Kanker paru-paru merupakan kanker yang paling umum di dunia dan merupakan salah satu penyebab utama kematian di dunia. Kanker paru-paru memiliki tingkat keganasan tertinggi dibandingkan dengan yang lain. Kanker paru-paru tersebut dapat dideteksi dengan menggunakan pencitraan dada berdasar fotografi Rontgen, CT-Scan maupun MRI. Di antara sistem tersebut, CT-Scan menunjukkan sensitivitas tertinggi, tetapi memakan waktu yang lama dan keakuratan aslinya, sehingga bergantung pada keterampilan dan pengalaman ahli radiologi. Oleh karena itu, diusulkan suatu sistem otomasi berbasis Jaringan Saraf Tiruan.
Dalam penelitian ini, sistem tersebut membantu ahli dalam memeriksa ratusan citra secara efisien dan membantu mengurangi kesalahan pengamatan manusia. Sistem program tersebut akan dikembangkan dengan menggunakan MATLAB dengan pola masukan yang akan dibagi menjadi 3 kelompok yaitu, par sehat, kanker paru stadium I dan kanker paru stadium II.
Dalam mengembangkan program klasifikasi kanker paru-paru, proses yang terlibat adalah thresholding, operasi morfologi dan SOM. Pada penelitian ini, SOM harus dapat pengelompokkan pola masukan menjadi 3 kelompok, yaitu paru-paru sehat, kanker paru-paru stadium I, dan kanker paru-paru stadium II. Namun, identitas masing-masing kelompok tidak diketahui karena SOM sebagai jaringan saraf tiruan hanya menetapkan jumlah keluaran kelompok, tetapi tidak menetapkan target keluaran, sehingga masih diperlukan pelabelan kelompok pada hasil akhir.
Meskipun begitu, SOM telah terbukti lebih baik dalam beberapa aspek. Seperti yang telah diketahui, backpropagation memiliki beberapa kelemahan seperti kesulitan dalam mengetahui estimasi jumlah layer, tidak mengetahui jumlah neuron ideal di dalam hidden layer, dan ketergantungan konvergensi algoritma dalam parameter coba, lama waktu untuk mencapai konvergensi dan kesulitan dalam menginterpretasikan nilai hasil setelah uji coba. Selain itu, proses feed forward dalam algoritma backpropagation membutuhkan banyak waktu dengan melibatkan siklus coba.
Oleh karena itu, SOM dapat lebih baik dibandingkan dengan backpropagation, melalui konvergensi, interpretasi dan periode coba, misalnya klasifikasi citra TM Landsat membutuhkan waktu lebih dari 2 jam untuk backpropagation. Secara umum, program terdiri dari 5 tahapan yaitu Pre-Processing, Segmentasi Area Paru-pParu, Segmentasi Area Kanker, Ekstraksi Ciri dan Implementasi Jaringan Saraf Tiruan. Pada tahapan pre-processing, filter diterapkan untuk menghilangkan noise pada gambar. Langkah selanjutnya adalah segmentasi area paru-paru melalui metode trhresholding dengan menggunakan nilai ambang -350 HU. Kemudian dilanjutkan dengan melakukan beberapa langkah seperti pemindahan objek yang berhubungan dengan batas, pengisian lubang, dan menghaluskan permukaan untuk mendapatkan area permukaan paru-paru. Setelah itu dilakukan segmentasi dengan mengalikan dengan citra aslinya.
Setelah menyegmentasikan area paru-paru, kemungkinan bercak kanker dilokalisasikan dari jaringan sekitar. Langkah ini dilanjutkan dengan pengolahan morfologi, yaitu erosi dan dilasi, untuk menetapkan objek atau gumpalan yang telah teridentifikasi tersebut sebagai background atau foreground. Kemudian dilanjutkan dengan ekstraksi fitur yang menjadi dasar untuk proses identifikasi. Ada tiga ciri yang perlu diektrasi yaitu luas, keliling dan bantuk.
Hasil ekstraksi tersbut kemudian menjadi vector masukan untuk Jaringan Saraf Tiruan. Dengan menggunakan Kohonen Self-Organizing Map (SOM), citra biner diklasifikasikan menjadi 3 kelompok, yaitu paru sehat, kanker paru stadium I, dan kanker paru stadium II.Terakhir, dilakukan uji validasi menggunakan data dari CT-Thorax. Dibandingkan dengan pemeriksaan X-Ray konvensional, gambar hasil CT-Scan dapat lebih detil dan telah terbukti efektif untuk mendiagnosis dan mengidentifikasi stadium kanker paru. Hal ini juga didukung oleh fakta bahwa SOM menyesuaikan dengan pengenalan pola, dapat mengklasifikasikan pola masukan menjadi beberapa kelompok dan memiliki interpretasi yang lebih baik daripada backpropagation.
Hasil analisis sistem ini dianggap mampu mengidentifikasi stadium kanker paru pada citra Computed Tomography. Hal ini ditunjukkan dengan akurasi sistem sebesar 100% untuk paru-paru sehat, 80% untuk paru-paru dengan kanker stadium I, dan 100% untuk paru-paru dengan kanker stadium II. Tantangan terbesar dalam penelitian ini adalah pada pengolahan citra, khususnya pada tahap segmentasi area paru-paru dan lokalisasi area kanker.
Evaluasi kinerja dari metode yang diusulkan menunjukkan hasil yang efektif. Hal tersebut menunjukkan bahwa jaringan saraf dapat digunakan secara efektif untuk diagnosis kanker paru-paru untuk membantu ahli onkologi. Prediksi tersebut dapat membantu dokter untuk merencanakan pengobatan yang lebih baik dan memberikan diagnosis dini kepada pasien.
Penulis : Prof. Dr. Retna Apsari
Informasi detail dari riset ini dapat dilihat pada tulisan kami di :
https://aip.scitation.org/doi/10.1063/5.0042195 Retna Apsari, dkk (2021). Development of lung cancer classification system for computed tomography images using artificial neural network. AIP Conference Proceedings 2329, 050013 (2021); https://doi.org/10.1063/5.0042195
