TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG … · •Antarmuka sub aplikasi preproses. Antarmuka...

TESIS

DETEKSI KEPALA JANIN PADA GAMBAR USG

MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN MENGGUNAKAN FUZZY C-MEANS (FCM) DENGAN

INFORMASI SPASIAL & ITERATIVE RANDOMIZED

HOUGH TRANSFORM (IRHT)

Oleh : Dwi puspitasari - 5109201026

Dosen Pembimbing :

Prof. Ir. Handayani Tjandrasa, M.Sc, Ph.D

Latar Belakang

• Analisis kepala janin pada pencitraan USG sangat dibutuhkan oleh tenaga medis

• Diameter biparietal (BPD) dan lingkar kepala (HC) adalah dua pengukuran penting untuk :

– mengevaluasi pertumbuhan janin

– memperkirakan usia kehamilan

– memprediksi berat dan kematangan janin,

– mendiagnosa berbagai masalah obstetri.

• Perlu pengukuran BPD dan HC secara otomatis �eteksi bentuk elips yang diasumsikan sebagai kepala janin

Latar Belakang

• Penelitian deteksi kepala janin – Sebelumnya: Menggunakan metode IRHT dengan

praproses berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan K-Means [1]. • Hasil : Metode tersebut mampu mendeteksi elips dengan baik.

Akan tetapi pada beberapa gambar dengan banyak noise, hasil Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi

– Penelitian ini : menggunakan metode IRHT [1] dengan praproses berupa klasterisasi menggunakan Fuzzy C-Means (FCM) dengan informasi spasial [3], serta penghalusan dengan metode thinning. • Hipotesa : Dengan klasterisasi menggunakan FCM dengan

informasi spasial, diharapkan dapat meningkatkan kualitas hasil segmentasi sehingga dapat meningkatkan akurasi deteksi kepala janin

Perumusan Masalah

• Bagaimana meningkatkan hasil segmentasi

sehingga mampu meningkatkan akurasi

deteksi kepala janin pada gambar USG.

• Bagaimana membangun sistem yang dapat • Bagaimana membangun sistem yang dapat

mendeteksi kepala janin serta menghasilkan

ukuran BPD dan HC secara otomatis

Batasan Masalah

• Data yang digunakan dalam uji coba penelitian

merupakan data gambar USG kepala janin

yang berumur antara 18-34 minggu.

• Implementasi menggunakan perangkat lunak • Implementasi menggunakan perangkat lunak

Matlab 7.1.

Tujuan & Manfaat

• Tujuan

Membangun sistem deteksi kepala janin pada gambar USG menggunakan Fuzzy C-Means (FCM) dengan informasi spasial dan IterativeRandomized Hough Transform (IRHT)Randomized Hough Transform (IRHT)

• Manfaat

Menghasilkan suatu sistem deteksi kepala janin pada gambar USG dengan pengukuran BPD dan HC secara otomatis sebagai alat bantu tenaga ahli dibidang kedokteran.

K-means VS FCM

• Persamaan : metode klastering partitioning dengan

penentuan awal jumlah klaster

• Perbedaan :

– K-means � data terklaster secara tegas– K-means � data terklaster secara tegas

– FCM � data terklaster pada semua klaster

dengan derajat keanggotaan berbeda

(a) Keanggotaan pada

metode K-means

(a) Keanggotaan pada

metode FCM

Algortima K-means

1. Inisialisasi K titik sebagai titik2 pusat (centroids) awal dari grup

2. Masukkan tiap objek dalam grup yang mempunyai titik pusat terdekat

3. Setelah selesai untuk semua objek, hitung kembali posisi K titik2 pusat yang

baru

• Pada penelitian ini klasifikasi menggunakan metode K-means

dibangun menggunakan fungsi ‘kmeans’ yang disediakan oleh

perangkat lunak Matlab

4. Ulangi langkah 2 dan 3 sampai titik2 pusat tidak berubah

Algoritma FCM

1. Inisialisasi matriks U=[uij] , U(0)

2. Pada langkah ke-k, hitung vektor pusat C(k)=[cj] dengan U(k)

3. Update U(k) , U(k+1)

4. Bila || U(k+1) - U(k)||< berhenti, kalau tidak kembali ke langkah 2.

Informasi Spasial

• Merupakan korelasi ketetanggaan yang digunakan untuk meningkatkan hasil segmentasi

• Klasterisasi piksel bukan hanya berdasarkan nilai • Klasterisasi piksel bukan hanya berdasarkan nilai keabuan, tetapi juga nilai keabuan dan jarak piksel ketetanggaan � local image feature

• Penentuan keanggotaan klaster bukan hanya berdasarkan nilai keanggotaan piksel tetapi juga nilai keanggotaan piksel ketetanggaan

Iterative Randomized Hough

Transform (IRHT)

Y Y Y

Hough Transform (HT)

Rosenfeld, 1962 [4]

Randomized Hough Transform (RHT)

Xu Oja, 1989 [5]

Iterative Randomized Hough

Transform (IRHT)

Wei Lu, 2008 [1]

Y

b

k

Yy=kx+b

(x,y)

x

Yy=kx+b

(x,y)

x

b

(k,b)

k

b

(k,b)

k

Yy=kx+b

(x,y)

x

b

(k,b)

k

Yy=kx+b

(x,y)

x

Elips

• Persamaan elips

• Fungsi elips [1]:

ac - b2 > 0

Diagram Sistem

Menghitung local image feature berdasarkan

jarak dan nilai keabuan ketetanggaan

Pembobotan piksel

Klasterisasi menggunakan K-meansKlasterisasi menggunakan FCM dengan

PenskalaanCitra USG kepala janin dengan

skala yang sama

Citra USG kepala

janin

Klasterisasi menggunakan K-meansKlasterisasi menggunakan FCM dengan

informasi spasial

Pembentukan citra obyek

Thinning

IRHT

Kaliberai piksel ke mili meter

Citra obyek

Citra hasil thinning

BPD dan HC

Parameter elips

Elips hasil deteksi

Segmentasi

Penghalusan

Deteksi

Penskalaan

• Dilakukan untuk :

– Menyamakan skala citra USG

– Mendapatkan perbandingan piksel dalam mili

metermeter

Skala :

10 mili meter : 16 piksel

Perhitungan Local Image Feature

• Local image feture (Fij) dihitung berdasarkan pada :

– jarak ketetanggaan ( ) dan

– keabuan ketetanggaan (FijG)

Gambar asli

ketetanggaan dengan

ukuran window (3x3)

j

i

λS = faktor skala,λG =faktor global

i

i

j

i

Gambar asli

Pembobotan Piksel

• Mengganti nilai piksel gambar asli dengan nilai yang

dipengaruhi ketetanggaan � wi

F1,

1

Fi,j

i=1 4 7 10

2 5 8 11

3 6 9 12

Gambar asli

j=1 4 7

2 5 8

3 6 9

Window 3x3

w1 w2 w12

Wi’

Klasterisasi FCM

1. Inisialisasi segmentasi dengan FCM basic

2. Mendapatkan inisialisasi keanggotaan piksel (μk) dan pusat

klaster (vk)

3. Menghitung keanggotaan (μ’k) dan pusat klaster

baru (vk)baru (vk)

Sudah

konvergen ?

4. Mendapatkan keanggotaan piksel dan pusat

klaster

Pembentukan citra obyek

• Proses untuk memilih piksel-piksel hasil

klasterisasi yang menjadi obyek

• Yaitu piksel yang menjadi anggota klaster dengan

pusat klaster tertinggi. Dikarenakan obyek berupa pusat klaster tertinggi. Dikarenakan obyek berupa

kepala janin pada citra USG memiliki nilai

keabuan tertinggi (warna cerah) [1]

• Selanjutnya dibentuk citra monokrom dengan

piksel pembentuk obyek bernilai 1 dan piksel lai

bernilai 0.

Thinning

• Digunakan untuk mencari bentuk dasar/ rangka/ skeleton dari gambar obyek hasil klasterisasi

• Pada penelitian ini digunakan fungsi thinning yang disediakan oleh software Matlab yaitu menggunakan fungsi bwmorph

Gambar Asli Gambar hasil klasterisasi Gambar hasil thinning

Tidak

Ya Tidak

1.Inisialisasi ROI sebesar ukuran gambar, maxEpoch dan maxIterasi

2.Mengambil semua piksel obyek dalam ROI dan menyimpannya di daftar

piksel. Membersihkan accumulator, dan bestellipse. Inkremen epoch

3.Memilih secara acak 4 piksel dalam daftar piksel. Inkremen I.

4.Menemukan parameter elips dengan persamaan (1),

(2), (3), (4), (5), (6)

Apakah merupakan

elips ?

IRHT

Ya Tidak

Tidak

Ya

Tidak

Ya

5.Tambahkan ke accumulator

Apakah iterasi =

maxIterasi ?

6.Mendeteksi bestellipse berdasarkan parameter di accumulator yang memiliki

skor terbanyak. Update ROI selanjutnya berdasarkan bestellpse

Apakah epoch =

maxEpoch ?

7.Verifikasi elips yang ditemukan

Antarmuka preproses

• Antarmuka sub aplikasi preproses

Antarmuka deteksi

• Antarmuka sub aplikasi deteksi elip

Uji Coba

• Lingkungan uji coba :

Perangkat Spesifikasi

Perangkat

Keras

Prosesor : Intel (R) Core (TM) 2 Duo CPU T5750 @2.00GHz

Memori : 2,00 GB

• Skenario uji coba :

1. mengetahui pengaruh parameter ukuran window pada metode FCM

dengan informasi spasial

2. membandingkan hasil output segmentasi citra USG kepala janin antara

metode K-means dengan metode FCM berdasarkan informasi spasial

3. membandingkan akurasi deteksi elips dari hasil segmentasi menggunakan

metode K-means dan IRHT dengan metode FCM dan IRHT

Perangkat

Lunak

Sistem Operasi : Windows Vista Home Basic 32-bit

Perangkat Pengembang : Matlab 7.1, Photoshop CS 2

Data uji coba

1. BPD51mm.jpg

2. BPD63mmjpg

3. BPD69mm.jpg

4. BPD72mm.jpg

5. BPD77mm.jpg

6. BPD82.jpg

7. BPD90,2mm.jpg

8. BPD90mm.jpg

Hasil Uji Coba Skenario 1

�o. Citra Inputan Ukuran

Window

Jumlah

Partisi

Waktu Eksekusi

(detik)

1. BPD51mm.jpg 3 x 3 11 193.422

5 x 5 7 478.111

2. BPD63mm.jpg 3 x 3 12 100.011

5 x 5 8 271.394

3. BPD69mm.jpg 3 x 3 9 43.2743. BPD69mm.jpg 3 x 3 9 43.274

5 x 5 4 200.295

4. BPD 72.mm.jpg 3 x 3 15 111.814

5 x 5 8 741.472

5. BPD77mm.jpg 3 x 3 11 104.808

5 x 5 4 419.099

6. BPD82mm.jpg 3 x 3 6 93.084

5 x 5 5 410.260

7. BPD90,2mm.jpg 3 x 3 10 202.141

5 x 5 6 786.619

8. BPD90mm.jpg 3 x 3 11 122.761

5 x 5 7 590.067


�o. Citra Inputan Metode Jumlah

Partisi

Waktu

Eksekusi

(detik)

1. BPD51mm.jpg K-means 50 2.474

FCM dengan informasi spasial 7 478.111



3. BPD69mm.jpg K-means 65 0.2283. BPD69mm.jpg K-means 65 0.228


4. BPD 72.mm.jpg K-means 63 3.197






7. BPD90,2mm.jpg K-means 51 1.376




Hasil uji coba skenario 3

Citra UjiBPD

(mm)

BPD Sistem Pada Uji Coba ke- (mm) Rata-Rata BPD

Sistem (mm)Akurasi (%)

1 2 3 4 5 6 7 8 9 10

Kmeans_BPD51mm.jpg 51 118,75 77,50 55,00 125,00 107,50 100,00 57,50 52,50 97,50 37,50 82,88 20

Kmeans_BPD63mm.jpg 63 73,75 7,50 10,00 11,25 17,50 107,50 90,00 86,25 22,50 76,25 50,25 0

Kmeans_BPD69mm.jpg 69 68,75 67,50 70,00 71,25 71,25 13,75 63,75 32,50 6,25 13,75 47,88 60

Kmeans_BPD72mm.jpg 72 76,25 68,75 72,50 76,25 75,00 80,00 73,75 83,75 77,50 87,50 77,13 60

Kmeans_BPD77mm.jpg 77 57,50 82,00 101,25 53,75 86,25 75,00 41,25 106,25 98,75 66,25 76,83 20

Kmeans_BPD82mm.jpg 82 25,00 8,75 11,25 105,00 38,75 13,75 90,00 36,25 80,00 16,25 42,50 10

Kmeans_BPD90,2mm.jpg 90,2 73,75 81,25 58,75 77,50 88,75 47,50 107,50 97,50 100,00 97,50 83,00 10

Kmeans_BPD90mm.jpg 90 50,00 27,50 81,25 40,00 38,75 108,75 40,00 56,25 17,50 22,50 48,25 0

FCM_BPD51mm.jpg 51 51,25 51,25 51,25 52,50 51,25 51,25 48,75 53,75 47,50 46,25 50,50 100

FCM_BPD63mm.jpg 63 66,25 62,50 63,75 62,50 63,75 66,25 68,75 63,75 63,75 62,50 64,38 90

FCM_BPD69mm.jpg 69 68,75 71,25 68,75 77,50 70,00 72,50 71,25 70,00 70,00 68,75 70,88 90

FCM_BPD72mm.jpg 72 81,25 77,50 76,25 77,50 76,25 77,50 83,75 73,75 75,00 78,75 77,75 70

FCM_BPD77mm.jpg 77 86,25 85,00 80,00 93,75 90,00 82,50 90,00 75,00 92,50 73,00 91,13 30

FCM_BPD82mm.jpg 82 20,00 30,00 18,75 27,50 80,00 78,00 25,00 37,50 30,00 81,25 42,80 30

FCM_BPD90,2mm.jpg 90,2 93,75 100,00 98,75 105,00 102,50 92,50 90,00 101,25 106,25 113.75 89,00 30

FCM_BPD90mm.jpg 90 18,75 94,00 100,00 101,25 17,50 113,75 111,25 86,00 88,00 110,00 84,05 30


�o. Citra Inputan Kebenaran Deteksi

(%)

Rata-Rata Waktu

Eksekusi (detik)

1. Kmeans_BPD51mm.jpg 20 8.501



4. Kmeans_BPD 72.mm.jpg 60 9.827

5. Kmeans_BPD77mm.jpg 20 4.2435. Kmeans_BPD77mm.jpg 20 4.243


7. Kmeans_BPD90,2mm.jpg 10 4.519


9. FCM_BPD51mm.jpg 100 9.966

10. FCM_BPD63mm.jpg 90 4.837

11. FCM_BPD69mm.jpg 90 11.787

12. FCM_BPD 72.mm.jpg 70 9.193

13. FCM_BPD77mm.jpg 30 10.974

14. FCM_BPD82mm.jpg 30 6.260

15. FCM_BPD90,2mm.jpg 30 12.094

16. FCM_BPD90mm.jpg 30 6.546

Kesimpulan

• Hasil segmentasi pada gambar USG kepala janin menggunakan metode FCM dengan informasi spasial lebih baik dibandingkan dengan menggunakan metode K-means.

• Dengan menggunakan metode FCM berdasarkan informasi spasial dan IRHT, mampu meningkatkan keberhasilan deteksi kepala janin dibandingkan dengan menggunakan deteksi kepala janin dibandingkan dengan menggunakan metode K-means dan IRHT. Dengan kata lain meningkatnya hasil segmentasi dapat meningkatkan akurasi deteksi.

• Dengan deteksi elips yang diasumsikan sebagai kepala janin menggunakan metode FCM berdasarkan informasi spasial dan IRHT, dapat menghasilkan BPD dan HC kepala janin secara otomatis

Saran

• Pada penelitian ini waktu eksekusi proses

segmentasi relatif lama, dengan demikian

permasalahan untuk mempercepat waktu

eksekusi dapat digunakan sebahai bahan eksekusi dapat digunakan sebahai bahan

penelitian lebih lanjut

Daftar Pustaka

1. Lu, W., Jinglu Tan, (2008), “Detection of incomplete ellipse in images with strong noise by

Iterative Randomized Hough transform (IRHT)”, Journal of Pattern Recognition 41 pp

1268 – 1279 Elsivier Science Ltd

2. Xu, L., Oja, E., (1990), “A new curve detection method : Randomized Hough Transform

(RHT)”, Journal of Pattern Recognition Letter 11 331-338 North-Holland Elsivier Science

Ltd

3. Wang, X-Y., J.Bu., (2010), “A fast and robust image segmentation using FCM with 3. Wang, X-Y., J.Bu., (2010), “A fast and robust image segmentation using FCM with

spatial information”, Journal of Digital Signal Processing 1173–1182 Elsivier Science Ltd

4. Xu, L., Oja, E., (2009), “Randomized Hough Transform”, Encyclopedia of Artificial

Intelligence, IGI Global publishing company

5. J. C. Bezdek, (1981), "Pattern Recognition with Fuzzy Objective Function Algoritms",

Plenum Press, New York

6. J. B. MacQueen, (1967), "Some Methods for classification and Analysis of Multivariate

Observations”, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and

Probability, Berkeley, University of California Press, 1:281-297

7. Gonzalez. R.C, (2007), “Digital Image Processing Chapter 10 Image Representation and

Description”, Prentice Hall

8. Leavers, V.F., (1992), “The Dynamic Generalized Hough Transform: Its Relationship to

the Probabilistic Hough Transforms and an Application to the Concurrent Detection

of Circles and Ellipses”, CVGIP:Image Understanding

Citra hasil uji coba skenario 1

Gambar

asli

FCM dg

window 3x3

FCM dg

window 5x5

Citra hasil uji coba skenario 2

Gambar

asli

K-means

FCM dg

window 5x5

TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG … · •Antarmuka sub aplikasi preproses. Antarmuka...

Documents

Transcript of TESIS DETEKSI KEPALA JANIN PADA GAMBAR USG … · •Antarmuka sub aplikasi preproses. Antarmuka...