pengolahan citra digital: METODA SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN SISTEM PENGKODEAN NEUROFUZZY

METODA SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN SISTEM PENGKODEAN NEUROFUZZY

Posted in | di 20.10

Segmentasi dari citra resonansi magnit (MRI – Magnetic Resonance Imaging) memberikan informasi fisiologi yang berguna dalam diagnosis patologi demikian juga untuk konstruksi model geometri organ dalam tiga dimensi. Kualitas hasil segmentasi citra tergantung pada citra awal atau data hasil akuisisi. Metoda segmentasi berbasis logika fuzzy telah dikembangkan yaitu segmentasi menggunakan jarak kelompok vektor seperti ISODATA dan segmentasi adaptif dengan Fuzzy c-Means (FCM).

Penggunaan jaringan syaraf tiruan (neural network) dapat diimplementasikan untuk mengatasi kelemahan teknik clustering fuzzy. Kelebihan utama dari penggunaan jaringan syaraf pada pemodelan obyek adalah bahwa jaringan syaraf dapatdisintesiskan tanpa harus membuat rincian atau pengetahuan eksplisit dari proses yang akan dilaksanakan. Penggabungan dari teknologi logika fuzzy dan jaringan syaraf dapat memberikan penyelesaian yang baik dari kelemahan masing-masing teknologi. Pertama, pelatihan jaringan syaraf dapat memberikan cara yang baik untuk mengatur pengetahuan kepakaran dan secara otomatis membuat aturan-aturan dan fungsi-fungsi keanggotaan fuzzy tambahan untuk mencapai suatu spesifikasi tertentu dengan mengurangi waktu dan biaya perancangan.

Prinsip kerja segmentasi neurofuzzy dimulai dengan penentuan ciri dari pola citra masukan melalui dua lapis jaringan. Lapisan pertama adalah lapisan pengkodean yaitu dipergunakan untuk melatih vektor-vektor pencirian yang diperoleh dari citra masukan menggunakan pembelajaran kompetitif. Vektor-vektor ciri kemudian dipetakan dari ruang pencirian ke ruang spasial dengan Self-Organizing Feature Map (SOFM) yang hasilnya digambarkan dalam ruang neuron keluaran berupa ciri-ciri terkode. Lapisan kedua ialah lapisan segmentasi yaitu mencoba mengelompokan ciri-ciri terkode kedalam suatu kelompok kelas menggunakan metoda Fuzzy c-mean clustering (FCM).

PEMETAAN CIRI SWA-ORGANISASI (SOFM)

SOFM adalah teknik pemetaan swa-organisasi jaringan syaraf yang tidak-terselia (unsupervised neural network) yang memungkinkan proyeksi titik-titikmultidimensi ke jaringan dua dimensi.

FUZZY C-MEANS CLUSTERING (FCM)

Pengelompokkan Fuzzy C-Means (FCM) memungkinkan suatu titik data menjadi milik dari beberapa kelas tetapi dengan fungsi keanggotaan yang berbeda. Disini FCM menghitung suatu pengukuran keanggotaan, yang disebut fungsi keanggotaan fuzzy pada setiap piksel citra untuk suatu jumlah kelas-kelas tertentu. Kelebihan dari FCM adalah sederhana dan kemampuannya untuk menghasilkan pendekatan partisi fuzzy pada ruang pencirian.

Magnetic Resonance Imaging (MRI) adalah teknik akuisisi citra non-instrusif dengan berdasar pada sifat-sifat resonansi magnetik dari suatu atom. Himpunan data MRI dari seorang pasien terdiri dari 20 sampai 60 irisan citra sepanjang kepala, dengan tebal irisan antara 1,5 sampai 7 mm. Urutan data MRI disini diakuisisi pada T1-weighted (TR, 500 msec; TE, 15 msec; FOV, 250 mm; matrix, 224 X 256; slice thickness, 5 mm). Jaringan lunak otak manusia teridi dari : gray matter (GM) atau bahan berwarna abu-abu, white matter (WM) atau bahan berwarna putih

dan cerebrospinal fluid (CSF) atau cairan spinal otak. Gambar 3 memperlihatkan penerapan algoritma SOFM dan FCM pada citra magnetik resonansi otak T1-weighted dengan tingkat derau sebesar 3%. Tiga kelas segmentasi telah diperoleh yaitu berhubungan dengan ketegori pengelompokan jaringan lunak otak GM,WM dan CSF.

Gambar 5 memperlihatkan hasil konstruksi dan segmentasi neurofuzzy dengan parameter fuzifikasi q yang berbeda. Kita dapat membandingkan hasil segmentasi GM, WM dan CSF dengan menggunakan parameter fuzifikasi q yang diatur sama dengan 2 dan 3. Pada q=3 terlihat citra segmentasi banyak mengalami pembauran yang menyebabkan citra yang dikontruksi tampak kurang tajam kontrasnya. Hal ini disebabkan intensitas sentroid FCM pada q=3 adalah lebih kecil dibandingkan q=2. Demikian pula pada q=2 kesalahan akar kuadrat rata-rata (RMS) lebih kecil dibandingkan q=3 seperti yang ditunjukkan oleh grafik pada gambar 4. Jadi nilai parameter fuzifikasi q sama dengan 2 memberikan hasil yang terbaik

KESIMPULAN Telah diperlihatkan bahwa sistem pengkodean NeuroFuzzy telah berhasil membagi irisan citra resonansi magnetik otak kedalam tiga kelas yaitu yang berhubungan dengan gray matter (GM), white matter (WM) dan cairan spinal otak (CSF). Keuntungan dari penggunaan pengkodean NeuroFuzzy ini adalah memberikan segmentasi fuzzy secara otomatis tanpa membutuhkan data pelatihan dan dapat mengatasi masalah derau citra dan ketidak rataan intensitas radio frekuensi magnetik. Hasil dari pendekatan NeuroFuzzy dalam klasifikasi otomatis jaringan lunak citra resonansi magnetik ini tergantung dari penentuan jumlah kelas dan proses penyaringan vektor-vektor ciri citra multispektral masukan.