KLASIFIKASI MRI OTAK MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN DATA WAVELET YANG DIREDUKSI DENGAN NCMF

Lastri Widya Astuti, Handayani T

Abstract


Magnetic Resonance Imaging (MRI) merupakan salah satu cara pemeriksaan diagnostik dalam ilmu kedokteran, khususnya radiologi yang menghasilkan gambaran potongan tubuh manusia secara transversal, koronal, sagital dan paraaksial. Keuntungan yang paling penting dari pencitraan magnetic resonance adalah menerapkan teknik non invasif, yang digunakan untuk memvisualisasikan struktur internal dan fungsi terbatas tubuh secara rinci. Namun pada kenyataannya hasil citra yang dihasilkan oleh MRI memiliki dimensi tinggi, sehingga menyebabkan kesulitan pada proses pengklasifikasian gangguan atau kerusakan jaringan otak. Pendekatan yang mungkin dilakukan adalah dengan mengurangi dimensi data sebelum proses klasifikasi tanpa mengurangi arti dari data. Oleh karena itu, dalam makalah ini diajukan penerapan metode gabungan yaitu: Wavelet yang akan digunakan pada proses ekstrasi fitur dan untuk proses reduksi dimensi akan digunakan metode Normalized Compression Non-Negative Matrix Factorization (NCMF). Matrik kompresi yang dihasilkan dari proses reduksi selanjutnya akan menjadi input bagi proses klasifikasi menggunakan metode Adaptive Neighborhood Modified Backpropagation (ANMBP). Penelitian ini mampu mengintegrasikan antara teknik ekstrasi fitur, reduksi dimensi serta teknik klasifikasi yang diusulkan, pengujian dengan menggunakan dataset MRI otak yang telah ditetapkan menghasilkan nilai rata – rata 91,25% untuk tingkat keakurasiannya.


References


F, Gorunescu. (2007), “Data mining techniques in computer-aided diagnosis: Non-invasive cancer detection”, PWASET 25, hal 427–430.

Hynynen, K. (2010), “MRI-guided focused ultrasound treatments", Ultrasonics, Vol. 50, No. 2, hal 221-229.

L.M. Fletcher-Heath, L.O. Hall, D.B. Goldgof, F.R. Murtagh. (2001), “Automatic segmentation of nonenhancing brain tumors in magnetic resonance images”, Artif. Intell. Med. 21, hal 43–63.

S. Chaplot, L.M. Patnaik, N.R. Jagannathan. (2006), “Classification of magnetic resonance brain images using wavelets as input to support vector machine and neural network”, Biomed. Signal Process, Control 1, hal 86–92.

M. Maitra, A. Chatterje. (2007), “Hybrid multiresolusion slanted transform and fuzzy c means clustering approach for normal-pathological brain MR image segregation”, Med. Eng. Phys.

El-Dahshan, E.-S. A., T. Hosny, and A.-B. M. Salem. (2010), “Hybrid intelligent techniques for MRI brain images classification," DigitalSignal Processing, Vol. 20, No. 2, hal 433-441.

Y. Zhang, Z. Dong, L. Wu, S. Wang. (2011), “ A hybrid method for MRI brain image classification”, Experts System with Application, 38, hal 10049-10053

Gonzalez R. C, Richard E.Woods. (2002), Digital Image Processing, second edition, Paerson education, Boston.

Zhu, Z., Guo, Y.F., Zhu, X., Xue, X. (2010), “Normalized dimensionality reduction using nonnegative matrix factorization”, Journal of Neurocomputing, Elsevier.

T. Kathirvalavakumar, T., Subavathi, S.J. (2009), “Neighborhood based modified backpropagation algorithm using adaptive learning parameters for training feedforward neural networks”,Journal of Neurocomputing, Elsevier

Harvard Medical School, Web, data available at http://med.harvard.edu/AANLIB


Refbacks

  • There are currently no refbacks.