pemanfaatan dewa framework untuk deteksi dini kanker kulit pada citra biomedis
TRANSCRIPT
Pemanfaatan DeWa Frameworkuntuk Deteksi Dini Kanker Kulit
Pada Citra Biomedis
S. Hadi, B.Y. Tumbelaka, B. Irawan, R. RosadiFakultas MIPA Universitas Padjadjaran
Seminar Nasional FMIPA Universitas Padjadjaran18 Oktober 2014
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Agenda
Pendahuluan, yang berisi latar belakang permasalahan, studiliteratur (state-of-the-art) dan tujuan penelitian.
Metode, yang berisi jenis metode disertai rincian metodepengumpulan data dan metode analisis data yangdigunakan.
Hasil dan Pembahasan, yang menggambarkan hasil analisis danpembahasan hasil analisis.
Kesimpulan, yang berisi temuan penelitian, kelebihan dankekurangan penelitian, serta tindak lanjut.
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Latar Belakang
Kanker Kulit
Salah satu jenis kanker yang biasadijumpai pada manusia
Temuan kasus 50% dari jenisseluruh jenis kanker
Jenis yang mematikan (ganas,malignant) disebut melanoma,ditemukan 3% dari keseluruhankasus kanker kulit
Jika dapat dideteksi lebih awalmaka tingkat kematian dapatdihindarkan/dikurangi
Problem: Proses pendeteksiansecara konvensional (biopsi,dermoskopi/dermatoskopi) secarakeseluruhankurang praktis dantidak ekonomis
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Latar Belakang
Kanker Kulit
Salah satu jenis kanker yang biasadijumpai pada manusia
Temuan kasus 50% dari jenisseluruh jenis kanker
Jenis yang mematikan (ganas,malignant) disebut melanoma,ditemukan 3% dari keseluruhankasus kanker kulit
Jika dapat dideteksi lebih awalmaka tingkat kematian dapatdihindarkan/dikurangi
Problem: Proses pendeteksiansecara konvensional (biopsi,dermoskopi/dermatoskopi) secarakeseluruhankurang praktis dantidak ekonomis
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Sistem Diagnosis ABCDE
A - Symmetry: Apabila kita gambar garis yangmemotong objek (mole) maka belahannya tidakakan sama
B - Border: Batas objek untuk melanoma terlihattidak beraturan
C - Color: Melanoma memiliki warna yang bervari-asi dan kadang-kadang berubah-ubah, demikian jugakecerahannya.
D - Diameter: Melanoma memiliki diameter lebihdari 6mm.
E - Evolving: Tanda yang menunjukkan kankerganas adalah perubahan yang terjadi dalam halwarna, bentuk, ukuran, elevasi, demikian pula den-gan efek gatal, pengerasan dan pendarahan.
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Tujuan
Maksud: Mengembangkan algoritma dan mengevaluasi kinerjametode pendeteksian kanker kulit berbantuankomputer portabel.
Tujuan: Dihasilkannya perangkat lunak berbasis komputasiportabel untuk mendeteksi dini kanker kulit.
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa framework
Dibangun 2008, lightweightframework
Menerapkan konsep multiaspek
yang dinamis dan terintegrasi
segmentationfilteringanalysis and classification
Sudah diterapkan dalam aplikasi
citra dijital
Pendeteksian wajahPendeteksian objek statis(diam)Pendeteksian gerakansederhanaPendeteksian gelombangtsunami
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Segmentation
Obtaining light and simple image without sacrifyinginformation detail
Goal: Optimal threshold value
Formulation: σ2w (t) = ω1(t)σ2
1(t) + ω2(t)σ22(t)
The algorithm:
1 Calculate the histogram and the probability of each level ofintensity
2 Set initial value of ω1(0) and µ1(0)3 Perform the following steps for all possible threshold
t = 1 . . .maxints
a. Update ωi And µi
b. Calculate σ2b(t)
4 Optimal threshold is obtained from the maximum value ofσ2b(t) = σ2 − σ2
w (t) = ω1(t)ω2(t)(µ1(t)− µ2(t))2.
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Filtering
Objects that are not part of region of interest (ROI) arecleaned
Formulation: ψbf [x ] = b(f [x − y1], . . . , f [x − yn])
b(v1, . . . , vn) is a boolean function of n variables
f 7→ ψb(f ) is called a boolean filter
If b is the AND operator, then the result of shrinkage (shrink)from the image. Conversely, if b is the OR, there will beexpansion (expand) the image.
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Segmentasi dan Filtering
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Analysis and Classification
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Connected Component Labeling
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Basisdata Kanker Kulit
Basis Data : eMedicineHealthAlamat : http://www.emedicinehealth.com/script/main/hp.aspBanyak Data : 56
Basis Data : Skin Cancer Pictures, By Lisa FayedAlamat : http://cancer.about.comBanyak Data : 13
Basis Data : SDermNet NZAlamat : http://www.dermnetnz.org/lesions/skin-cancer.htmlBanyak Data : 50
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Basisdata Kanker Kulit
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Hasil: Pembangunan Aplikasi
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Pengujian Aplikasi
Jumlah data yang yang dilatih: 29 data
Jumlah data yang diuji: 29 data
Kriteria pengujian: True Positive and True Negative, based onVisual Expert Accuracy Judgement
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Data dan Hasil Pengujian
ID Data Benign Malignant Hasil Pengujian True Positive True NegativeSC01-Assymetrical X benign XSC02-Melanoma X malignant XSC03-UnevenDistribution X benign XSC04-LargeSize X benign XSC05-Melanoma X * tidak terdeteksi* XSC06-Melanoma X malignant XSC07-Melanoma X malignant XSC08-Melanoma X * tidak terdeteksi* XSC09-Melanoma X malignant XSC10-Melanoma X malignant XSC11-Melanoma X malignant XSC12-Melanoma X * tidak terdeteksi* XSC13-Melanoma X * tidak terdeteksi* XSC14-Melanoma X malignant XSC15-Melanoma X malignant XSC16-Melanoma X malignant XSC17-Melanoma X malignant XSC18-Melanoma X malignant XSC19-Basal X benign XSC20-Melanoma X malignant XSC21-Squamus X benign XSC22-Squamus X benign XSC23-Squamus X benign XSC24-Basal X benign XSC25-Squamus X benign XSC26-Melanoma X malignant XSC27-Squamus X benign XSC28-Squamus X * tidak terdeteksi* XSC29-Melanoma X malignant X
Semnas FMIPA Unpad 2014 SBBR
Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Kesimpulan
1 Pada makalah ini telah dipaparkan aplikasi cerdaspendeteksian kanker kulit
2 Metode yang digunakan mengacu kepada framework DeWayang telah dikembangkan sebelumnya
3 Data yang digunakan sebanyak 58 data citra biomedis kankerkulit masing-masing 28 data untuk pengujian dan 29 datauntuk pelatihan
4 Teknik pengujian metode menggunakan Receiver OperatingCharacteristiks untuk dua jenis saja yaitu true positive dantrue negative
5 Tingkat kesuksesan metode adalah di atas 80%.
Semnas FMIPA Unpad 2014 SBBR