Deteksi Kepala Janin Pada Gambar USG Menggunakan Fuzzy C-Means (FCM) Dengan Informasi Spasial Dan Iterative Randomized Hough Transform (IRHT) Dwi Puspitasari 1*, Handayani Tjandrasa 2 Jurusan Teknik Elektro, Politeknik egeri Malang, Malang, Indonesia1*
[email protected] Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh opember, Surabaya, Indonesia1,2
Abstrak Analisis kepala janin pada pencitraan USG sangat dibutuhkan oleh tenaga medis. Diameter biparietal (BPD) dan lingkar kepala (HC) adalah dua pengukuran penting untuk mengevaluasi pertumbuhan janin, memperkirakan usia kehamilan, memprediksi berat dan kematangan janin, dan mendiagnosa berbagai masalah obstetri. BPD dan HC diukur secara manual dengan menelusuri kepala janin. Oleh sebab itu perlu dikembangkan sistem pendeteksi kepala janin dengan menghasilkan pengukuran BPD dan HC secara otomatis. Pendekatan yang mungkin untuk menyelesaikan masalah tersebut adalah mendeteksi bentuk elips yang diasumsikan sebagai kepala janin. Iterative Randomized Hough Transform (IRHT) merupakan variasi dari Hough Transform (HT) sudah terbukti mampu mendeteksi bentuk elips dengan baik. IRHT menerapkan random piksel secara iteratif pada Region Of Interest di dalam ruang gambar. Pada penelitian ini akan dibangun sistem deteksi kepala janin pada gambar USG menggunakan Fuzzy C-Means (FCM) dengan informasi spasial dan Iterative Randomized Hough Transform (IRHT). FCM digunakan untuk klasterisasi piksel pada gambar USG berdasarkan nilai keabuan ketetanggaan dan jarak. Dari klasterisasi piksel tersebut akan didapatkan obyek berupa gambar elips. Gambar elips ini kemudian menjadi input pada proses deteksi menggunakan metode IRHT. Dari percobaan yang dilakukan, terbukti bahwa metode yang diusulkan mempu mendeteksi kepala janin dengan baik dan menghasilkan BPD dan HC secara otomatis. Katakunci: Fuzzy C-Means (FCM), Iterative Randomized Hough Transform (IRHT), gambar USG, kepala janin, elips.
1. Pendahuluan Mendeteksi kurva bentuk tertentu merupakan tugas penting dalam visi komputer. Banyak permasalahan nyata yang membutuhkan pendeteksian kurva. Sebagai contoh adalah analisis kepala janin dengan pencitraan USG. Diameter biparietal (BPD) dan lingkar kepala (HC) adalah dua pengukuran penting untuk mengevaluasi pertumbuhan janin, memperkirakan usia kehamilan, memprediksi berat dan kematangan janin, dan mendiagnosa berbagai masalah obstetri. BPD adalah jarak dari margin luar kepala ke margin bagian dalam kepala, dan biasanya diukur sebagai jarak antara dua endpoint yang ditandai secara manual. HC adalah keliling kepala luar, dan secara manual diukur dengan menelusuri kepala janin (Lu, W., Jinglu Tan, 2008). Oleh sebab itu perlu dikembangkan sistem pendeteksi kepala janin dengan menghasilkan pengukuran BPD dan HC secara otomatis. Pendekatan yang mungkin untuk menyelesaikan masalah tersebut adalah menggunakan deteksi kurva, yaitu deteksi elips yang diasumsikan sebagai kepala janin. Metode yang banyak digunakan untuk mendeteksi kurva adalah Hough Transform (HT) dan variasinya (Xu, L., Oja, E., 1990). HT
merupakan salah satu metode deteksi kurva dengan mengubah ruang gambar menjadi ruang parameter. HT relatif lebih tahan terhadap noise dan bentuk kurva yang tidak lengkap. HT sangat baik digunakan untuk mendeteksi kurva dengan sedikit parameter seperti garis. Akan tetapi HT mengalami kesulitan untuk mendeteksi kurva dengan banyak parameter seperti elips, karena membutuhkan ruang penyimpanan besar serta waktu yang lama. Keterbatasan teknik HT dikarenakan semua piksel didalam gambar diperhitungkan. Randomize Hough Tranform (RHT) diperkenalkan oleh L. Xu dkk. (Xu, L., Oja, E., 1990) untuk mengatasi beberapa keterbatasan dari HT standart. RHT menggunakan n piksel secara acak untuk memecahkan n parameter kurva. Kelebihan dari RHT adalah penyimpanan kecil, kecepatan tinggi, akurasi baik. Akan tetapi RHT gagal mendeteksi kurva pada gambar yang memiliki noise tinggi dan tidak lengkap. Dikarenakan semua piksel tetap diperhitungkan dalam pemilihan sampling, termasuk noise. Iterative Randomized Hough Tranform (IRHT) diperkenalkan oleh Wei Lu dkk. (Lu, W., Jinglu Tan, 2008) untuk mengatasi kelemahan dari
RHT. IRHT menerapkan RHT pada Region Of Interest. Pada IRHT, wilayah pencarian kurva dikurangi secara iteratif berdasarkan kemungkinan elips terbaik yang ditemukan. Dengan begitu, noise dikeluarkan dari daerah yang diinginkan dan estimasi menjadi semakin dekat dengan target. IRHT handal untuk mendeteksi elips yang tidak lengkap dengan banyak noise. Akan tetapi pada beberapa gambar dengan banyak noise memungkinkan untuk menghasilkan kesalahan deteksi. Oleh karena itu untuk meningkatkan ketepatan deteksi, diperlukan praproses yang mampu mengurangi noise. Pada penelitian sebelumnya (Lu, W., Jinglu Tan, 2008) dilakukan deteksi kepala serta pengukuran diameter biparietal (BPD) dan lingkar kepala (HC) dengan menggunakan metode IRHT dengan segmentasi berupa klasterisasi piksel berdasarkan nilai keabuan menggunakan KMeans, serta penghalusan dengan metode thinning. Metode tersebut mampu mendeteksi elips dengan baik. Akan tetapi pada beberapa gambar dengan banyak noise, hasil segmentasi kurang baik sehingga menghasilkan kesalahan deteksi. Dalam penelitian ini diusulkan sebuah metode baru dengan mengabungkan metode Fuzzy CMeans (FCM) dengan informasi spasial [Wang, 2010] dan metode Iterative Randomized Hough Transform (IRHT) [Lu, W., 2008] untuk mendeteksi kepala janin pada gambar USG. FCM digunakan untuk klasterisasi piksel pada gambar USG berdasarkan kesamaan spasial yaitu nilai keabuan dan jarak ketetanggaan setiap piksel. Dengan klasterisasi menggunakan FCM dengan informasi spasial, diharapkan dapat meningkatkan kualitas hasil segmentasi sehingga dapat meningkatkan akurasi deteksi kepala janin. 2. Sistem Deteksi Kepala Janin Secara garis besar, sistem terbagi menjadi 3 bagian yaitu segmentasi, penghalusan dengan metode thinning, dan deteksi elips seperti terlihat pada gambar 1. 2.1 Segmentasi Segmentasi adalah metode pemisahan suatu objek yang menjadi bagian penting dari latar belakang objek atau membagi citra kedalam beberapa objek atau daerah. Pada penelitian ini segmentasi dilakukan untuk mendapatkan obyek kepala janin berbentuk elips dengan cara klasterisasi piksel berdasarkan informasi spasial menggunakan Fuzzy C-Means (FCM). Tujuan digunakannya faktor informasi spasial (local spatial similarity) dalam segmentasi obyek menggunakan FCM adalah untuk meningkatkan kualitas hasil segmentasi citra medis dengan memperhatikan korelasi ketetanggaan setiap
piksel dalam penentuan masuknya suatu piksel kedalam kluster tertentu. Korelasi ketetanggaan setiap piksel sangat penting karena dalam pencitraan gambar bahwa sebenarnya piksel yang berdekatan dalam suatu objek secara umum tidak berdiri sendiri dengan lainnya. Segmentasi Menghitung local Gambar image feature berdasarkan jarak dan nilai keabuan ketetanggaan
Pembobotan piksel
Klasterisasi menggunakan metode FCM
Penghalusan
Thinning
Deteksi Elips
Kepala janin
Deteksi elips dengan Iterative Randomized Hough Transform
Pusat & sudut rotasi elips
Jari-jari mayor & minor elips
BPD dan HC
Gambar 1. Gambaran Sistem
Pada penelitian ini, sebelum proses klasterisasi terlebih dulu dilakukan perhitungan local image feture dan bobot piksel. Local image feature bergantung pada korelasi spasial (jarak ketetanggaan) dan korelasi nilai keabuan. Hubungan tersebut ditunjukkan oleh persamaan 1 berikut. =
, ≠ = 0,
(1) Dimana piksel ke-i merupakan piksel pusat dari local window sedangkan ke-j merupakan piksel ketetanggaan di sekitar piksel ke-i dengan jumlah sesuai ukuran jendela yang pada umumnya berukuran 3x3 dengan ketetanggaan sebanyak 8 piksel atau ukuran 5x5 dengan ketetanggaan sebanyak 24 piksel. FijS pada persamaan 1 merupakan hubungan spasial piksel pusat dengan piksel ketetanggaan sedangkan FijG merupakan hubungan tingkat keabuan piksel pusat window dengan ketetanggaan. FijS digunakan untuk mencari jarak piksel pusat dengan piksel ketetanggaan sekitar piksel pusat dengan persamaan 2 : =
−max (| − |,| − |) λ
(2) λ merupakan faktor skala untuk fungsi FijS. Sedangkan persamaan FijG adalah sebagai berikut : S
= G
|| ( ! ,"!) ( # ,"# )||$ $
λ% .'#%
(
(3)
dimana λ merupakan faktor global untuk fungsi FijG. Sedangkan persamaan σG2 yaitu :
) = *
+!∈Ω# |, - ! ,"! . ( # ,"# ),|$ 0Ω#
(4)
Parameter NΩi menunjukkan jumlah ketetanggaan dari piksel pusat sesuai dengan ukuran window yang digunakan untuk komputasinya. Local image feature yang dihasilkan digunakan untuk melakukan pembobotan piksel. Pembobotan piksel merupakan penggantian nilai piksel gambar asli yang telah mendapat pengaruh dari ketetanggaan yang didapat dari proses perhitungan local image feature sehingga nilai piksel dari citra asli sudah memiliki ketergantungan dengan ketetanggaan dari masing-masing piksel sesuai ukuran window yang ditentukan. Untuk mengubah nilai piksel dengan faktor pengaruh korelasi antar piksel ditunjukkan dengan persamaan berikut ini : 1 = +4Ω#( . 2- , .)/ +4Ω# (5) Parameter j merupakan piksel tetangga dari center ke-i. Penjumlahan j sebanyak ketetanggaan dalam ukuran window tertentu. Nilai dari local image feature pada piksel citra akan memberikan pengaruh dalam perhitungan pembobotan setiap piksel pusatnya terhadap sekitarnya. Selanjutnya bobot piksel digunakan sebagai perhitungan keanggotaan piksel pada setiap klaster dengan rumus sebagaimana berikut. 56 - , . =
(1 −76 )−2/(9−1) ;−1 +=0 (1 −7 )−2/(9−1)
(6)
Dimana (xi,yi) merupakan setiap piksel citra, m merupakan konstanta eksponen pembobotan ;−1 untuk keanggotaan. +=0 (1 − 7 ) dengan nilai vj merupakan pusat kluster pada kluster ke-0 hingga kluster ke-c-1. Setelah didapatkan nilai keanggotaan tiap piksel pada masingmasing kluster kemudian dicari nilai pusat kluster dari keanggotaan piksel yang telah mendapat pembobotan. Persamaan untuk mencari pusat kluster ditunjukkan dengan persamaan 7 dibawah ini. 76 = + , (56 ( , ))9 1 / + , (56 ( , ))9 ))m (7) Local image feature dihitung berdasarkan jarak dan selisih nilai keabuan ketetanggaan yang selanjutnya digunakan untuk menghitung bobot piksel. Bobot piksel yang dihasilkan digunakan untuk proses klasterisasi. Dari hasil klasterisasi dipilih klaster yang merupakan obyek berupa gambar elips. Kemudian dibentuk gambar monokrom dengan obyek bernilai 1 dan latar belakang bernilai 0. 2.2 Penghalusan Dengan Metode Thinning Setelah dihasilkan gambar monokrom dari proses segmentasi, langkah selanjutnya adalah proses penghalusan dengan metode thinning. Thinning merupakan proses untuk mencari bentuk dasar/ rangka dari suatu gambar. Proses thinning menghilangkan informasi-informasi tertentu dalam gambar, dengan tetap
mempertahankan informasi yang paling utama atau kerangka utama gambar tersebut. Algoritma thinning binary regions memberikan aspek sebagai berikut : (1)tidak menghapus point terakhir, (2) tidak merusak konektivitas, dan (3) tidak menyebabkan pengikisan berlebihan dari region. Pada penelitian ini digunakan fungsi thinning yang disediakan oleh software Matlab (menggunakan fungsi bwmorph). 2.3 Deteksi Elips Hasil dari proses thinning kemudian menjadi input proses deteksi menggunakan Iterative Randomized Hough Transform (IRHT). IRHT merupakan salah satu variasi dari Hough Tranform (HT) untuk mendeteksi kurva dengan banyak parameter seperti elips. IRHT memiliki dua prinsip utama yaitu : (1) membatasi ruang pencarian kurva dengan Region Of Interest (ROI), (2) pemilihan secara acak n buah piksel pada wilayah pencarian untuk mendapatkan n parameter kurva (prinsip dari Randomized Hough Transform). Langkah-langkah pada IRHT adalah memodelkan kurva yang akan dideteksi dalam sebuah fungsi dengan n buah parameter. Kemudian secara iteratif diambil n buah piksel obyek untuk mengestimasi kurva. Jika kurva yang ditemukan valid maka parameter pembentuk kurva tersebut akan disimpan dalam akumulator dengan n dimensi. Hal ini akan dilakukan terus sampai jumlah sample yang ditentukan terpenuhi. Setelah itu dipilih parameter di akumulator yang memiliki jumlah terbanyak sebagai parameter pembentuk kurva (Inverso, S., 2002). Pada penelitian ini, kepala janin diasumsikan sebagai kurva dengan bentuk elips, sehingga untuk deteksi kepala janin dibutuhkan pemodelan elips. Elips dapat dimodelkan dengan fungsi yang paling stabil seperti berikut (Lu, W., Jinglu Tan, 2008) : 2 + 2 − =(2 − 2 ) − >2 − ? − − (8) @=0 Dari parameter U, V, R, S, dan T dapat dicari 5 parameter elips sebagaimana berikut (Leavers, V.F., 1992). = = cos 2∅
E F $
(9)
EG F $ E F $
> = sin 2∅ EG F $ ? = 2J (1 − =) − 2J > = 2J (1 + =) − 2J > KL$ M $
O
" P
(10) (11) (12)
@= $ $− N − N (13) K K L GM dimana (xo,yo) merupakan pusat elips, a merupakan jari-jari mayor, b merupakan jari-jari minor, dan Ø merupakan sudut rotasi elips. Secara garis besar algoritma dari IRHT untuk mendeteksi elips terlihat seperti pada gambar 2. Pada proses deteksi dihasilkan gambar elips beserta parameter elips seperti pusat elips, jarijari mayor dan minor, serta sudut rotasi. Dari parameter elips yang ditemukan dapat diukur BPD dan HC dari kepala janin. Dimana BPD merupakan diagonal minor, yaitu dua kali
panjang jari-jari minor (b), sedangkan HC merupakan keliling elips. 1.Inisialisasi ROI sebesar ukuran maxIterasi dan maxSample
gambar. Inisialisasi
2.Mengambil semua piksel obyek dalam ROI dan menyimpannya di daftar piksel. Membersihkan accumulator, dan bestellipse. Inkremen iterasi
3.Memilih secara acak 5 piksel dalam daftar piksel. Inkremen iterasi. 4.Menemukan parameter elips dengan persamaan (8), (9), (10), (11), (12), (13)
Tidak
Apakah merupakan elips ?
Ya 5.Tambahkan ke accumulator
Apakah sample = maxSample ?
Tidak Ya 6.Mendeteksi bestellipse berdasarkan parameter di accumulator yang memiliki skor terbanyak. Update ROI selanjutnya berdasarkan bestellipse
Apakah iterasi = maxIterasi ?
Tidak
7.Verifikasi elips yang ditemukan
Gambar 2. Algoritma IRHT
3. Uji Coba Uji coba dilakukan pada gambar USG kepala janin dengan usia kehamilan adalah 18-34 minggu yang diperoleh dari pemeriksaan beberapa pasien pada beberapa tenaga medis.
(a)
(b)
(c)
3.1 Skenario Uji Coba Ada 3 skenario yaitu : • Skenario 1, bertujuan untuk mengetahui pengaruh parameter ukuran window pada metode FCM dengan informasi spasial terhadap waktu dan hasil segmentasi. Uji coba dilakukan dengan memberikan dua ukuran window yang berbeda, yaitu 3x3 dan 5x5. • Skenario 2, bertujuan untuk membandingkan hasil output segmentasi citra USG kepala janin antara metode K-means dengan metode FCM berdasarkan informasi spasial • Skenario 3, bertujuan untuk membandingkan akurasi deteksi elips dari hasil segmentasi menggunakan metode K-means dan IRHT dengan metode FCM dan IRHT. Masingmasing citra uji akan dijalankan sebanyak 10 kali pada kedua metode, kemudian diukur akurasi deteksi beserta rata-rata waktu eksekusinya. Akurasi deteksi merupakan porsentase ketepatan deteksi. Dimana ketepatan deteksi akan bernilai 1 jika BPD yang dihasilkan sistem mendekati BPD pengukuran tenaga medis secara manual, dan bernilai 0 untuk selainnya. Toleransi ketepatan deteksi sebesar 5 mili meter (0.5 cm). Sedangkan hasil pengukuran HC tidak dibandingkan karena pada citra uji tidak diketahui hasil pengukuran HC oleh tenaga medis Hasil segmentasi terbaik adalah yang memiliki paling sedikit jumlah partisi daerah pada obyek. Untuk mendapatkan hasil perbandingan yang baik, maka digunakan parameter yang sama pada kedua metode, yaitu : jumlah klaster=3, jumlah iterasi thinning=100, jumlah iterasi IRHT=4, jumlah sample IRHT = 150. Sedangkan parameter yang digunakan untuk metode FCM dengan informasi spasial adalah : ukuran window 3x3, konvergen error =0.0001, λs = 3, λg = 2.5, m = 2, p = 1 dan q = 1. 3.2 Hasil Uji Coba Untuk skenario 1 dan 2 didapatkan citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan ukuran window 3x3 pada semua data uji terlihat seperti gambar berikut.
(d) (a)
(e) (f) (g) (h) Gambar 3. Citra uji coba (a) BPD51mm.jpg (b) BPD63mm.jpg (c) BPD69mm.jpg (d) BPD72mm.jpg (e) BPD77mm.jpg (f) BPD82mm.jpg (g) BPD90,2mm.jpg (h) BPD90mm.jpg
(b)
(c)
(d)
(e) (f) (g) (h) Gambar 4. Citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan ukuran window 3x3 pada gambar (a) BPD51mm.jpg (b) BPD63mm.jpg (c) BPD69mm.jpg (d) BPD72mm.jpg (e) BPD77mm.jpg (f) BPD82mm.jpg (g) BPD90,2mm.jpg (h) BPD90mm.jpg
Sedangkan citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan ukuran window 3x3 pada semua data uji terlihat seperti gambar berikut.
(a)
(b)
(c)
(d)
(e) (f) (g) (h) Gambar 5. Citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan ukuran window 5x5 pada gambar (a) BPD51mm.jpg (b) BPD63mm.jpg (c) BPD69mm.jpg (d) BPD72mm.jpg (e) BPD77mm.jpg (f) BPD82mm.jpg (g) BPD90,2mm.jpg (h) BPD90mm.jpg
Dan citra hasil segmentasi menggunakan metode K-means pada semua data uji terlihat seperti gambar berikut
(a)
(b)
(c)
3x3, serta menggunakan metode K-means tampak pada gambar berikut.
Gambar 8 Perbandingan waktu eksekusi segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 3x3 dan 5x5, serta menggunakan metode K-means
Dari uji coba skenario 3 didapatkan persentase kebenaran deteksi menggunakan metode IRHT pada citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 3x3 dan citra hasil segmentasi menggunakan metode K-means.
(d)
(e) (f) (g) (h) Gambar 6 Citra hasil segmentasi menggunakan metode Kmeans pada gambar (a) BPD51mm.jpg (b) BPD63mm.jpg (c) BPD69mm.jpg (d) BPD72mm.jpg (e) BPD77mm.jpg (f) BPD82mm.jpg (g) BPD90,2mm.jpg (h) BPD90mm.jpg
Perbandingan jumlah partisi hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 3x3 dan 3x3, serta menggunakan metode K-means tampak pada gambar berikut.
Gambar 9. Perbandingan persentase keberhasilan deteksi menggunakan metode IRHT pada citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 5x5, serta citra hasil segmentasi menggunakan metode K-means
Contoh hasil deteksi elips menggunakan IRHT untuk citra input BPD63mm.jpg segmentasi FCM dengan informasi menggunakan ukuran window 3x3 sebagai berikut.
metode dengan spasial terlihat
Gambar 7. Perbandingan jumlah partisi dari citra hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 3x3 dan 5x5, serta menggunakan metode K-means
Sedangkan perbandingan waktu eksekusi hasil segmentasi menggunakan metode FCM dengan informasi spasial menggunakan window 3x3 dan
Gambar 10. Hasil deteksi elips menggunakan metode IRHT pada citra BPD63mm.jpg dengan segmentasi FCM dengan informasi spasial menggunakan window 3x3
4. Pembahasan Hasil Dari hasil uji coba skenario 1 diketahui bahwa pada FCM dengan informasi spasial ukuran window 5x5 menghasilkan segmentasi yang lebih baik dibandingkan dengan menggunakan window 3x3. Hal ini terlihat jumlah partisi daerah obyek juga lebih sedikit. Adapun waktu eksekusi menggunakan ukuran window 5x5 sedikit lebih lama dikarenakan pembentukan matrik ketetanggaan yang lebih besar dimana window 5x5 akan menghitung 25 ketetanggaan sedangkan window 3x3 hanya menghitung 9 ketetanggaan. Dari hasil uji coba skenario 2 diketahui bahwa eksekusi segmentasi menggunakan metode FCM dengan informasi spasial jauh lebih lama dibandingkan menggunakan metode K-means. Akan tetapi hasil segmentasi menggunakan metode FCM dengan informasi spasial lebih baik dibandingkan menggunakan metode Kmeans, terlihat dari jumlah partisi daerah obyek pada gambar hasil segmentasi menggunakan metode FCM dengan informasi spasial yang lebih sedikit dibandingkan dengan gambar hasil segmentasi menggunakan metode K-means. Hal ini dikarenakan proses klasterisasi piksel tidak hanya berdasarkan nilai keabuan saja, akan tetapi juga mempertimbangkan nilai keabuan serta jarak ketetanggaan dari masing masing piksel. Selain itu penentuan keanggotaan pada proses klasterisasi juga memperhatikan nilai keanggotaan ketetanggaan. Dari hasil uji coba skenario 3 diketahui bahwa hasil deteksi pada citra hasil segmentasi FCM dengan informasi spasial lebih baik dibandingkan pada citra hasil segmentasi Kmeans. Hal ini dikarenakan pada citra hasil segmentasi K-means banyak piksel yang merupakan noise yang terpilih pada proses deteksi, sehingga terjadi kesalahan deteksi. Sedangkan pada citra hasil segmentasi FCM dengan informasi spasial, terdapat noise yang lebih sedikit, sehingga kemungkinan kesalahan deteksi lebih berkurang. Ada beberapa hasil deteksi pada citra hasil segmentasi FCM dengan informasi spasial yang bernilai rendah yaitu kurang dari 50% hal itu dikarenakan citra asli dengan kualitas kurang begitu bagus. Seperti pada citra ‘BPD77mm.jpg’, ‘BPD82mm.jpg’, ‘BPD90,2mm.jpg’, dan ‘BPD90mm.jpg’, dimana kepala janin tidak begitu terlihat atau dengan kata lain tidak berbentuk elips dengan sempurna. Dari hasil uji coba skenario 3 juga diketahui bahwa terdapat perbedaan elips hasil deteksi beserta parameternya pada setiap kali uji coba. Hal ini dikarenakan metode IRHT tergantung dari pemilihan sample piksel pada setiap iterasi yang dilakukan secara random. Semakin besar jumlah sample dan semakin banyak iterasi akan meningkatkan kebenaran deteksi. Akan tetapi
semakin besar jumlah sample dan semakin banyak iterasi menyebabkan semakin lama waktu eksekusi 5. Kesimpulan Pada hasil uji coba serta pembahasan dapat ditarik beberapa kesimpulan yaitu : Segmentasi menggunakan metode FCM dengan informasi spasial mampu mengurangi noise pada gambar USG kepala janin dibandingkan dengan menggunakan metode K-means. Dengan menggunakan metode FCM berdasarkan informasi spasial dan IRHT, mampu meningkatkan keberhasilan deteksi kepala janin dibandingkan dengan menggunakan metode K-means dan IRHT. Dengan deteksi elips yang diasumsikan sebagai kepala janin, dapat menghasilkan BPD dan HC kepala janin secara otomatis. 6. Penghargaan Penghargaan yang sebesar-besarnya diberikan kepada Bapak Ibu Dosen Teknik Informatika yang telah memberikan ilmu kepada penulis hingga mampu menyelesaikan penelitian ini. Terutama kepada Prof. Handayani Tjandrasa serta Dr. Nanik Suciati. Serta keluarga besar dan teman-teman yang selalu membantu dan mendukung penulis. Hanya Tuhan yang mampu membalasnya. 7. Pustaka Lu, W., Jinglu Tan, (2008). Detection of incomplete ellipse in images with strong noise by Iterative Randomized Hough transform (IRHT). Journal of Pattern Recognition 41 pp 1268 – 1279 Elsivier Science Ltd Xu, L., Oja, E., (1990). A new curve detection method : Randomized Hough Transform (RHT). Journal of Pattern Recognition Letter 11 331-338 North-Holland Elsivier Science Ltd. Wang, X-Y., J.Bu., (2010). A fast and robust image segmentation using FCM with spatial information. Journal of Digital Signal Processing 1173–1182 Elsivier Science Ltd. Xu, L., Oja, E., (2009). Randomized Hough Transform. Encyclopedia of Artificial Intelligence. IGI Global publishing company . Inverso, S., (2002). Ellipse Detection Using Randomized Hough Transform. Leavers, V.F., (1992). The Dynamic Generalized Hough Transform: Its Relationship to the Probabilistic Hough Transforms and an Application to the Concurrent Detection of Circles and Ellipses. CVGIP:Image Understanding.
