksel tepi “lemah”.

5: Melakukan linking tepi dengan menemani piksel lemah yang 8-connected menjadi piksel kuat.

(19)

(20)

Algoritma Dilasi

1: Inisialisasi S sebegai mask [1 1 1; 1 1 1; 1 1 1]

2: Inisialisasi A adalah piksel garis

3: Letakkan titik poros S pada titik A.

4: Beri angka 1 untuk semua titik (x,y) yang

terkena / tertimpa oleh

struktur S pada posisi tersebut.

(21)

(22)

Algoritma GLCM

1: Buat area kerja matriks.

2: Tentukan hubungan spasial antara piksel referensi dengan piksel

tetangga, berapa nilai sudut θ dan jarak d.

3: Hitung jumlah kookurensi dan mengisikannya pada area kerja.

4: Jumlahkan matriks kookurensi dengan transposenya untuk

menjadikannya simetris.

5: Normalisasi matriks untuk mengubahnya ke bentuk probabilitas.

Setelah memperoleh matriks kookurensi tersebut, dapat dihitung ciri

statistik orde dua yang merepresentasikan citra yang diamati,

(23)

Algoritma GLCM

Nama Citra Homogenitas Kontras Korelasi Energi mdb125.pgm 0.9739 0.1798 0.7446 0.9920

(24)

Algoritma SVM

1: Data diproyeksikan ke ruang vektor baru disebut feature space, berdimensi lebih tinggi sehingga data dapat terpisah secara linier.

2: SVM mencari hyperplane optimal di ”ruang baru” melibatkan dot product

dari data yang sudah diproyeksikan ke ”ruang baru”.

3: Menghitung nilai dot product dua buah data di ”ruang baru” itu, secara implisit. Dot product dua titik di ruang baru bisa dihitung dengan fungsi kernel dan akan diubah ke dimensi ruang yang jauh lebih tinggi daripada dimensi aslinya.

(25)

Algoritma SVM

0 = Normal 1 = Abnormal

(26)

Algoritma SVM

0 = Normal 1 = Abnormal

(27)

Graphical User Interface

(28)

Tampilan Box Select an Image Tampilan Halaman Proses Citra Mammogram _{Setelah Pemilihan Citra Mammogram}

Graphical User Interface

(29)

Tampilan Halaman Proses Citra Mammogram Setelah Menekan Tombol Proses

Tampilan Halaman Proses Citra Mammogram Setelah Menekan Tombol Klasifikasi

Graphical User Interface

(30)

Tampilan Halaman Basis Data Tampilan Halaman Basis Data Setelah Pemilihan Citra Mammogram

(31)

Tampilan Halaman Basis Data Setelah Menekan

Tombol Proses Tampilan Halaman Bantuan

(32)

Tampilan Halaman Tentang Tampilan Konfirmasi Keluar

Graphical User Interface

(33)

Hasil Uji Coba

Abnormal Benar Normal Benar Abnormal Salah Normal salah Jumlah kasus ₁₀₀ _40/50 _43/50 _10/50 _7/50 Persentasi 100% 80% 86% 20% 14%

Hasil Uji Coba Data Uji di Dalam Basis Data

Abnormal Benar Normal Benar Abnormal Salah Normal salah Jumlah kasus 20 8/10 9/10 2/10 1/10 Persentasi 100% 80% 90% 20% 10%

(34)

Kesimpulan

• Berhasil membuat aplikasi deteksi mikrokalsifikasi dan klasifikasi citra mammogram berupa citra digital dengan area mikrokalsifikasi yang terdeteksi ditandai garis hitam dan klasifikasi citra mammogram.

• Berhasil memperbaiki kualitas citra dengan mendeteksi garis kulit, melakukan segmentasi citra dengan metode Otsu Thresholding, mendeteksi tepi dengan metode Canny dan mempertebal garis tepi dengan metode Dilasi, memperoleh nilai ekstraksi fitur dengan metode GLCM dan melakukan klasifikasi dengan SVM dengan kernel RBF dengan parameter nilai homogenitas dan korelasi.

• Aplikasi dapat membantu dokter mendiagnosis kanker payudara pada citra mammogram.

• Data uji di dalam basis data data latih: abnormal 80% dan normal 86%.

(35)