Segmentasi Tulang Rawan pada MRI Lutut

Segmentasi Tulang Rawan pada MRI Lutut Menggunakan
Metode Kontur Aktif Multiresolusi
Faizal Johan Atletiko1) , Mauridhi Hery Pernomo2) , Ketut Edy Purnama3)
1)
Jurusan Sistem Informasi ITS, Surabaya 60111, email: [email protected]
Jurusan Teknik Elektro ITS, Surabaya 60111, email: [email protected]
3)
Jurusan Teknik Elektro ITS, Surabaya 60111, email: [email protected]
2)
Abstrak – Osteoarthritis adalah salah satu tipe dari
radang sendi (arthritis) . Osteoarthritis akan
merusak tulang rawan ( cartilage ) pada sendi-sendi .
Analisa citra MRI ataupun X-Ray pada sendi-sendi
pasien dapat membantu dokter memberikan saran
untuk tindakan medis lebih lanjut. Salah satu metode
dalam melakukan analisa citra
MRI adalah
segmentasi pada area tulang muda ataupun bagian
lain yang terduga mengalami kelainan. Penelitian ini
menggunakan segmentasi citra dengan metode
kontur aktif multiresolusi. Metode kontur aktif
multiresolusi sesuai digunakan untuk segmentasi
citra medis karena tahan terhadap noise yang ada di
sekitar objek. Pengujian dalam penelitian ini
menggunakan 10 MRI lutut dengan berbagai variasi
parameter pada metode kontur aktif multiresolusi .
Didapatkan hasil optimal pada nilai parameter
deformasi yaitu nilai elastisitas sebesar 0.8 , nilai
kekakuan sebesar 0.3 , nilai kekentalan sebesar 0.5,
dan bobot dari kekuatan external pada proses
deformasi sebesar 0.6. Dibandingkan terhadap
segmentasi manual , rata-rata akurasi segmentasi
yang diperoleh adalah 0.91 ( 0.98 maksimum , 0.88
minimum ).
.
Kata Kunci: segmentasi citra, kontur
multiresolusi, deteksi tepi, osteoarthritis.
aktif,
1. PENDAHULUAN
MRI atau Magnetic Resonance Image (MRI)
memiliki kandungan informasi yang sangat penting.
Dewasa ini, informasi yang terdapat dalam MRI
sangat penting bagi dunia kedokteran. Informasi
yang terkandung dalam MRI tersebut sangat
dibutuhkan untuk menganalisa diagnosis suatu
penyakit atau meneliti adanya kerusakan sel-sel atau
jaringan.
Salah satu contoh adalah citra lutut yang di
dalamnya terdapat informasi mengenai volume
tulang rawan diantara Tibia dan Femur. Semakin
meningkatnya jumlah penderita Osteoartritis patut
diwaspadai. Diagnosis dini terhadap Osteoartritis
tersebut merupakan hal yang penting, karena
kemungkinan untuk dapat disembuhkan pada tahap
dini sangat besar. Diagnosa awal dari Osteoartritis
dapat dilakukan dengan mendeteksi batas tulang
rawan.
Tidak ada tes darah untuk diagnosis dari
osteoarthritis. Tes-tes darah dilakukan untuk
menyampingkan penyakit-penyakit yang dapat
menyebabkan osteoarthritis sekunder, serta untuk
menyampingkan kondisi-kondisi arthritis lain yang
dapat meniru osteoarthritis.
Melakukan pengambilan MRI ataupun XRay pada
sendi-sendi pasien yang terduga
mengalami osteoarthritis , sehingga dokter dapat
menyarankan tindakan medis berikutnya. Penemuanpenemuan pada MRI ataupun X-Ray yang umum
dari
pasien
terduga
osteoarthritis
adalah
kemungkinan kehilangan cartilage (tulang rawan)
sendi, penyempitan dari ruang sendi antara tulangtulang yang berdekatan, dan pembentukan bone spur
(tulang spur). Pengujian citra resoanasi magnetik
ataupun X-Ray sederhana dapat sangat bermanfaat
untuk menyampingkan penyebab-penyebab lain dari
nyeri pada sendi tertentu serta membantu dalam
membuat keputusan kapan intervensi operasi harus
dipertimbangkan.
Diperlukan
analisa yang hati-hati dari
lokasi, durasi, dan karakter dari gejala-gejala sendi
dan penampakan dari sendi-sendi membantu dokter
dalam mendiagnosa osteoarthritis. Pembesaran
bertulang dari sendi-sendi dari pembentukanpembentukan spur adalah karakteristik dari
osteoarthritis. Oleh karenanya, kehadiran dari
Heberden's nodes, Bouchard's nodes, dan bunions
(pembengkakan ibu jari) dari kaik-kaki dapat
mengindikasikan pada dokter diagnosis dari
osteoarthritis.
Dalam Penelitian ini diimplementasikan
sebuah teknik pengolahan citra digital yang berupa
segmentasi citra medis lutut dengan metode kontur
aktif multiresolusi. Metode kontur aktif multiresolusi
baik digunakan untuk segmentasi citra medis karena
tahan terhadap noise yang ada di sekitar objek,
sehingga bentuk objek yang diamati pada citra medis
tertentu akan ditemukan.
2. KONTUR AKTIF MULTIRESOLUSI
Model kontur aktif multiresolusi dapat
mendefinisikan bidang kekuatan eksternal baru yaitu
wavelet vector field. Keuntungan dari wavelet vector
field adalah tahan terhadap noise dan dapat
mensegmentasi citra medis yang rumit.
Gradien dari sebuah citra adalah vektor yang
terdiri dari besaran dan arah. Besaran vektor
merefleksikan perubahan step pada citra gray scale,
sedangkan arah vektor merepresentasikan tepi citra.
Berdasarkan hal tersebut, vektor transformasi wavelet
Wf = (Wa1 f ( x, y ),Wa 2 f ( x, y )) menggantikan
vektor gradien pada GGVF.
Dari teori transformasi wavelet, selain
besaran dan arah, vektor transformasi wavelet juga
memiliki 2 karakteristik yaitu transformasi wavelet
adalah multiskala dan basis wavelet adalah fleksibel
[6].
Bidang vektor
meminimasi energi:
wavelet
dibentuk
untuk
2.1 Deteksi Tepi Multiskala
Multiscale edge detection atau deteksi tepi multiskala
yang berbasis pada transformasi wavelet telah
diperkenalkan oleh Mallat [7]. Untuk citra 2 dimensi,
terdapat 2 komponen pada transformasi wavelet pada
skala a , yaitu W a1 dan W a 2 yang didapatkan dari
konvolusi citra f ( x, y ) dengan wavelet
ψ a ( x, y )
1
dan ψ a 2 ( x, y ) , sebagai berikut:
Wa1 f ( x, y ) = f ( x, y ) *ψ a1 ( x, y )
(3.9a)
W a 2 f ( x, y ) = f ( x, y ) *ψ a 2 ( x, y )
(3.9b)
E = ∫∫ µ ∇Vw + Wf Vw − Wf dxdy
Wavelet
Dimana Wf adalah vektor transformasi wavelet pada
skala a :
dilasi dari sebuah mother wavelet yang nilainya
mendekati turunan pertama dari fungsi Gaussian
smoothing θ ( x, y ) pada skala a .
2
2
2
Wf = (Wa1 f ( x, y ),Wa 2 f ( x, y ))
Berikut ini merupakan algortima untuk metode kontur
aktif multiresolusi:
1.
2.
Deteksi tepi multiskala berbasis transformasi
wavelet pada sebuah citra akan didapatkan edge
map. Pilihan basis wavelet dan skala terbesar
adalah berdasarkan karakter dari citra target.
Misalnya, dapat memilih skala terbesar 3 dan
fungsi Mexican hat sebagai basis wavelet. Basis
lain yang juga dapat digunakan adalah Gaussian.
Transformasi wavelet untuk edge map pada arah
horizontal dan orientasi vertikal, didapatkan
dan
W a 1 f ( x, y )
W a 2 f ( x, y ) . Misal
u = W a1 f ( x, y ) dan v = W a 2 f ( x, y ) , maka
ψ a ( x, y )
1
2
2
ψ 1 ( x, y ) =
∂θ ( x, y )
∂x
ψ 2 ( x, y ) =
∂θ ( x, y )
∂y
2
3.
2
Inisialisasi kurva s = (v1 , v 2 ,...v n ) pada bidang
vektor wavelet kemudian pada setiap titik
v( x, y ) mendekati tepi yang diharapkan dengan
formula:
x = inv × (γ × x + κ × wx )
y = inv × (γ × y + κ × wy )
wy adalah vector komponen Wf .
Sedangkan inv , γ , κ adalah parameter yang
wx dan
mengontrol kecepatan snake atau kurva aktif kontur.
2
merupakan
(3.10a)
Kemudian mother wavelet pada skala a , dapat
didefinisikan sebagai berikut:
ψ a 1 ( x, y ) =
1 1 x y
ψ ( , )
a a
a2
ψ a 2 ( x, y ) =
1 2 x y
ψ ( , )
a a
a2
(3.7a)
v = v + µ∇ 2 v − (v − Wf y )(Wf x + Wf y )
ψ a ( x, y )
Didefinisikan 2 mother wavelet adalah turunan parsial
dari fungsi Gaussian atau Mexican Hat 2 dimensi
terhadap x dan y. Misalnya θ ( x, y ) adalah fungsi
Gaussian 2 dimensi, maka:
akan dilakukan sebanyak n iterasi pada formula
berikut:
u = u + µ∇ 2 u − (u − Wf x )(Wf x + Wf y )
dan
Dua komponen dari transformasi wavelet W a1 dan
W a 2 merepresentasikan vektor gradien dari citra
f ( x, y ) . Modulus dari vektor gradien adalah sebagai
berikut:
2
M a f ( x, y ) = W a 1 f ( x, y ) + W a 2 f ( x, y )
2
Dan orientasi dari vektor gradien Aa f ( x, y ) adalah
sebagai berikut:
Aa f ( x, y ) = α ( x, y )
Wa1 f ( x, y ) ≥ 0
Aa f ( x, y ) = π − α ( x, y )
Wa1 f ( x, y ) < 0
Mulai
Dimana:
α ( x, y ) = tan −1 (Wa f ( x, y ) / Wa f ( x, y ) )
2
1
Deteksi tepi multiskala berbasis transformasi wavelet
dapat mengatasi citra bernoise dibandingkan dengan
operasi gradien yang sensitif terhadap noise.
Pada deteksi tepi dengan operator gradien,
bagian tepi yang terkena noise akan tereduksi,
sehingga batas tepi tidak tampak jelas. Sedangkan
pada deteksi tepi multiskala, bagian tepi yang terkena
noise masih tampak jelas dan noise semakin kabur.
Deteksi tepi multiskala dapat menghasilkan batas tepi
yang lebih jelas dibandingkan dengan operator
gradien.
Citra gray-level
Menghitung edge map dengan deteksi edge
multiskala berbasis transformasi wavelet
Edge Map
Menghitung vector field dengan melakukan
transformasi wavelet pada edge map
3. HASIL DAN PEMBAHASAN
3.1. Perancangan proses
Masukan awal berupa citra medis yang merupakan
gray-level. Selanjutnya citra medis ini akan diproses
dengan metode deteksi tepi multiskala berbasis
transformasi wavelet sehingga didapatkan edge map.
Data edge map tersebut dgunakan sebagai masukan
pada proses perhitungan vector field yang kemudian
vector field dinormalisasi. Dengan sebuah kurva
inisialisasi, proses deformasi dilakukan dengan
inisialisasi kurva sebagai kekuatan internal dan vector
field sebagai kekuatan eksternal yang mempengaruhi
proses perubahan kontur.
3.2 Hasil Uji Coba
Pada uji coba ini dilakukan pembuatan kurva
inisialisasasi sebanyak 3 macam :
• kurva irregular sepanjang area tulang rawan
yang berdekatan dengan area tulang rawan
• kurva regular dengan bentuk persegi panjang
atau jajaran genjang
• kurva irregular sepanjang area tulang rawan
yang agaj menjauh dengan area tulang rawan
Dari perbandingan ini maka bisa dilihat bahwa
bentuk inisialisasi kurva irregular sepanjang area
tulang rawan yang berdekatan dengan area tulang
rawan adalah yang menghasilkan hasil segmentasi
terbaik. Pada Gambar 2
ditampilkan hasil
perbandingan pada MRI slice1.bmp. Pada kolom
ke 1 adalah bentuk kurva inisialisasi. Sedangkan
pada kolom ke 2 adalah hasil akhir segmentasi
pada citra asal.
Membangkitkan vector field dari edge map
Vector field
Menghitung besaran dari bidang vektor
dan menormalisasi bidang vektor
Vector field
ternormalisasi
Menginisialisasi awal sebuah snake
Melakukan proses deformasi snake secara
iteratif dengan vector field ternormalisasi
sebagai external force field
Snake pada tepi
obyek
Selesai
Gambar 1: Diagram alir segmentasi citra MRI lutut
Dari gambar dapat dilihat bahwa bentuk dan
kurva
inisialiasi mempengaruhi hasil
segmentasi. Hal ini dikarenakan snake
melakukan deformable lebih mendekati ke
edge map terdekat.
jarak
akhir
yang
nilai
(a)
(b)
(c)
(d)
(e)
(f)
(a)
(b)
Gambar 3 : Hasil perbandingan metode segmentasi
menggunakan kontur aktif multiresolusi dengan metode
kontur aktif dengan segmentasi lokal atau global
secara selektif
(c)
Gambar 2: Hasil perbandingan bentuk kurva inisialisasi
Pada skenario ketiga akan dibandingkan dengan
hasil penelitian yang menggunakan metode kontur
aktif dengan segmentasi lokal atau global secara
selektif , dimana metode kontur aktif tersebut akan
mengenali area di sebuah citra secara keseluruhan
tanpa perlu membuat bentuk kurva inisialisasi. Pada
kolom pertama menggunakan metode kontur aktif
multiresolusi. Hasil segmentasi metode kontur aktif
dengan segmentasi lokal atau global secara selektif
ada di kolom kedua.
Hasil dari dari perbandingan ini dapat dilihat
bahwa dengan menggunakan metode kontur aktif
dengan segmentasi lokal atau global secara
selektif maka tulang rawan yang dikenali melebihi
yang seharusnya , karena tidak semua yang
berwarna putih adalah tulang rawan. Hal ini
mengakibatkan metode kontur aktif dengan
segmentasi lokal atau global secara selektif masih
kurang sesuai untuk melakukan segmentasi tulang
rawan pada MRI.
Pada skenario ke 3 akan dilakukan
perbandingan pada ke 10 MRI dengan melakukan
penggambaran menggunakan image editor Adobe
Photoshop pada area tulang rawan sesuai dengan
hasil penelitian untuk pendeteksian penyakit
ostheoarthritis. Pada gambar 4.7 dapat dilihat pada
kolom pertama adalah hasil segmentasi dengan
etode kontur aktif multiresolusi , sedangkan pada
kolom kedua menggunakan metode penggambaran
manual menggunakan image editor.
Dari hasil skenario ini dapat dilihat bahwa
pada beberapa MRI tidak bisa sesuai dengan yang
diharapkan karena ada area kecil semacam noise
pada area di ujung kiri dan kanan area tulang rawan
, hal ini mengakibatkan proses deformasi kesulitan
menentukan apakah itu area tulang atau bukan.
Namun jika tidak terdapat noise maka hasil
segmentasi menggunakan metode kontur aktif
multiresolusi sama dengan hasil penggambaran
menggunakan image editor. Selain itu area tepi yang
berkelok kelok kecil membuat proses deformasi
snake menjadi kesulitan membuat bentuk yang
berkelok-kelok kecil juga.
Dari beberapa uji skenario yang telah
dilakukan, dapat dilihat bahwa sebagian besar
parameter yang dibutuhkan berpengaruh pada proses
segmentasi citra medis dengan metode kontur aktif
multiresolusi. Sebagian besar parameter yang
dibutuhkan untuk proses segmentas berpengaruh
pada hasil yang diperoleh. Parameter-parameter
tersebut antara lain σ , skala, pemilihan basis
wavelet, nilai radius atau bentuk kurva, jumlah
iterasi deformasi, λ , γ , dan κ . Hanya nilai β ,
yang hanya sedikit membawa pengaruh pada hasil.
Namun parameter ini tidak bisa dihilangkan begitu
saja.
menunjukkan batasan yang jelas sehingga terbentuk
vector field yang kuat pada objek yang diamati.
Untuk pemilihan basis wavelet dapat dilakukan
dengan melihat karakteristik dari citra asal.
Perubahan nilai radius dan bentuk kurva
juga mempengaruhi hasil deformasi. Nilai radius
atau bentuk kurva disesuaikan dengan ukuran objek
yang diamati. Sedangkan jumlah iterasi yang
dibutuhkan dalam deformasi apabila masih terlalu
sedikit maka kontur tidak dapat mencapai tepian.
Namun apabila jumlah iterasi terlalu banyak maka
hasil deformasi akan mengikuti hasil dari iterasi
paling optimal. Parameter deformasi yaitu λ , β ,
dan κ juga akan mempengaruhi hasil deformasi.
(a)
γ,
(b)
4. KESIMPULAN
(c)
(d)
(e)
(f)
Kesimpulan yang diperoleh berdasarkan uji coba dan
evaluasi yang telah dilakukan adalah sebagai berikut:
1. Kurva inisialisasi akan mempengaruhi hasil
deformasi , pada MRI lutut , kurva irregular
disekitar region of interest dengan jarak maksimal
6 pixel akan didapatkan hasil segmentasi yang
optimal.
2. Dari ujicoba didapatkan hasil optimal pada nilai
parameter deformasi yaitu nilai elastisitas ( λ )
β
sebesar 0.8 , nilai kekakuan ( ) sebesar 0.3 , nilai
γ
kekentalan ( ) sebesar 0.5, dan bobot dari
kekuatan external pada proses deformasi ( κ )
sebesar 0.6. Sedangkan untuk parameter
multiresolusi didapatkan nilai optimal pada skala 1
dan σ sebesar 1.
DAFTAR REFERENSI
(g)
(h)
Gambar 4 : Hasil perbandingan segmentasi tulang rawan
antara metode kontur aktif multi resolusi dan menggunakan
image editor
Pada perubahan nilai σ , semakin besar
σ akan menghasilkan edge map yang semakin kabur
dan batas tepian tidak terlihat jelas. Apabila batas
tepian tidak telalu jelas akan mengakibatkan
terbentuknya vector field yang tidak kuat pada objek
yang diamati dan tertarik atau terengaruh pada objek
lain di sekitasnya.
Sedangkan perubahan nilai skala tidak dapat
dinaikkan apabila telah mencapai nilai skala optimal.
Sama halnya seperti nilai σ yang mempengaruhi
pembentukan edge map, nilai skala optimal juga
dibutuhkan agar terbentuk edge map yang dapat
[1] Xu, Chenyang dan Prince, Jerry. 1997. Gradient
Vector Flow: A New External Force for Snakes.
IEEE 66.
[2] Xu, Chenyang dan Prince, Jerry. 1998. Snakes,
Shapes, and Gradient Vector Flow. IEEE 359.
[3] C. Sidney Burrus, Ramesh A. Gopinath. 2002.
Introduction to Wavelet and Wavelet
Transform. Prentice Hall.
[4] Jinyong Cheng, Yihui Liu, Ruixiang Jia, Weiyu
Guo. 2007. A New Active Contour for Medical
Image Analysis - Wavelet Vector Flow. IAENG
36:2.
[5] Stephen Mallat, Wen Liang Hwang. 1992.
Singularity Detection and Processing with
Wavelet. IEEE 38:2.