KLASIFIKASI NODULE PARU-PARU DARI CITRA CT-SCAN BERDASARKAN GRAY LEVEL C0-OCCURRENCE MATRIKS MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
KLASIFIKASI NODULE PARU-PARU DARI CITRA CT-SCAN
BERDASARKAN GRAY LEVEL C0-OCCURRENCE MATRIKS
MENGGUNAKAN PROBABILISTIC NEURAL NETWORK
1 2 3 Tri Deviasari Wulan , I Ketut Eddy Purnama , Mauridhi Heri Purnomo 1.
Institut Teknologi Sepuluh Nopember, Surabaya 2. Institut Teknologi Sepuluh Nopember, Surabaya 3. Institut Teknologi Sepuluh Nopember, Surabaya
Kontak Person:
Tri Deviasari Wulan
Kamput ITS Keputih, Sukolilo
Surabaya, 60111
Telp: 085733070118, E-mail: tridevie@gmail.com
Abstrak
Penelitian ini melakukan klasifikasi nodule paru-paru dari citra CT-scan berdasarkan tekstur fitur
yaitu menggunakan Gray Level Coocurrance Matriks (GLCM). Nodule paru-paru merupakan bercak-
bercak pada paru-paru yang digunakan sebagai salah satu tanda untuk mendiagnosis kanker paru-
paru. Nodule paru-paru ini tersebar diseluruh area paru dengan posisi yang acak, bentuk dan ukuran
yang beragam. Bercak-bercak ini kemudian akan berkembang dan mengganas menjadi kanker paru-
paru. Dalam citra CT-Scan tersebut terdapat banyak sekali bercak-bercak yang memiliki warna dan
ukuran seperti nodul paru tetapi bercak tersebut bukan nodul paru melainkan jaringan paru yang
lain.Oleh karena itu, tekstur Fitur merupakan metode analisis yang cocok digunakan untuk
mengetahui perbedaan karakteristik dari nodul paru-paru dan bukan nodul paru-paru. Salah satu
metode tekstur fitur yang terkenal adalah Gray Level Coocurrance Matriks (GLCM). Fitur yang
digunakan adalah Angular Second Moment (ASM), Kontras, Invers Different Moment (IDM), Entropi,
Korelasi dan Kontras. Fitur-fitur tersebut yang menjadi masukan pada proses klasifikasi.
Probabilistic Neural Network (PNN) digunakan untuk mengklasifikasi antara nodule paru-paru dan
bukan nodule paru-paru. Hasil pengujian menggunakan probabilistic neural network (PNN) memiliki
tingkat akurasi sebesar 85% dalam membedakan antara nodule dan bukan nodule, sehingga sistem ini
dapat dijadikan sebagai alat bantu bagi dokter untuk mempercepat proses diagnosis dan
meningkatkan pelayanan dibidang kesehatan.
Kata kunci: nodul paru-paru, Gray Level Coocurance Matriks (GLCM), Probabilistic Neural
Network (PNN) PendahuluanKanker adalah penyebab kematian utama di dunia. Data WHO menyebutkan bahwa sebesar 7,6 juta (13%) kematian di tahun 2008 disebabkan oleh kanker. Dari jumlah tersebut, kanker paru tergolong menduduki peringkat tertinggi. International Agency for Research on Cancer (IARC) dalam GLOBOCAN 2008, memperoleh data setidaknya 1,61 juta (12,7%) kasus kanker paru. Selain itu 1,38 juta (18,2%) kematian karena kanker, disebabkan oleh kanker paru, menjadikan kanker paru sebagai kanker yang paling mematikan.
Salah satu tanda yang sering digunakan untuk mendiagnosis kanker paru-paru adalah nodule atau bercak. Nodul pada paru paru adalah bercak-bercak yang tersebar di seluruh area paru paru dengan posisi yang acak, bentuk yang beragam dan ukuran yang tidak terdefinisi . Bercak-bercak ini kemudian akan berkembang dan mengganas menjadi kanker paru-paru.
Pemerikasaan kanker paru-paru salah satunya menggunakan CT-Scan. CT-Scan memiliki keunggulan menghasilkan citra yang lebih jelas dibandingkan dengan X-Ray dan mampu menampilkan citra kanker bahkan yang sangat kecil pada paru-paru. Hasil citra CT Scan pada umumnya diperiksa dan dianalisa oleh radiolog serta dokter spesialis yang bertugas untuk mempresentasikan gambar. Para radiolog dan dokter spesialis ini memiliki kesulitan dalam
IV-92 SENTRA
membedakan antara nodule paru-paru dan bukan nodule paru-paru.Hal ini dikarenakan nodule paru- paru memiliki kesamaan bentuk dan warna dengan objek bukan nodule. Dengan demikian diperlukan suatu sistem yang mampu mendeteksi nodule paru-paru secara otomatis sebagai alat bantu dari diagnosis radiolog dan dokter spesialis, sehingga dapat mempercepat waktu diagnosis dan meningkatkan pelayanan dibidang kesehatan. Masalah lain yang muncul adalah nodule paru-paru memiliki ukuran dan bentuk yang beragam yang tersebar secara acak pada paru-paru, segmentasi biasa saja dinilai kurang cocok digunakan untuk mendeteksi nodule paru-paru.
Beberapa penelitian telah dilakukan dalam melakukan segmentasi nodule paru-paru dengan beberapa metode. Penelitian telah dilakukan Ananda [1] tentang segmentasi nodule pada citra CT Paru-paru menggunakan max tree dan attribute filter. Pada penelitian citra CT paru dilakukan preprosessing kemudian proses pembangkitan max tree dan proses attribute filteringnya. Daerah nodule yang dihasilkan dari proses tersebut kemudian dibandingkan dengan hasil annotation dari radiolog yang terdapat database.
Penelitian lain dilakukan oleh Huan Wang, dkk [2] tentang model Multi Binomonal Logistic
Prediction pada nodule paru-paru ganas berdasarkan pada teksture feature pada citra CT Scan. Pada
penelitian ini segmentasi nodule dilakukan dengan dengan mencari Region of interest (ROI) nodule paru kemudian diekstrak menggunakan metode teksture feature yaitu gray level co-occurrence matriks (GLCM). Citra nodule paru-paru diekstrak dengan 14 fitur GLCM yaitu energy, inertia, inverse
Difference Moment, Entropy, Correlation, Cluster Tendency, Contrast, Homogenety, Variance,
Maximum probability, sun-mean, Difference-mean, Sum-Entropy, Difference-Entropy . Meskipun hasil
yang dilaporkan akurat, penelitian ini masih menggunakan analisis statistic untuk metode analisis klasifikasi antara nodule paru yang jinak dan ganas.
Pada penelitian ini dilakukan segmentasi nodule paru-paru dari citra CT-Scan berdasarkan analisis ekstraksi fitur menggunakan GLCM yaitu ASM, IDM, Entropi, Korelasi, kontras dan mengklasifikasikan nodule tersebut menggunakan, Probabilistik Neural Network (PNN). PNN dikembangkan oleh Donald Specht pada tahun 1990. PNN biasanya digunakan untuk masalah klasifikasi.
Metode Penelitian A. Data
Data yang digunakan dalam penelitian ini adalah citra hasil CT-Scan paru-paru yang diperoleh dari Lung Times Database, seperti ditunjukkan pada gambar 1.
Gambar 1. Citra CT-Scan Paru-Paru
Secara umum desain sistem metodologi penelitian untuk klasifikasi nodul paru-paru ditunjukkan pada Gambar 2.
Citra CT-Scan Paru
Cropping ROI
Ekstraksi Fitur
Klasifikasi
Gambar 2. Desain Sistem Metodologi Penelitian
B. Cropping Region of Interest (ROI)
Penentuan ROI dari citra CT paru adalah untuk mencari daerah nodule paru. ROI ini didapatkan dengan memasukkan nilai koordinat (x,y) yang ditandai sebagai nodule paru. Koordinat nodule paru diperoleh dari annotation yang telah diperiksa oleh radiologis yang terdapat pada lung times database.
Setelah didapatkan daerah ROI dari nodul paru pada citra CT Scan maka proses selanjutnya dilakukan proses cropping pada daerah tersebut, seperti ditunjukkan pada gambar 3. Dari proses cropping area nodule paru-paru yang kemudian akan dilakukan ekstraksi fitur dari nodule paru-paru menggunakan ekstraksi fitur.
Gambar 3. Hasil Cropping ROI Citra CT Paru-Paru C.
Ekstraksi Fitur
Ekstraksi fitur berfungsi untuk mencari karakteristik khusus yang dimiliki oleh citra. Ekstraksi fitur dalam penelitian ini menggunakan metode analisis tekstur yaitu gray level co-occurrence matriks. GLCM menggunakan perhitungan tekstur pada orde kedua. Pada orde kedua, hubungan antarpasangan dua piksel citra asli diperhitungkan [5].
Proses teksture feature ini bertujuan untuk mengetahui tekture fitur dari nodule paru-paru baik yang paru-paru normal maupun nodule kanker paru-paru. Pada penelitian ini fitur-fitur teksture yang akan dijadikan masukan dari sistem klasifikasi adalah ASM, IDM, Entropi, korelasi, dan kontras.
D. Klasifikasi
Klasifikasi pada penelitian ini menggunakan Probabilistic Neural Network (PNN) untuk membedakan antara nodule paru-paru dan bukan nodule paru-paru. Masukan dari PNN adalah fitur- fitur tekstur yang dihasilkan dari proses sebelumnya
Probabilistic Neural Network adalah suatu metode jaringan saraf tiruan (neural network) yang menggunakan pelatihan (training) supervised. PNN berasal dari jaringan Bayesian dan algoritma statistik bernama Kernel Fisher Discriminant Analysis. Secara garis besar, PNN mempunyai tiga lapisan yaitu:
1. Input layer Input layer merupakan layer data input bagi PNN.
2. hidden layer Pada layer ini menerima data dari input layer yang akan diproses dalam PNN.
3. output layer Pada layer ini, node output berupa binary yang menghasilkan keputusan klasifikasi.
Gambar 3. Layer pada PNN (Syahrin,2013)
IV-94 SENTRA
E. Perhitungan Akurasi
90 o 0.0518 0.0100
135 o 49.1731 357.6952
90 o 68.4615 140.4813
45 o 84.5769 79.0187
GLCM Nodule Bukan Nodule o 57.5000 165.0909
Kontrast
135 o 0.0518 0.0095
Perhitungan akurasi dari proses klasifikasi menggunakan persamaan : Dengan: 1.
True Positive (TP) yaitu data uji nodule paru dikenali sebagai nodule paru 2. True Negative (TN) yaitu data uji nodule paru dikenali sebagai bukan nodule paru 3. False Positive (FP) yaitu data uji bukan nodule paru dikenali sebagai nodule paru 4. False Negative (FN) yaitu data uji bukan nodule paru dikenali sebagai bukan nodule paru.
GLCM Nodule Bukan Nodule o 0.0607 0.0086
Tabel 1. Hasil Ekstrasi Fitur
ASM
Setelah mendapatkan area nodule paru dan bukan nodul paru dilakukan proses ekstraksi fitur menggunakan GLCM untuk mencari perbedaan tekstur dari nodul paru dan bukan nodul paru. Table 1 menunjukkan perbedaan hasil ekstraksi fitur nodul dan bukan nodul.
Gambar 4. Hasil Cropping ROI Daerah Nodul Paru
Pada penelitian ini citra dilakukan proses penentuan daerah nodul paru menggunakan ROI berdasarkan koordinat (x,y) yang telah dilampirkan pada annotation Lung Time Database. Gambar 4 menunjukkan hasil cropping daerah nodul paru.
Hasil Penelitian dan Pembahasan
45 o 0.0562 0.0091
Korelasi
GLCM Nodule Bukan Nodule o 0.0064 0.0030
IDM
GLCM Nodule Bukan Nodule o 0.1222 0.1348
45 o 0.1822 0.1604
90 o 0.1721 0.1268
135 o 0.0942 0.0822
Entropi
GLCM Nodule Bukan Nodule o 2.8480 4.7908
45 o 2.9127 4.7532
90 o 2.9774 4.6796
135 o 2.9774 4.7291
45 o
- 0.0074 0.0043
90 o
- 0.0018 0.0034 135 o
0.0077 0.0002 Dari table hasil ekstraksi fitur tersebut dilakukan klasifikasi menggunakan Probabilistik Neural
Network (PNN). Dalam proses ini digunakan 60 citra CT paru baik nodule paru-paru maupun bukan
nodule paru-paru yang terbagi menjadi 40 data citra CT paru yang digunakan sebagai proses pelatihan dan 20 data citra CT paru yang digunakan untuk proses pengujian.
Dari proses testing menggunakan PNN didapatkan hasil sebagai berikut :
True Positive (TP) = 14 True Negative (TN) = 3 False Positive (FP) = 3 False Negative (FN) = 0
Sehingga nilai akurasi dapat diperoleh dengan cara:
Kesimpulan
Pada penelitian ini telah dibahas tentang klasifikasi nodule paru-paru berdasarkan teksture fitur menggunakan Gray Level Co-occurrence Matriks dengan fitur yaitu ASM, kontras, entropi, IDM, dan korelasi. Metode PNN berhasil digunakan untuk mengklasifikasi antara nodule paru-paru dan bukan nodule paru berdasarkan tekstur fitur dengan nilai akurasi sebesar 85%. Nilai kontras bukan nodul memiliki nilai yang lebih tinggi dari pada nilai kontras nodule paru. Sedangkan untuk nilai IDM dan Entropi antara nodule paru dan bukan nodule paru-paru tidak memiliki perbedaan yang signifikan.
IV-96 SENTRA
Dengan demikian PNN dapat digunakan untuk klasifikasi antara nodule paru-paru dan bukan nodule paru-paru berdasarkan tekstur fitur.
Referensi
[1] Ananda.2012. Segmentasi Nodul Pada Citra CT Paru-Paru Menggunakan Max Tree dan Attribut Filter.ITS : Surabaya.
[2] Wang.H., Guo, X., Jia.Z., Li, H, dkk. 2010. Multilevel Binominal Logistic Prediction Model For
Malignant Pulmonary Nodules based on Texture Feature on CT Images. European Journal of Radiologi . pp 124-129
[3] IARC.2010.
Lung Cancer Incidence and Mortality Worldwide in 2008. http://globocan.iarc.fr/factsheets/cancers/lung.asp
[4] Kadir, Abdul, Susanto, Adhi. 2012. Pengolahan Citra Teori dan Aplikasi. Yogyakarta. [5]
Cucun Very Angkoso.,Ingrid Nurtanio., dkk. 2011. Analisa Tekstur Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia. The 12 th Seminar on Intelligent Technology and Its Application. ISSN: 2088-4796M.
[6] Shao-hu Peng.,Deok-Hwan Kim.,dkk. 2010. Texture Feature Extraction Based on a Uniformity
Estimation Method For Local Brightnessdand Structure in Chest Images.Computers in Biomogi and Medicine. Pp 931-942. [7] Kusumadewi Sri.2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab dan Excel Link.
Graha Ilmu : Yogyakarta. [8]
Syahrin Yusnia Alfi.2013. Probabilistic Neural Network (PNN). Sistem Komputer . Universitas Diponegoro