pengembangan modul segmentasi pada m-analyzer

PENGEMBANGAN MODUL SEGMENTASI
PADA M-ANALYZER, SISTEM PORTABEL
CERDAS UNTUK IDENTIFIKASI PARASIT
MALARIA
Dias Natawan Gita1 , I Ketut Eddy Purnama2 , Diah Puspito Wulandari3
Institut Teknologi Sepuluh Nopember, Surabaya
[email protected] , [email protected] , [email protected]
Abstrak—Penelitan ini mengusulkan segmentasi plasmodium pada
citra sel darah menggunakan active contour dan max tree. Segmentasi
tersebut diimplementasikan pada M-Analyzer yaitu sistem portabel
pendeteksi malaria secara real time. Ada tiga segmentasi yang
dilakukan yaitu segmentasi sel darah dari latar belakang citra,
segmentasi sel darah terinfeksi dari sel darah sehat dan segmentasi
plasmodium dari sel darah.
Dari hasil percobaan pada 120 citra sel darah yang terdiri dari 40
plasmodium fase ring, 40 plasmodium fase tropozoit dan 40 plasmodium fase schizonts dihasilkan rata-rata akurasi segmentasi sel darah
dari latar belakang sebesar 0.96, segmentasi sel darah terinfeksi dari
sel darah sehat sebesar 0.94 dan segmentasi plasmodium dari sel
darah sebesar 0.92. Selain rata-rata akurasi, rata-rata Area Under
Curve (AUC) juga dihitung dan menhasilkan AUC pada segmentasi
sel darah dari latar belakang sebesar 0.95, segmentasi citra sel
darah terinfeksi dari sel darah sehat sebesar 0.77 dan segmentasi
plasmodium dari sel darah sebesar 0.98.
Kata Kunci—Segmentasi, Active Contour, Max Tree, Branches
filtering
I. P ENDAHULUAN
ENURUT laporan WHO pada bulan Oktober 1998
dalam WHOfact sheet No. 94, Malaria merupakan salah
satu masalah kesehatan masyarakat di lebih 90 negara, dengan
populasi penderita 40% dari penduduk dunia. Pada tahun 2002
WHO juga mengeluarkan laporannya dalam World Health Report 2002 yang isinya menyatakan bahwa beban kasus global
tahunan dari malaria adalah 300-500 juta kasus dengan 11 juta
kematian, dan 44 juta cacat seumur hidup [5]. Demikian pula
halnya dengan Negara Indonesia, malaria merupakan salah
satu penyakit yang menjadi permasalahan, terutama untuk
Indonesia bagian Timur. Kondisi demografi Indonesia yang kurang menguntungkan, menyebabkan banyak daerah terjangkit
malaria yang belum terjangkau pusat layanan kesehatan. Selain
itu, penggunaan mikroskop untuk diagnosa penyakit malaria,
memerlukan waktu yang cukup lama sehingga meningkatkan
resiko kematian akibat tidak cepatnya penanganan malaria.
Untuk mengatasi permasalahan tersebut dibutuhkan Sistem
Portabel Cerdas untuk identifikasi Otomatis Malaria secara
Real time yang dinamakan M-Analyzer, dengan begitu identifikasi tidak perlu dikirim ke laboratorium lagi. M-Analyzer
terdiri dari tiga modul yaitu modul akuisisi, segmentasi dan
klasifikasi. Modul akuisisi bertugas mengcapture sel darah
pada preparat menjadi citra digital, modul segmentasi bertugas
M
memisahkan plasmodium dari sel darah dan modul klasifikasi
bertugas mengklasifikasikan plasmodium berdasarkan fase.
Penelitian tentang pengkajian terhadap citra preparat darah
telah dilakukan oleh beberapa grup riset [5][2][4]. Penelitian tentang pengkajian terhadap citra preparat darah telah
dilakukan oleh beberapa grup riset [5][2][4]. Pada penelitian
[5], metode yang digunakan adalah k-mean clustering dengan dua ekstraksi ciri yaitu ciri warna dan ciri histogram.
Uji identifikasi dan klasifikasi parasit plasmodium falciparum
dilakukan kedalam empat kelas dan menggunakan metode
jaringan saraf tiruan (JST) Learning Vector Quantization
(LVQ). Sedangkan grup riset yang kedua [2], melakukan segmentasi dengan pemisahan sel darah merah menggunakan representrasi Incusion-Tree selanjutnya melakukan dua klasifikasi
untuk mengidentifikasi sel darah merah yang terinfeksi oleh
plasmodium menggunakan binary classifier dan menentukan
fase plasmodium menggunakan multiclass classifier. Penelitian
yang pernah dilakukan juga adalah melakukan analisa terhadap
citra preparat darah yang terinfeksi dengan malaria [4]. Proses
segmentasi dan dilanjutkan dengan klasifikasi menggunakan
pendekatan morphologi dan kesamaan warna histogram. Pada
penelitian ini, metode segmentasi yang digunakan berbeda dari
penelitian-penelitian sebelumnya. Metode yang kami gunakan
adalah metode active contour dan max tree.
II. DASAR T EORI
A. M-Analyzer
Gambar 1: Ilustrasi dari M-Analyzer
M-Analyzer merupakan salah satu bidang riset yang
diusulkan di Teknik Komputer dan Telematika jurusan Teknik
Elektro ITS. Tujuan dari riset tersebut adalah menghasilkan
Sistem Portabel Cerdas untuk identikasi Otomatis Malaria
secara Real time. Saat ini, sistem identifikasi otomatis malaria
tersebut masih berupa prototipe dengan tiga modul didalamnya
yaitu modul Akuisisi, Segmentasi dan Klasifikasi. Modul
Akuisisi bertugas mengcapture sel darah yang ada pada
preparat dengan menggunakan mikroskop digital. Modul ini
menghasilkan citra sel darah dengan perbesaran 200 kali.
Kemudian citra tersebut digunakan sebagai masukkan pada
modul segmentasi. Fungsi dari modul segmentasi adalah
memisahkan plasmodium dari latar belakang pada citra sel
darah. Sehingga dari modul segmentasi tersebut dihasilkan
citra plasmodium. Citra plasmodium tersebut selanjutnya diklasifikasikan berdasarkan fase oleh modul klasifikasi. Fase
yang diklasifikasikan yaitu fase Ring, Tropozoit dan Schizont.
Gambar 1 menunjukkan ilustrasi dari M-Analyzer.
Peranan dari penelitian ini adalah untuk mengembangkan
modul segmentasi dengan metode yang tepat. Metode segmentasi yang dikembangkan saat ini yaitu metode active
contour dan max tree dengan filtering menggunakan branches
filtering. Metode active contour diharapkan bisa memisahkan
sel darah dari latar belakang citra. Sedangkan metode max
tree digunakan untuk memisahkan sel darah terinfeksi dari
sel darah sehat. Kemudian dengan menggunakan metode yang
sama, hasil dari segmentasi tersebut disegmentasi ulang untuk
mendapatkan plasmodium dari sel darah.
x(s) dan y(s) merupakan posisi dari contour. Hasil segmentasi
terbaik adalah pada saat E bernilai minimum.
C. Max Tree
Max tree merupakan representasi zona datar pada citra
dalam bentuk tree. Max tree diusulkan oleh Salembier pada
tahun 1998 [7]. Max-Tree merupakan sebuah rooted-tree,
dimana setiap node memiliki sebuah pointer menuju parent.
Root merepresentasikan piksel dari background yang merupakan himpunan piksel dengan intensitas paling rendah dari
citra. Leaf merupakan himpunan piksel dengan intensitas
tertinggi dari citra. Ilustrasi dari max tree bisa dilihat pada
gambar 3.
(a)
(b)
Gambar 3: (a) zona datar (b) representasi max tree dari zona
datar
B. Active Contour
D. Branches Filtering
Branches filtering melakukan filtering berdasarkan leaf node
terpilih. Metode ini berbeda dengan attribute filtering yang
filteringnya dilakukan kepada semua node. Hasil dari branches
filtering berupa sekumpulan node terpilih. Kemudian, dari
node-node tersebut dibentuk tree baru. Tree baru inilah yang
direkonstruksi ulang menjadi citra baru yaitu citra hasil segmentasi.
III. D ESAIN DAN I MPLEMENTASI S ISTEM
Gambar 2: Active Contour
Segmentasi menggunakan metode Active contour adalah
memisahkan objek dengan cara melingkupi objek menggunakan contour. Contour tersebut merupakan kumpulan titik
yang memiliki energi. Ada dua energi yang mempengaruhi
contour yaitu energi internal dan enegi eksternal. Energi-energi
tersebut merupakan representasi dari nilai piksel. Perumusan
energi-energi tersebut bisa dilihat pada rumus 1.
E=
R1
[Eint(x(s), y(s) + Eimage(x(s), y(s)+
0
Econ(x(s), y(s)]ds
(1)
Dimana Eint adalah energi internal dari kurva, Eimage
adalah energi dari image, Econ dan adalah energi ekternal.
Pada bagian ini desain dan implementasi dijelaskan
tiap bagian dari tahapan metodologi. Skema dari tahapan
metodologi bisa dilihat di gambar 4.
A. Preprosesing
Langkah pertama dari penelitian ini adalah preprosesing.
Tujuannya agar kontras bagian plasmodium lebih tinggi dari
pada latar belakang sehingga mempermudah proses segmentasi. Ada tiga tahapan dari preprosesing. Pertama adalah
mengubah citra RGB menjadi citra keabuan. Layer yang
dipilih pada proses ini adalah green channel. Kemudian tahap
selanjutnya yaitu normalisasi. Tujuannya untuk mendapatkan
citra dengan nilai piksel maksimum dan minimum yang
seragam sehingga bisa menjaga keotomatisan sistem dalam
pergerakan contour dan sebaliknya. Untuk lambda, umumnya
digunakan nilai 0.1 pada pergerakkan contour yang smooth.
Semakin besar dari nilai lambda maka semakin kecil nilai
smoothnya. Sedangkan pada variabel mu diisi dengan nilai 10.
C. Max tree
Gambar 4: Metodologi Penelitian
mensegmentasi citra. Proses normalisasi menggunakan rumus
2. g(x,y) merupakan citra hasil normalisasi dan f(x,y) merupakan citra yang dinormalisasi. Tahapan terakhir adalah invers
nilai piksel dengan cara mengurangkan nilai maksimum piksel
dengan nilai piksel citra. Tujuannya untuk mendapatkan citra
dengan bagian plasmodium sebagai tingkat keabuan tertinggi
dari citra. Algoritma dari Preprosesing bisa dilihat pada kode
program 1.
Citra masukkan dari segmentasi ini menggunakan citra
dari hasil segmentasi active contour. Citra tersebut direpresentasikan kedalam bentuk tree. Kemudian dari tree tersebut
di filter menggunakan branches filtering. Branches filtering
memilih node-node ujung yang merupakan representasi dari
bagian plasmodium dari citra. Selanjutnya masing-masing
node dicari parent nodenya. Dari parent node yang dihasilkan
dicari lagi parentnya. Proses ini dilakukan beriterasi sampai
ditemukan parent node dari batas bawah. Batas bawah adalah
level kedua dari tree yang merupakan level tingkat bawah dari
bagian sel darah. Dari proses filtering dihasilkan tree baru.
Rekonstruksi citra tree baru tersebut akan menghasilkan citra
sel darah terinfeksi. Untuk segmentasi plasmodium, langkahlangkah yang digunakan sama dengan segmentasi citra sel
darah terinfeksi namun batas bawah pada segmentasi plasmodium ditentukan dengan cara mencari rata-rata dari batas
bawah seluruh citra. Imlementasi dari segmentasi menggunakan metode max tree menggunakan SDC Morphology Toolbox Matlab 1.6. Algoritma bisa dilihat pada Kode program
.
IV. H ASIL DAN P ENGUJIAN S ISTEM
Bagian ini menjabarkan pengujian kinerja dari metode yang
digunakan dalam mengatasi masalah segmentasi plasmodium
pada sel darah. Pengujian dilakukan dengan menggunakan
255
citra yang diunduh dari situs [6]. Ada tiga kelompok citra sel
g(x, y) = f (x, y) − min(f (x, y))
max(f (x, y)) − min(f (x, y)) darah dengan fase yang berbeda yaitu kelompok dengan fase
(2) ring, tropozoit dan schizont. Masing-masing dari kelompok
tersebut terdiri dari 40 citra sel darah. Hasil dari segmentasi
Algorithm 1 Preprosesing
bisa dilihat pada gambar 5.
Untuk validasi hasil pengujian dilakukan dengan cara mema ( x , y ) <− c i t r a
bandingkan hasil segmentasi yang diusulkan dengan hasil
b ( x , y ) <− l a y e r 2 ( a ( x , y , z ) )
segmentasi oleh ahli. Metode validasi yang digunakan adalah
c ( x , y ) <− 255−b ( x , y )
Receiver Operating Characteristic (ROC) [4]. Dari ROC dimn <− min ( c ( x , y ) )
hasilkan empat nilai yaitu True Positive (TP), False Positive
mx <− max ( c ( x , y ) )
(FP), True Negative (TN) dan False Negative (FN). Keemd ( x , y ) <− ( c ( x , y)−mn ) ∗ 2 5 5 / ( mx−mn )
pat parameter tersebut digunakan untuk menghitung akurasi
dengan menggunakan rumus 3. Selain akurasi, parameter
tersebut bisa digunakan untuk menghitung True Positive Rate
(TPR) dan False Positive Rate (FPR). Selanjutnya TPR dan
B. Active contour
FPR tersebut direpresentasikan dalam bentuk kurva (bisa dilPada implementasi active contour digunakan aplikasi dari ihat pada lampiran) dengan sumbu vertikal adalah TPR dan
A Fast Global Minimization for Active Contour Models [1]. sumbu horisontal adalah FPR. Dari kurva TPR dan FPR,
Aplikasi ini dimodifikasi agar dapat mengsegmentasi citra sel nilai Area Under Curve (AUC) bisa dihitung. Semakin besar
darah. Modifikasi dilakukan pada variabel modelseg, lambda AUC menandakan semakin besarnya kemampuan metode yang
dan mu. Pada variabel modelseg disediakan dua pilihan digunakan dalam mensegmentasi plasmodium.
model active contour yaitu model Chan-Vese dan model
TP + TN
Houhou-Thiran-Bresson. Penelitian ini menggunakan Chan(3)
Akurasi =
FP + FN + FP + TN
Vese model. Sedangkan untuk Lambda bernilai 0.1. Lambda
Hasil perhitungan rata-rata akurasi dan AUC bisa dilihat
tersebut berfungsi untuk mengatur smooth dari pergerakkan
contour. Semakin kecil nilai lambda maka semakin smooth pada tabel I.
Algorithm 2 Segmentasi menggunakan metode Max Tree
f ( x , y ) <− c i t r a
mm <− mmmaxtree ( f ( x , y ) )
nn <− mmmaxgetcount (mm)
temp <− nn
temp ( 0 ) <− 0
b i l <− 0
w h i l e ( temp ( b i l ) == 0 )
b i l <− b i l +1
end−w h i l e
b a t a s _ b a w a h <− b i l
b a t a s _ a t a s <− nn ( 2 5 5 )
f o r j u m l a h _ n o d e <− 0 t o nn ( b a t a s _ a t a s )
p a r e n t _ l e v e l <− b a t a s _ a t a s
p a r e n t _ i n d e k s <− j u m l a h _ n o d e
while ( p a r e n t _ l e v e l > batas_bawah
)
node <− mmmaxgetnodes (mm
, parent_level ,
parent_indeks )
c i t r a <− mmmaxsubimage (mm
, parent_level ,
parent_indeks )
c i t r a _ b a r u <− c i t r a _ b a r u +
citra
p a r e n t _ l e v e l <− node ( 2 )
p a r e n t _ i n d e k s <− node ( 3 )
end−w h i l e
end−f o r
show ( c i t r a _ b a r u )
Table I: Tabel rata-rata akurasi dan AUC segmentasi
Segmentasi
1
2
3
Ring
Akurasi
0.93
0.96
0.99
Tropozoit
AUC
0.96
0.76
0.95
Akurasi
0.92
0.92
0.98
AUC
0.95
0.98
0.99
(a)
(b)
(c)
(d)
Figure 5: (a) Citra asli (b) hasil segmentasi sel darah dari latar
belakang citra (c) hasil segmentasi sel darah terinfeksi dari sel
darah sehat (d) hasil segmentasi plasmodium dari sel darah.
3) Segmentasi plasmodium dengan sel darah menghasilkan
rata-rata akurasi sebesar 0.98 dan rata-rata AUC sebesar
0.97
B. Saran
Penelitian ini masih bisa diteruskan dengan menggunakan
metode segmentasi selain active contour dan max tree. Untuk
penelitian dengan metode yang sama, penulis menyarankan
dilakukan modifikasi pada citra masukkan. Segmentasi dilakukan per sel darah bukan per citra preparat agar keakurasian
hasil lebih bagus.
Schizonts
Akurasi
0.87
0.91
0.97
AUC
0.93
0.58
0.98
Ket : Segmentasi 1 adalah segmentasi sel darah dengan
latar belakang citra, segmentasi 2 adalah segmentasi sel darah
terinfeksi dengan sel darah sehat pada citra dan segmentasi 3
adalah segmentasi plasmodium dengan sel darah pada citra.
V. PENUTUP
A. Kesimpulan
Berdasarkan uji coba dan analisis hasil dari percobaan segmentasi plasmodium yang telah dilakukan, dapat disimpulkan
sebagai berikut
1) Segmentasi sel darah dengan latar belakang citra menghasilkan rata-rata akurasi sebesar 0.91 dan rata-rata AUC
sebesar 0.95
2) Segmentasi sel darah terinfeksi dengan sel darah sehat
pada citra menghasilkan rata-rata akurasi sebesar 0.93
dan rata-rata AUC sebesar 0.77
P USTAKA
[1] Bresson Xavier, “A Short Guide on a Fast Global Minimization Algoritm
for Active Contour Models”, 2009.
[2] Cecilia Di Ruberto, Andrew Dempster, Shahid Khan, Bill Jarra, “Analysis
of infected blood cell images using morphological operators”, Image and
Vision Computing, 20:133-146, 2002.
[3] Fawcett Tom, “An Introduction to ROC Analysis”, Elsevier on Pattern
Recognition. 2005.
[4] Gloria Díaz, Fabio A. González, Eduardo Romero,” A semi-automatic
method for quantification and classification of erythrocytes infected with
malaria parasites in microscopic images”, J. of Biomedical Informatics,42:296–307, 2009
[5] Iis Hamsir Ayub Wahab, “Identifikasi parasit malaria dalam darah
menggunakan segmentasi citra digital dn jaringan syaraf tiruan”, 2008.
[6] Malaria, <http://www.dpd.cdc.gov/dpdx/HTML/ImageLibra- ry/Malaria_il.htm >, Desember, 2010.
[7] Salembier P. and A. Oliveras and L. Garrido, “ Anti-extensive Connected
Operators for Image and Sequence Processing”. IEEE Transactions on
Image Processing; 7:555-570, 1998.
LAMPIRAN
(a)
(a)
(b)
(b)
(c)
(c)
Figure 6: Hasil akurasi dari masing-masing segmentasi
Figure 7: ROC pada segmentasi sel darah dari latar belakang
citra
(a)
(b)
(c)
Figure 8: ROC pada segmentasi sel darah terinfeksi dari sel
darah sehat
(a)
(b)
(c)
Figure 9: ROC pada segmentasi plasmodium dari sel darah