i
DETEKSI KEPALA JANIN PADA CITRA USG
DENGAN RUANG WARNA RGB, CIEL*a*b,
FUZZY C-MEANS DAN ITERATIVE RANDOMIZED
HOUGH TRANSFORM
PUTU DESIANA WULANING AYU NIM 1191761009
PROGRAM MAGISTER
PROGRAM STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
ii
DETEKSI KEPALA JANIN PADA CITRA USG
DENGAN RUANG WARNA RGB, CIEL*a*b,
FUZZY C-MEANS DAN ITERATIVE RANDOMIZED
HOUGH TRANSFORM
Tesis untuk Memperoleh Gelar Magister
Pada Program Magister, Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana
PUTU DESIANA WULANING AYU NIM 1191761009
PROGRAM MAGISTER
PROGRAM STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
iii
TANGGAL 6 DESEMBER 2013
Pembimbing I, Pembimbing II,
Dr. I Ketut Gede Darma Putra, S.Kom.,MT Dr. Eng. Putu Agung Bayupati, ST.,MT NIP. 197404241999031003 NIP. 197504232003121002
Mengetahui
Ketua Program Magister Direktur
Program Studi Teknik Elektro Program Pascasarjana Program Pascasarjana Universitas Udayana Universitas Udayana
Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D Prof. Dr. dr. A. A. Raka Sudewi, Sp.S(K) NIP. 196512131991032001 NIP. 195902151985102001
iv
Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana No. : , Tanggal
Ketua : Dr. I Ketut Gede Darma Putra, S.Kom.,MT
Anggota :
1. Dr. Eng. Putu Agung Bayupati, ST.,MT
2. Prof. Ir. I. A. Dwi Giriantari, M.Eng,Sc.,Ph.D 3. Dr. Ir. Made Sudarma, M.A.Sc
4. Ni M.A.E. Dewi Wirastuti, ST.,M.Sc.,Ph.D
v
PADA CITRA USG DENGAN RUANG WARNA RGB, CIEL*a*b, FUZZY C-MEANS DAN ITERATIVE RANDOMIZED HOUGH TRANSFORM ini
dapat diselesaikan.
Pada kesempatan ini perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada Dr. I Ketut Gede Darma Putra, S.Kom.,MT., selaku dosen pembimbing I yang telah banyak membantu dalam memberikan ide, saran dan motivasi. Terimakasih yang sebesar-besarnya pula kepada penulis sampaikan kepada Dr. Eng. Putu Agung Bayupati, ST.,MT, selaku dosen pembimbing II yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini.
Ucapan yang sama juga ditujukan kepada Direktur Program Pasca Sarjana Universitas Udayana yaitu Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K) atas kesempatan yang diberikan kepada penulis untuk dapat menjadi mahasiswa pada program Pascasarjana Universitas Udayana, serta ucapan terima kasih kepada Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pasca Sarjana Universitas Udayana.
Ungkapan terima kasih penulis sampaikan pula kepada para penguji tesis, yaitu Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc.,Ph.D, Dr.Ir. Made Sudarma, M.A.Sc dan Ni Made Ary Esta Dewi Wirastuti, ST.,MSc.,Ph.D, atas saran, masukan, sanggahan dan koreksi sehingga tesis ini dapat terwujud seperti saat ini.
Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus kepada Ayah dan Ibu yang telah membesarkan dan mengasuh penulis, seluruh anggota keluarga yang memberikan semangat dan bantuan, rekan-rekan kerja, yang telah memberikan semangat dan motivasi untuk dapat dengan segera menyelesaikan Tesis ini.
Semoga Ida Shang Hyang Widhi Wasa selalu melimpahkan rahmat-Nya kepada semua pihak yang membantu pelaksanaan dan penyelesaian tesis ini.
vi
Salah satu analisis yang terpenting dari obsetri janin adalah pengukuran pada kepala. Pengukuran ini menghasilkan Biparetal Diameter (BPD) dan Head
Circumference (HC). Kedua hasil pengukuran merupakan parameter untuk
menghasilkan informasi yang berguna dalam mengevaluasi pertumbuhan usia gestasi dan perkembangannya. Melihat pentingnya hasil pengukuran, penelitian ini mencoba membangun sistem untuk mendeteksi kepala janin yang bertujuan memperoleh pengukuran BPD dan HC berdasarkan kombinasi metode.
Untuk mendapatkan hasil pengukuran BPD dan HC, penelitian ini menggunakan data uji sebanyak 30 citra USG yang diperoleh dari dokter kandungan dengan format file berupa bitmap (bmp). Citra uji pada penelitian ini berada pada koordinat ruang warna RGB. Penelitian dilakukan dalam 4 tahap; tahap pertama adalah merubah citra uji ke ruang warna L*a*b, sehingga terdapat 2 jenis citra uji, yaitu citra yang berada pada komponen ruang warna RGB dan L*a*b. Tahap kedua melakukan proses filter (smooth filter) dengan menggunakan tapis low pas filter dengan kernel 3x3, tahap ketiga melakukan segmentasi berbasis klaster dengan metode Fuzzy C-Means dengan klaster minimum sebanyak 2, dan tahap keempat adalah melakukan pengujian dengan metode IRHT untuk mendapatkan best elips dari citra uji. IRHT merupakan metode pendekatan elips yang cara kerjanya bersifat iterative atau berulang untuk dapat menemukan parameter pembentuk elips. Perulangan secara acak berkaitan dengan proses iterasi dan scanning yang merupakan parameter penting untuk mendapatkan elips. Hasil pengujian terhadap segmentasi menunjukkan citra pada ruang warna RGB menghasilkan segmentasi yang lebih baik dari ruang warna L*a*b, yang ditunjukkan oleh 6 hasil segmentasi pada ruang warna L*a*b yang kurang sempurna yaitu citra 8, 11, 14, 23, 27 dan 29, tetapi dari segi waktu eksekusi ruang warna L*a*b membutuhkan waktu yang lebih singkat dengan waktu eksekusi pada L*a*b sebesar 4.3 detik dan untuk RGB sebesar 11.5 detik. Untuk akurasi pengukuran BPD, HC serta usia gestasi pada masing-masing ruang warna yaitu RGB dan L*a*b menunjukkan akurasi sebesar 79.40% dan 79.30%, kemudian HC sebesar 74.03% dan 73.61%, serta usia gestasi sebesar 82.40% dan 81.84%. Dari hasil akhir pengujian dapat disimpulkan bahwa ruang warna RGB menunjukkan unjuk kerja yang lebih baik dari ruang warna L*a*b.
Kata kunci : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy C-Means,
vii
One of the most important analysis of fetal obsetri on the head is measurement. These measurements yield Biparetal Diameter (BPD) and Head Circumference (HC). Both results of the measurement is a parameter to generate information in evaluating the growth and development of gestational age. Therefor, this research tried to build system to detect the fetal head measurements aimed at obtaining the BPD and HC based on a combination of methods.
To get the BPD and HC measurements, this research uses as many as 30 test data obtained from ultrasound images obstetrician with file formats such as bitmap (bmp). Test images in this study are in the RGB color space coordinates. The study was conducted in four stages: the first stage is to change the test images into L*a*b color space, so that there are 2 types of test images, the images are in the RGB color space components and L*a*b. The second stage filter process using a low pas filter with 3x3 kernel, the third stage of segmentation using minimum cluster as many as 2 based cluster with Fuzzy C-Means, and the fourth stage to test the method to get the best elliptical IRHT of the test images . IRHT an elliptical approach that works is iterative, or repeated in order to find the parameters of the ellipse forming. Recurrence randomly associated with the process of iteration and scanning is an important parameter to obtain an ellipse.
The test results showed the clustering based image segmentation in the RGB color space better than L*a*b color space, which is shown by 6 results in the segmentation of L*a*b color space is less than perfect is the image of 8, 11, 14, 23 , 27 and 29, but in terms of execution time L*a*b color space requires a shorter time to the execution time on the L*a*b of 4.3 seconds and 11.5 seconds to RGB. For the measurement accuracy of BPD, HC and gestational age in each color space is RGB and L*a*b shows an accuracy of 79.40 % and 79.30 % , in HC shows an accuracy of 74.03 % and 73.61 % , and for gestational age shows 82.40 % and 81.84 %. Thus, concluded this research showing RGB color space have a better performance than L*a*b color space for fetal head detection.
Key words : Biparetal Diameter (BPD), Head Circumference (HC), Fuzzy C-Means, Iterative Randomized Hough Transform (IRHT).
viii
SAMPUL DALAM ... i
PRASYARAT GELAR ... ii
LEMBAR PERSETUJUAN ... iii
PENETAPAN PANITIA PENGUJI ... iv
PERNYATAAN KEASLIAN PENELITIAN ... v
ABSTRAK ... vi
ABSTRACT ... vii
DAFTAR ISI ... viii
DAFTAR TABEL ... xiii
DAFTAR GAMBAR ... xv
DAFTAR ISTILAH ... xix
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 5
1.3 Tujuan Penelitian... 6
1.4 Manfaat Penelitian ... 6
1.5 Ruang Lingkup dan Batasan Masalah ... 6
1.6 Keaslian Penelitian ... 7
BAB II KAJIAN PUSTAKA ... 9
2.1 State Of the Art ... 9
2.2 Medical Imaging ... 12
2.2.1 Magnetic Resonance Imaging (MRI ) ... 13
2.2.1.1 Prinsip Kerja MRI ... 14
ix
2.2.3.3 Cara pengukuran Biparetal Diameter (BPD) ... 21
2.3 Operasi Pengolahan Citra ... 24
2.4 Jenis Citra Digital ... 25
2.5 Sistem Koordinat Warna ... 27
2.5.1 Sistem koordinat warna CIE ... 28
2.5.2 Sistem Koordiat Warna XYZ ... 28
2.6 Segmentasi Citra... 29
2.6.1 Metode Segmentasi Berdasarkan Ruang Warna RGB ... 29
2.6.2 Metode Segmentasi Berdasarkan Ruang Warna L*a*b... 30
Impuls Noise... 32
2.8 Konvolusi ... 33
2.9 Smooth Filter ... 34
2.10 Fuzzy C-Means (FCM) ... 35
2.11 Deteksi Elips dengan Hough Transform ... 39
2.11.1 Menentukan titik point X1, X2,X3 ... 40
2.11.2 Mendapatkan persamaan garis dari masing-masing titik point 41 2.11.3 Menghitung garis intersection (X1,X2) dan (X2,X3)…… ... 41
2.11.4 Menghitung garis bisector dari titik tangent interseption ... 44
2.11.5 Mencari Semimayor dan Semiminor ... 43
BAB III METODELOGI PENELITIAN ... 45
3.1 Tempat dan Waktu Penelitian ... 45
3.2 Sumber Data ... 45
3.2.1 Metode Pengumpulan Data ... 45
3.2.2 Sumber Data ... 45
3.2.3 Standarisasi Pengukuran BPD dan HC ... 47
3.3 Instrumen Penelitian ... 49
x
3.4.4 Tahapan Deteksi Elips dengan IRHT ... 56
3.4.5 Kalibrasi dari Piksel ke Satuan Panjang (mm) ... 59
3.5 Algoritma Program ... 60
3.5.1 Algoritma Ruang Warna dengan L*a*b ... 61
3.5.2 Algoritma Smooth Filter ... 62
3.5.3 Algoritma Klastering (Fuzzy C-Means) ... 63
3.5.4 Algoritma IRHT ... 64
3.6 Pemograman ... 67
3.6.1 Modul Segmentasi Ruang Warna dengan L*a*b ... 67
3.6.2 Modul Filtering ... 70
3.6.3 Modul Klastering (Fuzzy C-Means) ... 71
3.6.4 Modul Deteksi Elips (IRHT) ... 74
3.6.5 Modul Menentukan Pengukuran BPD dan HC serta proses kalibrasi ... 78
3.7 Antarmuka Aplikasi ... 79
BAB IV HASIL DAN PEMBAHASAN ... 84
4.1 Processing Sampel Citra USG ... 84
4.1.1 Membagi Citra Sampel ke Dalam Ruang Warna ... 84
4.1.1 Filterisasi Citra ... 85
4.2 Cara Pengujian Sistem Deteksi Kepala Janin ... 86
4.3 Hasil Pengujian Sistem Deteksi Kepala Janin ... 90
4.3.1 Hasil Uji Coba Antarmuka Sistem ... 90 4.3.2 Pengujian Segmentasi Berbasis Klastering dengan
xi
4.3.2.2 Pengujian Ruang warna L*a*b tanpa proses Filter
dengan Metode Fuzzy C-Means ... 98
4.3.2.3 Hasil Segmentasi pada Kedua Ruang Warna tanpa Proses Filter Metode Fuzzy C-Means ... 100
4.3.2.4 Pengujian Ruang Warna RGB pada Proses Smooth Filter dengan Metode Fuzzy C-Means ... 102
4.3.2.5 Pengujian Ruang Warna L*a*b pada Proses Smooth Filter dengan Fuzzy C-Means ... 103
4.3.2.6 Hasil Segmentasi dengan Metode Fuzzy C-Means dengan proses Smooth Filter pada 2 ruang warna ... 106
4.3.3 Pengujian Deteksi Elips dengan menggunakan Metode IRHT Terhadap Hasil Segmentasi Berbasis Klastering ... 108
4.3.3.1 Pengujian Metode IRHT dengan 2 Scanning ... 109
4.3.3.2 Pengujian Metode IRHT dengan 4 Scanning ... 120
4.3.3.3 Pengujian Metode IRHT dengan 6 Scanning ... 131
4.4 Analisa Hasil Pengujian... 142
4.4.1 Analisa Hasil Pengujian Segmentasi Kedua ruang warna dengan Fuzzy C-Means ... 142
4.4.2 Analisa Hasil Pengujian Deteksi Elips Berdasarkan Parameter 144 4.4.2.1 Analisa Hasil Pengujian Terhadap Kecendrungan Iterasi pada masing-masing scan ... 144
4.4.2.2 Analisa Hasil Perbandingan Akurasi Pengukuran ... 147
4.4.2.3 Hasil Akurasi Usia Gestasi ... 149
xii
BAB V SIMPULAN DAN SARAN ... 155
5.1 Simpulan ... 155
5.2 Saran ... 156
DAFTAR PUSTAKA……….. 158
xiii
Tabel 3.1 Contoh citra uji ... 46 Tabel 3.2 Standarisasi pengukura BPD dan HC menurut Hadlock FP ... 47 Tabel 4.1 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses
Segmentasi Tanpa Filtering Pada Citra Uji dengan Ruang Warna RGB ... 97 Tabel 4.2 Hasil Percobaan Rata-Rata Waktu Eksekusi Dalam Proses
Segmentasi Tanpa Filter Pada Citra Uji dengan Ruang Warna L*a*b 98 Tabel 4.3 Hasil Segmentasi Berbasis Klaster pada Kedua Ruang Warna tanpa
Filter dengan Fuzzy C-Means ... 101
Tabel 4.4 Hasil Percobaan Rata-Rata Waktu Eksekusi dalam Proses
Segmentasi dengan (Smooth Filter) pada Citra Uji dengan Ruang Warna RGB ... 102 Tabel 4.5 Hasil percobaan rata-rata waktu eksekusi dalam proses
segmentasi dengan (Smooth Filter) pada citra uji dengan ruang
warna L*a*b ... 104 Tabel 4.6 Hasil segmentasi kedua ruang warna berbasis klaster dengan
smooth filter pada Fuzzy C-Means ... 106
Tabel 4.7 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil
Pengukuran Dokter ... 109 Tabel 4.8 Persentase Kecendrungan Nilai Iterasi pada Parameter 2 Scanning
untuk BPD ... 112 Tabel 4.9 Persentase Akurasi Pengukuran HC Terhadap Data Hasil
Pengukuran Dokter ... 113 Tabel 4.10 Persentase Kecendrungan Nilai Iterasi 2 Scanning pada HC... 115 Tabel 4.11 Perbandingan Persentase Akurasi Pengukuran BPD dan HC dalam
2 Ruang Warna dengan 2 Scanning……….. 116 Tabel 4.12 Running Time Terbaik Antara 2 Ruang Warna Pada 2 Scanning ... 119 Tabel 4.13 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil
xiv
Tabel 4.15 Persentase Akurasi Pengukuran HC Terhadap Data Hasil
Pengukuran Dokter pada Scanning 4 ... 123 Tabel 4.16 Persentase Kecendrungan Nilai Iterasi pada Parameter 4 Scanning
untuk HC ... 125 Tabel 4.17 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC
dalam 2 Ruang Warna dengan Parameter 4 Scanning ... 126 Tabel 4.18 Running Time Terbaik antara 2 Ruang Warna dengan 4 Scanning… 129 Tabel 4.19 Persentase Akurasi Pengukuran BPD Terhadap Data Hasil
Pengukuran Dokter pada Scanning 6……… .. 131 Tabel 4.20 Persentase Kecendrungan Nilai Iterasi pada Parameter 6 Scanning
untuk Pengukuran BPD……….. .. 134 Tabel 4.21 Persentase Akurasi Pengukuran HC Terhadap Data Hasil
Pengukuran Dokter Pada Scanning 6……… 135 Tabel 4.22 Persentase Kecendrungan Nilai Iterasi dengan 6 Scanning
untuk Pengukuran HC……….. …. 136 Tabel 4.23 Perbandingan Persentase Akurasi Hasil Pengukuran BPD dan HC
dalam 2 Ruang Warna dengan Parameter 6 Scanning ... 137 Tabel 4.24 Running Time Terbaik antara 2 Ruang Warna pada Scanning
Sebanyak 6………... 140 Tabel 4.25 Hasil Pengujian Terhadap Kecendrungan Nilai Iterasi pada
Scanning yang Berbeda untuk Kedua Ruang Warna………. 145
Tabel 4.26 Perbandingan Persentase Akurasi Hasil Pengujian untuk
Pengukuran BPD dan HC pada 2 Ruang Warna ... 147 Tabel 4.27 Hasil Persentase Kedekatan Usia Gestasi antara Dokter
dan Sistem ... 149 Tabel 4.28 Hasil Deteksi Elips Berdasarkan Parameter 6 scanning ... 151
xv
Gambar 2.2 USG 2 Dimensi ... 16
Gambar 2.3 Contoh Citra USG kepala pada janin ... 17
Gambar 2.4 Bidang potong BPD ... 22
Gambar 2.5 Dolikhosefali Oksipito-Frontalis ... 23
Gambar 2.6 Alur pengolahan citra ... 25
Gambar 2.7 Representasi dari ruang warna RGB ... 30
Gambar 2.8 Pembagian ruang warna pada CIELab ... 31
Gambar 2.9 Gambar Diagram chromaticity L*a*b pada kecerahan L* ... 32
Gambar 2.10 Ilustrasi proses konvolusi ... 34
Gambar 2.11 Ilustrasi penentuan pusat klaster dengan Fuzzy C-Means……… 39
Gambar 2.12 Anatomi dari elips……… ... 40
Gambar 2.13 Menentukan titik point X1,X2,X3 pada citra asli……… ... 41
Gambar 2.14 Menentukan kemiringan garis berdasarkan kedekatan antara piksel……… ... 41
Gambar 2.15 Garis Intersection……… ... 42
Gambar 2.16 Garis Bisector………... 43
Gambar 2.17 Mendapatkan nilai tangent, bisector dan titik pusat elips ... 43
Gambar 3.1 Gambar umum sistem ... 50
Gambar 3.2 Bagan proses konversi ruang warna dari RGB ke L*a*b ... 53
Gambar 3.3 Bagan Proses Filtering ... 54
Gambar 3.4 Bagan Proses Fuzzy C-Means dengan 2 ruang warna tanpa filter ... 55
Gambar 3.5 Bagan Proses Fuzzy C-Means dengan 2 ruang warna smooth filter ... 56
Gambar 3.6 Bagan proses IRHT ... 57
Gambar 3.7 Bagan proses kalibrasi piksel ke satuan panjang ... 60
xvi
Gambar 3.11 Form Aplikasi ... 79
Gambar 4.1 Pembagian ruang warna dengan tresholding 0.4 ... 85
Gambar 4.2 Proses filter citra uji dengan ruang warna RGB ... 86
Gambar 4.3 Tampilam awal program saat dijalankan ... 92
Gambar 4.4 Tampilan hasil untuk konversi RGB ke L*a*b ... 92
Gambar 4.5 Tampilan hasil untuk proses filtering (smooth filter) RGB ... 93
Gambar 4.6 Proses filter citra uji dengan ruang warna L*a*b ... 93
Gambar 4.7 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna RGB ... 94
Gambar 4.8 Tampilan hasil untuk segmentasi 2 klaster pada ruang warna L*a*b ... 94
Gambar 4.9 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi ... 95
Gambar 4.10 Tampilan hasil deteksi elips dengan citra uji ruang warna RGB dengan parameter 2 scanning dan 50 iterasi ... 95
Gambar 4.11 Grafik perbandingan waktu eksekusi hasil segmentasi klastering antara 2 ruang warna ... 99
Gambar 4.12 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna ... 100
Gambar 4.13 Grafik perbandingan pengujian waktu yang dibutuhkan dalam proses segmentasi antara citra uji RGB dengan L*a*b dengan smooth filter ... 105
Gambar 4.14 Grafik perbandingan pencapaian iterasi maksimum antara 2 ruang warna ... 105
Gambar 4.15 Grafik persentase kecendrunagn iterasi pada parameter 2 scanning ... 111
xvii
terhadap dokter dalam 2 ruang warna ... 117 Gambar 4.18 Grafik persentase hasil pengukuran BPD pada sistem
terhadap dokter dalam 2 ruang warna ... 118 Gambar 4.19 Running time antara ruang warna RGB dan L*a*b dari hasil
pengujian parameter terbaik ... 120 Gambar 4.20 Grafik persentase kecendrungan nilai iterasi pada parameter 4
scanning untuk BPD ... 122 Gambar 4.21 Grafik persentase kecendrungan niali iterasi pada parameter 4
scanning untuk HC ... 125
Gambar 4.22 Grafik persentase hasil pengukuran BPD pada sisem terhadap dokter dalam 2 ruang warna pada scanning 4 ... 127 Gambar 4.23 Grafik persentase hasil pengukuran HC pada sisem terhadap
dokter dalam 2 ruang warna pada scanning 4 ... 128 Gambar 4.24 Running time antara ruang warna RGB dan L*a*b dari hasil
pengujian 4 scanning terbaik……… 130 Gambar 4.25 Grafik persentase kecendrungan nilai iterasi pada parameter 46
scanning untuk BPD ... 133 Gambar 4.26 Grafik presentase kecendrungan nilai iterasi pada parameter 6
Scanning scanning untuk HC ... 136
Gambar 4.27 Grafik persentase hasil pengukuran BPD pada sistem terhadap dokter dalam 2 ruang warna pada scanning 6 ... 138 Gambar 4.28 Grafik persentase hasil pengukuran HC pada sistem terhadap
dokter dalam 2 ruang warna pada scanning 6 ... 139 Gambar 4.29 Running time antara ruang warna RGB dan L*a*b dari hasil
pengujian 6 scanning terbaik……… 141 Gambar 4.30 Diagram batang akurasi hasil pengukuran BPD dan HC
xix
Biparetel Diameter : merupakan jarak dari margin luar kepala
ke margin bagian dalam kepala, dan diukur sebagai jarak antara dua endpoint yang ditandai secara manual pada kepala janin.
Caliper : jarak antar kedua titik sumbu
berdasarkan sumbu terpanjang.
Cavum septum pellusidum : menggambarkan septum pellucidum yang
memiliki pemisahan antara dua leaflet (septum lamina).
Clustering : proses mengelompokkan objek
berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster.
Coefficient of determintation : besarnya variance dari satu variable yang merupakan andil dari variable lain.
Computed tomography : adalah sebuah metode penggambaran
medis menggunakan tomografi di mana pemrosesan geometri digunakan untuk menghasilkan sebuah gambar tiga dimensi bagian dalam sebuah objek.
Coronal : bidang yang membagi tubuh menjadi 2
sisi depan dan belakang.
Endoscopy : adalah alat untuk meneropong
organ-organ dalam tubuh manusia tanpa sayatan dengan alat berbentuk tabung yang dimasukkan ke dalam tubuh manusia.
Endpoint : titik pusat pada satu gambar.
Euclidean distance : metrika persamaan untuk menghitung
xx janin.
Fuzzy C-Means : teknik pengklasteran data yang mana
keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan.
Gain : penguatan sinyal mengkonvensasi
atenuasi perambatan ultrasound dalam jaringan maka pada alat USG.
Gestasi : periode waktu bayi berada di dalam rahim
dimana periode yang dipelukan antara 38 dan 42 minggu (dihitung dari hari pertama menstruasi terakhir atau HPMT).
Ginekologi : spesialisasi medis yang berhubungan
dengan perawatan kesehatan bagi perempuan, khususnya diagnosis dan pengobatan gangguan yang memengaruhi perempuan.
Head Circumference : keliling kepala luar, dan secara manual
diukur dengan menelusuri kepala janin
Hidrosefaelus : kelainan yang terjadi pada kepala fetus
dimana terjadi penimbunan cairan otak yang diikuti pembesaran sistem ventrikel.
Intrakranial : bagian atau susunan dari bagian kepala
fetus, seperti septi cavum pellucidi, falx thalabi.
Image segmentation : membagi suatu citra menjadi
wilayah-wilayah yang homogen berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel tetangganya, kemudian hasil dari proses segmentasi ini akan digunakan untuk proses tingkat
xxi
manusia dengan menggunakan suatu peralatan dan hasil gambaran itu digunakan dokter untuk mendiagnosa suatu penyakit
Iterative Random Hough Transform : teknik transformasi citra yang dapat
digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya dengan mengulang-ulang sesuai dengan banyaknya iterasi sampai mendaptkan hasil yang baik.
K-Means : metode klasifikasi tak terawasi
(unsupervised) yang membagi data ke dalam satu atau lebih cluster atau kelompok.
Local image feature : jarak piksel ketetanggaan.
Muskulosketal : sistem kompleks yang melibatkan
otot-otot dan kerangka tubuh, dan termasuk sendi, ligamen, tendon, dan saraf.
Perfusi : aliran darah melalui sirkulasi pulmonal
(darah dipompa ke paru-paru oleh ventrikel kanan melalui arteri pulmonal) atau pengisian kapiler pulmonal dengan darah.
Posterior : anatomi struktur bagian belakang.
Random Hough Transform : teknik transformasi citra yang dapat
digunakan untuk mengisolasi suatu objek pada citra dengan menemukan batas-batasnya.
Sagital aksis : aksis sagital berjalan dari permukaan
belakang ke permukaan depan tubuh melalui titik perpotongan dan tegak lurus kedua aksis lainnya.
xxii
dan luka patologi yang biasa digunakan ketika masa kehamilan.
Spalding sign : tumpang-tindihnya dan angulasi
tulang-tulang cranial merupakan akibat-lanjutan dari menyusutnya otak dan kolapsnya tengkorak.
Thalamus : merupakan struktur yang terdapat pada
pusat otak dan berfungsi menyampaikan dan menerima pesan ke dan dari bagian lain otak terletak pada korteks serebral dan otak tengah.
Tonjolan ekstremitas : tonjolan yang terjadi pada janin yang
terbentuk pada trimester 1, biasanya tonjolan ini merupakan cikal bakal terbentuknya tangan atau kaki pada janin.
Transduser : komponen USG yang ditempelkan pada
bagian tubuh yang akan diperiksa, seperti dinding perut yang didalamnya dapat mengubah gelombang akuistik menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar.
Trimester : periode waktu kehamilan yang
masing-masing terdiri dari 3 bulan.
Ventrikel : ruang jantung yang bertanggung jawab
untuk memompa darah ke seluruh tubuh.
Ventrikel Lateral : jarak antar kedua titik sumbu
berdasarkan sumbu terpanjang suatu rongga sempit di garis tengah yang berbentuk corong unilokuler, letaknya di tengah kepala, ditengah korpus kalosum.
X-ray : cara atau treatment yang paling tua dan
sering digunakan untuk pencitraan medis. X-Ray tulang digunakan untuk pencitraan
1 1.1 Latar Belakang
Ultrasonografi (USG) merupakan salah satu imaging diagnostic yang digunakan untuk pemeriksaan keadaan alat-alat vital dalam tubuh manusia, dengan USG dapat dipelajari bentuk, ukuran anatomis, gerakan serta hubungan dengan jaringan di sekitarnya (Mose dkk, 2004). Pada umumnya pemeriksaan dengan USG bersifat non-invansif, tidak menimbulkan rasa sakit pada penderita, dapat dilakukan dengan cepat dan cukup aman jika dilakukan dengan standarisasi yang ada (Endjun, 2011).
Penggunaan USG dalam dunia kesehatan dikenal juga dengan istilah sonografi obsetri, dilakukan pada kehamilan yang bertujuan untuk mengetahui anatomi janin. Pemeriksaan anatomi janin merupakan bagian dari standar pemeriksaan ultrasonografi obsetri yang dilakukan untuk mengidentifikasi organ internal utama janin. Pemeriksaan ini terbagi menjadi beberapa bagian yang disebut dengan trimester. Pada trimester I, pemeriksaan anatomi janin sangat terbatas, dikarenakan ukuran embrio dan janin masih kecil. Pada akhir trimester I dapat dikenali kepala, badan, tonjolan ekstremitas dan denyut jantung (Mose, 2011).
Salah satu hasil pemeriksaan sonografi obsetri yang didapatkan pada trimester II dan III adalah kepala. Kepala pada janin umumnya kepala berbentuk oval, bulat (brachcephaly) dan elips (dolichocephaly), serta memiliki ukuran yang berbeda-beda sesuai dengan umur atau gestasi janin itu sendiri. Untuk
menemukan ukuran kepala pada janin dilakukan proses perekaman oleh
transduser yang dilakukan oleh dokter atau ahli medis, hasil dari perekaman
kepala yang baik jika kepala terdeteksi mendekati bentuk seperti bola rugby atau elips, dengan bentuk lebih bundar pada daerah posterior dan lebih lancip pada daerah anterior (Endjun, 2011).
Pengukuran pada kepala janin bertujuan untuk mengetahui kondisi perkembangan lebih dini dari janin, diantaranya adalah untuk mengetahui perkembangan kondisi janin apakah berada dalam kondisi normal atau abnormal, dikatakan abnormal jika ukuran biparetal diameter berada pada ukuran lebih dari 110 mm, (Mose, 2004). Dengan mengetahui lebih dini adanya ukuran kepala yang abnormal, maka dapat dilakukan pemeriksaan lebih lanjut untuk mengetahui terjadinya kelainan yang dapat terjadi pada janin seperti hidrosefaelus. Hasil pengukuran kepala tidak hanya menghasilkan informasi kelainan pada janin, tetapi dapat memberikan informasi mengenai umur kehamilan dan berat janin dengan mengkombinasikan pengukuran-pengukuran lainnya seperti pemeriksaan kondisi ventrikel dan fossa posterior, tulang punggung dan lingkar perut.
Pengukuran kepala janin terdiri dari dua bagian yaitu Biparetal Diameter (BPD) dan Head Circumference (HC). BPD merupakan jarak dari margin luar kepala ke margin bagian dalam kepala dan diukur sebagai jarak antara dua
endpoint yang ditandai secara manual. Sedangkan HC adalah keliling kepala luar,
dan secara manual diukur dengan menelusuri kepala janin (Willocks, 1964). Sampai saat ini ahli medis melakukan pengukuran BPD masih secara manual, yaitu dengan menempatkan kapiler dan menarik garis tegak lurus pada
garis tengah dan potongan terbesar dari hasil perekaman oleh transduser. Sedangkan untuk memperoleh HC dilakukan dengan meletakkan kapiler pertama di anterior tepat diujung garis tengah kepala, kapiler ke dua diletakkan tepat diujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga ukuran BPD, HC dan usia gestasi dapat ditampilkan pada citra USG.
Melihat pentingnya hasil dari pengukuran kepala janin terhadap hasil BPD, HC dan usia gestasi yang merupakan komponen dasar untuk menghasilkan informasi yang dibutuhkan dalam mendiagnosa kondisi janin. Dengan melihat kondisi diatas beberapa model penelitian telah dikembangkan untuk menentukan ukuran BPD dan HC dengan menerapkan metode-metode untuk dapat menghasilkan pengukuran secara otomatis dan mendekati kenyataan. (Yufei Shen, 2009) dalam penelitiannya menjelaskan, untuk mendapatkan hasil pengukuran BPD dan HC pada citra USG, diperlukan gambar bentuk kepala yang cukup sempurna pada citra USG. Untuk dapat menentukan batas yang dianggap sebagai lingkar kepala dengan jelas, maka diperlukan teknik untuk memisahkan
background dan objek lingkar kepala. Salah satu teknik adalah dengan
menerapkan segmentasi citra dan pendekatan elips.
Penelitian terkait untuk pengukuran BPD dan HC pada kepala janin dintaranya adalah We Lu (2008) dengan metode segmentasi berupa klasterisasi pikses berdasarkan nilai keabuan menggunakan K-Means serta metode IRHT untuk mendeteksi BPD dan HC pada janin. Yufei Shei (2009) melakukan penelitian dengan menerapkan metode segmentasi berupa adaptive tresholding
dan edge thinning serta IRHT sebagai deteksi elips. Dwi Puspitasari (2010) mengembangkan metode Fuzzy C-Means berdasarkan informasi spasial ketetanggan antar piksel serta IRHT.
Untuk proses segmentasi, pada penelitian ini mencoba menggunakan metode segmentasi berbasis klastering yaitu Fuzzy C-Means dimana citra pada data uji dibagi berdasarkan koordinat ruang warna. Koordinat ruang warna dalam penelitian ini terdiri dari dua bagian, yaitu koordinat ruang warna RGB (koordinat warna citra uji) dan koordinat ruang warna L*a*b.
RGB (Red, Green, Blue ) menampilkan citra dalam 3 komponen warna yaitu merah, hijau dan biru, disebut juga sebagai “additive primaries” karena warna citra pada ruang warna RGB didapat dari kombinasi dari ketiga komponen warna (Wei dan Ying, 2005).
L*a*b lebih dikenal dengan ruang warna CIEL*a*b dimana L didefinisikan sebagai lightness, sedangkan a dan b mewakili jumlah warna dalam citra (Seema Banzal, 2011). Metode segmentasi ini sudah dilakukan diantaranya oleh Anil Z (2010) segmentasi citra satelit dengan metode ruang warna CIEL*a*b dan K-Means, Seema Bansal (2011) menggunakan metode ruang warna CIELab dan Ant Colony terhadap citra berwarna.
Sedangkan Fuzzy C-Means adalah suatu teknik pengklasteran data yang mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan (Bezdek, 1981). Metode segmentasi ini diharapkan dapat menghasilkan segmentasi yang akan digunakan sebagai citra input dalam proses deteksi elips selanjutnya.
Metode pendekatan untuk mendeteksi lingkar kepala adalah dengan metode deteksi elips. Algoritma deteksi elips terus mengalami perkembangan dimulai dari Randomize Hough Transform (RHT). Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise (Xu dan Oja E, 1990).
Selanjutnya (WeiLu, 2008) memperkenalkan Iterative Randomized Hough
Transform (IRHT) untuk mendeteksi elips. IRHT melakukan pencarian kurva
dikurangi secara iterative berdasarkan kemungkinan elips terbaik yang ditemukan, sehingga noise akan dikeluarkan dari daerah yang diinginkan. IRHT dapat mendeteksi elips yang tidak lengkap dengan banyak noise sehingga mampu untuk menghasilkan kekurangan kesalahan deteksi.
Dengan menerapkan beberapa metode yang telah dijabarkan di atas, diharapkan penelitian ini dapat menghasilkan sistem pengukuran BPD, HC dan usia gestasi dengan parameter pembanding dari hasil pengukuran BPD, HC dan usia gestasi yang dilakukan oleh dokter, serta unjuk kerja dari beberapa metode yang digunakan dalam proses pembuatan sistem.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, maka dapat dirumuskan permasalahan yang dijabarkan sebagai berikut :
1. Bagaimana unjuk kerja ruang warna dalam segmentasi citra USG dengan
2. Bagaimana untuk kerja ruang warna terhadap IRHT dalam deteksi elips. 1.3 Tujuan penelitian
Tujuan yang diharapkan dari hasil penelitian ini adalah sebagai berikut : 1. Untuk mengetahui unjuk kerja ruang warna dalam segmentasi citra USG
dengan Fuzzy C-Means.
2. Untuk mengetahui unjuk kerja Iterative Random Hough Transform (IRHT) dalam melakukan deteksi elips terhadap ruang warna.
1.4 Manfaat Penelitian
Hasil dari penelitian ini diharapkan memberikan manfaat sebagai berikut : 1. Dapat menghasilkan kombinasi metode untuk segmentasi berbasis
klastering khususnya pada objek citra USG kepala janin.
2. Menghasilkan sistem deteksi untuk pengukuran BPD dan HC pada kepala janin khususnya untuk citra USG.
1.5 Ruang Lingkup Penelitian
Dalam penelitian ini dibatasi oleh beberapa ruang lingkup sebagai berikut : 1. Pada proses akuisisi citra, data uji dipilih secara acak dengan usia
kandungan 14 - 32 minggu, data uji diperoleh secara langsung berupa file gambar USG yang disimpan dalam bentuk file dengan format bitmap (bmp) .
2. Data uji yang digunakan berasal dari dokter spesialis kandungan yaitu Dr I Made Suka Antara SpOg, Dr. I Made Winarta SpOg yang masing-masing dokter bertugas pada klinik bersalin.
3. Hasil akhir dari penelitian ini hanya mendapatkan persentase akurasi hasil pengukuran BPD, HC serta usia gestasi yang dihasilkan sistem terhadap data pengukuran dari ahli medis.
4. Penelitian ini menggunakan MATLAB 7.12 untuk keseluruhan proses dalam menghasilkan BPD, HC serta usia gestasi.
5. Pada proses penentuan elips terbaik, dilakukan dengan pengamatan elips yang terbentuk terhadap gambar asli secara visual (elips yang dihasilkan oleh sistem menutupi hasil segmentasi atau skleton (maksimal berada di margin terluar dari segmentasi gambar).
6. Nilai parameter untuk scanning dan iterasi dibatasi dengan pengujian pada
scanning ke-2, 4 dan 6, kemudian untuk iterasi dimulai dengan 50, 100,
150, 175 dan 200. 1.6. Keaslian Penelitian
Penelitian dengan judul Detection Of Incomplete Ellipse In Images With
Strong Noise By Iterative Randomized Hough Transform (IRHT) telah melakukan
penelitian berkaitan dengan deteksi kepala serta pengukuran BPD dan HC dengan menggunakan metode IRHT dengan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means (Lu dan Jinglu, 2008).
Penelitian yang berjudul Fetal Skull Analysis in Ultrasound Images Based
on Iterative Random Hough Transform, melakukan analisis untuk mencari BPD
dan HC pada gambar USG kepala janin. Algoritma yang digunakan adalah IRHT pada proses pendeteksian elips. Untuk segmentasi dilakukan dengan proses
adaptive tresholding, dan kemudian dilanjutkan proses thinning untuk
memperhalus kontur elips yang diinginkan (Yufei, 2009).
Dalam penelitian yang berjudul Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means dengan Informasi Spasial dan IRHT untuk menemukan BPD dan HC (Puspitasari, 2010).
Penelitian yang berjudul Color Image Segmentation using CIELab Color
Space using Ant Colony Optimization (Seema Bansal, 2011) melakukan pengujian
segmentasi berdasarkan metode CIELab dan optimasi klaster menggunakan Ant
Colony terhadap citra berwarna acak untuk menentukan MSE (Mean Square error).
Penelitian selanjutnya adalah Segmentasi Berbasis Warna pada Citra Termografi Kanker Payudara Menggunakan Ruang Warna L*a*b (Octa Heriana, 2010).
Dari beberapa penelitian diatas, metode segmentasi yang dapat dilakukan pada citra USG bermacam-macam, oleh karena itu penelitian ini akan menggabungkan metode segmentasi berdasarkan ruang warna CIE L*a*b dengan kombinasi metode klasterisasi Fuzzy C-Means untuk mengetahui sejauh mana performansi yang dihasilkan, sehingga dapat memberikan kontribusi sebagai citra input dalam deteksi elips dan sejauh mana dapat memberikan hasil pengukuran BPD dan HC yang maksimal.
9 2.1 State of Art Review
Pada jurnal penelitian Detection of in complete elips in images with strong
noise by Iterative Random Hough Transform (IRHT) menyatakan model dari
metode penelitian yang digunakan dapat menghasilkan pengukuran diameter
biparietal (BPD) dan lingkar kepala (HC), dimana metode tersebut adalah dengan
dengan menggunakan metode IRHT dan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means, serta penghalusan dengan metode thinning. Metode tersebut mampu mendeteksi elips. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi (Lu dan Jinglu, 2008).
Dalam jurnal penelitian berjudul Fetal Skull Analysis in Ultrasound
Images Based on Iterative Randomized Hough Transform oleh Yufei Shen pada
tahun 2009 menggunakan metode segmentasi berupa adaptive thersholding serta
edge thinning. Untuk deteksi elips yang menggunakan 2 pengujian metode yaitu
RHT dan IRHT, dimana motode IRHT dalam menghasilkan deteksi elips lebih baik walaupun dengan citra input segmentasi yang memiliki bentuk lingkaran kurang lengkap.
Pada jurnal penelitian Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means Dengan Informasi Spasial Dan Iterative
Randomized Hough Transform (IRHT), metode eksekusi dalam segmentasi
eksekusi yang diperlukan jauh lebih lama dibandingkan menggunakan metode
K-means. Akan tetapi hasil segmentasi menggunakan metode Fuzzy C-Means
dengan informasi spasial lebih baik dibandingkan menggunakan metode K-means, dari 8 citra uji terdapat 4 citra dengan persentase keberhasilan sebesar 30 % sedangkan 3 citra lainnnya pada 70-80 % dan 1 citra dengan persentase keberhasilan sebesar 100 %. Terlihat dari jumlah partisi daerah objek pada gambar hasil segmentasi menggunakan metode Fuzzy C-Means dengan informasi spasial yang lebih sedikit dibandingkan dengan gambar hasil segmentasi menggunakan metode K-means. Hal ini dikarenakan proses klasterisasi piksel tidak hanya berdasarkan nilai keabuan saja, akan tetapi juga mempertimbangkan nilai keabuan serta jarak ketetanggaan dari masing masing piksel (Puspitasari, 2010).
Dalam penelitian yang dilakukan Octa Heriana pada tahun 2011 dengan judul Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b, melakukan segmentasi pada hasil pencitraan kamera infra merah (termografi) payudara yang diduga terjangkit kanker. Metode yang digunakan adalah dengan pemisahan ruang warna (color space) L*a*b, dimana hasil dari segmentasi ini mampu menunjukkan perkiraan lokasi kanker pada payudara, serta bentuk dan batas-batas pertumbuhannya.
Pada jurnal penelitian Color Image Segmentation using CIELab Color
Space using Ant Colony Optimization oleh Seema Banzal pada tahun 2011,
menjelaskan segmentasi berdasarkan ruang warna dengan metode CIELab dan klasterisasi menggunakan optimasi algoritma Ant Colony menunjukkan jumlah
klaster yang dihasilkan dan jarak ketergantungan antar piksel (Euclidean distance) antara hasil segmentasi terhadap CMC sangat bervariasi tergantung dari banyaknya jumlah komponen warna yang terdapat dalam citra, dengan segmentasi CIELab representasi pembagian warna pada setiap klaster terlihat semakin baik, sehingga semakin banyak klaster yang dihasilkan maka waktu yang dibutuhkan untuk menghitung jarak ketetanggan antar piksel pada setiap klaster akan membutuhkan waktu yang lebih lama.
Tabel 2.1
Rangkuman State Of The Art
No Judul Penulis Metode Deskripsi Hasil
1. Detection of in complete ellips in images with strong noise by Iterative Random Hough Transform (IRHT) Lu, W., Jinglu Tan, 2008 K-Means, RHT& IRHT
Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambardengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi 2. Fetal Skull Analysis in Ultrasound Images Based on Iterative Random Hough Transform Yufei Shen, 2009 Adaptive tresholdin g, thinning, RHT, IRHT
Melakukan komparasi untuk deteksi elips menggunakan RHT dan IRHT,dari keakuratan perhitungan sudut rotasi dan tingkat persentasi keakuratan hasil deteksi elips yang didapatkan 3. Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform Dwi Puspitasari, 2010 K-Means, FCM informasi spasial, dan IRHT Melakukan komparasi metode segmentasi antara
K-Means dan FCM
informasi spasial,dimana dari segi waktu menemukan hasil segmentasi, K-Means memiliki eksekusi waktu yang lebih cepat dibanding FCM spasial, dikarenakan adanya perhitunganmatrik ketetanggaan.
Lanjutan Tabel 2.1 Rangkuman State Of The Art
No Judul Penulis Metode Deskripsi Hasil
4. Segmentasi Berbasis Warna pada citra Termografi Kanker Payudara menggunakan Ruang warna L*a*b Octa Heriana, 2011 Segmentasi Ruang warna L*a*b Mampu menunjukkan perkiraan lokasi kanker pada payudara serta bentuk dan batasan pertumbuhannya.
5. Color Image
Segmentation using CIELab Color Space using Ant Colony Optimization Seema Banzal, 2011 CIELab dan Ant colony optimization
Melakukan uji coba terhadap citra warna acak, dimana dengan
L*a*b mampu
mensegmentasi citra menjadi beberapa klaster yang diinginkan.
2.2 Medical Imaging
Medical imaging adalah teknik atau proses untuk mendapatkan gambar
tubuh khususnya gambar bagian dalam tubuh untuk keperluan medis. Medical
imaging dilakukan diantaranya untuk mengetahui bentuk dan fungsi organ tubuh,
sebaran zat tertentu dan perubahan metabolisme di dalam tubuh (TI Telkom, 2011). Medical imaging merupakan komponen penting di berbagai bidang penelitian biomedis dan praktek klinis.
Tujuan Medical Imaging antara lain :
1. Untuk mengembangkan metode komputasi dan Algoritma untuk menganalisis dan menghitung data biomedis.
2. Untuk berkolaborasi dengan peneliti NIH di pusat penelitian lain dalam menerapkan analisis informasi dan visualisasi untuk masalah biomedis.
3. Untuk mengembangkan alat (baik hardware ataupun software) yang memiliki kemampuan untuk menganalisa data biomedis serta mendukung penemuan dan kemajuan biomedis.
Beberapa medical imaging yang saat ini digunakan adalah sebagai berikut : 1. Magnetic Resonance Imaging (MRI )
2. X-Ray
3. Ultrasonography ( USG ) 4. Endoscopy
5. Computed Tomography (CT – Scan) 2.2.1 Magnetic Resonance Imaging (MRI )
Magnetic Resonance Imaging (MRI) adalah suatu alat diagnostik
muthakhir untuk memeriksa dan mendeteksi tubuh dengan menggunakan medan magnet yang besar dan gelombang frekuensi radio, tanpa operasi, penggunaan sinar X, ataupun bahan radioaktif (IT Telkom, 2011). Dapat menghasilkan rekaman gambar potongan penampang tubuh atau organ manusia dengan menggunakan medan magnet berkekuatan antara 0,064 – 1,5 tesla (1 tesla = 1000
Gauss) dan resonansi getaran terhadap inti atom hidrogen. MRI merupakan
metode rutin yang dipakai dalam diagnosis medis karena hasilnya yang sangat akurat. Tehnik penggambaran MRI relatif kompleks karena gambar yang dihasilkan tergantung pada penggunaan beberapa parameter. MRI memiliki kemampuan membuat gambaran potongan coronal, sagital, aksial dan oblik tanpa banyak memanipulasi tubuh pasien apabila pemilihan parameternya tepat
sehingga kualitas gambaran detail tubuh manusia akan tampak jelas dan anatomi dan patologi jaringan tubuh dapat dievaluasi secara teliti (IT Telkom, 2011).
Gambar 2.1 MRI (IT Telkom, 2011)
2.2.1.1 Prinsip Kerja MRI
Struktur atom hidrogen dalam tubuh manusia saat diluar medan magnet mempunyai arah yang acak dan tidak membentuk keseimbangan. Kemudian saat diletakkan dalam alat MRI (gantry), maka atom H akan sejajar dengan arah medan magnet . Demikian juga arah spinning dan precessing akan sejajar dengan arah medan magnet. Saat diberikan frequensi radio, maka atom H akan mengabsorpsi energi dari frequensi radio tersebut. Akibatnya dengan bertambahnya energi, atom H akan mengalami pembelokan, sedangkan besarnya pembelokan arah, dipengaruhi oleh besar dan lamanya energi radio frequensi yang diberikan. Saat radio frequensi dihentikan maka atom H akan sejajar kembali dengan arah medan magnet . Pada saat kembali inilah atom H akan memancarkan energi yang dimilikinya. Kemudian energi yang berupa sinyal tersebut dideteksi
dengan detektor yang khusus dan diperkuat. Selanjutnya komputer akan mengolah dan merekonstruksi citra berdasarkan sinyal.
2.2.1.2 Kelebihan MRI
Adapun beberapa kelebihan MRI sebagai media perekaman jaringan dalam tubuh adalah sebagai berikut :
1. MRI lebih unggul untuk mendeteksi beberapa kelainan pada jaringan lunak seperti otak, sumsum tulang serta muskuloskeletal.
2. Mampu memberi gambaran detail anatomi dengan lebih jelas.
3. Mampu melakukan pemeriksaan fungsional seperti pemeriksaan difusi,
perfusi dan spektroskopi yang tidak dapat dilakukan dengan CT-Scan.
4. Mampu membuat gambaran potongan melintang, tegak, dan miring tanpa merubah posisi pasien.
5. MRI tidak menggunakan radiasi pengion. 2.2.3 Ultrasonography (USG)
USG adalah suatu alat dalam dunia kedokteran yang memanfaatkan gelombang ultrasonik, yaitu gelombang suara yang memiliki frekuensi yang tinggi (250 kHz - 2000 kHz) yang kemudian hasilnya ditampilkan dalam layar monitor (Effendi, 2011). Ultrasonografi medis (sonografi) adalah sebuah teknik diagnostik pencitraan menggunakan suara ultra yang digunakan untuk mencitrakan organ internal dan otot, ukuran, struktur, dan luka patologi teknik ini berguna untuk memeriksa organ (Effendi, 2011). Sonografi obstetrik biasa digunakan ketika masa kehamilan. Pilihan frekuensi menentukan resolusi gambar dan penembusan ke dalam tubuh pasien. Diagnostik sonografi umumnya beroperasi pada frekuensi
dari 2 sampai 13 megahertz. Sedangkan dalam fisika istilah "suara ultra" termasuk ke seluruh energi akustik dengan sebuah frekuensi di atas pendengaran manusia (20.000 Hertz), penggunaan umumnya dalam penggambaran medis melibatkan sekelompok frekuensi yang ratusan kali lebih tinggi. Ultrasonografi atau yang lebih dikenal dengan singkatan USG digunakan luas dalam medis. Pelaksanaan prosedur diagnosis atau terapi dapat dilakukan dengan bantuan ultrasonografi (misalnya untuk biopsi atau pengeluaran cairan). Biasanya menggunakan probe yang digenggam yang diletakkan di atas pasien dan digerakkan: gel berair memastikan penyerasian antara pasien dan probe. Dalam kasus kehamilan, Ultrasonografi (USG) digunakan oleh dokter spesialis kedokteran (DSOG) untuk memperkirakan usia kandungan dan memperkirakan hari persalinan. Dalam dunia kedokteran secara luas, alat USG (ultrasonografi) digunakan sebagai alat bantu untuk melakukan diagnosa atas bagian tubuh yang terbangun dari cairan.
Gambar 2.2 USG 2 Dimensi
Transduser adalah komponen USG yang ditempelkan pada bagian tubuh
yang akan diperiksa, seperti dinding perut atau dinding poros usus besar pada pemeriksaan prostat. Di dalam transduser terdapat kristal yang digunakan untuk
menangkap pantulan gelombang yang disalurkan oleh transduser. Gelombang yang diterima masih dalam bentuk gelombang akusitik (gelombang pantulan) sehingga fungsi kristal disini adalah untuk mengubah gelombang tersebut menjadi gelombang elektronik yang dapat dibaca oleh komputer sehingga dapat diterjemahkan dalam bentuk gambar.
(a) (b) (c) Gambar 2.3
Contoh citra USG kepala pada janin
2.2.3.1 Faktor Yang Mempengaruhi Kualitas Gambar Pada Citra USG Kualitas suatu gambar pada atau hasil pada USG di pengaruhi oleh beberapa faktor, diantaranya faktor individu dan faktor yang terjadi pada mesin USG itu sendiri.
1. Faktor individu terbagi menjadi 2, sebagai berikut : a. Operator
Operator merupakan seorang ahli yang sudah mendapatkan serifikasi kompetensi bidang USG Dasar Obstetri dan Ginekologi, operator sangat berperan dalam menghasilkan kualitas gambar yang baik, dalam arti hasilnya dapat dilihat dengan jelas dengan kasat mata oleh seorang pasien. Perekaman objek yang
diinginkan harus dicari dengan akurat dan benar oleh operator. Seorang operator juga harus memahami bagaimana meletakkan transduser sehingga dapat memperoleh gambar yang baik menjalankan mesin alat USG, sehingga dapat mengatur kualitas hasil dari sebuah gambar (Endjun, 2007).
b. Pasien
Pasien juga menentukan kualitas perekaman objek yang diinginkan melalui alat USG. Kondisi pasien seperti obesitas atau adanya lemak berlebih di sekitar perut dapat menyebabkan perekaman menjadi kurang jelas. Kemudian faktor lain adalah janin itu sendiri, misalkan saja perekaman terjadi pada saat bayi sedang bergerak, sehingga bagian yang ingin direkam menjadi kabur atau kurang jelas (Endjun, 2007).
2. Faktor Alat USG
Untuk mendapatkan hasil perekaman yang baik, perlu diperhatikan beberapa hal sebagai berikut (Endjun, 2007):
a. Untuk mendapatkan ketajaman gambar, hal yang harus diatur adalah fokus. Fokus dapat diatur melalui mesin USG oleh operator, fokus ditempatkan pada daerah yang akan diamati. Semakin banyak fokus yang digunakan, semakin banyak energi yang dipakai, sehingga gambar USG semakin tidak tegas. Untuk penggunaan fokus pada pemeriksaan, khusus untuk jantung janin hanya dipergunakan satu fokus, sedangkan untuk organ lainnya cukup dua buah fokus. b. Ketajaman gambar dipengaruhi oleh resolusi aksial dan lateral, resolusi aksial adalah kemampuan untuk membedakan dua titik pada daerah yang tegak
lurus dengan transduser. Resolusi lateral adalah kemampuan untuk membedakan dua titik pada daerah horizontal (lateral) terhadap transduser.
c. Transduser
Pemakaian transduser yang tepat. Pada transduser terdapat panel control terdapat beberapa pengaturan, yaitu pengaturan gain dan fokus agar gambar yang dihasilkan optimal. Pemakaian gain yang terlalu tinggi atau terlalu rendah akan membuat gambar sulit dievaluasi dengan benar. Pengukuran harus menggunakan
caliper yang bentuk dan ukurannya pas dengan organ atau struktur yang akan
diukur.
d. Artefak
Artefak yang sering terjadi pada pemeriksaan USG ada beberapa macam, diantaranya :
1. Reverberasi
Reverberasi berupa gambaran gema yang tersusun berlapis-lapis sejajar. Hal ini di sebabkan gema suara-ultra terpantul berulang-ulang antara
transduser dan suatu reflektor yang kuat.
2. Refraksi
Refraksi terjadi oleh karena adanya reflector yang kuat yang bertindak
sebagai refracting boundary dari suara yang dating sehingga suatu benda tidak pada tempat yang sebenarnya. Contohnya gambaran double image pada tulang kepala yang menyerupai spalding sign.
3. Multipath
Multipath terjadi karena suara yang berulang oleh setidaknya dua reflector
akan menyebabkan terlihatnya suatu benda dengan jarak yang lebih jauh dari keadaan yang sebenarnya.
4. Bayangan akusitik (shadowing)
Bayangan akustik adalah pengurangan atau hilangnya intensitas suara di belakang suatu massa padat. Hal ini disebabkan oleh adanya atenuasi dan defleksi.
e. Pemilihan media cetak atau dokumentasi
Dokumentasi sebaiknya berbentuk rekaman permanen, mencakup parameter ukuran dan hasil temuan anatominormal dan patologi. Hasil cetakan gambar USG sangat dipengaruhi oleh kualitas mesin pencetak gambar (printer), film yang dipakai dan mesin USG tersebut. Saat ini gambar-gambar USG diformat dalam bentuk gambar digital (JPEG, BMP dan TIFF).
2.2.3.2 Cara Kerja USG
USG bekerja melalui beberapa tahapan sebagai berikut :
1. Transduser bekerja sebagai pemancar dan sekaligus penerima gelombang
suara. Pulsa listrik yang dihasilkan oleh generator diubah menjadi energi akustik oleh transduser yang dipancarkan dengan arah tertentu pada bagian tubuh yang akan dipelajari atau direkam. Sebagian akan dipantulkan dan sebagian lagi akan merambat terus menembus jaringan yang akan menimbulkan bermacam-macam
2. Pantulan echo yang berasal dari jaringan-jaringan tersebut akan membentur transduser, dan kemudian diubah menjadi pulsa listrik lalu diperkuat dan selanjutnya diperlihatkan dalam bentuk cahaya pada layar oscilloscope. Dengan demikian bila transduser digerakkan seolah-olah kita melakukan irisan-irisan pada bagian tubuh yang dinginkan, dan gambaran irisan-irisan-irisan-irisan tersebut akan dapat dilihat pada layar monitor.
2.2.3.3 Cara Pengukuran Biparetal Diameter (BPD)
BPD pertama kali diperkenalkan oleh Willock (1964). BPD adalah jarak maksimal antara tulang parietal depan dan belakang pada posisi kepala oksiput
transversa. Pengukuran BPD paling akurat dalam penentuan kehamilan antara
12-18 minggu, pertumbuhan BPD menunjukkan garis yang linier. Selain untuk menentukan umur kehamilan pengukuran ini dapat juga digunakan untuk menentukan berat janin dan deteksi kelainan kepala janin (makrosefalus,
mikrosefalus, atau hidrosefalus).
Cara mendapatkan bidang potong untuk pengukuran BPD adalah sebagai berikut : 1. Cari potong kepala kepala sampai mendapatkan bentuk paling simetris,
yaitu jarak antara garis tengah dan tulang kepala pada kedua sisi harus sama.
2. Potongan harus tegak lurus pada garis tegah dan dicari ptongan yang terbesar.
Kesalahan yang terjadi pada pengukuran BPD adalah : 1. Potongan kepala yang tidak simestris.
2. Bidang potong yang tidak tepat, terlalu tinggi sehingga tampak adanya
ventrikel lateralis dan terlalu rendah sehingga tampak pendukulus serebri.
3. Penempatan kaliper tidak tegak lurus pada garis tengah.
Permasalahan yang sering terjadi pada pengukuran BPD adalah sebagai berikut :
1. Posisi kepala yang yang tidak benar pada saat perekaman oleh transduser, sehingga struktur intrakranial tidak dapat dikenali.
2. Kepala janin tertekan oleh rusuk ibu pada letak sungsang. 3. Kepala janin sudah jauh masuk ke dalam rongga panggul.
4. Pada USG tanpa transduser konveks kadang sukar menampilkan kepala secara keseluruhan apabila kepala cukup besar.
Gambar 2.4
Bidang potong BPD 72 mm sesuai gestasi 28 minggu 6 hari (Endjun, 2007)
Untuk mendapatkan hasil perhitungan Head Circumference atau lingkar kepala dapat dilakukan dengan 2 cara :
1. Dengan rumus , yaitu :
Dimana DOF (Dolikhosefali Oksipito-Frontalis) merupakan bagian kepala yang memanjang.
2. Mengukur lingkar kepala secara langsung melakukan tracing.
Permasalahan yang sering terjadi pada pengukuran HC adalah sebagai berikut : 1. Terkadang besarnya kepala melebihi besarnya trasnduser sehingga tidak
seluruh kepala janin terlihat di layar monitor.
2. Pengukuran ini kurang praktis dibandingkan dengan pengukuran BPD.
Gambar 2.5
Dolikhosefali Oksipito-Frontalis (Endjun, 2007)
Untuk melakukan pengukuran yaitu langkah yang dilakukan dimulai dari : dimana kapiler pertama diletakkan di anterior tepat di ujung garis tengah kepala. Kapiler kedua diletakkan tepat di ujung posterior garis tengah kepala, kemudian tombol set atau enter ditekan sehingga terlihat gambaran elips berbentuk titik-titik. Gerakkan track-ball hingga gambaran elips tersebut mencapai tabula
eksternal, simetris atas bawah. Dan hasil perhitungan akan ditampilkan secara
otomatis pada layar monitor dan hasil pemeriksaan.
Ketepatan dalam memprakirakan usia kehamilan akan semakin baik apabila mengukur lebih banyak parameter biometri. Tidak ada parameter tunggal yang terbukti paling akurat dalam penentuan usia kehamilan. Tingkat kesalahan
akan lebih kecil apabila menggunakan parameter multiple, dibandingkan dengan hanya menggunakan 1 parameter.
2.3 Operasi Pengolahan Citra
Operasi-operasi pada pengolahan citra diterapkan pada citra apabila terjadi beberapa hal, yaitu sebagai berikut (Putra, 2010) :
1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra atau menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement).
contoh : perbaikan kontras gelap atau terang, perbaikan tepian objek, penajaman, pemberian warna semu.
2. Adanya cacat pada citra sehingga perlu dihilangkan atau diminimumkan
(image restoration).
contoh : penghilangan kesamaran (debluring) dimana citra tampak kabur karena pengaturan fokus lensa tidak tepat atau kamera goyang dan penghilangan noise
3. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image
segmentation). Operasi ini berkaitan erat dengan pengenalan pola.
4. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis).
5. Proses segementasi kadang kala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian tepi objek.
6. Sebagian citra perlu digabung dengan bagian citra yang lain (image
reconstruction). Contoh: beberapa foto rontgen digunakan untuk
membentuk ulang gambar organ tubuh.
7. Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB
8. Menyembunyikan data rahasia (berupa teks atau citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi &
watermarking)
Gambar 2.6
Alur Pengolahan Citra (Darma Putra, 2009)
2.4 Jenis-jenis Citra Digital
Nilai suatu piksel memiliki nilai dalam rentan tertentu dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun secara umum jangkauanya adalah 0-255. Citra dengan penggambaran seperti ini digolongkan ke dalam citra integer. Berikut adalah jenis-jenis citra berdasarkan nilai piksel-nya
1. Citra Biner
Citra yang hanya memiliki dua kemungkinan nilai piksel yaitu hitam dan putih. Citra biner ini juga disebut citra B&W (black and white) atau citra
dari citra biner (Putra, 2010). Citra biner sering kali muncul sebagai hasil dari proses pengolahan seperti segmentasi, pengambangan, morfologi ataupun dithering.
2. Citra Grayscale
Citra Greyscale disebut juga citra satu kanal, karena warnanya hanya ditentukan oleh satu fungsi intensitas saja. Artinya mempunyai skala abu dari 0 sampai 255, yang dalam hal ini nilai intensitas 0 menyatakan hitam, nilai intensitas 255 menyatakan putih (Munir, 2004).
3. Citra Warna (8 bit)
Setiap piksel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah 256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit dengan menggunakan palet warna 256 dengan setiap paletnya memiliki pemetaan nilai (colormap) RGB tertentu.
4. Citra Warna (16 bit)
Citra warna 16 bit biasanya di namakan sebagai citra highcolor dengan setiap pikselnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit memiliki 65.536 warna. Dalam formasi bitnya, nilai merah dan biru mengambil tempat di 5 bit ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit dikarenakan penglihatan manusia lebih sensitif terhadap warna hijau.
Setiap piksel dari citra warna 24 bit diwakili dengan 24 bit sehingga total 16.777.216 variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan manusia. Setiap poin informasi piksel (RGB) disimpan ke dalam 1 byte data. 8 bit pertama menyimpan nilai biru, diikuti hijau pada 8 bit ke dua dan pada 8 bit terakhir berupa warna merah.
2.5 Sistem Koordinat Warna
Berbagai jenis sistem koordinat warna atau sistem ruang warna yang diciptakan untuk memenuhi tujuan tertentu atau yang ditujukkan untuk perangkat platform tertentu. Menurut teori T.Young, setiap warna tertentu dapat diciptakan dengan menggabungkan (tristimulus) tiga warna utama c1, c2, c3 dengan persentase tertentu.
C = aC1 + bC2 +cC3……… 2.2 Teori ini didasarkan pada kenyataan mata manusia yang memiliki tiga bagian pada retina yang dapat menagkap puncak-puncak spectrum dari warna kuning-hijau, biru dan biru.
2.5.1 Sistem Koordinat Warna CIE
Sistem koordint warna CIE (Commission International de I’Eclairage) memperkenalkan sistem koordinat warna berdasarkan sistem spectral primary sistem yang merupakan sumber utama monokrom. Sistem ruang warna ini menggunakan panjang gelombang RCIE (red 700 nm), GCIE (green 546,1 nm) dan
dengan sistem ruang warna RGB dalam hal kecerahannya, yaitu RGBCIE warna
RGB-nya lebih cerah daripada sistem RGB. Menurut Jain (1989) sistem ruang warna RGB CIE dapat diperoleh dengan konversi sistem ruang warna RGB dengan menggunakan persamaan berikut.
= . ……… 2.3
Tetapi RGBCIE tidak dapat menghasilkan semua warna yang mungkin dihasilkan.
Oleh karena itu sistem CIE memperkenalkan sistem koordinat warna XYZ di mana semua komponen transformasinya bernilai positif, Y menandakan nilai krominannya.
2.5.2 Sistem Koordinat Warna XYZ
Sistem ruang warna XYZ juga diperkenalkan oleh Commission
Internationale de l'Ecloirage (CIE) dengan tujuan untuk mengatasi kelemahan
sistem ruang warna RGBCIE. Nilai-nilai tristimuli dalam ruang warna CIEXYZ
bukan mempresentasikan secara langsung seperti respon sel-sel Kerucut mata manusia S, M maupun L, tetapi lebih mengarah pada nilai-nilai yang dinamakan X, Y dan Z yang secara kasar dapat mewakili warna merah, hijau dan biru (namun X, Y, Z bukan identik dengan nilai observasi secara fisik pada warna merah, hijau dan biru itu sendiri).
Sistem ruang warna XYZ dapat diperoleh dari sistem ruang warna RGB atau RGBCIE melalui alihragam yang menggunakan persamaan berikut.
=
.
………. 2.4
Dan sistem koordinat warna XYZ juga memiliki hubungan linear dengan sistem koordinat RGBCIE sebagai berikut :
= . ………. 2.5 Dimana; = . ……… 2.6 2. 6 Segmentasi Citra
Segmentasi citra adalah proses pembagian sebuah citra ke dalam sejumlah bagian atau objek. Segmentasi merupakan bagian yang penting dalam analis citra yang akan dilakukan secara otomatis, sebab pada proses ini objek citra yang diinginkan di simpan untuk dapat diproses lebih lanjut (Gonzalez, 1987).
Algoritma segmentasi dibagi berdasarkan dua buah karakteristik nilai derajad kecerahan citra, yaitu similiarity dan discontinuity. Pada ketegori
similiarity citra dipisahkan menggunakan thresholding, region growing merging
dan region spiltting dimana pada kategori similiarity ini citra akan dipisahkan menurut kesamaan nya dengan piksel terdekatnya. Sedangkan discontinuity, citra dibagi atas dasar perubahan yang mencolok terhadap derajad kecerahan yang ada disekitarnya, seperti deteksi titik, garis area dan sisi citra.
