Penggabungan fitur tekstur yang invariant terhadap rotasi untuk klasifikasi citra pap smear

Pasrun, Yuwanda Purnamasari (2015) Penggabungan fitur tekstur yang invariant terhadap rotasi untuk klasifikasi citra pap smear. Masters thesis, Institut Teknology Sepuluh Nopember.

[img]
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 View Item