Fuzzy Inference System Untuk Peningkatan Deteksi Sel Kanker Citra Imunohistokimia

Menurut World Health Organization (WHO), kanker merupakan penyebab kematian utama di dunia. Pada tahun 2004 tercatat 7,4 juta jiwa meninggal atau sekitar 13% dari seluruh kematian di dunia disebabkan karena kanker. Kanker payudara menempati urutak ke lima dengan tingakat kematian 519.000 jiwa.

Pengobatan kanker payudara dilakukan ketika kanker masih dalam tahap awal 1-3. Tetapi jika kanker payudara pada tahap 3, pengobatan bedah tidak dapat dilakukan, kecuali untuk pengobatan alternatif seperti radioterapi, kemoterapi, hormonterapi, dan sebagainya. Pada tahap ini benar-benar membutuhkan diagnosis yang tepat tentang kondisi kanker untuk mendapatkan pengobatan yang tepat atau terapi. Salah satu pertimbangan dalam diagnosis terapi untuk pasien dengan kanker payudara adalah melalui pengamatan terhadap jaringan yang sakit, yang dikenal sebagai histopatologi.

Pelaksanaan diagnosis histopatologi kanker payudara harus dilanjutkan dengan pemeriksaan imunohistokimia untuk membantu menentukan prognosis dan terapi yang diberikan (misalnya, terapi hormon reseptor). Imunohistokimia secara luas digunakan dalam pemeriksaan sel-sel abnormal seperti sel-sel kanker. Salah satu prosedur dalam analisa imunohistokimia adalah untuk menghitung positifitas antigen dengan menghitung persentase sel positif dan negatif pada layar atau gambar.

Beberapa penelitian telah dilakukan dengan menggunakan gambar mikroskopis sel, yaitu:

1. Jaringan Saraf Tiruan (Neural Network - NN) : menggunakan model warna RGB sebagai input, NN backpropagation dengan dua lapisan tersembunyi dan lapisan keluaran diikuti dengan proses morfologi. Hasilnya cukup tinggi untuk gambar sel positif (+) ,sel negative (-) dan latar belakang sel dengan kontras yang tinggi tetapi jika tidak maka hasilnya akan buruk.
2. Metode Morfologi fuzzy berdasarkan warna [10] : menggunakan model warna HSV dan metode morfologi fuzzy untuk segmentasi inti sel positif. Hasilnya dapat menentukan sel positif, tetapi masih kurang mampu untuk membedakan antara sel positif dan sel jaringan yang tidak memiliki kedekatan warna dengan intensitas kejenuhan (saturation) dan intensitas cahaya yang berbeda (brightness).
3. Metode morfologi Fuzzy berdasarkan warna dan ambang batas (MoFSoTH) [2]: meningkatkan metode b) dengan menggunakan dua tahap, yaitu penyaringan komponen hue dan saturasi kemudian segmentasi komponen dengan operasi morfologi fuzzy untuk segmen inti sel positif. Hasilnya dapat menentukan positif inti sel yang kuat dan menengah, namun belum mampu mengangkat inti sel lemah positif dan belum mampu membedakan sel yang bertumpuk.
4. EsFuMos [4]: Menggunakan warna YCbCr untuk memisahkan sel positif, sel negatif dan latar belakang secara Fuzzy tetapi hanya mengekstrak sel negatif. Untuk sel positif didapatkan menggunakan ambang batas dari gambar biner doperasikan dengan sel negatif. Watershed dipakai untuk memisahkan sel yang bertumpuk tetapi terkadang satu sel juga dipotong menjadi beberapa sel karena metode ini memang dikenal berlebihan dalam segmentasi. Metode di atas disimulasikan dengan menggunakan sampel gambar imunohistokimia dari penelitian Danial '[2] untuk segmentasi sel-sel positif dan negatif.


Kurangnya segmentasi sel oleh metode di atas, disebabkan oleh karakter sel dan citra hasil imunohistokimia, yaitu: 1) bentuk sel bervariasi (bulat, elips, pepat, rata, penyok), 2) ukuran sel bervariasi , 3) karakteristik beragam sel positif dan negatif, sel-sel positif memiliki inti sel yang kuat, sedang, dan lemah, warna cenderung coklat, dan inti sel lebih besar dari sitoplasma, sedangkan sel negatif cenderung biru, dan inti sel lebih kecil dari sitoplasma, 4) warna objek dan gambar latar belakang hasil penampilan luar imunohistokimia bervariasi tergantung pada warna penampilan luar, penampilan luar dari penelitian ini menggunakan coklat, dan 5) beberapa sel kadang-kadang bertumpuk, dan sehingga terlihat sebagai satu sel besar.

IMUNOHISTOKIMIA

Imunohistokimia adalah metode untuk mendeteksi protein dalam sel dengan menggunakan prinsip pengikatan antara antibodi dan antigen dalam jaringan hidup. Molekul spesifik mewarnai sel tertentu seperti membagi sel atau mwarnai sel-sel mati sehingga mereka dapat dibedakan dari sel normal. Salah satu prosedur dalam analisa imunohistokimia adalah untuk menghitung antigen dengan menghitung persentase sel positif dan negatif pada gambar imunohistokimia.

Imunohistokimia proses digambarkan sebagai berikut. Jaringan payudara diambil, diberi parafin, dipotong dan ditempatkan pada piring, kemudian diwarnai dengan Imunohistokimia. Sel-sel mengekspresikan protein. Agar dapat melihat dengan jelas, protein harus dikaitkan dengan antibodi, yang dicirikan oleh proses pelabelan, kemudian diberikan enzim. Jika enzim memenuhi substrat, warna sel akan berubah menjadi coklat. Sel sel tumor coklat adalah positif. Gambar 1 mewakili bentuk normal dari sel dan bentuk abnormal dari sel-sel.

Gambar 1. Sel normal dan abnormal

Imunohistokimia gambar diperoleh dari pengamatan interaksi antara antigen dan antibodi di bawah mikroskop. Dalam Gambar 2, terlihat unsur-unsur pembentuk gambar pola kurva bulat geometris, didominasi oleh coklat dan tekstur bintik-bintik kecil. Unsur-unsur ini adalah inti positif yang kuat (ISP), ISP sedang, ISP lemah. Karakteristik dari ISP adalah bintik-bintik coklat. Ada juga unsur-unsur inti Negatif (ISN). Karakteristik ISN adalah titik biru. Selain itu ada juga limfosit (titik biru kecil), kotoran (spot warna) dan jaringan ikat.

Gambar 2. Imunohistokimia

FUZZY C MEANS

Salah satu penerapan logika fuzzy adalah dalam clustering atau pengelompokan. Fuzzy clustering adalah bagian dari metode pengenalan pola. Fuzzy clustering memainkan peran yang paling penting dalam pencarian struktur dalam data (Klir, 1995). Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor (Kusumadewi, 2004)

Ada dua metode dasar dalam fuzzy clustering. Metode pertama disebut dengan fuzzy c-means. Metode ini dinamakan demikian karena dengan clustering ini akan dibentuk sebanyak c-cluster yang sudah ditentukan sebelumnya. Metode yang kedua adalah metode yang banyaknya cluster tidak ditentukan sebelumnya. Metode ini dinamakan dengan fuzzy subtractive clustering (Kusumadewi, 2004) atau fuzzy Equivalence Relation (Klir, 1995). Metode clustering yang akan digunakan dalam penelitian ini adalah fuzzy c-means. Metode ini pertama kali dikenalkan oleh Jim Bezdek pada tahun 1981 (Kusumadewi, 2004). Fuzzy c-means adalah salah satu teknik pengklusteran data yang mana keberadaan tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotan.

WATERSHED

Metode Watershed merupakan suatu metode yang didasarkan pada perilaku air dalam satu lamsekap. Saat hujan, tetes air jatuh di berbagai daerah dan akan mengikuti dataran yang menurun hingga berakhir di bawah lembah. Dalam hal ini tidak dipertimbangkan kedalaman danau yang dihasilkan oleh lembah tersebut, melainkan bentuk yang dihasilkan daerah lembah yang terisi air dilihat dari atas (gambar 3).

Gambar 3. Watershed

Semua bentuk yang dihasilkan didefinisikan sebagai pori-pori. Hasil metode watershed bisa dilihat pada gambar 4.

Gambar 4. Hasil metode Watershed

Metodologi

1. Mempersiapkan Gambar

 Pada tahap awal, gambar imunohistokimia diperkecil ukurannya agar proses yang akan berjalan menjadi lebih cepat. Format gambar berupa warna RGB (Red, Green, Blue), kemudiaan akan dilakukan peningkatan kontras sel dengan latar belakang dengan cara mengubah RGB menjadi CIELAB, lapisan warna Lightness (L) ditingkatkan kontrasnya, kemudian dibalikkan kembali menjadi warna RGB.

2. Ekstraksi sel dengan Fuzzy C Means

Tiap piksel pada gambar imunohistokimia akan disegmentasi dengan fitur warna RGB pada tiap piksel. Selanjutnya akan didapatkan sel (positif dan negatif) yang sudah terpisah dengan latar belakang. Untuk memisahkan antara sel positif dan negatif digunakan threshold pada lapisan Biru (Blue), hal ini mengingat yang membedakan sel negatif dan positif dalam hal warna adalah nilai warna Biru.

 

3. Morphology
   Metode Morphology digunakan untuk mengisi sel-sel yang tengahnya kosong, menghilangkan noise serta menyambung hasil ekstraksi sel yeng terlalu kecil dengan tetangganya.
   

4. Watershed
   Hasil dari Morphology merupakan peningkatan bentuk pada sel, kemudian dilakukan metode watershed untuk memisahkan sel yang bertumpuk.
   
   

5. Penentuan Antigen
   Untuk penentuan antigen menggunakan metode yang diusulkan sebelumnya (Handayani, et.al., 2011).

EKSPERIMEN

Data gambar Imunohistokimia yang dipakai menggunakan data Danial dengan latar belakang coklat. Eksperimen dilakukan menggunakan komputer Intel Core i3 @ 3.07GHz, DDR3 4GB.

Berikut merupakan gambar hasil proses eksperimen pada citra C1.

1. Mempersiapkan Gambar
   

Gambar asli berukuran 1280x960 diperkecil menjadi 400x300 (gambar.5) kemudian ditingkatkat kontrasnya (gambar.6)

Gambar 5. Citra Imunohistokimia

Gambar 6. Meningkatkan kontras

2. Ekstraksi sel dengan Fuzzy C Means

Pemisahan sel dengan latar belakang dilakukan dengan 10 iterasi. Sel yang didapatkan kemudian dipisahkan dengan mengambil nilai biru > 100 untuk sel positif, sedangkan untuk sel negatif nilaibiru diantara 100 – 200 (gambar.7).

Gambar 7. Ekstraksi Sel dengan Fuzzy C Means

3. Morphology

Untuk menerapkan metode morphology, citra warna RGB diubah menjadi citra biner (gambar.8), kemudian melakukan operasi morphology untuk mengisi sel yang terdapat lubang (gambar.9) dan menghilangkan noise (gambar.10).

Gambar 8. Citra Biner

Gambar 9. Mengisi lubang pada sel

Gambar 10. Menghilangkan noise

4. Watershed

Untuk memisahkan sel yang berdempet dilakukan menggunakan watershed dan titik tengah antar sel yang berdempet dihitung dengan menggunakan jarak Euclid (gambar.11).

Gambar 11. Watershed

5. Penentuan Antigen

Sel positif dan negatif dihitung dari hasil watershed, luas sel dan nilai warna tepi sel. Untuk gambar akhir eksperimen, sel positif diberi warna merah, dan sel negatif diberi warna biru (gambar.12)

Gambar 12. Hasil akhir

6. Hasil Eksperimen

Uji coba dilakukan dengan menggunakan 10 gambar Imunohistokimia. Data diperoleh dari RUU UI. Tabel 1 dan 2 merupakan hasil eksperimen terhadap ektraksi sel positif dan negatif dibandingkan dengan metode EsFuMos (Handayani, et. al, 2011).

Nilai Observer (OS) merupakan jumlah sel yang dihitung manual oleh ahli. TP (true positive) merupakan persentase jumlah sel yang betul teridentifikasi dari hasil metode dibandingkan dengan hasil dari OS. Sedangkan FP (false positive) merupakan persentase jumlah sel yang salah teridentifikasi terhadap total jumlah sel yang dihitung dengan metode yang diusulkan.

Hasil ekperimen menunjukkan peningkatan dalam pengenalan sel positif maupun negatif dibandingkan metode EsFuMos, sedangkan tingkat kesalahan relatif sama dibandingkan dengan EsFuMos.

Gambar	Sel Positif
		Metode yang diusulkan		EsFuMos
	OS+	TP	FP	TP	FP
C1	150	87.33%	7.09%	76.67%	8.00%
C2	110	87.27%	12.73%	93.64%	10.43%
C3	114	72.81%	22.43%	73.68%	16.00%
C4	136	77.94%	19.70%	75.00%	11.30%
C5	122	90.16%	17.29%	83.61%	7.27%
C6	120	87.50%	7.08%	64.17%	10.47%
C7	119	100.00%	16.20%	83.19%	13.16%
C8	105	98.10%	21.37%	91.43%	14.29%
C15	131	76.34%	12.28%	68.70%	10.00%
C22	40	100.00%	52.94%	87.50%	60.67%
Rata-rata		87.74%	18.91%	79.76%	16.16%

Tabel 1. Persentase sel positif

Gambar	Sel Negatif
		Metode yang diusulkan		EsFuMos
	OS-	TP	FP	TP	FP
C1	18	61.11%	68.57%	0.00%	0.00%
C2	22	54.55%	70.00%	13.64%	50.00%
C3	15	80.00%	78.18%	13.33%	83.33%
C4	22	40.91%	70.00%	13.64%	75.00%
C5	24	50.00%	69.23%	0.00%	100.00%
C6	16	81.25%	66.67%	12.50%	80.00%
C7	18	72.22%	63.89%	11.11%	71.43%
C8	23	78.26%	62.50%	4.35%	85.71%
C15	20	70.00%	76.67%	15.00%	80.00%
C22	5	20.00%	98.44%	60.00%	95.45%
Rata-rata		60.83%	72.41%	14.36%	72.09%

Tabel 2. Persentase sel negatif

KESIMPULAN

• Ekstraksi sel dengan menggunakan Fuzzy C Means dapat mensegmentasi sel terhadap background. Hasil metode yang diusulkan lebih baik daripada metode sebelumnya dan secara signifikan program berjalan sangat cepat (rata-rata 3 detik), dimana metode-metode sebelumnya memerlukan waktu sekitar 1 menit.
• Metode ini juga termasuk greedy hal ini bisa dilihat dari besarnya nilai false positif (FP) dari pengenalan sel negatif yang disebabkan hasil dari proses morphology yang belum sempurna.
• Penggunaan metode Watershed masih kurang baik dimana metode tersebut terkadang membagi 1 sel menjadi beberapa sel. Hal ini merupakan kelemahan umum dari metode watershed. Hal ini akan dicoba diatasi dengan melakukan metode marker watershed pada penelitian selanjutnya berikut dengan akurasi metode yang diusulkan.

DAFTAR PUSTAKA

1. Beucher, S.;& Marcotegui, B. (2009). P algorithm, a dramatic enchancement of the waterfall transformation. Paris: Centre de Morphologie Mathematique.
2. Danial, T. A.;Widyanto, M. R.;& Kodariah, R. (2010). Peningkatan Kinerja Identifikasi Inti Sel Positif pada Diagnosis Kanker Payudara dengan Metode Morfologi Fuzzy berbasis Saturasi dan Filterisasi Hue. Depok: Universitas Indonesia.
3. Gonzalez, R. C. (2002). Digital Image Processing. New Jersey: Prentice-Hall.
4. Handayani, L.;Widyanto, M. R.;& Kodariah, R. (2011). Ekstraksi Sel Fuzzy Dan Morfologi Sel Untuk Penentuan Positifitas Antigen Citra Imunohistokimia. Depok: Universitas Indonesia.
5. Khoiruddin, A. A. (2007). Menentukan Nilai Akhir Kuliah Dengan Fuzzy C-Means. Seminar Nasional Sistem dan Informatika 2007. Bali.
6. Li, G.;& Wan, Y. (2010). Improved Watershed Segmentation with Optimal Scale Based on Ordered Dither Halftone and Mutual Information. IEEE.
7. Luthfi, E. T. (2007). Fuzzy C-Means Untuk Clustering Data (Studi Kasus : Data Performance Mengajar Dosen). Seminar Nasional Teknologi 2007. Yogyakarta.
8. Nadernejad, E.;& Sharifzadeh, S. (2007). Edge Detection Techniques: Evaluations and Comparisons. Applied Mathematical Sciences, Vol. 2, 2008, no. 31, 1507 - 1520.
9. Parvati, K. (2008). Image Segmentation Using Gray-Scale Morphology and Marker-Controlled Watershed Transformation. Hindawi Publishing Corporation.
10. Wiwaha, B. A. (2009). Segmentasi Citra Sel Positif Pulasan Imunohistokimia pada Kanker Payudara menggunakan Fuzzy Morphologi. Depok: Universitas Indonesia.