PENGGUNAAN FITUR TEKSTUR LOKAL PADA KLASIFIKASI CITRA X-RAY

Latar Belakang

Produksi citra medis di rumah sakit untuk membantu pekerjaan dokter dalam mendiagnosa penyakit pasien semakin meningkat tajam. Citra medis yang dihasilkan adalah citra yang diakuisisi dari peralatan medis X-ray, USG, MRI, fotografi, dan lain-lain. Hal ini, tentunya membutuhkan suatu mekanisme penyimpanan maupun retrieval citra medis dari database secara otomatis. Di samping itu proses pengklasifikasian citra medis sesuai dengan kriteria-kriteria pada domain medis masih dikerjakan secara manual menggunakan kepakaran para dokter atau radiologis. Pada saat proses pendokumentasian, kategori atau klas dari citra medis dianotasikan secara manual atau dengan memberikan kode khusus pada citra medis tersebut. Tentunya, hal ini akan menyebabkan proses pendokumentasian menjadi lambat serta informasi yang dihasilkan menjadi tidak akurat. Untuk menyelesaikan masalah ini dibutuhkan suatu mekanisme otomatis yang dapat mengklasifikasikan citra medis secara akurat dan cepat dari suatu citra queri terhadap klas citra yang telah didefinisikan sebelumnya berdasarkan karakteristik dari citra itu sendiri.

Perumusan Masalah

Bagaimana cara mempermudah pekerjaan dokter dalam mendiagnosa penyakit pasien dan cara mempermudah pendokumentasian dalam mendiagnosa penyakit pasien ?.

Tujuan

Supaya pekerjaan dokter dalam mendiagnosa dan mendokumentasikan penyakit pasien bisa dilakukan secara efisien, cepat, dan lebih akurat.

Metodelogi

Dalam penulisan ini dilakukan pengujian terdiri atas proses ekstraksi fitur tekstur dan proses pencocokan. Akan tetapi untuk meningkatkan keakuratan dalam proses ekstraksi fitur tekstur dengan menghindari area objek citra yang tidak relevan dengan area objek citra yang menjadi objek target, maka pada citra X-ray terlebih dahulu dilakukan proses segmentasi.

Inti Pembahasan

Pada percobaan digunakan 35 citra X-ray yang diuji untuk ditentukan klas

objek citra dan 7 citra X-ray yang ditentukan sebagai citra referensi dimana ketujuh citra yang berbeda ini mengindikasikan tujuh klas citra yang berbeda terdiri atas kepala, leher, dada, panggul, tulang belakang, tangan dan kaki. Hasil ekstraksi fitur tekstur third moment, uniformity dan entropy terhadap citra referensi.

Tahap selanjutnya, diimplementasikan kombinasi dari ketiga fitur tekstur, yakni kombinasi thirdmoment+ entropy(T+E), thirdmoment+ uniformity(T+U), dan uniformity+entropy(U+E). Kemudian proses pencocokan dengan menghitung similaritas antara vektor fitur dari ketiga kombinasi yang merepresentasikan citra uji dengan vektor fitur citra referensi dengan teknik pengukuran similaritas Euclidean distance dan Jeffrey Divergence . Ditunjukkan nilai recognition rate untuk kombinasi thirdmoment+ entropy dan thirdmoment+ uniformity lebih baik dibandingkan dengan kombinasi unformity+entropy. Karena di atas 30 %. Sedangkan untuk teknik penghitungan similaritas yang mempunyai nilai recognition rate yang tinggi untuk semua kombinasi adalah Jeffrey Divergence.

Kesimpulan

Dari hasil penelitian dapat disimpulkan bahwa fitur tekstur, khususnya untuk fitur tekstur yang diperoleh dari analisis distribusi statistik dari intensitas citra yakni kombinasi thirdmoment+ entropy dan thirdmoment+ uniformity dapat digunakan pada proses klasifikasi citra X-ray dengan recognition rate sebesar 37 %. Tingkat keakuratan yang diperoleh berada di bawah peneliti yang lain. Hal ini disebabkan perbedaan pada teknik pencocokan yang digunakan. Di samping itu juga perbedaan pada jumlah data citra yang digunakan. Untuk memperoleh hasil yang lebih baik akan diperbaiki pada kuantitas dan kualitas dari data citra X-ray yang diuji maupun pada citra referensi.

Penulis

Bertayla, Prihandoko, dan Djati Kerami

Tahun Terbit

2008

Penerbit

Gunadarma

Daftar Pustaka

[1] Gonzales, Rafael C, R.E. Woods and

S.L. Eddins, 2005, Digital Image

Processing Using MATLAB, Pearson

Education, India

[2] Guld, MO, D.Keysers, T.Deselaers, M.

Leisten, H. Schubert, H. Neys and

TM. Lehmann, 2004, “Comparison of

Global Features for Categorization of

Medical Images”, Proc. SPIE, 5371,

211-222

[3] Jain AK, Duin RPW, Mao J, 2000,

“Statistical Pattern Recognition: A

Review”, IEEE Transactions on

Pattern Analysis and Machine

Intelligence 22(1), 4-36

[4] Lehmann, TM, B. Wein, J.Dahmen,

J.Bredno, F.Vogelsang, and

M.Kohnen, 2000, “Content-Based

Image Retrieval in Medical

Applications: A Novel Multi-Step

Approach”, International Society for

Optical Engineering (SPIE), volume

3972 (32) , pp:312-320

[5] Lehmann, TM, MO. Guld, C. Thies, B.

Fischer, K. Spitzer, D. Keysers, H.

Ney, M. Kohnen, H. Schubert and BB.

Wein, 2004, “Content-based Image

Retrieval In Medical Applications”,

Methods of Information in Medicine,

43, 354-361

[6] Lehmann, TM, MO. Guld, T Deselaers,

D Keysers, H. Schubert, K Spitzer, S,

H. Ney, and BB. Wein, 2005,

“Automatic Categorization of Medical

Images for Content-based Retrieval

and Data Mining”, Computerized

Medical Imaging and Graphics,29,

143-155

[7] Long, F. H. Zhang and DD. Feng, 2003,

“Fundamentals of Content-Based

Image Retrieval”, Multimedia

Information Retrieval and

Management: Technological

Fundamentals and Applications

[8] Paredes,R, D. Keyaers, TM.Lehmann,

B.Wein, H.Ney and E.Vidal, 2002,

“Classification of Medical Images

Using Local Representation”, In

Meiler M, Saupe D, Kruggel, Handels

H, Lehmann TM (Hrsg)

Bildverarbeitung fur die Medezin,

Springer-Verlag, Berlin, 171-174

[9] Pinhas A and H Greenspan, 2003, “A

Continuous and Probabilistic

Framework for Medical Image

Representation and Categorization”,

Proceeding SPIE, 5371, 230-238