Kajian Pengolahan Citra untuk Analisis K

Prosiding – Seminar Nasional Ilmu Komputer 2014
ISBN:XXXX

Kajian Pengolahan Citra untuk Analisis Kanker Paru –
paru
Maria Mediatrix1, Teguh Bharata Adji2, Hanung Adi Nugroho3
Jurusan Teknik Elektro dan Teknologi Informasi
Universitas Gadjah Mada
Jl. Grafika No.2 Yogyakarta - 55281
Maria.mediatrix.mti13@mail.ugm.ac.id, adji.tba@gmail.com2, hanung@te.ugm.ac.id3

Abstract1— Lung cancer is a type of cancer that
has a high mortality rate in the world. There are two
types of lung cancer that are small cell lung cancer
and non-small cell lung cancer. Lung cancer
diagnosis can be done by physical examination, X-ray,
and Computed Tomography (CT) scans. An early
detection of lung cancer can reduce the dead rate.
However, radiologists can also make mistakes in
distinguishing normal and lung that contain nodule.
Therefore, we need a system that can detect lung

cancer for helping the experts to get more accurate
diagnosis. This paper presents several methods that
can be used for segmentation, extraction and image
classification so it can produce a more precise and
accurate diagnosis. Based on the study, the
classification has high degree of accuracy reached
97,55%, 85,91% sensitivity and 97,70% specificity.
Keywords— CT image, lung cancer, nodule detection

K

1. PENDAHULUAN

anker paru-paru merupakan salah satu
jenis kanker yang memiliki tingkat
kematian yang tinggi di dunia. American Cancer
Society mengestimasi kanker paru-paru di
Amerika Serikat pada tahun 2014 adalah sekitar
224.210 kasus (116.000 pria dan 108.210 wanita)
dan yang meninggal 159.260 (86.930 pria dan

72.330 wanita) [1]. Kanker merupakan
pertumbuhan dan penyebaran sel-sel abnormal
yang memiliki karakteristik yang khas. Kanker
yang
sudah
menyebar,
biasanya
akan
menyebabkan kematian. Kanker paru-paru lebih
sering menyebabkan pria meninggal dibanding
kanker lain, dan yang sering menjadi penyebab
kanker paru-paru adalah merokok [2]. Kanker
paru-paru terdiri dari kanker paru-paru sel kecil
1
Maria Mediatrix S. , Program Studi S2 Teknik Elektro, Jurusan
Teknik Elektro dan Teknologi Informasi UGM, Jl. Grafika No.2,
Sleman, Yogyakarta (maria.mediatrix.mti13@mail.ugm.ac.id).

(SCLC) dan kanker paru-paru non-sel kecil
(NSCLC) [1].

Kanker paru-paru sel kecil cenderung
tumbuh dan berkembang lebih lambat jika
dibandingkan dengan kanker paru-paru non-sel
kecil yang memiliki tingkat pertumbuhan yang
pesat dan cepat menyebar ke pembuluh darah
menuju anggota tubuh lainnya. Biasanya
penyebaran kanker paru-paru menuju kelenjar
getah bening, otak, tulang, hati dan kelenjar
adrenal. Kanker paru-paru non sel kecil terdiri
dari beberapa jenis yaitu Squamous cell
(epidermoid) carcinoma, Adenocarcinoma, dan
Large cell (undifferentiated) carcinoma. Kanker
paru-paru sel kecil terdiri dari Small cel
carcinoma dan Combined small cel carcinoma
[1].
Pendeteksian dini kanker paru-paru akan
sangat membantu penderita agar bisa sembuh.
Salah satu cara yang digunakan untuk mendeteksi
kanker paru-paru ialah melalui pemeriksaan CT
Scan (Computed Tomography). Citra dari CT

Scan akan memberikan hasil yang berbeda antara
paru-paru yang normal dan yang tidak normal,
seperti kanker paru-paru sekaligus stadium dari
kanker paru-paru tersebut. Proses pemeriksaan
dengan cara ini tentu saja membutuhkan
peralatan yang cukup kompleks, mahal dan
memerlukan tenaga ahli dalam proses
pengerjaannya. Bahkan tenaga ahli juga dapat
melakukan kesalahan dalam membedakan antara
paru-paru yang normal dan yang tidak normal
[3]. Oleh karena itu, banyak peneliti telah
memberikan berbagai alternatif solusi yang dapat
membantu para dokter dengan memanfaatkan
berbagai teknik pengolahan citra.
2. STUDI PUSTAKA

Prosiding – Seminar Nasional Ilmu Komputer 2013
ISBN:XXXX

Dataset diperoleh dari The Lung Image

Database Consortium (LIDC-IDRI) yang terdiri
dari skrining CT scan kanker paru-paru. Citra
yang diperoleh memiliki format DICOM (Digital
Imaging and Communications in Medicine) dan
berukuran 512x512. LIDC merupakan website
internasional yang dapat diakses untuk
pengembangan, pelatihan dan evaluasi diagnostik
untuk mendeteksi dan mendiagnosis kanker paruparu [4]. Oleh sebab itu, dataset ini sering
digunakan di berbagai penelitian untuk
mendeteksi kanker paru-paru [4], [9], [18]. Tahap
deteksi
kanker
paru-paru
terdiri
dari
preprocessing, ekstraksi ciri, segmentasi dan
klasifikasi.
2.1. Preprocessing
Tahap yang paling mendasar yang perlu
dilakukan adalah tahap preprocessing yang

bertujuan untuk menyiapkan citra sebelum
diolah. Gomathi dan Thangaraj (2010) [5][6],
menggunakan teknik bit-plane slicing yang
bertujuan untuk mengubah citra grayscale
menjadi citra biner untuk mempermudah
pengolahan. Erosion untuk meningkatkan
kualitas citra untuk mengurangi noise (gangguan)
dari citra tersebut. Dilation dan median filter
untuk melakukan perbaikan citra lebih lanjut
terhadap distorsi lainnya. Outlining untuk
menentukan bentuk garis area yang diperoleh
dari pengurangan noise. Lung border extraction
untuk memperoleh area perbatasan paru-paru.
Selanjutnya, flood fill algorithm untuk mengisi
perbatasan paru-paru.
2.2. Ekstraksi ciri
Penelitian untuk mendeteksi kanker paruparu dilakukan melalui beberapa tahap. Tahap
yang paling mendasar adalah ekstraksi area paruparu. Tujuan utama dari ekstraksi adalah untuk
mendeteksi area paru-paru dan Region of Interest
(ROI) dari citra CT [5]. Tahap ekstraksi ini dapat

dilakukan dengan berbagai teknik, misalnya
Region Growing [7], Large Nodule Filter (LNF),
Constrained Sliding Band Filter (CSBF), dan
Outlier Area Filter (OAF) [8], kombinasi
Gaussian Filter dan Median Filter [9], dan
transformasi wavelet[10].
Pada tahun 2009, Yang Liu, dkk [11],
mengusulkan analisis peningkatan voxel untuk
citra 3D. Teknik ekstraksi 3D Selective
Enhancement
Filter
digunakan
untuk
mendapatkan nodul voxel awal. Tetapi, karena
terlalu banyak area False Positive (FP) yang

dihasilkan dalam Nodule Enhanced, maka perlu
untuk menambahkan metode seleksi fitur yang
mampu mengurangi tingkat FP.
Ekstraksi ciri menggunakan pendekatan

Region Growing, dilakukan oleh Ferreira dkk
(2010) [12] dan Elizabeth dkk (2012) [3]. Metode
ini [3] dibandingkan metode yang digunakan oleh
[5] yang hanya menggunakan fitur berdasarkan
daerah dan intensitas klasifikasi.
Saksono, dkk(2010) [2] juga melakukan
ekstraksi
ciri
dengan
menggunakan
menggunakan transformasi wavelet haar karena
metode ini dapat merepresentasikan ciri tekstur
dan bentuk serta waktu komputasi yang lebih
kecil dibanding jenis wavelet lainnya.
Transformasi wavelet juga diusulkan oleh AlAbsi dkk (2012) [10]. Mereka menggunakan
wavelet Haar, Daubechies dan Symlet untuk
menguji metode yang diusulkan.
Teknik yang berbeda diusulkan oleh Gergely
Orban, dkk (2012) [8] yaitu Nodule Enhancement
menggunakan algoritme Large Nodule Filter

(LNF), Constrained Sliding Band Filter (CSBF),
dan Outlier Area Filter (OAF). Pada tahun yang
sama, R. Nagata, dkk [13] juga mengusulkan
teknik Nodule Enhancement menggunakan
Laplacian of Gaussian (LoG) filter. Kemudian,
Antonio Oseas dkk (2014) [9], juga menggunakan
teknik Enhancement yang mengkombinasikan
Gaussian Filter dan Median Filter.
2.3. Segmentasi
Tahap lanjutan setelah ekstraksi adalah
segmentasi yaitu proses membagi suatu citra ke
dalam komponen-komponen region atau objek
[14]. Level pembagian tergantung pada masalah
yang diselesaikan. Maka segmentasi seharusnya
berhenti ketika objek yang diinginkan telah
terisolasi [15]. Algoritme segmentasi citra
umumnya didasarkan pada satu dari dua properti
nilai intensitas yaitu diskontinuitas yang
memecah/memilah citra berdasarkan perubahan
kasar dalam intensitas seperti tepi citra, dan

similaritas yang memecahkan citra ke dalam
area-area yang serupa sesuai dengan kriteria awal
yang diberikan [14] [15]. Gambar 1
menunjukkan hasil segmentasi citra CT.

Gambar 3. Hasil segmentasi citra CT[11]

Prosiding – Seminar Nasional Ilmu Komputer 2014
ISBN:XXXX

Pada tahun 2010, Gomathi dan Thangraj [5]
[6] [16] mengusulkan pendekatan segmentasi
citra menggunakan algoritme Modified Fuzzy CMeans (FCM) dan Fuzzy Possibilistic C-Means
(FPCM). Metode segmentasi yang sama juga
digunakan oleh Sivakumar S. dan C.
Chandrasekar (2013) [4], mengusulkan sebuah
sistem untuk mendeteksi nodul pada paru-paru
dengan menggunakan Fuzzy Clustering.
Jiantao Pu, dkk(2011) [17] mengusulkan
strategi analisis bentuk yang disebut “break-andrepair” untuk memfasilitasi segmentasi citra

medis secara otomatis. Strategi “break-andrepair” yang diusulkan terdiri dari tiga tahap
utama yaitu : modelling (pemodelan), “break”,
dan “repair”.
Pada tahun yang sama, Maxine Tan dkk [18],
menyajikan sistem CAD untuk mendeteksi nodul
paru-paru pada citra CT.Tahap deteksi sistem
terdiri dari segmentasi nodul berdasarkan
peningkatan penyaringan nodul dan pembuluh
darah, dan menghitung fitur divergensi untuk
mencari pusat-pusat klaster nodul.
Shanhui Sun, dkk(2012) [19] menggunakan
algoritme pencocokan Robust Active Shape
Model (RASM) untuk menghasilkan sebuah
segmentasi
paru-paru.
Algoritme
ini
dibandingkan dengan algoritme Active Shape
Model.
Stelmo
Magalhaes
dkk
(2012)
[7],
mengembangkan metode segmentasi nodul paruparu yang terdiri dari dua tahap. Tahap pertama
adalah pengelompokkan struktur padat melalui
penerapan Growing Neural Gas (GNG). Tahap
kedua adalah pemisahan struktur yang
menyerupai nodul pada paru-paru dari struktur
lainnya, seperti pembuluh darah dan bronkus.
Wook-Jin Choi dkk (2012) [20], mengusulkan
segmentasi menggunakan thresholding dan
komponen pelabelan 3D yang terhubung,
ekstraksi area paru dan koreksi kontur.
K. Kancherla dan S. Mukkamala (2013) [21],
melakukan segmentasi menggunakan metode
segmentasi Seeded Region Growing. Nima
Torbati dkk (2014) [22], menyajikan suatu
metode jaringan saraf (neural network) untuk
segmentasi citra medis.
3. METODE-METODE DETEKSI KANKER
PARU-PARU

Teknik pengolahan citra untuk mendeteksi
kanker paru-paru dapat dilakukan dengan
berbagai cara. Berbagai teknik tersebut memiliki
kelebihan dan kekurangan dalam hal akurasi,
sensitivitas, spesifisitas serta dalam hal
penguragan tingkat FP.
Menurut Sun, dkk [19], menggunakan
algoritme pencocokan Robust Active Shape
Model (RASM) untuk menghasilkan sebuah
segmentasi paru-paru. Tahap awal, metode
pencocokan RASM digunakan untuk segmentasi
garis paru-paru. Kemudian, posisi awal RASM
ditentukan dengan metode deteksi tulang rusuk.
Kedua, pendekatan optimal surface finding
digunakan untuk mengadaptasi hasil segmentasi
awal. Algoritme ini dibandingkan dengan
algoritme Active Shape Model. Pendekatan
pencocokan RASM yang diusulkan melebihi
pendekatan standar ASM. Bahkan pada paru-paru
normal, RASM memberikan kinerja yang unggul,
bahkan dapat menangani data yang hilang.
Elizabeth dkk [3], mengusulkan metode
ekstraksi
parenkim
paru
menggunakan
pendekatan
region-growing,
segmentasi
menggunakan algoritme Greedy Snake. Hasil
segmentasi menjadi masukan kepada Neural
Network terlatih, yang mengklasifikasikan nodul
sebagai jinak atau ganas. Dari hasil yang
diperoleh, diketahui bahwa meskipun tidak ada
peningkatan yang signifikan dalam True Positive
(TP), membuang bagian yang tidak perlu dengan
analisis irisan yang paling signifikan saja untuk
setiap ROI yang telah menghasilkan pengurangan
FP dalam sistem yang diusulkan.
Gomathi dan Thangaraj [5] [16] melakukan
segmentasi area paru-paru untuk menemukan
nodul kanker menggunakan Fuzzy Possibilistic C
Mean (FPCM). Kemudian, [5] menggunakan
Extreme Learning Machine (ELM) karena
klasifikasinya yang lebih baik. Teknik yang
diusulkan mendeteksi 10 nodul kanker dengan
benar. Area FP juga dapat dideteksi. Tetapi
berdasarkan teknik tersebut maka citra yang telah
diubah tidak dapat dikembalikan lagi ke bentuk
semula.
Kemudian, mereka kembali melakukan
penelitian [6] dengan mengusulkan metode
segmentasi yang sama [5] [16]. Teknik Support
Vector Machine (SVM) digunakan untuk
mengklasifikasi nodul kanker. Eksperimen
menggunakan data yang terdiri dari 1000 citra
paru-paru. Teknik yang diusulkan mendeteksi 9
nodul kanker dengan benar. Wilayah False
Positive terdeteksi oleh sistem CAD yang

Prosiding – Seminar Nasional Ilmu Komputer 2013
ISBN:XXXX

diusulkan adalah 117 artinya area false positive
dapat dideteksi dengan baik. Hasil ini lebih baik
jika dibandingkan dengan sistem CAD
konvensional.
Sivakumar S. dkk[4], juga mengusulkan
sebuah sistem untuk mendeteksi nodul pada paruparu dengan menggunakan Fuzzy Clustering dan
Support Vector Machine. Tahap awal yang
dilakukan adalah segmentasi citra menggunakan
algoritme Fuzzy C-Means (FCM) standar, FuzzyPossibilistic C-Means dan Weighted FuzzyPossibilistic C-Means (WFPCM) pada CT citra
paru-paru. Dari fitur citra yang tersegmentasi,
diekstraksi dan fitur ini digunakan sebagai
masukan
pada
SVM
classifier.
SVM
menggunakan tipe kernel yang berbeda seperti
linear, polynomial dan RBF (yang akan
dibandingkan).
Chen dan Suzuki[25], yang mengembangkan
skema CAD dengan peningkatan sensitivitas dan
spesifitas dengan menggunakan radiografi dada
Virtual Dual Energy (VDE) dimana tulang rusuk
dan klavikula ditekan dengan Massive Training
Artificial Neural Networks (MTANN). Untuk
mengurangi kesalahan false positive pada tulang
rusuk dan mendeteksi nodul tulang rusuk yang
tumpang tindih, maka dimasukkan teknologi VDE
dalam skema CAD yang diusulkan. Teknologi
VDE menekan tulang rusuk dan kekeruhan
klavikula CXR dengan mempertahankan opasitas
jaringan lunak, menggunakan teknik MTANN
yang telah dilatih dengan pencitraan dual-energi.
Skema nodul yang terdeteksi pada citra VDE
menggunakan sebuah teknik filtering morfologis.
60 morfologi dan level fitur keabuan diekstraksi
dari masing-masing kandidat dari citra VDE dan
CXR yang asli. Support Vector classifier non
linier digunakan untuk klasifikasi kandidat nodul.
Skema asli tanpa teknologi VDE dicapai
sensitivitas 78,6% dengan 5 citra false positive.
Dengan menggunakan teknologi VDE, nodul
yang tumpang tindih dengan rusuk atau klavikula
terdeteksi dan sensitivitas meningkat secara
substansial hingga 85% pada tingkat false
positive yang sama dalam uji validasi bersilang,
sedangkan tingkat false positive dikurangi
menjadi 2,5 per citra pada tingkat sensitivitas
yang sama seperti skema CAD asli yang
diperoleh. Sensitivitas skema CAD berbasis VDE
untuk nodul halus (66,7%) secara statistik lebih
signifikan dari skema CAD yang asli (57,1%).
Oleh karena itu, dengan menggunakan teknologi
VDE, sensitivitas dan spesifisitas CAD yang
diusulkan dapat mendeteksi nodul, terutama nodul

halus pada CXR yang ditingkatkan secara
substansial.
Magalhaes dkk [7], juga melakukan klasifikasi
dengan menggunakan metode SVM. Metode yang
diusulkan terdiri dari akuisisi citra CT paru-paru,
pengurangan volume dari area yang diperhatikan
menggunakan sebuah teknik untuk ekstraksi
thoraks, ekstraksi paru-paru, dan rekonstruksi
bentuk asli parenkim. Setelah itu, Growing
Neural Gas (GNG) diterapkan untuk membatasi
struktur yang lebih padat dari parenkim paru
(nodul, pembuluh darah, bronkus, dll). Tahap
selanjutnya adalah pemisahan struktur yang
menyerupai nodul pada paru-paru dari struktur
lainnya, seperti pembuluh darah dan bronkus.
Struktur diklasifikasikan sebagai nodul atau
bukan nodul, melalui bentuk dan tekstur
pengukuran dengan SVM. Metode ini dilakukan
selama 10 percobaan pelatihan dan pengujian
sampel dari 48 nodul yang terjadi di 29 pengujian.
Tingkat False Positive per pengujian adalah 0,138
untuk 29 pengujian yang dianalisis. Metode yang
diusulkan didasarkan pada teknik yang sederhana,
mudah diimplementasi dan biasanya cepat.
Ferreira dkk[12], mengusulkan metode deteksi
nodul paru-paru yang terdiri dari enam tahap,
ekstraksi toraks, ekstraksi paru-paru, rekonstruksi
paru-paru, ekstraksi struktur, eliminasi struktur
tubular, dan pengurangan false positive. Pada
tahap ekstraksi thorax, semua artefak eksternal
akan dibuang dari tubuh pasien. Struktur akan
diidentifikasi menggunakan algoritme region
growing 2-D. Tahap ekstraksi paru-paru
digunakan untuk identifikasi parenkim paru.
Tujuan dari tahap rekonstruksi paru adalah untuk
mencegah salah penghapusan bagian parenkim.
Tahap ini menerapkan dua langkah yaitu
mengidentifikasi dan menghilangkan jaringan
parenkim yang kurang padat dan memisahkan
masing-masing struktur tiga dimensi yang
ditemukan sehingga dapat diproses secara
individual. Tahap ekstraksi fitur terdiri dari
pemilihan struktur yang padat dari dalam
parenkim paru. Tahap berikutnya, eliminasi
struktur tubular menghilangkan sebagian besar
pohon paru. Tahap false positive dengan
menghilangkan nodul paru yang salah dengan
menggunakan SVM. Masing-masing dari
beberapa tahap memiliki tujuan yang sangat
spesifik dalam deteksi nodul paru-paru tertentu,
tingkat pencocokan yang baik bahkan dalam
keadaaan sulit mendeteksi.
Antonio Oseas dkk[9], juga mengusulkan
metode klasifikasi menggunakan SVM. Tahap

Prosiding – Seminar Nasional Ilmu Komputer 2014
ISBN:XXXX

pertama, ekstraksi dan rekonstruksi parenkim
paru dilakukan dan kemudian ditingkatkan untuk
menyoroti strukturnya. Ekstraksi dilakukan
dengan Gaussian Filter dan Median Filter. Tahap
kedua, kandidat nodul disegmentasi. Tahap ketiga,
bentuk dan tekstur fitur diekstrak, dipilih dan
kemudian diklasifikasikan menggunakan SVM.
Pada tahap pengujian dengan 140 data dari Lung
Image Database Consortium, 80% diantaranya
adalah untuk pelatihan dan 20% untuk pengujian.
Berbeda dengan penelitian-penelitian lainnya,
J. Pu, dkk [17], mengusulkan strategi analisis
bentuk yang disebut “break-and-repair” untuk
memfasilitasi segmentasi citra medis secara
otomatis. Strategi “break-and-repair” yang
diusulkan terdiri dari tiga tahap utama yaitu :
modelling (pemodelan), “break”, dan “repair”.
Tahap pertama ekstrak ROI dan direpresentasikan
sebagai model permukaan. Tahap kedua,
melakukan identifikasi dan menghapus area yang
bermasalah yang bukan bagian dari struktur
anatomi yang bersangkutan atau berpotensi
menghambat kelancaran atau segmentasi yang
lengkap. Tahap ketiga “repairing” (memperbaiki)
area yang mencurigakan. Algoritme Cubes
Marching (MCA) digunakan untuk ekstrak dan
merepresentasi struktur anatomi. Hasil dari
penilaian awal menunjukkan kelayakan umum
dan ketahanan strategi dalam segmentasi.
Pendekatan lain dilakukan oleh Eva M.
dkk[23], yang menyajikan sebuah metode
otomatis untuk mengidentifikasi lobus paru-paru
dan segmen paru pada data CT 3-D. Tahap awal
dimulai dengan segmentasi paru-paru berdasarkan
wilayah perkembangan. Selanjutnya, celah paru
diekstrak oleh filter supervised. Kemudian, lobus
paru-paru diperoleh dengan klasifikasi voxel
dimana posisi voxel di paru-paru dan relatif
terhadap celah yang digunakan sebagai fitur.
Akhirnya, masing-masing lobus dibagi dalam
segmen paru dengan menerapkan klasifikasi
voxel yang lain yang menggunakan fitur
berdasarkan celah yang terdeteksi dan posisi
relatif voxel di lobus. Metode ini telah dievaluasi
pada 100 CT scan yang diperoleh dari percobaan
penyaringan dari kanker paru-paru dan
dibandingkan dengan perkiraan dari para
pengamat. Metode ini mencapai akurasi yang
tinggi (77%), tetapi jika dibandingkan dengan
metode lain, metode ini masih perlu
dikembangkan agar dapat menghasilkan akurasi
yang lebih akurat.
Menurut Abdullah dkk[24], dalam mendeteksi
dan mendiagnosis nodul kanker paru-paru pada

citra X-ray terkadang tersamar oleh struktur
anatomi, rendahnya kualitas gambar atau pun
karena kriteria variabel keputusan yang
digunakan oleh dokter. Oleh karena itu,
dikembangkan pendekatan Cellular Neural
Network (CNN) template simulation untuk
membantu para dokter dalam mengenali area
kanker paru-paru dalam citra x-ray. Metode ini
menggunakan CNN Visual Mouse versi 4.1 yang
merupakan kerangka kerja perangkat lunak untuk
teknologi CNN berdasarkan konsep Mouse Visual
(VisMouse). Parameter yang digunakan dalam
CNN disebut template, yaitu median template,
HeatDiffusion template, Hole-Filling template,
Peel template, LogANDOperation template,
Smoothing template, dan Edge Detection
template. Jika template berubah, output juga akan
berubah. Hasil eksperimen menunjukkan adanya
kanker dan telah dibuktikan oleh ahli radiologi
dan
ahli
medis.
Kemungkinan
untuk
menggunakan metode ini lebih tinggi untuk
mendiagnosa gejala kanker paru-paru dari
radiografi dada. Kinerja algoritma CNN
diverifikasi untuk mendeteksi daerah dan batas
daerah kanker paru-paru.
Menurut Al-Absi dkk[10], mengusulkan
teknik Machine Learning yang digunakan untuk
mengembangkan system CAD untuk mendeteksi
kanker paru-paru. Sistem terdiri dari tahap
ekstraksi fitur, tahap seleksi fitur, dan tahap
klasifikasi. Untuk ekstraksi fitur seleksi, fungsi
wavelet (haar, daubechies, symlet) telah
diterapkan untuk menemukan akurasi tertinggi.
Algoritme klasifikasi K-Nearest Neighbor
dikembangkan untuk melakukan klasifikasi.
Dataset radiografi dada diperoleh dari JSRT
(Japanese Society of Radiological Technology)
digunakan untuk menguji metode yang diusulkan.
Dataset terdiri dari 247 radiografi dada dimana
154 citra terdapat nodul (abnormal) dan 93 citra
tidak
terdapat
nodul
(normal).
Sistem
dikembangkan menggunakan MATLAB yang
diuji dengan berbagai fungsi wavelet untuk
menentukan fungsi dan level untuk menghasilkan
hasil yang optimal
Sedangkan Orban, dkk [8], mengusulkan
skema CAD untuk ekstraksi kanker paru-paru.
Tiga algoritme Large Nodule Filter (LNF),
Constrained Sliding Band Filter (CSBF), dan
Outlier Area Filter (OAF) disajikan untuk
mendapatkan nodul kecil, besar dan area yang
disusupi, kemudian hasilnya digabungkan.
Langkah pertama adalah segmentasi area yang
dapat dilihat pada paru-paru dan memisahkan

Prosiding – Seminar Nasional Ilmu Komputer 2013
ISBN:XXXX

citra dari bayang-bayang tulang. Langkah kedua
disebut peningkatan lesi, menyoroti struktur yang
mencurigakan seperti nodul pada paru-paru yang
menjadi sasaran dan area yang disusupi dengan
menggunakan algoritme pengolahan citra dan
klasifikasi menggunakan SVM. Tetapi, belum
dijelaskan tingkat akurasi, sensitivitas dan
spesifisitas yang dicapai.
Selain penelitian-penelitian diatas, Kancherla,
dkk[21], juga menyajikan sebuah metodologi
deteksi dini kanker paru-paru menggunakan
nucleus
based
features.
Penelitian
ini
menggunakan Tetrakis Carboxy Phenyl Porphine
(TCPP) sebagai pendekatan alternatif untuk
deteksi dini kanker paru-paru. Tahap awal, sampel
dahak pasien diberi label dengan TCPP dan dan
diambil sampel citra fluorescent. TCPP adalah
porfirin yang dapat membantu dalam pelabelan
sel-sel kanker paru-paru dengan meningkatkan
jumlah lipoprotein densitas rendah pada
permukaan kanker. Penelitian ini menggunakan
teknik machine learning dalam konteks deteksi
kanker paru-paru pada dataset Biomoda.
Diperoleh hasil 81% menggunakan 71 fitur yang
berhubungan dengan
bentuk, intensitas dan
warna. Dengan menambahkan nucleus segmented
features maka akurasi dapat ditingkatkan hingga
87%.
Segmentasi
nucleus
dilakukan
menggunakan metode segmentasi Seeded Region
Growing. Hasil menunjukkan bahwa nucleus
segmented features berpotensial untuk mendeteksi
kanker paru-paru.
Selanjutnya, Y. Liu, dkk[11], mengusulkan
analisis
peningkatan
voxel
dalam
3D
menggunakan pendekatan CAD. Metode ini
terdiri dari berbagai tahap, segmentasi bidang
paru dengan mengkombinasikan bounding box
dan segmentasi threshold, peningkatan kandidat
nodul, peningkatan ekstraksi fitur voxel, dan
klasifikasi voxel dengan Support Vector Machine
dan aturan keputusan nodul. Dua dataset nodul
kanker digunakan untuk mengevaluasi kinerja
skema. Untuk memperhalus batas area segmentasi
paru digunakan algoritme Rolling Ball. Skema
CAD memperoleh tingkat sensitivitas dan
spesifisitas yang tinggi.
Sedangkan
Wook-Jin
Choi
dkk[20],
mengusulkan sistem deteksi nodul paru berbasis
Genetic Programming (GP). Sistem yang
diusulkan terdiri dari tiga tahap. Pada tahap
pertama,
volume
paru-paru
disegmentasi
menggunakan thresholding dan komponen
pelabelan 3D yang terhubung, ekstraksi area paru
dan
koreksi
kontur.
Tahap
kedua,

mengoptimalkan berbagai thresholding dan
pemangkasan rule-based diterapkan untuk
mendeteksi dan meng-segmen kandidat nodul.
Dalam tahap ini, satu set fitur diesktrak dari
kandidat nodul yang dideteksi, kemudian fitur 3D
dan 2D dipilih. Pada tahap terakhir,
pengklasifikasi GP (GPC) dilatih dan digunakan
untuk mendeteksi nodul karena dianggap sebagai
teknik yang fleksibel dan kuat sehingga GPC
dapat secara optimal menggabungkan fitur yang
dipilih, fungsi matematika dan konstanta secara
acak. Kinerja dari sistem ini kemudian dievaluasi.
Selanjutnya penelitian yang dilakukan Torbati
dkk[22], mengusulkan suatu metode jaringan
saraf (neural network) untuk segmentasi citra
medis. Tahap pertama, jaringan self-organizing
map (SOM) yang disebut Moving Average SOM
(MA-SOM) digunakan untuk segmentasi citra
medis. Setelah tahap segmentasi awal, proses
penggabungan dirancang untuk menghubungkan
objek bersama-sama. Transformasi Wavelet
Diskrit 2D digunakan untuk membangun fitur
input pada jaringan. Fitur umum dari citra
masukkan dianalisis menggunakan 2D-DWT,
Network training, segmentation dan merging
process. Hasil eksperimen menunjukkan bahwa
MA-SOM tahan terhadap noise dan mampu
menentukan pola citra masukkan dengan benar.
Hasil segmentasi breast ultrasound images (BUS)
menunjukkan bahwa ada hubungan yang
signifikan antara area tumor yang dipilih oleh
dokter dan area tumor yang disegmentasi dengan
metode yang diusulkan. Selain itu, metode ini
dapat meng-segmen citra X-ray Computerized
Tomography (CT) dan Magnetic Resonance jauh
lebih baik daripada Incremental Supervised
Neural Network (ISNN) dan metode SOM.
Sementara itu, M. Tan dkk[18], menyajikan
sistem CAD untuk mendeteksi nodul paru-paru
pada citra CT. Sistem CAD dilatih dan diuji pada
citra yang diperoleh dari Lung Image Database
Consortium (LIDC). Tahap deteksi sistem terdiri
dari segmentasi nodul menggunakan selective
nodule and vessel enhancement filter. Berikutnya
tahap klasfikasi, fitur invariant, didefinisikan
pada alat tolak ukur koordinat sistem, yang
digunakan untuk membedakan antara nodul nyata
dan beberapa deteksi bentuk pembuluh darah
yang mudah menghasilkan false positive. Kinerja
klasifikasi
feature-selective
berdasarkan
algoritme genetika dan artificial neural network
dibandingkan dengan dua klasifikasi yang lain
yaitu, support vector machine dan fixed topology
neural network.

Prosiding – Seminar Nasional Ilmu Komputer 2014
ISBN:XXXX

D. S. Elizabeth,
dkk[3]

4. PEMBAHASAN
Tahap untuk mendeteksi kanker paru-paru
diawali dengan proses ekstraksi area paru-paru
untuk mendapatkan ROI dari citra paru-paru,
proses segmentasi dan klasifikasi. Ketiga tahap
tersebut disajikan dengan berbagai metode
dengan tujuan untuk mendapatkan akurasi yang
lebih tinggi. Rangkuman metode-metode tersebut
ditampilkan dalam tabel berikut.

M. Gomathi dan
Dr.
P.
Thangaraj[5]

TABEL 1. METODE EKSTRAKSI

Author

Ekstraksi

Gergely
Orban
dan
Gabor
Horvath[8]

Large Nodule Filter (LNF),
Constrained Sliding Band Filter
(CSBF), dan Outlier Area Filter
(OAF)
Two-Dimensional
Discrete
Wavelet Transform
Laplacian of Gaussian Filter

Nima
Torbati,
dkk[22]
Ryoichi Nagata,
dkk[13]
Antonio
Oseas,
dkk[9]
Stelmo Magalhaes
Barros
Netto,
dkk[7]
Eva M. Rikxoort,
dkk[23]
D. S. Elizabeth,
dkk[3]
Hamada R. H. AlAbsi, dkk[10]
Sheng Chen dan
Kenji Suzuki[25]
Kesav Kancherla
dan
Srinivas
Mukkamala[21]

S. Sivakumar
dan
C.
Chandrasekar[4
]

Fuzzy
Clustering
dan Support
Vector
Machine

Jiantao
dkk[17]

Pu,

Thresholding
dan
Geometric
Modelling,
Shape Breakand-Repair

M. Gomathi dan
Dr.
P.
Thangaraj[6]

Fuzzy
Possibilistic
C-Means dan
Support
Vector
Machine

Stelmo
Magalhaes
Barros
Netto,
dkk[7]

Growing
Neural Gas
dan Support
Vector
Machine

Eva
Rikxoort,
dkk[23]

Region
Growing dan
Voxel
Classificatio

Gaussian Filter dan Median
Filter
Region Growing Algorithm
Supervised Filter
Erosion Filter
Wavelet
Transform
(Haar,
Daubechies, Symlet)
Directional Gradient Magnitude
Filter
Daubechies Wavelet

TABEL 2. METODE SEGMENTASI DAN
KLASIFIKASI

Author
Shanhui
dkk[19]

Sun,

Thresholding
,
Greedy
Snake
Algorithm,
dan Radial
Basis
Function
Neural
Network
Fuzzy
Possibilistic
C-Mean dan
Extreme
Learning
Machine

Segmentasi
dan
Klasifikasi

Hasil

Robust
Active Shape
Model

Lebih baik dari
metode
ASM,
memungkinkan
dapat menghadapi
gangguan, cocok
diimplementasikan
dalam skala besar,
dapat
diaplikasikan
untuk segmentasi
dengan
obyek
berbeda.

M.

Akurasi
yang
dicapai 94,44%.
Tetapi
belum
menampilkan
sensitivitas
dan
spesifisitas.

Sistem
mampu
mendeteksi
FP
dengan benar dan
meningkatkan
akurasi
(belum
dijelaskan tingkat
akurasi,sensitivitas
dan
spesifisitas
yang dicapai)
Klasifikasi dibagi
dalam tiga kernel
yaitu
Linear,
Polynomial
dan
RBF. Kernel RBF
mencapai akurasi
tertinggi 80,36%,
sensitivitas
82,05%
dan
spesifisitas
76,47%
Hasil
penilaian
awal menunjukkan
kelayakan
dan
ketahanan metode.
Belum dijelaskan
akurasi,
sensitivitas
dan
spesifisitas.
Sistem
mampu
mendeteksi
FP
dengan benar dan
meningkatkan
akurasi
(belum
dijelaskan tingkat
akurasi,sensitivitas
dan
spesifisitas
yang dicapai)
Akurasi
yang
dicapai
91%,
sensitivitas 86%,
spesifisitas 91%.
Untuk
10
pelatihan
dan
pengujian. FP per
pengujian 0,138.
Akurasi
yang
dicapai
77%,
dibandingkan
dengan

Prosiding – Seminar Nasional Ilmu Komputer 2013
ISBN:XXXX

n
S. Chen dan K.
Suzuki[25]

A. A. Abdullah
dan Hasdiana
M[24]

Virtual Dual
Energy,
Support
Vector
Classifier
Cellular
Neural
Network

H. R. H. AlAbsi, dkk[10]

Clustering KNearest
Neighbor

G. Orbán dan G.
Horváth[8]

Support
Vector
Machine

K.
Kancherla
dan
S.
Mukkamala[21]

Seeded
Region
Growing,
Machine
Learning
Threshold,
Support
Vector
Machine

Yang
dkk[11]

Liu,

A.
O.
De
Carvalho Filho,
dkk[9]

Quality
Threshold
dan Region
Growing,
Support
Vector
Machine

W.-J. Choi dan
T.-S. Choi[20]

Thresholding
,
Genetic
Programmin
g

Nima Torbati,
dkk[22]

Neural
network

interobserver dan
intraobserver
(74% dan 80%)
Sensitivitas yang
dicapai 85% dan 5
FP per citra.
Sistem
hanya
dapat mendeteksi
batas dan area
kanker.
Akurasi
yang
dicapai
96,58%
dan
dapat
mendeteksi FP dan
FN
Mampu
mengurangi
tingkat FP tetapi
belum dijelaskan
secara rinci tingkat
akurasi,
sensitivitas
dan
spesifisitas.
Akurasi
yang
dicapai 87%.

Sensitivitas
93,75%, akurasi
87,82%,
dan
spesifisitas
87,66%. Tingkat
false
positive
dikurangi 4,6 per
kejadian
Sensitivitas
85,91%,
spesifisitas
97,70%
dan
akurasi
97,55%
dengan tingkat FP
1,82 per pengujian
dan 0,008 per
irisan.
Dapat mengurangi
jumlah
false
positive
secara
signifikan
pada
kandidat
nodul,
sensitivitas 94,1%
pada 5,45 false
positive per citra.
Mampu
mendeteksi rasio
false positive 0,8%

J. R. F. da Silva
Sousa dkk[12]

Support
Vector
Machine

Maxine
dkk[18]

Fixedtopology
Artificial
Neural
Network
classifier
Template
matching

Tan,

R.
Nagata,
dkk[13]

untuk
semua
bagian dan rasio
true positive lebih
dari 93%.
FP
0,42
per
pengujian
dan
tingkat FN 0,15.
Sensitivitas
84,84%.
Spesifisitas
96,15%
dan
akurasi 95,21%.
Sensitivitas 87,5%
dengan rata-rata
false positive 4 per
citra
Sensitivitas 96%
dengan
jumlah
rata-rata FP per
citra 136,5

5. KESIMPULAN
Penelitian-penelitian yang telah dilakukan
memberikan hasil klasifikasi yang berbeda-beda.
Hal ini disebabkan karena perbedaan metode
yang digunakan oleh masing-masing peneliti.
Namun, proses dan algoritme dari beberapa
penelitian
dapat
digabungkan
untuk
menghasilkan sistem yang dapat mendeteksi
kanker paru-paru dengan efektif, efisien dan
memiliki
tingkat
akurasi
yang
tinggi.
Berdasarkan kajian diatas, Klasifikasi yang
memiliki tingkat akurasi yang tinggi mencapai
97,55%, sensitivitas 85,91% dan spesifisitas
97,70% [22]. Salah satu metode yang diusulkan
[9] [12], setelah melakukan praproses seperti BitPlane Slicing, Erosion, Median Filter, Dilation,
Outlining, Lung Border Extraction dan algoritme
Flood-Fill, maka tahap selanjutnya adalah
segmentasi dan klasifikasi. Namun, tingkat
akurasi, sensitivitas dan spesifisitas tidak
dijelaskan dengan jelas.
DAFTAR PUSTAKA
[1]
[2]

National Cancer Institute, 2013.
H.T. Saksono, Rizal Ahmad & Usman
Koredianto. 2010. Pendeteksian kanker ParuParu Dengan Menggunakan Transformasi
Wavelet dan Metode Linear Discriminant
Analysis. Teknologi Elektro. Institute Teknologi
Telkom: Bandung.

Prosiding – Seminar Nasional Ilmu Komputer 2014
ISBN:XXXX

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

D. S. Elizabeth, H. K. Nehemiah, C. S. Retmin
Raj, and A. Kannan, “Computer-aided
diagnosis of lung cancer based on analysis of
the significant slice of chest computed
tomography image,” IET Image Process., vol.
6, no. 6, pp. 697–705, 2012.
S. Sivakumar and C. Chandrasekar, “Lung
nodule detection using fuzzy clustering and
support vector machines,” Int. J. Eng. Technol.,
vol. 5, no. 1, pp. 179–185, 2013.
M. Gomathi, Dr. P. Thangaraj, “A Computer
Aided Diagnosis System for Detection of Lung
Cancer Nodules Using Extreme Learning
Machine” International Journal of Engineering
Science and Technology Vol. 2(10), 2010,
5770-5779
M. Gomathi and P. Thangaraj, “A computer
aided diagnosis system for lung cancer
detection using support vector machine,”
American Journal of Apllied Sciences 7 (12) :
1532-1538, 2010.
S. Magalhães Barros Netto, A. Corrĉa Silva, R.
Acatauassú Nunes, and M. Gattass, “Automatic
segmentation of lung nodules with growing
neural gas and support vector machine,”
Comput. Biol. Med., vol. 42, no. 11, pp. 1110–
1121, 2012.
G. Orbán and G. Horváth, “Algorithm fusion to
improve detection of lung cancer on chest
radiographs,” Int. J. Intell. Comput. Cybern.,
vol. 5, no. 1, pp. 111–144, 2012.
A. O. De Carvalho Filho, W. B. De Sampaio, A.
C. Silva, A. C. de Paiva, R. A. Nunes, and M.
Gattass, “Automatic detection of solitary lung
nodules using quality threshold clustering,
genetic algorithm and diversity index,” Artif.
Intell. Med., vol. 60, no. 3, pp. 165–177, 2014.
H. R. H. Al-Absi, B. B. Samir, K. B. Shaban,
and S. Sulaiman, “Computer aided diagnosis
system based on machine learning techniques
for lung cancer,” 2012, vol. 1, pp. 295–300.
Y. Liu, J. Yang, D. Zhao, and J. Liu, “Computer
aided detection of lung nodules based on voxel
analysis utilizing support vector machines,”
2009, pp. 90–93.
J. R. F. da Silva Sousa, A. C. Silva, A. C. de
Paiva, and R. A. Nunes, “Methodology for
automatic detection of lung nodules in
computerized tomography images,” Comput.
Methods Programs Biomed., vol. 98, no. 1, pp.
1–14, 2010.
R. Nagata, T. Kawaguchi, and H. Miyake,
“Automated
detection of lung nodules in
chest radiographs using a false-positive
reduction scheme based on template matching,”
presented at the 2012 5th International
Conference on Biomedical Engineering and
Informatics, BMEI 2012, 2012, pp. 216–223.

[14]
[15]
[16]

[17]

[18]

[19]

[20]

[21]
[22]

[23]

[24]

[25]

Hermawati Fajar A., 2013, Pengolahan Citra
Digital, ANDI, Yogyakarta.
Eko P., 2011, "Pengolahan citra digital dan
aplikasinya", Yogyakarta : ANDI
M. Gomathi, P. Thangaraj, "A new approach to
lung image segmentation using fuzzy
possibilistic c-means algorithm", International
Journal of Computer Science and Information
Security, vol. 7, no. 3. 2010.
J. Pu, D. S. Paik, X. Meng, J. Roos, and G. D.
Rubin, “Shape ‘break-and-repair’ strategy and
its application to automated medical image
segmentation,” IEEE Trans. Vis. Comput.
Graph., vol. 17, no. 1, pp. 115–124, 2011.
M. Tan, R. Deklerck, B. Jansen, M. Bister, and
J. Cornelis, “A novel computer-aided lung
nodule detection system for CT images,” Med.
Phys., vol. 38, no. 10, pp. 5630–5645, 2011.
S. Sun, C. Bauer, and R. Beichel, “Automated
3-D segmentation of lungs with lung cancer in
CT data using a novel robust active shape
model approach,” IEEE Trans. Med. Imaging,
vol. 31, no. 2, pp. 449–460, 2012.
W.-J. Choi and T.-S. Choi, “Genetic
programming-based feature transform and
classification for the automatic detection of
pulmonary nodules on computed tomography
images,” Inf. Sci., vol. 212, pp. 57–78, 2012.
K. Kancherla and S. Mukkamala, “Early lung
cancer detection using nucleus segmentation
based features,” 2013, pp. 91–95.
N. Torbati, A. Ayatollahi, A. Kermani, "An
efficient neural network based method for
medical image segmentation", Computers in
Biology and Medicine 44(2014) 76 87.
Eva .M, de Hoop B., van de Vorst S., Prokop
M., van Ginneken B., "Automatic segmentation
of pulmonary segments from volumetric chest
CT scans", IEEE Trans. Med. Imaging, vol.
28,no. 4, 2009.
A. A. Abdullah, Hasdiana M., "Development of
cellular neural network algorithm for detecting
lung cancer symptoms", Conf. Biomedic
Engineering & Sciences. 2011.
S. Chen and K. Suzuki, “Computerized
detection of lung nodules by means of ‘virtual
dual-energy’ radiography,” IEEE Trans.
Biomed. Eng., vol. 60, no. 2, pp. 369–378,
2013.