Segmentasi tulang tada Citra X-ray Karpal menggunakan Watershed Transform untuk menunjang aplikasi deteksi Rhematoid Arthritis

INDONESIA :

Salah satu penyakit yang menyerang persendian tulang adalah Rhematoid Arthritis (RA). Gejala yang dapat ditemui oleh orang yang terkena penyakit ini adalah rasa nyeri dan kaku pada banyak sendi. Hal ini terjadi karena adanya inflamasi pada membran sinovial yang membungkus sendi.

Penelitian dilakukan untuk membuat suatu aplikasi yang dapat mensegmentasi tulang pada citra x-ray karpal Rhematoid Arthritis. Penelitian ini menggunakan metode Watershed Transform dalam proses segmentasi, Adaptive Treshold dan Median Filter sebagai metode preprocessing, dan Morphological Gradient sebagai metode presegmentation. Kombinasi metode tersebut digunakan untuk mengoptimalkan segmentasi dan mengurangi terjadinya oversegmentation.

Hasil pengujian membuktikan bahwa metode yang digunakan berhasil melakukan segmentasi tulang pada citra x-ray karpal dan menghilangkan over- segmentasi. Hasil perhitungan menggunakan metode Receiver Operatic Characteristic (ROC) menunjukkan prosentase rata-rata akurasi 93,58917%, sensitifitas 64,14227%, dan spesifitas 94,753%.

ENGLISH :

Rheumatoid Arthritis (RA) is a disease that attacks the joints of bones. Symptoms of this disease are pain and stiffness in many joints. This occurs due to inflammation of the synovial membrane that encloses the joint.

This research was carried out to create an application that can segment the bone on the x-ray image of the carpal rheumatoid arthritis. This research uses Watershed Transform in the segmentation process, Adaptive Threshold and median filter as preprocessing methods, and morphological gradient as pre- segmentation method. The combination of these methods is used to optimize segmentation and reduce over-segmentation.

Experimental results prove that the proposed approach successfully segment the bone on the x-ray image of the carpal and eliminate over- segmentation. The results of calculations using Receiver Operatic Characteristic (ROC) shows the average percentage 93.58917% accuracy, sensitivity
64.14227%, and a specificity of 94.753%.