Smart Innovation, Systems and Technologies 182
Yu-Dong ZhangTomonoby SenjyuChakchai SO–INAmit Joshi Editors
Smart Trends in Computing and Communications: Proceedings of SmartCom 2020
Smart Innovation, Systems and Technologies
Volume 182
Series Editors
Robert J. Howlett, Bournemouth University and KES International,Shoreham-by-sea, UK
Lakhmi C. Jain, Faculty of Engineering and Information Technology,Centre for Artificial Intelligence, University of Technology Sydney,Sydney, NSW, Australia
The Smart Innovation, Systems and Technologies book series encompasses thetopics of knowledge, intelligence, innovation and sustainability. The aim of theseries is to make available a platform for the publication of books on all aspects ofsingle and multi-disciplinary research on these themes in order to make the latestresults available in a readily-accessible form. Volumes on interdisciplinary researchcombining two or more of these areas is particularly sought.
The series covers systems and paradigms that employ knowledge and intelligencein a broad sense. Its scope is systems having embedded knowledge and intelligence,which may be applied to the solution of world problems in industry, the environmentand the community. It also focusses on the knowledge-transfer methodologies andinnovation strategies employed to make this happen effectively. The combination ofintelligent systems tools and a broad range of applications introduces a need for asynergy of disciplines from science, technology, business and the humanities. Theseries will include conference proceedings, edited collections, monographs, hand-books, reference books, and other relevant types of book in areas of science andtechnology where smart systems and technologies can offer innovative solutions.
High quality content is an essential feature for all book proposals accepted for theseries. It is expected that editors of all accepted volumes will ensure thatcontributions are subjected to an appropriate level of reviewing process and adhereto KES quality principles.
** Indexing: The books of this series are submitted to ISI Proceedings,EI-Compendex, SCOPUS, Google Scholar and Springerlink **
More information about this series at http://www.springer.com/series/8767
Yu-Dong Zhang • Tomonoby Senjyu •
Chakchai SO–IN • Amit JoshiEditors
Smart Trends in Computingand Communications:Proceedings of SmartCom2020
123
EditorsYu-Dong ZhangSchool of InformaticsUniversity of LeicesterLeicester, England, UK
Tomonoby SenjyuUniversity of the RyukyusNishihara, Japan
Chakchai SO–INKhon Kaen UniversityKhon Kaen, Thailand
Amit JoshiGlobal Knowledge Research FoundationGujarat, India
ISSN 2190-3018 ISSN 2190-3026 (electronic)Smart Innovation, Systems and TechnologiesISBN 978-981-15-5223-6 ISBN 978-981-15-5224-3 (eBook)https://doi.org/10.1007/978-981-15-5224-3
© The Editor(s) (if applicable) and The Author(s), under exclusive license to Springer NatureSingapore Pte Ltd. 2021This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whetherthe whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse ofillustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, andtransmission or information storage and retrieval, electronic adaptation, computer software, or by similaror dissimilar methodology now known or hereafter developed.The use of general descriptive names, registered names, trademarks, service marks, etc. in thispublication does not imply, even in the absence of a specific statement, that such names are exempt fromthe relevant protective laws and regulations and therefore free for general use.The publisher, the authors and the editors are safe to assume that the advice and information in thisbook are believed to be true and accurate at the date of publication. Neither the publisher nor theauthors or the editors give a warranty, expressed or implied, with respect to the material containedherein or for any errors or omissions that may have been made. The publisher remains neutral with regardto jurisdictional claims in published maps and institutional affiliations.
This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,Singapore
Preface
This SIST volume contains the papers presented at the SmartCom 2020: FourthInternational Conference on Smart Trends for Computing and Communications.The conference was held during January 24–25, 2020, at Hotel Novotel, SiamSquare, Bangkok, and organized by Global Knowledge Research Foundation withsupport from Knowledge Chamber of Commerce and Industry and InterYIT IFIP—International Federation for Information Processing.
The books presents the state-of-the-art as well as emerging topics pertaining toinformation, computer communications and effective strategies for its implemen-tation for engineering and managerial applications.
The conference attracts a large number of high-quality submissions and stimu-lates the cutting-edge research discussions among many academic pioneeringresearchers, scientists, industrial engineers, students from all around the world andprovides a forum to researchers on proposing new technologies, sharing theirexperiences and discussing future solutions for design infrastructure for ICT, pro-viding common platform for academic pioneering researchers, scientists, engineersand students to share their views and achievements, enriching technocrats andacademicians by presenting their innovative and constructive ideas and focusing oninnovative issues at international level by bringing together the experts from dif-ferent countries.
Research submissions in various advanced technology areas were received, andafter a rigorous peer review process with the help of program committee membersand 56 external reviewers for 262 papers from 20 different countries includingAustralia, China, Malaysia, Indonesia, Thailand, Bangladesh, Japan, South Koreaand Sri Lanka, etc., out of which 50 were accepted with an acceptance ratio of 0.19.
This event’s success was possible only with the help and support of our team andorganizations. With immense pleasure and honor, we would like to express oursincere thanks to the authors for their remarkable contributions, all the TechnicalProgram Committee members for their time and expertise in reviewing the paperswithin a very tight schedule and the publisher Springer for their professionalhelp. This is the fourth conference of the series SmartCom in which proceedings ispublished as a CCIS volume by Springer. We are overwhelmed by our two
v
distinguished scholars and appreciate them for accepting our invitation to deliverkeynote speeches to the conference and six technical session chairs for analyzingthe research work presented by the researchers. Most importantly, we are alsograteful to our local support team for their hard work for the conference. This serieshas already been made a continuous series which will be hosted at different loca-tions every year.
This event’s success was possible only with the help and support of our team andorganizations. With immense pleasure and honor, we would like to express oursincere thanks to the authors for their remarkable contributions, all the TechnicalProgram Committee members for their time and expertise in reviewing the paperswithin a very tight schedule and the publisher Springer for their professionalhelp. This is the fourth conference of the series SmartCom in which proceedings ispublished as a SIST volume by Springer. We are overwhelmed by our three dis-tinguished scholars and appreciate them for accepting our invitation to deliverkeynote speeches including Prof. Mike Hinchey, President IFIP; Prof. Milan Tuba,Singidunum University, Serbia; and Dr. ChakChai So-In, Khon Kaen University,Thailand, in the conference and further six technical session chairs for analyzing theresearch work presented by the researchers. Most importantly, we are also gratefulto our local support team for their hard work for the conference. This series hasalready been made a continuous series which will be hosted at different locationsevery year.
Bangkok, Thailand Yu-Dong ZhangTomonoby SenjyuChakchai SO–IN
Amit Joshi
vi Preface
Contents
1 Accurate Detection of Facial Landmark Points Using LocalIntensity Information for Emotion Detection . . . . . . . . . . . . . . . . . 1Payal Bhattacherjee and M. M. Ramya
2 Statistical Approach to Detect Alzheimer’s Disease and AutismSpectrum-Related Neurological Disorder Using MachineLearning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17Akhilesh Kumar Sharma and Devesh K. Shrivastav
3 The Development and Gap of Chinese and American OpenAccess Journals: From the Perspective of Network Influence . . . . . 25Danyang Li, Xinlai Li, and Biying Gao
4 The Use of Mobile Apps to Facilitate Customers’ Choice-MakingWhen Grocery Shopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39Asle Fagerstrøm, Niklas Eriksson, and Valdimar Sigurdsson
5 Implementation of Best Hybrid Adaptive and Intelligent MIMODetector on Reconfigurable Architecture for 5G LTE/IoTEnvironment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49Tipparti Anil Kumar and Lokam Anjaneyulu
6 Automated Detection of Retinal Hemorrhage Basedon Supervised Classifiers and Implementation in Hardware . . . . . . 57K. A. Sreeja, S. S. Kumar, and Arun Pradeep
7 Data Encryption as Security Measure in IoT-EnabledHealthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69M. Shankar Lingam, G. S. Raghavendra, Arun Kumar, V. Anand,and A. M. Sudhakara
8 Agents-Based Service Restoration in Electrical SecondaryDistribution Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83Rukia J. Mwifunyi, Nerey H. Mvungi, and Mussa M. Kissaka
vii
9 Packet-Level and Physical-Level Cross-TechnologyCommunications: A Brief Introduction . . . . . . . . . . . . . . . . . . . . . . 95Liwen Qiu, Qinglin Zhao, Lianbo Zhang, Shumin Yao, Jing Zhao,and Li Feng
10 Smart Traffic Navigation System (STNS) to Reduce Travel Timeby Integrating Signals from Navigation and Traffic Systems . . . . . 101S. Sripranav, Akshay Ravi, K. Gautham, and R. Leela Velusamy
11 Selective Sensor Control via Cauchy Schwarz Divergence . . . . . . . 113Nida Ishtiaq, Sabita Panicker, Amirali K. Gostar,Alireza Bab-Hadiashar, and Reza Hoseinnezhad
12 Step-Factor Resampling Technique for Imbalanced SequenceData Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125Iroshan Aberathne, Chamila Walgampaya, and Udara Rathnayake
13 Rice Disease Detection Based on Image Processing Technique . . . . 135Md. Asfaqur Rahman, Md. Shahriar Nawal Shoumik,Md. Mahbubur Rahman, and Most. Hasna Hena
14 Electromagnetic Radiation from Cell Phones Usedin Dhaka City . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147M. Quamruzzaman, Munima Haque, Shahina Haque,and Utpal Chandra Das
15 Expressing Opinions Application: A Case Study at RajamangalaUniversity of Technology, Isan, Khon Kaen Campus . . . . . . . . . . . 159Ekaphong Tangtrakul, Jatupol Nampromma,and Phoemporn Lakkhanawannakun
16 Toward Clarifying Human Information Processing by AnalyzingBig Data: Comparing Response Time to Questionnaires IncludedHeteronym Word for Problem Solving Between Visuallyand Auditory Types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171Keiko Tsujioka
17 Mango Species Detection from Raw Leaves Using ImageProcessing System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183Most. Hasna Hena, Md. Helal Sheikh, Md. Shamim Reza,and Ahmed Al Marouf
18 Frequency Reconfigurable Planner Antennas for WirelessApplications: A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193Dinesh Yadav and Vivekanand Tiwari
19 Room Temperature Pt-Modified WO3/p–Si Film Gas Sensorfor Detection of Methanol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201Anup Dey, Komal Kumari, Abir Jana, Bijoy Goswami,Poushali Nandi, and S. K. Sarkar
viii Contents
20 Graph Degree Linkage Clustering for Identify Student’sPerformance on Kompetisi Sains Madrasah in Indonesia . . . . . . . . . 211Ahmad Hanif Asyhar, A. Umar, Dian Candra Rini Novitasari,Kusaeri, Ahmad Fauzi, Nurissaidah Ulinnuha, Dwi Rolliawati,Noor Wahyudi, Ahmad Yusuf, Ali Mustofa, and Zakiyatul Ulya
21 Stepwise Iterative Maximum Likelihood Clustering Basedon Kompetisi Sains Madrasah’ Scores for Identifying Qualityof Junior High School Grading Distribution . . . . . . . . . . . . . . . . . . 221Kusaeri, Nanik Puji Hastuti, Ali Musthofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Dian Candra Rini Novitasari, Dwi Rolliawati,Zakiyatul Ulya, Ahmad Yusuf, Nurissaidah Ulinnuha,and Noor Wahyudi
22 Detecting the Width of Pap Smear Cytoplasm Image Basedon GLCM Feature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231Nita Merlina, Edi Noersasongko, Pulung Nurtantio, M. A. Soeleman,Dwiza Riana, and Sri Hadianti
23 Design of a Novel Wideband Dipole Antennafor mm-Wave Frequencies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241Paikhomba Loktongbam, Chaitali Koley, Debashish Pal,and Ayan Kumar Bandhopadhyay
24 Forecasting Sea Surface Temperature in Java Sea UsingGeneralized Regression Neural Networks . . . . . . . . . . . . . . . . . . . . 249Dian Candra Rini Novitasari, Wahyu Tri Puspitasari,Rahmat Pramulya, Hetty Rohayani, R. R. Diah Nugraheni Setyowati,Dwi Rukma Santi, Muhammad Fahrur Rozi, and Ary Widjajanto
25 Natural Disaster Predictions of Whirlwinds in Cilacap Regionof Central Java Using Adaptive Neighborhood ModifiedBackpropagation (ANMBP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259Dian Candra Rini Novitasari, Fitria Febrianti, Arnita,Rinda Nariswari, R. R. Diah Nugraheni Setyowati, Putri Wulandari,Ahmad Zoebad Foeady, Moh. Hafiyusholeh, and Fajar Setiawan
26 Designing Memristor-Based Timing Circuits and PerformanceComparison with CMOS Counterparts . . . . . . . . . . . . . . . . . . . . . . 269Abir Jana, Disha Bhattacharjee, Komal Kumari, Anup Dey,Bijoy Goswami, and Subir Kumar Sarkar
27 Identify Elementary Student Distribution Based on KompetisiSains Madrasah Data Using Probabilistic Distance Clustering . . . . 281Ahmad Yusuf, Noor Wahyudi, Zakiyatul Ulya,Nurissaidah Ulinnuha, Dwi Rolliawati, Ali Mustofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Kusaeri, Ratna Indriyati,Dian Candra Rini Novitasari, and Maryunah
Contents ix
28 Classification of Tomato Plant Diseases Through LeafUsing Gray-Level Co-occurrence Matrix and Color Momentwith Convolutional Neural Network Methods . . . . . . . . . . . . . . . . . 291Anton Anton, Supriadi Rustad, Guruh Fajar Shidik,and Abdul Syukur
29 Leverage from Blockchain in Commodity Exchange:Asset-Backed Token with Ethereum Blockchain Networkand Smart Contract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301Richard, Yaya Heryadi, Lukas, and Agung Trisetyarso
30 A Review of Focused Crawling Schemes for Search Engine . . . . . . 311Suresh Kumar and Manisha Gupta
31 Design and Simulation of Multi-channel V-TDMA for IoT-BasedHealthcare Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319Anita Ramachandran, Malaika Afra Taj, Raghav Maheshwari,and Anupama Karuppiah
32 Design and Development of Tiny Humanoid Walkingand Dancing Robot with Obstacle Detection for VisualImpaired People . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331Amrita Ganguly, Jasmine Ara, and Bijan Paul
33 A Survey on DBN for Intrusion Detection in IoT . . . . . . . . . . . . . . 339Harsh Namdev Bhor and Mukesh Kalla
34 Organ Detection in Surgical Videos Using Neural Networks . . . . . 345Amit Kumar, Anshu Gupta, and Ankita Pramanik
35 Implementation Aspects of Multi-bit Adders Using UTBSOITransistors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355Rekib Uddin Ahmed and Prabir Saha
36 Accelerating Latency of Binary Division Through VedicMethodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365Deepak Kumar and Prabir Saha
37 Monitoring the torsional vibrations on the main propulsion plantof marine cargo ship installed two-stroke diesel engine:Theoretical case study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379Do Duc Luu and Cao Duc Hanh
38 Analysing Different Full Adder Based on 45 nm Technology . . . . . 393Ankit Kumar, Shyam Akashe, and Seelam VSV Prabhu Deva Kumar
39 Design of RF Energy Harvesting Circuit at 900 MHzfor Low-Powered DC Applications . . . . . . . . . . . . . . . . . . . . . . . . . 401Anoop Chiluveru, Shyam Akashe, and Shailendra Singh Ojha
x Contents
40 Noise Voltage: A New Dependability Concern in Low-PowerFinFET-Based Priority Encoder at 45 nm Technology . . . . . . . . . . 411Vishwas Mishra, Abhishek Kumar, Shobhit Tyagi, Divya Mishra,and Shyam Akashe
41 Assessment of Suitability of Metaheuristics and MachineLearning for Task Scheduling Process: A Review of Aptnessin Heavy Task Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419Shantanu Anandrao Lohi and Nandita Tiwari
42 A Review on Indian UID-Based Automated Electoral RollGeneration Mechanism Shunning Duplication and Redundancy . . . 427Harish Vasantrao Gorewar and Nandita Tiwari
43 A Review of Deep Learning Techniques for Identificationand Diagnosis of Plant Leaf Disease . . . . . . . . . . . . . . . . . . . . . . . . 435Ravindra Namdeorao Jogekar and Nandita Tiwari
44 Analysis and Prediction of Student Data Using Data Science:A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443Sandeep S. Ganorkar, Nandita Tiwari, and Varsha Namdeo
45 Efficient Target Detection and Classification of SAR ImagesUsing Z-Buffer Convolutional Neural Networks . . . . . . . . . . . . . . . 449P. Vasuki, A. Shakin Banu, S. Mohamed Mansoor Roomi,and G. Maragatham
46 Context-Aware Deep Convolutional Neural Network Applicationfor Fire and Smoke Detection in Virtual Environmentfor Surveillance Video Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . 459Akm Ashiquzzaman, Sung Min Oh, Dongsu Lee, Jihoon Lee,and Jinsul Kim
47 Design and Development of Efficient Cost-Saving Algorithmsfor Guiding Customer Purchasing Patterns in ModernConsumerism Scenario Using Feed Forward BackPropagation Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469Sonia Maria D’Souza and K. Satyanarayan Reddy
48 Mild Cognitive Impairment and Technology for Older Adults:A Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477Nita Rosa Damayanti and Nazlena Mohamad Ali
49 Identify Education Quality Based on Islamic Senior High SchoolData in Kompetisi Sains Madrasah Using Fuzzy C-MeansClustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487Dian Candra Rini Novitasari, Abdullah Faqih, Noor Wahyudi,Nurissaidah Ulinnuha, Zakiyatul Ulya, Ali Mustofa, Ahmad Fauzi,Ahmad Hanif Asyhar, Kusaeri, Dwi Rolliawati, and Ahmad Yusuf
Contents xi
50 Obstacle Avoidance with Sensors Using Soft ComputingTechniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 497Amit Yadav, Garima Jain, Divya Mishra, and Dharvendra P. Yadav
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 507
xii Contents
About the Editors
Prof. Yu-Dong Zhang received his B.S. and M.S. degrees from NanjingUniversity of Aeronautics and Astronautics in 2004 and 2007, prior to completinghis Ph.D. in Signal and Information Processing at Southeast University in 2010.From 2010 to 2012, he worked at Columbia University as a postdoc. From 2012 to2013, he worked as a research scientist at Columbia University and New York StatePsychiatric Institute. From 2013 to 2017, he worked as a Full Professor and doc-toral advisor at the School of Computer Science and Technology, Nanjing NormalUniversity. Since 2018, he has been a Full Professor at the Department ofInformatics, University of Leicester, UK.
Prof. Tomonoby Senjyu received his B.S. and M.S. degrees in ElectricalEngineering from the University of the Ryukyus, Nishihara, Japan, in 1986 and1988, respectively, and his Ph.D. in Electrical Engineering from NagoyaUniversity, Japan, in 1994. He is currently a Full Professor at the Department ofElectrical and Electronics Engineering, University of the Ryukyus. His researchinterests include renewable energy, power system optimization and operation,power electronics, and advanced control of electrical machines.
Prof. Chakchai SO–IN has been with the Department of Computer Science atKhon Kaen University since 2010. Dr. SO–IN received his B.E. and M.E. degreesfrom Kasetsart University (KU), Bangkok, Thailand, in 1999 and 2001, respec-tively. He also completed M.S. and Ph.D. degrees in Computer Engineering at theDepartment of Computer Science and Engineering, Washington University, in St.Louis (WUSTL), MO, USA, in 2006 and 2010. He has authored more than 100publications in prominent journals and proceedings, together with 10 books. Hisresearch interests include mobile computing/sensor networks, Internet of Things,computer/wireless/distributed networks, cyber security, intelligent systems and thefuture Internet. He is a senior member of the IEEE and ACM.
xiii
Dr. Amit Joshi is currently Director of the Global Knowledge ResearchFoundation, and an entrepreneur and researcher. Holding a B.Tech. in InformationTechnology and M.Tech. in Computer Science and Engineering, he has conductedextensive research in the areas of cloud computing and cryptography in medicalimaging, with a focus on analyzing current government strategies and global for-ums concerning security. Dr. Joshi has more than 10 years of experience in aca-demia and industry, having worked at prestigious organizations. He is an activemember of the ACM, IEEE, CSI, AMIE, IACSIT Singapore, IDES, ACEEE, NPA,and many other professional societies. Currently, he is the International Chair ofInterYIT at the International Federation of Information Processing (IFIP, Austria).He has presented and published more than 50 papers in national and internationaljournals/conferences of the IEEE and ACM, and has edited more than 20 books forSpringer, ACM, and other reputed publishers. He has also organized more than 40national and international conference and workshops in association with the ACM,Springer, and the IEEE, e.g. in India, the UK, Thailand, and Europe.
xiv About the Editors
Chapter 22Detecting the Width of Pap SmearCytoplasm Image Based on GLCMFeature
Nita Merlina, Edi Noersasongko, Pulung Nurtantio, M. A. Soeleman,Dwiza Riana, and Sri Hadianti
Abstract Color image segmentation on cytoplasmPap smear single cell image iden-tified as normal condition is an interesting subject to study. It is caused by the imagelimitation and morphological transformation complexity of the cell structural part.Feature analysis on cytoplasm area is an important thing in the process of biomedicalimage analysis because of the noise and complex background and the bad cytoplasmcontrast as well. Thus, an analysis on the feature area on cytoplasm automaticallyis an urge thing to do to identify Pap smear normal cell image based on featureanalysis on cytoplasm area in single cell image identified as normal condition. Thepurpose of this research is to analyze how far the process color image segmentationon cytoplasm by using normal single cell image is able to produce features of textureand form analysis. To analyze the form of cytoplasm, this research used RGB colorto HSV color conversion method which produces metric and eccentricity value. Itis then continued to the process of threshold image and counting the wide area bychanging threshold into binary image. On the other side, to analyze the texture, thisresearch applied an analysis using gray-level co-occurrence matrix (GLCM) usingK-means method to produce contrast, correlation, energy, and homogeneity param-eters. The result of the research is the segmentation outcome to Pap smear normalsingle cell image sample to get metric, eccentricity, contrast, correlation, and energyfeatures.
22.1 Introduction
Women are generally susceptible to cervical cancer, which ranks fourth as a verydeadly disease [1]. Papanicolaou test also called Pap smear or Pap test is a healthtest method that can help prevent cervical cancer. The main purpose of a Pap smear
N. Merlina (B) · E. Noersasongko · P. Nurtantio · M. A. SoelemanUniversitas Dian Nuswantoro, Semarang, Indonesiae-mail: [email protected]
N. Merlina · D. Riana · S. HadiantiSTMIK Nusa Mandiri, Jakarta, Indonesia
© The Editor(s) (if applicable) and The Author(s), under exclusive licenseto Springer Nature Singapore Pte Ltd. 2021Y.-D. Zhang et al. (eds.), Smart Trends in Computing and Communications: Proceedingsof SmartCom 2020, Smart Innovation, Systems and Technologies 182,https://doi.org/10.1007/978-981-15-5224-3_22
231
232 N. Merlina et al.
is to detect cell abnormalities that may occur or before the cancer develops. Correctinterpretation of microscopic examination of cells and tissues is very important forthe final diagnosis judgment of the disease [2]. However, the Pap smear testingprocess has weaknesses, especially in many developing countries where the numberof pathologists who can examine slides is inadequate. In Indonesia, with a populationof productive age women spread across 32 provinces with limited facilities andlimited human resources, it is estimated that 80% of the coverage of examinationswill be completed in five years with 7,992,486 Pap smear tests per year [3].
The classification of cervical cells in Pap smear images is an interesting thingbecause of image limitations and the complexity of morphological alterations in thestructural parts of cells [4]. Pap smear image processing has been performed forsingle cell types and non-overlapping. Image segmentation process is expected toidentify cytoplasm and nucleus images [5–7]. Segmentation is needed to define thearea of interest (ROI) in a normal single cell image and is the basis of an automaticcervical cancer screening system. Efficient image segmentation enables extractionof significant information and streamlines image data for further analysis. Weaksegmentation results in weak results during image analysis [8]. Analysis of featuresin the cytoplasm area in normal Pap smear cell images is interesting. That is dueto image limitations and the complexity of morphological changes in the structuralparts of cells. Analysis of features in the cytoplasm area is important in the processof analyzing biomedical images, and it is caused by background noise and complexand weak cytoplasm contrast. So, it is necessary to do an analysis of the features ofthe area in the cytoplasm by automation to identify the normal Pap smear cell imagebased on the analysis of the features of the cytoplasm area in a single cell image thatis detected normally. The purpose of this research is to see the extent of the process ofanalyzing feature areas in the cytoplasm by using a normal single cell image so thatfeatures of texture and shape analysis can be produced. The results of this study areexpected to facilitate the identification of cytoplasm images from Pap smear images.
This paper is divided into several sections. Section 22.2, related work, discussesabout the methods used in the research. Section 22.3 describes the results anddiscussion, which will be enclosed with conclusions and further research plans.
22.2 Related Work
There are many methods used to identify the area of cytoplasm image, and thisstudy attempts to do different things, which is to propose a segmentation methodfor cytoplasm area in a single Pap smear image that utilizes the GLCM feature.This GLCM feature has not been widely used in previous research. In the initialdetection of a Pap smear image, a single cell image is easy to observe [9]. In theprevious research, cytoplasm detection process has been successfully carried out by
22 Detecting the Width of Pap Smear Cytoplasm … 233
color classification using K-means and joint shape matching. However, this researchis limited only to determine the presence of cytoplasm and not to determine theextent of cytoplasm in detail [10, 11]. The gray-level co-occurrence matrix (GLCM)previous studies have been used, but they use a dataset from a nearby hospital andonly discuss cervical cancer related without the Pap smear cell being used [12].
22.3 Method
Data processing techniques use the MATLAB application program on color andbinary image matrices as well as analyzing textures. In order to determine the areain cytoplasm image, the initial step of this research is to convert RGB color to HSVcolor (hue, saturation, value). The HSV color model was formulated by searchingthe RGB color cube along the gray axis of the color wheel, where this model is morewidely used than RGB in depicting color sensations. After the HSV color conversionis generated, the next step is to determine the threshold image and calculate the areaof the area by changing the threshold image into a binary image that aims to calculateobjects in a digital image in a simple way from the original image. In this process,we need a boundary value called the threshold value. Image intensity values thatare more than or equal to the threshold value will be changed to white (1), whileimage intensity values less than the threshold value will be changed to black (0)[13]. Furthermore, to analyze the texture of the image of the area value that hasbeen segmented by the K-means method and the researcher uses the Gray-Level Co-OccurrenceMatrix (GLCM) so that the parameters obtained are contrast, correlation,energy, and homogeneity. The results of this research are the results of segmentationof a single Pap smear normal cell image sample so that it can be done well and isable to get the features of metric, eccentricity, contrast, correlation, and energy [14],where the texture has characteristics that can be extracted to distinguish an imagewith another image. Figure 22.1 shows the image of a single cell used in this study.
In this study, a research flow diagram is shown in Fig. 22.2 on the digital imageof papers.
Fig. 22.1 Example of a single cell image
234 N. Merlina et al.
Fig. 22.2 Research stages
22.4 Results and Discussion
22.4.1 Result
The stages of the research consisting of five stages of the process are evaluated ontraditional Pap smear images. All of these images were obtained through a Logitechcamera (Logitech HD C525 Webcam) adjusted to an optical microscope (OlympusCH20). 40× amplification is used, and the results are saved in JPEG format. Thefollowing are the results of the process of segmentation methods in each.
22.4.1.1 Convert RGB Color to HSV Color
The result of the conversion ofRGBcolor intoHSVcolor aims to detect the cytoplasmso as to produce an image as shown in Fig. 22.3, where the cytoplasm has a colorthat is more dominant than the nucleus.
Fig. 22.3 Image results from color conversion
22 Detecting the Width of Pap Smear Cytoplasm … 235
Fig. 22.4 Image from threshold
22.4.1.2 Threshold Image
When analyzing an area in the cytoplasm, the initial process is to determine theedge of the object from a single normal cell. The results of edge detection in normalsingle cell images are taken from images that have been converted to HSV color, andFig. 22.4 shows images of edge detection.
22.4.1.3 Binary Imagery
The calculation process of the attributes that exist in a single normal Pap smearcell can be simply done by the process of conversion to binary images; after theconversion process is carried out, the area calculation process can be carried out,along with pictures that present the results of binary images (Figs. 22.5, 22.6, and22.7).
Fig. 22.5 Binary image
236 N. Merlina et al.
Fig. 22.6 Width binary image
Fig. 22.7 Chart width of binary image
22.4.1.4 Gray-Level Co-occurrence Matrix (GLCM)
The process of this GLCM is to analyze the texture of the cytoplasm area, so thatthis research results in segmentation of a single Pap smear normal cell image sampleby producing metric, eccentricity, contrast, correlation, and energy features. Thefollowing are the formulas for calculating the metric feature, eccentricity, contrast,correlation, and energy:
Contrast =∑
i1
∑
i2
(i1 − i2)2 p(i1, i2) (22.1)
Homogeneity =∑
i1
∑
i2
p(i1, i2)
1+ |11 − i2| (22.2)
Energy =∑
i1
∑
i2
p2(i1, i2) (22.3)
22 Detecting the Width of Pap Smear Cytoplasm … 237
Table 22.1 Texture of the cytoplasm area
Metric Eccentricity Contrast Correlation Energy Homogeneity
0.01 1 0.01 0.99 0.57 1
0.01 0.46 0.01 0.98 0.49 0.99
0.01 1 0.01 0.99 0.49 1
0.02 1 0.01 0.99 0.51 1
0.95 0.7 0.01 0.99 0.53 1
0.78 0.7 0.01 0.88 0.95 1
0.01 0.73 0.01 0.98 0.52 0.99
0.67 0.53 0.01 0.99 0.5 1
Entropy = −∑
i1
∑
i2
p(i1, i2) log p(i1, i2) (22.4)
Eccentricity = e =√1− b2
a2(22.5)
Metric = M = 4π × A
C2(22.6)
Table 22.1 gives the results of the GLCM calculations that have been carried out.
22.4.2 Discussion
In this study, we segmented Pap smear images by taking ten image from a singlenormal goal, but there are two images that are not segmented perfectly; this is becausethere is noise in the image, so the segmentation is done using the method taken lessthan perfect.
22.5 Conclusion
The results of this study are to see the extent of the cytoplasm color image segmen-tation process using normal single cell images so that features of texture and shapeanalysis can be produced. To analyze the shape of the cytoplasm, this study uses themethod of convertingRGBcolor conversion intoHSVcolor conversion that producesmetric and eccentricity values and then proceeds with the process to determine thethreshold image and calculate the area of the area by changing the threshold imagewhich becomes a binary image. For texture analysis, the analysis is done using thegray-level co-occurrence matrix (GLCM) method which uses the K-means method
238 N. Merlina et al.
to obtain contrast, correlation, energy, and homogeneity parameters. The results ofthis research are the results of segmentation of normal Pap smear single cell imagesamples so that they can be done well and are able to get the features of metric,eccentricity, contrast, correlation, and energy. The limitation of this study is that thenumber of samples used needs to be increased so that it will produce more featuredata to get more extensive information. This research is a preliminary study for cyto-plasm recognition. Further research will focus on segmentation of the cytoplasm insingle Pap smear cells by adding new features besides GLCM. Another thing to dois research for group Pap smears.
References
1. Irawan, F.: Statistik penderita kanker di Indonesia (2018)2. Riana, D., Widyantoro, D.H., Mengko, T.L.: Extraction and classification texture of inflam-
matory cells and nuclei in normal pap smear images. In: 2015 4th International Conferenceon Instrumentation, Communications, Information Technology, and Biomedical Engineering(2015)
3. Kusuma, F.: Tes Pap Dan Cara Deteksi Dini Kanker Serviks Lainnya, Departemen ObstetridanGinekologi Fakultas KedokteranUniversitas Indonesia RSUPNDr. CiptoMangunkusumo,Prevention and Early Detection of Cervical Cancer (PEACE), Jakarta (2012)
4. Plissiti , S.E., Dimitrakopoulos, P., Sfikas, G., Nikou, C., Krikoni, O., Charchanti, A.: Datasetfor feature and image based classification of normal and pathological cervical cells in papsmear images. In: 25th IEEE International Conference on Image Processing (2018)
5. Lu, Z., Carneiro, G., Bradley, A.P.: Automated nucleus and cytoplasm segmentation ofoverlapping cervical cells. In: International Conference on Medical Image Computing andComputer-Assisted Intervention, vol 8149. Lecture Notes in Computer Science, pp. 452–460(2013)
6. Zhao, L., Li, K. Wang, M., Yin, J., Zhu, E., Wu, C., Wang, S., Zhu, C.: Automatic cytoplasmand nuclei segmentation for color cervical smear image using an efficient gap-search MRF 46.Comput. Biol. Med. 71, 46 (2016). ISSN 00104825
7. Riana, D., Hidayanto, A.N.,Widyantoro, D.H.,Mengko, T.L.R., Kalsoem, O.: Segmentation ofoverlapping cytoplasm and overlapped areas in Pap smear images. In: Information, Intelligence,Systems & Applications (IISA), pp. 1–5 (2017)
8. Sun, G., Li, S., Cao, Y., Lang, F.: Cervical cancer diagnosis based on random forest. Int. J.Performability Eng. (2017)
9. Riana, D., Ramdhani, Y., Prasetio, R.T., Hidayanto, A.N.: Improving hierarchical decisionapproach for single image classification of pap smear. Int. J. Electr. Comput. Eng. 8, 5415–5424(2018)
10. Riana, D., Tohir, H., Hidayanto, A.N.: Segmentation of Overlapping Areas on Pap SmearImages with Color Features Using K-Means and Otsu Methods (2018). https://ieeexplore.ieee.org/xpl/conhome/8767368/proceeding
11. Song, Y., Qin, J., Lei, B., He, S., Choi, K.-S.: Joint shape matching for overlapping cyto-plasm segmentation in cervical smear images. In: 2019 IEEE 16th International Symposiumon Biomedical Imaging (ISBI 2019) Venice, Italy, pp. 191–194 (2019)
12. Nehra, S., Raheja, J.L., Butte, K., Zope, A.: Detection of cervical cancer using GLCMand support vector machines, pp. 49–53. https://ieeexplore.ieee.org/xpl/conhome/8768798/proceeding
22 Detecting the Width of Pap Smear Cytoplasm … 239
13. Pamungkas, A.: Pemrograman Matlab (2019). [Online]. Available: https://pemrogramanmatlab.com/pengolahan-citra-digital/segmentasi-citra
14. Bhan, S., Vyas, A., Mishra, G.: Supervised segmentation of overlapping cervical pap smearimages. In: 2016 International Conference on Signal Processing and Communications (2016)
Jakarta, 05 Februari 2020
Kepada Yth.
Tim Penilai Usulan Guru Besar atas nama Dr. Dwiza Riana, S.Si.,MM.,M.Kom
Di Tempat
KLARIFIKASI TERKAIT KESAMAAN KARYA ILMIAH DENGAN DISERTASI
Klarifikasi Disertasi dengan judul “PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR
UNTUK DETEKSI DINI KANKER SERVIKS MELALUI PROSES PEMISAHAN SEL
TUMPANG TINDIH DAN ELIMINASI SEL RADANG” terkait kesamaan dengan artikel ilmiah yang
telah dipublikasikan dengan judul “DETECTING THE WIDTH OF PAP SMEAR CYTOPLASM
IMAGE BASED ON GLCM FEATURE”.
Berdasarkan hasil analisa dan perbandingan yang dilakukan terhadap komponen permasalahan penelitian,
tujuan penelitian, data set yang digunakan, algoritma, metode penelitian, hasil penelitian dan kontribusi
paper dan disertasi diperoleh hasil sebagai berikut:
1. Permasalahan penelitian dalam kedua penelitian ini sangat berbeda. Penelitian pada paper fokus kepada
Analisis citra sel tunggal Pap Smear, sedangkan permasalahan pada disertasi mengatasi keberadaan sel
tumpang tindih untuk memperoleh citra sel tunggal dan khusus pada proses pengolahan citra sehingga
kemiripan dari permasalahan penelitian sebesar 0%.
2. Terdapat perbedaan tujuan yang sangat signifikan dari kedua penelitian ini. Tujuan penelitian pada
paper adalah menganalisis sejauh mana proses segmentasi citra warna pada sitoplasma dengan
menggunakan citra sel normal tunggal mampu menghasilkan ciri tekstur dan analisis bentuk. Sedangkan
tujuan penelitian disertasi mendapatkan citra sel tunggal, menyelesaikan masalah pada sel radang dan
mengidentifikasi sel nukleus pada citra Pap-smear tumpang tindih. Sehingga kemiripan tujuan
penelitian antara keduanya sebesar 0%.
3. Dataset yang digunakan dalam kedua penelitian sangat berbeda dan memiliki permasalahan atau
peluang penelitian yang tidak sama. Sehingga dengan dataset yang tidak sama maka kedua penelitian
tidak memiliki kemiripan atau kemiripannya sebesar 0%.
4. Terdapat perbedaan algoritma yang digunakan dalam kedua penelitian sehingga kemiripannya 0%.
5. Dari kedua gambar metode penelitian terlihat bahwa tahapan penelitian yang dilakukan dalam kedua
penelitian ini sangat berbeda dan tentu saja sesuai dengan tujuan penelitian masing-masing. Kesamaan
kedua penelitian ini adalah bertujuan untuk mendapatkan solusi bagi deteksi dini secara otomatis citra
Pap-smear untuk menanggulangi permasalahan cervical cancer. Sehingga kemiripan pada metode
penelitian sebesar 0%.
6. Hasil penelitian dari keduanya jelas memiliki perbedaan sehingga kemiripannya 0%.
Masing-masing penelitian memiliki kontribusi yang berbeda sehingga dapat dinyatakan memiliki
kemiripan 0%.
Untuk rincian dari analisa kemiripan pada masing-masing paper dapat dilihat pada tabel yang disertakan
dalam surat klarifikasi ini.
Demikian klarifikasi ini saya sampaikan kepada Bapak dan Ibu Tim Penilai, mohon maaf jika
terdapat hal-hal yang kurang berkenan dan atas perhatian Bapak dan Ibu diucapkan terimakasih.
Hormat saya,
Dr. Dwiza Riana, S.SI.,MM.,M.Kom
Perbandingan dan Klarifikasi Kemiripan Paper Detecting the Width of Pap Smear Cytoplasm Image Based on GLCM Feature dengan
Disertasi an Dwiza Riana
No Komponen
yang
dibandingkan
Paper: Detecting the Width of Pap Smear
Cytoplasm Image Based on GLCM
Feature, International Smart Trends in
Computing and Communications:
Proceedings of SmartCom, 2020
Disertasi, 28 Agustus 2015, berjudul Perolehan Citra
Sel Tunggal mikroskopik Pap Smear Melalui proses
pemisahan sel tumpeng tindih dan eliminasi sel radang
(ImageAcquisition of Pap Smear Single Cell for Early
Detection of Cervical Cancer Cells through the process
of separation of overlapping cells and elimination of
inflammatory cells )
Klarifikasi kemiripan
Paper terhadap Disertasi
1 Permasalahan
Penelitian
Segmentasi citra warna pada sitoplasma citra
Pap smear sel tunggal yang teridentifikasi
dalam kondisi normal merupakan hal yang
menarik untuk diteliti. Hal ini disebabkan oleh
keterbatasan citra dan kompleksitas
transformasi morfologi bagian struktur sel.
Analisis ciri pada bidang sitoplasma
merupakan hal yang penting dalam proses
analisis citra biomedis karena adanya noise dan
background yang kompleks serta kontras
sitoplasma yang buruk pula
Diagnosis kanker serviks pada citra Pap smear terkadang
sulit dilakukan padahal merupakan prosedur yang sangat
penting. Untuk memperoleh informasi diagnostik yang
dapat diandalkan, nukleus dan karakteristik sel harus
diidentifikasi dan dievaluasi dengan benar. Namun,
kehadiran sel-sel radang dan sel tumpang tindih dalam citra
mikroskopik Pap smear mempersulit proses deteksi.
Disertasi ini difokuskan pada pengembangan metode
segmentasi citra untuk secara efisien menangani masalah
keberadaan spesifik sel-sel radang dan sel tumpang tindih
pada citra mikroskopik Pap smear untuk mendapatkan sel
tunggal bagi deteksi dini kanker serviks. Citra mikroskopik
Pap smear memiliki kompleksitas dan karakteristik
tertentu, tantangan bagi setiap metode segmentasi untuk
mengatasi kompleksitas dan masalah citra Pap Smear, yaitu
tingginya tingkat tumpang tindih sel, kurangnya
homogenitas dalam intensitas citra dan keberadaan sel-sel
radang. Permasalahan dalam penelitian ini adalah
mengatasi keberadaan sel tumpang tindih dan sel radang
pada citra mikroskopik Pap smear. Membangun teknik
segmentasi pada citra sel tumpang tindih adalah rintangan
utama untuk analisis sel servik.
Permasalahan penelitian
dalam kedua penelitian ini
sangat berbeda. Penelitian
pada paper fokus kepada
Analisis citra sel tunggal Pap
Smear, sedangkan
permasalahan pada disertasi
mengatasi keberadaan sel
tumpang tindih untuk
memperoleh citra sel tunggal
dan khusus pada proses
pengolahan citra sehingga
kemiripan dari permasalahan
penelitian sebesar 0%
2 Tujuan
Penelitian
menganalisis sejauh mana proses segmentasi
citra warna pada sitoplasma dengan
menggunakan citra sel normal tunggal mampu
menghasilkan ciri tekstur dan analisis bentuk
Tujuannya untuk mencapai identifikasi akurat dari daerah
tertentu yang menjadi perhatian, dan agar mendapatkan
kesimpulan yang dapat diandalkan tentang konten dari citra
Pap smear. Pengolahan citra Pap smear terkait dengan
beberapa aspek dari bidang ilmiah pengolahan citra
biomedis, seperti deteksi objek, delinasi objek, pemisahan
bagian yang tumpang tindih dan identifikasi normal dan
abnormal dari objek sel dalam citra yang mengandung
noise dan artefak.
Terdapat perbedaan tujuan
yang sangat signifikan dari
kedua penelitian ini. Tujuan
penelitian pada paper adalah
menganalisis sejauh mana
proses segmentasi citra
warna pada sitoplasma
dengan menggunakan citra
sel normal tunggal mampu
menghasilkan ciri tekstur dan
analisis bentuk. Sedangkan
tujuan penelitian disertasi
mendapatkan citra sel
tunggal, menyelesaikan
masalah pada sel radang dan
mengidentifikasi sel nukleus
pada citra Pap-smear
tumpang tindih. Sehingga
kemiripan tujuan penelitian
antara keduanya sebesar 0%
3 Data set Data privat dari Laboratorium Patology
Bandung berupa sel tunggal sebanyak 10 citra
Data privat dari Laboratorium Patology Bandung berupa
sel tumpang tindih sebanyak 418 citra
Dataset yang digunakan
dalam kedua penelitian
sangat berbeda dan memiliki
permasalahan atau peluang
penelitian yang tidak sama.
Sehingga dengan dataset
yang tidak sama maka kedua
penelitian tidak memiliki
kemiripan atau kemiripannya
sebesar 0%
4 Algoritma Untuk menganalisis bentuk sitoplasma,
penelitian ini menggunakan metode konversi
warna RGB menjadi warna HSV yang
menghasilkan nilai metrik dan eksentrisitas.
Kemudian dilanjutkan dengan proses citra
threshold dan penghitungan luas area dengan
merubah threshold menjadi citra biner. Di sisi
lain, untuk menganalisis tekstur, penelitian ini
menggunakan analisis grey level co-occurance
matrix (GLCM) menggunakan metode K-
means untuk menghasilkan parameter kontras,
korelasi, energi, dan homogenitas
Dalam penelitian ini, algoritma segmentasi dikembangkan
untuk pemisahan sel tumpang tindih dan segmentasi sel
radang pada citra Pap smear. Tahapan pre-processing
berupa konversi warna, peningkatan citra, pengenalan
objek dan pembersihan latar belakang dengan rule
klasifikasi tekstur untuk menghasilkan cropping sel
tumpang tindih secara otomatis. Segmentasi sel tumpang
tindih dilakukan untuk segmentasi sitoplasma tumpang
tindih dan daerah tumpang tindih dengan graylevel
thresholding. Proses selanjutnya dilakukan delinasi sel
tumpang tindih dengan empat proses yaitu pembagian
daerah tumpang tindih, pencarian jarak terdekat dari
pinggiran daerah tumpang tindih, penyambungan pinggiran
sitoplasma tumpang tindih dengan pendekatan geometri
dan proses isolasi sel tumpang tindih. Proses ini
menghasilkan perolehan citra sel tunggal. Tahap
selanjutnya dilakukan eliminasi sel radang dan deteksi
nukleus dengan kombinasi graylevel thresholding dan
defenisi aturan jarak. Akhirnya dilakukan analisa
morphologi dan identifikasi sel untuk menentukan
kenormalan sel. Metode pemisahan sel tumpang tindih
dievaluasi dengan menggunakan 21 citra yang
mengandung 24 citra sel tumpang tindih, 61 sel nukleus dan
155 sel radang dengan lima ukuran daerah tumpang tindih
yang berbeda-beda yaitu >150x200 piksel, > 100 x 200
piksel, >150x150 piksel, >150x200 piksel, >100x100, dan
>200x200 piksel.
Terdapat perbedaan
algoritma yang digunakan
dalam kedua penelitian
sehingga kemiripannya 0%
5 Metode
penelitian
Flowchart Prosedur Eksperimen
Dari kedua gambar metode
penelitian terlihat bahwa
tahapan penelitian yang
dilakukan dalam kedua
penelitian ini sangat berbeda
dan tentu saja sesuai dengan
tujuan penelitian masing-
masing. Kesamaan kedua
penelitian ini adalah
bertujuan untuk
mendapatkan solusi bagi
deteksi dini secara otomatis
citra Pap-smear untuk
menanggulangi
permasalahan cervical
cancer. Sehingga kemiripan
pada metode penelitian
sebesar 0%.
6 Hasil Penelitian Hasil dari penelitian ini adalah hasil
segmentasi sampel citra normal single cell Pap
smear untuk mendapatkan fitur metrik,
eksentrisitas, kontras, korelasi, dan energi.
Dari analisis data uji citra mikroskopik Pap smear
menunjukkan pemisahan sel tumpang tindih dapat
menghasilkan perolehan citra tunggal Pap smear. Metode
eliminasi sel radang dapat secara signifikan menghilangkan
sel-sel radang dan mendeteksi nukleus pada 142 citra sel
tunggal yang berhasil diisolasi, di mana identifikasi berupa
fitur area, perimeter dan roundness nukleus dan sitoplasma
serta klaisikasi sel dapat dilakukan. Hasil penelitian
menunjukkan bahwa metode eliminasi sel radang secara
signifikan menyederhanakan proses deteksi nukleus,
sehingga mengurangi jumlah sel inflamasi yang dapat
mengganggu Aspek-aspek yang dibahas dalam penelitian
ini, memberikan konteks yang terintegrasi untuk analisis
secara efisien bagi deteksi otomatis kanker serviks untuk
segmentasi sel radang dan pemisahan sel tumpang
tindih pada citra sel mikroskopik Pap smear.
Hasil penelitian dari
keduanya jelas memiliki
perbedaan sehingga
kemiripannya 0%.
7 Kontribusi Melakukan segmentasi sampel citra normal
single cell Pap smear sehingga mendapatkan
fitur metrik, eksentrisitas, kontras, korelasi,
dan energi.
Kontribusi penelitian disertasi berupa metode eliminasi sel
radang yang secara signifikan dapat menyederhanakan
proses deteksi nukleus, sehingga mengurangi jumlah sel
radang yang mengganggu deteksi nukleus. Metode yang
memberikan konteks yang terintegrasi untuk analisis secara
efisien bagi deteksi otomatis kanker serviks untuk
segmentasi sel radang dan pemisahan sel tumpang tindih
pada citra sel mikroskopik Pap smear. Kontribusi metode
terdiri dari tahapan proses pemisahan citra sel tumpang
tindih dengan pendekatan geometrik, perolehan citra
tunggal Pap-smear, kemudahan analisa morpologi dan
identifikasi jenis sel, mengatasi permasalahan keberadaan
sel radang dan proses eliminasi citra sel radang, yang belum
pernah dilakukan dalam penelitian lain.
Masing-masing penelitian
memiliki kontribusi yang
berbeda sehingga dapat
dinyatakan memiliki
kemiripan 0%.
PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR UNTUK
DETEKSI DINI KANKER SERVIKS MELALUI PROSES
PEMISAHAN SEL TUMPANG TINDIH DAN
ELIMINASI SEL RADANG
DISERTASI
Karya tulis sebagai salah satu syarat
untuk memperoleh gelar Doktor dari
Institut Teknologi Bandung
Oleh
DWIZA RIANA
NIM : 33211015
(Program Studi Teknik Elektro dan Informatika)
INSTITUT TEKNOLOGI BANDUNG
2015
ABSTRAK
PEROLEHAN CITRA SEL TUNGGAL PAP SMEAR UNTUK
DETEKSI DINI KANKER SERVIKS MELALUI PROSES
PEMISAHAN SEL TUMPANG TINDIH
DAN ELIMINASI SEL RADANG
Oleh
Dwiza Riana
NIM : 33211015
Diagnosis kanker serviks pada citra Pap smear terkadang sulit dilakukan
padahal merupakan prosedur yang sangat penting. Untuk memperoleh informasi
diagnostik yang dapat diandalkan, nukleus dan karakteristik sel harus diidentifikasi
dan dievaluasi dengan benar. Namun, kehadiran sel-sel radang dan sel tumpang
tindih dalam citra mikroskopik Pap smear mempersulit proses deteksi. Disertasi ini
difokuskan pada pengembangan metode segmentasi citra untuk secara efisien
menangani masalah keberadaan spesifik sel-sel radang dan sel tumpang tindih pada
citra mikroskopik Pap smear untuk mendapatkan sel tunggal bagi deteksi dini
kanker serviks. Citra mikroskopik Pap smear memiliki kompleksitas dan
karakteristik tertentu, tantangan bagi setiap metode segmentasi untuk mengatasi
kompleksitas dan masalah citra Pap Smear, yaitu tingginya tingkat tumpang tindih
sel, kurangnya homogenitas dalam intensitas citra dan keberadaan sel-sel radang.
Tujuannya untuk mencapai identifikasi akurat dari daerah tertentu yang menjadi
perhatian, dan agar mendapatkan kesimpulan yang dapat diandalkan tentang konten
dari citra Pap smear. Pengolahan citra Pap smear terkait dengan beberapa aspek
dari bidang ilmiah pengolahan citra biomedis, seperti deteksi objek, delinasi objek,
pemisahan bagian yang tumpang tindih dan identifikasi normal dan abnormal dari
objek sel dalam citra yang mengandung noise dan artefak. Permasalahan dalam
penelitian ini adalah mengatasi keberadaan sel tumpang tindih dan sel radang pada
citra mikroskopik Pap smear. Membangun teknik segmentasi pada citra sel
tumpang tindih adalah rintangan utama untuk analisis sel servik. Dalam penelitian
ini, algoritma segmentasi dikembangkan untuk pemisahan sel tumpang tindih dan
segmentasi sel radang pada citra Pap smear. Tahapan pre-processing berupa
konversi warna, peningkatan citra, pengenalan objek dan pembersihan latar
belakang dengan rule klasifikasi tekstur untuk menghasilkan cropping sel tumpang
tindih secara otomatis. Segmentasi sel tumpang tindih dilakukan untuk segmentasi
sitoplasma tumpang tindih dan daerah tumpang tindih dengan graylevel
thresholding. Proses selanjutnya dilakukan delinasi sel tumpang tindih dengan
empat proses yaitu pembagian daerah tumpang tindih, pencarian jarak terdekat dari
pinggiran daerah tumpang tindih, penyambungan pinggiran sitoplasma tumpang
tindih dengan pendekatan geometri dan proses isolasi sel tumpang tindih. Proses ini
menghasilkan perolehan citra sel tunggal. Tahap selanjutnya dilakukan eliminasi
ii
sel radang dan deteksi nukleus dengan kombinasi graylevel thresholding dan
defenisi aturan jarak. Akhirnya dilakukan analisa morphologi dan identifikasi sel
untuk menentukan kenormalan sel. Metode pemisahan sel tumpang tindih
dievaluasi dengan menggunakan 21 citra yang mengandung 24 citra sel tumpang
tindih, 61 sel nukleus dan 155 sel radang dengan lima ukuran daerah tumpang tindih
yang berbeda-beda yaitu >150x200 piksel, > 100 x 200 piksel, >150x150 piksel,
>150x200 piksel, >100x100, dan >200x200 piksel. Dari analisis data uji citra
mikroskopik Pap smear menunjukkan pemisahan sel tumpang tindih dapat
menghasilkan perolehan citra tunggal Pap smear. Metode eliminasi sel radang
dapat secara signifikan menghilangkan sel-sel radang dan mendeteksi nukleus pada
142 citra sel tunggal yang berhasil diisolasi, di mana identifikasi berupa fitur area,
perimeter dan roundness nukleus dan sitoplasma serta klaisikasi sel dapat
dilakukan. Hasil penelitian menunjukkan bahwa metode eliminasi sel radang secara
signifikan menyederhanakan proses deteksi nukleus, sehingga mengurangi jumlah
sel inflamasi yang dapat mengganggu Aspek-aspek yang dibahas dalam penelitian
ini, memberikan konteks yang terintegrasi untuk analisis secara efisien bagi deteksi
otomatis kanker serviks untuk segmentasi sel radang dan pemisahan sel tumpang
tindih pada citra sel mikroskopik Pap smear.
Kata kunci: citra Pap smear images, nukleus, sel radang, sel tumpang tindih,
segmentasi, threshold, area, perimeter, roundness, cervical cancer. Total kata:
496
iii
ABSTRACT
IMAGE ACQUISITION OF PAP SMEAR SINGLE CELL FOR
EARLY DETECTION OF CERVICAL CANCER CELLS
THROUGH THE PROCESS OF SEPARATION OF
OVERLAPPING CELLS AND ELIMINATION OF
INFLAMMATORY CELLS By
Dwiza Riana
NIM : 33211015
The diagnosis of cervical cancer in Pap smear images is a difficult though
extremely important procedure. In order to obtain reliable diagnostic information,
the nuclei and their characteristics must be correctly identified and evaluated.
However, the presence of inflammatory and overlapping cells in these images
complicates the detection process. This dissertation is focused on the development
of image segmentation methods for efficiently handle specific problems presence
of inflammatory cells and cell overlapping on the Pap smear microscopic images to
obtain single cells for early detection of cervical cancer. Microscopic Pap smear
image present great complexity and particular characteristics, the challenge for any
methodology is to overcome the complexity and problems on Pap smear images,
namely, the high degree of cell overlapping, the lack of homogeneity in image
intensity and the existence of inflammatory cells. The goal is to achieve an accurate
identification of the region of interest, and as a result to obtain reliable conclusions
about the content of the Pap smear images. The processing of Pap smear images is
related with several aspects of the scientific field of biomedical image processing,
reviews such as object detection, object delineation, separation of partially occluded
or overlapping objects and identification of normal and abnormal objects in images
containing noise and artifacts.
The problem in this research is to overcome the existence of overlapping
cells and inflammatory cells in the microscopic image of the Pap smear. Develoving
segmentation techniques for overlapping cell has become a major hurdle for
automated analysis of cervical cells. In this research, the segmentation algorithms
developed for the separation of overlapping cells and inflammatory cells in the
image segmentation Pap smear. The pre-processing such as color conversion, image
enhancement, object recognition and cleaning background with rule of texture
classification to generate a cropping overlapping cell automatically. The
segmentation of overlapping cell segment such as segmentation of cytoplasm
overlapping, and segmentation of areas overlapping with graylevel thresholding.
The delineation of overlapping cell with four processes, namely the division of areas
overlapping, the search for the closest distance from the edges area overlapping,
outskirts of cytoplasmic splicing overlap with the approach of geometry and
isolation of cells overlapping. This process resulted in the acquisition of the image
of a single cell. The next stage is detection of
iv
inflammatory cells and nucleus performed by definition of distance rule. Finally,
morphological analysis and identification of the cell automatically to determine the
normality of the cell. Overlapping cell separation methods were evaluated using 21
images containing 24 images of overlapping cells , 61 cells and 155 cell nucleus
inflammation in five overlapping areas with different size are > 150x200 pixels,>
100 x 200 pixels,> 150x150 pixels,> 150x200 pixels,> 100x100, and> 200x200
pixels. Analysis of the test data Pap smear microscopy image shows the separation
of overlapping cells can produce a single image acquisition Pap smear. The method
of elimination of inflammatory cells can significantly eliminate inflammatory cells
and detect nuclei in all the image of 142 single cells of data set, where the
identification of such features area, perimeter and roundness of the nucleus and the
cytoplasm and cell classification can be done. The results show that this method
significantly simplifies the process of detection nucleus, thereby reducing the
number of inflammatory cells that can interfere. The aspects discussed in this study,
provide an integrated context for analysis efficiently for automated detection of
cervical cancer for segmentation of inflammatory cells and separation of
overlapping cell on Pap smear microscopic cell images.
Keyword: Pap smear images, nucleus, inflammatory cells, overlapping cells,
segmentation, threshold, area, perimeter, roundness, cervical cancer.
vi
Dipersembahkan kepada Ibunda Hj Salbiyah Saropi, Ayahanda H. Zakaria
Husein Safe’i. Suami terkasih H. Moch. Hendro Gunawan, Anak-anakku Alya
Shafira Hewiz dan Rayhan Konan Ferdion
vii
PEDOMAN PENGGUNAAN DISERTASI
Disertasi Doktor yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan
Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak
cipta ada pada pengarang dengan mengikuti aturan HaKI yang berlaku di Institut
Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi
pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus
disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.
Memperbanyak atau menerbitkan sebagian atau seluruh disertasi haruslah seizin
Direktur Program Pascasarjana, Institut Teknologi Bandung.
viii
KATA PENGANTAR
Penulis bersyukur ke hadirat Allah SWT. Hanya berkat dan rakhmat Allah SWT
penulis dapat menyelesaikan penulisan disertasi ini, yang merupakan salah satu
syarat untuk memperoleh gelar Doktor dari Institut Teknologi Bandung.
Penulis sangat berterima kasih pada Prof. Dr. Ir. Tati Latifah R. Mengko, sebagai
ketua Tim Pembimbing atau promotor, atas segala saran, bimbingan dan nasehatnya
selama penelitian berlangsung dan selama penulisan disertasi ini.
Penulis juga berterima kasih atas saran, kritik dan nasehat dari anggota Tim
Pembimbing atau co promotor Dr. Ir. Dwi H. Widyantoro.
Penulis mengucapkan terima kasih kepada seluruh pimpinan, dosen dan staf di
lingkungan STEI ITB dan Sekolah Pasca Sarjana yang telah memberikan arahan
dan bantuan kepada penulis selama mengikuti perkuliahan di Program Doktor.
Penulis juga berterima kasih kepada Laboratorium Patologi Klinik Veteran
Bandung, tempat penulis mendapatkan data citra Pap smear. Kepada dr Oemie
Kalsoem, Sp. PA selaku Kepala Laboratorium Khusus Patologi Veteran Bandung
dan dokter ahli patologi atas bantuan verifikasi ilmiah serta telah berkolaborasi
dengan penulis dalam proses penelitian.
Terima kasih disampaikan kepada Kementerian Pendidikan Dan Kebudayaan
Direktorat Jenderal Pendidikan Tinggi atas bantuan Beasiswa program doktor
BPPDN angkatan 2011, Beasiswa Sandwich Program/ Program Peningkatan
Publikasi Internasional Mahasiswa S3 di Ioannina of University (2013) dan hibah
Penelitian Disertasi Doktor dari Ditlitabmas tahun 2014, yang diterima selama
pendidikan program doktor.
ix
Terima kasih kepada Prof. Christophoros Nikou, Marina E. Plissiti, PhD, dan
Vrigkas Michalis atas diskusi, masukan dan bantuan kepada penulis dalam
penulisan jurnal dan bantuan selama melakukan penelitian di Ioannina, Greece.
Ketua Yayasan Bina Sarana Informatika (BSI) dan Ketua Yayasan Indonesia Nusa
Mandiri beserta segenap pengurus yayasan yang telah memberikan kesempatan dan
bantuan baik moril maupun materiil bagi penulis untuk melanjutkan studi di
Program Doktor STEI ITB. Direktur BSI dan seluruh jajarannya. Rektor dan staf
karyawan di Universitas BSI Bandung atas kerjasama selama ini sehingga ritme
kerja dan kuliah dapat berdampingan secara dinamis.
Suamiku tercinta H. Moch. Hendro Gunawan, ST, MT, atas pengertian, perhatian,
dukungan moril dan doa’nya, semoga ALLAH membalas kebaikan mas dengan
pahala yang berlipat ganda. Putri dan putra kami tercinta Alya Shafira Hewiz dan
Rayhan Konan Ferdion atas kesabaran dan keikhlasan waktu untuk menemani di
setiap kondisi.
Papak dan Mamak, serta Mami dan Opa terima kasih atas segala doa, cinta, kasih
sayang, dan dukungan yang tiada batasnya, semoga ALLAH melimpahkan berkah
sebagai balasannya, Cak, Kak Toton, adik-adik (Triza-Kia, Andi-Tini, Fauzan- Irin)
serta seluruh keluarga besar Soedijono, Saropi dan Monasir yang senantiasa
mengiringi dengan doa, harapan dan semangat.
Teman-teman di Program Doktor STEI ITB, khususnya angkatan 2011, 2010 dan
2013 terima kasih atas semangat, kerjasama dan bantuan yang diberikan selama
menjalani perkuliahan. Pak Tohir atas waktu diskusi dan debat dalam memahami
Matlab.
x
DAFTAR ISI
ABSTRAK .............................................................................................................. i
ABSTRACT .......................................................................................................... iii
PEDOMAN PENGGUNAAN DISERTASI ...................................................... vii
KATA PENGANTAR ........................................................................................ viii
DAFTAR ISI .......................................................................................................... x
DAFTAR GAMBAR DAN ILUSTRASI .......................................................... xiv
DAFTAR TABEL............................................................................................. xviii
DAFTAR ISTILAH DAN DEFINISI ................................................................ xx
DAFTAR SINGKATAN DAN LAMBANG .................................................... xxi
Bab I Pendahuluan .......................................................................................... 1
I.1 Latar Belakang ..................................................................................... 1
I.2 Rumusan dan Batasan Masalah ........................................................... 3
I.3 Tujuan .................................................................................................. 4
I.4 Ruang Lingkup .................................................................................... 4
I.5 Hipotesis .............................................................................................. 5
I.6 Peta Jalan Penelitian dan Kontribusi ................................................... 5
I.6.1 Peta Jalan Penelitian ...................................................................... 8
I.6.2 Kontribusi Penelitian ................................................................... 13
I.7 Sistematika Penulisan ........................................................................ 13
Bab II Tinjauan Pustaka .............................................................................. 15
II.1 Penelitian Kanker Serviks dan Citra Sel Mikroskopik Pap
smear 15
II.2 Citra Tunggal dan Tumpang tindih Pap smear .................................. 16
II.3 Segmentasi pada Citra Pap smear ..................................................... 18
II.3.1 Pengaturan Thresholding ............................................................. 18
II.3.2 Deteksi Tepi (Edge Detection) .................................................... 19
II.3.3 Morphologi Matematika (Mathematical Morphology) ............... 21
II.3.4 Klasifikasi piksel (Pixel Classification) ...................................... 22
II.3.5 Pencocokan Bentuk (Template Matching) .................................. 24
II.3.6 Model Perubahan bentuk (Demorfable Models) ......................... 25
II.3.7 Segmentasi pada Citra Sel Tumpang tindih ................................ 26
xi
II.3.8 Klasifikasi Citra Sel Pap smear ................................................... 32
Bab III Akuisisi dan Komponen Citra Mikroskopik Pap smear .................... 35
III.1 Sampel Pap smear dan Permasalahannya ................................................. 35
III.2 Proses Akuisisi Sampel Mikroskopik Pap smear pada Laboratorium
Khusus Patologi Veteran Bandung ................................................................... 37
III.3 Jenis dan Komponen Citra Mikroskopik Pap smear ................................ 43
III.4 Segmentasi Area Nukleus dan Perbandingan dengan Area Sitoplasma .. 47
Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra Sel Tunggal
Pap smear 54
IV.1 Material dan Metode .......................................................................... 56
IV.1.1 Pre-processing ............................................................................. 58
IV.1.2 Segmentasi Citra dan Sub Citra ................................................... 60
IV.1.3 Ekstraksi Sel Radang dan Deteksi Nukleus ................................. 63
IV.1.4 Analisa Morphologi dan Identifikasi Sel ..................................... 65
IV.2 Hasil Eksperimen ............................................................................... 68
IV.2.1 Studi Group ................................................................................. 68
IV.2.2 Evaluasi Numerik ........................................................................ 68
IV.2.3 Hasil Analisa Fitur Morphologi ................................................... 73
IV.3 Diskusi ............................................................................................... 76
IV.3.1 Evaluasi dari metode yang diusulkan .......................................... 76
IV.3.2 Perbandingan Metode Usulan dengan Metode Lain ................... 78
Bab V Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang Pap
Smear 81
V.1 Delinasi Sel Tumpang Tindih. ........................................................... 83
V.2 Material dan Metode .......................................................................... 89
V.2.1 Pre-processing ............................................................................. 95
V.2.2 Cropping sel tumpang tindih otomatis ...................................... 105
V.2.3 Segmentasi Sel Tumpang Tindih ............................................... 105
V.2.4 Hasil Delinasi Sel Tumpang Tindih .......................................... 106
V.2.5 Deteksi nukleus dan sel radang pada sel tunggal ...................... 108
V.2.6 Analisa Morphologi dan Identifikasi Sel ................................... 109
V.3 Hasil Eksperimen dan Evaluasi ....................................................... 110
xii
V.3.1 Evaluasi Numerik ...................................................................... 110
V.3.2 Studi Group ............................................................................... 115
V.3.3 Hasil Analisa Fitur Tekstur dan Morphologi ............................. 118
V.4 Diskusi ............................................................................................. 124
Bab VI Kesimpulan dan Pengembangan Riset ......................................... 130
VI.1 Kesimpulan ...................................................................................... 131
VI.2 Pengembangan Riset ........................................................................ 132
DAFTAR PUSTAKA ........................................................................................ 133
RIWAYAT HIDUP ........................................................................................... 141
xiii
DAFTAR LAMPIRAN
Lampiran 1. Makalah pada International Journal of E-Health and
Medical Communications (IJEHMC)
2. Makalah pada American Institute of Physics (AIP)
Publishing ............................................................................ 144
xiv
DAFTAR GAMBAR DAN ILUSTRASI
Gambar I.1 Peta Penelitian Citra Pap smear Tahun 1981 – 2008 ....................... 6
Gambar I.2 Peta Penelitian Citra Pap smear Tahun 2009 – 2015 ………… 7
Gambar I.3 Citra (a) dan (b) adalah contoh citra yang digunakan dalam
penelitian ini yang memiliki sel tunggal, nukeus dan sitoplasma
yang tumpang tindih dan sel radang. Citra tunggal
penelitian sebelumnya citra (c) dan (d) oleh Plissiti dan
Nikou (2013) tanpa sel radang ············································8
Gambar II.1 Proses Pengambilan Sampel Pap smear (Riana, 2010) ··············· 15
Gambar II.2 Penelitian Kanker Serviks ················································· 16
Gambar II.3 Sel tunggal (a) dan tumpang tindih (b) dengan sel radang ............... 17
Gambar III.1 Contoh Sampel Pap smear konvensional ······························· 35
Gambar III.1 Sistem Berjalan Pemeriksaan Slide Pap smear di Laboratorium
Patologi Klinik Veteran Bandung ······································· 39
Gambar III.2 Proses Akuisisi Citra ....................................................................... 40
Gambar III.4 Database Citra tunggal dan tumpang tindih dengan sel radang
Pap smear (1a) Slide CV-140949 dan (1b) CV-142200 ................... 42
Gambar III.5 Contoh Citra Pap smear Konvensional Sel bertumpuk dan
Dipenuhi Sel radangRadang ·············································· 43
Gambar III.6 Contoh lactobacilli sebagai latar belakang pada citra Pap smear 47
Gambar III.7 Citra asli sel nukleus hasil cropping kelas normal dan abnormal
(1a-7a) dan hasil penggabungan citra R+G+B masing-masing
kelas (1b -7b)....................................................................................48
Gambar III.8 Contoh hasil akhir luas nukleus salah satu citra yang diterapkan
pada 4 metode deteksi tepi ............................................................. 48
Gambar III. 9 Grafik Rekomendasi Kanal Warna untuk Setiap
Kelas ................................................................................................ 52
Gambar IV.1 Contoh Citra Asli ························································· 56
Gambar IV.2 Skema segmentasi dan eliminasi sel radang pada sel tunggal ....... 57
Gambar IV.3 Citra asli dan hasil pre-processing ................................................. 59
Gambar IV.4 Citra invert binary dan hasil cropping otomatis sel ················· 61
xv
Gambar IV.5 Ilustrasi centroid dan bounding box ································· 61
Gambar IV.6 Hasil tahapan preprocessing pada sub citra.························ 62
Gambar IV.7 Kandidat Nukleus dalam Sel ········································· 63
Gambar IV.8 Ekstraksi sel radang sebuah citra setelah aplikasi metode
yang diusulkan ·························································· 64
Gambar IV.9 Proses Eliminasi sel radang··········································· 66
Gambar IV.10 Hasil eliminasi sel radang, (a) Sel radang yang telah
diekstraksi jenis sel telah diidentifikasi dan (b) Menunjukkan
nilai fitur dari nukleus terdeteksi.····································· 66
Gambar IV.11 Hasil dari metode yang diusulkan untuk ekstraksi sel radang
dan deteksi sitoplasma dan nukleus ································· 69
Gambar IV.12 Grafik yang menunjukkan perbandingan area nukleus
(kurva bawah) dan sitoplasma (kurva atas)untuk 86 citra········· 73
Gambar IV.13 Grafik perbandingan nilai perimeter 86 citra, sitoplasma
(‘+’) dan nukleus (garis kontinu) ···································· 73
Gambar IV.14 Grafik Garis Perbandingan Roundness antara Sitoplasma
dan Nukleus······························································ 74
Gambar IV.15 Citra hasil reduksi sel radang pada sel tumpang tindih. Citra
asli (a) (c) dan citra hasil dimana sitoplasma dideteksi sebagai
satu sel (b) (d) ··························································· 75
Gambar IV.16 Data latih untuk klasifikasi Bayesian ····························· 77
Gambar V.1 Ilustrasi Pemisahan Sel Tumpang Tindih. ·························· 82
Gambar V. 2 Posisi Titik Kriteria 1 ················································· 85
Gambar V. 3 Posisi Titik Kriteria 2 ················································· 85
Gambar V. 4 Posisi Titik Kriteria 3 ················································· 85
Gambar V. 5 Posisi Titik Kriteria 4 ·················································· 86
Gambar V. 6 Posisi Titik Kriteria 5 ················································· 86
Gambar V. 7 Posisi Titik Kriteria 6 ················································· 86
Gambar V. 8 Posisi Titik Kriteria 7 ·················································· 86
Gambar V. 9 Posisi Titik Kriteria 8 ················································· 87
Gambar V.10 Contoh Citra masukan ukuran 1280 x720 dengan dua sel
tumpang tindih (1) dan ukuran 1600x1200 dengan lima sel
xvi
tumpang tindih (2) ............................................................................ 89
Gambar V.11 Skema pemisahan sel tumpang tindih dan eliminasi sel radang 92
Gambar V.12 Citra hasil proses konversi warna dan peningkatan citra ··········· 95
Gambar V.13 Objek-objek yang dikenali dalam citra sel tumpang tindih ········· 96
Gambar V.14 Arah-arah yang ada pada GLRL ········································ 98
Gambar V.15 Proses cropping manual sel nukleus dan sel radang .................... 100
Gambar V.16 Hasil CCI untuk Decision Tree learning algorithm (J48) 135º ... 101
Gambar V.17 Rule Klasifikasi Fitur GLRLM untuk Sel Nukleus dan
Sel Radang ..................................................................................... 102
Gambar V.18 Citra sel tumpang tindih hasil dari pembersihan latar belakang 103
Gambar V.19 Hasil pre processing citra cropping sel tumpang tindih (a-c)
dan daerah tumpang tindih (d-e) ······································· 103
Gambar V.20 Hasil segmentasi citra sel tumpang tindih ··························· 104
Gambar V.21 Contoh hasil segmentasi citra daerah tumpang tindih ············· 105
Gambar V.22 Citra hasil pembagian daerah tumpang tindih menjadi
dua bagian ································································ 105
Gambar V. 23 Hasil Penyambungan Pinggiran Sitoplasma ······················· 106
Gambar V. 24 Hasil proses delinasisel dan hasil akhir citra-citra tunggal ······· 106
Gambar V. 25 Ilustrasi deteksi sel nukleus dan radang pada citra ················ 107
Gambar V. 26 Hasil akhir deteksi sel nukleus dan radang ························· 108
Gambar V. 27 Proses Citra sel tumpang tindih, sel tunggal dan sel radang ····· 109
Gambar V. 28 Contoh Hasil Pemisahan Sel Tumpang Tindih dan Eliminasi
Sel Radang ································································ 110
Gambar V. 29 Proses Pemisahan Sel Tumpang Tindih dan Eliminasi Sel
Radang ····································································· 114
Gambar V.30 Ilustrasi proses isolasi citra sel tumpang tindih pada beberapa
Citra dengan ukuran daerah tumpang tindih (a) > 100 x 200,
(b) >150x200, (c) >150x150, (d) >150x200 .................................. 115
Gambar V.31 Hasil akhir fitur morphologi dan identifikasi jenis sel ············ 116
Gambar V.32 Grafik Nilai Mean Sel Nukleus dan Sel Radang .............., ......... 118
Gambar V.33 Grafik perbandingan nilai area, roundness dan perimeter
nukleus citra sel tunggal terdeteksi .............................................. 121
xvii
Gambar V. 34 Grafik perbandingan nilai area nukleus dan area
sitoplasma ······························································ 121
Gambar V.35 Sel Nukleus dan Sel Radang yang terdeteksi ............................. 123
Gambar V.36 Citra dengan lima sel tumpang tindih ......................................... 124
Gambar V.37 Hasil pre-processing sel tumpang tindih dan daerah
tumpang tindih ............................................................................. 124
Gambar V.38 Ilustrasi Proses Delinasi pada Citra Empat Sel
Tumpang Tindih ........................................................................... 125
Gambar V.39 Grafik Nilai Daerah Tumpang Tindih dan Total
Waktu Proses .............................................................................. 126
xviii
DAFTAR TABEL
Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra
Pap smear ····························································································· 28
Tabel II.2 Rangkuman Teknik Segmentasi ············································· 31
Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010) ····· 44
Tabel III.2 Data Herlev (Jantzen,J.dkk. 2005) ········································· 47
Tabel III.3 Jumlah citra pada masing-masing kelas yang luas nukleusnya
mendekati luas manual ······················································· 49
Tabel III.4 Perbandingan korelasi Spearman’s rho (r) untuk 280 luas citra
sel nukleus ······································································ 49
Tabel III.5 Perbandingan korelasi Spearman’s rho untuk modifikasi kanal
warna pada kelas normal ····················································· 51
Tabel III.6 Perbandingan korelasi Spearman’s rho untuk modifikasi kanal
warna pada kelas abnormal ·················································· 51
Tabel III.7 Rangkuman hasil nilai korelasi Spearman rho untuk kelas normal
dan abnormal ··································································· 52
Tabel III.8 Rasio Area Nukleus dan Sitoplasma pada Tujuh Kelas
(diolah dari data Herlev (jantzen, 2005)) ··································· 53
Tabel IV.1 Contoh fitur sitoplasma dan nukleus sel tunggal ························ 65
Tabel IV.2 Algoritma_Segmentasi _Sel_Radang_pada_Citra_Sel_Tunggal_
Pap_ smear ···································································· 67
Tabel IV.3 Eksekusi Citra ································································ 69
Tabel IV.4 Perhitungan Sensitivity dan Specificity 79 Citra ························ 71
Tabel IV.5 Perbandingan nilai mean dan standar deviasi fitur sitoplasma
dan nukleus ····································································· 74
Tabel IV.6 Nilai Parameter-Parameter ·················································· 77
Tabel IV.7 Perbandingan Citra Hasil dari Ketiga Metode ··························· 78
Tabel V.1 Algoritma_Pembagian_Daerah_Tumpang_Tindih ······················· 83
Tabel V.2 Algoritma_Pencarian_Jarak_Terdekat ····································· 84
Tabel V.3 Ketentuan Penyambungan Daerah Tumpang tindih Sel
Horizontal ······································································· 84
Tabel V.4 Algoritma_Penyambungan_Pinggiran_Sitoplasma ······················ 87
xix
Tabel V.5 Algoritma_Isolasi_Sel_Tumpang_Tindih ································· 88
Tabel V.6 Data Citra yang Digunakan dalam Penelitian ····························· 90
Tabel V.7 Algoritma_ Pemisahan_Sel_Tumpang_Tindih_ dan eliminasi_sel
radang ··········································································· 93
Tabel V.8 Algoritma_Mencari_Nilai_GLRLM ····································· 101
Tabel V.9 Perhitungan Nilai Sensitivity dan Specificity ····································· 111
Tabel V.10 Eksekusi Seluruh dalam Menit ·········································· 112
Tabel V.11 Nilai Parameter Deteksi Otomatis dan Pemisahan
Sel Tumpang Tindih ························································ 113
Tabel V.12 Nilai Tekstur arah 135º untuk Sel Nukleus ···························· 118
Tabel V.13 Nilai Tekstur arah 135º untuk Sel Radang ....................................... 118
Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi ················ 119
Tabel V.15 Contoh Hasil Identifikasi Sel Tunggal Terdeteksi .......................... 122
Tabel V.16 Perbandingan Metode Usulan dengan State of The Art * ................ 127
xx
DAFTAR ISTILAH DAN DEFINISI
No Nama Defenisi Konseptual Keterangan
1 Sel Tunggal
Satu sel yang terdiri dari
sitoplasma dan nukelus. Sel relatif
kecil, bentuk bulat, dengan inti
besar, letaknya di tengah,
sitoplasma sedikit, padat, agak
gelap, dan berwarna basofil
(Lestadi, 2009).
2 Sel
Tumpang
Tindih
Dua atau lebih sel tunggal yang
bertumpuk atau tumpang tindih.
3 Sitoplasma
Sitoplasma adalah bagian sel yang
terbungkus membran sel. Pada sel
eukariota, sitoplasma adalah
bagian non-nukleus dari
protoplasma. Pada sitoplasma
terdapat sitoskeleton, berbagai
organel dan vesikuli, serta sitosol
yang berupa cairan tempat organel melayang-layang di dalamnya
4 Sel Nukleus
Nukleus (jamak: nuklei) dalam arti
umum adalah inti atau bagian
tengah yang dikelilingi bagian-
bagian lain dalam kelompok atau
kumpulan. Dalam biologi seluler,
nukleus memiliki arti khusus yaitu
inti sel, bagian dari sel yang
mengandung kromosom (materi genetik atau DNA).
5 Sel Radang
Sel radang atau inflamasi
berbentuk bulat kecil dan
berwarna hitam dalam konteks
penelitian ini adalah sel radang
mengganggu lapang pandang
pembacaan preparat. Jika terlalu
banyak sel radang dapat
menyulitkan diagnosa ahli patologi
karena sel-sel tertutup radang dan
lapang pandang menjadi kotor. Hal
ini menyulitkan penilaian pada sel.
xxi
DAFTAR SINGKATAN DAN LAMBANG
SINGKATAN Nama Pemakaian
pertama kali pada halaman
HVP
ACS
WHO
dkk
HD
C525
CH20
CH21
JPEG
GLCM
GLRLM
CV
CIN
NS
NI
NC
MLD
SD
MD
CIS
R
G
B
min
Max
ROI
RAM
Human Papilloma Virus
American Cancer Society
World Health Organization
dan kawan-kawan
Merk Kamera Logitech
Merek web cam
No Seri Mikroskop
No Seri Mikroskop
Joint Photographic Experts Group
Gray Level Co-occurrence Matrixr
Grey-Level Run-Length Matrix
Awalan nomor registrasi slide
Cervical Intraepithelial Neoplasia
Normal Superficial
Normal Intermediate
Normal Columnar
Mild (Light) Dysplasia
Severe Dysplasia
Moderate Dysplasia
Carcinoma In Situ
Red (merah)
Green (Hijau)
Blue (Biru)
minimum
Maximum
Regions of Interest
Random Access Memory
1
1
1
1
4
4
4
4
4
12
34
42
43
44
44
44
44
44
44
44
47
47
47
53
53
59
68
xxii
GB
TP
TN
FN
FP
SRE
LRE
GLN
RP
RLN
LGRE
HGRE
SRLGE
SRHGE
LRLGE
LRHGE
CCI
J 48
LAMBANG
f(x,y)
g(x,y)
fsmooth(x,y)
fsharp (x,y)
k
π
(m,n)
Si(mi,ni)
Cnj(mj,nj)
D
(Xi , Yj)
(Pi, Qi)
Gigabyte
True Positif
True Negatif
False Negatif
False Positif
Short Runs Emphasis
Long Runs Emphasis
Gray Level Nonuniformity
Run Percentage
Run Length Non-uniformity
Low Gray Level Run Emphasis
High Gray Level Run Emphasis
Short Run Low Gray-Level Emphasis
Short Run High Gray-Level Emphasis
Long Run Low Gray-Level Emphasis
Long Run High Gray-Level Emphasis
Correctly Classified Instances
Nama Algoritma
Fungsi f( x,y)
Fungsi f( x,y)
Fungsi pada rumus unsharp
Fungsi unsharp
Konstanta pada rumus unsharp
Phi
Baris dan kolom
Centroid Sitoplasma
Centroid Calon nukleus
Jarak Terdekat
Titik Boundary
Koordinat tepi tumpang tindih
68
70
70
70
70
98
98
98
98
99
99
99
100
100
100
100
101
101
59
59
59
59
59
65
67
67
67
67
89
83
xxiii
K
m
Y
X
p(i, j |θ)
Nr
Konstanta
Gradien
Sebuah fungsi garis
Variabel
Intensitas i dengan banyaknya elemen j,
dalam arah θ
Jumlah different run length
83
83
88
88
89
90
1
Bab I Pendahuluan
Pendahuluan ini dirinci dalam subbab, yaitu latar belakang, masalah penelitian,
tujuan, lingkup permasalahan, dan hipotesis yang digunakan, peta jalan penelitian
dan kontribusi yang dihasilkan, dan diakhiri dengan sistematika penulisan disertasi.
I.1 Latar Belakang
Kanker serviks disebabkan oleh Human Papilloma Virus atau yang lebih dikenal
dengan virus HPV. Pada tahun 2013, American Cancer Society (ACS)
memperkirakan bahwa 12.360 wanita didiagnosa kanker serviks, dan 4030 atau
hampir sepertiganya wanita akan meninggal karena penyakit kanker serviks (Siegel
dkk. (2014)). Di negara maju kejadian kanker serviks dan tingkat kematian telah
mengalami penurunan sejak diperkenalkannya test Pap oleh Papanicolaou (1942)
di pertengahan abad ke 20, dan secara kontinu mengalami penurunan sampai hari
ini (Howlander dkk. (2013)). Pada kurun waktu 2001-2010, kejadian kanker serviks
meningkat dengan rata-rata peningkatan pertahun 2.0% pada wanita dengan usia
lebih muda dari 50 tahun, dan 3.1% pada wanita usia 50 tahun dan lebih tua. Pada
periode yang sama, menurut Howlander dkk (2013) tingkat kematian rata-rata
menurun 1,3% pada wanita lebih muda dari 50 tahun dan 1.9% pada wanita usia 50
tahun ke atas. Pada tahun 2012 ACS bekerjasama dengan 25 organisasi bekerjasama
mengeluarkan panduan skrining kanker serviks untuk pencegahan dan deteksi dini
kanker serviks (Saslow dkk. 2012). Panduan skrining dibuat lebih spesifik yang
berdasarkan usia wanita, riwayat skrining, faktor resiko dan pemilihan skrining test
(Smith dkk. 2014). Sehingga memang memungkinkan terjadi penurunan angka
kematian akibat kanker serviks, selain itu di negara maju kesadaran pemeriksaan
dini sudah tinggi.
Di negara berkembang, kanker serviks adalah kanker kedua yang paling umum di
kalangan wanita, di mana lebih dari 85% dari 530 000 kasus baru kanker serviks
yang terjadi di seluruh dunia (Jemal dkk, 2011). Insiden kanker serviks menurut
World Health Organization (WHO) tiap tahun di seluruh dunia menunjukkan
bahwa rata-rata jumlah kasus baru sekitar 490.000 dan 240.000 diantaranya
2
meninggal (Prayitno, 2006). Estimasi kasus kanker serviks, seluruh dunia setiap
satu menit, satu kasus baru dan setiap dua menit, satu kematian (Kusuma (2012)).
Tingkat kanker serviks di Indonesia tinggi, laporan tentang kejadian kanker serviks
dan efektivitas skrining sangat terbatas. Rumah sakit pemerintah melaporkan
kanker serviks sampai 28% di antara semua kasus kanker perempuan, mewakili
75% dari semua kanker ginekologi yang sebagian besar didiagnosis pada stadium
lanjut menurut Tjindarbumi dkk. (2002) dan Aziz (2009). Insiden kanker serviks di
Indonesia setiap hari 41 kasus kanker serviks baru dan setiap hari terdapat 20
kematian akibat kanker serviks menurut Kusuma (2012).
Tes Papanicolaou juga disebut Pap smear atau tes Pap, adalah metode tes kesehatan
yang dapat membantu mencegah kanker serviks. Tujuan utama dari Pap smear
adalah untuk mendeteksi kelainan sel yang mungkin terjadi atau sebelum kanker
berkembang. Interpretasi yang benar dari pemeriksaan mikroskopis sel dan jaringan
sangat penting untuk keputusan diagnosis akhir penyakit.
Namun proses skrining Pap smear memiliki kelemahan, terutama di banyak negara
berkembang di mana jumlah ahli patologi yang bisa memeriksa slide tidak
memadai. Di Indonesia, dengan populasi wanita usia produktif yang tersebar di 32
propinsi dengan kendala sarana dan sumber daya manusia terbatas, diperkirakan 80
% cakupan pemeriksaan akan diselesaikan dalam lima tahun dengan 7.992.486 tes
Pap smear pertahun (Kusuma (2012)). Interpretasi visual dari citra Pap smear
adalah memakan waktu dan dalam banyak kasus rawan terjadi kesalahan prosedur
(Plissiti dkk. (2011a)). Ini merupakan konsekuensi dari kenyataan bahwa Pap
smear konvensional menunjukkan kondisi sel yang dipenuhi sel radang dan
tumpang tindih. Selain itu, terdapat variasi dalam pencahayaan dan konsentrasi
pewarna dari sel-sel karena prosedur pewarnaan. Juga, terdapat faktor
mikrobiologis lain yang mempengaruhi, seperti pengeringan udara, darah yang
berlebihan, lendir, bakteri, atau peradangan, yang membuat penentuan dari sel-sel
yang mencurigakan menjadi tugas yang sulit menurut Plissiti dkk. (2011a). Selain
itu masih sedikitnya ahli patologi yang terampil dan berpengalaman serta prosedur
yang sangat rentan terhadap kesalahan manusia, yang menyebabkan ketidaktepatan
dan inkonsistensi dari diagnosis (Kusuma (2012), Suryatenggara
3
dkk. (2009), Purwadi (2012)). Pada deteksi dini citra sel Pap smear dilakukan
pengamatan pada citra sel tunggal. Sehingga pada kondisi sel yang tumpang tindih
diperlukan teknik pemisahan sel tumpang tindih untuk mendapatkan citra sel
tunggal. Selain itu keberadaan sel radang juga perlu dieliminasi sehingga citra sel
tunggal cukup bersih dan terdiri dari nukleus, sitoplasma dan latar belakang. Selama
ini efisiensi analisis terhadap citra Pap smear menjadi perhatian banyak peneliti.
Metode deteksi dan segmentasi banyak diusulkan oleh beberapa peneliti yang
bertujuan membuat proses dan klasifikasi citra Pap smear menjadi akurat
diantaranya Isa, M. A. (2005), Chang dkk. (2009), Plissiti dkk. (2011a), Muhimmah
dkk. (2012), Moshavegh dkk. (2012), dan Tareef dkk (2015).
Dalam disertasi ini perolehan citra sel tunggal Pap Smear dilakukan melalui metode
pemisahan sel tumpang tindih dan eliminasi sel radang yang bertujuan menjadikan
proses deteksi dini kanker serviks menjadi lebih mudah untuk dilakukan. Hal ini
dapat membantu petugas laboratorium, ahli patologi dan dokter dalam mendeteksi
dini sel kanker serviks melalui pemeriksaan mikroskopik pada citra sel Pap smear.
I.2 Rumusan dan Batasan Masalah
Berdasarkan latar belakang maka rumusan dan batasan masalah penelitian ini
adalah sebagai berikut:
Rumusan Masalah:
1. Bagaimana memisahkan sel tumpang tindih menjadi sel tunggal sehingga
dapat membantu ahli patologi dalam deteksi dini kanker serviks?
2. Bagaimana mengatasi keberadaan sel radang pada citra sel tunggal
mikroskopis Pap smear sehingga proses identifikasi sel mudah dilakukan
dan membantu ahli patologi dalam deteksi dini kanker serviks?
Batasan masalah dari penelitian ini adalah:
1. Menggunakan citra dari hasil akuisisi citra sel tunggal dan sel tumpang
tindih yang memiliki sel radang dari Laboratorium Khusus Patologi Veteran
Bandung. Selain itu digunakan juga data Herlev (Jantzen, dkk, 2005). Kedua
kelompok data mikroskopik tes Pap smear tersebut sudah diverifikasi
secara manual oleh ahli patologi.
4
2. Akuisisi citra pada slide Pap smear mengikuti prosedur manual
mikroskopik cahaya seperti yang digunakan ahli patologi dengan
pencahayaan bervariasi sesuai fungsi yang ada pada mikroskop.
3. Citra analog yang digunakan dalam penelitian ini mengadopsi teknik
pewarnaan Pap smear dan standarisasi preparat yang telah baku dan
digunakan secara luas.
4. Program pendukung yang dibangun menggunakan personal komputer atau
laptop dengan spesifikasi yang umum digunakan di Indonesia.
I.3 Tujuan
Tujuan yang ingin dicapai dalam penelitian ini adalah:
1. Memperoleh citra sel tunggal Pap smear untuk deteksi dini kanker servik
melalui pemisahan sel tumpang tindih pada citra sel mikroskopis Pap smear
sehingga dapat membantu ahli patologi dalam deteksi dini kanker serviks.
2. Mengeliminasi sel radang untuk menangani keberadaan sel radang sehingga
proses identifikasi nukleus pada citra sel mikroskopis Pap smear menjadi
mudah dilakukan dan membantu ahli patologi dalam deteksi dini kanker
serviks.
I.4 Ruang Lingkup
Ruang lingkup penelitian terdiri dari pemisahan citra sel tumpang tindih dan
eliminasi sel radang untuk memperoleh citra sel tunggal Pap smear untuk deteksi
dini kanker serviks. Citra sel diakuisisi dari slide Pap smear yang diperoleh dari
Laboratorium Khusus Patologi Veteran Bandung. Akuisisi citra dilakukan
menggunakan logitech camera (Logitech HD webcam C525) yang terpasang pada
mikroskop Olympus CH20 dan Olympus CX21. Pembesaran digunakan 40x dan
citra disimpan dalam format JPEG. Citra masukan yang digunakan memiliki
karakteristik yang sesuai dengan tujuan penelitian dan mewakili permasalahan yang
dihadapi oleh ahli patologi pada deteksi dini Pap smear. Berjenis squamous
5
sel, yang terdiri dari citra berkelompok, baik sel tunggal maupun sel tumpang
tindih.
I.5 Hipotesis
Hipotesa_1 : Metode pemisahan sel tumpang tindih dapat menghasilkan citra sel
tunggal mikroskopis Pap smear sehingga dapat membantu ahli
patologi untuk mendeteksi dini kanker serviks.
Hipotesa-2 : Metode eliminasi sel radang pada citra tunggal Pap smear dapat
mengatasi persoalan keberadaan sel radang dan memudahkan
deteksi sel sehingga dapat membantu ahli patologi untuk
mendeteksi dini kanker serviks.
I.6 Peta Jalan Penelitian dan Kontribusi
Selama ini banyak metode muncul dalam literatur, yang ditujukan pada deteksi
nukleus dan sitoplasma dalam citra Pap smear. Dalam konteks ini, teknik
pengolahan citra dan ekstraksi ciri serta metode klasifikasi telah dikembangkan oleh
beberapa peneliti, untuk memperoleh kesimpulan yang berguna untuk karakterisasi
citra Pap smear. Alur penelitian yang akan disampaikan mengenai jenis sel yang
telah digunakan selama ini dalam penelitian citra Pap smear. Pada bagian ini juga
akan diberikan gambaran tentang fitur-fitur yang terkait dengan karakterisasi citra
Pap smear serta beberapa teknik segmentasi dan deteksi citra sel Pap smear dalam
rangka menjelaskan peta penelitian (the state of art) dalam bidang penelitian ini.
Gambar I.1 menunjukkan penelitian-penelitian yang telah dilakukan sejak tahun
1981 hingga 2008 yang terkait dengan citra sel Pap smear. Dapat dilihat bahwa
sebagian besar penelitian fokus pada citra sel tunggal tanpa sel radang, dan beberapa
peneliti telah melakukan upaya penelitian pada citra sel tumpang tindih.
Gambar I.2 merupakan pengelompokan penelitian pada tahun berikutnya 2009 –
2015, dari bagian ini terlihat bahwa penelitian tentang citra sel tumpang tindih mulai
banyak dilakukan.
6
Tahun
2008 Menggunakan edge
enhancement baru untuk
perbaikan tepi nukleus dan
deteksi kontur sitoplasma.
Memperkenalkan metode
baru pengukuran error. (Yang-Mao dkk)
2005 Berdasarkan teknik Region
growing untuk menentukan
titik lokasi dengan nilai
threshold ditentukan secara otomatis (Isa dkk)
2004 Memperkenalkan sebuah
fungsi kriteria baru
berdasarkan struktur statistik
dari objek yang digunakan (Bak dkk)
2003 Memperkenalkan langkah
optimasi yang didasarkan
pada algoritma genetik
untuk meningkatkan kualitas
segmentasi (Lassouaoui dan
Hamami )
2002 Menggabungkan informasi
warna pada watershed
segmentasi.
Tingkat akurasi segmentasi
tinggi (Lezoray dan Cardot)
2000 Memperkenalkan formulasi baru tranformasi Hough.
Menggunakan deformable
model untuk perbaikan batas sel (Garrido.dkk)
1998
Memastikan batas tertutup
nukleus dan sitoplasma
Tingkat akurasi segmentasi
tinggi. (Bamford, dkk)
Menggabungkan
pengetahuan tentang
bentuk sel.
Menginvestigasi kasus
sel - sel payudara
(Wu. dkk)
1996 Segmentasi sederhana untuk
menentukan batas sel
Nukleus (Bamford, dkk)
1981 Identifikasi sel nukleus
berdasarkan kontur
nukleus dan profile densitas (Bengston,dkk)
Jenis
Sel
Sel Tunggal Sel tumpang tindih Sel Tunggal +Sel Radang
Sel tumpang
tindih+ Sel Radang
Gambar I.1 Peta Penelitian Citra Pap smear Tahun 1981 – 2008.
Bagian yang diarsir pada Gambar I.2 merupakan posisi riset atau penelitian ini,
yaitu pada kelompok sel tunggal dengan sel radang dan sel tumpang tindih dengan
sel radang. Posisi penelitian ini berbeda dengan penelitian-penelitian sebelumnya
yang tidak memperhitungkan sel radang. Pada tahun 2014 terdapat satu penelitian
7
yang juga meneliti tentang sel radang tetapi jenis citra yang digunakan berbeda
dengan penelitian ini.
Tahun
Deteksi sitoplasma
dan nukleus dengan
fungsi multi level set
(Lu dkk.).
2015 Eliinasi Sel
Radang pada citra
Pap smear
Pemisahan sel
tumpang tindih
dan eliminasi sel
radang pada citra
tumpang tindih Pap smear.
2014 Deteksi sitoplasma
dan nukleus dengan
pengelompokan dan
klasifikasi piksel
serta segmentasi
wilayah tumpang tindih (Tareef dkk)
2013 Deteksi Sitoplasma dengan
Canny dan Otsu, fitur area,
perimeter dan roundness
(Riana.dkk)
Deteksi otomatis
nukleus cervical
ephitelial Pap
smear
kemungkinan
tumpang tindih
dan sel radang (Muhimmah,dkk)
Analisa tekstur nukleus
dengan klasifikasi decision
tree (Riana.dkk)
Deteksi area/luas nukleus
dengan 4 operator dan
modifikasi kanal warna (Riana.dkk)
Deteksi nukleus dan
sitoplasma
(Ushizima,dkk)
2012 Segmentasi nukleus pada
sel epithelial menggunakan
operasi morphologi dan
transformasi watershed (Muhimmah,dkk)
Deteksi nukleus pada citra
liquid Pap smear (Malviya,dkk)
Deteksi dan segmentasi
pada sel free-lying nukleus (Moshavegh,dkk)
2011 Menggunakan
matematika
morphologi untuk
deteksi otomatis
lokasi nukleus. (Plissiti dkk)
2010 Segmentasi
kelompok nukleus (Jung dan Kim)
Menggunakan citra
binary untuk
menghitung nukleus (Jung dkk )
2009 Memastikan batas tertutup pada sel (Lin dkk)
Jenis
sel
Sel Tunggal Sel tumpang tindih Sel Tunggal
dengan Sel Radang
Sel Tumpang
tindih dengan Sel Radang
Gambar I.2. Peta Penelitian Citra Pap smear Tahun 2009 – 2015
8
Selanjutnya akan dijelaskan mengenai peta jalan penelitian yang terkait dengan
Gambar I.1 dan Gambar I.2 tentang tiga bagian yaitu penelitian-penelitian yang
terkait dengan jenis sel yang digunakan dalam penelitian citra Pap smear, metode
segmentasi dan deteksi citra, serta klasifikasi citra sel Pap smear.
I.6.1 Peta Jalan Penelitian
a. Jenis Sel yang terdapat dalam Penelitian Citra Pap smear
Gambar I.3 adalah contoh citra penelitian yang digunakan dalam disertasi ini citra
(a) dan (b) yaitu citra sel tunggal dan sel tumpang tindih dengan sel radang. Salah
satu contoh citra Pap smear yang digunakan pada penelitian-penelitian sebelumnya
yaitu citra (c) dan (d) citra tunggal tanpa radang. Citra (b) dan (d) merupakan citra
hasil segmentasi manual oleh ahli Patologi.
(a) (b)
(c) (d)
Gambar I.3 Citra (a) dan (b) adalah contoh citra yang digunakan dalam penelitian
ini yang memiliki sel tunggal, nukeus dan sitoplasma yang tumpang tindih dan sel
radang. Citra tunggal penelitian sebelumnya citra (c) dan (d) oleh Plissiti dan
Nikou (2013) tanpa sel radang.
9
Banyak publikasi berkaitan dengan citra Pap smear, umumnya peneliti
menggunakan citra sel tunggal, seperti Bamford dkk. (1996), (1998), Garrido dkk.
(2000), Lezoray dan Cardot (2002), Bak dkk. (2004), Isa dkk. (2005), Lassouaoui
dan Hamami (2003), Yang-Mao dkk. (2008), Lin dkk. (2009), Moshavegh dkk.
(2012), Malviya dkk. (2012), dan Muhimmah dkk. (2012), mengidentifikasi citra
Pap smear yang hanya berisi satu sel atau sel tunggal atau sel terisolasi. Tetapi
untuk semua penelitian terdahulu tentang sel tunggal masalah sel-sel radang belum
dipertimbangkan dalam banyak metode.
Beberapa penelitian fokus pada sel tumpang tindih seperti Bengston dkk. (1981),
mengenali sel nukleus tumpang tindih. Wu dkk. (1998), menyelidiki kasus tumpang
tindih tetapi pada sel-sel payudara. Jung dkk. (2010), menggunakan citra biner
untuk menghitung nukleus yang tumpang tindih. Plissiti dkk. (2012a) fokus pada
deteksi nukleus dalam citra sel konvensional Pap smear yang mengandung sel-sel
tunggal dan kelompok sel. Ushizima dkk. (2013) mendeteksi sel tumpang tindih
pada citra Pap smear juga tanpa sel radang. Seperti halnya sel tunggal untuk semua
penelitian terdahulu tentang sel tumpang tindih, masalah sel-sel radang belum
dipertimbangkan juga dalam banyak metode.
Tahun 2013, ada penelitian yang menangani sel nukleus yang tumpang tindih dan
memiliki sel radang tapi pada jenis sel ephitelial Pap smear oleh Muhimmah dkk.
(2013). Tetapi penelitian tersebut belum mencakup tentang deteksi sitoplasma
hanya deteksi nukleus. Menurut Plissiti dan Nikou (2013) deteksi sitoplasma pada
sel tumpang tindih masih permasalahan yang sulit.
Hingga Tahun 2015 terdapat penelitian tentang sel nukleus dan sitoplasma tumpang
tindih. Tareef dkk. (2015) melakukan penelitian tentang deteksi nukleus dan
sitoplasma tumpang tindih dengan pengelompokan piksel dan klasifikasi piksel. Lu
dkk. (2015) mendeteksi nukleus dan sitoplasma tumpang tindih dengan fungsi multi
level set. Tetapi kedua peneliti tersebut tidak membahas keberadaan sel radang
dalam penelitian mereka. Sedangkan penelitian disertasi ini memiliki fokus pada
sel tunggal dan sel tumpang tindih yang memiliki sel radang serta tidak fokus hanya
terhadap deteksi nukleus saja tetapi juga mendeteksi sitoplasma tumpang tindih.
10
b. Metode Segmentasi dan Deteksi Otomatis Citra Sel Pap smear.
Selama ini penelitian tentang citra sel tunggal dan tumpang tindih lebih banyak
terfokus pada isolasi nukleus. Prasyarat untuk setiap pengolahan lebih lanjut dari
citra Pap smear dan pengambilan kesimpulan untuk karakterisasi citra Pap smear
menurut Plissiti dan Nikou (2012b) adalah penentuan akurat dari daerah nukleus.
Namun, lokasi nukleus yang tepat dan penggambaran nukleus yang akurat dalam
citra tidak jelas didefinisikan dalam banyak kasus, terutama karena sel sitoplasma
yang tumpang tindih, tidak konsisten pewarnaan dan adanya banyak latar belakang.
Sehingga tidak bisa dihindari bahwa penentuan batas-batas sitoplasma juga menjadi
bagian yang penting. Menurut Plissiti dan Nikou (2013), ada dua masalah yang
terbuka untuk setiap metode yang diusulkan untuk analisa otomatis citra Pap smear,
yaitu penentuan secara akurat posisi nukleus dan penggambaran yang tepat dari
nukleus. Kedua masalah tersebut memang paling banyak dicoba diselesaikan oleh
peneliti-peneliti sebelumnya. Sedangkan untuk kondisi citra sitoplasma tumpang
tindih masih belum banyak diteliti. Padahal kondisi sitoplasma yang tumpang tindih
banyak menjadi masalah pada pembacaan slide oleh ahli patologi.
Kondisi sel Pap smear yang tidak selamanya tunggal, tentu menimbulkan
permasalahan lain. Pada sel yang tumpang tindih bahkan yang memiliki sel radang
tidak saja pada dua masalah tersebut yang menjadi problem. Selain nukleus,
penentuan secara akurat posisi sitoplasma dan penggambaran yang tepat
sitoplasma, serta pembersihan sel radang menjadi penting dilakukan terutama pada
sel tumpang tindih. Sehingga ada beberapa masalah terbuka yang perlu diselesaikan
dalam penelitian citra Pap smear, yaitu deteksi yang tepat dari lokasi nukleus,
penentuan akurat dari batas nukleus, deteksi yang tepat dari lokasi sitoplasma,
penentuan akurat dari batas sitoplasma dan ekstraksi sel radang. Pada penelitian
disertasi ini semua masalah tersebut dicoba diselesaikan, mengingat data citra
penelitian ini memiliki semua permasalahan di atas.
Selama ini ada enam metode deteksi dan segmentasi dalam pengolahan citra Pap
smear (Plissiti dan Nikou, 2013). Metode-metode ini berhasil memisahkan latar
belakang citra dan untuk mengenali lokasi dan batas-batas sel. Empat metode
11
pertama, yaitu pengaturan thresholding oleh Cahn dkk. (1977), Borst dkk. (1979),
Bengtsson dkk. (1979), MacAulay dan Palcic (1988), Poulsen dan Pedron (1995),
Wu dkk. (1998a), Kim dkk. (2007), Li dkk. (2007), dan Chang dkk. (2009), deteksi
tepi (edge detection) oleh Tsai dkk. (2008), Yang dkk. (2008), Malm dan Brun
(2009), dan Lin dkk. (2009), matematika morphologi (mathematical morphology)
oleh peneliti-peneliti seperti Jackway (1995) dan (1996), Bamford dan Lovell
(1996), Kim dkk. (2006), Nallaperumal dan Krishnaveni (2008), Kale dan Aksoy,
(2010), dan Plissiti dkk. (2010), (2011a), (2011b), dan metode klasifikasi piksel
(pixel classification) oleh Lassouaoui dan Hamami (2003), Lezoray dan Cardot
(2002), Bak dkk. (2004), Sobrevilla dkk. (2008), Vaschetto dkk. (2009), Mustafa
dkk. (2009), Tareef dkk (2014), dan Lu dkk(2015). Dua metode berikutnya adalah
pencocokan bentuk (template matching) oleh Wu dkk. (1998b), Garrido dan de la
Blanca (2000), dan Plissiti dkk. (2012a). Metode terakhir model Perubahan bentuk
(deformable models) oleh Bamford dan Lovell (1998), Plissiti dkk. (2010), dan
Harandi dkk. (2010).
Menurut Plissiti dkk. (2011a), metode-metode tersebut belum dapat menangani sel
yang tumpang tindih secara sempurna. Penelitian pertama tentang segmentasi sel
tumpang tindih nukleus yang berhasil dilakukan oleh Bengtsson dkk. (1981).
Penelitian yang mengusulkan algoritma yang berdasarkan informasi kontur dan
kepadatan nukleus. Perlu dicatat bahwa kontur inti pada penelitian ini diekstrak
melalui prosedur thresholding. Berdasarkan pengetahuan tersebut maka dalam
penelitian ini untuk mengekstraksi sel radang dan deteksi nukleus serta sitoplasma
digunakan pula metode segmentasi thresholding.
Penelitian terkini menunjukkan segmentasi sel tumpang tindih cukup berhasil
dengan menggabungkan beberapa metode tersebut, seperti Tareef dkk. (2014)
mendeteksi cellular clump dan pengelompokan super piksel dengan klasifikasi
piksel dan pengaturan thresholding dalam proses segmentasi sitoplasma tumpang
tindih. Lu dkk. (2015) melakukan optimasi dengan fungsi multi level set untuk
deteksi otomatis dan segmentasi citra sel tumpang tindih. Walaupun belum
menghasilkan pemisahan sel tumpang tindih menjadi sel tunggal. Kedua penelitian
ini tidak mempertimbangkan keberadaan sel radang.
12
Penelitian disertasi ini mendeteksi secara otomatis segmentasi sel radang dan
pemisahan citra sel sitoplasma yang tumpang tindih. Beberapa metode dan
pengetahuan digabungkan untuk mengekstraksi sel radang dan memisahkan sel
tumpang tindih sehingga menghasilkan sel tunggal yang teridentifikasi fitur
nukleus, sitoplasma dan jenis sel.
c. Klasifikasi Citra Sel Pap smear.
Selama ini belum banyak penelitian tentang klasifikasi yang khusus untuk
membedakan citra sel nukleus dan sel radang. Banyak penelitian tentang klasifikasi
citra Pap smear bertujuan hanya untuk mengklasifikasi nukleus agar dapat
terbedakan ke dalam kelas-kelas normal dan abnormal. Penggunaan fitur kuantitatif
dan kualitatif data Jantzen (2005) dengan multiple classifier oleh Riana (2009),
penggunaan hierarchical decision approach berdasarkan importance performance
analysisis oleh Riana (2010) dan (2012a) untuk melakukan klasifikasi citra sel Pap
smear dari data Harlev (Martin, 2003) ke dalam dua dan tujuh kelas sel.
Analisa fitur berupa luas nukleus untuk penggunaan klasifikasi lebih lanjut
dilakukan oleh Riana dkk. (2012b), (2012d), (2014a) untuk citra sel normal, citra
sel abnormal (Riana dkk. (2012c)), perbandingan citra sel normal dan sel abnormal
(Riana dkk. (2013a)). Analisa fitur luas sitoplasma diteliti oleh Hasanuddin dkk.
(2012).
Analisa tekstur untuk data Herlev oleh Pratama dkk. (2013) dan Riana dkk. (2013b)
menghasilkan rule klasifikasi sel nukleus saja tetapi belum digunakan untuk
mendapatkan daerah tertentu pada sel. Penggunaan fitur-fitur yang dihasilkan dari
analisa morphologi untuk membedakan objek-objek yang ada dalam suatu citra
dilakukan oleh Soille dkk. (1999). Plissiti dkk. (2011b) menggunakan fitur
morphologi kedalaman intensitas untuk menentukan lokasi nukleus. Suryatenggara
dkk. (2009) menggunakan tiga parameter, yaitu rasio N/C, koefisien wavelet, dan
intensitas warna. Penggunaan Gray Level Co-occurrence Matrix (GLCM) oleh
Pratama dkk. (2013), dan Riana dkk. (2013b) hanya dilakukan pada citra sel nukleus
saja. Klasifikasi yang khusus untuk membedakan
13
sel nukleus dan sel radang dengan fitur GLCM untuk ekstraksi sel radang dan
nukleus oleh Riana dkk. (2014b). Sedangkan pada penelitian disertasi ini akan
menggunakan rule klasifikasi fitur GLRM sel nukleus dan sel radang untuk
menentukan daerah region minima dari citra sel sitoplasma tumpang tindih guna
mendukung proses pemisahan sel sitoplasma tumpang tindih menjadi sel tunggal.
Pada akhirnya dilakukan identifikasi kelas sel dengan menggunakan perbandingan
area nukleus dan sitoplasma.
I.6.2 Kontribusi Penelitian
Kontribusi yang diberikan dari penelitian ini adalah proses preprocessing untuk
mendapatkan citra sel tunggal Pap smear melalui proses pemisahan sel tumpang
tindih dan eliminasi sel radang untuk deteksi dini kanker serviks. Tujuannya adalah
untuk mencapai identifikasi akurat pada daerah yang menjadi titik perhatian dalam
kasus citra Pap smear yaitu nukleus serta untuk mendapatkan konten dari citra Pap
smear. Secara rinci kontribusi yang diberikan dari penelitian ini adalah:
K-1 Proses pemisahan dua citra sel tumpang tindih menjadi citra sel tunggal Pap
smear sehingga dapat membantu ahli patologi dalam deteksi dini kanker
serviks.
K-1 Proses eliminasi sel radang untuk menangani keberadaan sel radang sehingga
proses identifikasi nukleus pada citra sel mikroskopis Pap smear mudah
dilakukan sehingga membantu ahli patologi dalam deteksi dini kanker
serviks.
I.7 Sistematika Penulisan
Dalam laporan disertasi ini digunakan sistematika sebagai berikut:
Bab I Pendahuluan
Bab awal terdiri dari latar belakang, rumusan dan batasan masalah, tujuan, ruang
lingkup, hipotesis, peta jalan penelitian dan kontribusi serta sistematika penulisan.
14
Bab II Tinjauan Pustaka
Bab ini berisi uraian tentang state of art disusun mulai dari penelitian kanker
serviks, jenis citra Pap smear, metode segmentasi pada citra Pap smear, segmentasi
pada citra sel tumpang tindih dan klasifikasi pada citra Pap smear.
Bab III Akuisisi dan Komponen Citra Sel Pap smear
Bab ini berisi sampel Pap smear dan permasalahannya, akuisisi sampel
mikroskopik Pap smear dan data penelitian, komponen citra sel Pap smear,
segmentasi area nukleus, dan perbandingan area nukleus dan sitoplasma.
Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra Sel Tunggal
Pap smear
Bab ini berisi segmentasi dan eliminasi sel radang, material dan metode yang
digunakan, hasil-hasil eksperimen dan diskusi berupa evaluasi dari metode usulan.
Bab V Pemisahan Citra Sel Tumpang tindih dan Eliminasi Sel Radang
Bab ini berisi tentang proses pemisahan citra sel tumpang tindih dan eliminasi sel
radang untuk mendapatkan citra sel tunggal, material dan metode, hasil ekperimen
yang diperoleh dan evaluasi serta diskusi.
Bab VI Kesimpulan dan Saran.
Bagian terakhir berisi kesimpulan hasil penelitian yang telah dilakukan dan saran-
saran untuk pengembangan lebih lanjut.
15
Bab II Tinjauan Pustaka
Dalam bagian ini akan dibahas tentang penelitian kanker serviks dan citra sel
mikroskopik Pap smear, citra sel tunggal dan tumpang tindih Pap smear, fitur- fitur
penting, teknik analisa citra, deteksi tepi dan thresholding, dan teknik pengujian
data.
II.1 Penelitian Kanker Serviks dan Citra Sel Mikroskopik Pap smear
Penelitian tentang Pap smear diawali pada tahun 1930 oleh Georgeus Papanicolau
dengan menemukan mekanisme diagnosa pra-kanker rahim. Suatu mekanisme
untuk mendiagnosis sel pra kanker mulut rahim yang dikenal dengan Pap smear.
Hal ini dilakukan sebagai usaha pengukuran penyakit kanker mulut rahim, sejak
penyakit kanker mulut rahim menjadi ancaman yang serius bagi wanita. Secara
teknik Pap smear dilakukan dengan mengambil lendir dengan menggunakan
spatula dan diletakkan di preparat. Seorang ahli patologi akan memeriksa preparat
tersebut dengan mikroskop. Gambar di bawah ini menunjukkan proses pengambilan
sampel Pap smear.
Gambar I.7. Proses Pengambilan Sampel Pap smear (Riana, 2010)
Metode Papanicolau, diawali dengan peletakan spesimen sampel sel leher rahim
pada preparat. Selanjutnya menggunakan suatu cairan khusus sampel sel tersebut
diberi warna dengan tujuan untuk mempermudah diagnosis yang dilakukan di
bawah miskroskop (Gambar II.1).
16
Penelitian tentang kanker serviks dibagi menjadi dua kelompok besar, seperti
diilustrasikan pada Gambar II.2. Kelompok pertama merupakan ranah penelitian
yang dilakukan oleh dokter (Physician). Pada kelompok pertama ini dilakukan
preparation data yang melibatkan para ahli patologi (obgyn dan oncology) yang
akan melakukan tes Pap smear. Tahap ini data preparation akan diolah baik dengan
colouring atau teknik pewarnaan yang lazim digunakan dan akan memiliki
knowledge dan decision dari para ahli. Proses imaging analog akan menghasilkan
citra analog. Kelompok kedua adalah ranah penelitian yang berfokus pada teknik
(engineering), yaitu digitalisasi citra dan proses pengolahan serta analisis citra.
Gambar II.2 Penelitian Kanker Serviks
II.2 Citra Tunggal dan Tumpang tindih Pap smear
Hasil dari tes Pap smear akan didapatkan citra analog berupa citra mikroskopik sel
serviks. Umumnya slide Pap smear berisi sel tunggal dan kelompok sel. Di Negara
berkembang seperti Indonesia tes Pap smear masih dilakukan dengan
menggunakan metode konvensional. Contoh hasil dari pengambilan konvensional
seperti Gambar II.3.
17
Sitoplasma
Nukleus
Latar belakang
Sel radang
(a)
(b)
Gambar II.3 Sel tunggal (a) ,Sel tunggal dan tumpang tindih (b) dengan sel radang
Citra Pap smear (Gambar II.3), (a) terdiri atas 3 bagian wilayah, yaitu nukleus,
sitoplasma yang mengelilingi nukleus, serta latar belakang yang bukan merupakan
area sel. Sedangkan (b) menunjukkan kelompok sel tunggal dan tumpang tindih
dengan kondisi adanya sel radang.
Pada penelitian sebelumnya, permasalahan sel radang dan deteksi nukleus pada sel
yang tumpang tindih tidak dipertimbangkan dalam banyak metode. Banyak
penelitian terdahulu yang mengidentifikasi batas-batas nukleus dan sitoplasma
dalam citra serviks yang berisi sel tunggal atau sel yang terisolasi oleh Bamford
dkk. (1996) dan (1998), Garrido dkk. (2000), Lezoray dan Cardo (2002), Bak dkk.
(2004), Isa dkk. (2005), Lassouaoui dan Hamami (2003), Yang-Mao dkk. (2008),
Lin dkk. (2009), Moshavegh dkk. (2012), Malviya dkk. (2012), dan Muhimmah
dkk (2012). Sementara sel radang dan sel tumpang tindih ini banyak ditemukan ahli
patologi dalam proses skrining. Keberadaan sel radang yang terkadang berlebihan
dan ketidakmampuan mengidentifikasi nukleus pada sel yang tumpang tindih akan
mengakibatkan hasil negatif atau positif palsu cukup tinggi (Kusuma 2012), dan ini
masih merupakan kelemahan tes Pap smear (Kusuma 2012, dan Purwadi, 2012).
Sehingga segmentasi sel radang dan pemisahan sel tumpang tindih menjadi hal yang
penting.
18
II.3 Segmentasi pada Citra Pap smear
Segmentasi adalah membagi suatu citra menjadi wilayah-wilayah yang homogen
berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel
dengan tetangganya. Penelitian tentang citra Pap smear selalu berhubungan dengan
penentuan akurat dari daerah sel nukleus. Tetapi penentuan lokasi ini dalam
beberapa kasus menjadi tidak mudah terutama karena adanya sel tumpang tindih,
pewarnaan yang tidak konsisten, dan adanya banyak latar belakang. Bahkan di
Indonesia yang masih menggunakan metode konvensional keberadaan sel radang
menambah kesulitan dalam mengidentifikasi sel serviks. Dari kondisi tersebut
terdapat dua masalah penting yang perlu diselesaikan dalam penelitian tentang citra
Pap smear untuk setiap metode analisis otomatis yang diusulkan, yaitu deteksi yang
tepat dari lokasi nukleus dan penentuan akurat batas nukleus. Beberapa metode
yang pernah diusulkan oleh beberapa peneliti sebelumnya dalam area penelitian ini
dalam Plissiti, dan Nikou (2013), dijelaskan pada bagian ini.
II.3.1 Pengaturan Thresholding
Pengaturan thresholding digunakan untuk mengukur jumlah derajat keabuan yang
ada pada citra. Dengan thresholding maka derajat keabuan bisa diubah sesuai
dengan keinginan. Upaya pertama untuk mendeteksi dan segmentasi sel dalam citra
serviks mikroskopis berbasis pada teknik pengaturan thresholding yaitu
mengeksploitasi karakter-karakter histogram intensitas piksel-piksel yang ada oleh
Cahn dkk. (1977), Borst dkk. (1979), dan Bengtsson dkk. (1979). Secara umum,
ruang lingkup metode ini adalah secara otomatis mendeteksi nilai threshold untuk
tujuan memisahkan sel dari latar belakang dan nukleus sel dari sitoplasmanya.
Peneliti lain melakukan perbandingan dari beberapa metode pemilihan threshold
yaitu MacAulay dan Palcic, B. (1988).
Poulsen dan Pedron (1995) mengajukan sebuah metode untuk mendeteksi daerah
yang diinginkan (Region of Interest) dengan cara mereduksi resolusi citra Pap
smear. Wu dkk. (1998) melakukan penelitian tentang masalah segmentasi
ditransformasikan ke dalam proses optimisasi, dimana penentuan dari nilai
19
threshold optimal berdasarkan dari sebuah citra parametrik, yaitu pendekatan dari
citra inisial. Sebuah teknik pengaturan threshold juga diajukan Kim dkk. (2007),
untuk proses binerisasi citra dan penentuan lokasi inti sel, pada ekstraksi fitur dan
klasifikasi dari nukleus pada kelas normal atau abnormal dengan menggunakan
sebuah jaringan saraf tiruan Fuzzy Radial Basis Function. Sebuah metode multi
skala lokal untuk pengaturan penyesuaian threshold yang berdasar pada kestabilan
bentuk diajukan pada Li dan Najarian (2007) untuk mengekstraksi daerah inti sel
dari latar belakangnya, dimana nilai threshold didapatkan dari data perkiraan bentuk
dari objek hasil segmentasi citra. Chang dkk. (2009) melakukan deteksi nukleus
dengan cara menentukan threshold citra yang didapatkan setelah mengaplikasikan
‘mean filter’ dan mengatur skala dari tingkat keabuan piksel yang ada. Sebuah
algoritma ‘line-scan’ juga diajukan untuk mendeteksi inti sel yang abnormal.
Akhirnya Plissiti dkk. (2011a) menggunakan global threshold untuk menghasilkan
citra binner pada penelitian tentang deteksi otomatis sel nukleus. Nilai threshold
diperoleh untuk setiap kanal warna untuk menentukan kedalaman objek dalam citra
sehingga dapat dibedakan lokasi nukleus.
Penggunaan threshold sampai saat ini masih unggul digunakan pada tahap awal
proses untuk mengurangi tingkat kerumitan dari sebuah citra dengan cara cepat dan
sederhana. Kondisi citra sel servik biasanya memiliki tingkat kerumitan yang tinggi,
kondisi sel tumpang tindih, tidak konsisten pewarnaan dan adanya banyak latar
belakang, Plissiti dan Nikou (2013). Mengingat keberadaan sel radang pada citra
sel dalam penelitian ini maka penggunaan nilai beberapa threshold diperlukan
untuk memudahkan isolasi calon nukleus, sitoplasma, daerah tumpang tindih dari
latar belakang.
II.3.2 Deteksi Tepi (Edge Detection)
Penggunaan detektor tepi dalam menganalisis citra telah lazim digunakan. Banyak
metode segmentasi yang diusulkan untuk segmentasi nukleus dan sitoplasma
berdasarkan deteksi tepi. Beberapa metode yang telah dikembangkan untuk
mengsegmentasi nukleus dan sitoplasma berdasarkan deteksi tepi, tidak
membutuhkan pengetahuan awal tentang objek yang ingin dicari pada citra. Tsai
20
dkk (2008) mengembangkan sebuah pendeteksi sitoplasma dan kontur nukleus,
yang melakukan segmentasi pada struktur bagian-bagian dari sel servik pada citra
yang belum disegmentasi. Algortima ini mengurangi gangguan dan meningkatkan
kualitas kontur objek.
Sebuah metode semi otomatis yang mirip juga diajukan oleh Yang-Mao dkk.
(2008), dimana peningkatan kualitas tepi nukleus dan pendeteksi kontur sitoplasma
diterapkan sebelum segmentasi citra servik. Pada tahap pre processing, digunakan
teknik untuk menghilangkan gangguan dan meningkatkan perbedaan anatara warna
terang dan gelap pada citra servik untuk mendapatkan threshold optimal yang dapat
digunakan untuk segmentasi citra.
Malm dan Brun (2009) menggunakan sebuah algoritma segmentasi nukleus yang
menggunakan anisotropic dilation untuk isolasi kurva. Lebih spesifik digunakan
deteksi tepi Canny yang dilanjutkan dengan serangkaian hasil proses morphologi
pada proses deteksi perbaikan dan penentuan tepi terdekat untuk proses segmentasi
dari struktur nukleus. Metode lain yang menggunakan deteksi tepi untuk citra
serviks yang diusulkan Lin (2009). Pertama digunakan sebuah metode kesamaan
kedalaman warna yang digunakan untuk meningkatkan perbedaan terang dan gelap
diantara nukleus dan sitoplasma, Setelah itu digunakan filter Gaussian untuk
menghilangkan gangguan. Kemudian operator Sobel dan ‘non- maximum
supression’ digunakan untuk mengekstraksi gradien citra, dimana citra dibuat biner
dengan mengatur batas atas dan batas bawah tepi. Hasilnya diperoleh dua kurva
terpanjang yang terdekat dari semua tepi yang terdeteksi dan dipilih untuk
membentuk tepi nukleus dan sitoplasma.
Penggunaan beberapa deteksi tepi yaitu Sobel, Prewitt, Roberts dan Canny pada
segmentasi luas nukleus pada sel tunggal sudah dilakukan. Deteksi luas nukleus sel
normal superfisial Pap smear menggunakan operasi kanal warna oleh Riana dkk.
(2012b), menunjukkan perbandingan untuk empat metode deteksi yaitu Roberts,
Prewitt, Sobel dan Canny. Selain pada kelas normal, dilakukan juga proses
egmentasi luas nukleus pada sel abnormal Pap smear oleh Riana dkk. (2012c).
Deteksi tepi Canny terbukti lebih powerful untuk deteksi tepi sel nukleus
21
Normal Superfisial, Normal Intermediate, Severe Dysplasia dan Moderate
Dysplasia dengan hasil deteksi tepi yang lebih sensitif. Tetapi pada kelas lain
terutama kelas abnormal belum signifikan. Pada penelitian tersebut digunakan sel
nukleus dari data Herlev (Martin, (2003)) yang tidak mengandung sel radang.
Penelitian awal juga telah dilakukan untuk segmentasi sitoplasma dengan deteksi
tepi Canny oleh Hasanuddin dkk. (2012) terhadap data citra sel tunggal tanpa
radang, hanya saja untuk sitoplasma yang tumpang tindih belum dapat terdeteksi
dengan baik.
Penelitian lanjutan menggunakan deteksi tepi Canny dengan modifikasi kanal
warna dan rekonstruksi morphologi untuk segmentasi sel nukleus dan pengukuran
luas pada sel normal Pap smear dilakukan oleh Riana dkk. (2012d) dan (2014a),
menunjukkan hasil bahwa deteksi tepi Canny tidak konsisten untuk mendeteksi luas
nukleus pada kelas normal Pap smear jika dibandingkan dengan luas nukleus pada
ground truth data Herlev. Begitu pula pada penelitian tentang perbandingan
segmentasi luas ukleus sel normal dan abnormal Pap Smear dengan deteksi tepi
Canny dan rekonstruksi morfologi (Riana dkk. (2013a), masalah akurasi
pendeteksian tepi nukleus belum terselesaikan. Sehingga pada penelitian ini tidak
mempertimbangkan lebih lanjut penggunaan detektor tepi seperti Roberts, Prewitt,
Sobel dan Canny lebih lanjut.
II.3.3 Morphologi Matematika (Mathematical Morphology)
Metode mathematical morphology juga digunakan untuk tujuan menganalisa citra
serviks. Tahun 1996, Bamford dan Lovell menggunakan algoritma water
immersion untuk mendeteksi lokasi sel tertutup atau tunggal pada citra
mikroskopik. Perlu dicatat bahwa pada metode ini tidak dimaksudkan untuk
mendeteksi nukleus pada citra yang kondisi selnya berkelompok. Metode
morphologi juga diusulkan oleh Jackway (1995) dan (1996) untuk menganalisa
citra yang berisi nukleus tunggal pada sel Squamous Ephiteal dan mendeteksi sel
normal dan abnormal, namun pada metode ini permasalahan dari akurasi
pendeteksian tepi nukleus belum terselesaikan. Beberapa peneliti lain juga
menggunakan metode ini seperti sepert Kim dkk. (2006) menggunakan metode
22
fuzzy grayscale morphological operations untuk mengektraksi nukleus.
Transformasi watershed sudah digunakan juga oleh Kale dan Aksoy (2010) untuk
mendapatkan daerah sel. Sebuah metode transformasi watershed menggunakan
multi skala morphologi gradien dan kanal warna diajukan pada Nallaperumal dan
Krishnaveni (2008). Selanjutnya Plissiti dkk. (2011a) menggunakan rekonstruksi
morphologi untuk mendeteksi lokasi regional minima yang mengindikasikan
keberadaan calon nukleus pada citra sel serviks yang kondisi sel bisa tunggal
ataupun berkelompok. Tetapi kondisi sel tidak mengandung sel radang.
Penggunaan matematika morphologi berupa proses dilasi dan erosi telah dilakukan
pada penelitian awal ini untuk citra sel tumpang tindih dan ternyata menghasilkan
penyimpangan batas-batas tepi sel yang signifikan dari batas tepi sel yang
sebenarnya.
II.3.4 Klasifikasi piksel (Pixel Classification)
Cara lain mendeteksi bagian struktur sel adalah menggunakan skema klasifikasi
piksel. Lassouaoui dan Hamami (2003) menggunakan metode klasifikasi piksel
berdasarkan algoritma multifractal untuk mengklasifikasi piksel-piksel yang ada
pada latar belakang, sitoplasma atau nukleus. Kemudian, langkah optimisasi
dilakukan, dengan pembelajaran yang dilakukan dengan algoritma genetik, dan
kemudian piksel diklasifikasi ulang.
Metoda pixel classification digunakan oleh Lezoray dan Cardot (2002) untuk
menandai nukleus. Tujuannya untuk menghindari segmentasi yang berlebihan yang
mungkin terjadi jika menggunakan metode watershed. Untuk tujuan ini, digunakan
K-means dan Bayesian Classifier untuk mendeteksi nukleus dan kelas piksel yang
lain. Untuk algoritma berikutnya, sekumpulan data pembelajaran dari citra yang
mengandung data asli digunakan untuk mengestimasi parameter masing-masing
distribusi Gaussian pada penggunaan Bayesian Classifier. Hasil penelitian
menunjukan tingkat akurasi segmentasi yang tinggi dalam mendeteksi nukleus pada
sel tunggal pada pre processing dengan menggunakan kedua klasifikasi, sehingga
metode Lezoray dan Cardot (2002) akan digunakan sebagai metode pembanding
dalam penelitian ini.
23
Pendekatan lain dengan menggunakan sebuah fungsi kriteria berdasarkan statistik
dari struktur objek pada citra diajukan oleh Bak dkk. (2004), yang merefleksikan
karakteristik baik lokal maupun global dari citra. Sebuah spasial lokal didefinisikan
dan dikombinasikan dengan spasial lokal lain dari awal probabilitasnya,
menghasilkan kemungkinan spasial lokal akhir yang berfungsi sebagai fungsi
kriteria. Sebagai inisial, piksel-piksel dikluster dengan menggunakan algoritma K-
means, dan kemudian hasil segmentasi didapatkan dengan prosedur pengulangan,
dimana setiap piksel diperlakukan sebagai daerah yang paling mungkin sebagai
daerah nukleus, sitoplasma, atau latar belakang dengan menggunakan definisi awal
dari fungsi kriterianya.
Sobrevilla dkk. (2008) mendeteksi daerah yang diinginkan pada citra Pap smear
menggunakan teknik berbasis fuzzy dan klasifikasi piksel. Lalu dilanjutkan dengan
mendeteksi nukleus berdasar aturan-aturan fuzzy. Vaschetto dkk. (2008)
menggunakan sebuah algoritma berdasarkan kombinasi informasi tiga warna,
pengetahuan pakar, dan sistem fuzzy, yang bertujuan untuk meningkatkan
keakuratan metode yang diajukan oleh Sobrevilla dkk. (2008) untuk mendeteksi
dan melakukan segmentasi nukleus pada citra Pap smear.
Sebuah algoritma modifikasi Seed Bases Region Growing untuk otomasi
segmentasi sel servik diajukan oleh Mustafa dkk. (2009). Pada langkah pertama
digunakan algoritma klustering K-means untuk mengklasifikasi piksel-piksel dari
citra menjadi tiga kategori yaitu sitoplasma, nukleus, dan latar belakang. Kemudian
dari hasil ekstraksi klasifikasi dan menggunakan perhitungan momen, lokasi dari
piksel awal ditentukan dan kemudian algoritma modifikasi Seed Bases Region
Growing diterapkan. Metode ini melakukan segmentasi sel berkali-kali pada citra,
dengan menandai piksel sitoplasma, nukleus, dan latar belakang.
Plissiti (2012a) menggunakan klasifikasi piksel untuk mendeteksi centroid nukleus.
Pada tahap awal menerapkan aturan empiris yang bergantung pada jarak antar
centroid nukleus untuk mengurangi kejadian false positive. Kemudian langkah
kedua teknik klasifikasi fuzzy C-Means dan Support Vector Machines digunakan
untuk menentukan centroid nukleus yang sebenarnya.
24
Tareef, dkk (2014) menggunakan klasifikasi piksel untuk mendeteksi sel yang
tumpang tindih pada tahap awal segmentasi sel tumpang tindih. Selanjutya Lu, dkk
(2015) menggunakan klasifikasi piksel untuk mendapatkan sel yang tumpang tindih
pada tahap awal segmentasi yang disebutnya sebagai peta super piksel.
II.3.5 Pencocokan Bentuk (Template Matching)
Sel nukleus umumnya berbentuk elips. Berdasarkan bentuk nukleus ini beberapa
metode yang berdasarkan pencocokan bentuk nukleus diusulkan untuk menentukan
tepi nukleus pada citra Pap smear. Sebuah algoritma berdasarkan pencocokan
parameter untuk segmentasi citra sel dengan aplikasinya pada sebuah citra servik
pertama kali diajukan oleh Wu dkk. (1998), yang menerapkan bentuk dan informasi
daerah citra. Pada penelitian tersebut, sebuah bentuk model elips sebagai bentuk
nukleus diperkenalkan, dan parameter-parameternya dicocokkan agar sama dengan
bentuk nukleus dengan meminimalisir sebuah fungsi cost. Setelah itu dilakukan
proses optimasi untuk menemukan nilai yang optimal. Dengan cara
mengkombinasikan informasi bentuk, banyaknya parameter akan tereduksi secara
signifikan dan metode akan menghasilkan deteksi tepi nukleus.
Lebih lanjut, Garrido dan de la Blanca (2000) mengembangkan sebuah metodologi
berdasarkan pada pendekatan model perubahan bentuk yang terdiri dari tiga tahap:
1) Inisial estimasi dari lokasi sel pada citra. 2) Perhitungan pendekatan bentuk elips
dari tepi nukleus. 3) Perbaikan dari tepi nukleus menggunakan model perubahan
bentuk lokal. Lebih jelasnya, deteksi dari lokasi nukleus didapatkan dari perumusan
ulang dari transformasi Hough secara umum. Kemudian bentuk inisial dari nukleus
diestimasi dengan penentuan bentuk elips. Solusi akhir adalah dengan
menggunakan model perubahan bentuk yang akan mengerucut pada tepi nukleus
yang benar. Penggunaan metode pencocokan bentuk juga dilakukan oleh Plissiti
dkk. (2012a) dalam penelitiannya tentang ekstraksi sel nukleus dengan
mengkombinasikan bentuk, tekstur dan fitur intensitas.
25
II.3.6 Model Perubahan bentuk (Demorfable Models)
Secara umum, penerapan dari model perubahan bentuk untuk mendefinisikan tepi
nukleus dibatasi oleh pendekatan model inisial, dimana sangat penting inisial model
ini sama dengan tepi dari citra aslinya. Untuk alasan ini, metode yang diajukan
berdasarkan perubahan bentuk ini juga harus bisa menyelesaikan masalah deteksi
posisi nukleus yang benar pada citra yang mengandung sel yang banyak, atau
aplikasinya dan tidak terbatas pada citra yang hanya mengandung satu sel saja.
Bamford dan Lovell (1998) menggunakan model active countour untuk
menentukan tepi dari nukleus, dimana diinisialisasikan melalui pembentukan dari
sebuah search space, lokasi yang paling mungkin untuk nukleus didefinisikan,
dilanjutkan dengan sebuah algoritma Viterbi search-based dua active countour,
untuk menemukan tepi nukleus.
Harandi (2010) mengusulkan sebuah metode untuk melokalisasi sel pada resolusi
rendah dikombinasikan dengan deteksi tepi dari nukleus dan sitoplasma pada
resolusi tinggi. Metode kontur aktif geometri tanpa inisialisasi ulang atau
Geometric Active Contour Without Re-initialization digunakan untuk melokalisasi
sel servik pada sebuah citra dengan resolusi rendah, dimana kemudian
diklasifikasikan dengan sel free-lying, sel terhubung dan objek yang tidak relevan.
Setelah proses deteksi dari posisi pada masing-masing sel, citra asli dibagi dalam
beberapa subcitra yang mengandung sel yang telah terdeteksi, dan pada masing-
masing subcitra sebuah proses binary mask dilakukan, agar objek yang tidak
diinginkan dapat dihilangkan. Dalam rangka untuk memisahkan sel-sel yang
berbeda dalam tiap kluster, sel pertama kali dimodelkan sebagai lingkaran, yang
berlaku sebagai inisial kontur dari model ini. Harus diingat metode ini diaplikasikan
pada citra dengan resolusi tinggi, dan mengidentifikasi sitoplasma. Prosedur yang
sama dilakukan untuk menentukan tepi nukleus, yang mana diinisialisasikan juga
sebagai sebuah lingkaran. Plissiti, ME (2012a) menggunakan metode perubahan
bentuk berupa Gradient Vector Flow untuk meningkatkan keakuratan penentuan
tepi nukleus dalam proses ekstraksi sel nukleus.
26
II.3.7 Segmentasi pada Citra Sel Tumpang tindih
Terdapat beberapa teknik analisa untuk mengidentifikasi batas-batas citra sel
tunggal dan sel tumpang tindih yang telah digunakan selama ini. Segementasi pada
citra sel tumpang tindih memiliki dua fokus utama yaitu pada isolasi batas – batas
nukleus tumpang tindih dan sitoplasma tumpang tindih. Beberapa peneliti telah
berhasil mengisolasi nukleus yang tumpang tindih.
Bamford dkk. (1996), fokus pada mengidentifikasi batas-batas nukleus
menggunakan dua citra dengan ukuran 128x128 dengan kondisi sel tunggal dan
tidak tumpang tindih. Penelitian sebelumnya tentang segmentasi citra sel Pap smear
menunjukkan metode segmentasi sederhana sudah digunakan Bamford dkk. (1996)
dan (1998) untuk penentuan batas-batas sel dan memastikan batas- batas yang
tertutup pada sitoplasma dan nukleus yang terisolasi. Tingkat akurasi segmentasi
tinggi dengan jumlah tes citra yang banyak. Walau masih kurang dalam identifikasi
batas nukleus dan sitoplasma.
Wu dkk. (1998), menggabungkan pengetahuan tentang bentuk sel untuk investigasi
kasus sel-sel payudara yang tumpang tindih. Garrido dkk. (2000), memperkenalkan
formulasi baru untuk tranformasi Hough. Selain itu menggunakan deformable
model dalam segmentasi untuk memperbaiki batas sel. Segmentasi yang
menggabungkan informasi warna dengan watershed menghasilkan tingkat akurasi
segmentasi yang baik oleh Lezoray dan Cardot (2002).
Lassouaoui dan Hamami (2003), memperkenalkan langkah optimasi yang
didasarkan pada algoritma genetik untuk meningkatkan kualitas segmentasi. Pada
penelitiannya Bak dkk. (2004), memperkenalkan sebuah fungsi kriteria baru
berdasarkan struktur statistik dari objek yang digunakan.
Isa dkk. (2005), melakukan segmentasi berdasarkan teknik region growing untuk
menentukan titik lokasi dengan nilai threshold ditentukan secara otomatis. Yang-
Mao dkk. (2008), menggunakan metode edge enhancement baru untuk perbaikan
tepi nukleus dan deteksi kontur sitoplasma dan memperkenalkan metode baru
27
pengukuran error. Lin dkk. (2009) melakukan segmentasi untuk memastikan batas-
batas tertutup pada sel serviks.
Dari semua peneliti tersebut sebagian besar belum berhasil menangani segmentasi
untuk sel yang tumpang tindih. Penelitian Plissiti, M.E dkk. (2011a), sudah
menangani sel tumpang tindih. Dalam penelitian tersebut telah dideteksi intensitas
lembah-lembah nukleus dan dapat mendeteksi lokasi nukleus. Tetapi semua
peneliti-peneliti tersebut belum mempertimbangkan keberadaan sel radang, hal ini
dikarenakan kondisi citra sel yang digunakan memang tidak memiliki sel radang.
Segmentasi sel pada citra mikroskopik adalah landasan dari analisis kuantitatif.
Seperti diketahui karakteristik ganas atau abnormal sel-sel kanker terkandung dalam
nukleus, sehingga bagaimana mengisolasi nukleus ini menjadi tugas yang penting
dalam segmentasi. Isolasi nukleus menjadi semakin sulit pada kondisi sel
sitoplasma tumpang tindih.
Penelitian yang fokus pada segmentasi sitoplasma tumpang tindih tanpa
mempertimbangkan keberadaan sel radang telah dilakukan oleh Tareef, dkk (2014)
dan Lu, dkk (2015). Kedua peneliti tersebut melakukan segmentasi pada sitoplasma
tumpang tindih, sehingga dapat ditentukan batas-batas sitoplasma secara akurat.
Tareef, dkk (2014) melakukan segmentasi berdasarkan peningkatan tepi, gradien
thresholding, operasi morphologi, dan region properties untuk mendeteksi
pasangan nukleus dan sitoplasma. Lu, dkk (2015) telah berhasil melakukan
segmentasi untuk sel tunggal dan sel tumpang tindih dalam beberapa kondisi ukuran
tumpang tindih yang areanya tidak besar, dengan mengoptimasi fungsi multi level
pada segmentasi sel tumpang tindih. Perlu dicatat bahwa kedua peneliti belum
melakukan pemisahan sel tumpang tindih menjadi sel-sel tunggal. Seperti diketahui
pemisahan sel tumpang tindih menjadi sel-sel tunggal diperlukan untuk identifikasi
lebih akurat terhadap pengamatan perbandingan area nukleus dan area sitoplasma
terkait dengan penilaian abnormalitas sel.
Tabel II.1 merangkum semua kelebihan metode yang digunakan dan beberapa
keterbatasan dari penelitian yang telah dilakukan.
28
Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra Pap
smear Metode Tahun Kelebihan Keterbatasan
Bamford dkk. 1996 Metode segmentasi sederhana untuk menentukan batas sel tunggal.
Memastikan batas tertutup.
Tidak menangani sel tumpang tindih.
Kurangnya identifikasi batas
nukleus.
Kondisi sel tanpa sel
radang.
Bamford dkk. 1998 Memastikan batas yang tertutup pada
nukleus dan sitoplasma pada sel
tunggal.
Tingkat akurasi segmentasi tinggi.
Jumlah tes citra banyak
Tidak menangani sel yang
tumpang tindih.
Menggunakan dua gambar
sel.
Kondisi sel tanpa sel
radang.
Wu dkk. 1998 Menggabungkan pengetahuan
tentang bentuk sel.
Menginvestigasi kasus sel - sel
payudara yang tumpang tindih.
Banyak parameter yang
diatur.
Garrido dkk. 2000 Memperkenalkan formulasi baru
tranformasi Hough.
Menggunakan deformable model
untuk perbaikan batas sel
Metode dipengaruhi oleh
kelebihan titik atau tumpang
tindih objek dalam citra
yang kompleks.
Kondisi sel tanpa sel
radang.
Lezoray dan
Cardot
2002 Menggunakan klasifikasi K-Means
dan Bayessian untuk mengklasfikasi
nukleus, sitoplasma dan latar
belakang. Tingkat akurasi segmentasi tinggi.
Dibutuhkan training set
untuk mencapai hasil
terbaik.
Kondisi sel tanpa sel
radang.
Lassouaoui
dan Hamami 2003 Memperkenalkan langkah optimasi
yang didasarkan pada algoritma
genetik untuk meningkatkan kualitas segmentasi pada sel tunggal
Tidak menangani sel yang
tumpang tindih.
Kondisi sel tanpa sel
radang.
Bak dkk 2004 Memperkenalkan sebuah fungsi kriteria baru berdasarkan struktur
statistik dari objek yang digunakan.
Kondisi sel tanpa sel
radang.
Isa dkk. 2005 Berdasarkan teknik region growing
untuk menentukan titik lokasi dengan
nilai threshold ditentukan secara otomatis pada sel tunggal
Tidak menangani sel yang
tumpang tindih.
Kondisi sel tanpa sel
radang.
Yang-Mao
dkk.
2008 Menggunakan edge enhancement
baru untuk perbaikan tepi nukleus
dan deteksi kontur sitoplasma.
Memperkenalkan metode baru
pengukuran error.
Kondisi sel tanpa sel
radang.
Lin dkk. 2009 Memastikan batas tertutup pada sel
tunggal
Tidak menangani sel yang
tumpang tindih. Kondisi sel tanpa sel radang
Plissiti dkk. 2011a Menangani nukleus pada sel
tumpang tindih.
Menggunakan mathematical
morpology.
Metode baru mendeteksi otomatis
lokasi nukleus.
Hanya mendeteksi nukleus.
Gagal mendeteksi abnormal
sel
Kondisi sel tanpa sel radang
29
Tabel II.1 Kelebihan dan Keterbatasan dari Metode Penentuan Sel Citra Pap
smear (….lanjutan)
Metode Tahun Kelebihan Keterbatasan
Moshavegh
dkk.
2012 Deteksi dan segmentasi pada sel free-lying nukleus yang tunggal
Citra tunggal Tidak menangani sel
tumpang tindih dan sel tanpa radang
Plissiti dkk. 2011a Menangani nukleus pada sel
tumpang tindih.
Menggunakan mathematical
morpology.
Metode baru mendeteksi otomatis
lokasi nukleus.
Hanya mendeteksi nukleus.
Gagal mendeteksi abnormal
sel
Kondisi sel tanpa sel radang
Moshavegh
dkk. 2012 Deteksi dan segmentasi pada sel
free-lying nukleus yang tunggal Citra tunggal
Tidak menangani sel
tumpang tindih dan sel
tanpa radang
Malviya dkk. 2012 Deteksi nukleus pada citra liquid Pap smear pada sel tunggal
Tidak berhasil menangani
sel yang tumpang tindih.
Sel Pap smear tanpa sel
radang
Muhimmah dkk.
2012 Segmentasi nukleus pada sel
epithelial menggunakan operasi
morphologi dan transformasi
watershed pada sel tunggal
Tidak menangani sel tumpang tindih.
Hanya mendeteksi nukleus.
Citra berskala abu - abu.
Hasil deteksi nukleus masih
ada perbedaan dengan expert.
Ushizima dkk. 2013 Deteksi nukleus dan sitoplasma
pada sel tumpang tindih.
Belum berhasil memisahkan
sel tumpang tindih. Sel Pap
smear tanpa sel radang
Muhimmah
dkk.
2013 Menangani deteksi otomatis
cervical ephitelial dalam Pap smear
yang kemungkinan berisi sel
nukleus yang tumpang tindih dan sel radang.
Tidak mendeteksi
sitoplasma.
Masih terdapat nukleus
yang belum terdeteksi.
Menangani sel radang
Tareef dkk 2014 Deteksi otomatis dan segmentasi
pada sitoplasma tumpang tindih,
menggunakan klasifikasi piksel dan
gabungan beberapa metode untuk
peningkatan tepi, gradien
thresholding, operasi morphologi,
dan region properties untuk mendeteksi nukleus dan sitoplasma.
Tidak memperhitungkan
keberadaan sel radang dan
belum memisahkan sel
tumpang tindih menjadi sel
tunggal
Lu dkk 2015
Deteksi otomatis dan segmentasi
untuk sel tunggal dan sel tumpang
tindih dalam beberapa kondisi
ukuran tumpang tindih tertentu.
Tidak memperhitungkan
keberadaan sel radang dan
belum memisahkan sel
tumpang tindih menjadi sel tunggal
Metode segmentasi nukleus berdasarkan Water Immersion Algorithm oleh Bamford
dkk. (1996). Penelitian-penelitian sebelumnya banyak menggunakan model
tradisional active countour atau snake secara luas sebagai teknik dasar
30
boundary oleh Bamford dkk. (1998), Williams dan Shab (1992), Hu dkk. (1987).
Dalam Bamford dkk. (1996) digunakan segmentasi berdasarkan metode dual active
contour.
Penelitian tentang metode deteksi dengan memanfaatkan kesamaan bentuk nukleus
berdasarkan pada Hough Transform juga telah diperkenalkan Mouroutis dkk.
(1998), dan Garrido dkk. (2000). Kemudian, metode Generalized Hough Transform
oleh Ballard dkk. (1981) dan Davies dkk. (1989) digunakan untuk mendeteksi
bentuk elips, berdasarkan pada analisa properti dari elips. Sebuah kombinasi dari
Hough transform dan deformable model digunakan oleh Lee dan Street (2000)
untuk menemukan satu set bentuk nukleus. Suatu bentuk perubahan Hough yaitu
Compact Hough Transform, menggunakan maximum likehood disajikan dalam
Mouroutis dkk. (2000). Fuzzy Logic Engine telah diterapkan dalam Begelman dkk.
(2004) untuk membedakan nukleus dari latar belakang yang berwarna sama.
Penelitian lain melakukan segmentasi sel dengan menggunakan model statistik
Bhanu dkk. (1995), yang berasal dari distribusi fitur dan logika fuzzy dilatih sesuai
dengan distribusi dari fitur. Philip dkk. (1996), mengusulkan bentuk fuzzy dari
Hough Transform yang ditambahkan pada properti dari lingkaran dan transformasi
elips.
Genetic Algorithm telah digunakan secara luas dalam segmentasi sel oleh
Lassouaoui, dan Hamami (2003), Bhanu dkk. (1995), dan Goldberg dkk. (1989).
Kombinasi algoritma multifractal oleh Lassouaoui dan Hamami (2003), didasarkan
pada perhitungan singularity exponent pada tiap titik, dan Genetic Algorithm juga
telah diusulkan. Algoritma multifractal digunakan untuk menentukan interval
singularity exponent untuk tiap kelas seperti nukleus, sitoplasma dan
latarbelakangnya. Hal ini memungkinkan untuk meningkatkan presisi di antar kelas
sel dan untuk mengurangi kebingungan antar berbagai kelas.
Metode konvensional Seed Base Region Growing oleh Romberg dkk. (2000) telah
digunakan untuk mendeteksi tepi daerah-daerah tertentu pada citra digital. tetapi
algoritma Seed Base Region Growing tidak bisa mengatasi sel yang tidak terpisah,
sehingga menyebabkan proses deteksi tepi tidak lengkap.
31
Sebagian besar teknik segmentasi pada penelitian sebelumnya, diterapkan pada
citra mikroskopik dimana sel diperbesar dalam kotak sel dan tidak ada tumpang
tindih. Beberapa metode yang diusulkan untuk segmentasi sel tunggal pada citra
mikroskopis Bamford dkk. (1996). Namun, sel yang diperoleh dari tes Pap smear
lebih sulit untuk disegmentasi karena keragaman struktur sel yang terkandung
dalam citra, intensitas variasi latar belakang, dan tumpang tindih kelompok sel.
Tingkat kesulitan tertinggi pada sel yang tumpang tindih adalah mengidentifikasi
batas-batas yang tumpang tindih.
Tabel II.2 Rangkuman Teknik Segmentasi
Teknik
Segmentasi
Kelebihan Keterbatasan
Water Immersion Algoritm
Memastikan tertutupnya deteksi batas-batas
Tidak menangani sel yang tumpang tindih
Improved Active Contour Model
Lebih menguntungkan dari model tradisional Active Contour
Sederhana dalam komputasi
Hough Transform Mendeteksi bentuk nukleus yang sama dan yang diinginkan
Bentuk dari objek harus bulat atau hampir bulat
Generalized
Hough Transform
Lebih menguntungkan dari model
tradisional Hough Transform. Dapat mendeteksi bentuk ellips.
Tidak menangani sel yang tumpang
tindih
Compact Hought Transform
Tidak membutuhkan informasi analitis tentang kurva
Tidak menangani sel yang tumpang tindih
Fuzzy Logic
Engine
Dapat menangani ketidakpastian data
(warna, bentuk bundar, dan dimensi
objek) dengan baik
Rule Fuzzy Logic sudah tetap dan
tidak dapat mengadopsi perubahan
kondisi
Genetic
Algorithm
Pencarian yang efektif untuk parameter segmentasi pada wilayah
yang luas
Sangat lambat
Seed Base Region
Growing
Algorithm
Mendeteksi tepi dari wilayah tertentu
pada citra yang diinginkan.
Mampu menangani noise.
Algoritma memakan waktu. Hasil Deteksi tepi sangat subjektif
karena pengguna harus
mendefenisikan parameter.
Tidak dapat menangani sel yang
bentuknya terhubung.
Moving k-means Clustering
Dapat menemukan nilai threshold secara otomatis
Tidak dapat memisahkan sel yang tumpang tindih
Modified Seed
Based Region
Growing
Algorithm
Lokasi titik awal dan nilai threshold dapat ditentukan secara otomatis
Tidak dapat memisahkan sel yang
tumpang tindih
Segmentasi otomatis pada nukleus citra sel Pap smear dilakukan Plissiti dkk.
(2010). Model deformable telah digunakan untuk menentukan batas-batas nukleus
32
dalam Pap smear konvensional pada citra sel serviks. Estimasi awal dari kontur
deformable diperoleh secara otomatis dan tidak diperlukan adanya interaksi
pengguna. Sebuah teknik deteksi tepi otomatis untuk citra Pap smear menggunakan
Moving k-means Clustering oleh Holmquist dkk. (1978) dan dimodifikasi dengan
Modified Seed based Region Growing diusulkan dalam Isa dkk. (2005). Modified
Seed based Region Growing ini lebih menguntungkan dari konvensional Seed Base
Region Growing dalam mendeteksi tepi daerah-daerah tertentu yang menjadi
perhatian. Dalam penelitian tersebut, algoritma Moving k- means Clustering
digunakan untuk mencari nilai threshold dan nilai-nilai ini kemudian digunakan
dalam Modified Seed based Region Growing untuk mendeteksi daerah tepi secara
otomatis. Rangkuman teknik pada segmentasi citra mikroskopik sel diberikan pada
Tabel II.2.
Hampir seluruh metode-metode dalam Tabel II.2 tidak menangani sel tumpang
tindih. Tareef dkk. (2015) melakukan penelitian tentang deteksi nukleus dan
sitoplasma tumpang tindih dengan pengelompokan piksel dengan klasifikasi piksel
dan thresholding. Lu dkk. (2015) mendeteksi nukleus dan sitoplasma tumpang
tindih dengan optimalisasi fungsi multi level set. Walau demikian kedua peneliti
tersebut tidak membahas keberadaan sel radang dalam penelitian mereka. Tetapi
penelitian mereka telah dapat melakukan segmentasi citra sel sitoplasma tumpang
tindih. Perbedaan kedua penelitian terakhir dengan penelitian disertasi ini bahwa
penelitian ini memiliki fokus pemisahan sel tumpang tindih menjadi sel tunggal
sekaligus mengatasi keberadaan sel radang dan pada akhirnya dilakukan
identifikasi terhadap jenis sel yang sedang diamati.
II.3.8 Klasifikasi Citra Sel Pap smear
Penelitian tentang klasifikasi citra Pap smear dilakukan sebagai upaya untuk
mengidentifikasi nukleus. Sehingga penelitian tentang klasifikasi citra Pap smear
selalu berdasarkan pada perhitungan fitur yang diekstraksi dari daerah nukleus dan
sitoplasma. Tujuannya untuk mengklasifikasi nukleus. Klasifikasi yang bertujuan
untuk membedakan citra sel nukleus dan sel radang belum banyak dilakukan.
Muhimmah dkk (2013) melakukan ekstraksi fitur dan tahap seleksi
33
fitur untuk pemisahan sel radang dari nukleus. Fitur diekstraksi berdasarkan bentuk,
tekstur, dan intensitas.
Jantzen (2005) melakukan ektraksi 20 fitur terhadap sel nukleus dan sitoplasma
untuk 917 citra sel tunggal yang terdiri dari 7 kelas. Tiga kelas dikategorikan kelas
normal dan 4 kelas berikutnya adalah kelas abnormal. Nilai 20 fitur citra sel tunggal
tersebut telah banyak digunakan terutama untuk penelitian tentang klasifikasi citra
Pap smear. Penggunaan fitur kuantitatif dan kualitatif dengan multiple classifier
oleh Riana (2009), penggunaan hierarchical decision approach berdasarkan
importance performance analysisis oleh Riana (2010) dan (2012a) untuk
menganalisa klasifikasi citra sel data Harlev ke dalam dua dan tujuh kelas sel.
Penelitian tentang proses ekstraksi fitur melalui serangkaian metode usulan pada
citra sel tunggal data Herlev (Martin, 2003) dilakukan dengan melibatkan fitur luas,
sebagai upaya mengenali sel serviks. Penelitian terhadap luas nukleus dengan
menggunakan modifikasi kanal warna dengan empat operator deteksi tepi untuk
citra sel normal Pap smear oleh Riana dkk. (2012b), citra sel abnormal Riana dkk.
(2012c), penggunaan operator Canny pada sel normal Riana dkk. (2012d) dan
(2014a), serta perbandingan dengan sel abnormal oleh Riana dkk. (2013a). Untuk
mengetahui jenis konversi warna yang tepat untuk penanganan citra Pap smear
pada masing-masing kelas. Penelitian fokus pada perhitungan luas (area), keliling
(perimeter) dan kebundaraan (roundness). Selain terhadap luas nukleus juga telah
dilakukan deteksi luas citra sel sitoplasma oleh Hasanuddin dkk. (2012).
Penelitian terkait nilai tekstur dari nukleus telah pula dilakukan untuk menambah
informasi 20 fitur yang sudah ada pada data Herlev oleh Pratama dkk. (2013) dan
Riana dkk. (2013b). Analisa tekstur dapat digunakan untuk mendapatkan fitur-fitur
penting dari suatu objek dalam citra. Hasil dari analisa fitur dapat digunakan untuk
membedakan objek-objek yang ada dalam suatu citra, seperti fitur-fitur yang
dihasilkan dari analisa morphologi (Soille dkk. 1999). Penelitian sebelumnya
banyak yang menggunakan fitur morphologi dan analisa tekstur seperti contrast,
correlation, energy, homogeneity, entropy dan lain-lain. Plissiti
34
dkk. (2011b), telah menggunakan fitur morphologi dalam penelitian tentang citra
serviks berupa fitur kedalaman intensitas untuk menentukan lokasi nukleus.
Penelitian lain yang melibatkan fitur morphologi dengan menggunakan tiga
parameter, yaitu rasio N/C, koefisien wavelet, dan intensitas warna (Suryatenggara
dkk. 2009). Metode analisis tekstur yang telah digunakan dalam menganalisa citra
sel servik khususnya untuk sel tunggal adalah Gray Level Co- occurrence Matrix
(GLCM). Ada 5 parameter yang diekstrak, yaitu contrast, correlation, energy,
homogeneity dan entropy (Pratama dkk. (2013), dan Riana dkk. (2013b). Klasifikasi
yang khusus untuk membedakan sel nukleus dan sel radang telah dicoba dengan
menggunakan analisa tekstur telah dilakukan terutama untuk penggunaan GLCM
untuk ekstraksi sel radang dan nukleus oleh Riana dkk. (2014b). Pada penelitian ini
analisa tekstur Gray Level Run Leng Matriks (GLRLM) akan dimanfaatkan untuk
menentukan daerah region minima untuk mendapatkan daerah calon nukleus.
Sampai saat ini sudah terlihat usaha dari para peneliti untuk mengusulkan teknik
segmentasi yang efektif untuk citra Pap smear. Walaupun teknik-teknik yang sudah
ada memiliki performa yang tinggi, tetapi proses otomasi belum tersedia.
Diharapkan ke depannya pengembangan metode otomasi untuk interprestasi Pap
smear akan ditemukan. Pada bagian-bagian berikutnya dalam disertasi ini akan
ditunjukkan kontribusi dari penelitian ini terhadap proses otomatisasi yang
bertujuan untuk segmentasi sel radang dan pemisahan sel tumpang tindih.
35
Bab III Akuisisi dan Komponen Citra Mikroskopik Pap smear
Bab ini berisi tentang penjelasan mengenai akuisisi citra mikroskopik Pap smear
yang terdiri dari sampel Pap smear dan permasalahannya, proses akuisisi citra
mikroskopik Pap smear, komponen citra Pap smear serta pengenalan area nukleus
dan sitoplasma pada citra mikroskopik Pap smear.
III.1 Sampel Pap smear dan Permasalahannya
Pencegahan kanker serviks merupakan tindakan preventif sekunder, yaitu deteksi lesi
prakanker melalui tes Pap smear dan rangkaian tindak lanjut, misalnya pemeriksaan
kolposkopi dan biopsi. Pengalaman di negara maju menunjukkan bahwa konsep
tersebut baru efektif jika cakupan populasi yang diperiksa tes Pap smear mencapai
sebagian besar populasi yang beresiko. Namun, implementasi hal tersebut
membutuhkan tidak hanya biaya, tetapi juga sumber daya manusia dan logistik
peralatan yang besar.
Tes Pap atau yang lebih dikenal dengan Pap smear adalah salah satu deteksi dini
terhadap kanker serviks yang sering dilakukan. Pap smear banyak ditawarkan oleh
klinik laboratorium yang dilakukan oleh dokter dan tenaga medis. Pelaksanaannya
mudah dan murah. Pada prinsipnya, Pap smear adalah mengambil sel epitel yang ada
di leher Rahim yang kemudian dilihat kenormalannya.
Cara melakukan Pap smear konvensional adalah sebagai berikut (Samadi, 2011) :
1. Usapkan spatula eyre pada ektoserviks (bibir mulut Rahim) terlebih dahulu.
Lalu, pulas di kaca benda.
2. Usapkan cytobrush dan endoserviks. Lalu, pulas di kaca benda.
3. Rendam kaca benda dalam alkohol 96% minimal 30 menit untuk
mendapatkan sampel Pap smear konvensional.
Gambar III.1 Contoh Sampel Pap smear konvensional.
36
Selain cara konvensional terdapat cara pemeriksaan sitology serviks berbasis cairan
atau Liquid- Based Cytology (LBC). Pemeriksaan ini merupakan pemeriksaan Pap
smear. Hasil pengambilan sel-sel mulut Rahim “dilarutkan” lebih dahulu pada suatu
cairan, kemudian di-sentrifugasi atau diambil endapannya, baru kemudian dibuat
hapusan dan dibaca di bawah mikroskopik. Dengan teknik ini, keakuratan hasil
pemeriksaan lebih tinggi walaupun biayanya lebih mahal (Samadi, 2011). Perbedaan
hasil konvensional dan hasil LBC, pada LBC keberadaan sel radang tidak
mengganggu lapang pandang pemeriksaan. Metode LBC mengurangi latar belakang
yang mengganggu. Di negara maju LCB telah luas digunakan, sedangkan di
Indonesia penggunaan LBC tidak begitu popular karena biaya pemeriksaan yang
lebih mahal.
Dilakukan pemeriksaan sel-sel serviks pada sampel untuk mengetahui karakterisasi
slide (normal atau abnormal) oleh ahli sitologi. Teknik Papanicolaou menyediakan
prosedur pewarnaan sel serviks sehingga mudah diperiksa di bawah mikroskop
optik. Namun, prosedur manual ini tetap memungkinkan terjadi keliru identifikasi
slide dianggap sel normal, padahal tidak normal (False Negative). Hal ini terutama
karena minimya pengalaman, stres atau kelelahan pengamat. Pada kondisi temuan
abnormal (baik valid atau karena kesalahan teknis) biasanya menghasilkan
kecemasan yang cukup besar. Untuk menghindari hal ini banyak upaya telah
dilakukan agar skrinning dan analisis slide Pap smear dibantu komputer.
Diharapkan sistem tersebut dapat memberikan kesimpulan yang dapat diandalkan
tentang isi slide Pap smear dalam cara yang cepat dan konsisten, walaupun itu
bukan hal yang mudah.
Plissiti dkk. (2011a) menyatakan bahwa kondisi sampel konvensional Pap smear
yang dilihat di bawah mikroskop sering terdapat variasi dalam pencahayaan dan
konsentrasi pewarna dari sel-sel karena prosedur pewarnaan. Juga, terdapat faktor
mikrobiologis lain yang mempengaruhi, seperti pengeringan udara, darah yang
berlebihan, lendir, bakteri, atau peradangan, yang membuat penentuan dari sel-sel
yang mencurigakan menjadi tugas yang sulit.
Penelitian ini menggunakan sampel sel yang berasal dari metode pengambilan
konvensional. Berdasarkan hasil wawancara dengan ahli patologi sampel yang
37
diperoleh dari metode konvensional memiliki permasalahan yang sering dihadapi
oleh ahli patologi saat identifikasi sampel dan perlu untuk ditangani. Beberapa
permasalahan sampel atau slide hasil pengambilan konvensional Pap smear, yaitu:
1. Adanya sel radang yang cukup menganggu proses identifikasi sel nukleus.
2. Adanya sel yang tumpang tindih yang menyulitkan identifikasi sitoplasma
dan nukleus.
3. Sel terlihat menumpuk dan batas sitoplasma sulit teridentifikasi.
4. Adanya latar belakang yang mengandung sel darah.
5. Kesulitan membedakan sel yang abnormal dan sel menopause yang terjadi
akibat meningkatnya tingkat hormon.
6. Kesulitan mengenali sel yang terkena virus HPV. Sel HPV tampak terang di
bagian sitoplasma.
Dalam penelitian ini mencoba menyelesaikan dua permasalahan, yaitu tentang
keberadaan sel radang yang cukup menganggu proses identifikasi sel nukleus, dan
sel tumpang tindih. Penyelesaian permasalahan ini akan dibahas pada bab-bab
selanjutnya. Sedangkan permasalahan lainnya memerlukan penelitian lanjutan yang
dapat dikembangkan oleh peneliti lain agar dapat memberikan solusi pada
permasalahan identifikasi sampel Pap smear konvensional.
Sebagai upaya penyelesaian permasalahan pada sampel Pap smear konvensional
maka dilakukan digitalisasi sampel Pap smear konvensional melalui proses akuisisi
citra sampel mikroskopik Pap smear.
III.2 Proses Akuisisi Sampel Mikroskopik Pap smear pada Laboratorium
Khusus Patologi Veteran Bandung.
Penelitian tentang citra sel tunggal dan tumpang tindih dengan sel radang diperoleh
dari akuisisi sampel atau slide Papsmear pada Laboratorium Khusus Patologi Veteran
Bandung dengan menggunakan mikroskop dan kamera.
Prosedur berjalan sistem pemeriksaan sampel atau slide di Laboratorium Khusus
Patologi Veteran Bandung, terdiri dari lima proses sebagai berikut:
38
1. Proses Registrasi dan Penomoran Slide.
Laboratorium atau institusi pengirim baik perorangan atau lembaga mengirimkan
slide hasil pengambilan sampel serviks dengan metode Pap smear ke
Laboratorium Patologi Veteran Bandung dengan mengisi formulir penerimaan.
Selanjutnya slide di registrasi oleh petugas dan diberi penomoran. Nomor
registrasi slide dicatat dalam Buku Nomor Registrasi Sitologi.
2. Proses Fiksasi Ulang.
Slide yang telah diregistrasi dan formulir diteruskan ke proses fiksasi ulang
dengan alkohol 95% atau 96% agar konsisi slide tetap terjaga.
3. Proses Staining (Pewarnaan)
Slide yang sudah difiksasi dilakukan proses pewarnaan dengan menggunakan
modifikasi Papnicolau. Semua proses terdata dalam formulir. Hasil dari proses
ini berupa slide yang sudah siap untuk dibaca atau dianalisa oleh ahli patologi.
4. Proses Analisa Slide
Ahli Patologi melakukan pembacaan slide dan mengidentifikasi sel dalam slide.
Hasil analisa ahli patologi akan dimuat dalam formulir jawaban. Setelah itu slide
akan diarsipkan dalam arsip slide.
5. Proses Pembuatan Laporan dan Pengiriman Laporan.
Formulir jawaban dari ahli patologi akan disusun dalam laporan berupa formulir
jawaban dalam format Bethesda dan akan dikirim ke laboratorium atau institusi
pengirim.
Prosedur sistem berjalan pemeriksaan slide Pap smear di Laboratorium Khusus
Patologi Veteran Bandung digambarkan dengan diagram alir data seperti pada
Gambar III.2.
39
Gambar III.2 Sistem Berjalan Pemeriksaan Slide Pap smear di Laboratorium
Khusus Patologi Veteran Bandung
Slide yang sudah diarsipkan menjadi objek penelitian untuk dilakukan akuisisi citra.
Pada proses ini digunakan dua jenis mikroskop optik yaitu Olympus CH21 dan
Olympus CX20. Pembesaran lensa menggunakan perbesaran 40x dan gambar yang
diperoleh disimpan dalam format JPEG. Semua proses akuisisi citra diperoleh
melalui kamera Logitech (Logitech HD web cam C525) yang terhubung dengan
mikroskop. Proses akuisisi citra dapat dilihat pada Gambar III.3 .
40
Gambar III.3 Proses Akuisisi Citra
Piranti yang digunakan dalam akuisisi citra berupa mikroskop dan camera dengan
spesifikasi sebagai berikut:
1. Mikroskop
a. Tipe : Binokular untuk mengamati bagian dalam sel.
b. Merk : Olympus CH21 dan Olympus CH20
c. Lensa : Okuler dengan perbesaran 10x, dan lensa objektif
dengan perbesaran 4x, 10x, 40x, dan 100x
d. Pencahayaan : 6 volt 20 watt lampu halogen.
e. Numerical Aperture (NA): 4x NA: 0.1, 10x NA: 0.25, 40x NA:0.65, 100x
NA: 1.25.
2. Kamera
Kamera Logitech HD web cam C525 dengan resolusi 2 MP ditempatkan pada
posisi lensa okuler mikroskop pada saat akuisisi citra.
41
Proses akuisisi yang benar untuk mendapatkan citra mikroskopik yang baik
dilakukan dengan mengikuti standar pengoperasian mikroskop secara umum.
Adapun urutan langkah sebagai berikut:
Tahap persiapan :
1. Keluarkan mikroskop dari tempatnya, lensa okuler dan lensa objektif.
2. Pasanglah lensa okuler mulai dari perbesaran lemah, kemudian pasang
semua lensa objektif masing-masing pada tempatnya.
3. Siapkan kamera yang akan digunakan untuk pengambilan citra.
4. Siapkan preparat yang akan diamati.
5. Carilah tempat yang baik agar mikroskop dapat mendapatkan cahaya yang
baik.
Tahap inti :
1. Letakkan mikroskop di atas meja, untuk memindahkan mikroskop gunakan
cara yang benar yaitu tangan kiri memagang lengan mikroskop dan tangan
kanan menopang kaki mikroskop.
2. Putar revolver sehingga lensa objektif dengan perbesaran lemah berada pada
posisinya suatu poros dengan lensa okuler yang ditandai bunyi klik pada
revolver.
3. Mengatur cermin dan diafragma untuk melihat kekuatan cahaya masuk,
hingga dari lensa okuler tampak terang berbentuk bulat.
4. Tempatkan preparat pada meja benda tepat pada lubang preparat dan jepit
dengan penjepit benda.
5. Aturlah fokus untuk memperjelas gambar objek/benda dengan cara
memutar pemutar kasar, sambil dilihat dari lensa okuler. Untuk
mempertajam putarlah pemutar halus.
6. Apabila bayangan objek sudah ditemukan, maka untuk memperbesar
gantilah lensa objektif dengan ukuran dari 10 X, 40 X atau 100 X, dengan
cara memutar revolver hingga bunyi klik.
42
7. Setelah diperoleh objek sel yang tepat pada pembesaran 40x maka lensa
okuler diganti dengan kamera Logitech HD web cam C525 dengan resolusi
2 MP yang sudah terhubung dengan komputer atau laptop.
8. Lakukan pengambilan citra dan disimpan dalam folder khusus pada laptop.
9. Apabila selesai digunakan, bersihkan mikroskop dan kamera serta simpan
pada tempat yang tidak lembab.
Gambar III.4 dan III.5 adalah contoh hasil akuisisi citra yang dilakukan dalam
penelitian ini.
(1a) CV-140949 Sel Tunggal
(1b) CV-142200 – Kelompok Sel
Gambar III.4. Database Citra tunggal dan tumpang tindih dengan sel radang Pap
smear (1a) Slide CV-140949 dan (1b) CV-142200
43
Gambar III.5 Contoh Citra Pap smear Konvensional Sel bertumpuk dan Dipenuhi
Sel radang
Proses akuisisi citra menghasilkan citra sel mikroskopik Pap smear yang berupa
citra sel tunggal mikroskopik Pap smear dengan sel radang dan citra sel tumpang
tindih mikroskopik Pap smear dengan sel radang.
Selanjutnya citra hasil akuisisi akan dilakukan proses pengenalan nukleus. Seperti
diketahui nukleus menjadi bagian penting untuk diamati dalam proses identifikasi.
Sel-sel normal dan abnormal diidentifikasi dengan mengevaluasi perubahan
kepadatan dan morfologi bagian struktural dari sel, yaitu nukleus dan sitoplasma.
Nukleus adalah bagian struktural dari sel yang menghadirkan perubahan signifikan
ketika sel dipengaruhi oleh penyakit. Perubahan ini diidentifikasi melalui
interpretasi visual dari slide oleh seorang ahli.
III.3 Jenis dan Komponen Citra Mikroskopik Pap smear
1. Jenis Sel pada Citra Mikroskopik Pap smear
Sel pada Citra Mikroskopik Pap smear dapat dikelompokkan berdasarkan
Bethesda sistem (Cibas, E.S., dan Ducatman, B.S., 2009) yaitu:
a. Sel Epitel Squamous, jenis sel ini terdiri dari :
1. Normal, terdiri dari superficial, intermediate, parabasal dan basal.
2. Atipik
44
3. CIN (Cervical Intraepithelial Neoplasia ).
b. Sel Epitel Glandular atau kelenjar, terdiri dari:
1. Endoserviks, terdiri dari normal, atipik dan ganas.
2. Endometrium
Selain itu, Martin (2003) dan Jantzen, dkk (2005) mengelompokkan citra Pap smear
menjadi 7 kelas yaitu tiga kelas pertama adalah Normal Superficial (NS), Normal
Intermediate (NI), Normal Columnar (NC). Sedangkan empat kelas berikutnya
adalah kelas abnormal yaitu Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD),
Moderate Dysplasia (MD), dan Carcinoma In Situ (CIS). Pada penelitian ini
digunakan jenis kelas dan karateristik umum sel nukleus pada citra Pap smear
seperti pada Tabel III.1.
Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010)
No Nama Kelas Karakteristik Sampel Citra
1 Normal
Superficial
Sel berbentuk oval. Nukleus berukuran sangat kecil. Perbandingan luas wilayah nukleus
dengan luas wilayah sitoplasma sangat
kecil.
2 Normal
Intermediate
Sel berbentuk bulat.
Nukleus berukuran besar. Perbandingan luas wilayah nukleus
dengan luas wilayah sitoplasma kecil.
3 Normal
Columnar
Sel berbentuk seperti kolom.
Nukleus berukuran besar. Perbandingan luas wilayah nukleus
dengan luas wilayah sitoplasma sedang.
4 Mild (Ligh)t
Dysplasia
Nukleus berukuran besar dan berwarna
terang.
Perbandingan luas wilayah nukleus dan
sitoplasma sedang.
45
Tabel III.1 Karakteristik 7 Kelas Sel Tunggal Pap smear (Riana dkk. 2010)
...(lanjutan)
No Nama Kelas Karakteristik Sampel Citra
5 Moderate
Dysplasia
Nukleus berukuran besar dan berwarna
gelap.
Sitoplasma berwarna gelap. Perbandingan luas wilayah nukleus
dengan luas wilayah sitoplasma besar.
6 Severe
Dysplasia
Nukleus berukuran besar, berwarna gelap,
dan bentuknya tidak teratur.
Sitoplasma berwarna gelap. Perbandingan luas wilayah nukleus dengan
luas wilayah sitoplasma sangat besar.
7 Carcinoma
In Situ
Nukleus berukuran besar, berwarna gelap,
dan bentuknya tidak teratur.
Perbandingan luas wilayah nukleus
dengan luas wilayah sitoplasma sangat
besar.
2. Sitoplasma pada Citra Sel Pap smear
Sitoplasma adalah bagian sel yang terbungkus membran sel. Pada sel eukariota,
sitoplasma adalah bagian non-nukleus dari protoplasma. Pada sitoplasma terdapat
sitoskeleton, berbagai organel dan vesikuli, serta sitosol yang berupa cairan tempat
organel melayang-layang di dalamnya. Gambar I.3 dan II.3 adalah contoh
sitoplasma pada citra sel Pap smear. Pada pembacaan slide Pap smear diperhatikan
sitoplasma apakah mengalami eosinofilik, apakah ada tonjolan atau bentuk yang
abnornal, warna terang pada sitoplasma (prinuclea rhalo) dan lain- lain. Rasio
perbandingan area sitoplasma dan nukleus menjadi informasi yang penting dalam
penentuan abnormalitas sel.
3. Nukleus pada Citra Sel Pap smear
Nukleus (jamak: nuklei) dalam arti umum adalah inti atau bagian tengah yang
dikelilingi bagian-bagian lain dalam kelompok atau kumpulan (Gambar I.3 dan
46
II.3). Dalam biologi seluler, nukleus memiliki arti khusus yaitu inti sel, bagian dari
sel yang mengandung kromosom (materi genetik atau DNA). Dalam kasus citra
Pap smear, objek yang menarik adalah nukleus, karena merupakan bagian
struktural dari sel-sel yang menyajikan perubahan signifikan ketika sel dipengaruhi
oleh penyakit. Namun, deteksi akurat dan segmentasi nukleus dalam citra Pap
smear adalah tugas yang sulit karena beberapa alasan, diantaranya keberadaan sel
radang yang mirip dengan nukleus. Pada reduksi sel radang, deteksi sitoplasma
menjadi hal yang penting, untuk mendapatkan nukleus yang sebenarnya.
Segmentasi yang benar dari nukleus sangat penting karena mengarah ke
perhitungan fitur yang menonjol, yang dapat berkontribusi dalam identifikasi
kelainan pada bentuk atau struktur inti, untuk mengenali kategori sel normal atau
abnormal.
4. Sel Radang pada Citra Sel Pap smear
Sel radang disebut juga inflamasi. Dalam pemeriksaan slide Pap smear, sel radang
mengganggu lapang pandang pembacaan jika terlalu banyak. Sehingga bisa
menyulitkan diagnosa ahli patologi karena sel tertutup dengan sel radang dan lapang
pandang menjadi kotor. Sel radang terdiri dari beberapa jenis, diantaranya:
1. Sel polimorfonuklear (PMN), yaitu netrofil (jumlahnya paling banyak dalam
darah), eosinofil (bila terjadi alergi) dan basophil.
2. Sel monomorfonuklear (MMN), yaitu Limposit: sel-T, dan sel-B, Histiosit,
Sel datia inti ganda, dan Sel epitel
Tetapi apapun jenis sel radang bukan menjadi fokus dalam pemeriksaan Pap smear.
Sel radang dikaji lebih dalam pada teori kedokteran dan di luar konteks dari Pap
test. Tetapi keberadaannya yang cukup banyak dalam pengambilan konvensional
Pap smear menjadi masalah yang perlu ditangani.
5. Komponen Lain dalam Citra Sel Pap smear
Komponen lain dalam citra sel Pap smear konvensional adalah keberadaan bakteri
lactobacilli dan artifak (Gambar III.6). Lactobacilli bermanfaat karena menjaga
keseimbangan PH. Tetapi dalam kondisi preparat yang memiliki latar
47
belakang lactobacilli dan artifak yang cukup banyak, juga dapat mengganggu
lapang pandang.
Gambar III.6 Contoh lactobacilli sebagai latar belakang pada citra Pap smear
III.4 Segmentasi Area Nukleus dan Perbandingan dengan Area Sitoplasma
1. Segmentasi Area Nukleus.
Penelitian lebih lanjut tentang karakteristik nukleus dilakukan untuk mengetahui
kanal warna apa yang sesuai untuk masing-masing kelas dalam proses segmentasi,
sebagai rujukan bagi penelitian tentang deteksi nukleus lebih lanjut. Sebanyak 280
sampel citra nukleus untuk kelas normal dan abnormal dari data Herlev
(Jantzen,J.dkk. 2005) digunakan untuk penelitian ini. Distribusi sampel diambil
sebanyak 40 untuk setiap kelas yaitu Normal Superficial (NS), Normal Intermediate
(NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia
(SD), Moderate Dysplasia (MD), dan Carcinoma In Situ (CIS).
Tabel III.2 Data Herlev (Jantzen,J.dkk. 2005)
Nama Kelas Jumlah
data
Jumlah
Sampel
Normal Superficial 74 40
Normal Intermediate 70 40
Normal Columnar 98 40
Mild (Light) Dysplasia 182 40
Severe Dysplasia 146 40
Moderate Dysplasia 197 40
Carcinoma In Situ 150 40
Total Data 917 280
Proses segmentasi luas nukleus untuk sel normal dan abnormal menggunakan
operasi kanal warna (R+G+B, R+G, R+B, G+B dan grayscale) dan deteksi tepi
yang terdiri dari Roberts, Prewitt, Sobel dan Canny. Penggunaan detektor tepi
tersebut untuk mendiagnosis berbagai citra dan sudah lazim digunakan.
48
Gambar III.7. Citra asli sel nukleus hasil cropping kelas normal dan abnormal
(1a-7a) dan hasil penggabungan citra R+G+B masing-masing kelas (1b -7b).
Penelitian ini mengusulkan teknik untuk memisahkan kanal RGB dan memodifikasi
kanal warna serta melakukan segmentasi terhadap nukleus dengan menggunakan
modifikasi kanal RGB (R+G+B, R+G, R+B, G+B). Salah satu contoh hasil
modifikasi kanal warna menggunakan R+G+B pada kelas normal dan abnormal
diberikan pada Gambar III.7.
Roberts_R+G+B
Roberts_R+G
Roberts_R+B
Roberts_G+B
Roberts_Grayscale
Prewitt_R+G+B
Prewitt_R+G
Prewitt_R+B
Prewitt_G+B
Prewitt_Grayscale
Sobel_R+G+B
Sobel_R+G
Sobel_R+B
Sobel_G+B
Sobel_Grayscale
Canny_R+G+B
Canny_R+G
Canny_R+B
Canny_G+B
Canny_Grayscale
Gambar III.8 Contoh hasil akhir luas nukleus salah satu citra yang diterapkan pada
4 metode deteksi tepi.
(1a) (2a) (3a) (4a) 5(a) 6(a) 7(a)
(1b) (2b) (3b) (4b) 5(b) 6(b) 7(b)
49
Dalam penelitian ini dibandingkan empat metode deteksi tepi Roberts, Prewitt,
Sobel dan Canny digunakan untuk mendeteksi tepi citra nukleus. Contoh hasil
deteksi tepi dan luas nukleus dari keempat metode deteksi tersebut diberikan pada
Gambar III.8. Hasil perhitungan luas nukleus dari 280 citra selanjutnya diseleksi
secara manual untuk dikelompokkan nilai luas yang memiliki selisih luas nukleus
paling minimum terhadap luas manual.
Tabel III.3 Jumlah citra pada masing-masing kelas yang luas nukleusnya
mendekati luas manual
Diperoleh hasil pada Tabel III.3, yang menunjukkan bahwa deteksi tepi Canny
memiliki nilai luas nukleus yang paling banyak mendekati nilai luas manual untuk
kelas 3,4,5,6 dan 7.
Tabel III.4 Perbandingan korelasi Spearman’s rho (r)
untuk 280 luas citra sel nukleus
Metode Deteksi
Tepi dan
Modifikasi Kanal
Warna
p
Metode Deteksi
Tepi dan
Modifikasi Kanal
Warna
p
Metode Deteksi
Tepi dan
Modifikasi Kanal
Warna
p
Rs_R+G+B 0,295** Rs_R+B 0,264** Rs_Gs 0,083
Pt_R+G+B 0,433** Pt_R+B 0,376** Pt_Gs 0,060
Sl_R+G+B 0,436** Sl_R+B 0,363** Sl_Gs 0,019
Cy_R+G+B 0,454** Cy_R+B 0,355** Cy_Gs 0,106
Rs_R+G 0,355** Rs_G+B 0,210**
Pt_R+G 0,349** Pt_G+B 0,393**
Sl_R+G 0,390** Sl_G+B 0,386**
Cy_R+G 0,180** Cy_G+B 0,295**
Ket : Rs = Roberts; Pt=Prewitt; Sl= Sobel; Cy= Canny; R=Red; G=Green; B=Blue;
Gs=Grayscale
P = Nilai Spearman’s rho ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)
50
Pada penelitian ini juga digunakan korelasi Spearman rho untuk membandingkan
ke 280 luas citra nukleus dari data Herlev. Hasil dari perbandingan luas segmentasi
dari keempat metode dan luas manual pada Tabel III.4.
Pada Tabel III.4 untuk semua modifikasi kanal warna (R+G+B, R+G, R+B dan
G+B) menghasilkan nilai p yang signifikan pada level 0,01. Kecuali untuk
grayscale diperoleh nilai p (0,019-0,106) yang tidak signifikan untuk keempat
deteksi tepi. Dari keseluruhan nilai korelasi terlihat deteksi tepi Canny dengan
modifikasi color warna R+G+B (Cy_R+G+B ) menunjukkan nilai korelasi p =
0,454 (sig.0,01 (2 tailed)) mengindikasikan nilai luas nukleus 280 citra dengan
modifikasi kanal warna R+G+B dengan deteksi tepi Canny memiliki nilai luas yang
sangat dekat dengan luas manual.
Berdasarkan hasil ini maka dilakukan analisis lanjutan dengan menggunakan
metode deteksi tepi Canny dengan modifikasi color warna untuk kelas normal dan
abnormal. Tujuannya untuk melihat sejauh mana metode deteksi tepi Canny dengan
modifikasi kanal warna dapat menghasilkan pengukuran luas nukleus yang
mendekati hasil manual, pada tiap-tiap kelas normal dan abnormal.
a. Hasil Segmentasi Area Nukleus Sel Normal Menggunakan Operasi Kanal
Warna dengan Deteksi Tepi Canny
Pengamatan dilakukan untuk 90 citra nukleus yang terdistribusi masing-masing 30
citra untuk setiap kelas normal. Nilai korelasi pada Tabel III.5 menunjukkan
hubungan yang sangat erat antara luas nukleus dari hasil segmentasi manual dan
Canny pada citra nukleus yang sama. Deteksi tepi Canny dengan R+G+B dan G+B
menunjukkan kinerja paling dekat dengan perhitungan manual (0,305 untuk
R+G+B dan 0,208 untuk G+B pada 0,05 p-value dengan 2-tailed).
Kinerja yang superior dari Canny dengan modifikasi kanal warna terlihat pada kelas
Normal Superficial. Di kelas tersebut Canny dengan modifikasi kanal warna
menunjukkan deteksi nukleus yang baik di semua modifikasi, memiliki jangkauan
korelasi Spearman rho 0,504 – 0,793. Dimana nilai tertinggi berada pada hasil kanal
warna grayscale. Semua korelasi tersebut signifikan pada 0,01 p-value (2-
51
tailed). Ini berarti bahwa hasil perhitungan luas nukleus untuk kelas Normal
Superficial memiliki korelasi kuat untuk segmentasi manual.
Di kelas Normal Intermediate, kinerja terbaik diperoleh pada Canny dengan semua
modifikasi kanal warna. Semua deteksi tepi Canny dengan modifikasi kanal warna
menunjukkan korelasi yang lebih tinggi dalam tes nonparametrik. Dalam hal ini,
deteksi tepi Canny dengan R+G+B mencapai 0,817. Sedangkan untuk kelas Normal
Columnar, nilai tertinggi dicapai pada 0,505 untuk Canny dengan R+B. Temuan ini
menunjukkan bahwa detektor tepi Canny tidak sensitif untuk kelas ini.
Tabel III.5. Perbandingan korelasi Spearman’s rho untuk
modifikasi kanal warna pada kelas normal
Metode All Normal
Class
Normal
Superficial
Normal
Intermediate
Normal
Columnar Canny_R+G+B 0,305** 0,707** 0,817** 0,264
Canny_R+G 0,138 0,577** 0,615** 0,212
Canny_R+B 0,179 0,709** 0,596** 0,505** Canny_G+B 0,208* 0,504** 0,724** 0,103
Canny_Grayscale 0,203 0,793** 0,414* 0,377*
Total Citra 90 30 30 30 ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)
b. Hasil Segmentasi Area Nukleus Sel Abnormal Menggunakan Operasi
Kanal Warna dengan Deteksi Tepi Canny
Untuk kelas abnormal, pengamatan dilakukan terhadap 160 citra yang terdistribusi
ke dalam 40 citra sel nukleus, hasil analisis korelasi diberikan pada Tabel III.6.
Tabel III.6. Perbandingan korelasi Spearman’s rho untuk
modifikasi kanal warna pada kelas abnormal
Metode All Abnormal
Class
Mil Light
Dysplasia
Severe
Dysplasia
Moderate
Dysplasia
Carsinoma
In Situ Canny_R+G+B 0,518** 0,298 0,586** 0,494** 0,251
Canny_R+G 0,358** 0,009 0,445** 0,314* 0,138
Canny_R+B 0,489** 0,267 0,558** 0,450** 0,305
Canny_G+B 0,397** 0,159 0,420** 0,396** 0,122
Canny_Grayscale 0,365** 0,232 0,283 0,419** 0,226
Total Citra 160 40 40 40 40 ** Correlation is significant at the 0.01 level (2 tailed) * Correlation is significant at the 0.05 level (2 tailed)
All=Abnormal Class; MLD =Mild (Light) Dysplasia cells; MD= Moderate Dysplasia; SD= Severe Dysplasia; CIS= Carcinoma In Situ
52
Korelasi Spearman rho digunakan untuk perbandingan hasil luas 160 citra dari data
Herlev. Hasil perbandingan untuk luas nukleus dari semua kelas abnormal dan
setiap kelas Mild (Light) Dysplasia (MLD) dan Severe Dysplasia (SD) nilai
tertinggi pada modifikasi kanal warna R+G+B. Sedangkan pada kelas Moderate
Dysplasia (MD) dan Carcinoma In Situ (CIS), nilai tertinggi pada modifikasi kanal
warna R+B seperti terlihat pada Tabel III.6.
Dari nilai korelasi Spearman rho untuk segmentasi luas nukleus pada kelompok sel
normal dan abnormal di atas maka dapat dirangkum kesimpulan pada Tabel
III.7. Grafik rekomendasi untuk untuk modifikasi kanal warna untuk setiap kelas
diberikan pada Gambar III.9.
Tabel III.7 Rangkuman hasil kanal warna untuk kelas normal dan abnormal
Kelas Nilai Spearman rho Kanal Warna
Normal Superficial 0,793 Grayscale
Normal Intermediate 0,817 R+G+B
Normal Columnar 0,505 R+B
Mild (Light) Dysplasia 0,298 R+G+B
Severe Dysplasia 0,581 R+G+B
Moderate Dysplasia 0,450 R+B
Carcinoma In Situ 0,305 R+B
Gambar III.9 Grafik Rekomendasi Kanal Warna untuk Setiap Kelas.
53
Rekomendasi dari penelitian tentang karakteristik nukleus ini menunjukkan bahwa
pada tujuh kelas dari citra Pap smear memungkinkan untuk memiliki perlakukan
yang berbeda pada saat pengenalan nukleus pada masing-masing kelas. Untuk kelas
Normal Superficial dapat dipertimbangkan penggunaan kanal warna grayscale.
Sedangkan penggunaan modifikasi kanal warna R+G+B dapat dipertimbangkan
untuk segmentasi pada kelas-kelas Normal Intermediate, Mild (Light) Dysplasia,
dan Severe Dysplasia. Untuk kelas Normal Columnar, Moderate Dysplasia, dan
Carcinoma In Situ dapat digunakan modifikasi kanal warna R+B. Modifikasi kanal
warna RGB dibutuhkan untuk kelas-kelas lain kecuali kelas Normal Superficial.
Usulan penggunaan masing-masing kanal warna pada setiap kelas sejalan dengan
karakteristik nukleus pada Tabel III.1 dimana keabnormalan nukleus seiring dengan
perubahan bentuk nukleus dan perubahan warna.
2. Perbandingan Area Nukleus dan Sitoplasma.
Nilai rasio perbandingan antara area nukleus dan sitoplasma menjadi penilaian
utama untuk tingkat abnormalitas sel. Pada bagian ini digunakan data area nukleus
dan area sitoplasma dari data Herlev (Jantzen, 2005). Tujuannya untuk mengetahui
besarnya nilai rasio nukleus dan sitoplasma pada masing-masing kelas. Dari 917
citra data Herlev diperoleh data rasio area nukleus dan sitoplasma untuk ketujuh
kelas pada Tabel III.8. Tabel data rasio nukleus dan sitoplasma ini akan digunakan
dalam identifikasi kelas sel pada proses-proses penelitian di bab- bab selanjutnya.
Tabel III.8 Rasio Area Nukleus dan Sitoplasma pada Tujuh Kelas
(diolah dari data Herlev (jantzen, 2005))
Nilai Kelas
Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Kelas 6 Kelas 7
Max 0.032665 0.095717 0.667894 0.621777 0.758475 0.843202 0.885497
Min 0.00399 0.012663 0.153379 0.099454 0.143762 0.179315 0.230741
Average 0.011796 0.031257 0.34599 0.267897 0.378829 0.485541 0.602169
Standar
Deviasi 0.006146 0.014082 0.103219 0.102974 0.119767 0.142986 0.132108
54
Bab IV Eliminasi Sel Radang dan Deteksi Nukleus pada Citra
Sel Tunggal Pap smear
Dalam bab ini akan dibahas tentang eliminasi sel radang pada citra sel tunggal Pap
smear. Metode ini dibangun dengan menggabungkan pengetahuan tentang deteksi
sitoplasma dan nukleus. Algoritma segmentasi dikembangkan untuk mengekstrak
sel-sel radang dan memungkinkan deteksi nukleus menjadi akurat. Algoritma yang
diusulkan didasarkan pada kombinasi graylevel thresholding dan definisi aturan
jarak, yang memerlukan identifikasi sel-sel radang. Proses eliminasi sel radang ini
selanjutnya akan digunakan pada proses pemisahan sel tumpang tindih.
Meskipun ada banyak metode yang diusulkan dalam literatur untuk analisis citra
Pap smear, masalah identifikasi sel radang belum banyak ditangani. Penelitian
tentang penentuan batas nukleus dan sitoplasma dalam citra serviks yang hanya
berisi satu sel atau sel terisolasi telah dilakukan oleh beberapa peneliti, (Bamford,
dan Lovell (1996), Bamford dan Lovell (1998), Lassouaoui dan Hamami (2003),
Bak dkk. (2004), Yang-Mao dkk. (2008), Lin dkk. (2009), Yung-Fu dkk. (2014).
Metode yang diusulkan dalam Plissiti dkk. (2011a), dan Plissiti dkk. (2011b) yaitu
mendeteksi lokasi nukleus dan penetapan batas masing-masing nukleus, dalam citra
sel Pap smear konvensional yang mengandung sel-sel yang terisolasi dan kluster
atau kelompok sel.
Selain itu, banyak metode tidak menggunakan informasi warna dari citra serviks.
Dalam Garrido dan de la Blanca (2000) telah mengusulkan metode menggunakan
citra grayscale untuk mendapat tepi benda tumpang tindih dalam citra yang
kompleks. Selain itu, metode lain seperti algoritma genetika oleh Lassouaoui dan
Hamami (2003), klasifikasi piksel oleh Bak dkk. (2004), region growing oleh Isa
(2005), deformable models oleh Plissiti dkk. (2010), deteksi kontur oleh Tsai dkk.
(2008), Malm dan Brun (2009) juga diusulkan untuk segmentasi citra serviks
menggunakan citra grayscale. Harus dicatat bahwa tak satu pun dari penelitian
tersebut di atas berhubungan dengan keberadaan sel-sel radang dalam citra Pap
smear.
55
Segmentasi citra sel dengan menggunakan thresholding telah diusulkan oleh
beberapa peneliti, seperti Poulsen dan Pedron (1995), Wu dkk. 1998, Riana dkk.
(2014a). Melalui teknik ini, citra biner yang diekstraksi dengan thresholding dari
citra awal menjadi sangat jelas dan sederhana untuk dianalisis dan secara signifikan
mengurangi sejumlah data. Secara umum, tujuan dari metode ini adalah secara
otomatis mengidentifikasi nilai thresholding untuk memisahkan sel dari latar
belakang dan nukleus dari sitoplasma. Perbandingan beberapa metode seleksi
thresholding dilakukan oleh Sezgin dan Sanlur (2004). Sebuah teknik thresholding
juga diusulkan dengan metode multiscale local adaptive threshold berdasarkan
stabilitas bentuk pada ekstraksi nukleus dari latar belakang oleh Li, dan Najarian
(2007).
Dalam penelitian ini mengusulkan sebuah metodologi untuk analisis citra sel Pap
smear yang mempunyai dua tujuan spesifik, yaitu:
1. Ekstraksi sel radang dalam citra yang mengandung sel-sel tunggal
2. Deteksi lokasi nukleus dan sitoplasma
Dengan demikian, kontribusi utama penelitian ini ada dua. Pertama, bagian- bagian
dari citra yang tidak termasuk temuan atau bagian yang membantu proses analisa,
seperti latar belakang, akan dibuang. Kedua, ekstraksi sel radang menyebabkan
isolasi nukleus yang sebenarnya dari masing-masing sel, memberikan informasi
tambahan dan saling melengkapi. Dengan cara ini, ahli cytologist atau patologi
dapat memperoleh keputusan diagnostik yang dapat diandalkan tentang slide Pap
smear.
Metode penelitian ini didasarkan pada teknik threshold dan menghasilkan
segmentasi citra yang efektif. Metode ini menggabungkan pengetahuan apriori
tentang posisi nukleus, yang diestimasi bergantung pada pusat massa atau centroid
sitoplasma. Secara umum, nukleus yang terletak di tengah sitoplasma. Berdasarkan
fakta ini, penelitian ini mengusulkan sebuah metode yang dapat membedakan lokasi
nukleus dalam citra Pap smear. Metode ini memanfaatkan nukleus dan karakteristik
sitoplasma melalui analisis citra morfologi. Metode ini telah dievaluasi dengan
menggunakan data tes sebanyak 222 citra Pap smear konvensional, yang
mengandung total 418 sel terisolasi dan terdapat sel-sel
56
radang di sekitarnya. Bab ini disusun sebagai berikut bagian pertama menjelaskan
secara rinci material dan metodologi yang diusulkan. Pada bagian kedua disajikan
hasil eksperimen, evaluasi numerik dan analisa fitur dan pada bagian ketiga terdapat
evaluasi dari metode dan perbandingan dengan metode lainnya.
IV.1 Material dan Metode
Dalam penelitian ini digunakan beberapa citra Pap smear yang mengandung sel-
sel tunggal atau tumpang tindih yang dikelilingi oleh sel-sel radang. Citra-citra ini
diperoleh melalui slide mikroskopis menggunakan kamera digital yang diadopsi
pada mikroskop. Citra simpan dalam format JPEG. Penelitian ini menghasilkan
sebuah database citra yang didasarkan pada hasil pengamatan laboratorium yang
diberikan oleh ahli patologi di Laboratorium Patologi di Indonesia. Total basis data
terdiri dari 222 citra.
(a) (b) (c)
(d) (e) (f)
Gambar IV.1 Contoh Citra Asli
Gambar IV.1 (a-f) menggambarkan beberapa contoh citra dalam penelitian ini.
Karakteristik sel di semua citra adalah sel normal dengan sel-sel radang, kecuali
(1e) yang ditandai sebagai sel yang tidak normal (kriteria atipic).
57
Citra Sel Pap smear
Gambar IV.2. Skema segmentasi dan eliminasi sel radang pada sel tunggal
Skema dari metode yang diusulkan diilustrasikan pada Gambar IV.2. Tahap
pertama adalah tahap pre-processing yang meliputi konversi warna dan
peningkatan citra untuk diproses lebih lanjut. Langkah selanjutnya adalah
Segmentasi Citra
Citra Hasil, Ekstraksi Fitur
dan Identifikasi Jenis Sel
Analisa Morphologi dan Identifikasi Sel
(Area, Perimeter, Roundness)
Ekstraksi sel radang dan deteksi nukleus
Segmentasi Sub Citra
1. Segmentasi dengan lokal
threshold
2. Cropping otomatis
kandidat nucleus
3. Perhitungan fitur kandidat
nukleus
Pre-processing
Konversi Warna
Peningkatan Citra
1. Segmentasi dengan global threshold.
2. Cropping otomatis sel
3. Perhitungan Fitur Sitoplasma
Pre-processing citra
Konversi Warna
Peningkatan Citra
58
pengolahan ditingkatkan citra, yang bertujuan untuk segmentasi satu sel dari latar
belakang dan untuk mengekstrak nukleusnya dari sel-sel radang. Selanjutnya,
proses ekstraksi fitur diterapkan, di mana beberapa fitur penting yang dihitung,
seperti area, perimeter dan kebulatan (roundness) dari nukleus dan sitoplasma.
Fitur-fitur ini diambil untuk analisa lebih lanjut. Setiap tahap dari skema metode ini
dibahsa secara rinci dalam paragraf berikutnya.
IV.1.1 Pre-processing
Tahap pre-processing mempersiapkan citra untuk diproses lebih lanjut. Citra Pap
smear adalah citra optik berwarna yang berkualitas buruk karena variasi proses
stanning digunakan untuk mewarnai sel dan pencahayaan merata di seluruh bidang
pandang. Informasi warna tidak signifikan dibandingkan dengan intensitas citra.
Oleh karena itu dalam tahap pre-processing, langkah pertama adalah mengkonversi
citra RGB ke citra grayscale. Nilai grayscale diperoleh dengan persamaan dari
komponen R, G, dan komponen B seperti yang diberikan dalam (4.1).
1 gray = 0.2989 * R + 0.5870 * G + 0.1140 *B (4.1)
Diperlukan batas yang jelas antara nukleus dan sitoplasma untuk mengekstrak
nukleus dari sel. Namun, kontras citra Pap smear sangat kurang dan perbedaan
homogenitas dalam intensitas citra membuat proses lebih lanjut menjadi sulit.
Dengan demikian, perlu untuk dilakukan peningkatan kontras citra untuk
mendapatkan tepi dan batas-batas yang jelas dari nukleus. Ini merupakan prasyarat
untuk mendapatkan segmentasi dan ekstraksi fitur yang akurat dari citra.
Penyesuaian citra (image adjustment) dan penyaringan (filtering) digunakan untuk
meningkatkan kontras citra, sehingga batas-batas sel yang jelas dapat dibedakan
dari latar belakang citra. Kualitas citra yang telah ditingkatkan lebih cocok untuk
prosedur segmentasi. Prosedur ini membuat nilai-nilai intensitas dalam citra
grayscale yang kontrasnya rendah dipetakan ke nilai-nilai baru dalam citra,
disesuaikan hingga 1%, sehingga, kontras citra meningkat. Masking unsharp
59
digunakan untuk meningkatkan ketajaman citra, yang menghasilkan citra tepi
g(x,y) dari sebuah citra input f(x, y) yang diberikan oleh:
g(x,y) = f(x,y) – fsmooth(x,y) (4.2)
Dimana fsmooth(x,y) adalah menghaluskan f(x,y). Kombinasi semua variabel dalam
persamaan, di mana k adalah nilai-nilai konstan bervariasi antara 0,2 dan 0,7,
menghasilkan persamaan penajaman citra sebagai berikut,
fsharp (x,y) = f(x,y) +k * g (x,y) (4.3)
Seperti dapat dilihat pada Gambar IV.3 (d), setelah langkah preprocessing citra
lebih jelas daripada citra awal, karena tepi dan komponen frekuensi tinggi lainnya
telah ditingkatkan. Citra yang diperoleh dari langkah preprocessing kemudian
digunakan sebagai input pada langkah berikutnya untuk ekstraksi sel radang.
Citra asli (4a) Citra Grayscale (4b)
Citra Adjust (4c) Citra Sharpened (4d)
Gambar IV.3 Citra asli dan hasil pre-processing
60
IV.1.2 Segmentasi Citra dan Sub Citra
Pada langkah ini, citra diproses agar dapat secara efektif mendeteksi ROI (regions
of interest) dalam kasus ini adalah sel dari latar belakang. Latar belakang dalam
citra ini diharapkan dapat menunjukkan karakteristik homogen, sedangkan noise
yang tinggi akan dihapus pada langkah preprocessing. Selain itu, latar belakang
memperlihatkan perbedaan yang signifikan dari daerah sel, karena umumnya
intensitas sel lebih rendah dari intensitas latar belakang. Untuk alasan ini, image
thresholding menyediakan cara yang mudah dan efektif untuk menentukan daerah
ROI dalam citra tertentu.
Hasil dari proses thresholding sangat tergantung pada pilihan nilai ambang batas.
Dalam percobaan ini, ditentukan nilai ambang batas atau thresholding 0,65 untuk
semua citra dalam database. Nilai ini telah secara empiris diperoleh dengan trial
dan error untuk 222 citra input.
Setelah penerapan proses thresholding dalam citra, diambil citra biner yang berisi
daerah ROI, yang digambarkan sebagai daerah putih yang dibangun oleh 4-
connected components. Daerah ini diharapkan menjadi citra sel-sel yang terisolasi
atau kelompok sel. Selanjutnya dapat dihitung beberapa fitur tambahan dari obyek
yang dihitung, seperti area dan pusat massa, yang kemudian akan digunakan untuk
definisi sel nukleus, seperti yang dijelaskan dalam bagian berikutnya.
Untuk mengambil informasi yang berguna dari karakteristik citra sel, maka secara
mandiri setiap sel terdeteksi diproses dengan pemotongan (cropping) otomatis citra.
Untuk itu digunakan persegi panjang terkecil (bounding box) yang mengandung
daerah yang diamati.
Dalam penelitian ini digunakan biner invert yaitu membalikkan citra biner ketika
sel-sel ditampilkan sehingga nilai-nilai 0 akan ditampilkan sebagai putih dan 1
nilai-nilai yang ditampilkan sebagai hitam (Gambar IV.4).
Penggunaan invert binary untuk proses cropping sel, labelling dan region
properties. Pada daerah yang berwarna putih diberikan label dan diambil properti
61
citranya berupa luas dan centroid. Proses ini menggunakan 4-connected objects
untuk menemukan koneksi dalam 4 arah.
Untuk mengekstrak fitur area dari citra biner dihitung dari jumlah piksel putih pada
daerah sel. Centroid ditentukan dari pusat massa. Elemen pertama dari centroid
adalah koordinat horizontal (atau koordinat x) dari pusat massa, dan elemen kedua
adalah koordinat vertikal (atau koordinat y).
Gambar IV.4 Citra invert binary dan hasil cropping otomatis sel.
Cropping citra sel otomatis menggunakan region of interest untuk mendapatkan
area spesifik di setiap sel dan akan ditentukan pusat massa dari sel. Proses ini
menggunakan persegi panjang terkecil yang mengandung daerah sel atau yang
disebut bounding box. Gambar IV.5, menggambarkan massa dan bounding box.
Wilayah ini terdiri dari piksel putih, kotak hijau adalah bounding box, dan titik
merah adalah centroid.
62
Gambar IV.5 Ilustrasi centroid dan bounding box
Proses cropping otomatis dilakukan berulang sebanyak daerah yang dianggap
sebagai sebuah sel dalam citra. Proses cropping otomatis diulang sesuai dengan
jumlah sel dalam citra menghasilkan satu set sub citra.
Untuk setiap sub citra diekstrak, mengikuti langkah preprocessing, mirip dengan
prosedur sebelumnya (penyesuaian citra grayscale dan filtering) untuk peningkatan
karakteristik citra. Selain itu, prosedur thresholding kemudian dilakukan di setiap
sub citra, untuk mengekstraksi kandidat nukleus dalam sel.
(a) Citra Grayscale
(b) Citra Adjusted
(c) Citra Sharpened
(d) Binary images
63
Gambar IV.6 Hasil tahapan preprocessing pada sub citra.
Hal ini didasarkan pada kenyataan bahwa daerah nukleus lebih gelap dari daerah
sitoplasma di setiap sub citra. Nilai threshold diatur sebesar 0,25 untuk semua sub
citra yang dihasilkan cropping otomatis dari 222 citra asli dalam data set. Nilai ini
diperoleh secara empiris.
Pada Gambar IV.6 dapat dilihat beberapa langkah dari prosedur thresholding dalam
tiga sub citra. Pada Gambar. IV.6 (d) citra biner dihasilkan dengan kemungkinan
berisi lebih dari satu calon nukleus. Namun, diharapkan di setiap sub citra dideteksi
hanya satu sel (Gambar IV. 7), proses lebih lanjut diperlukan untuk menentukan
nukleus yang benar di setiap sub citra dan untuk mengekstrak sel-sel radang.
Gambar IV.7 Kandidat Nukleus dalam Sel
IV.1.3 Ekstraksi Sel Radang dan Deteksi Nukleus
Ektraksi sel inflamasi atau radang dan deteksi nukelus didasarkan pada pengetahuan
apriori tentang fitur geometris nukleus. Dalam penelitian ini, dianggap bahwa
bentuk nukleus mengikuti pola elips dan posisi nukleus dalam sel diasumsikan
dekat dengan pusat massa sitoplasma. Dengan demikian, digunakan aturan jarak,
membandingkan jarak euclidean dari posisi pusat massa sitoplasma ke semua pusat
massa calon nukleus.
64
Definisi jarak terpendek antara inti dan pusat massa sitoplasma menunjukkan
adanya nukleus sebenarnya. Semua kandidat lain yang memiliki jarak yang lebih
besar ke pusat massa sitoplasma dibuang, dan dinyatakan sebagai sel-sel radang.
Sel-sel radang ini akan diambil dan dihilangkan dengan mengubah warna menjadi
warna yang sama dengan warna sitoplasma. Nukleus sel yang terdeteksi tersisa
dengan warna aslinya. Gambar IV.8 (b) menunjukkan hasil dari prosedur ini
dibandingkan dengan citra asli. Dalam citra ini, dapat dilihat bahwa sel-sel radang
dalam citra dapat dihilangkan.
(a) Citra asli
(b) Citra Hasil
65
Gambar IV.8 Ekstraksi sel radang sebuah citra setelah aplikasi metode yang
diusulkan.
IV.1.4 Analisa Morphologi dan Identifikasi Sel
Langkah analisa morphologi untuk sitoplasma dan nukleus adalah melakukan
analisis morphologi bentuk daerah sel yang berhasil dideteksi pada citra untuk
mengekstrak kesimpulan yang berguna. Ekstraksi fitur morphologi dilakukan,
dengan menghitung area, perimeter dan kebulatan (roundness) wilayah sitoplasma
dan nukleus. Daerah nukleus dihitung dari himpunan piksel putih untuk setiap
nukleus yang terdeteksi dalam bounding box. Demikian pula, daerah sitoplasma
dihitung dengan menghitung piksel putih di bounding box dari sitoplasma.
Perimeter adalah jumlah piksel yang terdiri dari batas objek. Sedangkan untuk
perhitungan kebulatan (roundness) digunakan rumus berikut
Kebulatan = 4π Αrea / Perimeter2 (4.4)
Contoh ekstraksi ciri morphologi pada citra dapat dilihat pada Tabel IV.1. Analisis
fitur sel morphologi tersebut adalah salah satu proses yang paling penting, dalam
rangka untuk memperoleh kesimpulan diagnostik yang handal dan mendeteksi
secara dini kanker serviks. Untuk sel yang terdeteksi sempurna dapat dihitung nilai
area, perimeter dan roundness Tabel IV.1 berisi fitur yang diperoleh dari proses
ini.
Tabel IV.1. Contoh fitur sitoplasma dan nukleus sel tunggal
Properti Sitoplasma Nukleus Sitoplasma Nukleus
Area 65447 1534 108865 3271
Perimeter 2441.454 183.4386 2188.542 236.4508
Roundness 2740.324 0.134742 4123.69 0.277703
66
Hasil akhir dari eliminasi sel radang berupa citra tunggal yang terdeteksi fitur
nukleus dan teridentifikasi jenis sel. Identifikasi jenis sel mengacu pada Tabel
III.8 tentang rasio area nukleus dan sitoplasma pada tujuh kelas data Herlev.
Gambar IV.9 menunjukan proses eliminasi sel radang dari salah satu citra. Hasil
akhir diperlihatkan pada Gambar IV.10 berupa salah satu sel yang telah diekstraksi
sel radang dan berhasil diidentifikasi kelas sel sebagai kelas satu yaitu Normal
Superficial.
Gambar IV.9 Proses Eliminasi sel radang
(a) (b)
67
Gambar IV.10 Hasil eliminasi sel radang, (a) Sel radang yang telah diekstraksi
jenis sel telah diidentifikasi dan (b) Menunjukkan nilai fitur dari nukleus
terdeteksi.
Penjelasan mengenai lima tahap dalam metode usulan telah diuraikan di atas.
Selanjutnya untuk setiap tahap dari skema metode yang diusulkan dapat ditulis
dengan algoritma seperti pada Tabel IV.2.
Tabel IV.2. Algoritma_Segmentasi _Sel_Radang_pada_Citra_Sel_Tunggal_Pap_
smear
Pseudo-code
Input : Citra Pap smear dengan sel radang
Output: Citra nukleus dan sitoplasma terdeteksi
Stage 1 : Preprocessing
1. Konversi citra dari RGB ke grayscale.
2. Tingkatkan citra dengan adjustment dan filter unsharp.
Stage 2: Segmentasi Citra
3. Terapkan global threshold 0.65 untuk mendapatkan citra hitam putih calon
sitoplasma.
4. Hitung fitur sitoplasma yaitu centroid, area, dan bounding box.
5. Cropping otomatis sitoplasma dengan bounding box >200x200 piksel.
6. if cropping otomatis calon nukleus > 200x200 piksel then S adalah citra
sitoplasma terdeteksi atau sub citra dari citra awal.
Stage 3: Segmentasi sub citra.
7. for k = 1,2,3, …, n; dimana n adalah sub citra
8. Konversi sub citra dari RGB ke grayscale.
9. Tingkatkan sub citra dengan adjustment dan unsharp.
10. Terapkan global threshold 0.25 untuk mendapatkan citra hitam putih calon
nukleus.
11. Hitung fitur calon nukleus yaitu centroid, area, dan bounding box.
12. Cropping otomatis calon nukleus dengan bounding box >13x13 piksel.
13. if cropping calon nukleus > 13x13 piksel then Cn adalah calon nukleus.
Stage 4: Ektraksi Sel Radang dan Deteksi Nukleus
14. Ekstraksi sel radang dilakukan dengan mengambil semua nilai dari proses 10.
15. Deteksi Nukleus:
for i = urutan sitoplasma; j = urutan calon nukleus; [m,n]= (baris, kolom).
16. Tentukan S1, S2, …, Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) sebagai centroid
sitoplasma terdeteksi.
68
i(mi,ni) + j(mj,nj)
17. Tentukn Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj) sebagai centroid
calon nukleus terdeteksi.
18. Hitung jarak terdekat D = min (S 2 Cn 2)1/2
19. end
20. D adalah nukleus terdeteksi.
21. end
Stage 5: Analisa Morphologi dan Identifikasi Jenis Sel
22. Ambil fitur area sitoplasma dan nukleus terdeteksi.
23. Hitung fitur perimeter dan roundness dari sitoplasma dan nukleus terdeteksi.
24. Hitung perbandingan area nukleus terdeteksi dengan area sitoplasma
terdeteksi.
25. Tentukan jenis sel.
IV.2 Hasil Eksperimen
IV.2.1 Studi Group
Dalam penelitian ini digunakan 222 citra database citra Pap smear dengan sel-sel
sel radang yang memiliki 418 citra cropping, yaitu 255 sel tunggal dan163 citra sel
tumpang tindih. Sebagai data pelatihan diambil sebanyak 143 citra yang setelah
dilakukan proses cropping memiliki 293 citra, dimana 169 adalah sel tunggal dan
124 sel tumpang tindih.
Selanjutnya, metode yang diusulkan diuji dalam hal penentuan akurat dari nukleus
dan batas sitoplasma pada data uji sebanyak 79 citra dengan sel-sel sel radang yang
berisi 125 citra cropping, yaitu 86 sel tunggal dan 39 sel tumpang tindih. Harus
dicatat bahwa pelatihan dan uji merupakan citra yang independen. Citra- citra ini
diperoleh melalui kamera Logitech (Logitech HD C525) dengan dua jenis
mikroskop optik Olympus CH20 dan Olympus CH31, menggunakan lensa
perbesaran 40x dan citra yang diperoleh disimpan dalam format JPEG. Citra-citra
tersebut kemudian di-cropping secara otomatis untuk mendapatkan satu sel yang
mengandung sel-sel radang atau inflamasi.
IV.2.2 Evaluasi Numerik
Penerapan metode yang diusulkan untuk data set citra menghasilkan hasil yang
menjanjikan, yang menunjukkan bahwa metode ini dapat mendeteksi sel-sel radang
dan untuk menentukan secara akurat sitoplasma dan nukleus (Gambar
69
IV.11). Hal ini dicapai untuk 86 citra sel tunggal, di mana sel-sel radang dan
segmentasi sitoplasma dan nukleus berhasil diekstrak. Dalam 39 citra, sel radang
diidentifikasi dengan benar, yang kemudian diberi warna sama dengan warna
sitoplasma.
Metode yang diusulkan seluruhnya dilakukan secara otomatis. Terdiri dari dua
tahap yaitu preprocessing, segmentasi dan penentuan nukleus. Tabel IV.3
menunjukkan waktu proses 79 citra uji dengan Matlab menggunakan Core I3
dengan RAM 3 GB. Tahap segmentasi memiliki waktu proses 0.1645 ± 0.1159
detik dan lebih lama dibandingkan dengan tahapan preprocessing. Hal ini
disebabkan pada tahap ini dilakukan segmentasi berupa deteksi sitoplasma dan sub
segmentasi yaitu ekstraksi sel radang, deteksi calon nukleus dan penentuan nukleus
berdasarkan jarak terdekat dari pusat centroid.
Gambar IV.11 Hasil dari metode yang diusulkan untuk ekstraksi sel inflamasi dan
deteksi sitoplasma dan nukleus.
70
Dalam waktu tersebut untuk 79 citra berkelompok yang mengandung sel radang
dapat dieksekusi sebanyak 125 sel dengan hasil 86 nukleus dapat dideteksi dengan
baik sedangkan 39 nukleus belum terdeteksi dengan benar. Perhitungan secara detil
untuk proses deteksi nukleus dan defenisi sel radang melibatkan 1046 sel kandidat
nukleus yang terdiri dari 188 sel nukleus dan 858 sel radang.
Tabel IV.3 Eksekusi Citra
Tahapan Prosess Waktu dalam detik
Preprocessing 0.1645 ± 0.1159
Segmentasi dan deteksi nukleus 0.9191 ± 0.4468
Tahap segmentasi dan deteksi nukleus dinyatakan berhasil jika nukleus dan sel
radang terdeteksi benar diantara sekumpulan kandidat nukleus. Pada proses ini 75
nukleus masih ditandai sebagai sel radang dan sebanyak 113 nukleus dideteksi
secara akurat atau 60,11 %. Sedangkan untuk deteksi sel radang, 278 sel masih
terdeteksi sebagai nukleus sedangkan 580 terdeteksi secara benar sebagai sel radang
atau sebesar 67,59%.
Perhitungan nilai True Positive (TP), True Negative (TN), False Positive (FP), dan
False Negative (FN) dari hasil deteksi nukleus dan sel radang digunakan dua
perhitungan statistik untuk performansi, yaitu:
1. Sensitivity yang menghitung proporsi sel nukleus yang terdeteksi dengan
benar dan didefenisikan sebagai:
Sensitivity = . TP . x 100% (4.5)
TP + FN
2. Specificity yang menghitung proporsi sel radang yang terdeteksi dengan
benar dan didefenisikan sebagai:
Specificity = . TN . x 100 % (4.6)
TN + FP
Nilai Sensitivity diperoleh sebesar 70.96 % menunjukkan masih terdapat sel nukleus
yang dianggap sel radang, ini sesuai dengan kondisi kesulitan yang dihadapi oleh
ahli patologi. Sedangkan nilai Specificity sebesar 82,54% menunjukkan bahwa sel
radang dideteksi dengan baik dan hanya sedikit sel radang yang dianggap sebagai
sel nukleus.
71
Secara lengkap nilai false negative dari hasil metode usulan diberikan pada Tabel
IV.4, berikut ini.
Tabel IV.4. Perhitungan Sensitivity dan Specificity 79 Citra
73
D = min (S Cn ) (4.7) ) )
Pada penentuan sel nukleus diantara sel radang atau calon nukleus digunakan
parameter jarak terdekat dari centroid calon nukleus ke centroid sitoplasma.
Parameter jarak terdekat dapat didefenisikan sebagai berikut:
Jika i = urutan sitoplasma
j = urutan calon nukleus (m,n)
= (baris, kolom)
Maka didapat nilai-nilai centroid yang terdeteksi, yaitu:
Centroid sitoplasma terdeteksi :
S1, S2, …,Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) dan
Centroid calon nukleus terdeteksi :
Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj)
Sehingga parameter jarak terdekat ditentukan sebagai:
2 2 1/2i(mi,ni + j(mj,nj
dimana D adalah Jarak terdekat atau minimum antara centroid sitoplasma dan
centroid calon nukleus. Sehingga nukleus yang sebenarnya adalah Cnj(mj,nj) jika D
terpenuhi.
IV.2.3 Hasil Analisa Fitur Morphologi
Selanjutnya dievaluasi 86 citra yang berhasil diekstraksi sel radang dan berhasil
dideteksi sitoplasma dan nukleusnya. Dalam citra ini, telah dihitung tiga ciri-ciri
morphologi sitoplasma dan nukleus, yaitu area, perimeter dan kebulatan atau
roundness. Dalam Gambar IV.12 dan IV.13, bisa melihat hasil dari perbandingan
daerah dan perimeter inti dan sitoplasma masing-masing. Seperti yang diharapkan,
sitoplasma memiliki area dan perimeter yang lebih besar dari nukleus.
74
Area
2.5
2
1.5
1
0.5
0
5
x 10
0 10 20 30 40 50 60 70 80 90
Index Citra
Gambar IV.12 Grafik yang menunjukkan perbandingan area nukleus (kurva
bawah) dan sitoplasma (kurva atas) untuk 86 citra.
Perimeter
15000
10000
5000
0 0 10 20
30 40
50 60 70 80 90
Index Citra
Gambar IV.13 Grafik perbandingan nilai perimeter 86 citra, sitoplasma (‘+’) dan
nukleus (garis kontinu).
Tabel IV.5 menunjukkan fitur yang diukur dari sitoplasma dan nukleus yang
dihasilkan oleh metode ini dari 86 citra, yaitu rata-rata dan standar deviasi. Dimana
hasil untuk daerah sitoplasma adalah 122.741,9 ± 40.075,61, sedangkan hasil untuk
nukleus adalah 7.218,55 ± 9101. Tingginya nilai standar deviasi dari
75
daerah sitoplasma dapat dijelaskan sebagai intensitas nilai sitoplasma memiliki nilai
variasi yang beragam dibandingkan dengan intensitas nilai-nilai nukleus.
Tabel IV.5 Perbandingan nilai mean dan standar deviasi fitur sitoplasma dan
nukleus
Measures Sitoplasma Nukleus
Area Perimeter Roundness Area Perimeter Roundness
N 86 86 86 86 86 86
Mean 122741,9 4326,79 14455,92 7218,55 413,28 0,179
Standar 40075,61 3718,47 51482,56 9101 797,67 0,311
Deviasi
Gambar IV.14 menunjukkan nilai-nilai kebulatan setiap sitoplasma dan nukleus.
Seperti yang diamati, nukleus dari semua sel memiliki bentuk bulat; ini juga
ditunjukkan oleh hasil kebulatan, yaitu 0,179 ± 0,311. Ini menunjukkan bahwa
nukleus yang normal biasanya memiliki bentuk yang halus dan melingkar.
Sebaliknya, sitoplasma memiliki berbagai bentuk,sehingga nilai kebulatan
sitoplasma sangat bervariasi 14.455,92 ± 51.482,56.
Roundness
2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
5
x 10
0 10 20 30 40 50 60 70 80 90
Index Citra
Gambar IV.14 Grafik Garis Perbandingan Roundness antara Sitoplasma dan
Nukleus
76
IV.3 Diskusi
IV.3.1 Evaluasi dari metode yang diusulkan
Dalam penelitian ini diusulkan sebuah metode untuk ekstraksi sel radang dan
deteksi nukleus yang benar dalam citra Pap smear. Tes pada 79 citra yang
mengandung 125 sel dilakukan dan metode menghasilkan hasil yang akurat dalam
86 citra sel tunggal, di mana identifikasi sitoplasma dan inti dapat diandalkan.
Dalam 39 citra sel lainnya, berhasil diekstraksi sel radang dan terdeteksi batas
sitoplasma, tetapi belum berhasil menentukan nukleus dari setiap sel tumpang
tindih.
Seperti yang diverifikasi oleh ahli (dalam hal ini ahli patologi), metode mengarah
ke deteksi pada 86 sel dalam citra yang sesuai dari data set penelitian ini. Citra-
citra ini mengandung sel-sel pada kelas Normal Superfisial yang nukleusnya
berbentuk lingkaran dan berlokasi di pusat daerah sitoplasma. Namun, dalam 39
citra yang tersisa (Gambar IV.15) di mana metode luput untuk mengidentifikasi
beberapa nukleus, dapat diamati bahwa batas sitoplasma tidak digambarkan dengan
benar, dan terdapat sel-sel tumpang tindih.
(a) (b)
(c) (d)
Gambar IV.15 Citra hasil reduksi sel radang pada sel tumpang tindih. Citra asli (a)
(c) dan citra hasil dimana sitoplasma dideteksi sebagai satu sel (b)
dan (d).
77
Dalam penelitian ini, dilakukan analisis morphologi sel terdeteksi. Dari rata-rata
dan standar deviasi dari semua hasil analisis morfologi, ada perbedaan yang jelas
antara ukuran rata-rata dan standar deviasi dari sitoplasma dan nukleus. Hal ini
dapat dijelaskan sebagai gambar yang termasuk dalam kumpulan data (125 citra)
hanya berisi sel superfisial yang normal, yang menunjukkan rasio besar sitoplasma
dan nukleus. Hal ini konsisten dengan hasil perhitungan dimana perimeter dan
kebulatan, yang menunjukkan sel-sel normal superfisial dan sesuai dengan
verifikasi dari ahli.
Hasil menunjukkan bahwa metode yang diusulkan telah berhasil mendeteksi
nukleus dan sitoplasma dalam citra Pap smear, terutama sel-sel dalam kondisi
normal (normal superficial) dengan kondisi sitoplasma tidak terlipat atau tumpang
tindih. Identifikasi daerah nukleus sel serviks pada citra Pap smear konvensional
tetap menjadi masalah yang sulit, terutama pada sel-sel yang memiliki sel radang
dan tumpang tindih. Segmentasi yang akurat dari daerah nukleus merupakan
prasyarat untuk menarik kesimpulan untuk diagnostik dan karakterisasi mengenai
konten citra Pap smear.
Beberapa parameter yang digunakan dalam algoritma dapat dilihat pada Tabel
IV.6. Nilai-nilai parameter ini diambil dari citra dengan ukuran 1600x1200 dan
1280x720 yang merupakan ukuran citra dalam populasi. Nilai global threshlold
untuk mendapatkan sitoplasma adalah 0.65. Dengan nilai ini dapat dilakukan isolasi
sel dan latar belakang. Sedangkan untuk nukleus global threshlold 0.25 untuk
mendapatkan calon nukleus dalam sel. Hal ini dimaksudkan untuk proses
segmentasi selanjutnya.
Parameter ukuran sel pada saat segmentasi harus lebih dari 200x200 piksel, jika
kurang maka dianggap bukan sitoplasma. Untuk mendefenisikan nukleus
digunakan parameter jarak terdekat antara centroid sitoplasama dan centroid calon
nukleus yang diperoleh secara otomatis. Nilai-nilai area, perimeter dan roundness
untuk sitoplasma dan nukleus menghasilkan nilai rata-rata dan standar deviasi yang
menunjukan keragaman dari masing-masing nilai.
78
Tabel IV.6 Nilai Parameter-Parameter
Tahapan Metode Parameter Nilai
Preprocessing Ukuran Citra
Threshold Sitoplasma
Threshold nukleus
1600x1200 dan 1280x720
0.65
0.25
Segmentasi Ukuran sel
Ukuran Nukleus
>200x200
>13x13
IV.3.2 Perbandingan Metode Usulan dengan Metode Lain
Keberhasilan metode segmentasi radang terletak pada keberhasilan menidentifikasi
objek sel tunggal di proses awal atau pre-processing. Teknik pengenalan objek pada
metode usulan mampu memisahkan sitoplasma dari latar belakang untuk masuk
pada tahap segmentasi sel radang. Untuk mengetahui apakah proses pengenalan
objek sitoplasma ini unggul dari metode lain maka perlu dilakukan dilakukan
perbandingan dengan metode lain. Metode usulan dibandingkan dengan salah satu
metode yang ada dalam state of the art dalam penelitian citra kanker serviks yaitu
metode Lezoray, O., dan Cardot, H. (2002).
Gambar IV.16. Data latih untuk klasifikasi Bayesian
Metode Lezoray melakukan pengenalan objek sitoplasma dan nukelus berdasarkan
skema pixel classification, yaitu pada penggunaan k-means clustering dan
Bayesian. Untuk mengetahui apakah kedua metode ini cukup baik diaplikasikan ke
data set yang digunakan dalam penelitian ini dengan mengikuti prinsip Lezoray.
Sebagai catatan sebelum diujicobakan ke data set sesuai dengan prinsip Lezoray,
maka dilakukan proses penyederhaan citra dimana latar belakang citra akan dihapus
dan digunakan klasifikasi pada setiap piksel sebagai sitoplasma dan latar belakang.
Tabel IV.7 Perbandingan Citra Hasil dari Ketiga Metode
79
Citra Asli K- Means Bayesian Metode Usulan
Penerapan algoritma klasifikasi k-means clustering tidak membutuhkan data uji dan
langsung diterapkan pada setiap citra pada data set. Penerapan pada klasifikasi
Bayesian membutuhkan beberapa parameter yang harus didefenisikan
80
terlebih dahulu. Gambar IV.16 adalah citra yang digunakan untuk data latih
klasifikasi Bayesian.
Pengujian dilakukan terhadap data tes yang terdiri dari 79 citra dengan sel-sel
radang, yang berisi 125 citra cropping (86 citra sel terisolasi dan 39 citra sel
tumpang tindih). Algoritma pengujian terdiri dari 3 tahapan :
1. Penyederhaan (simplification) citra
Penyederhanaan citra dengan membuang background:
a) Citra diubah ke dalam citra hitam putih
b) Sel dan nukleus yang terdeteksi diberi warna semula, hanya background
saja yang hitam.
2. Penggunaan Klasifikasi K-means
3. Penggunaan Klasifikasi Bayesian.
Hasil dari kedua klasifikasi Bayesian dan K-means yang diuji ke 79 citra diperoleh
kondisi bahwa kedua metode ini belum mampu mendeteksi nukleus, sel radang dan
sitoplasma secara akurat jika dibandingkan dengan metode usulan. Seperti yang
ditunjukkan oleh citra pada Tabel IV.7, dalam semua citra yang diuji, untuk
klasifikasi K-Means dan Bayesian menunjukkan hasil tidak seakurat yang
diharapkan, dimana dalam beberapa kondisi sitoplasma maupun nukleus tidak
terdeteksi dengan sempurna. Sedangkan pada hasil metode usulan terlihat bahwa
sitoplasma dan nukleus berhasil dideteksi yang berhasil dibedakan dalam dua citra
hasil yaitu sitoplasma dan nukleus.
81
Bab V Pemisahan Sel Tumpang Tindih dan Eliminasi Sel
Radang Pap Smear
Dalam bab ini akan dibahas tentang pemisahan sel tumpang tindih dan eliminasi sel
radang. Metode ini dibangun dengan menggabungkan pengetahuan tentang
pemisahan sitoplasma tumpang tindih, eliminasi sel radang dan deteksi nukleus.
Algoritma segmentasi dikembangkan untuk memisahkan sitoplasma tumpang
tindih dan mengeliminasi sel-sel radang dan memungkinkan deteksi nukleus
menjadi akurat. Algoritma yang diusulkan didasarkan pada kombinasi graylevel
thresholding dan definisi aturan jarak, dan pendekatan geometri.
Pemisahan sel tumpang tindih tetap menjadi salah satu masalah yang paling
menantang dalam analisis citra mikroskopis. Dalam bab ini akan dibahas tentang
pemisahan citra sel tumpang tindih dan pada citra sel Pap smear. Algoritma
pemisahan sel tumpang tindih dikembangkan untuk segmentasi sel dan daerah
tumpang tindih sitoplasma. Proses pemisahan citra sel tumpang tindih akan
menghasilkan citra akhir berupa sel tunggal yang terdeteksi nukleus dan
teridentifikasi jenis selnya.
Sel yang tumpang tindih adalah fenomena yang umum dalam slide mikroskopik
Pap smear. Menurut ahli patologi salah satu problem dalam diagnosis cytopatology
Pap smear adalah penilaian terhadap sel tumpang tindih yang dapat menyebabkan
kesalahan diagnostik. Fokus utama pada bagian ini adalah pemisahan sel tumpang
tindih pada citra Pap smear. Menurut Plissiti dan Nikou (2013), sampai saat ini
deteksi sitoplasma pada sel tumpang tindih masih menjadi permasalahan yang sulit,
belum ada metode dalam literatur yang hasilnya secara otomatis dapat
menggambarkan sitoplasma dalam kelompok sel dalam kondisi tumpang tindih.
Penelitian sebelumnya fokus pada isolasi nukleus dan kondisi sel tidak mengandung
sel radang.
Segmentasi pada citra nukleus tumpang tindih sudah diteliti oleh beberapa peneliti
sebelumnya seperti Yang Mao dkk. (2008), Bamford dan Lovell (1998) dan Plissiti
dan Nikou (2012a). Lebih khusus lagi penelitian yang menggunakan teknik
segmentasi untuk memisahkan sel nukleus yang tumpang tindih, seperti
82
geometri active countours oleh Zimmer dan Olivio-Martin (2005), physically based
model oleh Plissiti dan Nikou (2012a) yang memanfaatkan pengetahuan tentang
bentuk elips untuk menduga batas nukleus tumpang tindih.
Pada sel sitoplasma yang tumpang tindih pengetahuan tentang bentuk geometri dan
fisik sel tidak bisa diterapkan dikarenakan bentuk dari sitoplasma yang tidak
beraturan.
Penelitian tentang segmentasi sitoplasma tumpang tindih telah dilakukan Tareef
dkk. (2015) dan Lu dkk. (2015). Terdapat tiga stage yang diusulkan untuk deteksi
otomatis dan segmentasi sitoplasma tumpang tindih oleh Tareef dkk, (2015) yaitu:
1. Stage satu berupa deteksi sel tumpang tindih menggunakan superpixel
clustering dan thresholding,
2. Stage dua berupa segmentasi dan deteksi nuklei dengan menggunakan
Suport Vector Machine,
3. Stage ketiga berupa segmentasi sel tumpang tindih berdasarkan proses
peningkatan tepi sel, gradien threholding, operasi morphologi dan evaluasi
region properties.
Penggunaan ketiga stage yang berisi kumpulan metode dan teknik yang jika dilihat
secara mandiri tidak menunjukkan suatu hal yang baru, tetapi ketika metode-
metode tersebut digabungkan dapat digunakan untuk segmentasi sel tumpang
tindih. Tarref dkk (2014) sebagian besar berhasil melakukan segmentasi hampir
semua sel tumpang tindih pada data set ISBI 2014, tetapi belum melakukan
pemisahan sel tumpang tindih menjadi sel-sel tunggal. Hal lain peneliti tersebut
tidak membahas keberadaan sel radang dalam penelitiannya.
Terdapat perbedaan penelitian disertasi ini bahwa penelitian ini memiliki fokus
pemisahan sel tumpang tindih menjadi sel tunggal sekaligus mengatasi keberadaan
sel radang dan pada akhirnya dilakukan analisa morphologi untuk nukleus dan
sitoplasma terdeteksi dan identifikasi terhadap jenis sel yang sedang diamati. Bab
ini disusun sebagai berikut, bagian pertama menjelaskan secara rinci proses delinasi
sel tumpang tindih, bagian kedua tentang material dan metodologi
83
yang dijelaskan secara rinci pada setiap langkahnya. Pada bagian ketiga disajikan
hasil eksperimen dan evaluasi dari metode yang diusulkan.
V.1 Delinasi Sel Tumpang Tindih.
Proses delinasi sel tumpang tindih adalah rangkaian proses pemisahan sel tumpang
tindih. Delinasi adalah menggambarkan sel tumpang tindih. Terdapat empat proses
dalam delinasi sel, yaitu pembagian daeran tumpang tindih, pencarian jarak
terdekat, penyambungan pinggiran sitoplasma dan isolasi sel tumpang tindih.
Proses delinasi sel tumpang tindih akan menghasilkan sel-sel tunggal.
Gambar V.1 Ilustrasi Pemisahan Sel Tumpang Tindih.
Ilustrasi delinasi sel tumpang tindih pada Gambar V.1, dapat dijelaskan sebagai
berikut:
a. Pembagian daerah tumpang tindih
Hal ini dilakukan dengan membagi daerah tumpang tindih menjadi dua bagian
untuk mempermudah penentuan titik sambung daerah tumpang tindih dengan
sel tumpang tindih. Proses membagi dua daerah tumpang tindih menjadi
84
bagian atas dan bagian bawah dilakukan dengan mendapatkan titik tengah
boundary. Caranya dengan menghitung tinggi boundary dan dibagi dua.
Jika diketahui Xi dan Yj dimana i =1,2,3,…., n dan j = 1,2, 3,…, m dan titik
boundary (Xi , Yj) = (X1 , Y1), (X2 , Y2), (X3 , Y3), …, (Xn , Ym), maka tinggi
boundary adalah Y1, Y2, Y3, … Ym. Sehingga titik tengah (K) diperoleh dari nilai
rata-rata dari penjumlahan nilai maxsimum dan minimum Yi. Proses pembagian
daerah tumpang tindih dibuat dalam algoritma pada Tabel V.1 berikut ini:
Tabel V.1 Algoritma_Pembagian_Daerah_Tumpang_Tindih
Pseudo-code
Input : Pinggiran (boundary) daerah tumpang tindih
Output: Pinggiran bagian atas dan pinggiran bagian bawah daerah
tumpang tindih
1. Bagi dua pinggiran daerah tumpang tindih menjadi bagian atas dan
bagian bawah. 2. if pinggiran (Xi , Yi) = (X1 , Y1), (X2 , Y2), (X3 , Y3), …, (Xn , Ym) then
tinggi pinggiran adalah Y1, Y2, Y3, … Ym.
3. Ambil Y max dan Y min 4. Tentukan titik tengah (K)= (Ymax +Ymin)/2 5. if Yi < K then pinggiran bagian atas daerah tumpang tindih = 0 6. else pinggiran bagian bawah daerah tumpang tindih =1
7. end
b. Pencarian jarak terdekat dari boundary awal (atas dan bawah).
Mencari jarak terdekat dari pinggiran sitoplasma tumpang tindih ke bagian atas
dan bawah daerah tumpang tindih. Pada proses ini dilakukan perhitungan jarak
terdekat antara pinggiran sitoplasma tumpang tindih dengan dua bagian atas dan
bawah dari daerah tumpang tindih pada proses sebelumnya. Jika diketahui
koordinat pinggiran sitoplasma tumpang tindih (Pi, Qi), koordinat pinggiran
daerah tumpang tindih bagian atas (Xi, Yi) <= K dan koordinat pinggiran daerah
tumpang tindih bagian bawah (Xi, Yi) > K, maka diperoleh dua jarak terdekat
antara kedua koordinat yaitu:
D< = K = min ((Pi – Xi)2 + (Qj – Yj)
2)1/2 (5.12)
D> K = min ((Pi – Xi)2 + (Qj – Yj)
2)1/2 (5.13)
Algoritma pencarian jarak terdekat dibuat dalam Tabel V.2 berikut ini.
85
Tabel V.2 Algoritma_Pencarian_Jarak_Terdekat
Pseudo-code
Input : Pinggiran sitoplasma tumpang tindih, pinggiran bagian atas daerah
tumpang tindih,dan pinggiran bagian bawah daerah tumpang tindih.
Output: Jarak terdekat antara pinggiran sitoplasma tumpang tindih dengan
pinggiran bagian atas daerah tumpang tindih (D<k), dan Jarak terdekat antara
pinggiran sitoplasm tumpang tindih dengan pinggiran bagian bawah daerah
tumpang tindih (D>=K).
1. if (Pi, Qi) koordinat pinggiran sitoplasma tumpang tindih dan (Xi, Yi) koordinat pinggiran daerah tumpang tindih then
2. D < K = min ((Pi – Xi)2 + (Qj – Yj)2)1/2 dan 3. D> =K = min ((Pi – Xi)2 + (Qj – Yj)2)1/2
4. end
c. Penyambungan pinggiran sitoplasma
Pada proses ini dilakukan penyambungan tepi sel dengan menggunakan dua
titik terdekat yang merupakan hasil dari jarak terdekat pada proses sebelumnya.
Selanjutnya dilakukan penyambungan dengan ketentuan pada Tabel V.3.
Ketentuan penyambungan ini berlaku untuk posisi titik di atas dan bawah
dengan kondisi sel tumpang tindih horizontal.
Tabel V.3 Ketentuan Penyambungan Pinggiran Sitoplasma dengan Koordinat
Pinggiran Daerah Tumpang Tindih
Posisi Titik Ketentuan Penyambungan
. A (Pi, Qi)
. B (Xi, Yi)
Jika nilai Pi = Xi (Yi - Qi) adalah banyaknya
piksel , sehingga Garis (Xi, Qi) (Xi, Yi) = 1 atau
penyambungan dilakukan dengan mengisi warna
putih pada piksel.
L. . A (Pi, Qi)
. . M
B (Xi, Yi)
Jika nilai Pi > Xi dan Yi > Qi maka perlu tentukan
dua titik yaitu L = {(Xi Pi) ; Qi} dan M = {(Qi
Yi) ; Pi} sehingga membentuk daerah persegi
panjang LBMA = 1 atau penyambungan dengan
mengisi warna putih pada piksel.
Ketentuan pada Tabel V.3 dapat dirinci untuk 8 posisi titik (Gambar V.2-V.9),
sehingga diperoleh 8 kriteria. Misal (Pi,Qi) adalah koordinat pinggiran
86
sitoplasma tumpang tindih yang memenuhi kriteria jarak terdekat dan (Xi,Yi)
adalah koordinat pinggiran daerah tumpang tindih yang memenuhi kriteria jarak
terdekat, berlaku ketentuan:
1. Jika Pi < Xi dan Qi > Yi maka nilai piksel Pi sampai dengan Xi dan Yi
sampai dengan Qi =1 (diberi warna putih), atau ((Pi -Pi’) 2 +(Qi-Qi’) 2)1/2
)((Pi -Xi’) 2 +(Qi-Yi’) 2)1/2 ) diberi nilai 1.
Gambar V.2 Posisi Titik Kriteria 1.
2. Jika Pi < Xi dan Qi < Yi maka nilai piksel Pi sampai dengan Xi dan Qi
sampai dengan Yi =1 (diberi warna putih).
Gambar V.3 Posisi Titik Kriteria 2.
3. Jika Pi > Xi dan Qi > Yi maka nilai piksel Xi sampai dengan Pi dan Yi
sampai dengan Qi =1(diberi warna putih).
Gambar V.4 Posisi Titik Kriteria 3.
(Pi,Qi) (Xi’,Yi’)
(Xi,Yi)
)
(Pi’,Qi’
(Xi,Yi)
i)
(Pi,Q
(Pi,Qi)
i)
(Xi,Y
87
4. Jika Pi >Xi dan Qi < Yi maka nilai piksel Xi sampai dengan Pi dan Qi
sampai dengan Yi =1 (diberi warna putih).
Gambar V.5 Posisi Titik Kriteria 4.
5. Jika Pi =Xi dan Qi < Yi maka nilai piksel Qi sampai dengan Yi =1 (diberi
warna putih).
(Xi,Yi)
(Pi,Qi)
Gambar V.6 Posisi Titik Kriteria 5.
6. Jika Pi = Xi dan Qi > Yi maka nilai piksel Yi sampai dengan Qi =1 (diberi
warna putih).
Gambar V.7 Posisi Titik Kriteria 6
7. Jika Pi < Xi dan Qi = Yi maka nilai piksel Pi sampai dengan Xi =1 (diberi
warna putih).
Gambar V.8 Posisi Titik Kriteria 7.
(Xi,Yi)
(Pi,Qi)
(Pi, Qi)
(Xi,Yi)
(Pi,Qi)
(Xi,Yi)
88
8. Jika Pi > Xi dan Qi = Yi maka nilai piksel Xi sampai dengan Pi
=1(diberi warna putih).
Gambar V.9 Posisi Titik Kriteria 8.
Algoritma penyambungan pinggiran sitoplasma membutuhkan input berupa
koordinat pinggiran sitoplasma tumpang tindih, dan koordinat pinggiran daerah
tumpang tindih yang memenuhi kriteria jarak terdekat. Algoritma secara
lengkap dapat dilihat pada Tabel V.4.
Tabel V.4 Algoritma_Penyambungan_Pinggiran_Sitoplasma
Pseudo-code
Input : Koordinat pinggiran sitoplasma tumpang tindih, dan koordinat
pinggiran daerah tumpang tindih yang memenuhi kriteria jarak
terdekat.
Output: Koordinat calon pinggiran sitoplasma terdeteksi dan kumpulan
piksel hasil penyambungan.
1. Misal (Pi,Qi) adalah koordinat pinggiran sitoplasma tumpang tindih
yang memenuhi kriteria jarak terdekat dan (Pi,Qi) adalah koordinat pinggiran daerah tumpang tindih yang memenuhi kriteria jarak terdekat.
2. if Pi < Xi dan Qi > Yi then piksel Pi sampai dengan Xi dan Yi sampai
dengan Qi =1. 3. elseif Pi < Xi dan Qi < Yi then piksel Pi sampai dengan Xi dan Qi sampai
dengan Yi =1. 4. elseif Pi > Xi dan Qi > Yi then piksel Xi sampai dengan Pi dan Yi sampai
dengan Qi =1. 5. elseif Pi >Xi dan Qi < Yi then piksel Xi sampai dengan Pi dan Qi sampai
dengan Yi =1. 6. elseif Pi =Xi dan Qi < Yi then piksel Qi sampai dengan Yi =1. 7. elseif Pi = Xi dan Qi > Yi then piksel Yi sampai dengan Qi =1. 8. elseif Pi < Xi dan Qi = Yi then piksel Pi sampai dengan Xi =1. 9. elseif Pi > Xi dan Qi = Yi then piksel Xi sampai dengan Pi =1 10. end
(Xi,Yi)
(Pi,Qi)
89
d. Isolasi sel tumpang tindih
Isolasi sel tumpang tindih dilakukan dengan membuat garis lurus yang membagi
dua daerah tumpang tindih menjadi dua bagian kiri dan kanan. Garis ini
memenuhi persamaan garis lurus:
Y = m (X) + C (5.1)
dimana m adalah gradien dan nilai C adalah konstanta berupa nilai pergeseran
garis. Nilai pergeseran garis dibutuhkan untuk mendapatkan posisi garis
pemisah yang tepat saat isolasi sel tumpang tindih. Dalam penelitian ini nilai C
diperoleh sebesar 100 dari riset yang dilakukan. Nilai ini untuk mendapatkan
posisi isolasi sel tumpang tindih. Pada algoritma isolasi sel tumpang tindih input
berupa koordinat pinggiran sitoplasma tumpang tindih yang memenuhi kriteria
jarak terdekat. Sedangkan output berupa sel tunggal yang terisolasi (Tabel V.5).
Tabel V.5 Algoritma_Isolasi_Sel_Tumpang_Tindih
Pseudo-code
Input: Koordinat pinggiran sitoplasma tumpang tindih yang memenuhi
kriteria jarak terdekat
Output: Sel tunggal terisolasi.
1. Ambil dua titik (Pi,Qi) yang memenuhi kriteria jarak terdekat.
2. Buat persamaan garis lurus Y = mX+C, dengan konstanta 100 dan m
adalah nilai gradien dua titik tersebut sebagai pembatas.
3. Isolasi sel sebelah kiri dengan menggabungkan koordinat pinggiran
sitoplasma sebelah kiri pembatas dengan koordinat daerah tumpang
tindih sebelah kanan.
4. Isolasi sel sebelah kanan dengan menggabungkan koordinat pinggiran
sitoplasma sebelah kanan pembatas dengan koordinat daerah tumpang
tindih sebelah kiri.
V.2 Material dan Metode
a. Material
Dalam penelitian ini digunakan beberapa citra Pap smear yang mengandung
memiliki seltumpang tindih dan sel-sel radang. Citra-citra ini diperoleh melalui
kamera Logitech (Logitech HD C525). Untuk citra pertama dipilih dari kelompok
data yang diambil dengan mikroskop optik Olympus CH20. Sedangkan citra
90
kedua diambil dengan mikroskop optik Olympus CH21. Pengambilan
menggunakan lensa perbesaran 40x dan citra disimpan dalam format JPEG.
(1) (2)
Gambar V.10. Contoh Citra masukan ukuran 1600x1200 dengan dua sel tumpang
tindih(1) dan ukuran 1280 x720 dengan lima sel tumpang tindih (2).
Citra pada Gambar V.10 merupakan dua contoh citra berasal dari database slide
hasil pengolahan ahli patologi dari Laboratorium Khusus Patologi Veteran
Bandung. Dalam penelitian ini digunakan citra Pap smear dari beberapa slide yang
berbeda.
Sebanyak 119 citra sel digunakan untuk riset mendapatkan tiga nilai threshold
untuk sitoplasma tumpang tindih, bagian tumpang tindih dan calon nukleus. Untuk
data tes terdiri dari 21 citra sel yang terdiri dari 61 citra sel tunggal dan diantaranya
sebanyak 24 dalam kondisi tumpang tindih. Jumlah sel radang sebanyak 155 sel dan
nukleus sebanyak 61 sel. Kondisi citra memiliki dua sel tumpang tindih atau lebih
dari dua sel tumpang tindih. Posisi daerah tumpang tindih adalah horizontal. Ukuran
citra beragam yaitu 400x300, 1600x1200, 1200x1600, dan 1280x 270. Sedangkan
ukuran daerah tumpang tindih memiliki berbagai ukuran >150x200, > 100 x 200,
>150x200, >150x150, dan >150x200. Secara lengkap data tes disajikan dalam
Tabel V.6.
91
Tabel V.6 Data Citra yang Digunakan dalam Penelitian
No
Citra sel
tumpang
tindih
Ukuran
citra
Ukuran daerah
tumpang tindih
Sel
tumpang
tindih
Sel
Tunggal
Nukleus
Sel
Radang
1
400x300
>150x200
1
2
2
2
2
1600x1200
>100x200
1
3
3
2
3
1200x1600
>150x200
1
2
2
1
4
1600x1200
>150x150
1
2
2
0
5
1600x1200
>150x200
1
2
2
5
6
1280x270
>200x200
4
5
5
19
7
1600x1200
>100x100
1
2
2
8
8
1600x1200
>150x200
1
2
2
0
9
1200x1600
>150x200
1
3
3
38
10
1200x1600
>150x200
1
3
3
10
11
1200x1600
>100x200
1
4
4
5
12
1200x1600
>150x150
1
3
3
1
13
1200x1600
>150x200
1
3
3
10
14
1200x1600
>150x200
1
3
3
11
Tabel V.6 Data Citra yang Digunakan dalam Penelitian (…lanjutan)
92
No
Citra sel
tumpang
tindih
Ukuran
citra
Ukuran daerah
tumpang tindih
Sel
tumpang
tindih
Sel
Tunggal
Sel
Nukleus
Sel
Radang
15
1200x1600
>150x200
1
3
3
12
16
1200x1600
>150x200
1
3
3
2
17
1200x1600
>150x200
1
3
3
1
18
1200x1600
>150x200
1
3
3
12
19
1200x1600
>150x200
1
3
3
2
20
1200x1600
>100x200
1
4
4
5
21
1200x1600
>100x200
1
3
3
9
Total
24
61
61
155
b. Metode
Metode usulan pemisahan sel tumpang tindih terbagi ke dalam enam stage. Gambar
V.11 menunjukkan secara rinci ke enam stage pada skema metode usulan
pemisahan sel tumpang tindih.
1. Stage 1 : Pre-processing
2. Stage 2 : Cropping sel tumpang tindih otomatis
3. Stage 3 : Segmentasi sel tumpang tindih
4. Stage 4 : Delinasi sel tumpang tindih
5. Stage 5 : Deteksi nukleus dan sel radang pada sel tunggal
6. Stage 6 : Analisa morphologi dan identifikasi sel
93
Pre-processing images
Citra Tumpang Tindih
Konversi warna
Peningkatan citra,
Pengenalan objek
Pembersihan latar belakang
Cropping sel Tumpang tindih otomatis
Gambar V.11 Skema pemisahan sel tumpang tindih dan eliminasi sel radang
Segmentasi Sel Tumpang Tindih
Citra hasil berupa sel tunggal
terdeteksi nukleus dan
teridentifikasi jenis sel
Analisa Morphologi dan
Identifikasi Sel
(Area, Perimeter, Roundness)
Eliminasi Sel Radang dan
deteksi nukleus
Pemisahan Sel Tumpang Tindih
Pembagian daerah tumpang tindih Pencarian jarak terdekat dari
boundary awal (atas dan bawah). Penyambunagn pinggiran
sitoplasma
Isolasi sel tumpang tindih.
Segmentasi daerah Tumpang Tindih
Boundary daerah tumpang
tindih
Labeling dan region
properties daerah tumpang
tindih
Segmentasi Sitoplasma Tumpang
Tindih
Boundary sitoplasma dan
nukleus
Labeling, region properties
dan penentuan centroid
sitoplasma dan nukleus
Pre-processing images
Peningkatan citra
Konversi warna
94
Tahapan pada skema pemisahan sel tumpang tindih dan eliminasi sel radang yang
diusulkan dapat dibuat dalam algoritma enam stage, seperti pada Tabel V.7.
Tabel V.7. Algoritma_ Pemisahan_Sel_Tumpang_Tindih_
dan_Eliminasi_Sel_Radang
Pseudo-code
Input : Citra Pap smear tumpang tindih dengan sel radang
Output: Citra sel tunggal nukleus dan sitoplasma terdeteksi
Stage 1 : Pre-processing
1. Konversi citra dari RGB ke grayscale.
2. Tingkatkan citra dengan adjustment dan filter unsharp.
3. Pengenalan objek, terapkan global threshold 0.72 untuk mendapatkan
bounding box citra hitam putih sitoplasma tumpang tindih, threshold 0.18
untuk mendapatkan bounding box citra hitam putih daerah tumpang tindih,
threshold 0.07 untuk mendapatkan bounding box citra hitam putih calon
nukleus.
4. if bounding box >13x13 piksel then Cn adalah calon nukleus.
5. Hitung nilai GLRM calon nukleus dengan Algoritma_Mencari_Nilai_
GLRM.
6. Gunakan rule klasifikasi tekstur GLRM untuk membedakan objek yang
mengandung bagian sitoplasma tumpang tindih dengan latar belakang.
7. if bounding box > 600x600 piksel then sitoplasma tumpang tindih
8. if bounding box >150x150 atau > 100x200 atau >150X200 atau >200x200
piksel then daerah tumpang tindih
Stage 2: Cropping sel tumpang tindih otomatis
9. Konversi citra dari RGB ke grayscale.
10. Tingkatkan citra dengan adjustment dan filter unsharp.
Stage 3: Segmentasi sel tumpang tindih
11. for i = (1,2, …, N) dimana N sitoplasma tumpang tindih.
12. Segmentasi sitoplasma tumpang tindih dengan threshold 0,72 untuk
mendapatkan citra hitam putih sitoplasma tumpang tindih.
13. Tandai citra sitoplasma tumpang tindih (labeling).
14. Hitung fitur sitoplasma tumpang tindih yaitu centroid, area, dan bounding
box.
15. Tandai pinggiran sitoplasma tumpang tindih (boundary).
16. for i = (1,2, …, N) dimana N daerah tumpang tindih.
17. Segmentasi daerah tumpang tindih dengan threshold 0,18 untuk
mendapatkan citra hitam putih daerah tumpang tindih.
18. Tandai citra daerah tumpang tindih (labeling).
19. Hitung fitur daerah tumpang tindih dengan bounding box.
20. Tandai pinggiran daerah tumpang tindih (boundary).
95
Stage 4: Pemisahan sel tumpang tindih
21. Bagi dua boundary daerah tumpang tindih terdiri dari bagian atas dan
bawah dengan Algoritma_Pembagian_Daerah_Tumpang_Tindih
22. Hitung jarak terdekat antara bagian atas dan bawah dengan boundary
sitoplasma tumpang tindih dengan Algoritma_Pencarian_Jarak_Terdekat
23. Sambung tepi sel dengan Algoritma_Penyambungan_Pinggiran_
Sitoplasma.
24. Isolasi sel tumpang tindih dengan Algoritma_Isolasi_Sel_Tumpang_Tindih
Stage 5: Eliminasi Sel Radang dan Deteksi Nukleus pada Sel Tunggal
25. Hitung region properties calon sitoplasma terisolasi berupa centroid.
26. Hitung region properties calon nukleus terisolasi berupa centroid
27. for i = urutan sitoplasma
i. j = urutan calon nukleus [m,n]
= (baris, kolom)
28. S1, S2, …, Si = S1(m1,n1) , S2(m2,n2),…, Si(mi,ni) adalah centroid sitoplasma terdeteksi.
29. Cn1, Cn2, …,Cni = Cn1(m1,n1) , Cn2(m2,n2),…, Cnj(mj,nj) adalah centroid calon nukleus terdeteksi.
30. Jarak terdekat adalah D = min (S 2 Cn 2)1/2
31. end
32. D adalah nukleus terdeteksi.
33. end
34. end
i(mi,ni) + j(mj,nj)
Stage 6: Analisa Morphologi dan Identifikasi Sel
35. Ambil fitur area sitoplasma dan nukleus terdeteksi.
36. Hitung fitur perimeter dan roundness dari sitoplasma dan nukleus
terdeteksi.
37. Hitung perbandingan area nukleus terdeteksi dengan area sitoplasma
terdeteksi.
38. Tentukan jenis sel.
V.2.1 Pre-processing
Proses pre processing dilakukan dalam beberapa tahap yaitu konversi warna dan
peningkatan citra (brightness dan filtering), pengenalan objek dan pembersihan
latar belakang.
1. Proses konversi warna dan peningkatan citra.
Tahap pre-processing mempersiapkan citra untuk diproses lebih lanjut. Langkah
pertama adalah mengkonversi citra RGB ke citra grayscale. Nilai grayscale
96
diperoleh dengan persamaan dari komponen R, G, dan komponen B seperti yang
diberikan dalam (4.1).
(a) Citra Grayscale (b) Citra adjust
(c) Citra filtering
Gambar V.12. Citra hasil proses konversi warna dan peningkatan citra
Agar batas antara sel dan latar belakang jelas perlu dilakukan peningkatan kontras
citra untuk mendapatkan tepi dan batas-batas dari sel tumpang tindih. Penyesuaian
citra (image adjustment) dan penyaringan (filtering) digunakan untuk
meningkatkan kontras citra. Kualitas citra yang telah ditingkatkan lebih cocok
untuk prosedur segmentasi. Prosedur ini membuat nilai-nilai intensitas dalam citra
grayscale yang kontrasnya rendah dipetakan ke nilai-nilai baru dalam citra.
Digunakan Masking Unsharp (persamaan 4.3) untuk meningkatkan ketajaman citra.
Gambar V.12 merupakan contoh hasil proses konversi warna dan peningkatan citra.
2. Pengenalan objek dan pembersihan latar belakang.
Pengenalan objek dilakukan untuk mendapatkan objek yang specifik dari citra sel
Pap smear. Gambar V.13 menunjukkan objek-objek yang menjadi fokus dalam
metode ini.
97
Citra masukan pada proses isolasi sitoplasma tumpang tindih memiliki
kompleksitas yang tinggi, salah satunya karena kondisi latar belakang yang tidak
rata. Sehingga diperlukan proses pembersihan latar belakang yang tujuannya untuk
mendapatkan objek sel tumpang tindih yang benar-benar terpisah dari latar
belakang.
Sel tumpang
tindih
Daerah
tumpang
tindih
Calon
nukleus
Gambar V.13. Objek-objek yang dikenali dalam citra sel tumpang tindih
Pengetahuan tentang objek sel pada citra dilakukan dengan memanfaatkan
informasi dari analisa tekstur. Tujuannya untuk mendeteksi lokasi regional minima
yang mengindikasikan keberadaan calon nukleus pada citra sel serviks dalam sel
berkelompok. Rule klasifikasi untuk mendapatkan sel nukleus dan sel radang yang
berguna untuk mendeteksi keberadaan sel yang memiliki calon nukleus. Proses ini
juga untuk mempermudah proses deteksi nukleus dan sel radang pada tahap
berikutnya.
Analisa tekstur dapat digunakan untuk mendapatkan fitur-fitur penting dari suatu
objek dalam citra. Hasil dari analisa fitur dapat digunakan untuk membedakan
objek-objek yang ada dalam suatu citra, seperti fitur-fitur yang dihasilkan dari
analisa morphologi (Soille, 1999) dan analisa tekstur (Galloway, 1975). Penelitian
sebelumnya banyak yang menggunakan fitur morphologi dan analisa tekstur seperti
contrast, correlation, energy, homogeneity, entropy dan lain-lain. Plissiti, dkk.
(2011b), telah menggunakan fitur morphologi dalam penelitian tentang citra serviks
berupa fitur kedalaman intensitas untuk menentukan lokasi nukleus. Penelitian lain
yang melibatkan fitur morphologi dengan menggunakan tiga
98
parameter, yaitu rasio N/C, koefisien wavelet, dan intensitas warna oleh
Suryatenggara dkk. (2009). Pada penelitian ini digunakan rule klasifikasi tekstur
untuk mendapatkan daerah region minima yang potensial memiliki kandidat
nukleus dalam sel.
Metode analisis tekstur yang telah digunakan dalam menganalisa citra sel servik
khususnya untuk sel tunggal adalah Gray Level Co-occurrence Matrix (GLCM).
Ada 5 parameter yang diekstrak, yaitu contrast, correlation, energy, homogeneity
dan entropy, Pratama dkk. (2012). Penggunaan GLCM untuk ekstraksi sel radang
dan nukleus oleh Riana dkk. (2014b) menghasilkan akurasi 82,8571 % dengan
metode klasifikasi Decision Tree learning algorithm (J48) (Riana dan Murni
(2009)), dan masih mungkin untuk ditingkatkan untuk fitur lain. Sehingga untuk
penelitian ini dilakukan klasifikasi untuk fitur Gray-Level Run-Length Matrix
(GLRM) untuk ekstraksi nukleus dan sel radang.
Grey-Level Run-Length Matrix (GLRLM) adalah sebuah matriks dimana fitur- fitur
tekstur dapat diambil untuk dianalisa. Tekstur adalah pola dari intensitas keabuan
piksel dalam arah tertentu. Run length adalah banyaknya piksel-piksel bersebelahan
yang memiliki intensitas keabuan yang sama dalam arah tertentu. Nilai statistik Run-
length dapat menunjukkan tingkat kekasaran dari suatu tekstur pada arah tertentu.
Tekstur yang halus cenderung lebih banyak memiliki short runs dengan intensitas
tingkat keabuan yang mirip, sedangkan tekstur kasar memiliki lebih banyak long run
dengan intensitas tingkat keabuan yang berbeda secara signifikan (Galloway, 1975).
Matriks Gray-Level Run-Length adalah matriks dua dimensi dimana masing-
masing elemen p(i, j |θ) adalah intensitas i dengan banyaknya elemen j, dalam arah
θ, dan Nr adalah jumlah different run length. Gambar V.14 adalah representasi dari
matriks GLRL (Grey-Level Run-Length) pada arah 0º [ P(i, j | θ = 0º ) ]. Selain
dalam arah 0º, matriks GLRL juga bisa diperoleh dalam arah 45º, 90º, atau 135º.
99
Gambar V.14. Arah-arah yang ada pada GLRL
Dari matrik GLRL dapat diambil 11 ukuran statistik sebagai parameter analisa
tekstur (Xu et al., 2004) dan Tang, X (1998), yaitu:
1. Short Runs Emphasis (SRE)
SRE mengukur distribusi dari shorts runs dan didefinisikan sebagai:
(5.1)
SRE ini sangat tergantung pada terjadinya short runs dan diharapkan bernilai
besar untuk tekstur halus.
2. Long Runs Emphasis (LRE)
LRE mengukur distribusi dari long runs dan didefinisikan sebagai
(5.2)
LRE ini sangat tergantung pada terjadinya long runs dan diharapkan bernilai
besar untuk tekstur dengan struktur kasar.
3. Gray Level Nonuniformity (GLN)
GLN mengukur kesamaan nilai tingkat keabuan seluruh citra dan
didefinisikan
sebagai:
(5.3)
GLN bernilai kecil jika nilai tingkat keabuan bernilai sama di seluruh citra.
4. Run Percentage (RP)
RP mengukur homogenitas dan distribusi runs dari sebuah citra dalam arah
100
tertentu dan didefinisikan sebagai:
(5.4)
RP diharapkan bernilai terbesar ketika length of runs bernilai 1 untuk semua
tingkatan abu-abu dalam arah tertentu.
5. Run Length Non-uniformity (RLN)
RLN mengukur kesamaan panjang dari runs di seluruh citra dan didefinisikan
sebagai:
(5.5)
RLN diharapkan bernilai kecil jika run lengths bernilai sama di seluruh citra.
6. Low Gray Level Run Emphasis (LGRE)
LGRE mengukur distribusi dari nilai tingkat keabuan rendah (low gray level
values) dan didefinisikan sebagai:
(5.6)
LGRE diharapkan bernilai besar untuk citra dengan nilai tingkat keabuan
rendah.
7. High Gray Level Run Emphasis (HGRE)
HGRE mengukur distribusi dari nilai tingkat keabuan tinggi dan didefinisikan
sebagai:
(5.7)
HGRE bernilai besar untuk citra dengan nilai tingkat keabuan yang tinggi.
Kempat fitur GLRLM berikut ini digunakan untuk mengukur hubungan distribusi
dari distribusi run dan gray level, yaitu:
101
8. Short Run Low Gray-Level Emphasis (SRLGE)
(5.8)
9. Short Run High Gray-Level Emphasis (SRHGE)
(5.9)
10. Long Run Low Gray-Level Emphasis (LRLGE)
(5.10)
11. Long Run High Gray-Level Emphasis (LRHGE)
(5.11)
Pada pembentukan rule klasifikasi digunakan data set sebanyak 169 citra yang
terdiri dari 83 citra sel tunggal nukleus dan 86 citra sel tunggal radang yang berasal
dari slide Pap smear. Citra sel tunggal nukleus dan radang diambil secara cropping
manual, seperti yang diilustrasikan pada Gambar V.15. Data set diambil dari 10
slide yang terdiri dari 67 citra Pap smear yang memiliki sel nukleus dan sel radang.
sel radang sel nukleus
Gambar V.15 Proses cropping manual sel nukleus dan sel radang
102
Selanjutnya dilakukan ektraksi fitur pada sel nukleus dan sel radang untuk
mendapatkan 11 nilai kuantitatif GLRLM untuk sel nukleus dan sel radang dari 169
citra, diperoleh kumpulan nilai GLRLM untuk semua arah 0º, 45º, 90º, dan 135º.
Tabel V.8 adalah algoritma pencarian nilai GLRLM.
Tabel V.8 Algoritma_Mencari_Nilai_GLRLM
Pseudo-code
Input : Citra cropping manual sel radang dan nuklei
Output : Fitur GLRLM untuk sel radang dan nuklei
1. Konversi citra dari RGB ke grayscale.
2. Tingkatkan citra dengan adjustment dan filter unsharp.
3. Pengenalan objek, terapkan global threshold 0.07 untuk mendapatkan
bounding box citra.
4. if bounding box >50x50 piksel then calon nukleus.
5. Buat matriks GLRLM ukuran 8x8 piksel.
6. Hitung 11 property GLRLM (grayRLprops) untuk empat arah 0º, 45º,
90º, dan 135º
Fitur GLRLM yang dihasilkan untuk sel radang dan nukleus dibentuk dalam file
arff (Ryan dkk. 2006) dengan dua kelas yaitu radang dan nukleus. Selanjutnya
diproses dengan Weka software package (Witten dkk. 2000).
Gambar V.16 Hasil CCI untuk Decision Tree learning algorithm (J48) 135º
103
Kelompok data diklasifikasikan ke dalam dua kategori nukleus dan radang dengan
menggunakan Decision Tree learning algorithm (J48) menghasilkan nilai CCI
(Correctly Classified Instances) sebesar 96,4497% untuk kelompok data GLRLM
arah 135º. Nilai ini paling baik jika dibandingkan dengan arah yang lain yang CCI
nya lebih kecil, juga untuk CCI rule klasifikasi GLCM sebesar 82,8571
% untuk data yang sama oleh Riana dkk. (2014b). Sehingga diputuskan untuk
menggunakan rule klasifikasi GLRLM dengan arah 135º (Gambar V.16).
Rule klasifikasi GLRLM untuk isolasi sel nukleus dan sel radang diperoleh seperti
pada Gambar V.17. Ada 8 fitur GLRM yang terlibat dalam klasifikasi ini yaitu
LGRE, GLN, RLN, LRLGE, SRHGE, SRLGE, LRHGE, dan RP.
Gambar V.17 Rule Klasifikasi Fitur GLRLM untuk Sel Nukleus dan Sel Radang
Rule tersebut digunakan dalam penelitian ini untuk mendapatkan daerah region
minima yang memiliki kandidat nukleus dalam sel. Sehingga pengenalan objek sel
tumpang tindih lebih tepat dilakukan dan berguna untuk membersihkan latar
belakang. Citra hasil pengenalan objek dan pembersihan latar belakang pada
Gambar V.18. Selanjutnya nilai-nilai properti pada citra diambil untuk
mendapatkan citra cropping sel tumpang tindih dan citra cropping daerah tumpang
tindih.
104
Gambar V.18 Citra sel tumpang tindih hasil dari pembersihan latar belakang
Citra cropping sel tumpang tindih dan citra cropping daerah tumpang tindih akan
dilakukan kembali proses pre-processing (Gambar V.19).
Citra cropping sel tumpang tindih Citra cropping daerah tumpang tindih
(a) (b) (c)
(d) (e) (f)
Gambar V.19 Hasil pre processing citra cropping sel tumpang tindih (a-c) dan
daerah tumpang tindih (d-e)
105
V.2.2 Cropping sel tumpang tindih otomatis
Hasil Cropping sel tumpang tindih otomatis diperoleh citra sel yang memiliki
daerah tumpang tindih. Proses yang dilakukan pada sel tumpang tindih ini berupa
konversi citra dari RGB ke grayscale. Selanjutnya dilakukan peningkatan citra
dengan adjustment dan filter unsharp.
V.2.3 Segmentasi Sel Tumpang Tindih
Pada tahap ini terbagi dalam dua proses yaitu segmentasi terhadap sitoplasma
tumpang tindih dan daerah tumpang tindih.
1. Segmentasi sitoplasma tumpang tindih.
Tujuannya untuk mengenali sitoplasma pada objek sel tumpang tindih. Proses
ini terdiri dari dua langkah. Langkah pertama yaitu labeling untuk menandai
area objek dan region properties untuk mendapatkan centroid dari sitoplasma
dan nukleus. Langkah kedua dilakukan proses deteksi tepi untuk mendeteksi
tepi sel tumpang tindih. Gambar V.20 adalah hasil segmentasi citra sel
tumpang tindih.
Gambar V.20 Hasil segmentasi citra sel tumpang tindih
2. Segmentasi daerah tumpang tindih.
Citra hasil pre processing yang berupa daerah tumpang tindih dilakukan proses
labelling untuk menandai area objek dan region properties untuk mendapatkan
bounding box dan memastikan objek tersebut adalah bagian tumpang tindih.
Langkah kedua dilakukan deteksi tepi untuk mendeteksi tepi
106
daerah tumpang tindih. Hasil segmentasi daerah tumpang tindih seperti pada
GambarV.21.
Gambar V.21 Contoh hasil segmentasi daerah tumpang tindih.
V.2.4 Hasil Delinasi Sel Tumpang Tindih
a. Pembagian daerah tumpang tindih
Daerah tumpang tindih dibagi menjadi dua bagian untuk mempermudah
penentuan titik sambung daerah tumpang tindih dengan sel tumpang tindih.
Proses membagi dua daerah tumpang tindih menjadi bagian atas dan bagian
bawah dilakukan dengan mendapatkan titik tengah boundary.
Gambar V.22 merupakan citra hasil pembagian daerah tumpang tindih menjadi
dua bagian. Citra bagian atas ditandai dengan tepi bagian hitam dan citra bagian
bawah dengan warna putih.
citra bagian atas citra bagian bawah
Gambar V.22 Citra hasil pembagian daerah tumpang tindih menjadi dua
bagian
107
Proses selanjutnya dilakukan pencarian jarak terdekat dari boundary awal pada
bagian atas dan bawah daerah tumpang tindih.
b. Penyambungan pinggiran sitoplasma
Pada proses ini dilakukan penyambungan tepi sel dengan menggunakan dua
titik terdekat yang merupakan hasil dari jarak terdekat pada proses sebelumnya.
Selanjutnya dilakukan penyambungan dengan ketentuan pada Tabel V.3. Hasil
berupa koordinat calon pinggiran sitoplasma terdeteksi dan kumpulan piksel
hasil penyambungan (Gambar V.23). Kumpulan piksel hasil penyambungan
ukurannya sangat kecil.
Gambar V.23 Hasil Penyambungan Pinggiran Sitoplasma
c. Isolasi sel tumpang tindih
Isolasi sel tumpang tindih dilakukan dengan membuat garis lurus yang membagi
dua daerah tumpang tindih menjadi dua bagian kiri dan kanan.
Gambar V.24 Hasil proses delinasi sel dan hasil akhir citra-citra tunggal
108
Hasil akhir dari proses delinasi, citra sel tumpang tindih akan terpisah menjadi
sel-sel tunggal. Gambar V.24 menunjukkan dua citra tunggal hasil proses
delinasi sel.
V.2.5 Deteksi nukleus dan sel radang pada sel tunggal
Untuk sel-sel tunggal yang berhasil dipisahkan selanjutnya diproses untuk ekstraksi
sel radang dan deteksi nukleus menggunakan skema segmentasi sel radang dan
deteksi nukleus pada sel tunggal pada bab sebelumnya.
(a) (b)
(c) (d)
(e)
109
Gambar V.25 Ilustrasi deteksi sel nukleus dan radang pada citra
(a) (b) Gambar V.26 Hasil akhir deteksi sel nukleus dan radang
Gambar V.25 menunjukkan proses deteksi sel radang dan nukleus. Gambar (a) dan
(b) adalah proses deteksi lima calon nukleus. Deteksi nukleus berhasil dilakukan
untuk sel sebelah kanan (c) dengan ditandai nukleus yang benar diberi tepi warna
putih. Sedangkan pada calon nukleus yang lain dianggap sebagai radang dan diberi
warna merah. Gambar (d) menunjukkan proses deteksi nukleus pada sel sebelah
kiri, warna merah pada nukleus adalah hasil dari proses sebelumnya. Gambar (e)
adalah penggabungan hasil dari proses (c) dan (d) dalam satu sel tumpang tindih.
Pendefenisian nukleus yang benar pada citra-citra sel tunggal hasil proses isolasi
sitoplasma tumpang tindih terlihat pada Gambar V.26
(f) dan (g).
V.2.6 Analisa Morphologi dan Identifikasi Sel
Tahap analisa morphologi dan identifikasi sel dilakukan setelah diperoleh citra sel-
sel tunggal. Fitur morphologi yang ditampilkan berupa area, perimeter dan
roundness dari nukleus. Ekstraksi fitur morphologi dilakukan, dengan menghitung
area, kebulatan (roundness), dan perimeter dari area nukleus dan sitoplasma.
Daerah nukleus dihitung dari himpunan piksel putih untuk setiap nukleus yang
terdeteksi dalam bounding box. Demikian pula, daerah sitoplasma dihitung dengan
menghitung piksel putih di bounding box dari sitoplasma. Perimeter adalah jumlah
piksel yang terdiri dari batas objek. Sedangkan untuk perhitungan kebulatan
(roundness) digunakan Rumus 4.4.
110
Nilai area nukleus dan area sitoplasma dihitung untuk setiap sel. Dengan acuan
rasio nukleus dan sitoplasma dari data Herlev (Tabel III.8), maka jenis sel dapat
ditentukan.
V.3 Hasil Eksperimen dan Evaluasi
V.3.1 Evaluasi Numerik
Penerapan skema metode yang diusulkan untuk citra-citra yang terdiri dari dua sel
tumpang tindih horizontal menunjukkan bahwa metode dapat mendeteksi sel-sel
radang dan menentukan secara akurat sitoplasma dan nukleus secara optimal, serta
identifikasi jenis sel dapat dilakukan dengan benar.
Gambar V.27 Proses Citra dengan sel tumpang tindih, sel tunggal dan sel radang.
111
Hasil yang diperoleh telah dikonfirmasi dengan ahli patologi. Berdasarkan hasil
pengamatan visual oleh ahli patologi, proses pemisahan sel tumpang tindih dan
eliminasi sel radang sudah sesuai dengan kondisi identifikasi manual. Aplikasi
pemisahan sel tumpang tindih dan eliminasi sel radang dapat dilihat pada Gambar
V.27. Sedangkan Gambar V.28 adalah contoh hasil akhir dari citra masukan yang
terdiri dari sel tumpang tindih dan sel tunggal dengan sel radang dengan hasil akhir
berupa perolehan citra sel tunggal 1, 2 dan 3.
Gambar V.28 Contoh Hasil Pemisahan Sel Tumpang Tindih dan Eliminasi Sel
Radang
112
Perhitungan nilai True Positive (TP), True Negative (TN), False Positive (FP), dan
False Negative (FN) dari hasil deteksi nukleus dan sel radang pada perolehan citra
sel tunggal Pap smear sebanyak 56 sel, digunakan dua perhitungan statistik untuk
performansi dari persamaan 4.5 dan 4.6.
Nilai Sensitivity diperoleh sebesar 82,56 % menunjukkan prosentase sel nukleus
berhasil diidentifikasi dengan benar. Sedangkan nilai Specificity sebesar 81,27 %
menunjukkan prosentase sel radang diidentifikasi dengan benar. Secara lengkap
nilai false negative dari hasil metode usulan diberikan pada Tabel V.9, berikut ini.
Tabel V.9 Perhitungan Nilai Sensitivity dan Specificity
Citra
Nukleus Radang Calon
Nukleus
% %
Nukleus (N)
Radang (NR)
Radang ( R)
Nukleus (RN)
Sensitivity (SE)
Specificity (SP)
TP FP TN FN (TP/(TP+FN)) (TN/(TN+FP))
1 2 0 2 0 4 100.00 100.00
2 1 0 0 0 1 100.00 0.00
3 2 1 1 0 3 100.00 50.00
4 2 0 0 0 2 100.00 0.00
5 2 0 1 0 3 100.00 100.00
6 2 1 11 0 13 100.00 91.67
7 2 0 4 0 6 100.00 100.00
8 2 0 0 0 2 100.00 0.00
9 3 0 38 6 41 33.33 100.00
10 3 0 10 0 13 100.00 100.00
11 4 1 5 0 9 100.00 83.33
12 3 0 1 0 4 100.00 100.00
13 3 0 10 1 13 75.00 100.00
14 3 1 11 5 14 37.50 91.67
15 3 0 12 2 15 60.00 100.00
16 3 0 2 2 5 60.00 100.00
17 3 0 1 1 4 75.00 100.00
18 3 0 12 4 15 42.86 100.00
19 3 0 2 1 5 75.00 100.00
20 4 0 5 0 9 100.00 100.00
21 3 1 9 1 12 75.00 90.00
Total 56 5 137 23 193 1733.69 1706.67
Rata-Rata 82.56 81.27
113
1. Performa Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang
Metode yang diusulkan terdiri dari dua tahap yaitu pre processing, proses isolasi
yang terdiri dari segmentasi sitoplasma dan segmentasi daerah tumpang tindih serta
penentuan nukleus. Tabel V.10 menunjukkan waktu proses citra uji dengan Matlab
menggunakan Core I3 dengan RAM 3 GB. Tahap pre-processing membutuhkan
waktu 0.81504 menit dan tahap–tahap berikutnya berupa cropping sel tumpang
tindih, segmentasi sel tumpang tindih, delinasi sel tumpang tindih, deteksi nukleus
dan sel radang, serta analisa morphologi dan identifikasi jenis sel secara
keseluruhan mempunyai waktu proses 7.9811 dengan standar deviasi 4.5898 menit.
Dengan kondisi waktu proses seperti ini untuk citra dengan jumlah sel dan daerah
tumpang tindih yang lebih banyak akan membutuhkan waktu lebih lama. Jika
dilihat dari waktu eksekusi citra secara keseluruhan akan menggunakan waktu
8.7961 ± 4.5898 menit.
Tabel V.10 Eksekusi Seluruh Citra dalam Menit
Tahapan Prosess Waktu
Pre processing 0.81504
Segmentasi, delinasi sel tumpang tindih,
deteksi nukleus dan sel radang, analisa
morphologi dan identifikasi sel
7.9811 ± 4.5898
2. Nilai-nilai Parameter
Nilai-nilai parameter dibuat agar dapat memberikan kriteria saat penggunaan
metode usulan ini. Tabel V.11 berisi nilai-nilai parameter yang digunakan dalam
tahapan metode. Nilai-nilai parameter ini diambil dari citra ukuran 400x300,
1280x720 dan 1600x1200.
Nilai global threshlold untuk mendapatkan sel tumpang tindih pada citra 0.72.
Dengan nilai ini dapat dilakukan isolasi sel dengan latar belakang. Sedangkan untuk
mendapatkan daerah tumpang tindih digunakan threshlold 0.18.
114
Tabel V.11 Nilai Parameter Pemisahan Sel Tumpang Tindih dan Eliminasi Sel
Radang
Tahapan Metode (stage)
Parameter Nilai
Preprocessing
dan Cropping sel
tumpang tindih otomatis
Ukuran Citra
Threshold Sel tumpang tindih Threshold daerah tumpang tindih
400x300, 1280x720, dan 1600x1200
0.72 0.18
Segmentasi sel
tumpang tindih,
delinasi sel
tumpang tindih
Ukuran sel tumpang tindih
Ukuran sel yang memiliki daerah
tumpang tindih
Ukuran daerah tumpang tindih
Threshold Calon Nukleus
Ukuran Calon Nukleus
>200x200
>600x600
>150x200, > 100 x 200,
>150x150, >150x200,
>100x100 dan >200x200.
0.07 >50x50
Parameter ukuran sel pada saat segmentasi harus lebih dari 200x200 piksel, jika
kurang maka dianggap bukan sel. Sedangkan ukuran sel yang memiliki bagian yang
tumpang tindih lebih besar dari 600x600 piksel. Jika kurang dari dari ukuran
tersebut maka dianggap bukan sel yang memiliki daerah tumpang tindih. Kedua
nilai tersebut sama untuk semua citra masukan.
Nilai threshold sebesar 0.07 digunakan untuk mendefenisikan nukleus digunakan
parameter jarak terdekat antara centroid sitoplasama dan centroid calon nukleus
yang diperoleh secara otomatis. Pada proses pembacaan slide Pap smear mengikuti
prosedur manual mikroskop cahaya yang umum digunakan. Sedangkan untuk
tingkat pencahayaan sangat variatif tergantung dari kenyamanan mata pemeriksa
dalam hal ini ahli patologi. Penggunaan jenis mikroskop yang berbeda juga
menambah nilai variasi dari parameter sel.
Daerah tumpang tindih dibatasi untuk arah yang horizontal. Hal ini terkait dengan
ketentuan penyambungan tepi sel yang tumpang tindih. Tabel V.11 memberikan
gambaran parameter-parameter yang digunakan untuk deteksi nukleus dan
pemisahan sel tumpang tindih.
115
V.3.2 Studi Group
Dalam penelitian ini terdapat 56 citra tunggal Pap smear yang merupakan
perolehan dari metode pemisahan sel tumpang tindih dan eliminasi sel radang.
(Tabel V.1).
Gambar V.29 menunjukan proses pemisahan sel tumpang tindih dan eliminasi sel
radang dari salah satu citra. Dari citra awal diperoleh citra hitam putih dari
sitoplasma. Kemudian proses dilanjutkan untuk mendapatkan citra hitam putih
calon nukleus dan daerah tumpang tindih. Hasil cropping sel tumpang tindih
dilakukan proses penggambaran atau delinasi sel. Akhirnya diperoleh dua citra
tunggal yang terisolasi.
Gambar V.29 Proses Pemisahan Sel Tumpang Tindih dan Eliminasi Sel Radang
Metode yang diusulkan diuji untuk proses pemisahan sel tumpang tindih dan
eliminasi sel radang pada data citra dengan arah daerah tumpang tindih horizontal.
Beberapa hasil pemisahan sel tumpang tindih pada citra dapat dilihat pada Gambar
V.30.
Keberhasilan saat pengujian data tergantung apakah daerah tumpang tindih dapat
terdeteksi. Variasi citra yang menjadi data uji sangat tinggi terutama pada ukuran
116
daerah tumpang tindih. Sehingga parameter nilai ukuran dari daerah tumpang
tindih memiliki variasi yang cukup banyak.
(a)
(b)
(c)
(d)
Gambar V.30 Ilustrasi proses isolasi citra sel tumpang tindih pada beberapa citra
dengan ukuran daerah tumpang tindih (a) > 100 x 200, (b) >150x200, (c)
>150x150, (d) >150x200.
117
Gambar V.30 memperlihatkan berbagai macam variasi parameter nilai daerah
tumpang tindih yang dapat diakomodir oleh metode pemisahan sel tumpang tindih.
Citra di bagian tengah adalah citra awal yang tumpang tindih, setelah diproses
menjadi citra tunggal yang terdapat di sebelah kiri dan kanan.
118
Gambar V.31 Hasil akhir fitur morphologi dan identifikasi jenis sel
Gambar V.31 merupakan contoh hasil akhir analisa morphologi dan identifikasi
jenis sel pada citra sel tunggal yang berhasil dipisahkan. Hasil dari ke 56 citra
tunggal yang berhasil dipisahkan, sel dikelompokkan dalam kelas Normal
Superficial dan Normal Intermediate. Hasil ini sesuai dengan verifikasi ahli
patologi.
V.3.3 Hasil Analisa Fitur Tekstur dan Morphologi
Pada bagian ini akan dianalisa fitur tekstur dari sel radang dan nukleus untuk
mengetahui nilai perbedaan fitur tekstur antara sel radang dan sel nukleus. Selain
itu juga akan dianalisa fitur morphologi dari sel tunggal yang berhasil diisolasi.
1. Hasil Analisa Fitur Tekstur Sel Radang dan Sel Nukleus.
119
Seperti telah dijelaskan pada tahapan metode pengenalan objek dan pembersihan
latar belakang digunakan nilai-nilai tekstur sel radang dan sel nukleus untuk
mendeteksi keberadaan sel-sel yang memiliki calon nukleus sebelum proses
segmentasi sel tumpang tindih. Evaluasi numerik untuk analisa tekstur sel radang
dilakukan dari nilai GLRLM dari 86 sel radang dan 83 sel nukleus untuk 11 fitur
tekstur. Nilai tekstur yang dianalisa diambil arah 135º.
Pada proses pengenalan objek sel radang dan sel nukleus diperoleh 8 fitur GLRM
yang dapat membedakan keduanya. Fitur-fitur tersebut adalah LGRE, GLN, RLN,
LRLGE, SRHGE, SRLGE, LRHGE, dan RP. Sedangkan tiga fitur GLRM lainnya
SRE, LRE dan HGRE tidak digunakan. Dari tiga fitur yang tidak digunakan dapat
dianalisa bahwa untuk nilai SRE dan LRE, sel radang dan nukleus tidak bisa
dibedakan dari nilai short runs yang tergantung pada struktur halus dan long runs
pada struktur kasar. Nilai rata-rata dan standar deviasi untuk kedua kelompok data
adalah rata-rata nilai SRE nukleus sebesar 0,18±0.07. Nilai ini dapat dikatakan sama
dengan nilai rata-rata SRE radang sebesar 0,18±0.05. Artinya patut diduga kondisi
struktur halus sel nukleus dan sel radang adalah mirip atau sama dan tidak bisa
dibedakan. Untuk fitur HGRE berupa nilai high graylevel untuk nilai tingkat keabuan
tinggi. HGRE bernilai besar untuk citra dengan nilai tingkat keabuan yang tinggi.
Tabel V.12 Nilai Tekstur arah 135º untuk Sel Nukleus
120
Secara keseluruhan sebaran data nilai tekstur GLRLM untuk kelompok sel nukleus
dan sel radang dapat dilihat pada Tabel V.12 dan V.13.
Tabel V.13 Nilai Tekstur arah 135º untuk Sel Radang
Untuk memudahkan membandingkan nilai rata-rata untuk kesebelas fitur tekstur
dan radang, maka dibuat grafik nilai mean atau rata-rata untuk kedua kelompok data
seperti pada Gambar V.32.
Grafik Nilai Mean Sel Nukleus dan Sel Radang
Gambar V.32 Grafik Nilai Mean Sel Nukleus dan Sel Radang
Dari grafik terlihat untuk sepuluh nilai GLRM radang dan nukleus memiliki ukuran
yang hampir sama, garis pada grafik dari kedua kelompok data nyaris berimpit.
Tetapi yang menarik adalah ada perbedaan yang cukup signifikan antara sel nukleus
dan sel radang pada fitur LRHGE, yaitu Long Run High Gray-Level Emphasis fitur
GLRLM yang digunakan untuk mengukur hubungan distribusi dari distribusi run
dan gray level yang bernilai tinggi.
121
3. Hasil Analisa Fitur Morphologi Sel Nukleus.
Nilai-nilai fitur morphologi yang didapat dari pengukuran nukleus dan sitoplasma
dari perolehan citra sel-sel tunggal yang berhasil dipisahkan dan terdeteksi
nukleusnya. Untuk penggambaran nilai fitur diambil sebanyak 41 citra sel tunggal
yang mewakili hasil perolehan citra sel tunggal, seperti pada Tabel V.14.
Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi
No
Citra sel
Tunggal
Nukleus
Area
Sitoplasma
Area
Nukleus Area Roundness Perimeter
1 1a 3344 0.80206 268.4508 230367 3344
2 1b 3193 0.76584 228.8944 222167 3193
3 2a 2958 0.7531 222.1665 188882 2958
4 3a 2338 0.5437 232.4508 172344 2338
5 4a 3933 0.40733 417.83 144300 3933
6 4b 2994 0.31008 348.333 161155 2994
7 5a 3469 0.43298 433.0437 196827 3469
8 7a 2135 0.26648 317.3036 192086 2135
9 7b 3685 0.5478 290 117710 3685
10 8a 3562 0.2058 466.3574 171522 3562
11 8b 4377 0.2529 2 152878 4377
12 9a 3344 0.80206 268.4508 230367 3344
13 9b 3193 0.76584 228.8944 222167 3193
14 9c 1258 0.3368 216.6518 99737 1258
15 10a 3469 0.43298 433.0437 196827 3469
16 10b 2135 0.26648 317.3036 192086 2135
17 10c 1657 0.7608 165.4386 101942 1657
18 11a 2958 0.7531 222.1665 188882 2958
19 11c 1258 0.3368 216.6518 99737 1258
20 12a 3933 0.40733 417.83 144300 3933
21 12b 2994 0.31008 348.333 161155 2994
22 12c 1258 0.3368 216.6518 99737 1258
Tabel V.14 Hasil Fitur Morpologi Citra Sel Tunggal Terdeteksi (. .. lanjutan)
No
Citra sel
Tunggal
Nukleus
Area
Sitoplasma
Area
Nukleus Area Roundness Perimeter
23 13a 2338 0.5437 232.4508 172344 2338
24 13c 3256 0.371 332.0904 143524 3256
25 14c 3256 0.371 332.0904 143524 3256
26 15a 3089 0.676 239.6224 122956 3089
122
27 15b 3344 0.80206 268.4508 230367 3344
28 15c 3193 0.76584 228.8944 222167 3193
29 16a 1258 0.3368 216.6518 99737 1258
30 16b 3344 0.80206 268.4508 230367 3344
31 16c 3193 0.76584 228.8944 222167 3193
32 17a 2338 0.5437 232.4508 172344 2338
33 17c 1258 0.3368 216.6518 99737 1258
34 18a 3344 0.80206 268.4508 230367 3344
35 18b 3193 0.76584 228.8944 222167 3193
36 18c 1657 0.7608 165.4386 101942 1657
37 19a 2338 0.5437 232.4508 172344 2338
38 19c 3256 0.371 332.0904 143524 3256
39 20a 1258 0.3368 216.6518 99737 1258
40 20b 2958 0.7531 222.1665 188882 2958
41 21a 1258 0.3368 216.6518 99737 1258
42 21b 295 0.7531 222.1665 188882 2958
Total 115532.00 22.54 11179.91 6993991.00 115532.00
Mean 2750.76 0.54 266.19 166523.60 2750.76
St Dev 17023.83 3.32 1647.43 1030271.17 17023.83
Semua nilai fitur morphologi untuk nukleus dibuat dalam Grafik V.33 untuk
menunjukkan perbandingan nilai area, roundness dan perimeter.
Hasil verifikasi ahli, kondisi perbandingan nilai morphologi nukleus mengarah
kepada bentuk morphologi sel squomous normal. Ciri-ciri nilai roundness
menunjukkan nilai standar deviasi yang cukup kecil berarti nukleus memiliki
kebundaran yang relatif sama dan normal.
Grafik V.34 menunjukkan perbandingan nilai area nukleus dan area sitoplasma.
Terlihat perbedaan nilai area yang cukup besar antara keduanya. Nilai rata-rata area
nukleus pada Tabel V.14 sebesar 2750.76 dan area sitoplasma 166523.60. Nilai
rasio perbandingan keduanya sebesar 0.016518, nilai ini jika dibandingkan dengan
Tabel III.8 tentang rasio area nukleus dan sitoplasma pada tujuh kelas yang diolah
dari data Herlev (Jantzen, 2005), nilai tersebut mendekati nilai rasio kelas 1 sebesar
0.011796 yaitu kelas Normal Superficial. Jadi sebagian besar sel diidentifikasi
sebagai kelas Normal Superficial, hasil ini memiliki kesamaan dengan verifikasi
ahli.
123
Gambar V.33 Grafik perbandingan nilai area, roundness dan perimeter nukleus
citra sel tunggal terdeteksi.
Gambar V.34 Grafik perbandingan nilai area nukleus dan area sitoplasma
Hasil analisa morphologi ini didukung dengan hasil identifikasi pemisahan sel
tumpang tindih dan eliminasi sel radang untuk 56 citra sel tunggal yang berhasil
dideteksi, beberapa contoh diberikan pada Tabel V.15.
Hasil menunjukan bahwa 52 citra sel tunggal yang teridentifikasi adalah kelas
Normal Superficial dan ada empat citra sel tunggal teridentifikasi sebagai kelas
Normal Intermediate.
124
Tabel V.15 Contoh Hasil Identifikasi Sel Tunggal Terdeteksi
No Citra sel tumpang
tindih
Ukuran
citra
Sel tumpang
tindih
Sel Tunggal
teridentifikasi
Identifiksi
Kelas
1
400x300
1
2
Normal
Superficial
2
1600x1200
1
3
Normal
Superficial
3
1200x1600
1
2
Normal
Superficial
4
1600x1200
1
2
Normal
Intermediate
5
1600x1200
1
2
Normal
Superficial
6
1280x270
4
2
Normal
Superficial
7
1600x1200
1
2
Normal
Superficial
8
1600x1200
1
2
Normal
Superficial
V.4 Diskusi
Dalam bagian ini berisi evaluasi dari metode yang diusulkan. Metode pemisahan
citra sel tumpang tindih Pap smear bertujuan menghasilkan perolehan citra sel
tunggal untuk selanjutnya dideteksi nukleus pada masing-masing sel. Deteksi
daerah tumpang tindih pada citra sel konvensional Pap smear masih merupakan
masalah terbuka. Uji coba pada 61 citra sel tunggal dengan kondisi 24 citra sel
tumpang tindih horizontal dengan ukuran daerah tumpang tindih yang berbeda-
beda >150x200 piksel, > 100 x 200 piksel, >150x150 piksel, >150x200 piksel,
>100x100, dan >200x200 piksel. Sedangkan satu citra terdiri dari lima sel tumpang
tindih (Gambar V.36). Diharapkan citra-citra ini dapat mewakili beberapa kondisi
daerah tumpang tindih yang terdapat pada citra konvensional Pap smear.
125
Seperti yang diverifikasi oleh ahli (dalam hal ini ahli patologi), metode pemisahan
sel tumpang tindih dan eliminasi sel radang menghasilkan perolehan 61 citra sel
tunggal dari data set penelitian ini. Citra-citra ini mengandung sel-sel pada kelas
Normal Superfisial dan Normal Intermediate yang nukleusnya berbentuk lingkaran
dan berlokasi di pusat daerah sitoplasma.
Metode usulan mendeteksi nukleus dan sel radang pada 61 citra sel, Gambar V. 35
adalah contoh citra-citra sel tunggal terisolasi dengan nukleus berwarna hitam dan
sel radang warna merah muda.
Gambar V.35 Contoh Sel Nukleus dan Sel Radang yang terdeteksi
Pada penerapan metode pemisahan sel tumpang tindih dan eliminasi sel radang
pada citra dengan empat daerah tumpang tindih (Gambar V.36) dimana citra ini
memiliki lima sitoplasma tumpang tindih horizontal dan 24 kandidat nukleus. Posisi
empat daerah tumpang tindih, yaitu di sisi kiri, dua di tengah dan di kanan pada
citra.
Gambar V.36 Citra dengan lima sel tumpang tindih
126
Hasil dari pre processing pada citra ini menghasilkan dua citra cropping yang terdiri
dari cropping sel tumpang tindih (a) dan cropping daerah tumpang tindih
(b) pada Gambar V.37.
(a) (b)
Gambar V.37 Hasil pre-processing sel tumpang tindih dan daerah tumpang tindih
Gambar V.37 (a) dan (b) menunjukkan proses delinasi sel tumpang tindih pada sel
nomor 4 dan 5. Gambar (a) adalah ilustrasi boundary bagian atas daerah tumpang
tindih dan (b) bagian bawah daerah tumpang tindih. Gambar (c) dan (d) adalah hasil
proses isolasi sel. Pada Gambar (e) terlihat dua sel yang dapat diisolasi, yaitu sel
yang terletak paling kanan atau sel nomor 1 dan paling kiri atau sel nomor 5. Pada
sel bagian tengah (nomor 2,3 dan 4) belum dapat diisolasi dengan sempurna. Dua
sel yang berhasil diisolasi selanjutnya dilakukan proses deteksi nukleus dan
hasilnya secara tepat dapat ditentukan nukleus yang benar pada kedua sel.
Namun pada Gambar V.38 di mana metode luput untuk mengisolasi tiga sel
tumpang tindih yang lain, dapat diamati bahwa batas sitoplasma dari ketiga sel yang
di tengah tidak dapat didelinasi dengan benar. Hal ini diakibatkan sel nomor 3 yang
berbentuk bulat tidak teridentifikasi sebagai sebuah sel dan cenderung terdeteksi
sebagai daerah tumpang tindih (Gambar V.19). Verifikasi dari ahli patologi
terhadap sel nomor 3 adalah sel parasabasal dan cenderung abnormal. Sehingga
dalam kondisi ini perlu dilakukan penelitian lanjutan untuk dapat mengisolasi
ketiga sel tersebut.
127
(a) (b)
(c) (d)
(e)
Gambar V.38 Ilustrasi Proses Delinasi pada Citra Empat Sel Tumpang Tindih
Walaupun pada citra ini belum dapat terisolasi sempurna, tetapi deteksi pada
masing-masing nukleus untuk sel nomor satu dan lima berhasil dilakukan. Sehingga
dalam hal ini dapat disimpulkan citra ini dapat dideteksi dan dipisahkan untuk sel-
sel dengan ukuran daerah tumpang tindih >100x100.
Pada proses pengenalan objek yang memiliki kandidat nukleus yaitu sel radang dan
sel nukleus digunakan delapan fitur GLRM yang dapat membedakan keduanya.
Fitur-fitur tersebut adalah LGRE, GLN, RLN, LRLGE, SRHGE, SRLGE, LRHGE,
dan RP. Sedangkan tiga fitur GLRM lainnya SRE, LRE dan HGRE tidak
digunakan.
128
Dari tiga fitur yang tidak dimanfaatkan dalam klasifikasi yaitu SRE, LRE dan
HGRE dapat disimpulkan bahwa tingkat kemiripan sel radang dan nukleus untuk
struktur halus sel nukleus dan sel radang adalah sangat mirip atau sama dan tidak
bisa dibedakan. Hal ini menunjukkan bahwa upaya otomatisasi ekstraksi sel radang
dan identifikasi nukleus bukan hal yang mudah karena kondisi kemiripan dari kedua
sel.
Gambar V.39 Grafik Nilai Daerah Tumpang tindih dan Total Waktu Proses
Dalam penelitian ini, total waktu proses dibandingkan dengan ukuran daerah
tumpang tindih yang berbeda-beda yaitu >150x200 piksel, > 100 x 200 piksel,
>150x150 piksel, >150x200 piksel, dan >200x200 piksel. Grafik pada Gambar V.39
adalah nilai-nilai yang diperoleh dari proses citra-citra tersebut. Proses pemisahan
sel tumpang tindih membutuhkan waktu rata-rata 8.7961 ± 4.5898 menit. Peneliti
sebelumnya Lu dkk (2015) yang melakukan segmentasi sitoplasma tumpang tindih
menggunakan optimasi dengan Multiple Level Set Functions, waktu proses yang
dibutuhkan dalam range 5-60 menit, untuk jumlah sel 2-10 sel. Nilai waktu total
proses perlu dilakukan pengembangan sehingga dapat dihasilkan metode yang
memiliki waktu proses yang lebih singkat. Tabel V.16 menunjukkan perbandingan
metode usulan dengan metode lainnya, baik mengenai jumlah slide, jumlah citra,
jumlah sel, kriteria performa dan hasil kuantitatif.
Tabel V.16 Perbandingan Metode Usulan dengan State of The Art *
129
Metode Slide Citra Ukuran Sel Kriteria
Performansi
Hasil Kuantitatif
Bamford
dkk. (1998)
- - 128 x
128
20130 Pengamatan visual 99,64% sel
tersegmentasi
Wu dkk.
(1998)
1 1 80x100 1 Perbandingan K
means dan Bayesian dalam citra
Tingkat kesalahan
lebih kecil dari 5 %
Garrido
dkk. (2000)
- 3 - - Pengamatan visual Tidak memiliki
hasil kuantitatif
Lezoray
dan
Cardot
(2002)
- 10 - 209 Ukuran Vinet
Jumlah bagian yang
tersegmentasi
Ukuran rata-rata
Vinet 2.24 untuk
RGB dan 3.41
untuk HSL. Rata-
rata perbedaan
daerah
tersegmentasi
dengan manual 2.87
% untuk RGB dan
0.47% untuk HSL
Lassouao
ui dan
Hamami (2003)
- 2 256 x 256
Pengamatan visual Tidak memiliki
hasil kuantitatif
Bak, dkk (2004)
- 2 - - Pengamatan visual Tidak memiliki hasil kuantitatif
Isa dkk (2005)
- 3 - - Pengamatan visual Tidak memiliki hasil kuantitatif
Yang
Mao
dkk.
(2008)
- - 64x64 124 Error kesalahan
klasifikasi,
kesalahan tepi,
modifikasi
Hausdorff distance,
relative foreground
area error, relative
distance error
Rata-rata kesalahan
segmentasi sebesar
0.1145
Lin dkk
(2009)
- 10 - 10 Kesalahan
klasifikasi, relative
foreground area
error, modifikasi Hausdorff distance
Rata-rata kesalahan
segmentasi sebesar
0.1323
Plissiti,
M.E.
(2011a)
15 38 1536 x2048
5617 Sensitivity (Se)
Specificity (Sp)
Waktu proses (3 GB)
Indikasi nilai rata-
rata Se=90.57%, Sp
= 75.28% untuk
FCM dan
Se=69,86%, Sp =
92,02 untuk SVM. 83.04 ± 52.77 detik
Tabel V.16 Perbandingan Metode Usu lan dengan State of The Art * (...lanjutan)
Metode Slide Citra Ukuran Sel Kriteria
Performansi
Hasil Kuantitatif
Plissiti dan
Nikou
(2011b)
1 50 260x300 Dua sel
nukleus
tumpang tindih
Pengamatan visual,
Hausdorff distance
dan Euclidean Waktu proses (3 GB)
Hausdorff distance 19.58 dan euclidean
8.64 90.52 ± 7.36 detik
Tareef dkk
(2014)
Data
sintet is
45 512x512 270 sel tunggal
dan tumpang
tindih
Index Zijdenbos
Similarity Index (ZSI ) pixel
0.926 ± 0.047
130
ISBI
2014 (nukleus).
Index ZSI pixel
(sitoplasma) Waktu proses (8 GB)
0.914 ± 0.075
56 detik
Pemisahan 5 21 400x300, 1600 x1200
dan
1280
x720
61 sel tunggal Pengamatan visual Indikasi nilai rata-
Sel dengan 24 Sensitivity (Se) rata Se=82,56 %,
Tumpang kondisi sel Specificity (Sp) Sp = 81,27 %
Tindih dan tumpang tindih Waktu proses (4 8.7961 ± 4.5898 Eliminasi dengan 5 GB) menit
Sel Radang variasi ukuran Evaluasi fitur area, Klasifikasi kelas sel
(Disertasi) daerah perimeter dan
tumpang roundness dari
tindih. Total nucleus dan
193 sel yaitu sitoplasma
56 nukleus dan
137 se radang
* Diolah kembali dari Plissiti, M.E. (2012a)
Pemisahan sel tumpang tindih diterapkan pada 61 citra sel tunggal dengan 24
kondisi citra sel sitoplasma tumpang tindih horizontal menunjukkan bahwa seluruh
citra dapat dipisahkan. Tetapi perlu pengembangan dengan menambah citra uji
yang memenuhi paramater-parameter yang ditentukan sehingga dapat
dibandingkan performanya dengan metode lain.
Pemisahan sel tumpang tindih dari sel servik pada citra Pap smear konvensional
masih merupakan pekerjaan yang sulit terutama pada kondisi citra yang memiliki
kompleksitas dan variasi yang tinggi serta memiliki keterbatasan parameter
tertentu. Penyelesaian pada permasalahan pada penelitian ini dapat menjanjikan
bahwa analisis terhadap slide Pap smear dapat ditingkatkan melalui analisis dan
penelitian yang lebih lengkap pada bagian sel-sel dari slide Pap smear yang lebih
kompleks guna mendukung kemudahan dan efektifnya proses skrining pada kasus
deteksi dini kanker serviks.
Bab VI Kesimpulan dan Pengembangan Riset
Bab ini berisi kesimpulan dari hasil penelitian yang telah dilakukan dan beberapa
saran yang diberikan supaya dapat digunakan sebagai masukan pada penelitian
lebih lanjut.
131
VI.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, dapat diambil kesimpulan
sebagai berikut:
1. Perolehan citra sel tunggal Pap smear untuk deteksi dini kanker servik dapat
dilakukan melalui metode pemisahan sel tumpang berupa melalui pembagian
daerah tumpang tindih, pencarian jarak terdekat dari pinggiran daerah tumpang
tindih, penyambungan pinggiran sitoplasma tumpang tindih dan proses isolasi
sel tumpang tindih untuk lima ukuran daerah tumpang tindih yang berbeda-
beda yaitu >150x200 piksel, > 100 x 200 piksel, >150x150 piksel, >150x200
piksel, >100x100, dan >200x200 piksel. Tahapan pre- processing berupa
konversi warna, peningkatan citra, pengenalan objek dan pembersihan latar
belakang dengan rule klasifikasi tekstur untuk menghasilkan cropping sel
tumpang tindih secara otomatis. Segmentasi sel tumpang tindih dilakukan
untuk segmentasi sitoplasma tumpang tindih dan daerah tumpang tindih
dengan graylevel thresholding. Eliminasi sel radang dan deteksi nukleus dapat
dilakukan dengan menerapkan defenisi aturan jarak. Hasil menunjukkan
bahwa metode ini berhasil memisahkan dua sitoplasma yang tumpang tindih
secara horizontal. Menghasilkan citra sel tunggal yang terdeteksi nukleus dan
sel radang yang tereliminasi, untuk ukuran parameter-parameter yang sudah
ditentukan. Hasil verifikasi ahli patologi disimpulkan bahwa proses pemisahan
sel tumpang tindih dan eliminasi sel radang ini sudah dapat memisahkan sel
sesuai dengan cytomorphology sel, sehingga dapat membantu ahli patologi
untuk mendeteksi dini kanker serviks. Metode pemisahan sehingga dapat
membantu ahli patologi dalam deteksi dini kanker serviks
2. Metode eliminasi sel radang dapat digunakan untuk menangani keberadaan sel
radang sehingga proses identifikasi nukleus pada citra sel tunggal mikroskopis
Pap smear dapat dilakukan dan diharapkan dapat membantu ahli patologi
dalam deteksi dini kanker serviks. Hasil menunjukkan secara signifikan dapat
menghilangkan sel radang dan mendeteksi nukleus secara akurat pada sel yang
berhasil diisolasi. Hasil verifikasi ahli patologi menyebutkan bahwa metode
eliminasi sel radang telah berhasil
132
meminimalkan sel radang dan membantu patolog untuk memudahkan
penilaian terhadap struktur sel dan jenis sel. Identifikasi jenis sel sudah sesuai
dengan cytomorphology secara ilmu cytopathology, sehingga dapat membantu
ahli patologi untuk mendeteksi dini kanker serviks.
VI.2 Pengembangan Riset
Berdasarkan hasil dan keterbatasan penelitian yang telah dilakukan maka masih
terbuka peluang untuk perbaikan hasil penelitian ataupun pengembangan lebih
lanjut. Beberapa pengembangan riset yang dapat dilakukan , yaitu:
1. Metode pemisahan citra sel tumpang tindih dapat dikembangkan untuk
mengakomodir posisi sel tumpang tindih selain horizontal, variasi ukuran
daerah tumpang tindih, dan sel yang tumpang tindih yang lebih dari dua sel.
Peningkatan waktu proses pemisahan sel tumpang tindih. Fitur tekstur sel
radang dan nukleus dikembangkan terutama untuk fitur yang potensial sebagai
pembeda seperti fitur LRHGE, yaitu Long Run High Gray-Level Emphasis
yang memiliki nilai rata-rata yang berbeda cukup signifikan antara sel radang
dan sel nukleus. Penggunaan jenis pengklasifikasi lain dapat dipertimbangkan
dan penggunaan data set citra tumpang tindih lain seperti ISBI 2014.
2. Penelitian ini baru menyelesaikan sebagian kecil permasalahan yang dihadapi
oleh ahli patologi dalam proses skrinning Pap smear. Terutama untuk
mengurangi keberadaan sel radang dan sel tumpang tindih yang cukup
mengganggu proses identifikasi sel. Sedangkan permasalahan lain masih
banyak yang perlu diselesaikan pada citra sel Pap smear konvensional. Riset
dapat dilanjutkan untuk mengatasi persoalan lain seperti menghilangkan latar
belakang yang mengandung sel darah, identifikasi sel tumpang tindih
kompleks dengan batas sitoplasma yang tidak jelas, dan identifikasi sel yang
abnormal, sel menopause, serta sel yang terkena virus HPV.
Beberapa usulan riset ini diharapkan akan menghasilkan satu mekanisme otomatis
identifikasi citra Pap smear agar dapat membantu ahli patologi dalam
mengidentifikasi sel mikroskopik Pap smear pada deteksi dini kanker serviks.
133
DAFTAR PUSTAKA
Aziz, M.F. (2009): Gynecological Cancer in Indonesia, J Gynecol Oncol, 20 (1), 8–
10
Bak, E., Najarian, K., dan Brockway, J. P. (2004): Efficient Segmentation
Framework of Cell Images in Noise Environments, in Proc. 26th Int. Conf.
IEEE Eng. Med. Biol, 1, 1802–1805.
Bamford, P., dan Lovell, B. (1996): A Water Immersion Algorithm for Cytological
Image Segmentation, Proceedings of the APRS Image
134
Segmentation workshop, University of Technology Sydney, Sydney, 75-
79.
Bamford, P., dan Lovell, B. (1998): Unsupervised Cell Nucleus Segmentation With
Active Contours, Signal Processing, 71, 12, 203-213.
Begelman, G., Gur, E., Rivlin, E., Rudzsky, M., dan Zalevsky, Z. (2004): Cell
Nuclei Segmentation Using Fuzzy Logic Engine, International Conference
on Image Processing, 5, 2937-2940.
Bengtsson, E., Eriksson, O., dan Holmquist, J. (1979): High Resolution
Segmentation of Cervical Cells, J Histochem Cytochem, 27, 1, 621–628.
Bhanu, B., Lee, S., dan Ming, J. (1995): Adaptive Image Segmentation Using A
Genetic Algorithm, IEEE Transaction on Systems, Man, and Cybernetics,
25, 1543-1567.
Borst, H., Abmayr, W., dan Gais, P. (1979): A Thresholding Method for Automatic
Cell Image Segmentation, J Histochem Cytochem, 27, 1, 180– 187.
Cahn, R.L., Poulsen, R.S., dan Toussaint, G. (1977): Segmentation of Cervical Cell
Images. J Histochem Cytochem, 25, 7, 681–688.
Chang, C.W., Lin M.Y., Harn H.J., Harn,Y.C., Chen, C.H., Tsai, K.H., dan Hwang,
C.H. (2009): Automatic Segmentation of Abnormal Cell Nuclei from
Microscopic Image Analysis for Cervical Cancer Screening. Proceeding of
The 3rd IEEE International Conference on Nano-Molecular Medicine and
Engineering, Tainan, Taiwan, 77–80.
Cibas, E.S., dan Ducatman, B.S. (2009) : Cytology Diagnosis Principles and
Clinical Correlates, 3rd ed. ISBN 978-1-4160-5329-3, Saunders Elsevier, 1-
64.
Davies, E.R. (1989): Finding Ellipses Using The Generalised Hough Transform,
Pattern Recognition Letters, 9, 87-96.
Duanggate, C., Uyannovara, B., dan Koanantakul, T. (2008): A Review of Image
Analysis and Pattern ClassificationTechniguees for Automatic Pap smear
Screening Process, The 2008 International Conference on Embedded
System Intelligent Technology, Thailand, 212-217.
Garrido, A., dan Perez de la, B.N. (2000): Applying Deformable Templates for Cell
Image Segmentation, Pattern Recognition, 821-832.
Galloway (1975): Texture Analysis Using Gray Level Run Lengths, Computer
Graphics and Image Processing, 4, 172–179.
135
Goldberg, D. E. (1989): Genetic Algorithms in Search, Optimization, and
Machine Learning, Wesley Edition.
Hasanuddin, Riana, D., Dewi, D.E.O., Widyantoro, D. H., dan Mengko, T.L.R.
(2012): Detection of Cytoplast Area of Pap SmearImage Using Image
Segmentation, International Conference on Women’s Health in Science &
Engineering (WiSE Health), ITB, Bandung, 22-26.
Holmquist, J., Bengtsson, E., Eriksson, O., Nordin, B., dan Stenkvist, B. (1978):
Computer Analysis of Cervical Cells Automatic Feature Extraction and
Classification, The Journal of Histochemistry and Cytochemistry. 26, 11,
1000-1017.
Howlander, N., Noone, A.M., dan Krapcho, M. (2013): eds. SEER Cancer Statistics
Review, 1975-2010. Bethesda, MD: National Cancer Institute.
Huttenlocher, D.P., Klanderman, G.A., dan Rucklidge, W.J. (1993): Comparing
Images Using The Hausdorff Distance, IEEE Trans. Pattern Anal.
Machine Intell. 15, 850–863.
Isa, M. A. (2005 ): Automated Edge Detection Technique for Pap Smear Images
Using Moving K-Means Clustering and Modified Seed Based Region
Growing Algorithm, International Journal of The Computer, the internet
and Management. 13, 3, 45-59.
Jackway, P. (1995): Morphological Multiscale Gradient Watershed Image
Analysis, Proceedings of the 9th Scadinavian Conference on Image
Analysis (SCIA 1995), 87-94.
Jackway, P. (1996): Gradient Watersheds in Morphological Scale Space, IEEE
Transactionson Image Processing, 5, 913-921.
Jantzen, J. N., Dounias, G., dan Bjerregaard, B. (2005): Pap-smear Benchmark Data
For Pattern Classification, Technical University of Denmark, Denmark.
Jemal, A., Bray, F., Center, M.M., Ferlay, J., Ward, E., Forman, D. (2011): Global
Cancer Statistics. CA Cancer J Clin, 61(2), 69–90.
Jung, C., Kim, C., Wan Chae, S., dan Oh, S. (2010): Unsupervised Segmentation
of Overlapped Nuclei Using Bayesian Classification. IEEE Trans Biomed
Eng. 55, 12, 2825–2832.
Jung, C., dan Kim, C. (2010): Segmenting Clustered Nuclei Using H-Minima
Transform-Based Marker Extraction and Contour Parameterization. IEEE
Trans Biomed Eng. 57, 10, 2600–2604.
136
Kale, A., dan Aksoy, S. (2010): Segmentation of Cervical Images. Proceedings of
the 20th international, 2399- 2402.
Kim, K.B., Kim, S., dan Sim, K.B. (2006): Nucleus Classification and Recognition
of Uterine Cervical Pap-Smears Using Fuzzy ART Algorithm. Proc 6th Int
Conf Simul Evol Learning, Lect Notes Comput Sci
, 4247, 560–567.
Kim, K.B., Song, D. H., dan Woo, Y.W. (2007): Nucleus Segmentation and
Recognition of Uterine Cervical Pap-smears. Proc 11th RSFDGrC, Lect
Notes Comput Sci, 4482, 153–160.
Kusuma, F. (2012): Tes Pap Dan Cara Deteksi Dini Kanker Serviks Lainnya,
Departemen Obstetri dan Ginekologi Fakultas Kedokteran Universitas
Indonesia RSUPN Dr. Cipto Mangunkusumo, Prevention and Early
Detection of Cervical Cancer (PEACE), Jakarta
Lassouaoui, N dan Hamami, L. (2003): Genetic Algorithms and Multifractal
Segmentation of Cervical Cell Images, Proc. Of IEEE-EURASIP 7th
International Symposium on Signal Processing and its Applications, 2, 1- 4.
Lee, K.M., dan Street, W.N. (2000): Learning Shapes for Automatic Image
Segmentation. Proc. INFORMS-KORMS Conference, ,Seoul, Korea, 1461-
1468.
Lezoray, O., dan Cardot, H. (2002): Cooperation of Color Pixel Classification
Schemes and Color Watershed: A Study for Microscopic Images, IEEE
Trans. Image Process, 11, 7, 783–789.
Li, Z., dan Najarian, K. (2007): Biomedical Image Segmentation Based on Shape
Stability, Proceedings of the 14th IEEE International Conference on
Image Process (ICIP), San Antonio, 281–284.
Lin, C. H., Chan,Y. K., dan Chen, C. C. (2009): Detection and Segmentation of
Cervical Cell Cytoplast and Nucleus, Int. J. Imaging Syst. Technol, 19, 3,
260–270.
Lu, Z., Carneiro, G., dan Bradley, A.P. (2015): An Improved Joint Optimization of
Multiple Level Set Functions for the Segmentation of Overlapping Cervical
Cells, IEEE Transactions On Image Processing, 24, 4, 1261- 1272.
MacAulay, C., dan Palcic, B. (1988): A Comparison of Some Quick and Simple
Threshold Selection Methods for Stained Cells. Anal Quant Cytol Histol, 10
(2), 134–138.
Malm, P., dan Brun, A. (2009): Closing Curves with Riemannian Dilation:
Application to Segmentation Inautomated Cervical Cancer Screening.
137
Proc 5th Int Symp Visual Comput 2009, Lect Notes Comput Sci, 5875,
337–346.
Malviya, R.P.K.K., Chatterjee, J., Manjunatha, M., dan Ray, A.K. (2012):
Computer Assisted Cervical Cytological Nucleus Localization, Department
of Information Technology, Govt. of India, New Delhi.
Moshavegh, R., Ehteshami, B.B., Mehner, A., Sujathan, K., Maim., dan Bengtsson,
E. (2012): Automated Segmentation of Free-Lying Cell Nuclei in Pap
Smears for Malignancy-Associated Change Analysis, 34th Annual
International Conference of the IEEE EMBS San Diego, California USA,
5372-5375.
Muhimmah, I., Kurniawan, R., dan Indrayanti. (2012): Automatic Epithelial Cells
Detection of Pap smears images using Fuzzy C-Means Clustering, 4th
International Conference on Bioinformatics and Biomedical Technology,
122-127.
Muhimmah, I., Kurniawan, R., dan Indrayanti. (2013): Analysis of Features to
Distinguish Epithelial Cells And Inflammatory Cells in Pap smear Images,
6th International Conference on Biomedical Engineering and Informatics
(BMEI 2013), 122-127.
Mustafa, N., Isa, M.N.A., dan Mashor, M.Y. (2009): Automated Multicells
Segmentation of Thinprep® Image Using Modified Seed Based Region
Growing Algorithm. Biomed Soft Comput Hum Sci. 14 (2), 41–47.
Nallaperumal, K., dan Krishnaveni, K. (2008): Watershed Segmentation of Cervical
Images Using Multiscale Morphological Gradient and HSI Colour Space.
Int J Imag Sci Eng (IJISE), 2 (2), 212–216.
Papanicolaou, G.N. (1942): A New Procedure for Staining Vaginal Smears,
Science. 95, 2469, 438–439.
Poulsen, R.S., dan Pedron, I. (1995): Region of Interest Finding in Reduced
Resolution Colour Imageryapplication to Cancer Cell Detection. Pattern
Recognition, 28(11), 1645–1655.
Philip, K. P., Dove, E. L, McPherson, D.D, Gotteiner, N.L, Standford, W dan
Chandran, K.B. (1996): The Fuzzy Hough Transform-Feature Extraction in
Medical Images, IEEE Transactions on Medical Imaging. 15, (3), 353- 368.
Plissiti, M.E., Nikou, C dan Charchanti A. (2010): Accurate Localization of Cell
Nuclei in Pap Smearimages Using Gradient Vector Flow Deformable
Models. In: Proceeding of the 3rd internationalmconference on Bio-
inspired Signals and Systems (BIOSIGNALS), Valencia, Spain, 284–289.
138
Plissiti, M.E., Nikou, C. dan Charchanti, A. (2011a): Automated Detection of Cell
Nuclei in Pap Smear Images Using Morphological Reconstruction and
Clustering, IEEE Transactions On Information Technology In Biomedicine.
15, (2), 233-241
Plissiti, M.E., Nikou, C. dan Charchanti, A. (2011b): Combining Shape, Texture
and Intensity Features for Cell Nuclei Extraction in Pap Smear Images,
Pattern Recognition Letters, 32, (6), 838–853
Plissiti, M.E. dan Nikou, C. (2012a): Overlapping Cell Nuclei Segmentation Using
A Spatially Adaptive Active Physical Model, 11, 4568-80, doi:
10.1109/TIP.2012.2206041.
Plissiti, M.E. dan Nikou, C. (2012b): Methods for Cytological Images Analysis.
PhD Thesis, University of Ioannina, Greece, 1-113.
Plissiti, M.E dan Nikou. C. (2013): A Review of Automated Techniques for
Cervical Cell Image Analysis and Classification. Iacoviello, D. and
Andreaus, U. (eds.), Biomedical Imaging and Computational Modeling in
Biomechanics, Lecture Notes in Computational Vision and Biomechanics 4,
ISSN 2212-9391, ISSN 2212-9413 (electronic), ISBN 978-94-007-
4269-7, ISBN 978-94-007-4270-3 (eBook), DOI 10.1007/978-94-007-
4270-3_1, Springer Science+Business Media Dordrecht, 1-18.
Pratama, G.K., Riana, D., Dewi, D.E.O., Widyantoro, D.H., dan Mengko, T.L.R.
(2012): Pap Smear Nuclei Tekstur Analysis. International Conference on
Women’s Health in Science & Engineering (WiSE Health), ITB, Bandung,
18-22.
Prayitno, A. (2006): Cervical Cancer With Human Papilloma Virus and Epstein
Barr Virus Positive, Journal Of Carcinogenesis, doi:10.1186/1477-3163- 5-
13. 5, 13.
Purwadi, S. (2012): Indonesian Cervical Cancer Challenge, Divisi Oncologi Dept
Obstetrics Gynecology Faculty of Medicine. Universitas Indonesia,
Prevention and Early Detection of Cervical Cancer (PEACE).
Riana, D, dan Murni, A. (2009): Performance Evaluation of Pap Smear Cell Image
Classification Using Quantitative And Qualitative Features Based on
Multiple Classifiers. In: Proceedings of the international conference on
Advanced Computer Science and Information Systems (ACSIS’09) Jakarta,
Indonesia, 38–42.
Riana, D (2010): Hierarchical Decision Approach Berdasarkan Importance
Performance Analysis untuk Klasifikasi Citra Tunggal Pap Smear
Menggunakan Fitur Kuantitatif Dan Kualitatif, Thesis. Faculty of Computer
Science, University of Indonesia.
139
Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012b): Segmentasi
Luas Nukeus Sel Normal Superfisial Pap smear Menggunakan Operasi
Kanal Warna dan Deteksi Tepi, Seminar Nasional Inovasi Teknologi,
Jakarta.
Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012c):
Segmentation and Area Measurement in Abnormal Pap Smear Images
Using Color Canals Modification with Canny Edge Detection, International
Conference on Women’s Health in Science & Engineering (WiSE Health),
ITB, Bandung, 106-109.
Riana, D., Dewi, D.E.O., Widyantoro, D. H., Mengko, T.L.R. (2012d): Color
Canals Modification with Canny Edge Detection and Morphological
Reconstruction for Cell Nucleus Segmentation and Area Measurement in
Normal Pap Smear Images, The Fourth International Conference on
Mathematics and Natural Sciences (ICMNS), ITB, Bandung, 414-417
Riana, D., Widyantoro, D. H., dan Mengko, T.L.R (2013a): Perbandingan
Segmentasi Luas Nukleus Sel Normal dan Abnormal Pap Smear
Menggunakan Operasi Kanal Warna dengan Deteksi Tepi Canny dan
Rekonstruksi Morfologi, Jurnal TICOM, ISSN 2302 –3252, Jakarta,
Indonesia, 1,(2), 70-78.
Riana, D., Widyantoro, D. H., dan Mengko, T.L.R (2013b): Ekstraksi dan
Klasifikasi Tekstur Citra Sel Nukleus Pap Smear, Jurnal TICOM, ISSN
2302 –3252, Jakarta, Indonesia, 1, (3), 186-193.
Riana, D., Widyantoro, D.H., Mengko, T.L.R, dan Kalsoem, O. (2014b): Ekstraksi
Fitur Kuantitatif Tekstur Dan Klasifikasi Sel Nukleus Dan Sel Radang Pada
Citra Pap Smear, Konferensi Nasional Ilmu Komputer, Aptikom, Makasar.
Ryan, S., dan Hall, M. (2006): Practical Data Mining, University of Waikato.
Samadi, H.P., (2011). Yes, I Know Everything about Kanker Serviks! Mengenali,
Mencegahnya, dan Bagaimana Anda Menjalani Pengobatannya, Women
Health Series Tumor & Kanker, Metagraf.
Saslow, D., Solomon, D., Lawson, H.W. (2012): American Cancer Society,
American Society for Colposcopy and Cervical Pathology, and American
Society for Clinical Pathology Screening Guidelines for The Prevention and
Early Detection of Cervical Cancer, Am J Clin Pathol, 137, 516–542.
Siegel, R., Ma, J., Zou, Z., dan Jemal, A. (2014): Cancer Statistics, CA Cancer J
Clin. In press.
140
Soille, P. (1999): Morphological Image Analysis, Principles and Applications,
Springer-Verlag, 173-174.
Smith, R.A, Baptiste, D. M, Brooks, D., Cokkinides,V., Doroshenk, M., dan
Saslow,D. (2014): Cancer Screening in the United States, 2014: A Review
of Current American Cancer Society Guidelines and Current Issues in
Cancer Screening, Ca Cancer J Clin , 64, 30–51.
Suryatenggara, J., Ane, B.K., Pandjaitan, M., Steinberg, W. (2009): Pattern
Recognition on 2d Cervical Cytological Digital Images for Early Detection
of Cervix Cancer, IEEE 978-1-4244-5612-3/09/.
Tareef, A., Song, Y., Cai1, W., Feng, D.D., dan Chen, M. (2015): Automated Three-
Stage Nucleus and Cytoplasm Segmentation of Overlapping Cells, 13th
International Conference on Control, Automation, Robotics & Vision
Marina Bay Sands, Singapore, (ICARCV 2014), 865-870.
Tjindarbumi, D., dan Mangunkusumo, R. (2002): Cancer in Indonesia, Present and
Future, Jpn J Clin Oncol, 32(Suppl), S17–S21.
Tsai, M.H., Chan,Y.K., Lin, Z.Z., Yang-Mao, S.F., dan Huang, P.C. (2008):
Nucleus and Cytoplast Contour Detector of Cervical Smear Image, Pattern
Recognit Lett, 29, 1441–1453.
Ushizima, D.M., Gomes, A.H., Carneiro, C.M., dan Bianchi, A.G.C. (2013):
Automated Pap Smear Cell Analysis: Optimizing the Cervix Cytological
Examination, 12th International Conference on Machine Learning and
Applications, 441-444.
Vaschetto, F., Montseny, E., Sobrevilla, F., dan Lerma, E. (2009) Threecond: An
Automated and Unsupervised Three Colour Fuzzy-Based Algorithm For
Detecting Nuclei in Cervical Pap Smear Images, in Proceedings of the 9th
International Conference on Intelligent Systems Design and Applications,
1359-1364.
Williams, D., dan Shab, M. (1992): A fast algorithm for active contours and
curvature estimation, Computer Vision. Graphics and Image Processing:
Image Understanding, 55, 14-26.
Witten, I.H. dan Frank, G. (2000): Data Mining: Practical Machine Learning Tools
with Java Implementations, Morgan Kaufmann, San Francisco.
Wu, H.S., Barba, J., dan Gil, J. (1998): A Parametric Fitting Algorithm for
Segmentation of Cell Images, IEEE Trans. Biomed. Eng, 45, (3), 400–407.
Xu, D., Kurani, A.S., Furst, J.D., dan Raicu, D.S. (2004): Run-length Encoding for
Volumetric Texture, The 4th IASTED International Conference on
Visualization, Imaging, and Image Processing.
141
Yang-Mao, S. F, Chan, Y. K., dan Chu, Y. P. (2008): Edge Enhancement Nucleus
and Cytoplast Contour Detector of Cervical Smear Images, IEEE Trans.
Syst. Man Cybern. B, Cybern, 38, (2), 353–366.
Yung, F. C, Po-Chi, H., Ker-Cheng. L., Hsuan-Hung. L, Li-En, W, Chung-Chuan,
C., dan John, Y. C. (2014): Semi-Automatic Segmentation and of Pap Smear
Cells, IEEE Journal Of Biomedical and Health Informatics, 18, 94- 108.
Zimmer, C dan Olivio-Martin, C. (2005): Coupled Parametric Active Contours,
IEEE Transactions on Pattern Analysis and Machine Intelligence, 27, (11),
1838-1842.
Pustaka dari Situs Internet :
Martin E. (2003): Pap smear classification. Technical University of Denmark –
DTU,http://labs.fme.aegean.gr/decision/images/stories/docs/martin2003.zi
p . Download (diturunkan/diunduh) pada 20 Januari 2013.
Plissiti, M.E. (2012b) : Methods for Cytological Image Analysis, University of
Ioannina Greece, http://www.cs.uoi.gr/tech_reports/publications/PD-2012-
2.pdf. Download (diturunkan/diunduh) pada 19 November 2014.
Romberg J, Akram W and Gamiz J. (1997): Image segmentation using region
growing.Available:
http://www.owlnet.rice.edu/~elec539/Projects97/WDEKnow/index.html
Download(diturunkan/diunduh) pada 15 Mei 2013.
Riana D, Murni A, Widyantoro. D. H, Mengko T.L.R. (2012a): Quantitative and
Qualitative Features of Pap Smear Cell Image Using Importance
Performance Analysis for Hierarchical Decision Approach, e-journal
Aptikom, ISSN : 2088-2335 (Print) – 2088-2343 (Online) International
Conference On ICT For Better Life 2012 in Hongkong. 21 Juli 2012
http://portalgaruda.org/?ref=browse&mod=viewarticle&article=49408
Download(diturunkan/diunduh) pada 21 Juli 2012.
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 22 Oktober 1970 di Palembang, Sumatera Selatan.
Putri kedua dari lima bersaudara dari Bapak H. Zakaria Husein Safe’i dan Ibu Hj.
Salbiyah Saropi. Ia lulus dari SD Xaverius VII Palembang tahun 1982, SMP Negeri
15 Palembang tahun 1986 dan SMA Negeri IV Palembang pada tahun 1989.
142
Ia memperoleh gelar Sarjana pada tahun 1994 di Jurusan Matematika Universitas
Sriwijaya, Palembang. Magister Manajemen konsentrasi Sistem Informasi pada
tahun 2004 di Program Studi Magister Manajemen Universitas Budi Luhur Jakarta.
Magister Ilmu Komputer pada tahun 2010 di Program Studi Pascasarjana Magister
Ilmu Komputer Universitas Indonesia dengan Beasiswa Pendidikan Pasca Sarjana
(BPPS) DIKTI. Pada tahun 2013, memperoleh beasiswa Program Peningkatan
Program Peningkatan Kualitas Publikasi Internasional (PKPI) (dh Sandwich
Program) di Departement of Computer Science, University of Ioannina, Greece.
Sejak tahun 1995 ia menjadi staf pengajar pada AMIK BSI di Jakarta. Pada tahun
2003 ia menjadi staf pengajar di Jurusan Sistem Informasi STMIK Nusa Mandiri.
Mulai Tahun 2010 aktif di Program Studi Magister Manajemen dan Fakultas
Teknik di Universitas BSI Bandung.
Penulis menikah dengan H. Moch Hendro Gunawan, ST, MT pada tahun 1997 dan
mempunyai dua orang anak, putri pertama Alya Shafira Hewiz, 16 tahun, dan putra
bungsu, Rayhan Konan Ferdion, 11 tahun.
Daftar publikasi :
1. Riana, D., Plissiti, E. M, Nikou. C., Widyantoro, D.H., Mengko, T.L.R,
Kalsoem, O. (2014) Inflammatory Cell Extraction And Nuclei Detection
In Pap Smear Images, International Journal of E-Health and Medical
Communications (IJEHMC), ISSN: 1947315x, 19473168, Vol:6, Issue:2,
27-43, April-June 2015
2. Riana. D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R (2014) : Color Canals
Modification With Canny Edge Detection And Morphological
Reconstruction For Cell Nucleus Segmentation And Area Measurement In
Normal Pap Smear Images, AIP Publishing – American Institute of Physics
Suite 1 No 1, 2 Huntington Quadrangle Melville, NY 11747-4502 USA –
1589, 1589 414 (2014); doi: 10.1063/1.4818832.
http://scitation.aip.org/content/aip/proceeding/aipcp/10.1063/1.4868832
3. Riana D, Widyantoro. D. H, Mengko T.L.R (2013): Ekstraksi dan klasifikasi
tekstur citra sel nukleus pap smear, Jurnal TICOM Vol.1 No.3 Mei 2013,
Hal 186-193, ISSN 2302 –3252, Jakarta, Indonesia
http://portalgaruda.org/?ref=browse&mod=viewarticle&article=132260
143
4. Riana D, Widyantoro. D. H, Mengko T.L.R (2013): Perbandingan Segmentasi
Luas Nukleus Sel Normal dan Abnormal Pap Smear Menggunakan
Operasi Kanal Warna dengan Deteksi Tepi Canny dan Rekonstruksi
Morfologi, Jurnal TICOM Vol.1 No.2 Jan 2013, Hal 70-78, ISSN 2302 –
3252, Jakarta,Indonesia
http://portalgaruda.org/?ref=browse&mod=viewarticle&article=29237
Daftar seminar dan konferensi yang diikuti :
1. Riana, D., Widyantoro, D.H., Mengko, T.L.R, Kalsoem, O. (2014).
Ekstraksi Fitur Kuantitatif Tekstur Dan Klasifikasi Sel Nukleus Dan Sel
Radang Pada Citra Pap Smear. Konferensi Nasional Ilmu Komputer,
Aptikom, Makasar 4-6 Desember 2014.
2. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012): Segmentation
and Area Measurement in Abnormal Pap Smear Images Using Color
Canals Modification with Canny Edge Detection. International
Conference on Women’s Health in Science & Engineering (WiSE Health),
ITB, Bandung. (24-11-2012)
3. Pratama GK, Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):
Pap smear nuclei tekstur analysis, International Conference on Women’s
Health in Science & Engineering (WiSE Health), ITB, Bandung.
4. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012): Color canals
modification with canny edge detection and morphological reconstruction
for cell nucleus segmentation and area measurement in normal pap smear
images. The Fourth International Conference on Mathematics and Natural
Sciences (ICMNS), ITB, Bandung.
5. Hasanuddin, Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):
Detection of Cytoplast Area of Pap Smear Image Using Image
Segmentation, International Conference on Women’s Health in Science &
Engineering (WiSE Health), ITB, Bandung.
6. Riana D, Murni A, Widyantoro. D. H, Mengko T.L.R. (2012): Quantitative
and Qualitative Features of Pap Smear Cell Image Using Importance
Performance Analysis for Hierarchical Decision Approach, e- journal
Aptikom, ISSN : 2088-2335 (Print) – 2088-2343 (Online) International
Conference On ICT For Better Life 2012 in Hongkong. 21 Juli 2012
http://portalgaruda.org/?ref=browse&mod=viewarticle&article=49408
7. Riana D, Dewi D.E.O, Widyantoro. D. H, Mengko T.L.R. (2012):
Segmentasi Luas Nukeus Sel Normal Superfisial Pap smear Menggunakan
Operasi Kanal Warna dan Deteksi Tepi. Seminar Nasional Inovasi
Teknologi, Jakarta. 2012.
144
https://drive.google.com/a/bsi.ac.id/file/d/0BzeEZJN_MGUrNDRUUzRq
VVpaTDg/edit
8. Riana D, (2010): Prediction Image Pap Smear Web Based With Decision Tree,
Proceedings International Seminar of Information Technology- Green
Technology For Better World, ISBN 978-602-97962-0-9, 181- 185,
Jakarta Indonesia.
9. Riana D. (2010): Expert System Female Reproduction Cancer and Herbal
Treatment with certainty Factor Method, Proceedings International
Seminar Information Technology ISIT (2010) Green Technology For
Better World, ISBN 978_602-97962- 0-9. Jakarta Indonesia
10. Riana D, Murni A. (2009): Performance evaluation of Pap smear cell image
classification using quantitative and qualitative features based on multiple
classifiers. In: Proceedings of the international conference on Advanced
Computer Science and Information Systems (ACSIS’09) Jakarta,
Indonesia, 38–42.
11. Riana D, Murni A .(2009) : Classification of Pap Smear Cell Image Based On
Quantitative Features Using Multiple Classifier System, Proceedings
International Seminar of Information Technology, ISSN 2086-1796, 101-
105. Jakarta Indonesia.
Daftar hibah penelitian yang pernah diperoleh:
1. Reduksi Sel Radang dan Deteksi Nukleus pada Citra Pap Smear. Penelitian
Disertasi Doktor; Keputusan Direktur Penelitian dan Pengabdian kepada
Masyarakat Nomor: 0263/E5/2014 didanai DIKTI – 2014.
2. Penggunaan E-learning Dalam Penanggulangan Penyakit Menular
Menggunakan Moodle 1.9. PKMT Research. No. SP2H
:003/SP2H/PP/DP2M/III/2007, No DIPA :0148.0/023-04.0/XI/2008 didanai
DIKTI – 2010.
3. Analisis Keunggulan Kompetitif UKM dengan Pendekatan Soft Systems
Methodology Approach. PKMT Research. No.
SP2H:003/SP2H/PP/DP2M/III/2007,No DIPA :0148.0/023-04.0/XI/2008
didanai DIKTI -2010.
4. Pengukuran Kualitas Desain Web dan Kepuasan Pengguna Transaksi Bisnis
Berjenis Kelamin Wanita No.SP2H:003/SP2H/PP/DP2M/III/2007 didanai
DIKTI -2009.
5. Pemodelan Nilai Persentil Data Antropologi Siswa untuk Pemodelan Kursi dan
Meja Sekolah Software Humancad Mannequin. No. SP2H :
003/SP2H/PP/DP2M/III/2007, didanai DIKTI-2008.
145
LAMPIRAN
1. Makalah pada Jurnal Internasional IJEHMC
2. Makalah pada American Institute of Physics (AIP) Publishing