Classification Analysis X-Ray Images using Fourier Filter, Wavelet, and
CLAHE Morphology Segementation and RATS
Ahmad Qusyairi
Undergraduate Program, Faculty of Industrial Engineering, 2010 Gunadarma University
http://www.gunadarma.ac.id
Keywords: CLAHE, Fourier, Freeman Code, Image Classification, Morphology Segmentation, RATS, Wavelet, X-Ray Images.
ABSTRACT
Production of medical images, especially X-ray images from the hospital that used by doctors to diagnose the patient's disease is increased so requires a process for documentation. This problem requires an automatically mechanism to classify the X-ray images from an image accurately based on the characteristics of the image. This research, the author uses a Fourier filter, wavelet filter, and clahe filter for filtering method. Morphological segmentation Methods and Rats segmentation Methodsare used to segmentasi. The author uses the Freeman code techniques for contour representation of the X-ray images. Euclidean Distance and Jeffrey Divergence to obtain a similarity value of X-ray image. Classification process consists of filtering, segmentation, contour transformation, determine and calculate distribution of Freeman code and matching of images. For this experiment, I used 100 X-ray images from various organs of human body which consists of Shoulder, Hand, Head, Legs, Chest, lumbar, pelvic and fibula.The application for process classification X-ray Images was deployed by using Java programming language.The result showed the accuracy of Euclidean distance in the Fourier filtering method and using morphological segmentation is 74%.
Analisis Pengklasifikasian Citra X-Ray Menggunakan Kombinasi Filter Fourier, Wavelet, dan CLAHE Dengan Segmentasi Morphologi dan RATS
. . . Ahmad Qusyairi . . .
Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma 2010, (e41_comizica1@yahoo.com)
ABSTRAK
Produksi citra medis khususnya citra X-ray di rumah sakit yang digunakan dokter dalam mendiagnosa penyakit pasien saat ini semakin meningkat tajam sehingga memerlukan sebuah proses pendokumentasian. Untuk itu dibutuhkan suatu mekanisme otomatis yang dapat mengklasifikasikan citra X-ray secara akurat dari suatu citra berdasarkan karakteristik dari citra itu sendiri.
Pada penelitian ini, penulis menggunakan fourier filter, wavelet filter, dan clahe filter untuk metode filtering. Metode morphologi segmentasi dan rats Segmentasi untuk metode segmentasi. Penulis menggunakan Kode Freeman sebagai representasi dari kontur citra X-ray dan penggunaan teknik Euclidean Distance dan Jeffrey Divergence untuk memperoleh nilai similaritas citra X-ray. Proses klasifikasi terdiri dari filtering,segmentasi, transformasi kontur, menetukan Kode Freeman, menghitung distribusi kode Freeman dan pencocokan.
Citra yang dianalisis berjumlah 100 citra X-ray dari berbagai organ tubuh manusia yang terdiri dari Bahu, Tangan, Kepala, Kaki, Dada, Lumbal, Panggul dan Tulang Kering. Untuk melakukan setiap tahap klasifikasi dan menampilkan hasil transformasi kontur citra dibuat sebuah aplikasi menggunakan bahasa pemograman Java. Berdasarkan hasil, nilai keakuratan dari metode ini sebesar 74% dengan teknik Euclidean Distance pada metode Filtering dengan Fourier dan menggunakan Segementasi Morphologi.
Kata Kunci : Klasifikasi Citra, Citra X-ray, Fourier, Wavelet, CLAHE, Morphologi Segmentasi, RATS, Kode Freeman.
ABSTRACT
Production of medical images, especially X-ray images from the hospital that used by doctors to diagnose the patient's disease is increased so requires a process for documentation. This problem requires an automatically mechanism to classify the X-ray images from an image accurately based on the characteristics of the image.
This research, the author uses a Fourier filter, wavelet filter, and clahe filter for filtering method. Morphological segmentation Methods and Rats segmentation Methods are used to segmentasi. The author uses the Freeman code techniques for contour representation of the X-ray images. Euclidean Distance and Jeffrey Divergence to obtain a similarity value of X-ray image. Classification process consists of filtering,
segmentation, contour transformation, determine and calculate distribution of Freeman code and matching of images.
For this experiment, I used 100 X-ray images from various organs of human body which consists of Shoulder, Hand, Head, Legs, Chest, lumbar, pelvic and fibula.The application for process classification X-ray Images was deployed by using Java programming language.The result showed the accuracy of Euclidean distance in the Fourier filtering method and using morphological segmentation is 74%.
Keyword : Image Classification, Image of X-ray, Fourier, Wavelet, CLAHE, Morphological Segmentation, RATS, Freeman Code.
1. Pendahuluan
1.1 Latar Belakang
Citra x-ray merupakan teknologi dalam bidang kedokteran yang dapat membantu para dokter untuk mendiagnosa penyakit yang terdapat di dalam tubuh pasien terutama yang tertutupi kulit dan daging manusia. Citra x-ray ini menggunakan bantuan sinar X sehingga dapat menembus bagian kulit dan daging manusia.
Arsip citra x-ray terdapat dengan jumlah yang banyak dalam suatu rumah sakit. Hal ini, tentunya membutuhkan suatu mekanisme penyimpanan maupun retrieval citra x-ray dari database secara otomatis. Rumah sakit melakukan proses pendokumentasian, kategori atau kelas dari citra X-ray dianotasikan secara manual atau dengan memberikan kode khusus pada citra X-ray tersebut. Tentunya, hal ini akan menyebabkan proses pendokumentasian menjadi lambat serta informasi yang dihasilkan menjadi tidak akurat. Penyelesaian dari masalah tersebut membutuhkan suatu mekanisme otomatis yang dapat mengklasifikasikan citra X-ray secara akurat dan cepat dari suatu citra queri terhadap klas citra yang telah didefinisikan sebelumnya berdasarkan karakteristik dari citra itu sendiri(Bertalya ,2008). Hasil klasifikasi citra secara automatis memiliki banyak kendala dikarenakan kualitas citra yang rendah yaitu kabur, gelap, dan terdapat obyek kecil di luar citra.
Salah satu karakteristik dari citra adalah fitur bentuk. Fitur bentuk citra ini diperoleh dengan melalui proses segmentasi citra. Untuk itu penulis akan menganalisis cara mengklasifikasikan citra X-ray secara outomatis dan memperbaiki kualitas citra yang akan di klasifikasi sehingga didapat hasil yang lebih baik.
1.2 Batasan Masalah
Penelitian ini difokuskan pada analisis cara mengklasifikasikan citra X-ray secara outomatis serta memperbaiki kualitas citra yang akan di klasifikasi sehingga akan di dapat hasil yang lebih baik. Metode yang akan digunakan untuk filter citra adalah fourier(fast fourier transform) , Wavelet (Haar wavelet denoised), dan CLAHE (Contrast Limited Adaptive Histogram Equalization). Metode yang digunakan untuk segmentasi adalah segmentasi morphologi (morphological segmentatiom) dan RATS (Robust Automatic Threshold Selection). Metode yang digunakan untuk representasi kontur menggunakan Freeman. Metode Pencocokan representasi kontur menggunakan Euclidean distance dan Jeffrey Divergence . Untuk Proses-proses filter, segmentasi, representasi kontur dan pencocokan dibuat aplikasi menggunakan bahasa pemograman Java. File citra yang digunakan berekstention .jpg. Data citra yang digunakan adalah citra x-ray yang terdiri dari 8 jenis yaitu kepala, bahu, tangan, rusuk, lumbal, panggul, kaki, dan tulang kering dengan total 100 data.
2. Metodologi Penelitian
Metode pembuatan perangkat lunak ini terdiri dari beberapa tahap. Tahap pertama merupakan studi literatur. Tahap ini dilakukan untuk memperoleh informasi mengenai proses dalam filter, segmentasi, representasi kontur dan pencocokan citra X-ray. Tahap kedua adalah tahap pembuatan aplikasi proses filter citra, segmentasi citra, representasi kontur citra, pencocokan citra serta tampilan input dan output dari setiap fungsi tersebut. Tahap ketiga adalah tahap analisis. Pada tahap ini dilakukan pengujian terhadap 100 citra X-ray organ tubuh manusia dan melihat apakah output yang dihasilkan sesuai dengan fungsi yang dituliskan, untuk selanjutnya dilakukan analisis dari hasil klasifikasi citra X-ray dari kombinasi dari metode-metode filter, segmentasi, representasi kontur, dan pencocokan.
3. Pembahasan 3.1 Scaling
Pada penulisan ini proses pertama pendekteksian yaitu scaling citra. Proses scaling ini berguna untuk menyamakan ukuran Citra. Citra yang akan dideteksi akan dirubah ukurannya menjadi 256 piksel X 256 Piksel. Hal ini disesuaikan dengan ukuran Citra Filter dari Fourier Transform.
3.2 Filtering
Pada penulisan ini akan menganalisis 3 metode filtering. Satu metode berkerja pada domain spasial yaitu CLAHE dan 2 berkerja pada doamain frekuensi yaitu Fourier dan Wavelet. Cara Algiritma dan cara kerja metode ini terlihat dibawah ini.
3.2.1 Fourier
Pada penulisan ini akan melakukan Filter fourier dengan citra filter yang
bertujuan untuk menghilangkan noise – noise yang berada pada citra X-ray. Cara kerja
filter Fourier terlihat dalam diagram alur pada gambar 1.
3.2.2 Wavelet
Pada penulisan ini akan melakukan Filter Haar wavelet yang bertujuan untuk
menghilangkan noise – noise yang berada pada citra x-ray. Cara kerja filter haar wavelet
terlihat pada gambar 2.
Gambar 2 Proses Filter Citra Haar Wavelet
3.2.3 CLAHE
CLAHE merupakan filter yang operasinya pada citra domain spasial. Melakukan
proses perataan histogram dengan menggunakan suatu batasan limit dari histrogram dan
hasilnya akan di interpolasi dengan piksel – piksel tetangga. Gambar 3 menunjukan
y
t t
y
Gambar 3 Diagram Alur Proses Filter Clahe
3.3 Segmentasi
Penulisan ini menggunakan 2 buat Segmentasi yaitu segmentasi morphologi dan
segmentasi rats. Segementasi ini berguna untuk mendapatkan citra x-ray bagian
3.3.1 Morphologi Segmentasi
Morphologi segmentasi merupakan proses segmentasi menggunakan fungsi –
fungsi morphologi pada proses pengolahan citra. Proses morphologi segmentasi citra
terdiri dari beberapa sub proses diantaranya: grayscaling, thresholding, deteksi tepi,
pengisian (filling), opening, closing, dan yang terakhir representasi kontur seperti yang
digambarkan pada diagram alur pada Gambar 4.
Gambar 4 Diagram Alur Proses Morphologi Segmentasi Citra
3.3.2 RATS
Rats adalah metode untuk menghitung secara automatis threshold tanpa
mengunakan histogram dari citra. Rats Menggunakan Quadtree metode dalam melakukan
kedalam bagian – bagian yang bertingkat menggunakan Quadtree. Proses Rats dapat
dilihat pada gambar 5.
Gambar 5 Diagram Alur Segmentasi Rats
3.4 Representasi Kontur
Representasi kontur merupakan proses mendapatkan kode kontur suatu obyek
yang akan di klasifikasi. Jadi proses ini akan mendapatkan kode – kode kontur obyek
yang akan di uji pada proses pencocokan. Pada penulisan ini memakai metode freeman
untuk mendapatkan kode kontur obyek.
3.4.1 Freeman
Proses Freeman pada penulisan ini menggunakan 8 arah mata angin. Diagram
Gambar 6 Diagram Alur Freeman
3.5 Pencocokan pola
Penulisan ini menggunakan pencocokan pola dengan menggunakan metode
Euclidean Distance dan Jeffrey Divergence.
3.5.1 EuclideanDistance
Euclidean distance merupakan teknik penghitungan similaritas dengan
menghitung jarak fitur tekstur. Formula euclidean distance seperti formula di bawah ini
(1)
Pada formul diatas, D(I,J) adalah jarak antara citra uji dan citra referensi. Variabel f
i(I) merupakan nilai parameter i pada citra I (citra uji), sedangkan fi(J) merupakan nilai
parameter i pada citra J (citra referensi)
3.1.5.2 Jeffrey Divergence
Jeffey Divergence di gunakan untuk mengitung seberapa berbeda suatu nilai
dengan nilai lain. Formula untuk menghitung nilai Jeffret Divergence sebagi berikut .
(2)
Metode Jeffrey Divergence merupakan teknik pengembangan dari Kullback- Leibler Divergence.
4. Pengujian dan Analisa
Pada tahap ini kita melakukan pengujian citra sample sebanyak 100 citra dari
berbagai jenis citra X-ray yaitu citra kepala, kaki, lumbal, panggul, bahu, tangan, tulang
kering dan dada untuk citra X-ray yang diuji dapat dilihat pada lampiran halaman L-1.
Pengujian dilakukan dengan cara memasukkan ke database 100 citra yang diuji
sebagai refrensi. Namun pada saat dilakukan pencocokan citra, citra yang sama tidak
dicocokkan, dengan kata lain 1 citra akan dilakukan proses pencocokan dengan citra 99
citra yang lain. Tabel 1 di bawah ini menyatakan jumlah citra X-ray yang diuji
berdasarkan jenis citra X-ray.
Tabel 1 Tabel Citra X-ray Untuk Pengujian
Kelas Citra Banyak Citra
Kepala 19 Kaki 11 Lumbal 7 Panggul 13 Bahu 14 Tangan 7 Tulang Kering 12 Rusuk 17 Total 100
Hasil deteksi menggunakan metode pencocokan yaitu
Euclidean Distance dan
Jeffrey Divergencea
akan dihitung
recognition rate yang merupakan persentasi dari
jumlah citra X-ray yang berada pada kelas yang benar. Untuk menghitung recognition
rate menggunakan rumus berikut
Hasil pengujian dari masing – masing kombinasi metode filter dan segmentasi
adalah sebagai berikut
Table 2 Tabel Hasil Pengujian
Filtering Segmentasi recognition rate Euclidean Distance Jeffrey Divergence
1 Tanpa Filter Morphologi Segmentasi 44 60
2 Tanpa Filter Rats Segmentasi 30 43
3 Filter Fourier Morphologi Segmentasi 54 74
4
Filter Fourier Rats Segmentasi 39 595
Filter Haar Wavelet Morphologi Segmentasi 48 626
Filter Haar Wavelet Rats Segmentasi 45 677
Clahe Filter Morphologi Segmentasi 57 708
Clahe Filter Rats Segmentasi 33 485
Penutup
5. 1 Kesimpulan
Pada penelitian ini, proses pengklasifikasian citra X-ray melalui proses fourier
filter, wavelet haar filter, dan clahe filter untuk filtering, selanjutnya morphologi
segmentasi dan rats segmentasi untuk segmentasi, terakhir di lakukan representasi kontur
menggunakan metode freeman. Mekanisme untuk meningkatkan hasil klasifikasi citra
X-Recognition rate = Citra yang diklasisfikasikan dengan tepat x 100%
Jumlah keseluruhan citra uji
ray terbaik didapat pada pencocokan dengan Jeffrey Divergence menggunakan Filter Fourier dan Morphologi Segmentasi yaitu mencapai nilai recognition rate 74%.
Dari hasil 16 pengujian metode menggunakan 100 gambar citra referensi dan 100 citra uji diperoleh hasil bahwa menggunakan metode Filter Fourier dengan Morphologi Segmentasi akan mendapatkan nilai terbaik yaitu 74% untuk teknik Jeffrey Divergence . Sedangkan menggunakan metode Citra Tanpa Filter dengan Rats Segmentasi akan mendapatkan hasil terburuk yaitu 30% untuk teknik Euclidean Distance. Pengujian dengan mengunakan teknik Euclidean Distance didapat nilai terbaik adalah 57% dan nilai terburuk 30%. Sedangkan dengan teknik Jeffrey Divergence didapat nilai terbaik 74% dan nilai terburuk 43%. Dari pengujian dapat dilihat bahwa nilai recognition rate teknik Jeffrey Divergence lebih baik dari pada teknik Euclidean Distance. Hasil pengujian menggunakan metode segmentasi morphologi menunjukan hasil yang lebih baik dibandingkan dengan menggunakan metode segmentasi rats. Hasil Pendekteksian ini masih kurang akurat disebabkan oleh perbedaan ukuran (scaling) dan rotasi (rotation) yang terjadi pada obyek citra yang diklasifikasi.
5.2 Saran
Pengklasifikasian citra masih memerlukan pengembangan lebih lanjut, seperti penggunaan metode penghitungan similaritas selain Euclidean Distance dan Jeffrey Divergence untuk mendapatkan hasil recognition rate yang lebih tinggi. Perbaikan metode filling sangat diperlukan karena hasil metode yang di terapkan tidak mengisi semua isi obyek dikarenakan terdapat wilayah kecil yang tertutup di didalam wilayah obyek. Perbaikan metode representasi kontur dengan freeman diperlukan karena terdapat perbedaan ukuran (scaling) dan rotasi (rotation) yang terjadi pada obyek citra yang diklasifikasi.
6. Daftar Pustaka
[1] Aryanto, Kadek Yota Ernanda & Ketut Eddy Purnam. 2009. Segmentasi Pembuluh Darah Pada Citra Retina Menggunakan Max-Tree Dan Attribut Filtering (SNATI), Yogyakarta.
[2] Bertalya, dkk, 2008. “Penggunaan Fitur Tekstur Lokal pada Klasifikasi Citra X-ray” Proceeding pada Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT), Universitas Gunadarma, Depok.
[3] Daskalakis, Antonis dkk. 2007. An Efficient CLAHE-Based, Spot-Adaptive, Image Segmentation Technique For Improving Microarray Genes’ Quantification. Athena, Yunani
[4] Deviani Rini, 2009. Analisis Segmentasi Citra X-ray Organ Tubuh Manusia Dengan dan Tanpa Perataan Histogram, Universitas Gunadarma, Depok.
[5] Gonzalez, R.C. & Woods, R.E., 2002. Digital Image Processing Second Edition, Prentice Hall, New Jersey.
[6] Kadir Abdul, dkk, 2008. Tuntutan Praktis Belajar Database Menggunakan MySQL, Andy, Yogyakarta.
[7] Lehmann, Gaetan. 2006. Robust Automatic Threshold Selection. Jouy en Josas , Prancis.
[8] Munir Rinaldi, 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung.
[9] Raharjo Budi, dkk, 2007. Mudah Belajar Java, Informatika, Bandung.
[10] Starck , Jean Luc dan Fionn Murtagh, 2001. Multispectral Image Restoration by the Wavelet-Karhunen-Loeve Transform. Prancis
[11] Wilkinson, Michael H. F. 1998. Optimizing Edge Detectors for Robust Automatic Threshold Selection : Coping with Edge Curvature and Noise. Groningen, Belanda.
[12] Zuiderveld & Karel, 1994. Graphics gems IV :Contrast limited adaptive histogram equalization. Academic Press Professional. San Diego