pengolahan citra payudara dengan matlab

44
TUGAS MATLAB EDGE, MORPHOLOGY, SEGMENTASI Tugas Kuliah Pemrosesan Citra Medis : Dadan Hardianto Siti Julaiha / 0906597420 Pasca Sarjana Teknologi Biomedis

Upload: sitigruebner

Post on 19-Jun-2015

2.736 views

Category:

Documents


7 download

DESCRIPTION

Trying to build better image processing with matlab

TRANSCRIPT

Page 1: Pengolahan Citra Payudara Dengan MatLab

TUGAS MATLABEDGE, MORPHOLOGY, SEGMENTASI

Tugas Kuliah Pemrosesan Citra Medis : Dadan Hardianto

Siti Julaiha / 0906597420Pasca SarjanaTeknologi Biomedis

Page 2: Pengolahan Citra Payudara Dengan MatLab

Deskripsi:

1. Lakukanlah eksperimen dengan fungsi fungsi Matlab yang berkaitan dengan deteksi sisi dan segmentasi citra ‐(morphology)

2. Proseslah sebuah citra dengan fungsi edge detection yang telah disediakan Matlab (minimal 2 jenis). 3. Proses citra yang sama pada no.2 untuk melakukan segmentasi terhadap citra tersebut (maksimum 3 kelas saja)

dengan operasi morphology yang tersedia. 4. Tumpangkan hasil proses no.2 dan no.3 dan berilah warna untuk hasil no.2 yang ditumpangkan pada hasil no.3

(misalnya menggunakan warna hijau) 5. Buatlah laporan terkait eksperimen anda yang disertai citra citra ‐ input dan output hasil eksperimen 6. Laporan berupa komentar/kesimpulan anda terhadap fungsi fungsi yang dijalankan (apa yang terjadi) berdasarkan‐

pengamatan anda.

Pemrosesan Citra

Gambar Pertama :

Mammography Payudara yang diperkirakan mempunyai sel kanker

Untuk dapat menganalisa suatu pencitraan, dibutuhkan terlebih dahulu informasi property file pada gambar tersebut,

Untuk gambar diatas didapatkan syntax dan informasi properti file sebagai berikut :

>> info = imfinfo('mammography.jpg')

info = Filename: 'mammography.jpg'

FileModDate: '15-Feb-2010 15:33:03'

FileSize: 7631

Format: 'jpg'

FormatVersion: ''

Width: 230

Height: 190

BitDepth: 24

ColorType: 'truecolor'

FormatSignature: ''

NumberOfSamples: 3

CodingMethod: 'Huffman'

CodingProcess: 'Progressive'

Comment: {}

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 3: Pengolahan Citra Payudara Dengan MatLab

Dari informasi diatas, kita mengetahui file gambar kita dalam format Truecolor/RGB, sedangkan untuk melakukan proses analisa edge , diperlukan batas antara dua daerah yang memiliki gray level yang berbeda atau edge adalah posisi pixel dimana terjadi perubahan intensitas yang cukup besar. Karena itu diperlukan perubahan format dari Truecolor menjadi format image Gray image dengan syntak konversi sebagai berikut:

Tugas1 = imread('mammography.jpg')

figure, imshow(Tugas1)

gray = rgb2gray(Tugas1)

figure, imshow(Tugas1), figure, imshow(gray)

sehingga diperoleh hasil gambar sebagai berikut :

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Deteksi tepi (Edge detection) adalah operasi yang dijalankan untuk mendeteksi garis tepi (edges) yang membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda (Pitas 1993). Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.

Analisa pencitraan dengan fungsi edge detection dapat dilakukan dengan berbagi metode seperti metode Robert, Prewitt, Sobel , Canny, Laplacian, Zero-Cross dll. Untuk mendeteksi edge ini, digunakan kode pada Matlab dan hasil pencitraan sebagai berikut:

Syntax:

BW1 = edge (gray,’robert’), figure, imshow(BW1) BW2=edge (gray,'prewitt'), figure, imshow(BW2)

50 100 150 200

50

100

150

50 100 150 200

50

100

150

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 4: Pengolahan Citra Payudara Dengan MatLab

BW3 = edge(gray,’sobel’), figure, imshow(BW3)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

BW4= edge(gray,'log'), figure, imshow(BW4) BW5 = edge(gray,’canny’), figure, imshow(BW5)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

50 100 150 200

50

100

150

Hasil percobaan menunjukkan bahwa Metode Canny dan Laplacian lebih unggul dalam mendeteksi batas-batas sebuah objek dibandingan Metode Sobel, Prewitt dan Robert. Metode Canny memperlihatkan lebih jelas garis tepi pada citra. Metode Robert, Sobel, dan Prewit tidak dapat memberikan garis tepi yang mencukupi karena adanya noisy, ketiga metode menggunakan metode Gradient . Sedangkan Metode Canny mengatur sisi tepi dengan derivative dari Filter Gaussian. Canny method menggunakan dua threshold untuk mendeteksi edge strong dan weak. Weak edge terdeteski hanya ketika berkoneksi dengan strong edge. Sehingga metode Canny ini menjadil lebih robust terhadap noise dan dapat digunakan untuk mendeteksi true weak edges.==============================================================================================Segmentasi merupakan pemisahkan objek objek yang ada pada gambar, sehingga pengolahan gambar digital

dapat dilakukan pada masing-masing objek.

Morphologi adalah teknik pengolahan citra digital dengan menggunakan bentuk (shape) sebagai pedoman dalampengolahan. Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses perbandingan antara pixel yangbersesuaian pada citra digital masukan dengan pixel tetangganya. Operasi morphologi bergantung pada urutankemunculan dari pixel, tidak memperhatikan nilai numeric dari pixel sehingga teknik morphologi sesuai apabiladigunakan untuk melakukan pengolahan binary image dan grayscale image.Dengan mengatur atau memilih ukuran dan bentuk dari matrik kernel (structuring element) yang digunakan maka kita

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 5: Pengolahan Citra Payudara Dengan MatLab

dapat mengatur sensitivitas operasi morphologi terhadap bentuk tertentu (spesifik) pada citra digital masukan. Operasi Morphologi standar yang dilakukan adalah proses erosi dan dilatasi.

Dilatasi adalah proses penambahan pixel pada batas dari suatu objek pada citra digital masukan“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai maksimal yang diperoleh dari himpunanpixel tetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 1 maka output pixel akan diset menjadi 1”.

Erosi adalah proses pemindahan/pengurangan pixel pada batas dari suatu objek.“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai minimal yang diperoleh dari himpunan pixeltetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 0 maka output pixel akan diset menjadi 0”.

Jumlah pixel yang ditambahkan atau yang dihilangkan dari batas objek pada citra digital masukan tergantung pada ukuran dan bentuk dari structuring element yang digunakan.

Operasi dilatasi dan erosi dapat dikombinasikan untuk membentuk suatu filter baru yang spesifik. Dalam pengolahancitra digital menggunakan operasi morphologi dikenal istilah “opening filter” dan “closing filter”. Dengan mengkombinasikan proses erosi dan dilatasi akan diperoleh efek tertentu yang berguna dalam pengolahan citra digital.

Opening adalah kombinasi proses dimana suatu citra digital dikenai operasi erosi dilanjutkan dengan dilatasi

Closing adalah kombinasi dimana suatu citra dikenai operasi dilatasi dilanjutkan dengan erosi.

Proses pendeteksian sisi/edge diatas menggunakan operasi morphologi yang dilakukan dengan mengurangkan citra asli dengan citra hasil proses erosi atau mengurangkan citra hasil proses dilatasi dengan citra asli atau dengan mengurangkan citra hasil proses dilatasi dengan citra hasil proses erosi.

Untuk menjawab persoalan nomer 3 dan nomer 4 yaitu melakukan segmentasi dan menumpangkan citra hasil deteksi edge dengan hasil segmentasi serta mewarnainya, dapat dilakukan sekaligus dengan Metode Watershed.Sehingga percobaan untuk mengetahui lebih dalam tentang Segmentasi Morphologi, saya lakukan langsung dengan metode Morpologi Watershed yang meliputi ketiga dasar morphologi diatas.

Morphologi watershed adalah salah satu metode dalam segmentasi yang memproses gambar berdasarkan tingkat warna abu-abunya. Tujuan segmentasi dengan metode ini adalah membentuk garis watershed(dam) agar diperoleh segmen dengan boundary yang kontinu. Gambar dibentuk seakan-akan menjadi topografi dengan warna paling gelap menjadi dasarnya. Sebelum segmentasi dilakukan dibutuhkan juga pre-processing. Ada banyak macam pre-processing yang dapat dilakukan dan objek yang dihasilkan oleh morphological watershed untuk sebuah gambar berbeda-beda berdasarkan pre-processing yang dilakukan. Segmentation menggunakan metode watershed menghasilkan image yang lebih baik jika kita dapat mengidentifikasi, atau memberikan tanda / mark bagian foreground dan background objek.

Marker-controlled watershed segmentation mengikuti prosedur dasar sebagi berikut :

1. Melakukan fungsi segmentation . yaitu melakukan objek segmentasi pada daerah gelap citra.2. Melakukan foreground markers. Menghubungkan setiap blobs pixels objek.3.Melakukan background markers. Pixels yang tidak menjadi bagian dari object.4. Memodifikasi fungsi segmentation sehingga meminimalkan lokasi marker daerah foreground dan background.5. Melakukan segmentasi watershed transform .

Untuk langkah langkah Matlab kodenya sebagai berikut :

1. Membaca Citra berwarna dan mengkonversikannya ke Citra Abu Abu Syntax :

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 6: Pengolahan Citra Payudara Dengan MatLab

rgb = imread('mammography.jpg'); I = rgb2gray(rgb); imshow(I)

2. Menggunakan fungsi segmentasi dengan gradient magnitude. Fungsi yang biasa digunakan sebagai Mask Edgenya adalah metode Sobel, imfilter dan beberapa simple aritmetik untuk menghitung gradient magnitude. Gradien memberikan tanda yang lebih jelas pada daerah perbatasan objek dan menurunkan daerah di dalam objek.Fungsi ini diperintahkan dalam h=fspecial(type) yangmenciptakan filter 2 Dimensional h pada tipe yang spesifik. F special mengembalikan h sebagai korelasi kernel, yang merupakan bentuk yang tepat untuk menggunakan imfilter. Type adalah string yang mempunyai salah satu dari nilai ini.h=fspecial(type, parameter) menerima filter yang dispesifikasikan dengan tipe ditambah modifikasi parameter tambahan khusus untuk tipe filter yang dipilih. Nilai default parameter digunakan jika parameter tidak ditentukan. Jenis jenis F special adalah sebagai berikut:

Value Description

'average' Averaging filter

'disk' Circular averaging filter (pillbox)

'gaussian' Gaussian lowpass filter

'laplacian' Approximates the two-dimensional Laplacian operator

'log' Laplacian of Gaussian filter

'motion' Approximates the linear motion of a camera

'prewitt' Prewitt horizontal edge-emphasizing filter

'sobel' Sobel horizontal edge-emphasizing filter

'unsharp' Unsharp contrast enhancement filter

Saya mencoba memproses 7 filter, kemudian mencoba membandingkan hasilnya, untuk lebih memahami metode Watershed ini.

METODE SEGMENTASI WATERSHED

Untuk Metode Sobel, pre prossing dari f special ini adalah hy = fspecial('sobel');hx = hy';Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude Sobel(gradmag)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 7: Pengolahan Citra Payudara Dengan MatLab

Bila dilakukan dengan metode lain yaitu Metode Prewit, hy = fspecial('prewitt')Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Laplacian of Gaussian filter, mengembalikan secara rotasi simetris filter Laplacian dari Gaussian dari ukuran hsize dengan sigma deviasi standar (positif). hsize dapat menjadi vektor penentu jumlah baris dan kolom dalam h, atau dapat menjadi skalar, dalam hal ini h adalah matriks persegi. Nilai default untuk hsize adalah [5 5] dan 0,5 untuk sigma. Sehingga Syntax yang ditulis adalah sbb:hy = fspecial('log',[5 5], 0.5)>> hx = hy';>> Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Laplacian, mengembalikan filter 3-by-3 yang mendekati bentuk dua dimensi operator Laplacian . Parameter pengontrol Alpha pembentuk Laplacian harus dalam kisaran 0,0 - 1,0. Nilai default untuk alfa adalah 0,2. Sehingga dibutuhkan Syntax sebagai berikut >> hy = fspecial('laplacian',[0.2])>> hx = hy';>> Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)')

Metode Gaussian, h = fspecial('gaussian', hsize, sigma) mengembalikan secara rotasi simetris filter Gaussian lowpass ukuran hsize dengan deviasi standar sigma (positif). hsize dapat menjadi vektor penentu jumlah baris dan kolom dalam h, atau dapat menjadi skalar, dalam hal ini h adalah matriks persegi. Nilai default untuk hsize adalah [3 3]; nilai default untuk sigma adalah 0,5. >> hy = fspecial('gaussian', [3 3], 0.5)>> hx = hy';>> Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude Gaussian (gradmag)')

Metode Unsharp filter, h = fspecial('unsharp', alpha) mengembalikan 3-by-3 penyaring unsharp kontras tambahan. fspecial menciptakan filter unsharp dari filter Laplacian negatif dengan parameter alpha. Alpha mengontrol bentuk Laplacian dan harus dalam kisaran 0,0-1,0. Nilai default untuk alfa adalah 0,2.hy = fspecial('unsharp', 0.2)>> hx = hy';Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');>> gradmag = sqrt(Ix.^2 + Iy.^2);>> figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)Unsharp')

Metode Disk Filter, h = fspecial ( 'disk', jari-jari) mengembalikan filter lingkar rata-rata (kotak obat) dalam matriks kuadrat sisi 2 * jari-jari+ 1. Jari-jari standar adalah 5.hy = fspecial('disk', 5); hx = hy';

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 8: Pengolahan Citra Payudara Dengan MatLab

Iy = imfilter(double(I), hy, 'replicate');Ix = imfilter(double(I), hx, 'replicate');gradmag = sqrt(Ix.^2 + Iy.^2);figure, imshow(gradmag,[]), title('Gradient magnitude (gradmag)Disk')

Melakukan Marker pada Foreground.Banyak variasi yang dapat dilakukan untuk hal ini, dimana blob pixels harus terkoneksi padas setiap bagian foreground objek. Sebagai contohnya, dilakukan Teknik Morphologi “ Opening By Reconstruction” dan “ Closing by Reconstruction” untuk membersihkan citra. Operasi ini akan menciptakan Maxima Flat di dalam setiap objek yang dapat dilokasikan sebagai imregionalmax. Kita dapat membandingkan hasil segmentasi keduanya,dengan Syntax untuk morphologi Opening yaitu Morphologi Erosion yang diikuti oleh Morphologi Dilation adalah sebagai berikut :>> se = strel('disk', 20);>> Io = imopen(I, se);>> figure, imshow(Io), title('Opening (Io)')

Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi Erosion yang diikuti oleh Morphologi Reconstruction. Adalah sebagai berikut :>> Ie = imerode(I, se);>> Iobr = imreconstruct(Ie, I);>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')

Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik titik gelap) dan Stem Mark. Kita dapat membandingkan Morphologi Closing dengan Morphologi Closing by Reconstruction, dengan Syntax sebagai berikut :>> Ioc = imclose(Io, se);>> figure, imshow(Ioc), title('Opening-closing (Ioc)')

Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat menyempurnakan citra output dari Morphologi imreconstruct ini. Syntax yang digunakan sebagai berikut :>> Iobrd = imdilate(Iobr, se);>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));>> Iobrcbr = imcomplement(Iobrcbr);>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')

Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif dibandingkan dengan Morphologi Opening-closing untuk menghilangkan noda kecil tanpa mempengaruhi bentuk keseluruhan dari citra. Kemudian perhitungan Regional maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground marker yang lebih baik. Syntax yang ditulis adalah sebagai berikut :>> fgm = imregionalmax(Iobrcbr);>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)')

Untuk membantu menafsirkan hasilnya, maka kita tumpangkan hasil marker foreground ini pada image asli gray dengan syntax sebagai berikut>> I2 = I;>> I2(fgm) = 255;>> figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')

Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak ditandai/marked, yang berarti objek-objek ini tidak akan tersegmentasi dengan benar dalam hasil akhirnya. Juga Marker foreground pada beberapa objek langsung menuju sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel dihilangkan dan kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing yang diikuti oleh Erosion , dengan Syntax sebagi berikut :

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 9: Pengolahan Citra Payudara Dengan MatLab

>> se2 = strel(ones(5,5));>> fgm2 = imclose(fgm, se2);>> fgm3 = imerode(fgm2, se2);Prosedur ini cenderung meninggalkan beberapa piksel menyimpang yang terisolasi, yang harus dihilangkan. Hal ini dapat dilakukan dengan menggunakan bwareaopen, yang menghapus semua bagian pixel yang memiliki jumlah piksel yang lebih sedikit dengan syntax sebagai berikut :>> fgm4 = bwareaopen(fgm3, 20);>> I3 = I;>> I3(fgm4) = 255;>> figure, imshow(I3), title('Modified regional maxima superimposed on original image (fgm4)')

3. Melakukan Background MarkersPixel yang lebih gelap/dark menjadi bagian background, maka perintah dimulai dengan pengoperasian Thresholding.>> bw = im2bw(Iobrcbr, graythresh(Iobrcbr));>> figure, imshow(bw), title('Thresholded opening-closing by reconstruction (bw)')

Pixel background berwarna hitam, secara ideal, marker background diusahakn tidak terlalu dekat dengan edge objek yang akan disegmentasi. Dibutuhkan background yang tipis dengan melalukan pengoperasian “Skeleton by influence Zones” atau disingkat SKIZ, dari foreground black white. Perintah ini dilakukan dengan menghitung Watershed transform dari jarak/distance transform bw, dan menentukan watershed rige lines (DL == 0 ) sebagai hasilnya. Kode perintah dilakukan sebagai berikut :>> D = bwdist(bw);>> DL = watershed(D);>> bgm = DL == 0;>> figure, imshow(bgm), title('Watershed ridge lines (bgm)')

4. Melakukan Watershed Transform dari fungsi Segmentasi.Dengan menggunakan fungsi imimposemin , citra dapat dimodifikasi sehingga daerah/regional minima nya hanya terlitat pada lokasi tertentu yang diinginkan. Dan perintah ini digunakan untuk memodifikasi gradient magnitude citra sehingga regional minima hanya terjadi pada pixel foreground dan background.>> gradmag2 = imimposemin(gradmag, bgm | fgm4);Kemudian dilakukan Watershed based segmentasi dengan perintah sebagai berikut :>> L = watershed(gradmag2);

5. Visualisasi HasilSalah satu teknik visualisasi adalah dengan menempatkan foreground markers, background markers, dan batas-batas objek tersegmentasi pada gambar asli. Metode Dilation dapat digunakan untuk membuat aspek-aspek tertentu, seperti batas-batas objek, lebih terlihat. Syntax yang harus ditulis adalah :>> I4 = I;>> I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255;>> figure, imshow(I4), title('Markers and object boundaries superimposed on original image (I4)')

Visualisasi menggambarkan bagaimana lokasi marker foreground dan background mempengaruhi hasil. Pada beberapa lokasi, sebagian daerah tertutup yang lebih gelap digabungkan dengan tetangganya yang lebih terang karena objek yang tertutup tidak memiliki marker foreground.Teknik visualisasi lain yang berguna adalah untuk menampilkan label matriks sebagai gambar berwarna. Label matriks, seperti yang dihasilkan oleh watershed dan bwlabel, dapat dikonversi ke gambar truecolor untuk memgvisualisasikan citra dengan menggunakan perintah:>> Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');>> figure, imshow(Lrgb), title('Colored watershed label matrix (Lrgb)')

Kemudian dilakakuan pewarnaan transparansi untuk menempatkan di pseudo-warna ini label matriks di atas intensitas asli gambar.

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 10: Pengolahan Citra Payudara Dengan MatLab

>> figure, imshow(I), hold onhimage = imshow(Lrgb);set(himage, 'AlphaData', 0.3);title('Lrgb superimposed transparently on original image')

Hasil Citra untuk setiap langkah proses Metode Watershed ini ditampilkan sebagai berikut :

Konversi Citra

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Segmentasi Gradient Magnitude Filter Sobel Segmentasi Gradient Magnitude Filter Prewitt Gradient magnitude (gradmag)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Gradient magnitude (gradmag)Prewitt

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Segmentasi Gradient Magnitude Filter Laplacian Segmentasi Gradient Magnitude Filter Laplacian of Gaussian (Log)

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 11: Pengolahan Citra Payudara Dengan MatLab

Gradient magnitude Laplacian(gradmag)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Default Log Gradient magnitude (gradmag)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Segmentasi Gradient Magnitude Filter Unsharp Segmentasi Gradient Magnitude Filter GaussianGradient magnitude (gradmag)Unsharp

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Gradient magnitude (gradmag)Gaussian

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Segmentasi Gradient Magnitude Filter DiskGradient magnitude (gradmag)Disk

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Morphology Opening Morphology Opening by Reconstruction

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 12: Pengolahan Citra Payudara Dengan MatLab

Opening (Io)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Opening-by-reconstruction (Iobr)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Morphologi Opening Closing Morphology Opening Closing by ReconstructionOpening-closing (Ioc)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Opening-closing by reconstruction (Iobrcbr)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Regional maxima opening-closing by reconstruction Regional maxima superimposed on original imageRegional maxima of opening-closing by reconstruction (fgm)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Regional maxima superimposed on original image (I2)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Modified Regional max superimposed on original image Thresholded opening-closing by reconstruction

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 13: Pengolahan Citra Payudara Dengan MatLab

Modified regional maxima superimposed (fgm4)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Thresholded opening-closing by reconstruction (bw)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

'Watershed ridge lines Markers object boundaries superimposed original SobelWatershed ridge lines (bgm)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers and object boundaries superimposed on original image (I4)Sobel

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers object boundaries superimposed original Prewitt Markers object boundarie superimposed orginal LaplacianMarkers and object boundaries superimposed on original image (I4)Prewitt

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers and object boundaries superimposed on original image (I4)Laplacian

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers object boundaries superimposed original (Log) Markers object boundarie superimposed original Unsharp

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 14: Pengolahan Citra Payudara Dengan MatLab

Markers and object boundaries superimposed on original image (I4)Log

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers and object boundaries superimposed on original image (I4)Unsharp

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Marker object boundarie superimposed original Gaussian Markers object boundaries superimposed original DiskMarkers and object boundaries superimposed on original image (I4)Gaussian

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers and object boundaries superimposed on original image (I4)Disk

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix pada Sobel Colored watershed label matrix pada PrewittColored watershed label matrix (Lrgb) Sobel

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix (Lrgb)Prewitt

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix pada Laplacian Colored watershed label matrix pada (Log)

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 15: Pengolahan Citra Payudara Dengan MatLab

Colored watershed label matrix (Lrgb)Laplacian

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix (Lrgb)Log

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix pada Unsharp Colored watershed label matrix pada GaussianColored watershed label matrix (Lrgb)Unsharp

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix (Lrgb)Gaussian

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colored watershed label matrix pada Disk Superimposed transparently on original image DiskColored watershed label matrix (Lrgb)Disk

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Superimposed transparently on original image Sobel Superimposed transparently on original image Prewitt

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 16: Pengolahan Citra Payudara Dengan MatLab

Superimposed transparently on original image Laplacian Superimposed transparently on original image (Log)

Superimposed transparently on original image Unsharp Superimposed transparently on original image Gaussian

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 17: Pengolahan Citra Payudara Dengan MatLab

METODE ALTERNATIF LAIN (MARKER OBJEK BOUNDARY IMAGE)Untuk langsung menempatkan hasil dari Pendeteksian Edge pada tugas no. 2 kepada hasil Morphology Sedimentasi dengan hasil Pendeteksian Edge sebagai Mask nya dan Hasil dari Morphology Sedimentasi sebagai Markernya, dan hasil tumpangan diberikan pelabelan warna hijau/biru atau warna lain

Maka dapat saja Perintah dipersingkat, tanpa malakukan metode Watershed , tetapi tetap melakukan pengoperasian Segmentasi Morphology dengan langkah perintah sbb :

- Konversi dan Pendeteksi Edge pada Citra:rgb = imread('mammography.jpg'); I = rgb2gray(rgb);BW1 = edge (I, 'canny'), figure, imshow(BW1); title('Canny edge')

- Garis tepi hasil dari deteksi tepi ini tidak cukup tebal, dapat digunakan gradient biner masker dan fungsi imdilate untuk menebalkan garis tepi ini :DI = imadjust(I, [], [0 1]);BWs = edge(DI, 'canny', (graythresh(DI) * 0.5));figure, imshow(BWs), title('Canny binary gradient mask')se90 = strel('line', 3, 90);se0 = strel('line', 3, 0);BWsdil = imdilate(BWs, [se90 se0]);figure, imshow(BWsdil), title('Canny dilated gradient mask')

- Marker pada Foreground dengan Teknik Morphologi “Opening by Reconstruction” dan “Closing by Reconstruction” untuk membersihkan citra. Operasi ini akan menciptakan Maxima Flat di dalam setiap objek yang dapat dilokasikan sebagai imregionalmax. Kita dapat membandingkan hasil segmentasi keduanya,dengan Syntax untuk morphologi Opening yaitu Morphologi Erosion yang diikuti oleh Morphologi Dilation adalah sebagai berikut :>> se = strel('disk', 20);>> Io = imopen(I, se);>> figure, imshow(Io), title('Opening (Io)')Sedangkan Syntax u ntuk Morphology Opening by reconstruction yaitu Morphologi Erosion yang diikuti oleh Morphologi Reconstruction. Adalah sebagai berikut :>> Ie = imerode(I, se);>> Iobr = imreconstruct(Ie, I);>> figure, imshow(Iobr), title('Opening-by-reconstruction (Iobr)')

- Melanjutkan Morphologi Opening dengan Closing dapat menghilangkan Dark Spot (Titik titik gelap) dan Stem Mark. Kita dapat membandingkan Morphologi Closing dengan Morphologi Closing by Reconstruction, dengan Syntax sebagai berikut :>> Ioc = imclose(Io, se);>> figure, imshow(Ioc), title('Opening-closing (Ioc)')

- Kemudian dilanjutkan dengan Morphologi Imdilate by imreconstruct. Kita dapat menyempurnakan citra output dari Morphologi imreconstruct ini. Syntax yang digunakan sebagai berikut :>> Iobrd = imdilate(Iobr, se);>> Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));>> Iobrcbr = imcomplement(Iobrcbr);>> figure, imshow(Iobrcbr), title('Opening-closing by reconstruction (Iobrcbr)')

- Hasil perbandingan Morphologi Opening-closing by reconstruction terlihat lebih efektif dibandingkan dengan Morphologi Opening-closing untuk menghilangkan noda kecil tanpa mempengaruhi bentuk keseluruhan dari citra. Kemudian perhitungan Regional maxima dengan kode Iobrcbr dilakukan untuk memperoleh foreground marker yang lebih baik. Syntax yang ditulis adalah sebagai berikut :>> fgm = imregionalmax(Iobrcbr);>> figure, imshow(fgm), title('Regional maxima of opening-closing by reconstruction (fgm)')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 18: Pengolahan Citra Payudara Dengan MatLab

Untuk membantu menafsirkan hasilnya, maka kita tumpangkan hasil marker foreground ini pada image asli gray dengan syntax sebagai berikut>> I2 = I;>> I2(fgm) = 255;>> figure, imshow(I2), title('Regional maxima superimposed on original image (I2)')

- Dapat diperhatikan bahwa beberapa dari bayangan dan beberapa bagian tertutup tidak ditandai/marked, yang berarti objek-objek ini tidak akan tersegmentasi dengan benar dalam hasil akhirnya. Juga Marker foreground pada beberapa objek langsung menuju sisi/edge objek, yang berarti edge dari beberapa blop/bagian pixel dihilangkan dan kemudian disusutkan sedikit. Perintah ini dapat dilakukan dengan Morphologi Closing yang diikuti oleh Erosion , dengan Syntax sebagi berikut :>> se2 = strel(ones(5,5));>> fgm2 = imclose(fgm, se2);>> fgm3 = imerode(fgm2, se2);

- Prosedur ini cenderung meninggalkan beberapa piksel menyimpang yang terisolasi, yang harus dihilangkan. Hal ini dapat dilakukan dengan menggunakan bwareaopen, yang menghapus semua bagian pixel yang memiliki jumlah piksel yang lebih sedikit dengan syntax sebagai berikut :>> fgm4 = bwareaopen(fgm3, 20);>> I3 = I;>> I3(fgm4) = 255;>> figure, imshow(I3), title('Modified regional maxima superimposed on original image (fgm4)')

- Visualisasi HasilSalah satu teknik visualisasi Penumpangan dua image adalah dengan menempatkan foreground markers, background markers, dan batas-batas objek tersegmentasi pada gambar hasil Pendeteksian Edge. Metode Dilation dapat digunakan untuk membuat aspek-aspek tertentu, seperti batas-batas objek, lebih terlihat. Syntax yang harus ditulis adalah :>> I4 = BWsdil;>> I4(imdilate(I3 == 0, ones(3, 3)) | fgm4) = 255;>> figure, imshow(I4), title('Markers and object boundaries superimposed on Edge Detection image (I4)')

- Teknik visualisasi lain yang berguna adalah untuk menampilkan pewarnaan pada hasil tumpangan segmentasi Mask dan Masker. Untuk itu diperlukan pengkonversian file ke dalam bentuk true color degan perintah label matriks sebagai gambar berwarna. Label matriks, dapat dikonversi ke gambar truecolor untuk memgvisualisasikan citra dengan menggunakan perintah dan pewarnaan sesuai dengan yang diinginkan , dengan syntax sebagai berikut :figure,imshow(I4)CC = bwconncomp(I4);L = labelmatrix(CC);RGB = label2rgb(L); misalnya untuk pewarnaan defaultRGB2 = label2rgb(L, 'spring', 'c', 'shuffle'); misalnya untuk pewarnaan dengan background warna cyan dan objek memiliki color map springfigure, imshow(RGB), title('Colored label matrix)')

- Dapat juga dilakukan pewarnaan transparansi untuk menempatkan di pseudo-warna ini label matriks di atas intensitas asli gambar.>> figure, imshow(I), hold onhimage = imshow(RGB2);set(himage, 'AlphaData', 0.3);title('Lrgb superimposed transparently on original image')

- Terakhir kita dapat saja mengkombinasikan dan mencari pewarnaan yang dapat memberikan informasi lebih terhadap kriteria obyek dari pencitraan yang kita inginan. colormap hsv, figure, title('colormap')Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain sebagainya

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 19: Pengolahan Citra Payudara Dengan MatLab

METODE ALTERNATIF LAIN (Segmentasi Outline Image)

- Metode alternatif untuk menampilkan objek yang tersegmentasi pada tumpangan masknya dapat juga dilakukan dengan penempatan garis disekeliling sel tersegmentasi sebagai pengganti langkah segmentasi Watershed, dengan fungsi bwperim. Syntaxnya sebagai berikut:BWoutline = bwperim(I4);Segout = I;Segout(BWoutline) = 255;figure, imshow(Segout), title('outlined original image');

- Kemudian Metode pelabelan warna cukup dilakukan dengan satu perintah syntax dan termasuk perubahan konversi ke pada True color atau RGB file yaitu , color map disesuaikan dengan yang diinginkan colormap hsv, figure, title('colormap')Kombinasi dari colormap dapat dilakukan dari tipe jet, hsv, copper, gray, dan lain sebagainya

Hasil Citra untuk setiap langkah proses Penumpangan Deteksi Edge dan Morphologi Sedimentasi ditampilkan sbb. :

Konversi Citra

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Pendeteksian Sisi Metode Canny Pendeteksian Sisi Metode Canny Gradient Mask

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 20: Pengolahan Citra Payudara Dengan MatLab

50 100 150 200

50

100

150

Canny binary gradient mask

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Pendeteksian Sisi Metode Canny Dilated Gradient Mask Morphology OpeningCanny dilated gradient mask

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Opening (Io)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Morphology Opening by Reconstruction Morphologi Opening ClosingOpening-by-reconstruction (Iobr)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Opening-closing (Ioc)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Morphology Opening Closing by Reconstruction Regional maxima opening-closing by reconstruction

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 21: Pengolahan Citra Payudara Dengan MatLab

Opening-closing by reconstruction (Iobrcbr)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Regional maxima of opening-closing by reconstruction (fgm)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Regional maxima superimposed on original image Modified Regional max superimposed on original imageRegional maxima superimposed on original image (I2)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Modified regional maxima superimposed (fgm4)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Markers-object boundaries superimposed on Edge Image Pelabelan Warna dan perubahan file konversi ke RGB

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 22: Pengolahan Citra Payudara Dengan MatLab

Colored label matrix)

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Colormap type HSV Colormap type JET

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 23: Pengolahan Citra Payudara Dengan MatLab

Colormap type Colorcube

Metode alternative dengan Segmentasi Outline Pelabelan Warna type jet dan file konversi ke RGBoutlined original image

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

outlined original image

20 40 60 80 100 120 140 160 180 200 220

20

40

60

80

100

120

140

160

180

Memodifikasi preprocessing untuk lebih memberikan kemampuan image atau citra memberikan informasi yang dibutuhkan bagi penggunanya. Seperti contoh diatas dimana Pendeteksi bagian yang diperkirakan adalah sel sel kanker sebagai deteksi awal Kanker Payudara sangat dibutuhkan hasil pengolahan image yang mempresentasikan infromasi keberadaan , baik letak, jenis bentuk, warna, dimensi, maupun perbedaan dengan jaringan atau sel di kategorikan normal.

Menurut saya, Metode Segmentasi Watershed klasik seperti yang dicontohkan pada Demo Matlab, kurang memberikan informasi berarti bagi perbedaan jaringan normal, benign ataupun kanker. Sedangkan proses penumpangan Mask dan objek dengan pendeteksian Sisi sebagai Masknya dapat lebih memberikan informasi pada pembatasan lokasi yang diperkirakan terkena kanker. Serta dengan proses pewarnaan atau pelabelan warna pada image kanker payudara ini memberikan informasi penting untuk memvisualisasikan informasi yang dibutuhkan serta dapat digunakan sebagai pendiferensiasi lokasi jaringan yang diperkirakan terkena kanker dengan jaringan normal. Bahkan proses pewarnaan dengan metode Colormap HSV DAN JET dapat memberikan gradiensi warna yang dapat membedakan beberapa jenis jaringan yang diperkirakan normal, benign atau kanker. Untuk itu dibutuhkan studi lebih lanjut dan contoh yang lebih beragam lagi.

CONTOH IMAGE KEDUA : SCREENING AWAL KANKER PAYUDARA DENGAN ULTRASOUND

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 24: Pengolahan Citra Payudara Dengan MatLab

DETEKSI EDGESOBEL LOG

sobel edge

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

log edge

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

CANNYcanny edge

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

METODE WATERSHEDKonversi Citra Segmentasi Gradient Magnitude Filter Sobel

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 25: Pengolahan Citra Payudara Dengan MatLab

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Gradient magnitude Sobel(gradmag)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Segmentasi Gradient Magnitude Filter Gaussian Segmentasi Gradient Magnitude Filter DiskGradient magnitude Gaussian (gradmag)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Gradient magnitude (gradmag)Disk

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Morphology Opening Morphology Opening by ReconstructionOpening (Io)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Opening-by-reconstruction (Iobr)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Morphologi Opening Closing Morphology Opening Closing by Reconstruction

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 26: Pengolahan Citra Payudara Dengan MatLab

Opening-closing (Ioc)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Opening-closing by reconstruction (Iobrcbr)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Regional maxima opening-closing by reconstruction Regional maxima superimposed on original imageRegional maxima of opening-closing by reconstruction (fgm)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Regional maxima superimposed on original image (I2)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Modified Regional max superimposed on original image Thresholded opening-closing by reconstructionModified regional maxima superimposed on original image (fgm4)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Markers object boundaries superimposed original Sobel Thresholded opening-closing by reconstruction (bw)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

'Watershed ridge linesWatershed ridge lines (bgm)

50 100 150 200 250 300 350 400 450 500

50

100

150

200

250

300

Markers and object boundaries superimposed on original image (I4)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Marker object boundarie superimposed original Gaussian Markers object boundaries superimposed original Disk

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 27: Pengolahan Citra Payudara Dengan MatLab

Markers and object boundaries superimposed on Gaussian original image (I4)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Markers and object boundaries superimposed on Disk original image (I4)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colored watershed label matrix pada Sobel Superimposed transparently on original image Sobel Colored watershed label matrix Sobel(Lrgb)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colored watershed label matrix pada Gaussian Superimposed transparently on original image GaussianColored watershed label matrix (Lrgb)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colored watershed label matrix pada Disk Superimposed transparently on original image DiskColored watershed label matrix (Lrgb)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 28: Pengolahan Citra Payudara Dengan MatLab

Metode alternative lain deteksi edge pada imagePendeteksian Sisi Metode Canny Pendeteksian Sisi Metode Canny Gradient Mask

Canny binary gradient mask

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Canny dilated gradient mask

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

HASIL LANGKAH SELANJUTNYA SERUPA DENGAN HASIL PADA WATERSHED SEHINGGA TIDAK DITAMPILKAN :Pendeteksian Sisi Metode Canny Dilated Gradient Mask Morphology OpeningMorphology Opening by Reconstruction Morphologi Opening ClosingMorphology Opening Closing by Reconstruction Regional maxima opening-closing by reconstructionRegional maxima superimposed on original image Modified Regional max superimposed on original image

Markers-object boundaries superimposed on Edge Image Pelabelan Warna dan perubahan file konversi ke RGBMarkers and object boundaries superimposed on Edge Detection image (I4)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colored label matrix)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan WarnaColored label matrix)

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 29: Pengolahan Citra Payudara Dengan MatLab

Pelabelan Warna dan perubahan file konversi ke RGB Superimposed transparently Pelabelan Warna

Metode alternative dengan Segmentasi OutlineColormap type PINK Colormap TRANSPARANT type COVER

outlined original image

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

outlined original image

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colormap type JET Colormap TRANSPARANT type JEToutlined original image

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

40050 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 30: Pengolahan Citra Payudara Dengan MatLab

Colormap type HSV Colormap TRANSPARANT type HSVoutlined original image

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

Colormap type HOT Colormap TRANSPARANT type HOToutlined original image

50 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

40050 100 150 200 250 300 350 400 450 500 550

50

100

150

200

250

300

350

400

SANGAT JELAS PEMBERIAN COLORMAP WARNA PADA HASIL AKHIR SEGMENTASI MEMBERIKAN TAMPILAN INFORMASI YANG LEBIH MENARIK DAN LEBIH MEMBERIKAN ARAHAN TERHADAP TUJUAN PEMROSESAN CITRAAN YAITU MEMBEDAKAN KELAS KELAS OBYEK ANTARA JARINGAN KANKER DAN NON KANKER.

DENGAN MELAKUKAN BERBAGAI PERCOBAAN PAPDA TUMPANGAN OBJEK PADA MASKER LAINNYA SEPERTI YANG TERGAMBARKAN PADA IMAGE IMAGE BERIKUT, DENGAN PEMBERIAN THRESHOLD LANGSUNG PADA MASKER SEGMENTASI EDGE, DAN MORPHOLOGY DILATE SERTA SEGMENTASI DENGAN BORDERLINE DAN VARIASI PEWARNAAAN , TERLIHAT HASIL HASIL IMAGE BERIKUT, MEMBERIKAN TAMPILAN INFORMASI PADA IMAGE DENGAN LANGKAH YANG LEBIH SEDERHANA DIBANDING METODE WATERSHED DAN METODE LAIN DIATAS, DAN MEMBERIKAN HASIL YANG OPTIMAL UNTUK MEMBEDAKAN KELAS KELAS OBYEK ANTARA JARINGAN KANKER DAN NON KANKER, DENGAN BORDERLINE DAN BERBAGAI VARIASI PEWARNAAN SESUAI YANG DIINGINKAN SI PENGDIAGNOSA.

SEMOGA BERMANFAAAT…

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 31: Pengolahan Citra Payudara Dengan MatLab

rgb = imread('Denises Mammogram (Side-to-Side).jpg'); I = rgb2gray(rgb);[junk threshold] = edge(I, 'sobel'); fudgeFactor = .5; BWs = edge(I,'sobel', threshold * fudgeFactor); figure, imshow(BWs), title('binary gradient mask');se90 = strel('line', 3, 90); se0 = strel('line', 3, 0);BWsdil = imdilate(BWs, [se90 se0]); figure, imshow(BWsdil), title('dilated gradient mask');BWdfill = imfill(BWsdil, 'holes'); figure, imshow(BWdfill); title('binary image with filled holes');BWnobord = imclearborder(BWdfill, 4); figure, imshow(BWnobord), title('cleared border image');seD = strel('diamond',1);BWfinal = imerode(BWdfill,seD);BWfinal = imerode(BWfinal,seD); figure, imshow(BWfinal), title('segmented image');BWoutline = bwperim(BWfinal); Segout = I; Segout(BWoutline) = 255; figure, imshow(Segout), title('outlined original image');BWoutline = bwperim(BWfinal); Segout = I; Segout(BWoutline) = 255; figure, imshow(Segout), title('outlined original image');colormap jet, figure, title('colormap')colormap hsv, figure, title('colormap')colormap hot, figure, title('colormap')colormap gray, figure, title('colormap')

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 32: Pengolahan Citra Payudara Dengan MatLab

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 33: Pengolahan Citra Payudara Dengan MatLab

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 34: Pengolahan Citra Payudara Dengan MatLab

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 35: Pengolahan Citra Payudara Dengan MatLab

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan

Page 36: Pengolahan Citra Payudara Dengan MatLab

Siti Julaiha Gruebner/Teknologi Biomedis UI Tugas Pencitraan