Active Contour Lankton untuk Segmentasi Kanker Payudara pada Citra Mammogram

Main Article Content

Edy Hermawan

Abstract

Mammografi merupakan salah satu alat terbaik sampai saat ini untuk melakukan deteksi dini terhadap keberadaan kanker  payudara. Penggunaan mammografi efektif menurunkan tingkat kematian akibat kanker payudara sebesar 30% sampai 70%. Akan tetapi, terdapat kesulitan melakukan interpretasi terhadap mammogram sebagai hasil luaran dari mammografi karena sangat bergantung pada kualitas mammogram dan pengalaman dari ahli radiologi dalam mendeteksi lesi kanker payudara. Computer Aided Diagnosis (CAD) sebagai pembaca ganda mammogram dapat dipergunakan untuk  meningkatkan akurasi deteksi dan segmentasi dari ahli radiologi. Penelitian ini merupakan upaya untuk melakukan deteksi dan segmentasi dengan menggunakan teknik pemrosesan citra terhadap objek yang dicurigai sebagai lesi kanker payudara pada citra mammogram. Untuk meningkatkan akurasi deteksi dan segmentasi maka dilakukan preprocessing untuk mengurangi noise dan meningkatkan homogenitas aras keabuan mammogram. Deteksi dan segmentasi terhadap keberadaan lesi kanker dilakukan dengan menerapkan metode active contour Lankton. Hasil penelitian menunjukkan metode yang diajukan mampu melakukan deteksi dan segmentasi terhadap lesi kanker payudara dengan baik. Wilayah kanker payudara dapat terdeteksi sesuai dengan wilayah kanker  payudara yang dideteksi radiolog dan tersegmentasi dengan jelas. Fitur FO dan GLCM hasil ekstraksi dari lesi kanker payudara dapat diperoleh signifikan tanpa terlalu banyak terkontaminasi dari fitur non lesi kanker payudara. Fitur FO dan GLCM dari lesi kanker payudara hasil ekstraksi  dapat dipergunakan sebagai input untuk analisis lanjutan berupa klasifikasi lesi kanker.


 

Downloads

Download data is not yet available.

Article Details

How to Cite
Hermawan, E. (2019). Active Contour Lankton untuk Segmentasi Kanker Payudara pada Citra Mammogram. Jurnal Eksplora Informatika, 9(1), 28-37. https://doi.org/10.30864/eksplora.v9i1.258
Section
Articles

References

American Cancer Society, Breast Cancer Facts and Figures 2013-2014. Atlanta: American Cancer Society, Inc, 2014.

J. E. Joy, E. E. Penhoet, and D. B. Petitti, Saving Women’s Lives - Strategies for Improving Breast Cancer Detection and Disgnosis. 2005. [link]

W. E. Fathy and A. S. Ghoneim, “A Deep Learning Approach for Breast Cancer Mass Detection,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 1, pp. 175–182, 2019. [link]

M. Helms, R.L., O’Hea, E.L. and Corso, “Body image issues in women with breast cancer,” Psychol. Heal. Med., vol. 13, no. 3, pp. 313–325, 2008. [link]

L. M. Mina and N. A. M. Isa, “A review of computer-aided detection and diagnosis of breast cancer in digital mammography,” J. Med. Sci., vol. 15, no. 3, pp. 110–121, 2015.

R. M. Rangayyan, F. J. Ayres, and J. E. Leo Desautels, “A review of computer-aided diagnosis of breast cancer: Toward the detection of subtle signs,” J. Franklin Inst., vol. 344, no. 3–4, pp. 312–348, 2007. [link]

J. Sharma and S. Sharma, “Mammogram image segmentation using watershed,” Int. J. Inf. Technol. Knowl. Manag., vol. 4, no. 2, pp. 423–425, 2011. [link]

A. Sahakyan and H. Sarukhanyan, “Segmentation of the Breast Region in Digital Mammograms and Detection of Masses,” Int. J. Adv. Comput. Sci. Appl., vol. 3, no. 2, pp. 102–105, 2012. [link]

P. Rahmati, A. Adler, and G. Hamarneh, “Mammography segmentation with maximum likelihood active contours,” Med. Image Anal., vol. 16, no. 6, pp. 1167–1186, 2012. [link]

D. Putra, Pengolahan Citra Digital. Penerbit Andi, 2010. [link]

D. Apriliani and Murinto, “Analisis Perbandingan Teknik Segmentasi Citra Digital Menggunakan Metode Level Set,” vol. 7, no. 2, pp. 802–810, 2013. [link]

M. A. López Guevara et al., “Bcdr: a Breast Cancer Digital Repository,” 15 Int. Conf. Exp. Mech., no. January, pp. 1–5, 2012. [link]

R. C. Gonzalez, R. E. Woods, and S. L. Eddins, Digital image processing using MATLAB. Publisher T. Robins, 2009.