MODEL KOMPUTASI PENENTUAN FAKTOR RISIKO KANKER PAYUDARA BERDASARKAN POLA DAN PERSENTASE DENSITAS MAMOGRAFI

SHOFWATUL UYUN, Prof. Dra. Sri Hartati, M.Sc.,Ph.D

2014 | Disertasi | S3 Ilmu Komputer

Densitas mamografi yang merupakan cerminan komposisi jaringan fibroglandular merupakan faktor risiko kuat kanker payudara. Selain faktor risiko kanker payudara, mamografi dengan densitas tinggi memiliki kemungkinan lebih besar untuk tidak terdeteksinya kanker payudara karena tumor tertutupi oleh densitas tersebut (masking effect). Penentuan densitas mamografi dapat dilakukan secara kualitatif maupun kuantitatif untuk mengurangi subyektifitas. Oleh karena itu perlu dikembangkan model komputasi penentuan faktor risiko kanker payudara berdasarkan pola dan persentase densitas mamografi. Penelitian ini menggunakan citra mamogram dari Klinik Onkologi Kotabaru Yogyakarta dan MIAS. Ada dua model komputasi untuk penentuan faktor risiko kanker payudara, yaitu : 1) pola densitas mamografi menggunakan fitur tekstur yang terdiri dari : seleksi RoI, prapengolahan, ekstraksi fitur, penentuan faktor risiko menggunakan JST serta evaluasi kinerja model. 2) persentase densitas mamografi menggunakan metode segmentasi otomatis yang terdiri dari : prapengolahan, pemilihan metode thresholding, segmentasi mamogram untuk mendapatkan area citra payudara dan area jaringan fibroglandular, perhitungan persentase densitas mamografi, penentuan faktor risiko kanker payudara serta evaluasi kinerja model. Ada empat fitur (ASM, IDM, variance dan entropy) yang mempunyai signifikansi sangat kuat terhadap penentuan faktor risiko kanker payudara. Penggunaan keempat fitur pada model komputasi pola densitas mamografi dengan 16 deskriptor (4 fitur x 4 arah) sebagai node masukan pada JST mempunyai akurasi, sensitifitas dan spesifisitas sebesar 90%, 85% dan 95%. Sedangkan perbandingan kinerja metode thresholding untuk mendapatkan area citra payudara dan jaringan fibroglandular pada model komputasi persentase densitas mamografi menunjukkan algoritma zack dan multilevel thresholding mempunyai kinerja lebih baik. Evaluasi kinerja model terhadap dua metode thresholding tersebut mempunyai akurasi, sensitifitas dan spesifisitas sebesar 91%, 87% dan 95%.

Mammographic density is a reflection of the composition of the fibroglandular tissue that is a strong risk factor for breast cancer. In addition to the risk factors of breast cancer, mammography with high density has greater likelihood of not detecting breast cancer because the tumor is covered by the density (the masking effect). The determination of mammographic density can be done both qualitatively and quantitatively to reduce subjectivity. Therefore, it is necessary to develop a computational model for the determination of risk factors for breast cancer based on the pattern and the percentage of mammographic density. The research aims at developing two models of the calculation of breast cancer risk tried out using mammogram from Onkology cliniqe in Kotabaru, Yogyakarta and Mammographic Image Analysis Society (MIAS). Firstly, the steps to classify the risk based on mammography density pattern consist of RoI selection, pre-proccessing, extracting statistic feature of first and second orde (GLCM), JST classification and model evaluation. Secondly, the steps of risk classification based on the percentage of mammography density consist of pre-processing, the selection of thresholding method, mammogram segmentation to get breast area and fibroglandular tissue area, density percentage calculation, classifying the risk level and model evaluation. There are four features (ASM, IDM, variance and entropy) has significance very strong against determination level risks of breast cancer. The use of the fourth feature on the computation model of the pattern mammography density with 16 descriptor (4 features x 4 direction) as node input on JST have accuracy, specificity and sensitivity of about 90%, 85% and 95% respectively. While the comparison performance thresholding methods to get breast area and fibroglandular tissue area on the computation model of the percentage of mammography density showed that the multilevel thresholding and algorithm zack has better performance. Performance evaluation model of two thresholding methods have the accuracy, sensitivity and specificity of about 91%, 87% and 95% respectively.

Kata Kunci : pola, persentase, densitas mamografi, faktor risiko