SEGMENTASI DAN PEMISAHAN SEL DARAH PUTIH BERSENTUHAN MENGGUNAKAN K-MEANS DAN HIERARCHICAL CLUSTERING ANALYSIS PADA CITRA LEUKEMIA MYELOID AKUT

HARTO, ARYO (2017) SEGMENTASI DAN PEMISAHAN SEL DARAH PUTIH BERSENTUHAN MENGGUNAKAN K-MEANS DAN HIERARCHICAL CLUSTERING ANALYSIS PADA CITRA LEUKEMIA MYELOID AKUT. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5114201001-Master_Theses.pdf - Published Version

Download (4MB) | Preview

Abstract

Keberhasilan identifikasi dan klasifikasi pada proses diagnosis penyakit Acute Myeloid Leukemia (AML) berbasis pengolahan citra sangat bergantung pada hasil segmentasi. Segmentasi pada citra mikroskopis sediaan apus darah tepi bertujuan untuk memisahkan region sel darah putih dari region lainnya. Untuk meningkatkan akurasi segmentasi pada citra AML beberapa hal seperti efek pencahayaan, kontras, staining yang beragam dan keberadaan sel yang bersentuhan harus diatasi. Pada penelitian ini diusulkan metode segmentasi dan pemisahan sel darah putih bersentuhan pada citra AML menggunakan analisis cluster dengan metode K-Means dan hierarchical clustering analysis (HCA). Segmentasi dilakukan menggunakan analisis cluster dengan metode K-Means pada citra AML yang memiliki variasi staining beragam. Keberadaan sel yang bersentuhan dipisahkan dengan metode HCA secara otomatis dengan hasil cluster yang stabil. Segmentasi dan pemisahan sel akan dilakukan pada masing-masing region lokal atau sub-citra yang didapatkan dari cropping pada citra AML. Initial ROI sel darah putih didapatkan dengan metode thresholding Otsu pada citra hasil Leukocytes Nucleus Enhancer (LNE). Untuk mendeteksi sel yang bersentuhan digunakan fitur geometri berupa kebulatan dan luasan. Dari hasil evaluasi yang dilakukan terhadap 40 citra pada dataset AML, metode yang diusulkan melakukan segmentasi sel darah putih dengan baik dan memisahkan touching cell menjadi sel-sel tunggal. Nilai rata-rata dari hasil segmentasi masing-masing adalah 0.977 untuk presisi, 0.885 untuk recall dan 0.928 untuk Zijdenbos similarity index(ZSI) pada region sel darah putih. Sedangkan pada region nukleus nilai rata-rata presisi adalah 0.975, recall adalah 0.924 dan ZSI adalah 0.948. Pada perhitungan jumlah sel, error yang dihasilkan juga cukup rendah yaitu sebesar 4.04%. ========================================================================================== The success of identification and classification on diagnosing acute myeloid leukemia (AML) diseases based on image processing relies heavily on segmentation result. Segmentation on peripheral blood smear images aims to separate the leukocytes region with others region. To increase the segmentation accuracy on AML images, a few things regarding lighting condition, contrast, staining variations and the existence of touching cells must be overcome. In this study a method for leukocytes segmentation and separate the touching cell on AML images using cluster analysis with K-Means and hierarchical clustering analysis (HCA) is proposed. K-Means method is used to analyze the cluster for AML images segmentation. The AML image datasets with various staining variations is segmented using K-Means method. The existence of touching cells is separated automatically using HCA method which produce a stable clusters result. Segmentation and cell separation will be processed on local region or sub-image which is obtained from AML images cropping. To get leukocytes initial ROI, Otsu thresholding method is used with the image processed with leukocytes nucleus enhancer (LNE). The touching cell area is detected using two geometric feature, roundness and size. From the evaluation results in 40 images of AML dataset, the proposed method is capable to properly segment the white blood cells region and separating the touching cell into a single cells. The average value of the segmentation results is 0.977 for precision, 0.885 for recall and 0.928 for Zijdenbos similarity index (ZSI) in white blood cell region. While in nucleus region the average value is 0.975 for precision, 0.924 for recall and 0.948 for ZSI. On cell counting the error rate is also low which is about 4.04%.

Item Type: Thesis (Masters)
Uncontrolled Keywords: AML, clustering, hierarchical clustering analysis, k-means, segmentasi, leukocytes, AML, segmentation, clustering, K-Means, hierarchical clustering analysis
Subjects: R Medicine > RB Pathology
T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User: ARYO HARTO -
Date Deposited: 27 Feb 2017 04:11
Last Modified: 06 Mar 2019 02:55
URI: http://repository.its.ac.id/id/eprint/1668

Actions (login required)

View Item View Item