Banyak sistem kesehatan di dunia telah runtuh karena kapasitas yang terbatas dan peningkatan dramatis dari pasien yang terjangkit kasus COVID-19. Yang muncul adalah perlunya menemukan metode yang efisien, cepat dan akurat untuk mengurangi kelebihan upaya ahli radiologi untuk mendiagnosis kasus yang diduga. Rancangan ini menyajikan kombinasi metode klasifikasi supervised learning untuk membedakan antara coronavirus COVID-19, pneumonia dan paru-paru yang sehat.

 

 

PENDAHULUAN

Virus Corona adalah bagian dari keluarga virus yang menyebabkan penyakit pada hewan ataupun juga pada manusia. Di Indonesia, masih melawan Virus Corona hingga saat ini, begitupun juga di negara-negara lain. Jumlah kasus Virus Corona terus bertambah dengan beberapa melaporkan kesembuhan, tapi tidak sedikit yang meninggal. Usaha penanganan dan pencegahan terus dilakukan demi melawan COVID-19 dengan gejala mirip Flu.

Latar belakang virus Corona atau COVID-19, kasusnya dimulai dengan pneumonia atau radang paru-paru misterius pada Desember 2019. Karena krisis ini, deteksi / diagnosis dengan bantuan komputer harus digunakan untuk membantu ahli radiologi dalam proses diagnosis untuk mengurangi kelebihan kapasitas sejumlah besar pasien COVID-19. Ada tiga metode umum untuk mendiagnosis COVID-19, yaitu tes darah, sinar-X, dan pemindaian komputer (CT) [1,2]. Di antara banyak teknologi pencitraan medis, CT adalah teknologi non-invasif, yang telah dipilih karena dianggap sebagai teknik yang menjanjikan untuk deteksi porositas internal yang canggih, dan karakterisasi [3].  Menurut Zonneveld [4], teknologi CT memainkan peran penting dalam kedokteran diagnostik, intervensi yang dipandu gambar, dan penilaian hasil terapi dan bedah. Kemajuan dalam teknologi CT dan aplikasinya terus menghasilkan peningkatan kualitas gambar, mengurangi waktu akuisisi dan secara dramatis memperluas aplikasi klinis CT modern [5].

Meskipun CT dianggap sebagai cara aktif untuk skrining awal dan diagnosis COVID-19, CT mungkin berbagi fitur tekstur serupa yang serupa antara COVID-19 dan pneumonia, sehingga menghasilkan mereka sulit dibedakan seperti yang ditunjukkan pada Gambar 1 [6].

Dalam rancangan ini, penulis mengusulkan untuk mendeteksi penyakit covid-19 menggunakan analisis tekstur multi-class pada gambar CT-scan paru-paru pasien. Rancangan ini menggunakan beberapa metode klasifikasi supervised learning seperti: Support Vector Machine (SVM), dan 1-nearest neighbor classifier. Dengan begitu diharapkan bisa menampilkan hasil yang akurasinya cukup utuk mendukung mendiagnosis positif atau tidak pada pasien dalam pemantauan.

DATASET

Data yang digunakan adalah CT scan dada digunakan dalam rancangan ini, termasuk CT scan pasien COVID-19 yang terinfeksi, CT scan pasien pneumonia yang terinfeksi dan CT scan orang sehat tanpa infeksi dada yang terdeteksi dikumpulkan dari Radiopaedia dari situs The Cancer Imaging Archive (TCIA) [7,8]. CT scan yang sehat dikumpulkan dari orang yang memiliki patologi di satu paru-paru, dan yang lain dicap sebagai normal.

Gambar 1. (a) paru yang terinfeksi dengan COVID-19, dan (b) paru yang terinfeksi dengan pneumonia.

 

METODOLOGI

Tekstur

Tekstur adalah konsep intuitif yang mendeskripsikan tentang sifat kehalusan, kekasaran,dan keteraturan dalam suatu daerah/wilayah(region). Dalam pengolahan citra digital, tekstur didefinisikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pixel yang bertetangga. Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang disebut primitif atau teksel (texture element-texel)[9]

Syarat-syarat terbentuknya suatu tekstur antara lain :

1. Adanya pola-pola primitif yang terdiri dari satu piksel atau lebih. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung,dan luasan yang merupakan elemen dasar dari sebuah tekstur.
2. Pola-pola primitif tersebut muncul berulang-ulang dengan interval dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

Suatu citra memberikan interpretasi tekstur yang berbeda apabila dilihat dengan jarak dan sudut yang berbeda. Manusia memandang tekstur berdasarkan deskripsi yang bersifat acak seperti halus, kasar, teratur, tidak teratur, dan sebagainya. Hal ini merupakan deskripsi yang tidak tetap dan non-kuantitatif, sehingga diperlukan adanya suatu deskripsi yang kuantitatif (matematis) untuk memudahkan analisis.

LBP

Local Binary Patterns (LBP) adalah operator tekstur yang terorganisir dengan baik yang memberikan tiap label pada piksel-piksel disuatu gambar dengan membatasi lingkungan setiap piksel dan hasilnya akan dianggap sebagai angka biner. LBP ini bertujuan untuk mengekstraksi informasi local texture dari gambar skala abu-abu (grayscale). Nilai melingkar nol dan satu yang dihasilkan dapat diperoleh dalam searah jarum jam dan berlawanan arah jarum jam. Operator Local Binary Patterns (LBP) mempertimbangkan kemungkinan terjadinya semua pola biner yang mungkin muncul dari lingkungan dengan bentuk dan ukuran yang telah ditentukan.

Gambar 2. Contoh perhitungan LBP

Setiap piksel memiliki nilai skala abu-abu, lalu ambang batas yang berpusat di titik tengah. Pixel yang memiliki nilai yang sama atau lebih dibandingkan dengan titik tengah diberi nilai 1 selain yang diberi nilai 0. Kemudian nilai LBP diperoleh dari penjumlahan dua peringkat dari nilai nomor satu.

Operator pada LBP memiliki label yang ditandai dengan P dan R. P mewakili jumlah piksel tetangga yang digunakan dalam komputasi sedangkan R adalah jari-jari antara piksel titik pusat dan piksel tetangga.

GLCM

Gray level co-occurrence matrix (GLCM) telah didefinisikan oleh Haralick [10]. Gray Level Co-occurrence Matrix (GLCM) adalah matriks dua dimensi dengan ukuran yang sama dengan jumlah tingkat abu-abu dalam suatu gambar. Dalam rancangan ini menggunakan empat arah (0 °, 45 °, 90 ° dan 135 °) dan lima vektor perpindahan (dari 1px ke 5px). Untuk membuat deskriptor tekstur ini menjadi invarian sehubungan dengan rotasi, lalu di rata-rata GLCM yang diperoleh dari keempat arah untuk setiap vektor perpindahan tadi. Dari masing-masing matriks yang dihasilkan bersama, lalu kita ekstraksi empat statistik global berikut: kontras, korelasi, energi, dan homogenitas [10], sehingga memperoleh 5 × 4 = 20 fitur untuk setiap gambar input.

Gambar 3. Contoh GLCM

Setiap titik (i,j) pada matriks kookurensiberorientasi berisi peluang kejadian piksel bernilai i bertetangga dengan piksel bernilai j pada jarak d serta orientasi dan (180−θ). Jumlah kookurensi diisikan pada matriks GLCM pada posisi sel yang bersesuaian.

Gabor Filter

Dalam rancangan ini kita menggunakan Gabor filter sebagai memfilter gambar dataset sebelum ke klasifikasi. Gabor filter telah didefinisikan oleh Tsia[11]. Dalam rancangan ini menerapkan bank of Gabor filter ke gambar grayscale dan menghitung intensitas rata-rata dari gambar magnitudo transformasi-Gabor.

Gambar 4. Contoh hasil Gabor Filter

 

ALUR KERJA

Secara alur kerja, proses deteksi ditunjukkan pada Gambar 5.

proses deteksi secara alur kerja meliputi langkah-langkah berikut:

Input gambar.

Input gambar adalah hasil dari gambar CT-Scan yang didapatkan dari pasien

Klasifikasi dengan 1-nearest neighbour.

Euclidean-distance 1-nearest neighbour (1-NN) adalah classifier yang sangat sederhana yang tidak tergantung pada parameter tuning, mudah diimplementasikan dan memiliki risiko rendah overfitting[12]. Sebelum melatih classifier, vektor fitur distandarisasi terlebih dahulu untuk memiliki mean dan varians yang sama.

Fungsi dasar linear dan radial support vector machine.

Rancangan ini mencoba menggunakan support vector machines (SVM) dengan keputusan kelas one-by-one dalam multi kelas model error-correcting output code (ECOC) [13,14]. Fase ini mencoba membandingkan SVM linear dan fungsi basis radial (rbf, Gaussian) SVM. Sebelum pelatihan datanya, vektor fitur akan secara otomatis dinormalisasi terlebih dahulu  untuk memiliki mean dan varians yang sama.

Ensemble pohon keputusan.

Rancangan ini mencoba mempertimbangkan ansambel pohon keputusan menggunakan metode RUSboost. Metode ini sangat cocok untuk data dengan ukuran grup yang tidak sama. Disini mencoba memilih RUSboost karena dianggap sebagai teknik yang cepat dan kuat [15].

Konstruksi set pelatihan dan pengujian.

Untuk melatih pengklasifikasi, Rancangan ini mencoba menggunakan validasi silang 10 kali lipat. Dataset dibagi secara acak dalam 10 bagian, dan 10 putaran pelatihan dan pengujian dilakukan. Untuk setiap subdivisi, 10% subset dataset yang berbeda digunakan untuk pengujian sedangkan 90% lainnya digunakan untuk pelatihan. Karena jumlah keseluruhan gambar besar dan ukuran kelompok seimbang, secara acak mendistribusikan gambar ke dalam pelatihan dan set pengujian menghasilkan proporsi kelompok yang konsisten, bahkan tanpa pendekatan explicit stratification.

Visualisasi multi-channel.

Setelah melatih dan menguji pengklasifikasi, Disini menggunakannya untuk mengelompokkan 10 gambar yang terpisah (perangkat aplikasi, seperti dijelaskan di atas). Setiap gambar persegi 5000-pixel berisi daerah dari jenis jaringan yang berbeda: mengidentifikasi daerah ini adalah masalah umum dalam histopatologi digital. Setiap gambar input dibagi lagi menjadi 10.000 petak persegi 150-piksel yang tumpang tindih dan untuk setiap petak fitur tekstur dihitung dan diserahkan ke pengklasifikasi.

Hasil.

Hasil dari ini adalah bisa mengetahui perbedaan paru-paru normal dengan paru-paru yang memiliki penyakit Covid-19 dengan menganalisa tekstur multi-class.

Gambar 5. Alur kerja

 

KESIMPULAN

Dalam rancangan yang dibuat ini semoga menjadikan terobosan untuk mendeteksi penyakit covid-19 pada hasil gambar CT-Scan pada paru-paru pasien. Seperti pada studi sebelumya[16], hasil tingkat akurasinya mencapai 87.4% . Oleh karena itu, teknik yang dikembangkan dalam rancangan ini dapat secara efektif mengidentifikasi gambar CT-Scan pada paru-paru. Hasil ini juga mengkonfirmasi bahwa virus tersebut yang ada pada manusia menggunakan struktur kompleks dapat dibedakan berdasarkan tekstur gambar yang dihasilkan.

 

DAFTAR PUSTAKA

 

1. Fan, L.; Li, D.; Xue, H.; Zhang, L.; Liu, Z.; Zhang, B.; Zhang, L.; Yang, W.; Xie, B.; Duan, X.; et al. Progress and prospect on imaging diagnosis of COVID-19. Chin. J. Acad. Radiol. 2020, 1–10. [CrossRef] [PubMed]
2. Hu, Z.; Song, C.; Xu, C.; Jin, G.; Chen, Y.; Xu, X.; Ma, H.; Chen, W.; Lin, Y.; Zheng, Y.; et al. Clinical Characteristics of 24 Asymptomatic Infections with COVID-19 Screened among Close Contacts in Nanjing, China; Cold Spring Harbor Laboratory: Cold Spring Harbor, NY, USA, 2020; pp. 1–6.
3. Hermanek, P.; Carmignato, S. Porosity measurements by X-ray computed tomography: Accuracy evaluation using a calibrated object. Precis. Eng. 2017, 49, 377–387. [CrossRef]
4. Zonneveld, F.W.; Hanafee, W.N. Computed Tomography of the Temporal Bone and Orbit. J. Comput. Assist. Tomogr. 1988, 12, 540. [CrossRef]
5. Samei, E. Computed Tomography: Approaches, Applications, and Operations; Springer Nature: Berlin/Heidelberg, Germany, 2020.
6. Li, L.; Qin, L.; Xu, Z.; Yin, Y.; Wang, X.; Kong, B.; Bai, J.; Lu, Y.; Fang, Z.; Song, Q. Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT. Radiology 2020, 200905. [CrossRef].
7. Radiopaedia. COVID-19 CT Cases. 2020. Available online: www.radiopaedia.org (accessed on 31 March 2020).
8. Archive, C.I. SPIE-AAPM-NCI Lung Nodule Classification Challenge Dataset. 2019. Available online: www.cancerimagingarchive.net (accessed on 1 April 2020).
9. Y.G.K, Isantoso, and R.R. Isnanto, “Klasifikasi Citra Dengan Matriks KoOkurensi Aras Keabuan (Gray Level Co-occurence Matrix-GLCM) Pada Lima Kelas Biji-bijian”, Universitas Diponegoro, Semarang.
10. Haralick RM, Shanmugam K, Dinstein I. Textural features for image classification. IEEE Trans Syst, Man Cybernet 1973;3:610–21.
11. Tsia, D. M., Wu, S. K. & Chen, M. C. Optimal Gabor filters for texture segmentation using stochastic optimization. Image Vis Comput 19, 299–316 (2001),.
12. Garcia, S., Derrac, J., Cano, J. R. & Herrera, F. Prototype selection for nearest neighbor classification: Taxonomy and empirical study. IEEE T Pattern Anal 34, 417–435 (2012).
13. Allwein, E. L., Schapire, R. E. & Singer, Y. Reducing Multiclass to Binary: A Unifying Approach for Margin Classifiers. J Mach Learn Res 1, 113–141 (2000).
14. Escalera, S., Pujol, O. & Radeva, P. On the decoding process in ternary error-correcting output codes. IEEE T Pattern Anal 32,120–134 (2010).
15. Seiffert, C., Khoshgoftaar, T., Hulse, J. & Napolitano, A. RUSBoost: Improving clasification performance when training data is skewed. in 19th International Conference on Pattern Recognition 1–4 (2008).
16. Kather, J. N. et al. Multi-class texture analysis in colorectal cancer histology. Sci. Rep. 6, 27988; doi: 10.1038/srep27988 (2016).