Pemanfaatan Dewa Framework untuk Deteksi Dini Kanker Kulit pada CItra Biomedis

21
Pemanfaatan DeWa Framework untuk Deteksi Dini Kanker Kulit Pada Citra Biomedis S. Hadi, B.Y. Tumbelaka, B. Irawan, R. Rosadi Fakultas MIPA Universitas Padjadjaran Seminar Nasional FMIPA Universitas Padjadjaran 18 Oktober 2014

Transcript of Pemanfaatan Dewa Framework untuk Deteksi Dini Kanker Kulit pada CItra Biomedis

Pemanfaatan DeWa Frameworkuntuk Deteksi Dini Kanker Kulit

Pada Citra Biomedis

S. Hadi, B.Y. Tumbelaka, B. Irawan, R. RosadiFakultas MIPA Universitas Padjadjaran

Seminar Nasional FMIPA Universitas Padjadjaran18 Oktober 2014

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Agenda

Pendahuluan, yang berisi latar belakang permasalahan, studiliteratur (state-of-the-art) dan tujuan penelitian.

Metode, yang berisi jenis metode disertai rincian metodepengumpulan data dan metode analisis data yangdigunakan.

Hasil dan Pembahasan, yang menggambarkan hasil analisis danpembahasan hasil analisis.

Kesimpulan, yang berisi temuan penelitian, kelebihan dankekurangan penelitian, serta tindak lanjut.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Latar Belakang

Kanker Kulit

Salah satu jenis kanker yang biasadijumpai pada manusia

Temuan kasus 50% dari jenisseluruh jenis kanker

Jenis yang mematikan (ganas,malignant) disebut melanoma,ditemukan 3% dari keseluruhankasus kanker kulit

Jika dapat dideteksi lebih awalmaka tingkat kematian dapatdihindarkan/dikurangi

Problem: Proses pendeteksiansecara konvensional (biopsi,dermoskopi/dermatoskopi) secarakeseluruhankurang praktis dantidak ekonomis

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Latar Belakang

Kanker Kulit

Salah satu jenis kanker yang biasadijumpai pada manusia

Temuan kasus 50% dari jenisseluruh jenis kanker

Jenis yang mematikan (ganas,malignant) disebut melanoma,ditemukan 3% dari keseluruhankasus kanker kulit

Jika dapat dideteksi lebih awalmaka tingkat kematian dapatdihindarkan/dikurangi

Problem: Proses pendeteksiansecara konvensional (biopsi,dermoskopi/dermatoskopi) secarakeseluruhankurang praktis dantidak ekonomis

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Sistem Diagnosis ABCDE

A - Symmetry: Apabila kita gambar garis yangmemotong objek (mole) maka belahannya tidakakan sama

B - Border: Batas objek untuk melanoma terlihattidak beraturan

C - Color: Melanoma memiliki warna yang bervari-asi dan kadang-kadang berubah-ubah, demikian jugakecerahannya.

D - Diameter: Melanoma memiliki diameter lebihdari 6mm.

E - Evolving: Tanda yang menunjukkan kankerganas adalah perubahan yang terjadi dalam halwarna, bentuk, ukuran, elevasi, demikian pula den-gan efek gatal, pengerasan dan pendarahan.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Tujuan

Maksud: Mengembangkan algoritma dan mengevaluasi kinerjametode pendeteksian kanker kulit berbantuankomputer portabel.

Tujuan: Dihasilkannya perangkat lunak berbasis komputasiportabel untuk mendeteksi dini kanker kulit.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

DeWa framework

Dibangun 2008, lightweightframework

Menerapkan konsep multiaspek

yang dinamis dan terintegrasi

segmentationfilteringanalysis and classification

Sudah diterapkan dalam aplikasi

citra dijital

Pendeteksian wajahPendeteksian objek statis(diam)Pendeteksian gerakansederhanaPendeteksian gelombangtsunami

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

DeWa: Segmentation

Obtaining light and simple image without sacrifyinginformation detail

Goal: Optimal threshold value

Formulation: σ2w (t) = ω1(t)σ2

1(t) + ω2(t)σ22(t)

The algorithm:

1 Calculate the histogram and the probability of each level ofintensity

2 Set initial value of ω1(0) and µ1(0)3 Perform the following steps for all possible threshold

t = 1 . . .maxints

a. Update ωi And µi

b. Calculate σ2b(t)

4 Optimal threshold is obtained from the maximum value ofσ2b(t) = σ2 − σ2

w (t) = ω1(t)ω2(t)(µ1(t)− µ2(t))2.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

DeWa: Filtering

Objects that are not part of region of interest (ROI) arecleaned

Formulation: ψbf [x ] = b(f [x − y1], . . . , f [x − yn])

b(v1, . . . , vn) is a boolean function of n variables

f 7→ ψb(f ) is called a boolean filter

If b is the AND operator, then the result of shrinkage (shrink)from the image. Conversely, if b is the OR, there will beexpansion (expand) the image.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Segmentasi dan Filtering

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

DeWa: Analysis and Classification

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Clustering

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Connected Component Labeling

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Basisdata Kanker Kulit

Basis Data : eMedicineHealthAlamat : http://www.emedicinehealth.com/script/main/hp.aspBanyak Data : 56

Basis Data : Skin Cancer Pictures, By Lisa FayedAlamat : http://cancer.about.comBanyak Data : 13

Basis Data : SDermNet NZAlamat : http://www.dermnetnz.org/lesions/skin-cancer.htmlBanyak Data : 50

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Basisdata Kanker Kulit

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Hasil: Pembangunan Aplikasi

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Pengujian Aplikasi

Jumlah data yang yang dilatih: 29 data

Jumlah data yang diuji: 29 data

Kriteria pengujian: True Positive and True Negative, based onVisual Expert Accuracy Judgement

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Data dan Hasil Pengujian

ID Data Benign Malignant Hasil Pengujian True Positive True NegativeSC01-Assymetrical X benign XSC02-Melanoma X malignant XSC03-UnevenDistribution X benign XSC04-LargeSize X benign XSC05-Melanoma X * tidak terdeteksi* XSC06-Melanoma X malignant XSC07-Melanoma X malignant XSC08-Melanoma X * tidak terdeteksi* XSC09-Melanoma X malignant XSC10-Melanoma X malignant XSC11-Melanoma X malignant XSC12-Melanoma X * tidak terdeteksi* XSC13-Melanoma X * tidak terdeteksi* XSC14-Melanoma X malignant XSC15-Melanoma X malignant XSC16-Melanoma X malignant XSC17-Melanoma X malignant XSC18-Melanoma X malignant XSC19-Basal X benign XSC20-Melanoma X malignant XSC21-Squamus X benign XSC22-Squamus X benign XSC23-Squamus X benign XSC24-Basal X benign XSC25-Squamus X benign XSC26-Melanoma X malignant XSC27-Squamus X benign XSC28-Squamus X * tidak terdeteksi* XSC29-Melanoma X malignant X

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Hasil Pengujian

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Kesimpulan

1 Pada makalah ini telah dipaparkan aplikasi cerdaspendeteksian kanker kulit

2 Metode yang digunakan mengacu kepada framework DeWayang telah dikembangkan sebelumnya

3 Data yang digunakan sebanyak 58 data citra biomedis kankerkulit masing-masing 28 data untuk pengujian dan 29 datauntuk pelatihan

4 Teknik pengujian metode menggunakan Receiver OperatingCharacteristiks untuk dua jenis saja yaitu true positive dantrue negative

5 Tingkat kesuksesan metode adalah di atas 80%.

Semnas FMIPA Unpad 2014 SBBR

Pendahuluan Metode Hasil dan Pembahasan Kesimpulan

Ucapan Terimakasih

Makalah ini adalah bagian dari kegiatan Penelitian UnggulanPerguruan Tinggi tahun 2014. Terima kasih kepada LPPM Unpaddan Fakultas MIPA Universitas Padjadjaran atas dukungannya.

Semnas FMIPA Unpad 2014 SBBR