Tumor otak di Indonesia merupakan penyakit mematikan dengan angka kematian yang tinggi. Menurut laporan WHO terdapat 4.229 kematian dari 5.323 kasus tumor otak [1]. Deteksi tumor otak dapat dilakukan melalui Magnetic Resonance Imaging (MRI). Ini adalah prosedur medis non-invasif dengan berbagai kekuatan Tesla. Semakin tinggi daya Tesla, semakin baik kualitas gambarnya. Rumah Sakit Umum Dr. Soetomo Surabaya, menyediakan layanan MRI dengan tenaga 1,5 Tesla dan 3 Tesla. Layanan MRI 1.5 Tesla merupakan layanan yang paling diminati, karena biayanya yang minim dan juga ditanggung oleh jaminan sosial pemerintah (BPJS) Indonesia. Namun, kualitas gambar MRI yang rendah dapat menyebabkan ketidakakuratan dalam mendeteksi tumor otak. Segmentasi citra merupakan salah satu metodologi yang dapat menangani masalah ini. Segmentasi manual seringkali dianggap berisiko dan memakan waktu, sedangkan perawatan medis membutuhkan akurasi tinggi, identifikasi lebih cepat, dan penglihatan yang jelas dari citra tumor di MRI.
Beberapa penelitian berdasarkan metodologi clustering dikembangkan untuk mengelola segmentasi otak MRI. Metode tradisional yang telah dikenal adalah algoritma hierarchical clustering dan partitioning, seperti metode Ward [2], K-Means clustering [3], dan Fuzzy C-Means (FCM) clustering [4]. Metode tradisional sederhana namun dianggap kurang mampu menjelaskan pola data [5]. Pembelajaran tanpa pengawasan dalam bentuk pengelompokan berbasis model adalah metodologi yang menguntungkan karena peneliti dapat mengeksplorasi pola gambar dan tidak memerlukan data dalam jumlah besar. Gaussian Mixture Model (GMM) merupakan salah satu model berbasis clustering melalui finite mix model (FMM) yang sering menangani segmentasi citra. Namun, GMM memiliki keterbatasan karena asumsi independensi pikselnya. Hal ini membuat GMM kurang kuat terhadap noise. Nguyen [6] memecahkan batasan ini dan mempertimbangkan ketergantungan spasial di antara piksel dengan menambahkan prior ke label pengelompokan yang mengikuti distribusi Gibbs. Ini disebut hibrida GMM dan Markov Random Field (MRF) yang dinamai Spatial Variant Finite Mixture Model (SVFMM)
Laporan Kasus
Data yang digunakan dalam penelitian ini adalah melalui persetujuan medis dari Dr. Soetomo. Data direkam sebagai irisan dari urutan bernama T1 memp+C dan T2 Flair, keduanya dalam sudut pandang aksial. Urutan T1 memp+C merupakan susunan irisan yang telah ditambahkan media kontras, baik secara oral maupun injeksi. Media kontras ini membuat tumor lebih terlihat daripada di urutan T2 Flair, yang fitur yang lebih terlihat adalah pembengkakan atau edema.
Metode dan Hasil
Penelitian ini berhasil membangun algoritma RJMCMC-SVFMM dan membandingkan kinerjanya dengan GMM dan EM-SVFMM asli. Hasil penelitian menunjukkan bahwa RJMCMC-SVFMM memiliki performa yang hampir sama dengan EM-SVFMM, namun lebih baik dari GMM. Kinerja RJMCMC-SVFMM ditunjukkan dengan nilai rata-rata CCR sekitar 90,2%. Dengan jumlah cluster yang lebih sedikit dibandingkan dengan GMM dan EM-SVFMM, RJMCMC-SVFMM secara efektif dirasakan dalam mendeteksi area tumor sebagai ROI. RJMCMC-SVFMM juga lebih efisien dan lebih cepat untuk memberikan jumlah cluster yang optimal dengan waktu berjalan per gambar sekitar 6,8 menit untuk 13 cluster. Penelitian ini masih menggunakan pendekatan distribusi Gaussian agar sesuai dengan pola data citra MRI yang notabene tidak selalu simetris. Dengan cara ini untuk penelitian masa depan, penting untuk mengeksplorasi pola data aktual dalam gambar MRI.
Penulis: Widiana Ferriastuti, dr., Sp.Rad(K)
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Pravitasari, Anindya Apriliyanti; Iriawan, N; Fithriasari, K; Purnami, S W; Irhamah; dkk. Journal of Physics: Conference Series; Bristol Vol. 1776, Iss. 1, (Feb 2021)
