analisa mammografi mikrokalsifikasi menggunakan ciri

93
ANALISA MAMMOGRAFI MIKROKALSIFIKASI
MENGGUNAKAN CIRI-CIRI STRUKTUR CITRA TINGKAT KEABUAN
Handayani Tjandrasa*, Anak Agung Ngurah Gunawan**, dan IDG Sukardja***
ABSTRAK
Mammografi adalah metoda yang efektif untuk mendeteksi tumor payudara. Ditemukannya mikrokalsifikasi
pada mammogram merupakan tanda-tanda utama adanya tumor payudara. Meskipun demikian sulit untuk
membedakan antara mikrokalsifikasi ganas dan jinak pada tumor payudara. Metode histogram orde dua yang
digunakan untuk proses analisa kalsifikasi pada citra mammografik diharapkan dapat menentukan mana
yang ganas dan yang jinak. Keadaan ini berbeda dengan metode pemisahan ciri-ciri bentuk berdasarkan
proses segmentasi. Pengolahan lebih lanjut dengan klasifikasi statistik menghasilkan fungsi determinan
untuk menentukan jenis tumor payudara. Dari hasil perhitungan histogram orde dua diperoleh bentuk grafik
yang berbeda untuk berbagai jenis tumor payudara. Hasil uji coba untuk 40 sampel citra mammografik
menunjukkan prediksi bahwa 39 sampel benar dan 1 sampel salah, yang memberikan akurasi sebesar 97,5%.
Kata kunci: mammografi, mikrokalsifikasi, histogram orde dua
ABSTRACT
Mammography is an effective method to detect breast tumors. The detection of microcalcifications in
mammograms is the early significant sign of the breast tumor. However it is difficult tn differentiate fc»twe»n
malignant and benign microcalcifications in breast tumors. The second order histogram method used for
analyzing mammographic images is expected to be able to differentiate which tumor is malignant or benign.
This method is different from the features based on extracted segmentation. Further processing with
statistical classification result in discriminant functions for determining the type of breast tumors From the
calculation of the second order histogram can be obtained different shaped graphics for different types of
breast tumors. The experimental results for 40 samples of mammographic images show the prediction that 39
samples are correct and 1 sample is false which gives the accuracy of 97.5 %.
Keywords: mammography, microcalcification, second order histogram
1. PENDAHULUAN
Di Indonesia, kanker payudara merupakan proses
keganasan kedua Isrbanyak pada wanita setelah
carcinoma cervix uteri. Walaupun kanker ini
terbanyak menyerang wanita usia 40-49 tahun,
ternyata bisa menyerang wanita muda usia muda.
Kepastian diagnose untuk kanker tergantung dari
temuan pada pemeriksaan yang dipakai sebagai
dasar diagnose. Kepastian itu dibagi menjadi 5
tingkatan:
1) Temuan pada pemeriksaan standar.
Untuk diagnostik lesi mamma pemeriksaan
standar adalah anam-nese, pemeriksaan fisik
dengan sistem TNM (Tumor-Nodus-Metastase)
dan pemeriksaan radiologi dengan mammografi.
* Jurusan Teknik Informatika, FTIF, ITS Surabaya
** Universitas Udayana Bali
*** Universitas Airlangga Surabaya
2) Temuan pada pemeriksaan khusus.
Pemeriksaan khusus untuk diagnostik adalah
pemeriksaan patologi yang dipakai sebagai gold
standard.
3) Temuan pada operasi eksplorasi.
Pemeriksaan eksplorasi terutama untuk
mengetahui banyak dan tinggi level metastase di
nodus axilla.
4) Temuan pada operasi definitif dan spesimen
operasi.
Setelah diadakan operasi, maka spesimen
operasi harus diperiksa patologis, terhadao besar
tumor dan ada
atau tidaknya metastase di
nodus axilla, banyaknya nodus axilla yang
terkena serta tinggi level metastase.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
94
5) Temuan pada autopsi.
Pemeriksaan
ini baru
dilaksanakan
setelah
besar tumor untuk dapat diraba dianggap 1 cm maka
dengan mammografi, tumor dapat dideteksi sampai
waktu ganda dalam perjalanan penyakit kanker
diagnostik yang tertinggi.
minimal 2 mm, atau dengan keuntungan maksimal S
penderitn mpninggal dan mcrupakan
kcpastian
payudara. Kalau waktu ganda dalam pertumbuhan
Sejak sekitar tahun 1987, di Indonesia penelitian
dalam bidang ini mulai banyak dilakukan, dengan
sono-mammografi tumor payudara yang padat dapat
memberi kontras yang baik (Hartono dan Oesman
1987). Kombinasi pemeriksaan mammografi dan
sonografi dapat meningkatkan ketepatan diagnosa
tumor payudara (Hasan dkk. 1989; Sukardja 1984).
Untuk analisa secara otomatis dengan komputer,
film mammogram diubah dalam bentuk citra digital
uutuk
dipiuses
lebiti
lanjut.
Pengembangan
kanker
mamma
itu rata-rata
3
bulan, maka
keuntungan waktu yang diperoleh dengan staining
mammografi adalah 2 tahun terdeteksi lebih dini.
Sehingga stadiumnya lebih dini dan kemungkinan
sembuh lebih besar. Deteksi dini dapat diperoleh
dari citra mammogram dengan mikrokalsi-fikasi,
hanya tidak semua kanker mengalami kalsifikasi dan
tidak semua kalsifikasi itu karena kanker.
Mammografi (Sukardja 1984) mempunyai:
2) Sensitivitas: >90%.
(Mascio dkk. 1994) menganalisa dan memberi tanda
1) Kemampuan deteksi kanker mamma: 80%.
algoritma menggunakan morfologi tingkat keabuan
mikrokalsifikasi pada mammogram digital dengan
harapan untuk mengurangi persentase dari diagnosa
f a l s e - n e g a t i v e yang diestimasikan 20%, sedangkan
Kabatake (1996) menggunakan
untuk mendeteksi
spicules
analisa
pada
skeleton
mammogram.
Penyelesaian klasifikasi tesktur dengan Wavelet
diberikan oleh Laine dan Fan (1993).
Pada studi ini digunakan histogram orde
parameter-parameter E n t r o p y ,
dua dengan
Contrast,
Angular
3) Spesifisitas: >90%.
4) P o s i t i v e p r e d i c t i v e v a l u e : 10-40%.
5) Tambahan deteksi dengan d o u b l e r e a d 15 %.
Kelainan yang nampak pada mammografi dapat
berupa:
1) Tanda Primer
• Tumor
kasar
Wintz 1987) untuk analisa tekstur mikrokalsifikasi
(irreguler), batas tidak tegas, permukaan
Pratt 1991; Jain 1999; Hussain 1991; Gonzales dan
Tumor pada kanker bentuknya tidak teratur
second
M o m e n t dan lain-lain (Dhawan dkk. 1996;
mammogram.
Data
mammogram
untuk
dan berjonjot
(speculated). Kurang
mammografi.
anatomi Rumah Sakit Dokter Soetomo Surabaya.
tumor
keperluan studi ini diperoleh dari catatan patologi
lebih 5 % batas tumor tegas, dan 10-15 %
pada
palpabel
tidak
terlihat
dengan
Karena jenis tumor ganas mikrokalsifikasi relatif
•
sukar didapat maka hanya diperoleh data sebanyak 5
Kalsifikasi
(clustered)
Mikrokalsifikasi (GTM), dan 16 kasus Normal (N).
mikrokalsifikasi
Tanpa Mikrokalsifikasi (JTM), 7 kasus Ganas Tanpa
Kalsifikasi
kasus Ganas Mikrokalsi-fikasi (GM),
12 kasus Jinak
pada
kanker
yang
berupa
bergerombol
atau linier dengan penyebaran
yang tidak teratur. Kalsifikasi bergerombol ±
33 %. Sekitar 50 % kanker mamma yang non
2. MAMMOGRAFI
Dalam
radiologi
palpabel
pemeriksaan
mammografi
dapat
dideteksi
karena
ada
mikrokalsifikasi.
merupakan pemeriksaan yang paling sensitif untuk
•
mendiagnosa lesi mamma, walaupun mempunyai
Distorsi struktur mamma
s t r i n g sign),
mamma yang kecil dan padat, serta mamma dengan
Ada
keterbatasan untuk menunjukkan adanya tumor pada
f i b r o c y s t i c disease.
gambaran seperti pengerutan
(purse
asimetri.
Kalau dengan palpasi batas
Majalah IPTEK - Vol. 14, No. 2 Mei 2003
95
Pemeriksaan pada kanker yang non palpabel
3.2 Kontras H( y„, y , d)
menunjukkan:
Ciri-ciri kontras pada histogram orde dua dinyatakan
r
oleh:
•
Struktur tanpa kalsifikasi 5 0 %
•
Asimetri Mikrokalsifikasi 90 %
t
Tumor irreguler dengan kalsifikasi 70%
•
Tumor irreguler tanpa kalsifikasi 40%
•
Distorsi struktur dengan kalsifikasi 60%
•
Distorsi dengan kalsifikasi 30 %
Y,
2
Yq =Y,
Y
2 d( y , y ) H( y , y„ d)
Yr=Y,
t
q
r
q
dimana 5(y ,y ) adalah ukuran ketidakseragaman.
q
2) Tanda Sekunder
r
Ukuran ini menyatakan ketajaman variasi struktural
dalam citra tersebut.
3.3 Momen Angular Kedua H(y ,y ,d)
q
•
Retraksi kulit atau papil
•
Penebalan kulit
•
Permeasi limfe { l y m p h a t i c p e r m e a t i o n )
•
Hypervaskularasi
•
Pelebaran duktus
•
Pembesaran nodus axilla
Momen
angular
kedua
r
memberikan
ukuran
keseragaman yang kuat dan diekspresikan dengan:
Y
Y
- r'
£ '[H(y,.yr.d)]
Yq=Y, Yr=Y,
Nilai-nilai
2
ketidakseragaman
yang
lebih tinggi
menyatakan variasi struktural yang lebih tinggi.
3. M E T O D E HISTOGRAM ORDE DUA
3.4 Momen Diferensial Invers H(y ,y ,d)
q
Histogram orde dua H(y ,y ,d) mendeskripsikan
pendistribusian kemungkinan kejadian dari sepasang
piksel tingkat keabuan yang dipisahkan oleh suatu
vektor pergeseran (d). Berdasarkan histogram orde
dua, dapat dilakukan analisa tekstur dengan
menghitung parameter-parameter sebagai berikut:
Entropy, Contrast, Angular second moment, inverse
difference moment, Correlation, Mean, Deviation,
Entropy of H , Angular Second moment (ASM) of
Hdiff (Dbawan dkk. 1996; Pratt 1991; Jain 1989;
Hussain 1991; Gonzales dan Wintz 1987).
q
r
r
diff
Momen diferensial invers adalah suatu ukuran dari
homogenitas lokal dan diformulakan oleh:
Y|
Y
Yq =Y, Y r - Y , l+3(y ,y )
q
r
J
untuk Y r * Y q
3.5 Nilai Rata-rata (Mean) H ( y , d)
m
q
Nilai rata-rata dari H (y ,d) didefinisikan sebagai:
m
3.1 Parameter Entropy H (y , y , d)
q
r
Entropy yang dihitung berdasarkan histogram orde
dua memberikan ukuran ketidakseragaman dan
didefinisikan sebagai:
Y,
Y,
- 2
I [H(y ,y„d)]log[H(y ,y„d)]
Yq=Y, Yr=Y,
q
q
•
q
Y,
£ y H (y d)
Yq=Y,
q
m
q )
Bila nilai meannya kecil maka histogram
terkonsentrasi di sekitar y = y „ dan nilainya besar
jika sebalikmya.
s
Nilai ukuran keseragaman yang tinggi menunjukkan
variasi struktural yang lebih rendah.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
96
3.6 Deviasi dari H m ( y q , d)
Deviasi dari Hm( yq, d) diberikan oleh:
v,
v,
V [ 2[y q - 2 y p H m (y p ,d)] 2 H m (y q ,d)]
Yq=Y, Yp=Y,
dimana:
Y,
H m (y p ,d)= Z H ( y q , y r , d )
Yp=Y,
Mm(
M
) ~ E II{ , q , y„ d )
Yq=Y,
Nilai ini menyatakan kerapatan distribusi Hm(yp,d)
disekitar nilai rata-rata. Bila nilai deviasi kecil maka
histogram terkonsentrasi disekitar nilai rata-rata.
Disamping parameter diatas, didefinisikan pula
histogram orde dua diferensial. Histogram orde dua
diferensial mewakili probabilitas kejadian dari
perbedaan (lyq - yrl = I), dalam nilai tingkat keabuan
dari dua piksel yang dipisahkan oleh vektor berjarak
tertentu (d). Histogram ini didefinisikan sebagai:
Yt
Y,
S
I H(yp,yr,d)
Yq =Yi I Yq -Y, | = i Yp=Y,
H«r(w#>
Tiga sifat berdasarkan histogram orde dua
diferensial dijelaskan di bawah. Tujuan penggunaan
sifat-sifat dari statistik diferensial histogram orde
dua adalah untuk menelaah lebih jauh sifat-sifat citra
mammogram.
3.7 Entropy H dif f(i,d)
Entropy yang dihitung
memberikan:
i,
- 1 HiffCi.d) log Hdl(T(i,d)
i=i,
terhadap
Hd,n(i,d)
3.8 Momen Angular Kedua dari Hditf(i,d)
Momen Angular kedua dari Hdin{i,d) dinyatakan
sebagai:
it
Hdi(r(i,d) = 2 [Hdiff(i,d)]2
i=i,
3.9 Nilai rata-rata dari Hdifr(i,d)
Sedangkan nilai rata-rata (mean) dari H ^ d )
diperoleh dari:
i.
Mean Hjifrad) = 2 iH^ad)
i=i,
Perlu dicatat bahwa kita menghitung sifat-sifat
untuk suatu jarak skalar tertentu 'x' sebagai rata-rata
dari vektor pergeseran d = (x, 0), (0, x), (x, x), dan
(x, -x). Vektor-vektor pergeseran ini menyatakan
piksel-piksel pada jarak yang sama dari titik
referensi.
4. HASIL UJI COBA
Untuk uji coba digunakan 40 citra mammogram
yang terdiri dari 5 kasus Ganas Mikrokalsifikasi
(GM), 12 kasus Jinak Tanpa Mikrokalsifikasi
(JTM), 7 kasus Ganas Tanpa Mikrokalsifikasi
(GTM), dan 16 kasus Normal (N).
Citra mammogram diperbaiki dengan proses
ekualisasi histogram untuk mendapatkan visualisasi
yang lebih jelas. Selanjutnya dilakukan analisa
tekstur menggunakan metode histogram orde dua
dengan menghitung parameter-parametemya.
Gambar 1, 2, 3, 4, dan 5 memperlihatkan jenis-jenis
tumor, hasil ekualisasi histogram, serta hasil
prediksinya berdasarkan nilai entropy dari histogram
orde dua.
Majalah IPTEK - Vol. 14, No. 2 Mei 2003
97
(a)
GS3Z9I
•
'
«...
(b)
Gambar 1. Jenis tumor ganas nukrokalsifikasi:
(a) Citra asal "dan histogram ekualisasi.
(b) Hasil prediksinya.
•
-
4
(b)
Gambar 3. Jenis tumor jinak tanpa mikrokalsifikasi:
(a) Citra awal dan histogram ekualisasi.
(b) Hasil prediksinya.
jHjo-.trnKoCv
li
t i
y
£+ •• i . : • • > . t ' - ' i y :. ;
.-A
I * •»
« * •
WKSSKSstts: : :
::
::
.M;5*:': C.<!B:.,V';
:
»l
•
•
M W f i n
ft*:*™
x: 0. B J J K J ' . : :
:
:W:':>>::':t>:*W<::::::::
::M:::'>x: :fi:::^t«::::::x>
:
: : ;
:
::!'l">>T;;::^.*Wii:;::;:::::
: :
:
J«
-K
(b)
GafTlbSf 2. Jenis tumor ganas tanpa mikrokalsifikasi:
(a) Citra asal dan histogram ekualisasi.
(b) Hasil prediksinya.
,«
.
.
..
i
(b)
Gambar 4. Jenis normal: (a)Citra asal dan histogram
ekualisasi. (b)Hasil prediksinya.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK
r.v
5.6967169*d5- 6.6436526M6 31.1283052*d7+ 13.1412975*d8+
1.0480655*d9 +7.2533856*dl0
:i:j::o:|:iii^ijJy*:
. .
Y3 =-4.1109589 + 5.4663126*dl.+ 1.8430295*d222.7307586*d3- 0.4487816*d4 2.3318533*d5+ 22.5505006*d6 16.9662300*d7+ 9.040922*d8+ 11.2156147
*d9-3.9252490*dl0
Rata-rata skor diskriminan kelompok i untuk fungsi
diskriminan j (Yij) adalah:
Y l l = 9.20748; Y12=-0.58657
Y13= 0.64592; Y21=-2.23598
Y 2 2 = - i .3Z3SS;
Y23= 0.84889
Y31= -0.84435; Y32= 2.22283
Y33= 1.22613; Y41=-0.29198
Y42= 0.19093; Y43= -1.52523
Persamaan Kelompok adalah:
Gambar 5. Jems ganas mikrokalsifikasi tanpa tumor:
(a) Citra asal dan histogram ekualisasi.
(b) Hasil prediksinya.
Kelompok tumor jenis ganas tanpa mikrokalsifikasi:
(GTM) = (Y1-Y11) + (Y2-Y12) + (Y3-Y13)
2
Dengan bantuan perangkat SPSS, berdasarkan hasil
perhitungan parameter-parameter tersebut dilakukan
uji diskriminan. Setelah uji diskriminan diperoleh
faktor-faktor
dominan,
selanjutnya
dibuat
pemodelan
matematisnya.
yang
mampu
memprediksikan jenis tumor payudara.
Dari 40 sampel citra mammogram didapat sebanyak
400 data hasil perhitungan parameter-parameter
histogram orde dua dan setelah dilakukan uji
diskriminan ternyata parameter yang paling baik
adalah entropy.
2
2
Kelompok tumor jenis jinak tanpa mikrokalsifikasi:
(JTM) = (Yl-Y21) + (Y2-T22) + (Y3-Y23)
2
2
2
Kelompok tumor jenis ganas mikrokalsifikasi: (GM)
= (Yl-Y31) + (Y2-Y32) + (Y3-Y33)
2
2
2
Kelompok normal:
(N) = (Yl-Y41) + (Y2-Y42) + (Y3-Y43)
2
2
2
Dari pengujian terhadap 40 sampel pasien baru
ternyata ada satu sampel yang prediksinya tidak
tepat. Hal itu disebabkan kankemya berupa
mikrokalsifikasi tanpa tumor, yang mengakibatkan
salah interpretasi.
Berdasarkan faktor-faktor dominan untuk entropy
diperoleh fungsi diskriminan tak baku sebagai
berikut:
Y l = -0.2627413+34.6782658*dl-40.5379611*d2+
33.1485421*d3 - 62.6186396*d4 +
47.7196980*d5 - 8.9840276*d6- 8.2694800
*d7+ 4.7404956*d8- 3.5118845*d9 +
3.5265216*dl0
5. SIMPULAN
Dari hasil analisa mammografi
mikrokalsifikasi
dengan menggunakan ciri-ciri struktur citra tingkat
keabuan dapat disimpulkan:
1) Dari sepuluh parameter citra yang ada temyata
entropy paling baik untuk digunakan dalam
Y 2 = -1.3276380 - 1.2328499*dl + 15.8828658*d2
analisa mammografi.
+ 5.4487649*d3 + 3.9931677*d4 Majalah EPTEK - Vol. 14, No. 2 Mei 2003
99
2) Dengan menggunakan parameter entropy
temyata faktor-faktor yang dominan untuk
memprediksi tumor payudara adalah harga
entropy D l , D2, , D10 yang dievaluasi pada
d=l, 2, 3,
,10 (d adalah jarak antar piksel).
3) Dilihat dari bentuk grafik temyata jenis normal
berupa garis lurus, sedangkan yang positif tumor
bempa garis tidak lurus.
Tumor ganas
mikrokalsifikasi berupa garis lurus, dilanjutkan
miring ke bawah dan kembali lurus. Untuk jenis
tumor jinak tanpa mikrokalsifikasi berupa garis
miring keatas selanjutnya lurus. Untuk jenis
tumor ganas tanpa mikrokalsifikasi berupa garis
miring ke bawah selanjutnya lurus.
4) Analisa
mammografi
mikrokalsifikasi
menggunakan metoda statistik histogram orde
dua terbukti menghasilkan kebenaran prediksi
sekitar 97,5 %.
Hasan, K.H., Rustiadji, Oesman, M . , dan Sukardja,
IGN (1989), Ketepatan Mammografi dan
Sonomammografi
untuk
Mendiagnosa
Benjolan Payudara, FK.Unair, Surabaya.
Hussain, Z. (1991), Digital Image Processing, Ellis
Horwood.
Jain, A.K. (1999), Fundamentals o f Digital Image
Processing, Prentice-Hall International.
Kabatake, H. (1996), Detection
of Spicules
on
M a m m o g r a m Based
on Skeleton
Analysis,
IEEE Trans. Medical Image,Vol. 15, p. 235.
Laine, A. dan Fan, J. (1993), Texture
Classification
by Wavelet Packet
S i g n a t u r e , IEEE Trans
On
Pattern Analysis and Machine
Intelligence, Vol. 15, No. 11, pp. 1186-1191.
Mascio, L.N., Hernandez, J.M., dan Logan, C M .
(1994),
Automated
Microcalcifications
in
Analysis
High
DAFTAR ACUAN
Digital Mammograms, Lawrence
Dhawan, A.P., Chitre, Y., Kaiser-Bonasso, C , dan
Moskowitz,
M . (1996), Analysis
of
M a m m o g r a p h i c Microcalcifications
Using
G r a y - L e v e l I m a g e S t r u c t u r e F e a t u r e s , IEEE,
Trans. Medical Imaging, Vol. 15, pp. 246259.
National
Gonzales, R.C. dan Wintz, P. (1987), Digital Image
Processing, Addison-Wesley.
Hartono, L dan Oesman, M. (1987), Sonomammo-
Laboratory
for
Resolution
Livermore
Biology
and
Biotechnology Research Program.
Pratt, W.K. (1991), Digital Image Processing,
Wiley Interscience.
Sukardja, IGN. (1984), Deteksi dini kanker
payudara di Jatim. Pengaruh pen-didikan
kanker kepada masyarakat. Suatu studi
longitudinal (Ringkasan disertasi), Airlangga
University Press, Surabaya.
grafi, Kelebihan dan Kekurangannya, FK.
Unair, Surabaya.
Vol. 14, No. 2, Mei 2003 - Majalah IPTEK