TUGASSISTEM CERDAS

ARTIFICIAL NEURAL NETWORK FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DETEKSI TUMOR OTAK

Oleh :Ratna Dwi Winarti (081 017 007)

Mohammad Yusuf Rakhmatullah (081 017 046)

PROGRAM S-1 TEKNOBIOMEDIKDEPARTEMEN FISIKA

FAKULTAS SAINS DAN TEKNOLOGIUNIVERSITAS AIRLANGGA

SURABAYA

ARTIFICIAL NEURAL NETWORK FUZZY INFERENCE SYSTEM (ANFIS) UNTUK DETEKSI TUMOR OTAK

AbstrakDeteksi dan segmentasi pada tumor otak sangat penting dilakukan karena dapat memberikan informasi anatomi jaringan normal dan abnormal yang membantu dalam perencanaan perawatan dan tindak lanjut untuk pasien. Ada beberapa teknik untuk segmentasi citra. Kerja penelitian yang diusulkan menggunakan ANFIS (Artificial Neural Network Fuzzy Inference System) untuk klasifikasi citra dan kemudian dibandingkan hasilnya dengan FCM (Fuzzy C means) dan K-NN (K-nearest neighbor). ANFIS mencakup manfaat dari kedua ANN dan sistem logika fuzzy. Sebuah set fitur yang komprehensif dan aturan fuzzy dipilih untuk suatu citra normal dengan jenis tumor yang sesuai. Hasil penelitian mengcitrakan hasil yang menjanjikan dalam keakuratan klasifikasi. Sebuah analisis komparatif dilakukan dengan FCM dan K-NN untuk menunjukkan sifat unggul sistem ANFIS.Kata kunci: ANFIS, tumor otak, akurasi klasifikasi, citra MR, Neuro Fuzzy.

1. PENDAHULUANKlasifikasi citra MR menjadi semakin penting di bidang medis karena sangat penting untuk perencanaan perawatan dan mendiagnosa kelainan (untuk misalnya Tumor Otak), mengukur volume jaringan untuk melihat pertumbuhan tumor, studi struktur anatomi dan tindak lanjut pasien. Klasifikasi manual pada citra tumor otak secara Magnetic Resonance (MR) merupakan tugas yang menantang dan memakan waktu [1]. Klasifikasi manual sangat rentan terhadap kesalahan karena variabilitas interobserver dan kesalahan manusia. Akibatnya, hasil klasifikasi sangat rendah yang mengarah ke hasil yang fatal. Dengan demikian, metode klasifikasi otomatis atau semi-otomatis sangat diinginkan karena mengurangi beban pada pengamat manusia, sejumlah besar kasus dapat ditangani dengan akurasi yang sama, juga, hasilnya tidak terpengaruh karena kelelahan, overload data, dan komunikasi lebih cepat. Tidak ada algoritma universal untuk segmentasi setiap citra medis. Citra MRI pada bagian tubuh yang berbeda membutuhkan jenis segmentasi yang berbeda pula. Berbagai metode yang diusulkan dalam literatur hanya mencapai keberhasilan yang terbatas [3,4] karena adanya tumpang tindih distribusi intensitas pada jaringan sehat, tumor, dan edema di sekitarnya. Kelas yang paling umum dari metode ini adalah klasifikasi statistik menggunakan citra multiparameter [5]. Metode ini berbasis intensitas yang tinggi dan karenanya akurasi menjadi sangat rendah. Warfield et al. [6] mengkombinasikan atlas pendaftaran elastis dengan klasifikasi statistik. Marcel Prastawa [7] menggunakan modifikasi atlas spasial untuk klasifikasi yang mencakup probabilitas sebelumnya untuk tumor dan edema. Peneliti pada kelompok lain sangat tergantung pada kecerdasan komputasi untuk klasifikasi tumor otak MR yang menjamin akurasi yang tinggi. Zumray et.al [8] menguraikan hasil rendah dari multilayer perceptron untuk masalah klasifikasi citra biomedis. Self Organizing Feature Map (SOFM) ANN berbasis algoritma [9] menunjukkan hasil yang sangat baik dalam klasifikasi citra tumor otak. Penelitian lain berdasarkan Learning Vector Quantization (LVQ) ANN menunjukkan potensi arsitektur ini dalam kasus klasifikasi terbimbing. Hopfield Neural Network (HNN) [10] terbukti efisien untuk klasifikasi pola terawasi dari citra medis, terutama dalam mendeteksi jaringan abnormal. Penggunaan jaringan ART2 untuk pengenalan pola telah dipelajari oleh Solis dan Perez [11]. Beberapa modifikasi pada jaringan saraf yang ada telah dilaksanakan dengan sukses dan telah dicapai hasil yang lebih unggul. Salah satu pekerjaan tersebut dilaporkan oleh William Melson [12]. Selain kuat, mereka memerlukan dataset pelatihan

yang besar untuk mencapai akurasi yang tinggi. Hal ini meningkatkan masalah dimensi yang mempengaruhi model kompleksitas. Di sisi lain, beberapa penelitian berdasarkan teknik logika fuzzy juga dilaporkan dalam literatur. Marcin Denkowski [13] menggunakan aturan inferensi logika fuzzy untuk klasifikasi MR citra otak. Percobaan berbasis fuzzy C-means juga diusulkan dalam literatur [14]. Yang dan Zheng [15] menerapkan modifikasi algoritma fuzzy C-means untuk klasifikasi citra. Model teori himpunan fuzzy mencoba untuk meniru nalar manusia dan kemampuan ketidakpastian penanganan, sedangkan model jaringan saraf mencoba untuk meniru arsitektur dan skema informasi representasi dari otak manusia. Integrasi manfaat dari teori himpunan fuzzy dan teori jaringan syaraf menjanjikan untuk menyediakan, dengan batasan yang besar, sistem yang lebih cerdas untuk menangani masalah kehidupan nyata. Pendekatan neuro-fuzzy sebagai kombinasi dari jaringan saraf dan logika fuzzy telah diperkenalkan untuk mengatasi kelemahan individu dan menawarkan fitur yang lebih menarik. Tujuan utama dari penerapan sistem tersebut adalah untuk menyingkirkan informasi yang tidak tepat terdapat dalam citra seperti ambiguitas pixel yang keabu-abuan, segmentasi geometris citra dan interpretasi pasti dari gambar. Kegiatan ini, masing-masing, pembelajaran kemampuan dan sistem kekuatan deskriptif, sehingga memberikan hasil yang ditandai dengan kemampuan intepretasi yang tinggi dan tingkat akurasi yang baik [16]. Segmentasi citra dengan menggunakan model neuro Fuzzy telah dipelajari oleh Rami J. Oweis dan Muna J. Sunnah [17]. Segmentasi citra menggunakan alat neuro fuzzy juga dilaksanakan oleh Mausumi Acharyya [18]. ANFIS merupakan salah satu dari sistem neuro-Fuzzy yang paling banyak digunakan. Pekerjaan ini, neuro-fuzzy yang berbasis pendekatan disebut Adaptive Neuro Fuzzy Inference System (ANFIS) yang digunakan untuk klasifikasi tumor otak MR.

2. USULAN METODOLOGIMetodologi yang digunakan untuk citra tumor otak MR terbagi dalam empat langkah dan langkah ketiga terbagi dalam empat bagian seperti yang ditunjukkan pada gambar 2.1 dan 2.2.

Gambar 2.1: Usulan Metodologi untuk Klasifikasi Tumor Otak.

Gambar 2.2 Usulan Metodologi untuk ANFIS berdasarkanKlasifikasi tumor otak

2.1 Citra MR Database: database citra MR terdiri dari astrocytoma, jenis giloma citra tumor otak tingkat I sampai IV. Citra-citra ini dikumpulkan dari sumber web - http://mouldy.bic.mni.mcgill.ca/brainweb/

Gambar 2.3 Contoh Data Set

2.2. Preprocessing Citra Teknik preprocessing citra merupakan langkah penting pada segmentasi citra yang memiliki dampak yang besar pada langkah-langkah berikutnya. Dalam pekerjaan yang diusulkan, terdapat tiga teknik preprocessing digunakan, yakni sebagai berikut :a. Pemerataan histogramPemerataan histogram adalah teknik peningkatan rentang dinamis histogram dari suatu citra. Pemerataan histogram mengubah nilai intensitas piksel dalam input citra sehingga output citra berisi distribusi intensitas yang seragam. Hal ini meningkatkan kontras citra.

Gambar 2.4 Citra Pemerataan Histogram

b. BinarisasiBinarisasi citra mengubah citra greyscale (hitam-putih) ke citra biner (hitam atau putih) berdasarkan pada beberapa nilai ambang.

Gambar 2.5 Citra biner yang diberikan untuk citra greyscale.Dalam pekerjaan yang diusulkan hanya satu nilai ambang batas saja yang dipilih untuk seluruh citra yang didasarkan pada intensitas histogram (rata-rata nilai intensitas diambil)c. Operasi morfologiIni digunakan sebagai pengolahan citra untuk mengasah daerah dan mengisi kesenjangan pada citra biner. Ada empat operasi dasar morfologi yang didefinisikan seperti pelebaran, erosi, pembuka dan penutup. Di sini, pekerjaan yang diusulkan hanya menggunakan pelebaran dan erosi. Dalam erosi setiap piksel yang menyentuh latar belakang pixel diubah dengan latar belakang pixel. Erosi membuat ukuran objek menjadi lebih kecil dan memecah sebuah objek menjadi beberapa objek. Secara matematis erosi dapat direpresentasikan sebagai,(AƟB) (x) = {x X, x = a + b: A b B} (2)Dimana A merupakan matriks citra biner dan B merupakan cover-nya. Padahal, perubahan pelebaran background pixel yang menyentuh objek pixel berubah ke objek pixel. Pelebaran ini menggabungkan beberapa objek menjadi satu. Secara matematis pelebaran (dilatasi) dapat direpresentasikan sebagai,(AƟB) (x) = {x X, x = a + b: A b B} (3)

2.3 Ekstraksi FiturFitur adalah karakteristik dari obyek yang menarik dalam sebuah citra. Ekstraksi fitur adalah teknik penggalian fitur khusus dari citra dari kategori abnormal yang berbeda sebelum diproses sedemikian rupa sehingga kesamaan tingkatan harus dimaksimalkan atau kesamaan tingkat diminimalkan. Karya penelitian sebelumnya melaporkan banyak teknik ekstraksi fitur. Dalam hal ini diusulkan karya fitur Gray Level Co-occurence Matrix (GLCM) yang digunakan untuk membedakan antara tumor otak normal dan abnormal. GLCM adalah Gray-Level Co-occurence Matrix (GLCM), yang juga dikenal sebagai Gray-Level Spatial Dependence Matrix. Secara singkat, hubungan spasial didefinisikan sebagai pixel kepentingan dan pixel untuk sebelah kanannya (berdekatan secara horizontal). GLCM memiliki fitur sebagai berikut: Autokorelasi, Kontras, Korelasi, Status Kelompok, Pencahayaan, Ketidaksamaan, Energi, Entropi, Homogenitas, Probabilitas Maksimum, Penjumlahan kuadrat, Penjumlahan rata-rata, Penjumlahan variansi, Penjumlahan entropi, Perbedaan variansi, Perbedaan entropi, Informasi pengukuran korelasi, Invers perbedaan normal. Dari ke 19 fitur ini, hanya 7 fitur yang digunakan.

1. Kontras: Mengembalikan ukuran kontras intensitas antara pixel dan lainnya dalam seluruh citra. Kontras bernilai 0 untuk citra konstan.

Dimana, P (I, j) pixel di lokasi (i, j)2. Angular Second Moment (ASM): Memberikan pengukuran yang kuat untuk

homogenitas.Dimana, P (I, j) pixel di lokasi (i, j)

3. Homogenitas (HOM): Mengembalikan nilai yang mengukur distribusi elemen GLCM terdekat dari diagonal GLCM.

4. Inverse Difference Momen (IDM): Ini merupakan ukuran dari homogenitas lokal.

5. Energi (E): Mengembalikan jumlah elemen kuadrat dalam GLCM tersebut. Energi bernilai 1 untuk citra konstan.

6. Entropi (EN): Ini adalah ukuran keacakan

Dimana, L adalah nilai-nilai yang berbeda yang dapat mengadopsi piksel.7. Variance (VAR): Ini adalah ukuran yang memberitahu kita seberapa banyak tingkat abu-

abu yang bervariasi dari mean.

Dalam pekerjaan yang diusulkan, tujuh fitur GLCM dihitung per citra dalam empat arah 0, 45, 95, 135 dan karenanya jumlah variabel input linguistik adalah tujuh. Jumlah nilai output linguistik sama dengan jumlah pola yang digunakan dalam pekerjaan ini. Tabel 1 ini menunjukkan contoh nilai fitur pada citra 1 dan citra 2. Berdasarkan nilai ini, otak normal dan abnormal dapat dibedakan.

Tabel 1. Tujuh fitur dengan kisaran (rendah dan tinggi) dari citra1 dan citra2

Contoh aturan fuzzy if-then yang dibingkai untuk klasifikasi tumor otak MR adalah sebagai berikut: Aturan 1: Jika a adalah kontras1, b adalah korelasi1, c adalah energi1, d adalah entropi1, e adalah IDM1 dan f adalah varians1, maka output = 1.

Aturan 2: Jika a adalah kontras2, b adalah korelasi2, c adalah energi2, d adalah entropi2, e adalah IDM2 dan f adalah varians2, maka output = 2.Aturan 3: Jika a adalah kontras3, b adalah korelasi3, c adalah energi3, d adalah entropi3, e adalah IDM3 dan f adalah varians3, maka output = jumlah 3. Fungsi keanggotaan yang digunakan dalam pekerjaan ini adalah 2 (rendah dan tinggi) dan karenanya ada 49 aturan yang dibingkai untuk sistem klasifikasi citra ini. Aturan fuzzy if-then ini membentuk nilai input untuk arsitektur ANFIS.

2.4 Arsitektur ANFISStruktur ANFIS terdiri dari 7 input dan output tunggal. Tujuh input mewakili fitur tekstur yang berbeda dihitung dari masing-masing citra. Masing-masing set pelatihan membentuk sistem inferensi fuzzy dengan 16 aturan fuzzy. Setiap masukan diberi dua fungsi keanggotaan umum kurva lonceng dan output itu diwakili oleh dua fungsi keanggotaan linear. Output tersebut berasal dari 49 aturan yang diringkas menjadi satu output, yang mewakili output sistem untuk input citra.Kumpulan data dibagi menjadi dua kategori: Data pelatihan dan pengujian data. Pelatihan kumpulan data terdiri dari citra dari semua empat jenis tumor. Sampel pelatihan ini dikelompokkan menjadi empat daerah yang berbeda yaitu daerah putih, daerah abu-abu, cairan serebrospinal dan daerah tumor abnormal menggunakan algoritma Fuzzy C-means (FCM). Kelompok pusat dari daerah tumor untuk semua empat kelas tersebut diamati dan disimpan. Dalam pengujian proses, fitur diekstraksi dan dicocokkan dengan solusi terbaik.

2.5 Algoritma PelatihanAda beberapa algoritma pelatihan untuk mengumpan kemajuan jaringan. Gradien ditentukan dengan menggunakan teknik yang disebut propagasi balik, yang melibatkan perlakuan komputasi mundur melalui jaringan. Pembelajaran propagasi balik dari implementasi sederhana menyesuaikan bobot jaringan pada arah di mana fungsi kinerja menurun lebih cepat. Algoritma yang digunakan dalam pekerjaan diekstrak dari [25].

2.6 Ukuran kinerjaSemua hasil klasifikasi bisa memiliki tingkat kesalahan dan pada kesempatan lain juga akan gagal untuk mengidentifikasi kelainan, atau mengidentifikasi kelainan yang tidak ada. Umumnya untuk menjelaskan tingkat kesalahan yang berupa benar dan salah positif serta benar dan salah negatif digunakan istilah berikut: [8]Benar Positif/True Positive (TP): hasil klasifikasi bernilai positif di hadapan kelainan klinis.Benar Negatif/True Negative (TN): hasil klasifikasi bernilai negatif dengan tidak adanya kelainan klinis.Salah Positif/False Positive (FP): hasil klasifikasi bernilai positif dengan tidak adanya kelainan klinis.Salah Negatif/False Negative (FN): hasil klasifikasi bernilai negatif dengan adanya kelainan klinis.Sensitivitas = TP / (TP + FN) * 100%Spesifisitas = TN / (TN + FP) * 100%Akurasi = (TP + TN) / (TP + TN + FP + FN) * 100%

Tabel 2: Perbandingan kinerja klasifikasi untuk teknik yang diusulkan dan pekerjaan baru lainnya

Gambar 2.6 Perbandingan kinerja klasifikasi untuk teknik yang diusulkan dan pekerjaan baru lainnya

3. HASIL

Gambar 3.1 Tumor Segmented dari otak yang abnormal Citra MRI

4. KESIMPULAN Dalam karya ini, penerapan ANFIS untuk klasifikasi citra tumor otak MR dieksplorasi. Hasil penelitian menghasilkan hasil yang menjanjikan bagi ANFIS sebagai pengklasifikasi citra. Keakuratan klasifikasi ANFIS seperti yang ditunjukkan pada gambar. Ruang lingkup masa depan dari pekerjaan ini adalah untuk meningkatkan arsitektur ANFIS untuk mencapai akurasi klasifikasi yang tinggi, mengukur ketebalan dan volume tumor.