Penerapan Metode Segmentasi Pada Analisis

Citra Digital Head Ct Scan

Oky Dwi Nurhayati

Abstract : Image segmentation is an important research area in digital image processing

with several applications in vision-guided autonomous robotics, product quality
inspection, medical diagnosis, the analysis of remotely sensed images, etc. The aim of
image segmentation can be defined as partitioning an image into homogeneous regions
in terms of the features of pixels extracted from the image. Edge detection and
thresholding are simple segmentation in images and the focuses in our research. This
research used k-mean clustering method as the main tool. The image data chosen were
normal diagnosed head CT Scan photos, and those which have indication of damages of
brain effect of lacunar infark and hemorrhage. Feature extraction utilized a curve fitting
procedure for the computed autocorrelation of each image segment. The results show a
promising guide for further diagnosis steps.

Keywords : Head CT scan photo, threshold, edge detection, k-mean clustering, curve
fitting

PENDAHULUAN
Pengolahan citra (Image Processing) merupakan bidang yang berkembang pesat dan banyak diterapkan pada
ilmu-ilmu murni dan teknik. Pengolahan citra didefinisikan sebagai proses pengolahan dan analisis citra yang
banyak melibatkan persepsi visual.
Proses pengolahan citra mempunyai ciri data masukan dan informasi keluaran berbentuk citra, sehingga
pengolahan citra adalah pemrosesan citra yang telah ada untuk menghasilkan citra yang lebih tinggi kualitasnya,
dalam arti lebih jelas menampilkan informasi yang diharapkan.
Berbagai aplikasi pengolahan citra sangat membantu bagi kepentingan manusia. Salah satu aplikasinya adalah
peningkatan kualitas citra medis sebagai pra-proses agar lebih mudah untuk dianalisis atau diintepretasikan
melalui sarana visual manusia (tenaga kesehatan).
Pada umumnya citra medis hasil scanning, yang berupa citra digital aras keabuan mengalami penurunan kualitas
(terdegradasi) yang disebabkan faktor-faktor luar (derau) dan peralatan medis yang digunakan. Dengan demikian
proses peningkatan citra juga harus menggunakan teknik-teknik pengolahan citra aras keabuan. Maka diperlukan

Oky Dwi Nurhayati adalah Dosen Fakultas Ilmu Komputer UDINUS Semarang

53
54 Techno.Com, Vol.8 No. 1, Mei 2009

proses peningkatan kualitas citra yang bertujuan untuk menghasilkan citra yang lebih baik dibandingkan dengan
citra semula. Langkah selanjutnya yang diperlukan dalam pengolahan citra adalah analisis citra dengan tujuan
untuk mengidentifikasi dan menampilkan parameter-parameter yang diasosiasikan dengan ciri-ciri pada
representasi objek didalam citra, untuk selanjutnya parameter tersebut digunakan sebagai interpretasi citra.
Tomografi adalah suatu teknik pencitraan yang menghasilkan citra penampang lintang atau transparansi benda 3
dimensi tanpa membelahnya (Hariyadie, 1995). Teknik tomografi memiliki keunggulan-keunggulan dibandingkan
metode pencitraan radiografi konvensional antara lain karena: (1) citra yang dihasilkan tidak terpengaruh oleh
tumpang tindih bagian objek yang tidak menjadi perhatian; (2) dengan menggunakan bantuan komputer
(Computed Tomography) akuisisi data, pengolahan, dan interprestasi hasil dapat dilakukan dengan cepat; (3) citra
objek yang dihasilkan dapat menampakkan karakter bagian objek secara cermat.
Teknik tomografi merupakan teknik yang dapat dikatakan baru, tetapi telah mengalami perkembangan pesat
terutama di bidang kedokteran. Beberapa aplikasi di bidang ini berupa peralatan diagnosis yang menggunakan
prinsip tomografi seperti CT (Computed Tomography), PET (Positron Emission Tomography), SPECT (Single
Photon Emission Tomography), X-Ray Tomography, Ultrasound Transmission Tomography, dan sebagainya.
Perbedaan utama pada berbagai teknik tersebut adalah penggunaan gelombang pengindera, sedangkan persamaan
utamanya adalah teknik rekonstruksi yang didasarkan pada proyeksi.
Prinsip dasar CT Scan mirip dengan perangkat radiografi konvensional. Kedua 4perangkat ini sama-sama
memanfaatkan intensitas radiasi terusan setelah melewati suatu objek untuk membentuk citra. Perbedaan antara
keduanya adalah pada teknik yang digunakan untuk memperoleh citra dan citra yang dihasilkan. Tidak seperti
citra yang dihasilkan dari teknik radiografi, informasi citra yang ditampilkan oleh CT Scan tidak tumpang-tindih
sehingga lebih mudah dianalisis daripada citra yang dihasilkan oleh teknik radiografi konvensional.
Dalam kegiatan pemrosesan citra secara digital dan visi komputer, proses deteksi tepi objek merupakan pengolah
awal yang paling penting pada analisis citra untuk pengenalan pola, segmentasi, dan analisis pergerakan objek.
Tepian setiap citra objek mengandung banyak informasi mengenai objek tersebut. Deteksi tepi citra tomografi
timbul pada sejumlah aplikasi tomografi komputer, misalnya dalam pencitraan medis dan tes uji yang tidak
merusak, kontur objek perlu ditentukan pada penampang lintang hasil tomografi.
Di bidang kedokteran, citra medis pada umumnya mempunyai histogram yang cenderung berada di sekitar dark
nilai pada aras keabuan sehingga pemanfaatan pengolahan citra digital dirasakan belum optimal, padahal dengan
menggunakan utilitas ini dapat membantu para profesional radiolog dalam menentukan diagnostik suatu kelainan
akibat kerusakan jaringan. Deteksi kerusakan otak menggunakan citra foto CT Scan merupakan upaya untuk
memperkenalkan metode deteksi kerusakan otak secara terkomputerisasi yang lebih baru dibandingkan dengan
metode “visual” selama ini.
Melalui tesis ini penulis berupaya untuk menganalisis metode segmentasi yang lebih tepat digunakan pada citra
digital head CT Scan untuk mendeteksi adanya kerusakan otak dengan beberapa metode segmentasi dan membuat
pencocokan kurva korelasi dari hasil ekstraksi ciri untuk mendeteksi jenis stroke infark, lakunar atau perdarahan.
 Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan (Oky) 55

Dari beberapa penelitian yang penulis temui masih jarang penelitian yang membahas segmentasi pada citra medis
terutama head CT Scan untuk mendeteksi kerusakan jaringan otak. Dapat dikatakan topik yang diusulkan ini
merupakan suatu hal yang masih akan terus berkembang.
Adapun dari beberapa sumber acuan, telah dilakukan penelitian oleh Wahyu (2001) mengenai tapis optimal pada
citra biner digital yang terbubuh derau, morfologi matematik untuk citra biner, operator morfologi untuk citra dan
kompresi video, segmentasi citra ultrasound menggunakan operator morfologi, analisis sifat tapis median, turunan
morfologi untuk pengolahan citra, dekomposisi struktur elemen aras keabuan dan pengenalan pola citra medis
dengan jaringan saraf tiruan metode Adaptive Resonant Theory (ART). Penelitian selanjutnya dilakukan oleh
Paniran (2001), yaitu Peningkatan Citra Medis Menggunakan Tapis Morfologi.
Penelitian selanjutnya dilakukan oleh Priyono Yulianto (2005), bahwa peningkatan citra untuk memperjelas foto
brain CT-Scan dapat dilakukan dengan ekualisasi histogram, perentangan kontras, histogram classify, ROI
(Region Of Interest) maupun deteksi tepi menggunakan operasi morfologi citra yang meliputi gabungan dilasi dan
erosi. Pada penelitian ini, akan ditekankan pada penggunaan metode segmentasi yang tepat bagi citra head CT
Scan dan analisis korelasi terhadap deteksi kerusakan jaringan otak pada penderita stroke.
Adapun tujuan penelitian dalam tesis ini adalah untuk membuktikan bahwa metode segmentasi dapat digunakan
untuk membantu deteksi kerusakan otak dengan mengekstrak beberapa fitur yang ada dalam citra dan meng
analisis statistik dan analisis korelasi dengan mengekstrak informasi yang terkandung dalam citra medis head CT
Scan untuk mendeteksi kelainan otak penderita stroke.
Sejak ditemukan pemayar Computer Tomography Scanner (CT Scan) oleh Allan Cormack dan Geoffrey
Hounsfiled pada tahun 1970, penggunaan CT Scan dalam bidang radiologi telah mengalami kemajuan yang
sangat pesat (Aston,1991). Asal mula teknik ini digunakan untuk pemeriksaan otak, suatu tabung sinar-X
tergandeng dengan dua detektor memanyar dua potongan yang berdekatan dari kepala dengan gerakan translasi.
Dampak dari penggunaan sinar-X adalah menghitamkan film negatif. Oleh karena itu, benda-benda yang
menyerap sinar lebih banyak (lebih rapat) akan ditampilkan dalam film negatif dengan warna yang lebih terang
daripada benda-benda yang menyerap sinar lebih sedikit.
Munir (2004) menyatakan bahwa citra (image) adalah istilah lain untuk gambar sebagai salah satu komponen
multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Secara harfiah, citra adalah
gambar pada bidang dwimatra (dua dimensi).
Elemen terkecil citra digital disebut piksel atau pel (singkatan picture element). Jumlah piksel yang terdapat pada
suatu citra disebut resolusi citra. Makin banyak piksel yang mewakili suatu citra, maka makin tinggi nilai resolusi
dan makin halus gambarnya.
Pada hakikatnya, visi komputer mencoba meniru cara kerja sistem visual manusia (human vision). Human vision
sesungguhnya sangat kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra objek
diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan
matanya. Hasil interpretasi ini mungkin digunakan untuk pengambilan keputusan. Visi komputer merupakan
proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra,
pengolahan citra, klasifikasi, pengenalan (recognition), dan pembuatan keputusan. Visi komputer terdiri atas
56 Techno.Com, Vol.8 No. 1, Mei 2009

teknik-teknik untuk mengestimasi ciri-ciri objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri
objek, dan menginterpretasi informasi geometri tersebut.
Menurut Munir (2004), perbaikan kualitas citra (image enhancement) merupakan salah satu proses awal dalam
pengolahan citra (image preprocessing). Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki,
sehingga citra dapat digunakan untuk aplikasi lebih lanjut, misalnya pada pengenalan objek di dalam citra. Secara
matematis perbaikan citra dapat diartikan sebagai proses mengubah citra f(x,y) menjadi f’(x,y) sehingga ciri-ciri
yang dilihat pada f(x,y) lebih ditonjolkan. Pada penelitian ini proses awal pengolahan citra yang digunakan adalah
pengubahan kontras dan pengubahan kecerahan.
Kontras menyatakan sebaran terang dan gelap di dalam sebuah gambar. Jika sebuah citra yang mempunyai nilai
keabuan yang tidak terlalu berbeda untuk semua titik, yaitu titik tergelap dalam citra tidak mencapai hitam pekat
dan titik paling terang dalam citra tidak berwarna putih cemerlang. Persamaan yang digunakan untuk
meningkatkan kontras citra ini adalah:

Ko = G (Ki – P) + P

dengan G = Koefisien penguatan kontras dan P = Nilai skala keabuan yang dipakai sebagai pusat pengontrasan.
Kecerahan atau kecemerlangan citra dapat diperbaiki dengan menambahkan atau mengurangkan sebuah konstanta
setiap piksel di dalam citra. Persamaan yang digunakan adalah sebagai berikut.

Ko = Ki + C atau f(x,y)’ = f(x,y) + C

Jika C positif kecerahan akan bertambah sebaliknya jika C negatif, maka kecerahan akan berkurang.
Menurut Ahmad (2005), pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan
kombinasi atas 3 warna, yaitu: merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB (red-
green-blue). Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255.
Pada citra aras keabuan, komposisi warna dasar pada setiap pikselnya sama. Untuk mengubah citra warna menjadi
citra aras keabuan digunakan persamaan:

Y = 0,3 R + 0,59 G +0,11 B

dengan : R = nilai warna merah; G = nilai warna hijau; B = nilai warna biru
Pada operasi binerisasi otomatis, nilai batas tidak ditentukan sejak awal karena bersifat dinamis karena harus ada
dengan sendirinya dan ditentukan dalam program. Salah satu metode yang digunakan untuk menentukan
pengambangan otomatis adalah metode P Tile.
Metode P Tile menggunakan pengetahuan tentang daerah atau ukuran dari objek yang diinginkan untuk
menentukan nilai batas dan melakukan operasi binerisasi pada citra abu-abu berdasarkan nilai batas tersebut.
Misalnya dalam suatu citra abu-abu, bagian objek menempati sekitar P persen dari area citra, sedangkan sisanya
adalah bagian latar belakang. Persamaan yang digunakan :
 9

Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan (Oky) 57

 0, p1
Ko  
1, p 2  lp

Pengambangan ganda dilakukan untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan
tertentu.

0, jika ambangbawah  Ki  ambangatas

Ko  
 1, lainnya

Segmentasi merupakan langkah pertama yang biasanya digunakan sebelum proses analisis terhadap suatu citra
dilakukan. Algoritma segmentasi untuk gambar monokrom secara umum didasarkan pada satu dari dua
karakteristik gambar yang memuat nilai aras keabuan, yaitu sifat diskontinu (discontinuity) dan sifat keserupaan
(similarity). Contoh proses segmentasi yang didasarkan pada sifat diskontinu antara lain deteksi titik, deteksi
garis, dan deteksi tepi, sedangkan yang berdasarkan sifat kemiripan adalah thresholding, region growing, region
splitting, dan merging. Dalam penelitian ini selain menggunakan metode pengambangan dan deteksi tepi juga
digunakan metode k-mean clustering. Menurut Gonzalez dan Woods, tujuan dari segmentasi untuk membagi
citra digital menjadi wilayah atau region. Penentuan batas wilayah yang didasarkan pada intensitas yang tidak
kontinu. Segmentasi menyelesaikannya melalui nilai ambang (threshold), berdasarkan10distribusi sifat-sifat piksel
seperti intensitas atau warna.
Munir (2004), Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak
yang singkat. Perbedaan intensitas inilah yang menampakkan rincian pada gambar. Pada penelitian ini operator
deteksi tepi yang digunakan adalah operator Laplacian dan operator Laplacian of Gausian.
Operator Laplace mendeteksi lokasi tepi lebih akurat khususnya pada tepi yang curam. Turunan kedua fungsi
dengan dua peubah adalah:

2 f 2 f
2 f  
x 2 y 2

dengan menggunakan definisi hampiran selisih-mundur (backward difference approximation):

f ( x, y  y)  2 f ( x, y)  f ( x, y  y)
2 f 
 
y 2
58 Techno.Com, Vol.8 No. 1, Mei 2009

Dengan mengasumsikan x = y =1, maka diperoleh nilai mask :

 0 1 0   1  1  1  1 2 1 
 1 4  1  1 7  1   2 6  2
     
 0  1 0   1  1  1  1  2 1 

(a) (b) (c)

Gambar 1. Operator Laplacian untuk deteksi tepi

Menurut Achmad (2005), Pendeteksian tepi menggunakan operator LoG merupakan kombinasi lain yang banyak
digunakan yaitu penghalusan citra menggunakan operator Gausian yang dikombinasikan dengan operator
Laplacian. Persamaan yang digunakan pada pendeteksian LoG ini adalah:

2 (G(u, v) o g ( x, y))  (2G(u, v)) o g ( x, y)

Menurut Munir (2004), Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas
piksel suatu citra atau bagian tertentu atas citra. Secara matematis histogram citra dihitung dengan persamaan
sebagai berikut.

ni
hi  , i = 0, 1, ..., L -1
n

dengan ni=jumlah piksel yang memiliki derajat keabuan i; n=jumlah seluruh piksel di dalam citra
Disamping itu, dalam upaya menampakkan informasi sebanyak mungkin pada citra maka histogram dibuat
semerata mungkin yang disebut dengan penyamaan histogram (histogram equalization). Tujuan ekualisasi
histogram adalah untuk memperoleh penyebaran histogram yang merata, sehingga setiap derajat keabuan
memiliki jumlah piksel yang relatif sama.

CARA PENELITIAN

Adapun tahapan-tahapan dalam penelitian sebagai berikut:

1. Pengumpulan data citra yang berupa hasil head CT Scan dari penderita cacat otak yang diperoleh dari
Instalasi Unit Stroke RSUP Dr. Sardjito, Yogyakarta dan pengumpulan head CT Scan dari internet untuk
penderita normal maupun cacat otak.
2. Scanning head CT Scan dengan menggunakan scanner tipe CanoScan Lide 25 untuk menghasilkan citra
dalam bentuk digital. Penggunaan scanner dengan resolusi yang tepat dapat menghasilkan citra digital yang
bagus kualitasnya.
 Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan (Oky) 59
12

3. Proses pra-pengolahan citra yang meliputi pengubahan kontras dan pengubahan kecerahan.
4. Proses segmentasi citra yang diterapkan pada citra digital head CT Scan dengan menggunakan metode
pengambangan, pengambangan ganda, deteksi tepi, dan k-mean clustering.
5. Proses analisis statistik citra objek dengan menentukan mean, standar deviasi, variansi, jarak, luas dan analisis
korelasi curve fitting (pencocokan kurva).

HASIL DAN PEMBAHASAN

Program dibuat dengan bahasa pemrograman Borland Delphi 7 yang mendukung tampilan interaktif serta
mendukung aplikasi pemrograman berorientasi objek yang memudahkan dalam tahapan pemrograman.
Sedangkan program yang digunakan untuk analisis korelasi curve fitting menggunakan bahasa pemrograman
Matlab 6.5. Sarana antarmuka program penerapan metode segmentasi citra digital head CT Scan dapat dilihat
pada Gambar 2.

13
Gambar 2. Sarana antarmuka program penerapan metode segmentasi

Analisis Objek

Analisis objek bertujuan untuk mengenali suatu objek. Analisis objek didasarkan pada ciri khas pada objek
tersebut. Selain bentuk dan karakteristik objek, terdapat informasi lainnya yang mampu membedakan dua wilayah
yang berdekatan, atau dua objek yang tumpang tindih, yaitu informasi tekstur, atau sifat dari permukaan objek
yang diamati. Beberapa analisis tektur yang umum digunakan berhubungan dengan sifat statistik objek antara lain
mean, standar deviasi dan variansi. Tabel 1 menunjukkan analisis tekstur citra head CT Scan sebelm diolah.

Tabel 1. Fitur tekstur citra head CT Scan sebelum diolah

Tekstur N P I L
Mean 151 32 41 86
Std.Dev 13 5 7 40
Variansi 168 22 49 1571
Jarak 375 437 388 27
60 Techno.Com, Vol.8 No. 1, Mei 2009

Luas 0 10 57 11
Keterangan:
N = normal 19
P = perdarahan
I = infark
L = lakunar

Nilai ambang otomatis untuk masing-masing citra yang terdeteksi kerusakan otak adalah sebagai berikut:
a. Citra head CT Scan yang terdeteksi stroke infark lakunar P =0,35 atau 35 %.
b. Citra head CT Scan yang terdeteksi stroke infark P =0,40 – 0,50 atau 40 % - 50 %.
c. Citra head CT Scan yang terdeteksi stroke perdarahan P = 0,75–0,80 atau 75 % - 80 %.

KESIMPULAN
Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut.
1. Peningkatan kualitas citra dengan menggunakan perangkat lunak aplikasi metode ekualisasi histogram serta
pengubahan kontras dan cerah citra secara signifikan dapat memperjelas citra digital head CT Scan.
2. Penerapan metode segmentasi pengambangan, deteksi tepi, dan k-mean clustering akan lebih baik hasilnya
apabila citra yang akan diolah ditingkatan kualitas citranya.
3. Metode segmentasi k-mean clustering dan deteksi tepi Laplacian 9 titik 1 merupakan metode segmentasi yang
lebih tepat diterapkan pada citra digital head CT Scan dengan pemilihan k yang tepat.
4. Metode segmentasi pengambangan dan deteksi tepi Laplacian of Gaussian kurang tepat diterapkan pada citra
digital head CT Scan karena menghasilkan citra keluaran yang tidak begitu jelas.

21

DAFTAR PUSTAKA
1. Achmad, B. & Kartika Firdausy, 2005, Teknik Pengolahan Citra Digital Menggunakan Delphi, Ardi,
Yogyakarta.
2. Ahmad, U., 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu, Yogyakarta.
3. Angenent, S., Eric Pichon, and Allen Tannenbaum, 2000, Mathematical Methods in Medical Image
Processing, Buletin of the American mathematical society.
4. Bailey, D.G., 2004, An Efficient Euclidean Distance Transform, Institute of Information Sciences and
Technology, New Zealand.
5. Castleman, K.R., 1996, Digital Image Processing, Prentice-Hall, Inc., Englewoods Cliff, New Jersey.
6. Conte, S.D.,1980, Dasar-Dasar Analisis Numerik, Erlangga, Jakarta.
7. Hasan, 1995,CT Scanner, ELEKTRO INDONESIA Nomor 3, Tahun I,
http://www.google.com/CTScanner.html (diakses tanggal 18 Agustus 2007).
 Penerapan Metode Segmentasi Pada Analisis Citra Digital Head Ct Scan (Oky) 61

8. Hariyadie, E., 1995, Deteksi Sisi Citra Tomografi, Skripsi Fakultas MIPA, Universitas Gadjah Mada,
Yogayakarta.
9. Isnanto, R.R, 2002, Identifikasi Kerusakan Tulang Menggunakan Analisis Citra Foto Sinar-X, Tesis Teknik
Elektro, Universitas Gadjah Mada, Yogyakarta.
10. Jain, A.K.,1995, Fundamentals of Digital Image Processing, Prentice-Hall of India, New Delhi.
11. Karris, S.T, 2007, Numerical Analysis Using Matlab and Excel, Orchad, USA.
12. Leggett, R.,2004, Automatic Segmentation of MedicalImages, http://www.google.com/dissertation.pdf
(diakses tanggal 20 oktober 2007).
13. Loncaric, S and et all, Quantitative intracerebral brain hemorrhage analysis,
http://www.google.com/stroke_hemorrhage.pdf (diakses tanggal 18 Agustus 2007).
14. Loncaric, S and et all, Segmentation of CT Head Images, http://www.google.com/CT-HEAD-SEGMEN.pdf
(diakses tanggal 18 Agustus 2007).
15. MADCOMS, 2006, Pemrograman Borland Delphi 7, Andi Offset, Yogyakarta.
16. Munir, R.,2004, Pengolahan Citra Digital dengan Pendekatan Logaritmik, Informatika, Bandung.
17. Nalwal, A.,1997, Pengolahan Gambar Secara Digital, Elex Media Komputindo, Jakarta.
18. Paniran, 2001, Peningkatan Citra Medis Menggunakan Tapis Morfologi, Tesis S2 Program Studi Teknik
Elektro, Universitas Gadjah Mada, Yogyakarta.
19. Pranata, A., 2003, Pemrograman Borland Delphi 6, Andi Offset, Yogyakarta.
20. Phillips, D., 2000, Image Processing in C, http://www.google.com/Image Processing in C.pdf (diakses
tanggal 24 November 2007)
21. Schalkoff, R.J.,1799, Digital Image Processing and Computer Vision, John Wiley & Sons, Inc, Monticello.
22. Sugiharto, A.,2006, Pemrograman GUI dengan MATLAB, Andi Offset, Yogyakarta.