pendeteksian kanker payudara pada citra mammogram

18
Disusun Oleh Rr. Intan Ari Budiastuti NIM 2215206705 Memenuhi tugas Penelitian Bidang Riset 29 September 2015 Menggunakan Gray Level Cooccurence Matrix (GLCM) dan Jaringan Syaraf Tiruan Back Propagasi

Upload: tokopopokkain-asyfah

Post on 06-Dec-2015

42 views

Category:

Documents


0 download

DESCRIPTION

Biomedik, digital image processing

TRANSCRIPT

Disusun Oleh Rr. Intan Ari Budiastuti

NIM 2215206705

Memenuhi tugas Penelitian Bidang Riset

29 September 2015

Menggunakan Gray Level Cooccurence Matrix (GLCM) dan Jaringan Syaraf

Tiruan Back Propagasi

Breast cancer penyebab kedua kematian wanita

[www.cancer.org]

Untuk deteksinya salah satunya menggunakan mammografi.

Ahli radio harus terlatih membaca mammogram ( hasil dari

mammografi ) yang mungkin samar dan mungkin tidak

menunjukkan fitur keganasannya.

Metode yang digunakan di penelitian ini GLCM yang

digunakan untuk mengekstrasi ciri dari citra dan JST Back

Propagasi untuk klasifikasinya.

Menggunakan metode supervised

Citra dapat dinyatakan sebagai fungsi kontinu dua dimensi, f(x,y), x

dan y menyatakan koordinat ruang atau letak pixel penyusunnya dan

nilai f pada suatu koordinat (x,y) menyatakan kecerahan dan informasi

warna citra. [1]

Citra digital representasi citra dalam bentuk diskrit, baik pada

koordinat ruang maupun nilai intensitas cahayanya

Citra digital direpresentasikan matrik dimensi M x N dengan M adalah

tinggi citra dan N lebar citra. Setiap cell matrik berisi 1 pixel yang

mempunyai nilai intensitas 0 – 255 ( pada 8 bit)

Sedangkan Pengolahan citra digital merupakan pengolahan citra digital

dengan bantuan komputer

Mammogram yang digunakan dalam deteksi ini merupakan citra hasil

mammografi

1. Mammogram yang digunakan untuk penelitian tersebut adalah

citra mammogram dari database MIAS (Mammograpic Image

Analysis Society) Disimpan dalam bentuk bitmap

2. Citra yang digunakan : 41 citra uji dan 62 citra latih

3. Penelitian dibatasi hanya pada keadaan normal dan tidak

normal , belum sampai deteksi level kanker

Pada pendeteksian ini dilakukan tahap tahapan proses diatas

Merupakan Proses yang dilakukan sebelum

pengolahan data digital

Dalam sistem ini, preprocessing dilakukan

untuk mendapatkan citra gray yang

diinginkan. Citra ini akan digunakan untuk

proses selanjutnya

Pada sistem ini dilakukan tahapan

prepocessing berikut :

• Konversi Gray scale

• Interpolasi

• Amoeba mean filter

• Segmentasi

Gambar mammogram merupakan gambar RGB, RGB

direpresentasikan menjadi 3 matrik R, G dan B. Untuk mengolah

gambar, gambar ini harus diubah menjadi gray scale dengan cara

mengambil nilai rata – rata dari R, G dan B, algoritma:

(R + G + B ) / 3

Pada matlab, grayscale bisa dilakukan dengan menggunakan fungsi

rgb2gray algoritma yang digunakan :

0.2989 * R + 0.5870 * G + 0.1140 * B

1 pixel terdiri dari (R, G, B) = (120, 200, 240)

Jika gambar dijadikan gray scale , 1 pixel tersebut akan dikalkulasi

berdasarkan algoritma diatas

Setelah proses grayscale dilakukan Interpolasi untuk resample kemudian dilakukan proses

menghilangkan noise

Dalam penelitian ini menghilangkan noise menggunakan Amoeba mean filter (AMF) [3]

Proses menghilangkan noise ini diperlukan agar proses ekstrasi ciri lebih efektif , tidak

perlu menghitung noise yang ada.

Pada AMF filtering lebih adaptif dengan konten citra. Langkah awal mengaplikasi gaussian

blur kemudian menentukan threshold dan radius. Radius digunakan untuk menentukan

ukuran window. Kemudian membaca pixel untuk menentukan selisih pixel dengan nilai

rata pada windows. Jika kurang dari threshold maka akan dijadikan tetangga dan

digunakan untuk perhitungan MEAN FILTER

Classic Filter Kernel , melakukan filter

dengan size window yang sudah fix

Amoeba filter kernel akan

beradaptasi dengan konten image

Perbedaan Filtering

Tujuan Segmentasi untuk menentukan objek yang

akan diteliti. Akan dipisahkan objek dan latar

belakang image sehingga terbentuk ROI ( Region of

Interest )

Langkahnya

•Tentukan Threshold

•Jika pixel lebih besar atau sama dengan threshold

maka akan dijadikan pixel ketetanggaan sehingga

membentuk ROI

•Jika lebih kecil akan diberi warna hitam dan tidak

akan dgunakan sebagai objek penelitian. Ciri yang

dicurigai mempunyai pixel dengan intensitas tinggi

atau lebih dari 0

Tekstur adalah sifat yang dimiliki dari permukaan benda.

Citra digital dapat dipandang memiliki variasi derajat keabuan

GLCM dapat digunakan untuk menganalisa tekstur dari citra

mammogram

Langkah Analisa pembentukan matrik GLCM:

1. Tentukan jumlah derajat keabuan yang berbeda dalam citra.

2. Untuk matriks dibawah ini jumlah derajat ada 8 yaitu

1,2,3,4,5,6,7,8 kemudian bentuk matriks 8 x 8 dengan 8 berarti

jumlah derajat keabuan image tersebut. Elemen dalam matriks

GLCM menyatakan jumlah kemunculan pixel. Untuk (1,1) muncul

sebanyak 1 kali, (1,2) muncul sebanyak 2 kali

3. Pada tahap pembetukan GLCM di penelitian ini , menggunakan 4

arah (0⁰, 45⁰, 90⁰, 180⁰) d=1 dan d=2. ‘d’ merupakan jarak. Langkah

berikutnya menentukan arah yang digunakan

4. Setelah menentukan arahnya, selanjutnya membentuk matriks

kookurensi dengan cara menghitung frekuensi kemunculan pasangan

nilai keabuan piksel referensi dan piksel tetangga pada jarak dan

arah yang ditentukan.

Elemen dalam matriks GLCM menyatakan jumlah kemunculan pixel.

Berdasarkan contoh pada gambar di bawah ini, pada arah 0⁰untuk

(1,1) muncul sebanyak 1 kali, nilai 1 diisikan pada matriks GLCM

sedangkan (1,2) muncul sebanyak 2 kali , nilai 2 diisikan pada

matrik glcm di posisi (1,2)

• Setelah GLCM terbentuk selanjutnya Menghitung propablitas

setiap elemen GLCM dengan cara membagi setiap elemen dengan

total jumlah semua elemen dalam matrik GLCM.

• Menghitung ciri statistik GLCM yang digunakann dalam penelitian

ini yaitu kontras, energi, entropi, korelasi dan homogenitas.

• Menghitung rata – rata ciri statistik pada semua arah yang

terbentuk

• Berikut adalah fungsi yang digunakan untuk statistik penelitian ini

• Jaringan syaraf tiruan ( JST) teriinspirasi dari sebuah struktur jaringan

syaraf manusia.

• JST merupakan sebuah model komputasi dari otak manusia yang

mampu melakukan perhitungan, pengenalan dan mengambil keputusan

• JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk

memecahkan suatu masalah berdasarkan input eksternal ( input

sistem) dan internal ( bobot) yang mengalir di jaringan itu.

Memodelkan hubungan yang kompleks antara input dan output untuk

menemukan pola datanya

• Jaringan Syaraf Tiruan backpropagation merupakan jaringan yang

sering digunakan untuk memecahkan persoalan.

• JST-BP menggunakan algoritma belajar supervised learning

menggunakan citra latih untuk pembentukan pola jaringan dengan

tujuan klasifikasi kelas yang sudah ditentukan

• X1 adalah layer input

• Z1... Zm adalah hidden layer yang

berfungsi memproses inputan dengan

sebuah fungsi yang ditentukan

• Z1 ..zm pada hidden layer yang kedua

yang akan memproses inputan hasil

dari fungsi hidden layer 1

• Y0 dan Y1 merupakan layer output

• Penentuan jumlah hidden layer dan

hidden neuron pada JST-BP dilakukan

melalui proses trial dan error

• Makin banyak jumlah hidden layer

dan hidden neuron belum tentu

makin baik jaringan yang dibentuk

tapi bisa memperbesar waktu

komputasi

Ketika jaringan diberi inputan saat proses training, maka

pola tersebut menuju hidden layer untuk diteruskan ke

output layer. Kemudian output layer akan respon, jika

keluaran jaringan tidak sama dengan yang diharapkan

maka keluaran akan balik mundur pada hidden layer.

Algoritma pelatihan jaringan syaraf tiruan backpropagation

:

1. Definisi masalah, misalkan nilai masukan( P)

2. Inisialisasi, menetapkan nilai-nilai bobot (W1 dan W2)

Max eEpoh = 0 , dan learning rate (lr).

3. Pelatihan jaringan

Pelatihan maju

Tiap unit input menerima data dan meneruskan ke hidden

layer. Keluaran untuk hidden layer dihitung dengan fungsi :

m

i iWiPe

A

1 1.1

1

1

A1 : keluaran pada hidden unit

W : bobot

P : nilai masukan

Kemudian hasilnya akan digunakan untuk mendapatkan

keluaran dari output layer yaitu :

n

j iWiAe

A

1 2.2

1

1

Galat merupakan selisih antara nilai keluaran yang

diinginkan (T) dengan keluaran sesungguhnya (A2),

sebagai berikut :

E = T – A2

Sum Square Error (SEE) yang dinyatakan oleh persamaan berikut :

2ESSE

• Perbaiki bobot jika E masih lebih besar

• Wi(baru) = wi(lama) + αtxi

• Proses training masih terus berlanjut sampai Error hasil

keluaran sesuai dengan yang diinginkan. Jika error masih

lebih besar perhitungan balik dilakukan ini namanya

metode back propagasi karena ada perhitungan balik ke

hidden layer jika error masih besar. Saat terjadi peehitungan

balik ada perbaikan pada bobot di hidden layer

• Selama epoch atau jumlah training belum terpenuhi atau SSE

yang diinginkan belum dicapai maka trainig terus dilakukan

• Hasil akhir pelatihan jaringan adalah didapatkan bobot yang

kemudian nilai tersebut disimpan untuk pengujian jaringan

Training JST menghasilkan bobot jaringan, yang digunakan untuk

jaringan sistem pengujian

Hasil training membentuk parameter :

2 layer tersembunyi dan jumlah node sebanyak 19 node pada

hidden layer, learning rate=0,001

Citra uji diujikan ke sistem dengan menggunakan jaringan yang

telah terbentuk menggunakan bobot hasil pelatihan dan

parameter

Pada tahap pengujian, hanya melakukan fase maju dimana akan

dilakukan perhitungan semua keluaran di hidden layer dan di

layer keluaran.

Di penelitian ini disimpulkan metode ekstrasi ciri GLCM 4 arah

dengan d=1 mampu mengklasifikasikan citra mammogram

[1] Rafael C.Gonzales and Ricard E. Woods, Digital Image

Processing. Addition Wesley.

[2] Refta Listia*1, Agus Harjoko2,Klasifikasi Massa pada Citra

Mammogram Berdasarkan Gray Level Cooccurence Matrix

(GLCM), 2014

[3] Lerallut, R., et al. 2005. Image Filtering Using Morphological

Amoebas. Centre de Morphologie Mathématique, École des

Mines de Paris.

[4] Handayani Irma, 2003. pengenalan iris mata menggunakan filter

wavelet dan jaringan syaraf tiruan

[5] Maharani, Warih, Klasifikasi data menggunakan JST

Backpropagation momentum dengan adaptive learning rate