Leukimia merupakan penyakit kanker pada sel darah putih manusia yang mengakibatkan pertumbuhan jumlah sel darah putih abnormal yang tidak terkendali. Penyakit ini dapat menyebabkan kematian jika tidak ditangani dengan tepat. Secara umum, AML adalah jenis leukimia akut yang paling sering ditemui. French–American–British (FAB) membagi AML ke dalam 8 subtipe berbeda dimana beberapa subtipe AML seperti M4, M5, dan M7 berasal dari induk sel blast yang berbeda. Tingkat maturasi pada sel–sel tersebut menyebabkan sel memiliki kenampakan hampir sama. Prosedur yang umum dilakukan untuk mengidentifikasi leukemia adalah dengan melakukan Complete Blood Count (CBC), yaitu menghitung jumlah sel darah putih dan sel darah merah melalui citra mikroskopis sel darah berdasarkan morfologi sel. Namun, prosedur ini relatif bergantung pada lama waktu, kemampuan operator, dan faktor kelelahan.
Penelitian ini dilakukan untuk membantu para medis agar dapat melakukan segmentasi tipe leukimia akut melalui citra mikroskopis sel darah dengan menggunakan pengolahan citra. Hasil dari pembelajaran ini diharapkan agar metode yang diterapkan dapat memisahkan antara sel darah putih dan sel lainnya, juga agar dapat meminimalisir keberadaan sel yang bersentuhan.
Dalam proses pengenalan suatu jenis penyakit, sistem yang telah menerima citra akan melakukan preprocessing, dimana suatu gambar akan mengalami proses perbaikan, seperti warna, filter, dan lain sebagainya. Sebelum melakukan preprocessing pada citra, dilakukan pencarian ROI (Region of Interest) pada citra sel darah putih. Penerapan ROI mampu meminimalisir kesalahan pada saat segmentasi karena besar pixel objek sudah berubah dan variasi warna paling besar dapat dilihat pada objek. Penerapan Haar–Cascade Classifier yang umum digunakan dalam deteksi objek akan mampu dilatih untuk mengenali ciri–ciri dari sel darah putih yang memiliki variasi warna dan bentuk.
Kami melakukan training data untuk pengenalan citra menggunakan Haar–Cascade Classifier dengan kriteria gambar positif (sel darah putih saja) berukuran 24×24 pixel dan gambar negatif (selain sel darah putih) berukuran 255×190 pixel. Masing–masing gambar positif dan negatif berjumlah 300 dan 700 objek, karena perbandingan yang digunakan harus 1:2.
Preprocessing yang kami lakukan memerlukan beberapa metode yang dierapkan secara berurutan. Preprocessing pada nukleus diawali dengan konversi warna dari RGB ke HSV, dan diambil channel S. Kami melihat bahwa penggunaan konversi warna ini pada objek nukleus mampu mengurangi efek pencahayaan dan cenderung mudah dikenali mata manusia. Sedangkan preprocessing pada sitoplasma diawali dengan konversi warna dari RGB to CIELab dengan channel *b yang merujuk pada warna blue. Penggunaan unsur warna yang berbeda ini karena sitoplasma memiliki variasi warna yang lebih pudar daripada nukleus dan cenderung mirip seperti sel darah merah.
Selanjutnya, kami melakukan pengolahan citra antara nukleus dan sitoplasma pada tahap segmentatsi juga menggunakan metode yag berbeda. Pada tahap segmentasi nukleus digunakan metode K–Means Clustering yang membedakan objek menjadi tiga klaster yang berbeda. Sedangkan segmentasi pada sitoplasma menggunakan otsu thresholding. Proses ini juga dilakukan dengan rangkaian metode yang dilakukan secara berurutan.
Penelitian ini digunakan 300 sample data positif dan 700 sample data negatif dari hasil cropping pada tiap gambar uji. Penggunaan nilai dimensi minimum pada sample positif, yaitu berukuran 24×24 pixel berpengaruh saat proses training. Karena nilai yang minimum, memungkinkan pendeteksian yang lebih luas dengan ukuran sel darah putih yang beragam. Namun, hal ini juga dapat mengakibatkan kerancuan karena sel darah merah juga bisa saja ikut terdeteksi.
Hasil uji penelitian menunjukkan bahwa jumlah sample sangat berpengaruh dalam proses pengenalan citra. Kualitas pada gambar juga perlu diperhatikan, seperti perbedaan warna kontras pada objek. Tidak semua gambar dapat tersegmentasi sempurna karena adanya perbedaan tersebut. Hasil presentase yang didapat dari pengujian segmentasi pada nukleus M4, M5, dan M7 adalah sebesar 87,5%; 90,4%; dan 84,6% secara berurutan. Sedangkan pada sitoplasma didapat presentase uji untuk M4, M5, dan M7 secara berurutan sebesar 75%, 71.4%, dan 80.76%.
Hasil riset ini menyimpulkan bahwa penerapa ROI pada gambar dapat membantu meminimalisir error selama segmentasi karena pixel objek telah diubah dan variasi warna dapat dilihat dengan intensitas yang sama. Penggunaan metode yang berbeda pada segmentasi nukleus dan sitoplasma dibutuhkan karena keduanya memiliki level kecerahan warna yang berbeda, dimana pada nukleus cenderung ke warna merah/magenta, sedangkan sitoplasma cenderung ke warna biru. Selain itu, penggunaan metode pada sitolasma juga dapat membantu membedakan antara objek dengan background.
Penulis: Dr. Yetti Hernaningsih, dr, SpPK(K).
Informasi detail dari riset ini dapat dilihat pada tulisan kami di: https://ieeexplore.ieee.org/document/9231651
N. Khomairoh, R. Sigit, T. Harsono, Y. Hernaningsih and A. Anwar, “Segmentation System of Acute Myeloid Leukemia (AML) Subtypes on Microscopic Blood Smear Image,” 2020 International Electronics Symposium (IES), Surabaya, Indonesia, 2020, pp. 565-570, doi: 10.1109/IES50839.2020.9231651. https://doi.org/10.1109/IES50839.2020.9231651
