Segmentasi Citra

Image processing terdiri dari lima tahap yaitu akusisi, prepocessing, segmentasi, post-processing, dan analisa. Tujuan utama dari image processing di instrumentasi biomedis adalah untuk mengumpulkan informasi, screening  atau invertigasi, mendiagnosis, terapi dan kontrol, serta monitoring dan evaluasi.. Segmentasi memegang peranan yang sangat penting dengan memfasilitasi penggambaran daerah yang penting dalam suatu citra atau disebut sebagai region of interest (ROI).

Proses yang sering digunakan dalam pemilahan citra (dalam data) adalah segmentasi, yaitu membagi citra menjadi bagian-bagian dimana bagian-bagian tersebut dapat dipandang sebagai obyek-obyek mandiri yang dapat dianalisis. Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa. Ada beberapa metode yang sering digunakan dalam segmentasi citra antara lain : metode thresholding, metode shapebased, metode region growing, dan metode statistik atau juga disebut metode clustering. Masing-masing metoda memiliki kelebihan dan kelemahan tergantung pada karakteristik dari citra yang akan diproses. Berikut beberapa metode yang umum digunakan dalam segmentasi citra.

1)    Thresholding
Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang berbeda tergantung pada tingkat keabuan masing-masing pixel. Intensitas citra medis seperti tumor dan jaringan pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga menyebabkan kesulitan penentuan ambang batas (threshold). Metode thresholding tidak bisa diterapkan untuk citra dengan tingkat keabuan yang berdekatan sehingga biasanya dikombinasikan dengan metode lain.

2)    Region Growing
Metode region growing seperti menggabungan thresholding dengan kondisi konektivitas atau kriteria daerah homogenitas. Keberhasilan dari metode tersebut bergantung pada kepresisian informasi anatomi untuk meletakkan baik satu maupun beberapa pixel untuk masing-masing daerah homogen. Kelemahan lain dari metode region growing adalah metode tersebut hanya dapat bekerja dengan baik pada daerah yang homogen dan membutuhkan operator untuk menentukan daerah yang akan disegmentasi.

Metode region growing yang paling umum digunakan adalah watershed. Prinsip dasar dari watershed adalah merubah gradien tingkat keabuan citra menjadi permukaan topografi. Daerah minimum dari citra merupakan sumber dimana air meluap dan bentuk-bentuk “kolam” (“catchment basin”) menggambarkan permukaan air. Algoritma ini akan berhenti bila dua “kolam” dari dua sumber yang berbeda bertemu. Jika pada citra terdapat banyak pola dan noise, maka akan terbentuk banyak “kolam” sehingga terjadi segmentasi yang berlebihan.

Matei Mancas dan Bernard Gosselin memodifikasi algoritma watershed untuk menghidari masalah segmentasi berlebih pada citra tumor otak dengan mengunakan metode marker-based watershed dan gradien vector flow untuk komputasinya. Watershed pertama dihitung dari dua market -set awal dan membagi citra menjadi 3 wilayah yaitu bagian luar, fuzzy dan bagian dalam. Algoritma yang sama kemudian digunakan untuk menghitung watershed yang kedua dan diperoleh 5 wilayah konsentris yang makin mendekai bagian tumor.

Salvador A Melo Júnior, et. al menyelesaikan masalah over-segmentation dengan menggunakan multi-state preprocessing untuk mengurangi noise citra, meningkatkan kontras, dan memodifikasi homotopi citra ventrikel kiri. Setelah tahap preprocessing, metode watershed berhasil melakukan segmentasi citra ventrikel kiri. Kontur akhir diperoleh dengan mengurangi ukuran wilayah tersegmentasi dengan algoritma kontur koreksi.

3)    Shapebased
Metode shapebased juga memberikan pendekatan yang cukup sederhana dalam segmentasi citra namun sangat sulit dalam penentuan kontur awal sehingga ketidaktepatan dalam penentuan kontur awal dapat menyebabkan hasil segmentasi yang kurang memuaskan.

4)    Clustering
Metode statistik atau clustering didasarkan pada distribusi parameter tertentu. Hal terpenting dalam metode ini adalah melakukan estimasi definisi awal dari parameter sehingga bagus tidaknya segmentasi tergantung pada seberapa baik distribusi yang diasumsikan mendekati distribusi dari data. Pada kenyataanya, secara umum citra medis mengandung noise dan ketidakpastian distribusi yang tidak dapat diketahui sebelumnya.

Metode segmentasi statistik mengklasifikasi dan melakukan pengelompokan piksel citra ke dalam wilayah terpadu menurut kriteria tertentu dengan menggunakan pattern-classifier tertentu dan teknik post-processing semisal filter morfologi. Algoritma K-mean, fuzzy c-means (FCM) dan expectation–maximization (EM) paling umum digunakan pada metode clustering.

Shan Shen, et. al menggunakan metode fuzzy c-mean yang dimodifikasi, yang disebut improved fuzzy c-mean (IFCM), untuk melakukan segmentasi pada jaringan otak. Pada algoritma IFCM segmentasi tidak hanya didasarkan pada pixel namun juga pada pixel yang terdekat. Selama proses clustering, pixel berusaha menarik pixel yang terdekat dan memiliki intensitas yang hampir sama ke dalam cluster yang sama sehingga robush terhadap noise.

Nassir Salman menggabungkan metode K-mean dan watershed dan K-mean difference in strengh map (DIS) untuk melakukan segmentasi dan egde-detection pada citra MRI otak. Metode clustering K-mean digunakan untuk menghasilkan citra gradien daerah intensitas berdasarkan jarak minimum untuk memeriksa setiap pixel dalam citra dan kemudian menetapkanya ke dalam salah satu cluster citra. Citra gradien tersebut kemudian disegmentasi lagi dengan metode watershed dan DIS. Clustering K-mean juga dimaksukan untuk menghindari over-segmentation pada watershed. Meskipun penggabungan metode segmentasi tersebut cukup memuaskan, namun hasil tersebut sangat bergantung pada hasil K-mean.