Pasrun, Yuwanda Purnamasari (2015) Penggabungan fitur tekstur yang invariant terhadap rotasi untuk klasifikasi citra pap smear. Masters thesis, Institut Teknology Sepuluh Nopember.
Preview |
Text
5113201003-Dissertation.pdf Download (1MB) | Preview |
Abstract
Pap test adalah pemeriksaan kanker serviks secara manual yang
membutuhkan waktu yang lama sehingga dibutuhkan sistem klasifikasi sel
berbasis komputer yang tepat. Penentuan fitur melalui observasi pada perbedaan
ciri antarkelas secara visual pada dataset akan membantu hasil klasifikasi sel
untuk mendapatkan ciri yang relevan antarkelas. Selain itu, adanya perubahan
orientasi sel pada saat akuisisi akan mempengaruhi nilai fitur yang dihasilkan
sehingga dibutuhkan metode ekstraksi fitur yang invariant terhadap rotasi.
Dataset Herlev adalah salah satu dataset citra pap smear satu sel (sel
tunggal) yang disediakan oleh rumah sakit Universitas Herlev, Denmark. Fitur
intensitas kurang relevan sebagai fitur karakteristik kelas untuk datasetini karena
tidak ada standardisasi pada metode pewarnaan dan zat warna (dye/pap stain) citra
pap smear. Deskriptor regional seperti area dan perimeter adalah deskriptor
regional sederhana yang tidak berpengaruh pada orientasi objek. Ekstraksi fitur
tekstur dengan metode Local Binary Pattern Histogram Fourier (LBP-HF) adalah
metode untuk mengatasi kelemahan metode uniform rotation invariant LBP
dalam mempertahankan distribusi relatif. Penelitian sebelumnya membuktikan
bahwa akurasi klasifikasi meningkat ketika fitur bentuk dan fitur tekstur
dikombinasikan. Hal ini menjadi dasar dalam mengombinasikan fitur bentuk dan
tekstur untuk membedakan ciri antar kelas sel agar lebih spesifik.
Penelitian ini mengusulkan penggabungan fitur bentuk deskriptor regional
sebagai fitur utama dan fitur tekstur dengan ekstraksi fitur LBP-HF yang invariant
terhadap rotasi sebagai ciri tambahan dalam mengklasifikasikan citra pap smear.
Dari evaluasi diperoleh bahwa penggabungan fitur bentuk dan fitur tekstur dapat
menghasilkan fitur yang invariant terhadap rotasi dan digunakan untuk klasifikasi
berdasarkan kategori dan kelas sel citra pap smear dengan metode klasifikasi
Fuzzy k-NN, yaitu dengan akurasi 95.76% pada parameter k=6 dan 74.75% pada
parameter k=4.
================================================================================================
Pap test is a manual cervical cancer screening that requires a long time, so
it needs an exact computer based cell classification system. Features
determination by observation in visual characteristic differences between class in
the dataset will help for cell classification results to obtain a relevant
characteristics between classes. In addition, the change in orientation of the cells
at the time of the acquisition will affect the value of the generated feature, so a
rotation invariant extraction method is needed to overcome the problem.
Herlev Datasets is an image dataset of single cell pap smear provided by
Herlev Hospital University, Denmark. Intensity features are less relevant as a
class characteristic feature for this dataset because there is no standardization in
methods of coloring and dyeing (dye/pap stain) a pap smear image. Regional
descriptor like area and perimeter is a simple regional descriptor that do not
influenced by object orientation. Texture extraction methods Local Binary Pattern
Histogram Fourier (LBP-HF) is a rotation invariant fetaure extraction methods
that able to overcome the limitation of the uniform rotation invariant LBP in
maintaining the relative distribution. Previous studies have proven that
classification accuracy will be increased when the shape and texture features were
combined. This become the motivation in combining shape feature and texture
feature to discriminate the between-class characteristics of the cell to be more
specific.
This study proposes the combination of regional descriptor shape feature
as a main feature and texture feature LBP-HF as additional features that produces
a rotation invariant feature to classify pap smear images, whether its for
classification of cell category or cell class. The evaluation result shows that the
combination of shape and texture features is able to produce a rotation invariant
features and used to classify pap smear cell image by category or class using
Fuzzy k-NN, with an accuracy 95.76% on the parameter k = 6 and 74.75%on the
parameter k = 4.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTIf 621.367 Pas p |
| Uncontrolled Keywords: | citra pap smear; deskriptor regional; fuzzy k-NN; klasifikasi; Local Binary Pattern Histogram Fourier |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | - Taufiq Rahmanu |
| Date Deposited: | 23 Oct 2019 08:21 |
| Last Modified: | 23 Oct 2019 08:21 |
| URI: | http://repository.its.ac.id/id/eprint/71369 |
Actions (login required)
 |
View Item |