Penggabungan fitur tekstur yang invariat terhadap iluminasi dan fitrur bentuk untuk deteksi acute lumphoblastic leukemia

Deteksi dini Acute Lymphoblastic Leukemia (ALL) pada anak-anak sangat penting dilakukan karena tingkat kesembuhannya lebih tinggi dibandingkan pada orang dewasa. Namun, deteksi ALL secara manual oleh tenaga ahli medis cenderung kurang presisi dan membutuhkan waktu yang lama. Oleh karena itu, beberapa penelitian telah menggunakan teknik pengolahan citra dengan memanfaatkan fitur bentuk atau morfologi pada citra mikroskopik sel darah untuk deteksi ALL secara otomatis. Namun, hasilnya kurang optimal karena fitur bentuk saja tidak cukup untuk mendeskripsikan fitur sel darah, sehingga diperlukan penggabungan antara fitur bentuk dan fitur tekstur untuk deteksi dini ALL. Fitur tekstur dapat mendeskripsikan distribusi kromatin pada nukleus sedangkan fitur bentuk dapat merepresentasikan perbedaan morfologi sel darah. Dataset ALL_IDB1, merupakan dataset citra mikroskopik sel darah yang proses akuisisinya menggunakan kamera dengan panjang sensor dan variasi pencahayaan yang berbeda sehingga menyebabkan iluminasi citra menjadi beragam. Perubahan iluminasi tersebut tidak mengubah morfologi atau bentuk sel darah namun dapat mempengaruhi intensitas tekstur dari sel darah. Oleh karena itu, dibutuhkan metode yang dapat mengekstraksi fitur tekstur yang invariant terhadap iluminasi. Salah satu pengembangan dari metode LBP, yaitu Complete Robust Local Binary Pattern (CRLBP) mampu menangani masalah invariant terhadap iluminasi dengan mengganti nilai threshold dari nilai piksel asli dengan nilai Weighted Local Gray-Level (WLG). Penelitian ini mengusulkan penggabungan fitur tekstur yang invariant terhadap iluminasi dan fitur bentuk untuk deteksi dini ALL. Untuk menangani iluminasi citra yang beragam, fitur tekstur diekstraksi dengan menggunakan metode CRLBP. Adapun fitur bentuk yang diekstraksi meliputi rasio ukuran dan geometri dari sel darah putih. Metode yang diusulkan diuji coba pada dataset citra mikroskopik sel darah ALL_IDB1. Uji coba dilakukan dengan variasi penggabungan fitur tekstur dan fitur bentuk yang berbeda-beda. Penggabungan fitur CRLBP8 dan fitur bentuk merupakan kombinasi fitur yang menghasilkan persentase paling tinggi. Pada pengujian sel tunggal diperoleh akurasi sebesar 95,11%, dengan sensitifitas 97,97% dan spesifisitas 80,44%. Adapun pada pengujian citra ALL diperoleh akurasi 93,00%, dengan sensitifitas 89,58% dan spesifisitas 100%. ===================================================================================================== Early detection of Acute Lymphoblastic Leukemia (ALL) in children is a very important thing to do since the recovery rate of ALL in children is higher compare to recovery rate in adult. However, manual detection of ALL which rely on medical experts tends to be less precise and requires a long time. Therefore, some studies have applied image processing technique by using shape and morphological features of blood cell for automatic ALL detection. However, the results were less than optimal, because the shape feature alone is not enough to describe the feature of blood cells, so it is necessary to combine shape features and texture features for early detection of ALL. Texture feature could describe the distribution of chromatin in nucleus, while shape feature could represent the differences appeared in blood cell morphology. ALL_IDB1 dataset is a microscopic blood cell’s image dataset acquired by using a camera with various sensor lengths and various lighting conditions, causing the illumination of each images become vary. The illumination change does not alter the morphology or shape of the blood cell, but it affects the blood cell’s texture intensity. Therefore, it is necessary to employ a method that able to extract a texture feature which invariant towards illumination. One development of LBP method, Complete Robust Local Binary Pattern (CRLBP), is capable of handling the various illumination problem by substitute the threshold value of each original value with Weighted Local Gray-Level (WLG) value. This study proposed a combination of illumination invariant texture feature and shape feature for early detection of ALL. To handle various illumination problem, the texture feature was extracted by using CRLBP methods. As for the shape feature, the aspect ratio and the geometry of white blood cell were extracted. The proposed method was tested in microscopic blood cell image from ALL_IDB1 dataset. The experiment was conducted by various combinations of different texture and shape features. The combination of CRLBP8 and shape feature produces the best accuracy. For experiment using single cell, accuracy reach 95,11% with sensitivity 97,97% and specificity 80,44%. As for experiment with ALL image, accuracy reach 93,00% with sensitivity 89.58% and specificity 100%