sistem pencitraan mikroskop digital untuk

0782: Kusworo Adi dkk.
KO-80
SISTEM PENCITRAAN MIKROSKOP DIGITAL UNTUK IDENTIFIKASI
BAKTERI TUBERKULOSIS (TB)
Kusworo Adi1,∗ , K. Sofjan Firdausi1 , Rahmat Gernowo1 , Budi Rahardjo2 , Ibnu Siena1 , dan Ari Bawono Putranto1
1
Jurusan Fisika, Fakultas MIPA, Universitas Diponegoro
Jl. Prof. H. Soedarto, SH, Tembalang, Semarang
Telepon (024)70790933
2
Jurusan Biologi, Fakultas MIPA, Universitas Diponegoro
Jl. Prof. H. Soedarto, SH, Tembalang, Semarang
Telepon (024)76480923
∗
e-Mail: [email protected]
Disajikan 29-30 Nop 2012
ABSTRAK
Kemajuan di bidang pengolahan citra untuk mengolah citra dalam orde mikro semakin pesat, hal ini tentunya memerlukan
sebuah sistem akuisisi data secara digital dengan menggunakan mikroskop digital yang dapat dikendalikan secara otomatis.
Pada penelitian ini telah dihasilkan suatu mikroskop digital yang mempunyai kemampuan untuk mendapatkan data secara
digital dengan melakukan penambahan sistem mekanik dan sistem elektronik agar dapat dikendalikan melalui komputer. Dari
hasil pengujian telah didapatkan hasil yang cukup baik, mikroskop sudah dapat mengambil citra dalam orde mikro secara digital.
Citra bakteri tuberkulosis (TB) hasil akuisisi dari sistem pencitraan mikroskop telah berhasil diidentifikasi sebagai bakteri TB
dengan menggunakan teknik pengolahan citra.
Kata Kunci: Mikroskop digital, citra bakteri TB, pengolahan citra
I.
PENDAHULUAN
Perkembangan dunia digital semakin pesat, kebutuhan untuk melakukan observasi secara digital
semakin mendesak. Mikroskop konvesnional yang
merupakan susunan optik mempunyai beberapa keterbatasan, terutama dalam konversi dari data analog
menjadi data digital yang dapat di manfaatkan untuk
identifikasi bakteri TB secara realtime. Perkembangan
pengolahan citra untuk menganalisis dan mengidentifikasi bakteri TB memerlukan mikroskop yang dapat
mengambil data secara digital.
Berdasarkan pertimbangan tersebut maka pada
penelitian dilakukan modifikasi mikroskop konvensional menjadi mikroskop digital dengan beberapa
modifikasi pada bagian yang penting. Sistem pencitraan mikroskop mempunyai fitur - fitur yang memudahkan pengguna.
Pemeriksaan bakteri TB secara mikroskopis dengan
menggunakan metode pewarnaan Ziehl-Neelsen stain
(ZN-stain) merupakan pemeriksaan primer yang masih
digunakan di seluruh dunia termasuk di Indonesia berdasarkan rekomendasi dari badan kesehatan
dunia (WHO). Pemeriksaan ini sangat tergantung pada
keahlian sumber daya manusia dan memakan waktu
pemeriksaan yang lama[1] Sehingga di negara berkembang dengan fasilitas terbatas, sedikit tenaga ahli, dan
biaya tidak murah merupakan salah satu alasan sulitnya menekan pertumbuhan penderita TB. Oleh karena
itu diperlukan suatu sistem otomatis untuk mendeteksi
bakteri tuberkulosis dari citra digital sample ZN-stain.
II.
METODOLOGI
A. Sistem Pencitraan Mikroskop
Fungsi mikroskop adalah memperoleh citra atau
pencitraan yang besar dari obyek yang sangat kecil (orde mikro). Secara umum, komponen utama
mikroskop optik terdiri dari lensa obyektif dan lensa
okuler. Lensa obyektif berfungsi membentuk bayangan
riil obyek yang diamati. Bayangan riil tersebut kemudian jatuh di depan lensa okuler yang jaraknya lebih
kecil dari fokus lensa okuler, sehingga terbentuk bayangan maya. Secara umum, proses pembentukan bayangan oleh kedua lensa mikroskop dapat dijelaskan
pada G AMBAR 1.[2]
Perbesaran total pada mikroskop secara umum
Prosiding InSINas 2012
0782: Kusworo Adi dkk.
KO-81
diberikan oleh persamaan:[3]
M = Mob × Mok
(1)
Dengan M adalah perbesaran total, Mob perbesaran
oleh lensa obyektif, dan Mok perbesaran oleh lensa
okuler.
G AMBAR 2: Diagram blok sistem pencitraan mikroskop
G AMBAR 1: Komponen utama dan proses pembentukan bayangan
pada mikroskop optis[3]
Jika mata tak berakomodasi maka perbesaran oleh
lensa okuler dapat ditulis:[3]
Mok =
N
fok
(2)
Dengan N = 25 cm adalah titik dekat mata normal.
Dengan asumsi bahwa semua lensa tidak mengalami
aberasi, serta nilai fok maupun fob jauh lebih kecil dari
jarak kedua lensa, maka perbesaran minimal yang dapat diperoleh dari sebuah mikroskop optik adalah:[3]
M ≈N×
L
fob × fok
(3)
P ERS . (3)
menunjukkan
bahwa
perbesaran
mikroskop dapat diperoleh sebesar-besarnya jika
fokus obyektif dan okuler sekecil-kecilnya.
Sistem pencitraan mikroskop digital terdiri dari tiga
bagian utama, yaitu sistem mekanik, sistem elektronik
dan kamera sebagai pengambil data citra. Sistem
mekanik mikroskop berfungsi menggerakan penggerak
kasar dan halus pada mikroskop untuk mendapatkan
titik fokus yang dikendalikan oleh sistem elektronik
dengan mikrokontroler ATmega8535. Kamera digital
berfungsi menggantikan mata untuk akuisisi citra sampel yang dapat disimpan dalam bentuk data digital.
Blok diagram sistem pencitraan mikroskop seperti disajikan pada G AMBAR 2.
B.
Pengembangan Algoritma Pengolahan Citra Untuk Identifikasi Bakteri TB
Beberapa peneliti di dunia telah melakukan banyak
penelitian tentang pemeriksaan sampel dahak dengan
menggunakan teknik pemrosesan citra. Segmentasi
bakteri dari spesies tertentu memerlukan proses yang
kompleks.
Oleh karena itu selain bentuk, informasi warna bakteri banyak digunakan. Veropoulos
dkk. menggunakan metode identifikasi berdasarkan
deskriptor bentuk dan klasifikasi dengan jaringan
syaraf tiruan menunjukkan sensitivitas (rasio keputusan positif benar terhadap jumlah kasus positif)
sebesar 94,1%[4, 5] Peneliti lain menggunakan informasi
warna sebagai faktor diskriminan kunci baik untuk segmentasi dan identifikasi bakteri[6] atau segmentasi sel
kanker untuk diagnosis paru-paru.[7, 8]
Pemrosesan citra TB dilakukan oleh Khutlang
dkk yaitu melakukan skrining untuk TB di negaranegara berpenghasilan untuk identifikasi mycobacterium tuberculosis secara otomatis dalam citra ZiehlNeelsen (ZN), dahak bernoda diperoleh menggunakan
mikroskop medan-terang. Segmentasi objek bakteri dengan menggunakan kombinasi dua pengklasifikasi kelas pixel. Algoritma ini menghasilkan hasil yang sesuai
dengan segmentasi manual, kemudian memodifikasi
jarak Hausdorff dan indeks Williams. Ekstraksi ciri dan
optimalisasi fitur yang ditetapkan oleh pemilihan subset ciri dan transformasi Fisher. Sensitivitas dan spesifisitas dari semua pengklasifikasian diuji di atas 95%
untuk identifikasi objek bakteri yang diwakili oleh ciri
Fisher. Hasil ini dapat digunakan untuk mengurangi
keterlibatan teknisi pada pemeriksaan TB[9] Identifikasi
secara otomatis akan memberikan beberapa kelebihan,
seperti pengurangan beban kerja dokter, meningkatkan sensitivitas pengujian dan akurasi yang lebih baik
dalam diagnosis dengan meningkatkan jumlah citra
yang dapat dianalisis oleh komputer[10] Segmentasi dan
klasifikasi dengan pendekatan komponen warna hue
digunakan untuk identifikasi bakteri TB. Metede ini
dikembangkan batas ambang saturasi warna pada piksel citra bakteri TB Ziehl-Neelsen (ZN).[11]
Pengembangan algoritma pengolahan citra untuk
deteksi bakteri TB meliputi: marker warna, segmentasi citra, morfologi, ekstraksi ciri dan klasifikasi dengan jaringan syaraf tiruan untuk proses pelatihan dan
identifikasi bakteri TB. Dengan dilakukan proses pelatihan bentuk bakteri, maka data pelatihan akan digunakan untuk mengidentifikasi bakteri TB. Bakteri yang
akan diidentifikasi sebagai TB berdasarkan bentuk dan
warna dari bakteri tersebut. Citra mikroskopik dengan
metode pewarnaan Ziehl-Nelsen (ZN) dilakukan untuk identifikasi bakteri tahan asam (BTA). Bakteri tahan
asam (BTA) adalah bakteri yang pada pengecatan ZN
Prosiding InSINas 2012
0782: Kusworo Adi dkk.
KO-82
tetap mengikat warna pertama, tidak luntur oleh asam
dan alkohol, sehingga tidak mampu mengikat warna
kedua. di bawah mikroskop tampak bakteri berwarna
merah dengan warna dasar biru muda. Gambar 3
merupakan blok diagram pengembangan algoritma untuk proses pelatihan maupun identifikasi bakteri TB.
G AMBAR 4: Desain sistem mekanik pencitraan mikroskop
G AMBAR 3: Diagram Blok Pengolahan Citra
Adapun spesifikasi algoritma pengolahan citra yang
telah dikembangkan adalah:
gearbox dc, (c) sistem elektronik dan komunikasi data
dengan Mikrokontroler ATmega8535 dan perangkat lunak untuk mengendalikan sistem mekanik pada penggerak mikroskop. @@@ Motor gearbox dc yang digu-
• Dapat membedakan antara obyek (bakteri) dan
background
• Dapat melakukan segmentasi obyek untuk mendapatkan parameter eccentricities dan compactness
• Arsitektur Jaringan Syaraf Tiruan (JST) adalah 2
layer input (eccentricities dan compactness), 15
layer tersembunyi, dan 1 layer output (positif TB
dan Negatif TB)
III.
HASIL DAN PEMBAHASAN
A. Sistem Pencitraan Mikroskop
Rancang bangun sistem pencitraan mikroskop
meliputi desain mekanik, elektronik, dan pengambilan
citra dengan kamera digital. G AMBAR 4 merupakan
desain mekanik sistem pencitraan mikroskop yang
terdiri dari casing motor dan bracket yang digunakan
untuk menggerakkan penggerak mikroskop secara
otomatis.
Sistem pencitraan mikroskop mempunyai spesifikasi:
Gearbox Motor DC Rasio 1:
100 (100 putaran 1 output)
Torsi: 3 kg-cm
Tegangan Kerja:
2×12 Volt DC
Arus: Maks 2 Ampere
Perbesaran Digital:
100 x, 250 x, 1000 x, 2500 x
Resolusi Kamera:
320 x 240 piksel, 640 x 480 piksel, 1280 x
960 piksel, 2560 x 1920 piksel
Sedangkan G AMBAR 5 merupakan sistem pencitraan
mikroskop yang terdiri dari: (a). sistem pencitraan
mikroskop lengkap, (b). sistem mekanik dengan motor
G AMBAR 5: Hasil racang bangun sistem pencitraan mikroskop
nakan untuk menggerakkan penggerak kasar dan halus
pada mikroskop dkendalikan oleh sistem elektronik
dengan Mikrokontroler ATmega8535, selain itu digunakan sebagai komunikasi melalui port serial untuk
mengendalikan gerakan penggerak mikroskop melalui
komputer dalam mendapatkan titik fokus.
Dari hasil pengujian secara fungsional dari sistem
mekanik, elektronik dan kamera sudah bekerja dengan
baik. Untuk sistem mekanik, gearbaok motor dc yang
digunakan pada sistem ini sudah dapat menggerakkan
penggerak kasar dan halus pada mikroskop. Hasil peProsiding InSINas 2012
0782: Kusworo Adi dkk.
KO-83
ngujian setiap langkah gerakan motor dengan jalur lintasan sepanjang 35 mm seperti pada TABEL 1
TABEL 1: Hasil pengujian gerakan motor dc pada sistem mekanik
Perpindahan (mm)
Naik
Turun
K
1S 4S
K
1S 4S
Kasar
5
0,5
2
8
1
4
Halus
0,1
0,05
Ket.: K=Kontinyu, S=Step
Mode Gerak
Berdasarkan pengujian didapatkan hasil yang
berbeda antara gerakan naik dan turun, hal ini disebabkan karena suplai tegangan pada gerakan naik
dibuat lebih besar agar dapat mengangkat beban yang
lebih berat. Ketika diberi suplai tegangan yang sama
(±2,8 Volt) pada gerakan naik tidak sebaik gerakan
turun dan berhenti setelah menempuh jarak 10 mm.
TABEL 2 merupakan hasil pengujian tegangan dan arus
ketika motor bergerak naik dan turun.
TABEL 2: Hasil pengujian tegangan (V) dan arus (I)
Pengukuran ke
1
2
3
4
5
Rerata
Gerakan Naik
V
I
(Volt) (mA)
- 4,5
- 167
- 4,6
- 200
- 4,5
- 133
- 4,6
- 200
- 4,6
- 167
- 4,6
- 173,4
Gerakan Turun
C
I
(Volt)
(mA)
2,8
67
2,7
67
2,8
100
2,8
67
2,8
67
2,8
73,6
G AMBAR 7: Hasil pengujian dengan sampel dahak terinfeksi bakteri TB
@@@ Algoritma Pengolahan Citra Untuk Identifikasi
Bakteri TB Hasil simulasi algoritma pengolahan citra
yang telah dikembangkan seperti pada G AMBAR 8
Pengujian sistem pencitraan mikroskop selanjutnya adalah menguji fokus citra dengan mengerakkan
mikroskop naik maupun turun, hasil pengujian seperti
pada G AMBAR 6.
G AMBAR 6: Hasil pengujian fokus kamera dengan gerakan motor
Hasil pengujian fokus kamera (a) posisi fokus, (b)
mikroskop digerakkan naik 1 step, (c) mikroskop digerakkan naik 2 step, dan (d) mikroskop digerakkan naik
3 step. Pengujian pengambilan sampel dahak terinfeksi
bakteri TB hasilnya seperti pada G AMBAR 7 Tampak dari
hasil pengujian sistem pencitraan mikroskop telah dapat mengambil citra bakteri terinfeksi tuberkulosis (TB)
meskipun hasilnya belum begitu fokus.
G AMBAR 8: Hasil simulasi algoritma pengolahan citra
Secara fungsional algoritma ini sudah bekerja dengan baik, karena pada prisipnya untuk mengenali bakteri tersebut dilihat dari warna dan bentuknya. Algoritma pengolahan citra untuk identifikasi bakteri TB
Prosiding InSINas 2012
0782: Kusworo Adi dkk.
KO-84
pada langkah pertama diuji dengan menggunakan citra
uji yang digunakan oleh para peneliti sebelumnya[12]
Adapun hasil pengujian seperti pada G AMBAR 9.
G AMBAR 9: Hasil pengujian dengan citra uji, (a) dan (c) merupakan citra sebelum proses identifikasi, (b) dan (d) merupakan citra
hasil identifikasi
Berdasarkan hasil pengujian dengan citra uji, algoritma tersebut masih belum dapat mengenali obyek
bakteri menumpuk yang merupakan bakteri seperti
ditunjukkan pada G AMBAR 9-(d) Kemudian pengujian
dilanjutkan dengan sampel yang pekat/kental seperti
pada G AMBAR 10.
G AMBAR 11: Hasil pengolahan citra dengan citra hasil akuisisi
sistem pencitraan mikroskop
kan pada G AMBAR 11 Tampak dari hasil tersebut algoritma sudah dapat mengidentifikasi bakteri dengan
baik.
IV.
KESIMPULAN
Dari hasil penelitian dapat kesimpulan sebagai
berikut : 1. Sistem pencitraan mikroskop sudah bekerja dengan baik dalam mengakuisisi citra sampel dahak terinfeksi bakteri TB dengan metode metode pewarnaan Ziehl-Nelsen (ZN) meskipun kurang fokus
hasilnya, sehingga masih perlu perbaikan. 2. Algoritma pengolahan citra untuk identifikasi bakteri TB
telah berhasil mengenali bakteri TB berdasarkan warna
dan bentuk. Akan tetapi sistem ini belum dapat
mengenali bakteri yang menumpuk dan sampel yang
pekat/kental.
UCAPAN TERIMA KASIH
Kementerian Riset dan Teknologi Republik Indonesia yang telah mendanai penelitian ini melalui Program
Insentif SiNas Terapan.
DAFTAR PUSTAKA
G AMBAR 10: Contoh sampel yang terlalu pekat
Sampel yang terlalu pekat akan sulit dibedakan antara obyek dengan background, sehingga untuk kasus
tersebut perlu perbaikan pada proses pembuatan sampel dengan metode pewarnaan Ziehl-Nelsen (ZN).
Algoritma pengolahan citra diujikan pada citra hasil
akuisisi sistem pencitraan mikroskop seperti ditunjuk-
[1] Sadaphal, P., Rao, J., Comstock, G. W., dan Beg,
M. F., (2008), Image Processing Techniques for
Identifiying Mycobacterium Tuberculosis in ZiehlNeelsen Stains, International Journal Tuberc Lung
Disease 12(5): 579-582.
[2] Malacara, D., (1988), Methods of Experimental
Physics, Geometrical and Instrumental Optics, Vol
25, Academic Press, Inc.
[3] Douglas C. Giancolli, (2005), Physics, Ed. 6th, PearProsiding InSINas 2012
0782: Kusworo Adi dkk.
KO-85
son Prentice Hall.
[4] Veropoulos, K., Campbell, C., and Learmonth, G.,
(1998), Image Processing And Neural Computing
Used In The Diagnosis Of Tuberculosis, Proc. IEE
Colloquium on Intelligent Methods in Healthcare
and Medical Applications (Digest No. 1998/514),
pp. 8/1 - 8/4
[5] Veropoulos, K., Learmonth, G., Campbell, C., and
Knight, B., Simpson, J., (1999), Automatic Identification of Tubercle Bacilli in Sputum. A preliminary
investigation, Analytical and Quantitative Cytology and Histology, Vol. 21, No. 4, (Aug. 1999), pp.
277-81, ISSN 0884-6812.
[6] Alvarez-Borrego J., Mourino R., CristLobal G., and
Pech J., (2000), Invariant Optical Color Correlation
for Recognition of Vibrio Cholerae, in Int. Conf. on
Pattern Recognition, 2847, p. 283, Barcelona, Spain
[7] Sammouda R., Niki N., Nishitani H., Nakamura S.,
and Mor S. , (1997), Segmentation of Sputum Color
Image for Lung Cancer Diagnosis, in Int. Conf. on
Image Processing, 1, p. 243, Washington, USA.
[8] Sammouda R., Niki N., Nishitani H, and Kyokage
E., (1998),Segmentation of Sputum Color Image for
Lung Cancer Diagnosis Based on Neural Network,
IEICE transactions on Information and Systems
[9] Khutlang, R., Krishnan, S., Dendere, R., Whitelaw,
A., Veropoulos, K., Learmonth, G., and Douglas T.
S., (2010), Classification of Mycobacterium Tuberculosis in Images of ZN-stained Sputum Smears,
IEEE Transactions on Information Technology in
Biomedicine, Vol. 14, No. 4, (July 2010), pp. 949957, ISSN 1089-7771.
[10] Forero, M. G.; Cristobal, G. and Borrego, J.
A., (2003), Automatic Identification Techniques of
Tuberculosis Bacteria, SPIE Proceedings Of The
Applications Of Digital Image Processing XXVI,
Vol.5203, pp. 71-81, ISBN 0-8194-5076-6
[11] Makkapati, V., Agrawal, R., and Acharya,R.,(2009),
Segmentation and classification of tuberculosis
bacilli from ZN-stained sputum smear images,
CASE 2009: 217-220
[12] Centers for disease control and prevention (cdc) public health image library (phil),
http://phil.cdc.gov/phil/home.asp.
Prosiding InSINas 2012