DETEKSI DAN SEGMENTASI OTOMATIS NODUL PARU PADA AREA PARU 3D CT YANG TERKOREKSI

RIZKI NURFAUZI, Hanung Adi Nugroho, S.T., M.E., Ph.D. ; Dr.Eng. Igi Ardiyanto,S.T., M.Eng.

2017 | Tesis | S2 Teknik Elektro

Kanker adalah jenis penyakit yang mematikan dengan tingkat kematian tertinggi didunia. Penggunaan Computer-Aided Detection (CAD) dapat membantu mengurangi human error dalam mendeteksi nodul paru. Tujuan dari penelitian ini adalah mengembangkan sistem CAD nodul paru 3D CT secara full-automatically dengan rendah komputasi, tinggi sensitifitas dan rendah False Positive (FP), Over- Segmentation (OS), dan Under- Segmentation (US). Ada 3 tahapan umum pada penelitian ini, Proses pertama ekstraksi Groundtruth (GT). Proses ke dua, pra-pengolahan yang terdiri 5 tahapan: ekstraksi dada, ekstraksi paru, segmentasi trakea-broncus, pemisahan paru kiri-kanan, dan koreksi kontur paru. proses ke tiga, deteksi dan segmentasi kandidat nodul paru. Metode usulan pada tahap koreksi kontur paru dengan menggunakan ekstraksi fitur pojok pada metode Adaptive Border Marching (ABM) yang bertujuan untuk mempercepat komputasi dari penggunaan full-feature. Metode usulan telah diuji banding dengan 3 metode lain. Pengujian menggunakan 76 data 3D CT dari LIDC-IDRI yang hanya mengandung nodul juxta pleural dan vascular berukuran 3-40 mm pada area intersect minimum 2 radiolog. Metode usulan pada tahap deteksi dan segmentasi kandidat nodul paru dengan menggunakan enhancement (morfologi Top-Hat), K-mean dan morfologi opening. Ukuran kernel morfologi opening ditentukan oleh nilai distance transform di tiap area. Metode usulan telah diuji banding dengan metode sebelumnya menggunakan 115 data 3D CT (17.149 slice dan 151 nodul) dengan ukuran 5-40 mm pada area intersect 4 radiolog. Hasil uji banding pada tahap koreksi kontur paru mendapat nilai US sebesar 12,6% dengan waktu komputasi tercepat yaitu 0,32 sec/slice atau 60 kali lebih cepat dari metode sebelumnya (ABM full-feature). Uji banding metode pada tahap deteksi dan segmentasi kandidat nodul paru menghasilkan nilai sensitivitas: 97,4%, FP: 101 fp/case, OS: 81,2%, dan US: 17% yang lebih bagus dari metode sebelumnya, sensitivitas: 90,1%, FP: 190 fp/case, OS: 267,7%, dan US: 8,9%. Hasil tersebut diharapkan dapat memberikan kontribusi sebagai asisten radiolog dalam mendiagnosis tumor paru pada citra 3D CT.

Cancer is a type of deadly disease with the highest mortality rate in the world. Use of Computer-Aided Detection (CAD) can help reduce human error in detecting pulmonary nodules. The goal of this research is to develop a fully automatic 3D lung nodule CAD system with low computation, high sensitivity and low False Positive (FP), Over-Segmentation (OS), and Under-Segmentation (US). There are 3 general stages in this research, The first process is the extraction of Ground truth (GT). The second process is pre-processing that is consisting of five stages: chest extraction, pulmonary extraction, tracheal-bronchus segmentation, left-right lung separation, and lung contour correction. The third process is detection and segmentation of lung nodule candidates. Proposed method of lung contour correction stage using feature corner extraction on Adaptive Border Marching (ABM) method which aims to accelerate computing from full-feature use. The proposed method has been tested against three other methods. The test used 76 3D CT data from LIDC-IDRI containing only pleural and vascular juxta nodules measuring 3-40 mm in a minimum intersect area of 2 radiologists. The proposed method of detection and segmentation of candidate pulmonary nodules using enhancement (morphological Top-Hat), K-mean and morphological opening. The size of the morphological opening kernel is determined by the distance transform value in each area. The proposed method has been tested in comparison with the previous method using 115 3D CT data (17,149 slices and 151 nodules) of 5-40 mm in a minimum intersect area of 4 radiologists. The results of the comparative test at the lung contour correction stage got a US value of 12,6% with the fastest computing time of 0,32 sec/slice or 60 times faster than the previous method (full-feature ABM). The comparison test at the detection and segmentation stage of the pulmonary nodule candidate results in a sensitivity score: 97,4%, FP: 101 FP/case, OS: 81,2%, and US: 17% better than previous method, sensitivity: 90,1%, FP: 190 FP/case, OS: 267,7%, and US: 8,9%. These results are expected to contribute as a radiologist assistant in diagnosing lung tumors in 3D CT images.

Kata Kunci : Segmentation, Lung Nodules, 3D, CT-Scan, CAD