Deteksi osteoporosis melalui analisa tekstur metode Gray Level Run Length Matrix (GLRLM) citra X-Ray tulang lutut dengan metode klasifikasi Extreme Learning Machine (ELM)

ABSTRAK

Osteoporosis merupakan salah satu penyakit yang menjadi permasalahan kesehatan diseluruh negara. Menurut data statistik, World Health Organization (WHO) menyebutkan pada tahun 2050 nanti dari 200 juta orang yang menderita osteporosis di seluruh dunia diperkirakan sekitar 6,3 juta orang akan mengalami patah tulang pinggul setiap tahunnya yangmana lebih dari setengahnya terdapat di Asia. Penyakit osteoporosisi didiagnosa dengan mengukur kepadatan tulang (Bone Mineral Density). Densitometri DEXA (Dual Energy X-ray Absorptometry) merupakan salah satu metode yang digunakan dalam pengukuran BMD. Namun, penggunaan alat ini membutuhkan biaya mahal sehingga membutuhkan alternatif lain untuk mendeteksi osteoporosis yaitu dengan menganalisa citra tulang menggunakan sistem komputer. Citra tulang akan diekstraksi fitur teksturnya menggunakan Gray Level Run Length Matrix (GLRLM) dan diklasifikasi melalui algoritma Extreme Learning Machine (ELM) untuk memebedakan citra tulang normal, osteopenia dan osteoporosis. Tujuan penelitian ini adalah untuk mengetahui hasil dan akurasi kinerja sistem prediksi GLRLM-ELM dalam mendeteksi dan mengklasifikasikan jenis tulang dan untuk mengetahui karakteristik fisik tekstur yang dihasilkan pada masing-masing citra tulang (normal; osteopenia; osteoporosis). Hasil yang diperoleh dengan ekstraksi fitur GLRLM dan klasifikasi menggunakan ELM menghasilkan kinerja sistem yang optimal dibuktikan dengan nilai MSE= 0.005437 pada proses training dan MSE= 0.005022 pada proses testing dengan percobaan node hidden 18 serta didapatkan akurasi sebesar 100%. Kemudian berdasarkan hasil analisa citra menunjukkan karakteristik citra kelas tulang normal memiliki permukaan citra yang halus, citra kelas osteoporosis memiliki permukaan citra yang kasar, dan kelas osteopenia berada di antara keduanya. Hasil dari sistem klasifikasi ini diharapkan dapat membantu tenaga medis dalam menganalisa citra x-ray untuk mendeteksi penyakit osteoporosis.

ABSTRACT

Osteoporosis is a disease that is a health problem throughout the country. According to statistical data, World Health Organization (WHO) stated that in 2050, of the 200 million people suffering from osteoporosis worldwide, it is estimated that around 6.3 million people will experience hip fractures each year, of which more than half will be in Asia. Osteoporosis is diagnosed by measuring bone density (Bone Mineral Density). Densitometri DEXA (Dual Energy X-ray Absorptometry) is one of the methods used to measure BMD. However, using this tool is expensive so it requires another alternative to detect osteoporosis, namely by analyzing bone images using a computer system. The bone image will have its texture features extracted using Gray Level Run Length Matrix (GLRLM) and classified through algorithms Extreme Learning Machine (ELM) to differentiate between normal bone images, osteopenia and osteoporosis. The aim of this research is to determine the results and accuracy of the performance of the GLRLM-ELM prediction system in detecting and classifying bone types and to determine the physical characteristics of the texture produced in each bone image (normal; osteopenia; osteoporosis). The results obtained by GLRLM feature extraction and classification using ELM produce optimal system performance as evidenced by the value of MSE= 0.005437 in the training process and MSE= 0.005022 in the testing process with experiments node hidden 18 and obtained an accuracy of 100%. Then, based on the results of image analysis, it shows that the characteristics of the normal bone class image have a smooth image surface, the osteoporosis class image has a rough image surface, and the osteopenia class is somewhere in between. It is hoped that the results of this classification system can help medical personnel in analyzing x-ray images to detect osteoporosis.

مستخلص البحث

الهشاشة العظمية هي إحدى الأمراض التي تش مشكلة صحية في جميع أنحاء العالم. وفقًا للإحصائيات، تشير منظمة الصحة العالمية إلى أنه بحلول عام 2050، من المتوقع أن يعاني حوالي 6.3 مليون شخص سنويًا من كسور في الحوض من بين 200 مليون شخص يعانون من هشاشة العظام في جميع أنحاء العالم، وأكثر من نصفهم يعيشون في قارة آسيا. تتم تشخيص مرض هشاشة العظام عن طريق قياس كثافة العظم (كتلة المعدن العظمية). تعتبر دينسيتومتري ديكسا (Dual Energy X-ray Absorptometry) واحدة من الطرق المستخدمة في قياس كتلة العظام. ومع ذلك، يتطلب استخدام هذا الجهاز تكلفة عالية، مما يستلزم وجود بديل لاكتشاف هشاشة العظام، وهو تحليل صور العظام باستخدام نظام الكمبيوتر. سيتم استخراج خصائص نسيج العظم باستخدام مصفوفة طول السطر الرمادي (GLRLM) وتصنيفها من خلال خوارزمية Extreme Learning Machine (ELM) للتمييز بين صور العظام الطبيعية وهشاشة العظام. الهدف من هذا البحث هو معرفة نتائج وأداء نظام التنبؤ GLRLM-ELM في اكتشاف وتصنيف أنواع العظام ومعرفة الخصائص الفيزيائية للنسيج المستخرج في كل صورة عظم (طبيعية؛ هشاشة العظام؛ هشاشة العظام). أظهرت نتائج استخراج خصائص GLRLM والتصنيف باستخدام ELM أداء نظام مثاليًا بقيمة MSE= 0.005437 في عملية التدريب وMSE= 0.005022 في عملية الاختبار مع تجربة عقد العقد 18 وتحقيق دقة بنسبة 100٪. ثم بناءً على نتائج تحليل الصور، أظهرت صور الفئة العظمية الطبيعية خصائص سطحية ناعمة، في حين أن لدى صور هشاشة العظام سطحًا خشنًا، وتكون فئة هشاشة العظام في الوسط بينهما. من المتوقع أن يساعد نظام التصنيف هذا الفريق الطبي في تحليل صور الأشعة السينية لاكتشاف مرض هشاشة العظام