Pengolahan Citra
-
Upload
farta-w-herdianta -
Category
Documents
-
view
67 -
download
0
description
Transcript of Pengolahan Citra
-
Jurnal TIF, Vol. 1 No. 2, Desember 2010
149
PENGGUNAAN PENGOLAHAN CITRA DIGITAL PADA PEMERIKSAAN PAP
SMEAR DALAM PENDETEKSIAN KANKER SERVIKS
Suprapto
Teknik Informatika Universitas Brawijaya
ABSTRAK
Di negara berkembang diperkirakan terdapat 200.000 hingga 300.000 pasien kanker meninggal setiap
tahunnya karena kanker kanker leher rahim. Deteksi dini melalui Pap Smear merupakan salah satu cara
untuk mengurangi tingkat morbiditas dan mortalitas karena kanker serviks. Saat ini hasil pemeriksaan tes
Pap Smear masih diperoleh angka negatif palsu yang berkisar antara 5-50%. Salah satu penyebab
munculnya negatif palsu yaitu kesalahan dalam interpretasi. Kesalahan yang disebabkan kesalahan
interpretasi dapat diminimalkan dengan menggunakan bantuan komputer menggunakan program yang
berbasis pada Medical Imaging (pengolahan dan analisis citra digital untuk aplikasi kedokteran). Tujuan
Penelitian ini untuk mengimplementasikan pengolahan dan analisis citra digital untuk aplikasi kedokteran
dalam pemeriksaan Pap Smear. Dengan harapan angka negatif palsu semakin berkurang. Aplikasi medical
imaging dalam pemeriksaan Pap Smear dilakukan dengan tahapan : membuat antarmuka antara skrining
hasil Pap Smear sehingga menjadi citra digital, membuat program pengolahan citra, membuat program
komputer yang dapat memudahkan proses analisis citra sediaan. Dari simulasi dan eksekusi program
diperoleh data pasien jenis diagnosis yang paling banyak yaitu Radang non spesifik, tidak ditemukan sel
ganas sebanyak 48 kasus, diikuti dengan diagosa Trichomonas vaginalis infection dengan sel-sel radang
padat sebanyak 12 kasus. Sedangkan indikasi adanya infeksi karena sel ganas terdapat 8 kasus. Sementara
untuk kasus-kasus lain nilainya dibawah 8 kasus. Dilihat dari usia, maka usia antara 36 dan 45 terdapat 43
pasien sedang untuk usia 46 sampai 60 terdapat 33 pasien.
Kata Kunci : Pap Smear, Pengolahan Citra Digital, kanker seviks.
ABSTRACT
In the developing countries be estimated there are 200.000 until 300.000 women die every year
because cervical cancer. Early detection with Pap Smear is one of the test that can be used to decrease
morbidity and mortality rate because of cervical cancer. From result of research of Pap Smear test this time,
there is a point of false negative which range from 5-50%. One of its cause is mistake in interpretation.The
mistake of interpretation can be minimalize by using softwere based on Medical Imaging (software of digital
image analysis and processing for the medical application). The ain of this activity is to implementation the
using of Medical Imaging software in inspection of Pap Smear test. Application of Medical imaging in
inspection of Pap Smear conducted with some steps : making interface between result of Pap Smear so that
become digital image, making a software digital image processing, making computer software able to
facilitate process analysis of medical image. From simulation and execute program is obtained patient data
diagnosed which at most that is Chafing the non specific and not be found ferocious cell counted 48 cases,
followed with Trichomonas vaginalis infection diagnosed with cell chafe solid counted 12 cases. While
indication existence of infection because ferocious cell there are 8 case. For other case value of under 8 case
Keyword : Pap Smear, Digital Image Processing.
-
Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear
150
PENDAHULUAN
Sejak lebih dari 60 tahun yang lalu
Pap Smear telah dilakukan sebagai cara
dignostik kanker serviks. Di negara maju
kejadian kanker seviks cenderung menurun
karena program deteksi dini sudah
sedemikian meluasnya, sehingga kejadian
sebelum kanker atau pra kaker sudah dapat
ditemukan dan ditangani lebih awal,
sehingga angka kematian kanker seviks
menurun hingga 50-60%. Di Indonesia
program tersebut masih belum meluas dan
baru dapt dinikmati oleh golongan
masyarakat tertentu. Selain dari segi biaya,
tenaga yang masih terbatas, serta
kepedulian petugas kesehatan terhadap
kanker servix masih jauh dari memadai,
sehingga deteksi dini masih sulit dilakukan
dan kebanyakan kasus baru ditemukan
sudah dalam stadium lanjut dengan
konsekuensi penanganan/pengobatan
menjadi lebih sulit dan mahal, dibutuhkan
sarana dan petugas khusus dan angka
kesembuhan rendah.
Beberapa keuntungan bila ditemukan
pada stadium pra kanker adalah: dapat
sembuh total, dapat dengan hanya berobat
jalan, tindakan tidak memerlukan
ketrampilan tinggi, kemampuan seksual
tidak banyak dipengaruhi, dan tidak
memerlukan rehabilitasi yang lama
(Lestadi, 1998). Kendala Tes Pap Smear
sekarang adalah tingginya angka negatif
palsu yang berkisar antara 5-50%, yang
dapat disebabkan : cara pengambilan yang
tidak memadai, kesalahan dalam
pewarnaan, kesalahan skrining dan
kesalahan interpretasi. Kesalahan diagnosis
yang disebabkan karena cara pengambilan
yang tidak memadai, kesalahan dalam
pewarnaan dan kesalahan skrining dapat
diatasi dengan pembuatan petunjuk
prosedur tetap dan pelatihan bagi
paramedis yang terkait dengan pelaksanaan
tes Pap Smear. Sedangkan kesalahan yang
disebabkan kesalahan interpretasi dapat
diminimalkan dengan menggunakan
bantuan komputer menggunakan program
yang berbasis pada Medical Imaging
(pengolahan dan analisis citra digital untuk
aplikasi kedokteran).
Program medical image analysis
merupakan program pengolahan citra
digital yang dibuat khusus untuk keperluan
menganalisis gambar/citra dari sediaan
yang sedang diamati. Dengan program
tersebut dapat diatur fokus dari citra, level
kotras maupun brightness, pembesaran
gambar, melakukan segmentasi dan
pengenalan pola yang ada pada citra.
Dengan segmentasi dan pengenalan pola
dapat diperoleh jumlah sel yang tampak,
melihat mutu sel, dan melihat pola sel-sel
tertentu secara otomatis (Ghassan, 2001).
Dalam penelitian ini dilakukan
tahapan aktivitas : membuat antarmuka
antara skrining hasil Pap Smear sehingga
menjadi citra digital, membuat program
pengolahan citranya tidak sekedar
mendeteksi ketidaknormalan sel, tetapi juga
mengidentifikasikan ketidak-normalan
tersebut pada beberapa katagori (misalnya
sel normal, Radang non spesifik - tidak
ditemukan sel ganas, Trichomonas vaginalis
infection, infeksi karena sel ganas, Infeksi
jamur, inveksi bakteri, infeksi virus HPV
dan lain sebagainya).
Ketepatan diagnosis sitologi Tes Pap
cukup baik untuk mendignosis kelainan
pada traktus genitalis. Laboratorium
sitologi berpengalaman mendapat korelasi
lebih dari 90% dengan hasil histopatologi
dari biopsy, terutama bila kelainan tersebut
adalah displasia berat atau karsinoma in
situ, namun demikin Tes Pap juga
mempunyai angka kasalahan yang disebut
dengan negatif palsu yaitu dilaporkan
negatif tapi sebenarnya positif . Hasil
negatif palsu berkisar 5-50% yang meliputi
62% akibat kesalahan pengambilan sample,
15% akibat kesalahan skrining, dan 23%
akibat kesalahan interpretasi.
Kesalahan laboratorium seperti
dalam pewarnaan sediaan dan dan
kesalahn skrining serta kesalahn
interpretasi juga memberikan kontribusi
hasil negatif palsu yang tinggi. Suatu
laboratorium sitologi yang baik tidak akan
memberikan hasil negatif palsu lebih dari
10%. Laboratorium sitologi dalam
-
Jurnal TIF, Vol. 1 No. 2, Desember 2010
151
kaitannya dengan kesalahankesalahan
tersebut, maka sebaiknya selalu
memperhatikan pengawasan kualitas antara
lain dengan melakukan pemeriksaan ulang
dari 10% hasil sitologi normal baik secara
manual maupun dengan komputer,
pendidikan untuk perningkatan kualitas.
Dengan semakin majunya teknologi
komputer, maka dengan teknik pengolahan
citra digital dapat membantu untuk
mendapatatkan ketepatan diagnosis sitologi
Tes Pap. Dengan pengolahan citra digital
gambar hasil tes Pap yang kurang jelas
dapat diperjelas dengan mengatur level
kontras dan brightness.
Untuk dapat mengenali objek-objek yang
ada dalam suatu citra, maka diperlukan
beberapa proses analisa citra lebih dahulu.
Secara umum proses analisa citra/gambar
ini dibagi menjadi tiga bagian yaitu :
1. Low level processing.
2. Intermediate level processing.
3. High level processing.
Low level processing merupakan
proses yang paling awal dari keseluruhan
analisa citra. Tujuannya dari proses ini yaitu
untuk mempermudah pengolahan citra
pada tahap berikutnya. Yang termasuk
dalam katagori low level processing yaitu :
transformasi gambar, perbaikan citra
menggunakan methoda filtering, proses
histrogram, restorasi citra dan kompresi
citra.
Proses analisa yang kedua yaitu
intermediate level processing. Pada proses
mencakup : segmentasi, representasi dan
diskripsi. Tujuan dari proses intermedate
level yaitu untuk melakukan ekstraksi citra
dan membentuk komponen karakteristik
dari citra.
Level terakhir dari proses analisa
gambar yaitu high level processing yang
terdiri dari dua proses yaitu proses
pengenalan dan penterjemahan
MATERI DAN METODOLOGI
Untuk mengetahui pasien menderita
kanker serviks atau tidak, maka dilakukan
pemeriksaan Pap Smear yang diawali
dengan pengambilan sediaan dan
pembuatan skrining untuk dilihat melalui
mikroskop. Mikroskop yang digunakan
menggunakan mikroskop yang sudah
terhubung dengan system komputer
menggunakan video vision, sehingga
skrining sedian dapat diubah menjadi citra
digital secara langsung.
Program aplikasi pengolahan citra
berbasis kecerdasan syaraf tiruan untuk
mendeteksi sel kanker serviks berisi
beberapa tahapan proses:
(1) Tahapan pengolahan dan perbaikan
citra yang berisi proses perbaikan level
kontras dan level brightness citra;
(2) Tahapan Region Growing dan
Segmentasi deteksi tepi. Dalam
tahapan ini dibedakan antara objek
berupa sel dan bukan sel serta
membuat pemodelan sel normal dan
sel abnormal;
(3) Tahapan ektraksi ciri digunakan untuk
membedakan jenis sel-sel abnormal;
(4) Tahapan pembuatan modul software
untuk analisis citra menggunakan JST
(jaringan syaraf tiruan);
(5) Tahapan analisis citra dan
pembuatan resume bagi pasien;
Gambar 1. Proses Pengubahan dari Skrining
Sedian menjadi Citra Digital
Tahap awal pengolahan dan
perbaiakn citra dilakukan dengan
mengkonversi citra berwarna ke citra gray
scale. Pengubahan citra berwarna ke dalam
citra gray level dalam hal ini dilakukan
sebelum proses kontras dan brightness.
Setelah diubah menjadi gray scale level,
maka proses kontras dan brightness hanya
berdasarkan pada 256 tingkat warna.
Sedangkan jika menggunakan citra
Mikroskope Komputer via
Video Vision Citra Digital
-
Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear
152
berwarna 24 bit, maka proses dilakukan
berdasarkan 16,9 juta warna dan memakan
waktu yang lebih lama.
Proses kontras bertujuan untuk
membuat agar pada citra selisih level warna
antara objek dengan latar objek menjadi
lebih jelas. Sehingga warna yang cenderung
gelap akan dibuat lebih gelap, sedang
warna yang cenderung terang akan dibuat
lebih terang (Gonzalez, 2001).
Proses pengaturan brightness
bertujuan untuk mengatur pencahayaan
pada citra. Sehingga untuk penambahan
level brightness, setiap pixel pada citra
ditambah dengan nilai tertentu yang
diinginkan sehingga gambar secara
keseluruhan menjadi lebih terang.
Sebaliknya untuk pengurangan level
brightness menghasilkan citra yang
cenderung lebih gelap.
Untuk mengidentifikasi adanya objek
pada citra tersebut, maka dapat dilakukan
dengan menggunakan metode region
growing. Region growing merupakan suatu
prosedur yang digunakan untuk
mengelompokan pixel-pixel atau sub-sub
region menjadi satu region. Pixel-pixel yang
saling berdekatan dan memiliki kemiripan
(dalam hal ini intensitas warnanya), maka
dikelompokan dalam satu region tersendiri
(Wani, 1999). Tujuan dari region growing
agar setiap objek dari citra bitmap
dipisahkan satu sama lain, diketahui
koordinat posisinya dan setiap objek
disimpan dalam satu file terpisah.
Proses deteksi tepi dilakukan untuk
memperoleh pola tepi dari objek yang ada
di dalam citra. Deteksi tepi objek nantinya
digunakan sebagai acuan dalam membuat
pola signature. Persayaratan yang
diinginkan dari proses deteksi tepi yaitu
garis yang menelusuri tepi objek yang tidak
boleh terputus dan lebar garis yang
diinginkan yaitu satu pixel. Metoda deteksi
tepi yang dipilih mengacu pada teknik teori
Graph, karena pola deteksi tepi yang
dihasilkan tidak terputus dan berukuran
satu pixel.
JST yang digunakan untuk
mengklasifikasi jenis sel yaitu JST dengan
model pendekatan probabilistik. Yang
membedakan antara satu JST dengan JST
yang lain yaitu bergantung pada paradigma
pembelajaran jaringannya dalam
menyesuaikan nilai bobot untuk setiap
objek pelatihan (Schalkoff, 2000). Algoritma
PNN mengacu pada metode Bayesian
dalam pengklasifikasian pola. Suatu
keputusan dengan metode bayes
merupakan hasil seleksi dari beberapa
pilihan kategori yang memiliki kondisi
risiko terkecil atau minimum.( Li, 1999)
Gambar 2 memperlihatkan Arsitektur
JST dengan model pendekatan Probabilistik.
Dari arsitektur jaringan tersebut terlihat
bahwa jumlah node pada lapisan hidden
tergantung pada banyaknya sample pada
proses pelatihan yang digolongkan pada
satu kelas objek. Penggolongan tersebut
dilakukan harus berdasarkan sifat
kemiripannya. Jika dua sample yang
kemiripannya sangat jauh dikelompokan
pada satu kelas, maka menyebabkan
keluaran menjadi tidak valid (Suprapto
1999).
Gambar 2. Arsitektur JST Probabilistik
Pattern
/Hidden
layer
Input
Pick The Maximum
Output
Output
Unit
Input
Nod
P
1
P
2
P
m
Q
1
Q
2
Q
m
-
Jurnal TIF, Vol. 1 No. 2, Desember 2010
153
Secara garis besar JST berbasis
probabilistik memiliki karakteristik sebagai
berikut :
Struktur dasar
Memiliki tiga lapisan yaitu lapisan input,
lapisan pola hidden dan lapisan output
Hubungan satu-satu yang menghu-
bungkan unit pola dengan contoh
pelatihan
Setiap output mewakili satu kelas.
Inisialisasi bobot
Vektor berat masukan dari unit pola I
diinisialisasi ke I pola vektor yang
dinormalisasi lebih dahulu.
Vektor bobot masukan dari setiap unit
keluaran diinisialisasi kedalam vektor
semuanya satu kali.
Perhitungan Aktivitas
Nilai Oj dari unit pola j didefinisikan
sebagai :
Nilai Oj dari unit output j didefinisikan
sebagai :
i
i
jijj OWPm
O 1
Nilai berat tidak disesuaikan
Jika ada contoh baru, maka unit pola
baru ditambahkan.
Program aplikasi Pengolahan Citra
Digital Pada Pemeriksaan Pap Smear untuk
mendeteksi Kanker Serviks dibuat dengan
teknik OMT (Object Modeling Technique)
3. Hasil dan Pembahasan
Dari 100 sampel terdapat 53 sampel
yang didiagnosis radang non spesifik, tidak
ditemukan sel ganas.
Gambar 3. Citra dengan Diagnosa Radang
Non Spesifik
Gambar 4.Hasil Deteksi Tepi Gambar 3.
Gambar 3 menunjukan citra dengan
diagnosa radang non spesifik, tidak
ditemukan sel ganas.
Hasil proses segmentasi region
growing, citra biner dan deteksi tepi dari
Gambar 3. diperoleh pada Gambar 4.
Terlihat dalam Gambar 4. sel-sel radang
yang dominant, namun demikian tidak
ditemukan sel ganas.
21exp i
i
jij XWO
-
Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear
154
Gambar 5. Citra dengan Diagnosa Radang
Non Spesifik
Dari 100 sampel terdapat 4 sample
yang dindikasikan dan didiaknosa infeksi
jamur. Gambar 6. menunjukan citra dengan
infeksi jamur. Sedangkan Gambar 7
menunjukan hasil citra invers dari citra
pada Gambar 6.
Gambar 6. Citra dengan Infeksi Jamur
Gambar 7. Citra Invers dari Gambar 6.
Setelah proses perbaikan citra pada
domain low level, maka dilakukan proses
segmentasi region growing untuk mendeteksi
objek pada citra objek yang diidetifikasikan,
kemudian dilakukan proses deteksi tepi dan
penelusuran tepi dari objek yang nampak
pada gambar. Hasil proses segmentasi
region growing, deteksi tepi dan penelusuran
tepi ditunjukka pada Gambar 8.
(a)
Sel Jamur
Sel Jamur
-
Jurnal TIF, Vol. 1 No. 2, Desember 2010
155
(b)
Gambar 8. a. Hasil Citra Biner dengan
Thresholding (b). Hasil deteksi tepi
Setelah dilakukan proses region growing
dan dilanjutkan dengan citra biner
menghasilkan citra seperti pada Gambar
8.a. Sedangkan Gambar 8.b merupakan
hasil deteksi tepi terhadap objek yang
terdapat pada citra.
Gambar 9. Hasil Eksekusi Program dengan
identifikasi infeksi jamur
Dari Gambar 8.a. terlihat bentuk dari
sel jamur yang memanjang. Bentuk ini jauh
berbeda dengan sel epitel dari leher rahim.
Kesulitan untuk mengidentifikasi infeksi
jamur yaitu jika injeksi ini disertai dengan
sel radang yang cukup rapat.
Gambar 10. Citra dengan Identifikasi
Kanker
(a)
Sel Kanker
-
Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear
156
(b)
Gambar 11.(a). Hasil Citra Biner dengan
Thresholding (b). Hasil Deteksi Tepi Gambar
10.
Setelah proses perbaikan citra pada
domain low level, maka dilakukan proses
segmentasi region growing untuk
mendeteksi objek pada citra. Langkah
berikutnya melakukan proses deteksi tepi
dan penelusuran tepi dari objek yang
nampak pada gambar. Hasil proses
segmentasi region growing, deteksi tepi dan
penelusuran tepi diperoleh pada Gambar
11.
Gambar 12. Hasil Eksekusi Program dengan
identifikasi Sek Kanker.
Contoh citra dengan indikasi
mengandung sel kanker ditunjukan pada
Gambar 5.4. dari 100 sampel yang
digunakan terdapat 8 sampel dengan
indikasi mengandung sel kanker.
Untuk mendapatkan hasil diagnosa
yang bagus, maka pengolahan citra yang
dilakukan harus menggunakan gabungan
dari proses perbaikan kontras dan
perbaikan level brightness. Citra yang
cenderung gelap harus ditambah level
brightnessnya, sedangkan citra yang
cenderung terang, maka level brightnessnya
dikurangi.
Untuk citra dengan tapilan sel yang
kurang besar, maka akan menghasilkan
hasil yang kurang bagus. Proses zooming
dengan software akan menghasilkan citra
yang kurang baik. Oleh karena itu
pembesaran dapat dilakukan secara analog
pada mikroskop. Rata-rata dengan
pemakaian pembesaran 400 x akan
menghasilkan tapil sel yang secara
langsung dapat dioleh dengan program
medical image analisis.
Untuk citra dengan tapilan sel yang
kurang besar, maka akan menghasilkan
hasil yang kurang bagus. Proses zooming
dengan software akan menghasilkan citra
yang kurang baik jika pembesaran
dilakukan lebih dari 4 kali. Oleh karena itu
pembesaran dapat dilakukan secara analog
pada mikroskop. Rata-rata dengan
pemakaian pembesaran 400 x akan
menghasilkan tampilan sel yang secara
langsung dapat dioleh dengan program
medical image analisis.
-
Jurnal TIF, Vol. 1 No. 2, Desember 2010
157
Tabel 1. Data pasien berdasarkan klasifikasi
jenis infeksi
No Katagori Pasien Jumlah
1 Infeksi jamur dengan sel
radang yang padat
4
2 Atrophic smear dengan
radang non spesifik.
8
3 Coccus infection deng-an
sel radang padat
2
4 Ditemukan sel epitel
dengan perubahan radang,
tidak ditemukan sel ganas
10
5 Radang non spesifik, tidak
ditemukan sel ganas
53
6 Trichomonas vaginalis
infection dengan sel-sel
radang padat
12
7 Didapat sel-sel atipik yang
degenerasi, periksa ulang
1
8 Ditemukan sel-sel
mencurigakan keganasan
1
9 Masih ditemukan sel sel
Ganas Hidup
8
10 HPV (Human Papiloma
Virus), tidak ditemukan sel
ganas
1
KESIMPULAN DAN SARAN
Kesimpulan
1. Dengan menggunakn teknik
pengolahan citra digital, maka mutu
dari hasil skrining dapat ditingkatkan,
sehingga objek sel dapat lebih terlihat
dengan jelas. Citra menggunakan
pembesaran 400 menghasilkan tapilan
sel yang mudah untuk diolah dengan
program medical image analysis.
2. Dengan memanfaatkan sistem
kecerdasan buatan dalam menganalisis
citra sediaan, maka seorang operator
sangat terbantu karena penghitungan sel
secara otomatis dilakukan dengan
program komputer.
3. Walaupun program analisis citra
tersebut sangat membantu dalam
pemeriksaan citra sedian dari pasiean
Pap Smear, tetapi kemempuan seorang
dokter sepesialis patologi anatomi
sebagai pengambil putusan masih tetap
diperlukan, karena program yang
dibuat hanya dapat membedakan sel
normal dan abnormal.
4. Dengan memanfaatkan sistem basis
data, hasil pemeriksaan Pap Smear dapat
disimpan dalam sistem komputer dan
sewaktu-waktu dapat dilihat kembali
dengan mudah jika diperlukan.
5. Dari data pasien jenis diagnosis yang
paling banyak yaitu radang non spesifik,
tidak ditemukan sel ganas sebanyak 48
kasus, diikuti dengan diagosis
trichomonas vaginalis infection dengan
sel-sel radang padat sebanyak 12 kasus.
Sedangkan indikasi adanya infeksi
karena sel ganas terdapat 8 kasus dan
untuk kasus-kasus lain nilainya
dibawah 8 kasus.
6. Dilihat dari usia, maka usia antara 36
dan 45 terdapat 43 pasien sedang usia 46
sampai 60 terdapat 33 pasien. Sementara
pasien yang melakukan Pap Smear pada
usia kurang dari 35 tahun dan lebih dari
60 tahun berjumlah kurang dari 10
pasien.
Saran
1. Untuk beberapa kasus, pembesaran 400
belum menghasilkan gambar yang
baik, terutama untuk mengidentifikasi
infeksi bakteri tricomonas atau coccus
2. Untuk mengidentifikasi sel yang
tertutup sel radang yang padat, harus
ditambahkan proses segmentasi
dengan metode yang lebih baik. Hal
tersebut dilakukan untuk mencegah
kesalahan identifikasi.
-
Suprapto, Penggunaan Pengolaan Citra Digital pada Pengujian PAP Smear
158
DAFTAR PUSTAKA
Gonzalez, Rafael C., and Woods, Richard E.,
2001, Digital Image Processing, Addison-
Wesley Publishing Company, Inc.
Ghassan Hamarneh, Tim McInerney,
Deformable Organisms for Automatic
Medical Image Analysis, IEEE Trans.
PAMI 13(7) , 2001 page 703-714.
Lestadi, Julisar, 1998, Penuntun Diagnostik
Praktis Sitologi Ginekologik Apusan
PAP, Lab. Patologi Anatomi RSPAD
Gatot Subroto, Jakarta.
LiMin Fu, 1999, Neural Network in Computer
Intelligence, McGraw-Hill Inc., Florida.
Schalkoff, Robert J., 2000, Pattern
Recognotion : Statistical, Structural and
Neural Approaches, Clemson University,
John Eiley & Sons, Inc.
Suprapto, 1999, Aplikasi Pengolahan Citra
Digital berbasis Jaringan Syaraf Tiruan
Boolean Untuk mengenali Pola Tulisan ,
Laporan Penelian DPP FT Univ.
Brawijaya.
Suprapto, 2002, Perancangan dan
Pembuatan Sistem Pengenalan Pola
berbasis Jaringan Syaraf Tiruan
Probabilistik untuk Mengenali Obejek
Bergerak , Laporan Penelitian Dosen
Muda.
Wani, M.A., and Batchelor, B.G., Edge-
Region Based Segmentation of Renge
Image, IEEE Trans. on Pattern Analysis
and Machine Intelligence., vol. 16, no 3,
March 1999.