KJ

DETEKSI BATAS CITRA LESI KANKER KULIT

Sentot Pambudi, SKom, MMSI



PENDAHULUAN.

Kanker kulit merupakan salah satu jenis kanker yang cukup serius. Walaupun, malignant melanoma (salah satu jenis kanker kulit yang fatal) bukan merupakan kanker yang banyak terjadi di Indonesia, tetapi kanker tersebut tumbuh lebih cepat dibandingkan jenis kanker yang lain [1]. Diagnosis dini terhadap kanker tersebut merupakan hal yang penting, karena kemungkinan untuk dapat disembuhkan pada tahap dini sangat besar. Dermatoscopic adalah teknik pencitraan non-invasive dengan menggunakan minyak immersion, yang akan membuat permukaan kulit lebih transparan, sehingga memberikan visualisasi yang lebih baik bagi struktur-struktur permukaan kulit. Citra dermatoscopic memberikan gambaran yang lebih detail dibandingkan dengan citra macroscopic.


Gambar 1. a) Citra macroscopic (kiri) b) Citra Dermatoscopic (kanan)


Gambar 1 memperlihatkan citra macroscopic dan dermatoscopic untuk lesi kulit yang sama. Penelitian-penelitian terbaru menunjukan diagnosis dengan menggunakan dermatoscopic memiliki tingkat akurasi 75% s.d. 97%, sedangkan penggunaan diagnosis dengan menggunakan macroscopic memiliki tingkat akurasi 65% s.d. 80% [1,3]. Hal tersebut menunjukkan bahwa diagnosis dengan menggunakan dermatoscopic mungkin akan memberikan hasil yang kurang akurat dibandingkan macroscopic, jika dilakukan oleh ahli kulit yang belum berpengalaman [1]. Karena itu, untuk menutupi celah produktivitas, tingkat kesulitan dan subjektivitas yang ada pada interpretasi manusia, keberadaan pengembangan sistem penunjang diagnosis penyakit kanker kulit berbantukan komputer merupakan menjadi suatu kebutuhan [4].

ELM acquisition
slides video
Other techniques
ultra-sound, confocal mircoscopy, etc.
digitization Pre-processing
contour extraction
Analysis
color
texture
symmetry
border
regularity
…
nth feature
segmentation
clinical knowledge
Statistical classification
Application
database
diagnosis
follow up
teaching
histological analysis

Gambar 2. Computer Aided Diagnosis (CAD) system [7]


Tahapan pertama pada sistem penunjang diagnosis penyakit kanker kulit berbantukan komputer adalah mendeteksi batas lesi kanker kulit. Tujuan dari tahap ini adalah memisahkan lesi dari kulit sehat yang ada pada sekelilingnya, sehingga memudahkan dalam melakukan analisis fitur-fitur lainnya (Asysmetris, Border, Color, Diameter). Pentingnya akurasi deteksi batas pada sistem tersebut menjadi berlipat ganda [5] ;
• Pertama, struktur batas memberikan informasi penting yang dapat
menunjang diagnosis lebih akurat.
• Kedua, ekstraksi fitur-fitur klinis penting seperti; asimetris dan
ketidakberaturan batas sangat bergantung pada akurasi deteksi batas.

Deteksi batas citra dermatoscopic merupakan suatu tugas yang
menantang, disebabkan beberapa hal ;
• Perbedaan antara lesi dengan kulit sekitarnya yang tidak kontras
• Batas yang tidak beraturan dan kabur
• Refleksi dan bayangan akibat kesalahan pencahayaan
• Tekstur kulit yang memiliki gelembung udara dan rambut
• Warna lesi kulit yang beragam

Beberapa metode telah dikembangkan untuk mendeteksi batas lesi kulit. Sebagian besar menggunakan citra macroscopic. Survei lebih lanjut mengenai metode-metode yang menggunakan citra macroscopic dapat ditemukan di [5]. Gao [7] menawarkan sebuah metode yang berbasiskan stabilized inverse diffusion equation yang merupakan bentuk non linear diffusion. Schmid [8] menawarkan teknik berbasiskan color clustering. Pertama, histogram 2 dimensi dihitung dari 2 prinsip pertama ruang warna CIE L*u*v*. Kemudian, dilakukan proses diperhalus dan dilakukan inisialisasi pusat kluster dari puncak menggunakan klasifikasi berdasarkan persepsi. Akhirnya, lesi kulit disegmentasi menggunakan modifikasi algoritma fuzzy c-mens clustering [10].

Image Aquisition
Preprocessing
Segmentation
Postprocessing Other Segmentation
“3 Step L. Xu”
METHODOLOGY
M. Emre Celebi, Alp
Aslandogan dan Paul M.
Bergstresser
Skin Lesion
Detected Border
24 bit RGB Image
Median Filter
DullRazor
JSEG Algorithm
Color Quantization Variance-based
Region Growing


Gambar 4. Tahapan Proses
Donadey [11] menawarkan metode berbasiskan intensity radial profiles yang dihitung dari komponen intensitas ruang HIS. Haeghen [12] menawarkan suatu metode pengawasan dengan memanfaatkan ruang warna CIE L*a*b*. Pada metode ini kulit yang sehat ditentukan dengan menggambar secara kasar batasan kulit sehat dengan lesi kulit. Batasan tersebut kemudian akan mengecil, selama warna piksel lokal sama dengan warna kulit sehat.

TAHAPAN PROSES.
Deteksi batas citra lesi kanker kulit merupakan tahapan awal dan sangat penting bagi suatu sistem penunjang diagnosis penyakit kulit berbantukan komputer. Akurasi diagnosis ditentukan oleh akurasi deteksi batas lesi kanker kulit tersebut. Deteksi batas citra lesi kanker kulit memiliki beberapa tahapan proses [6], yaitu : Akuisisi Citra (image acquisition), Pra Proses (preprocessing), Ekstraksi Fitur (feature extraction), Segmentasi (segmentation) dan Pasca Proses (postprocessing), seperti pada gambar 4.



Gambar 5. Bagan Rangkaian Image Acquisition


Image Acquisition
Akuisisi citra merupakan tahap awal, pada tahap ini citra lesi kanker kulit pada pasien akan diambil/ditangkap. Kamera akan dipergunakan untuk tahapan ini. Kamera yang umum dipergunakan pada tahap ini, dapat berupa kamera analog atau digital. Untuk citra yang diambil dengan menggunakan Halaman 5 dari 11 kamera analog perlu dilakukan konversi ke dalam bentuk citra digital. Bagan rangkaian image acquisition dapat dilihat pada gambar 5.

Preprocessing
Beberapa citra dermatoscopic mengandung elemen-elemen seperti; tekstur kulit, gelembung udara dan rambut yang membuat deteksi batas lebih sulit. Untuk mengatasi permasalahan tersebut, perlu dilakukan proses pendahuluan dengan melakukan penghalusan. Proses penghalusan yang dipergunakan terdiri dari Dullrazor dan Filter.





Gambar 6. Citra Asli (kolom 1), Citra hasil DullRazor (kolom 2)


Penggunaan Dullrazor ditujukan untuk menghilangkan rambut yang terdapat pada citra warna lesi kulit, terutama rambut yang cukup tebal dan memiliki warna dasar yang menyerupai warna lesi kulit. Keberadaan rambut tersebut dapat mempengaruhi proses deteksi batas citra lesi kulit, oleh karena itu rambut pada citra lesi kulit harus dihilangkan, seperti terlihat pada gambar 6. Pemilihan filter merupakan tahapan yang penting dalam deteksi tepi lesi kulit. Filter gaussian dan median merupakan filter paling sering dipergunakan [6]. Unjuk kerja yang kurang maksimal dari filter tersebut ditunjukkan dengan citra yang dihasilkan memiliki gambaran batas yang Halaman 6 dari 11 semakin kabur. Berdasarkan eksperimen yang telah dilakukan M. Emre Celebi, Alp. Aslandogan dan Paul M. Bergstresser [6], didapatkan hasil bahwa; Filter bilateral memberikan hasil yang terbaik disusul PGF. Hasil eksperimen penggunaan filter-filter tersebut di atas dapat dilihat pada gambar 7.





Gambar 7. Citra Asli, (b) Median Filter (c) Gaussian Filter (d) PGF Filter (e) Bilateral Filter




Color Quantization
Citra 24 bit pada umumnya mengandung ribuan warna, sehingga menimbulkan kesulitan untuk menanganinya. Oleh sebab itu perlu dilakukan kuantisasi warna. Tujuan dari proses ini adalah memperoleh beberapa perwakilan warna yang dapat membedakan satu bagian dengan bagian lainnya pada citra tersebut. Dari beberapa eksperimen, jumlah perwakilan warna yang cukup baik berkisar sekitar 20 warna. Pada beberapa penelitian, sejumlah metode kuantisasi warna seperti, median-cut, k-mean, variance-based, octree, pairwise clustering, uniform dan popularity diperbandingkan. Diperoleh hasil bahwa pairwise clustering memberikan nilai RMS (total kesalahan kuantisasi berbanding jumlah piksel citra) terkecil, Sedangkan variance-based memberikan waktu proses yang tercepat.






Gambar 8. Hasil Segmentasi pada Skala (a) 4 (b) 3 (c) 2 (d) 1

Segmentation
Proses selanjutnya adalah melakukan segmentasi terhadap citra lesi kanker kulit. Pada proses ini, citra akan dibagi menjadi beberapa bagian. Metode segmentasi region growing akan dipergunakan pada tahap ini. Region growing terdiri atas proses penentuan piksel yang akan menjadi titik awal dan akan berkembang dimulai dari titik awal tersebut. Region growing akan diikuti proses region merging. Hasil segmentasi dapat dilihat pada gambar 8.




Gambar 9. Hasil Postprocessing

Postprocessing
Citra lesi kulit yang sudah tersegmentasi seringkali masih mengandung bagian kulit sehat. Pendekatan segmentasi X.lu [16] diterapkan untuk menghilangkan sisa bagian kulit yang sehat. Pada pendekatan tersebut akan dibentuk jendela dengan ukuran 10x10 pada keempat sudut citra dan menentukan nilai rata-ratanya. Bagian citra yang memiliki jarak warna yang lebih kecil daripada threshold warna kulit sehat akan dihilangkan [16], seperti terlihat pada gambar 9.


REFERENSI
[1] Braun R. P., French L.E., and Saurat J.-H., “Dermoscopy of Pigmented Lesions: A Valuable Tool in the Diagnosis of Melanoma”, Swiss Medical Weekly, 134(7-8): 83-90, 2004.

[2] Argenziano G., Soyer H.P., Giorgi V., and Piccolo D., “Dermoscopy: A Tutorial”, EDRA Medical Publishing & New Media, Milan- Italy, 2000.

[3] Ascierto P.A., Palmieri G., and Botti G., “Early Diagnosis of Malignant Melanoma: Proposal of a Working Formulation for the Management of Cutaneous Pigmented Lesions from the Melanoma Cooperative Group”, International Journal of Oncology, 22(6): 1209-1215, 2003.

[4 ]Halaman 9 dari 11 [4] Fleming M.G., Steger C., Zhang J., Gao J., Cognetta A.B., Pollak I., and Dyer C.R., “Techniques for a Structural Analysis of Dermatoscopic Imagery”, Computerized Medical Imaging and Graphics, 22(5): 375-389, 1998.

[5] Stoecker W.V., Zhang Z., Moss R.H., Umbaugh S.E., and F. Ercal, “Boundary Detection Techniques in Medical Image Processing”, In Medical Imaging Systems Techniques and Applications: General Anatomy (Ed: Cornelius T. Leondes) Martin Dunitz Ltd., pp. 1-84, 1997.

[6] M. Emre Celebi, Alp. Aslandogan and Paul M. Bergstresser, “Unsupervised Border Detection of Skin Lesion Images”, Submitted to ITCC 2005.

[7] Gao J., Zhang J., Fleming M.G., Pollak I., Cognetta A.B., "Segmentation of Dermatoscopic Images by Stabilized Inverse Diffusion Equations" Proc. of the 1998 International Conference on Image Processing, 3: 823-827, 1998.

[8] Schmid P., Guillod J., Philippe J., “Towards a computer-aided diagnosis system for pigmented skin lesions”, Computerized Medical Imaging and Graphics 27, 65–78, 2003.

[9] Schmid P.,"Segmentation of Digitized Dermatoscopic Images by Two-Dimensional Color Clustering" IEEE Trans. on Medical Imaging, 18(2): 164-171, 1999.

[10] Lim Y.W. and Lee S.U. “On the Color Image Segmentation Algorithm Based on the Thresholding and the Fuzzy c-means Techniques” Pattern Recognition, 23(9): 935–952, 1990.

Halaman 10 dari 11 [11] Donadey T., Serruys C., Giron A., Aitken G., Vignali J.-P., Triller R., and Fertil B., "Boundary Detection of Black Skin Tumors Using an Adaptive Radial-based Approach" SPIE Medical Imaging 2000, 3379: 810-816,
2000.

[12] Haeghen Y.V., Naeyaert J.M., and Lemahieu I., "Development of a Dermatological Workstation: Preliminary Results on Lesion Segmentation in CIE LAB Color Space" Proc. of International Conference on Color in Graphics and Image Processing CGIP’2000.

[13] Orlando J. Hernandez and Alireza Khontanzad, “Color Image Segmentation Using Multispectral Random Field Texture Model and Color Content Features”, JCS&T, Vol.4 No.3, October 2004.

[14] Deng Y. and Manjunath B.S., "Unsupervised Segmentation of Color-Texture Regions in Images and Video" IEEE Trans. on Pattern Analysis and Machine Intelligence, 23(8): 800-810, 2001.

[15] J. W. Bennett and A. Khotanzad, “Multispectral Random Field Models for Synthesis and Analysis of Color Images, IEEE Trans. on Pattern Analysis and Machine Intelligence”, vol. 20, no. 3, pp. 327-332, 1998.

[16] Xu L., Jackowski M., Goshtasby A., Roseman D., Bines S., Yu C., Dhawan A., and Huntley A. “Segmentation of Skin Cancer Images”, Image and Vision Computing, 17(1): 65-74, 1999.