Deteksi tumor otak selalu menantang karena berbagai bentuk dan tampilan tumor di MRI. Kualitas gambar MRI juga mengambil aturan penting untuk memberikan pandangan yang jelas dan batas tumor. Batas tumor yang jelas berguna untuk meningkatkan kemungkinan operasi medis yang aman tanpa merusak bagian otak yang sehat. Segmentasi citra merupakan salah satu metodologi yang dapat menangani masalah ini. Yaitu dengan memisahkan area tumor sebagai Region of Interest (ROI) dari segmen citra lainnya.
Beberapa penelitian telah dikembangkan untuk segmentasi citra. Unsupervised learning berupa model-based clustering dipilih karena sangat powerful untuk mengeksplorasi pola data citra dalam jumlah data yang terbatas. Algoritma sebelumnya dikenal dengan Gaussian Mixture Model (GMM) yang diasumsikan bahwa pola data citra berasal dari distribusi campuran Gaussian [1,2]. GMM memiliki beberapa keterbatasan karena bentuknya yang simetris dan berekor pendek yang tidak selalu sesuai dengan pola data MRI [3]. Metodologi sebelumnya mencoba mengatasi keterbatasan ini dengan mengganti Gaussian dengan distribusi lain. Model campuran t siswa (SMM) [4] dimaksudkan untuk mengatasi kekurangan distribusi Gaussian berekor pendek dan telah berhasil menyegmentasikan citra MRI yang memiliki pola data ekor gemuk. Model campuran Laplacian (LMM) menggunakan distribusi Shifted Asymmetric Laplace dan dapat diandalkan untuk mensegmentasi citra dengan tepi yang tajam dan pola leptokurtik [5,6]
Laporan Kasus
Penelitian ini menggunakan MRI tumor otak dari pasien Rumah Sakit Umum (RSUD) Dr. Soetomo Surabaya dengan persetujuan medis. Dataset MRI adalah kumpulan gambar skala abu-abu yang memiliki: intensitas skala abu-abu di setiap piksel. Misalkan ada yi, i = 1, 2,…, N intensitas skala abu-abu yang termasuk dalam klaster K. Model Campuran MSTBurr (MSTBurr-MM) adalah superposisi komponen K yang setiap komponen diasumsikan mengikuti distribusi MSTBurr. Hasil segmentasi optimal dengan MSTBurr-MM akan disusun sebagai label volume beserta rangkaian citra MRI untuk merender model 3D di Matlab Volume Viewer. Berdasarkan panduan Matlab, ada beberapa langkah untuk menggunakan aplikasi volume viewer. Selanjutnya pembangunan model 3D dapat memberikan informasi lebih lanjut tentang volume tumor otak. Penelitian ini menggunakan pendekatan ellipsoidal karena dianggap mendekati volume tumor bentuk tidak beraturan yang sebenarnya
Metode dan Hasil
Data yang digunakan dalam penelitian ini berasal dari pasien tumor otak Dr. Soetomo Surabaya. Dataset adalah irisan dari urutan T1 memp+C dan T2 Flair, keduanya dari sudut pandang aksial. Urutan T1 memp+C adalah irisan yang telah ditambahkan media kontras, hal ini membuat segmen tumor lebih terlihat. Di sisi lain, T2 Flair adalah urutan tanpa media kontras, yang fitur yang lebih terlihat adalah pembengkakan atau edema. Jumlah dataset hanya 56, oleh karena itu dengan jumlah data yang terbatas ini, unsupervised learning dianggap tepat untuk dianalisis. Proses segmentasi dilakukan dengan Algoritma MSTBurr-MM dengan penambahan tingkat ambang 0,15. Rangkuman jumlah cluster optimum, nilai SC, CCR, dan hasil segmentasi citra sampel disajikan pada Tabel 1. CCR keseluruhan dihitung untuk 56 citra MRI dengan nilai rata-rata 0,9366. Artinya MSTBurr-MM dapat mensegmentasi dataset dengan akurasi tinggi sekitar 93,66%.
Dalam hal segmentasi klaster gambar yang membedakan, pendekatan algoritma MSTBurr-MM memberikan hasil segmentasi yang kuat dengan akurasi sekitar 93,66%. Penelitian ini telah berhasil mengkonstruksi model 3D dari sekuens MRI 2D dengan menyusun irisan input aksial dan segmentasinya dengan penampil volume Matlab. Hasilnya dapat menunjukkan model 3D memberikan hasil yang cukup baik. Selanjutnya, dari analisis dan sudut pandang medis, tumor terletak di sisi kiri lobus frontal dengan edema melekat pada tengkorak kiri, dan diperkirakan memiliki volume sekitar 33.556 mm3.
Penulis: Widiana Ferriastuti, dr., Sp.Rad(K)
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://iopscience.iop.org/article/10.1088/1742-6596/1722/1/012098
A A Pravitasari et al 2021 J. Phys.: Conf. Ser. 1722 012098
