MRI 3 dimensi memang telah lama digunakan untuk menentukan diagnosis berbagai macam penyakit maupun digunakan untuk pertimbangan tindakan medis maupun operatif pada pasien dengan penyakit-penyakit tertentu. Pencitraan 3 dimensi akan memudahkan dalam menentukan lokasi persis penyakit maupun kelainan secara anatomis sehingga teknologi ini terus dikembangkan untuk meningkatkan nilai akurasinya.
Saat ini, studi yang dilakukan adalah bagaimana merubah irisan-irisan 2 dimensi menjadi suatu gambar 3 dimensi, hal ini memungkinkan hilangnya informasi pada irisan-irisan yang tidak didapatkan pada saat pembuatan gambar 3 dimensi. Oleh karena itu studi ini dibuat untuk membuat suatu gambar 3 dimensi dari segmentasi irisan 3 dimensi untuk mencegah kehilangan informasi tersebut.
Rekonstruksi 3D dengan Pendekatan Unsupervised
Penelitian ini dilakukan dengan mengambil irisan dari sisi aksial. Kemudian dilakukan konversi dalam format NifTi untuk mendapatkan gambar 3D. Pra-pemrosesan ditambahkan sebagai modifikasi dari penelitian sebelumnya, seperti gambar gray-scaling, koreksi bias bidang, dan metode skull stripping untuk menghilangkan tulang kepala sehingga hanya jaringan otak yang tersisa dari otak manusia. Hasil pengupasan tengkorak akan disegmentasi menggunakan multi-Otsu thresholding untuk mendapatkan tiga jaringan otak yang berbeda, yaitu white matter (WM), gray matter (GM), cerebrospinal fluid (CSF).
Suatu studi oleh Atikah dkk menggunakan adaptive thresholding, K-means pada fase clustering, dan operasi morfologi untuk segmentasi otak pada corpus callosum. Ambang adaptif digunakan dalam fase preprocessing citra otak. Tujuan dari thresholding adaptif adalah untuk membuat pengupasan tengkorak lebih mudah. Setelah dilakukan pre-processing dan mendapatkan otak, dilakukan k-means untuk membagi bagian otak yang akan tersegmentasi yaitu corpus callosum. Kemudian noise pada fase tersebut dihilangkan menggunakan morfologi matematika.
Sakib dkk membandingkan metode segmentasi pada jaringan otak (GM, WM, CSF) menggunakan 3 metode yaitu Otsu thresholding, Bayesian, Bayesian plus Gaussian smoothing. Dataset otak diuji satu per satu pada metode yang tersedia di ITK. Hasil yang didapat cukup baik. Dan CSF adalah poin penting. Dalam ambang batas Otsu, segmentasi jaringan otak di CSF lebih unggul dari 2 metode lainnya.
Despotovic dkk. membahas berbagai metode untuk melakukan segmentasi pada citra otak. Mereka menggunakan teknik preprocessing seperti koreksi bidang bias, registrasi gambar, pengangkatan jaringan non-otak, atau banyak peneliti menyebutnya pengupasan tengkorak. Kemudian mereka juga membahas metode segmentasi MRI seperti segmentasi manual yang telah dilakukan oleh para ahli, metode berbasis intensitas (Threshold, region growth, clustering, klasifikasi), metode berbasis atlas, metode berbasis permukaan, dan metode hybrid. Untuk evaluasi segmentasi, makalah ini juga menyebutkan koefisien Tanimoto dan koefisien kemiripan dadu.
METODE DAN HASIL
Metode unsupervised approach dilakukan dengan tujuan untuk melakukan segmentasi beberapa bagian otak manusia pada citra MRI. Data yang digunakan adalah data DICOM yang terdiri dari 500 slice dari berbagai bidang. Bahasa pemrograman yang digunakan dalam penelitian ini adalah Python. Langkah pertama adalah mengambil dataset gambar. Setelah itu, data dikonversi ke NifTi. Kemudian dilakukan pengupasan tengkorak untuk menghilangkan tengkorak dan hanya menyisakan citra jaringan otak. Citra otak tersebut kemudian disegmentasi untuk mendapatkan jaringan yang dibagi menjadi tiga bagian (WM, GM, CSF). Dan CSF akan digunakan sebagai batas pemisah untuk memisahkan struktur otak.
Hasil dari metode unsupervised approach dapat digunakan untuk melakukan segmentasi citra otak dari data MRI kedalam tiga bagian jaringan otak (WM, CSF & GM). Proses preprocessing dilakukan dengan grayscaling untuk mempermudah proses segmentasi dengan mengubah nilai piksel menjadi 0 – 255. Skull stripping menggunakan 3D U-Net digunakan untuk menghilangkan jaringan non-otak untuk mencegah kesalahan segmentasi. Dan kemudian, multi-Otsu thresholding digunakan untuk memisahkan tiga kelas jaringan otak.
Penulis: Dr. Achmad Fahmi, dr., Sp.BS (K)
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://ieeexplore.ieee.org/document/9435267
Nugroho AS, Fajar A, Sarno R, Fatichah C, Fahmi A, Utomo SA, et al. Unsupervised Method for 3D Brain Magnetic Resonance Image Segmentation. Proc – 2021 IEEE Asia Pacific Conf Wirel Mobile, APWiMob 2021. 2021;90–4.
