Identifikasi tumor otak melalui analisis tekstur citra Magnetic Resonance Imaging (MRI) dengan metode Gray Level Run Length Matrix (GLRLM) dan Support Vector Machine (SVM)

ABSTRAK

Tumor otak merupakan pertumbuhan sel abnormal yang memerlukan deteksi dini dan akurat untuk meningkatkan peluang kesembuhan. Magnetic Resonance Imaging (MRI) adalah modalitas utama dalam diagnosis, namun interpretasi manual memiliki keterbatasan berupa subjektivitas, variabilitas antar pengamat, dan risiko kesalahan pada lesi kecil sehingga pendekatan berbasis kecerdasan buatan diperlukan untuk mengatasi masalah tersebut melalui analisis citra yang objektif. Penelitian ini bertujuan untuk menganalisis tingkat validitas data (akurasi, presisi, sensitivitas, spesifisitas, dan F1-Score) dari metode GLRLM-SVM dalam mendeteksi empat kelas citra otak (Normal, Glioma, Meningioma, dan Pituitary), serta mengidentifikasi karakteristik tekstur dominan dari masing-masing kelas tersebut. Penelitian ini menggunakan data sekunder berupa 260 citra MRI (200 data latih dan 60 data uji) dengan tahapan meliputi pre-processing berupa cropping pada Region of Interest (ROI) berukuran 36x36 piksel dan grayscaling, ekstraksi fitur tekstur menggunakan metode Gray Level Run Length Matrix (GLRLM) pada empat orientasi sudut (0°, 45°, 90°, 135°) dengan tujuh parameter fitur, dan klasifikasi menggunakan algoritma Support Vector Machine (SVM). Hasil pengujian menunjukkan performa sistem yang sangat optimal, di mana metode GLRLM-SVM berhasil mencapai nilai Akurasi, Presisi, Sensitivitas (Recall), Spesifisitas, dan F1-Score sebesar 100% tanpa ditemukan kesalahan klasifikasi (misclassification) pada seluruh data uji, yang membuktikan bahwa model yang dikembangkan sangat robust dalam membedakan keempat kelas citra. Selain itu, analisis karakteristik tekstur menunjukkan perbedaan pola yang signifikan antar kelas, di mana citra Normal cenderung memiliki permukaan halus dengan pola gray level homogen, citra Glioma didominasi permukaan kasar dengan intensitas tinggi (hiperintens), citra Meningioma memiliki karakteristik mirip normal namun lebih kasar pada Short Run, dan citra Pituitary memiliki karakteristik paling kontras yaitu permukaan yang sangat halus dengan Run Percentage (RP) yang sangat tinggi dan pola gray level yang sangat homogen.

ABSTRACT

Brain tumors are abnormal cell growths that require early and accurate detection to improve survival rates. Magnetic Resonance Imaging (MRI) serves as the primary modality for diagnosis; however, manual interpretation is limited by subjectivity, inter-observer variability, and the risk of error in identifying small lesions. Consequently, an artificial intelligence-based approach is necessary to address these issues through objective image analysis. This study aims to analyze the data validity levels (accuracy, precision, sensitivity, specificity, and F1-Score) of the GLRLM-SVM method in detecting four classes of brain images (Normal, Glioma, Meningioma, and Pituitary), as well as to identify the dominant texture characteristics of each respective class. This research utilizes secondary data consisting of 260 MRI images (200 training data and 60 testing data). The methodology includes pre-processing stages such as cropping the Region of Interest (ROI) to 36x36 pixels and grayscaling; texture feature extraction using the Gray Level Run Length Matrix (GLRLM) method across four angular orientations (0°, 45°, 90°, 135°) with seven feature parameters; and classification using the Support Vector Machine (SVM) algorithm. The test results demonstrate highly optimal system performance, wherein the GLRLM-SVM method achieved 100% scores for Accuracy, Precision, Sensitivity (Recall), Specificity, and F1-Score. No misclassification was found across the entire testing dataset, proving that the developed model is highly robust in distinguishing between the four image classes. Furthermore, the analysis of texture characteristics reveals significant pattern differences between classes: Normal images tend to exhibit smooth surfaces with homogeneous gray level patterns; Glioma images are dominated by rough surfaces with high intensity (hyperintense); Meningioma images possess characteristics similar to Normal images but are coarser in the Short Run; and Pituitary images display the most contrasting characteristics, featuring very smooth surfaces with a very high Run Percentage (RP) and highly homogeneous gray level patterns.

الملخص

وَرَمُ الدِّمَاغِ هُوَ نُمُوٌّ غَيْرُ طَبِيعِيٍّ لِلْخَلَايَا يَتَطَلَّبُ كَشْفًا مُبَكِّرًا وَدَقِيقًا لِزِيَادَةِ فُرَصِ الشِّفَاءِ. يُعَدُّ التَّصْوِيرُ بِالرَّنِينِ الْمِغْنَاطِيسِيِّ (MRI) الْوَسِيلَةَ الْأَسَاسِيَّةَ لِلتَّشْخِيصِ، إِلَّا أَنَّ التَّفْسِيرَ الْيَدَوِيَّ لَهُ قُيُودٌ تَتَمَثَّلُ فِي الذَّاتِيَّةِ، وَالتَّبَايُنِ بَيْنَ الْمُرَاقِبِينَ، وَخَطَرِ الْخَطَأِ فِي تَحْدِيدِ الْآفَاتِ الصَّغِيرَةِ، مِمَّا يَسْتَدْعِي نَهْجًا قَائِمًا عَلَى الذَّكَاءِ الاصْطِنَاعِيِّ لِمُعَالَجَةِ هَذِهِ الْمُشْكِلَاتِ مِنْ خِلَالِ تَحْلِيلِ الصُّوَرِ بِمَوْضُوعِيَّةٍ. يَهْدِفُ هَذَا الْبَحْثُ إِلَى تَحْلِيلِ مُسْتَوَى صِحَّةِ الْبَيَانَاتِ (الدِّقَّةِ، وَالْإِتْقَانِ، وَالْحَسَاسِيَّةِ، وَالنَّوْعِيَّةِ، وَمِقْيَاسِ F1-Score) لِطَرِيقَةِ GLRLM-SVM فِي الْكَشْفِ عَنْ أَرْبَعِ فِئَاتٍ مِنْ صُوَرِ الدِّمَاغِ (الطَّبِيعِيَّةِ، وَالْوَرَمِ الدِّبْقِيِّ/Glioma، وَالْوَرَمِ السَّحَائِيِّ/Meningioma، وَوَرَمِ الْغُدَّةِ النُّخَامِيَّةِ/Pituitary)، بِالْإِضَافَةِ إِلَى تَحْدِيدِ خَصَائِصِ النَّسِيجِ السَّائِدَةِ لِكُلِّ فِئَةٍ. يَسْتَخْدِمُ هَذَا الْبَحْثُ بَيَانَاتٍ ثَانَوِيَّةً تَتَكَوَّنُ مِنْ ٢٦٠ صُورَةَ رَنِينٍ مِغْنَاطِيسِيٍّ (٢٠٠ بَيَانَاتِ تَدْرِيبٍ وَ ٦٠ بَيَانَاتِ اخْتِبَارٍ) مَعَ مَرَاحِلَ تَشْمَلُ الْمُعَالَجَةَ الْأَوَّلِيَّةَ الْمُتَمَثِّلَةَ فِي قَصِّ مِنْطَقَةِ الِاهْتِمَامِ (ROI) بِحَجْمِ ٣٦×٣٦ بِكْسَل وَالِتَّحْوِيلِ إِلَى التَّدَرُّجِ الرَّمَادِيِّ (Grayscaling)، وَاسْتِخْرَاجَ خَصَائِصِ النَّسِيجِ بِاسْتِخْدَامِ طَرِيقَةِ GLRLM فِي أَرْبَعِ زَوَايَا تَوْجِيهٍ (٠°، ٤٥°، ٩٠°، ١٣٥°) مَعَ سَبْعِ مَعْلَمَاتٍ لِلْخَصَائِصِ، وَالتَّصْنِيفَ بِاسْتِخْدَامِ خَوَارِزْمِيَّةِ آلَةِ الْمُتَّجِهَاتِ الدَّاعِمَةِ (SVM). أَظْهَرَتْ نَتَائِجُ الِاخْتِبَارِ أَدَاءً مِثَالِيًّا جِدًّا لِلنِّظَامِ، حَيْثُ نَجَحَتْ طَرِيقَةُ GLRLM-SVM فِي تَحْقِيقِ قِيَمِ الدِّقَّةِ وَالْإِتْقَانِ وَالْحَسَاسِيَّةِ (الِاسْتِدْعَاءِ) وَالنَّوْعِيَّةِ وَمِقْيَاسِ F1-Score بِنِسْبَةِ ١٠٠٪ دُونَ وُجُودِ أَيِّ خَطَأٍ فِي التَّصْنِيفِ (misclassification) فِي جَمِيعِ بَيَانَاتِ الِاخْتِبَارِ، مِمَّا يُثْبِتُ أَنَّ النَّمُوذَجَ الْمُطَوَّرَ قَوِيٌّ جِدًّا (robust) فِي التَّمْيِيزِ بَيْنَ فِئَاتِ الصُّوَرِ الْأَرْبَعِ. عَلَاوَةً عَلَى ذَلِكَ، أَظْهَرَ تَحْلِيلُ خَصَائِصِ النَّسِيجِ اخْتِلَافَاتٍ جَوْهَرِيَّةً فِي الْأَنْمَاطِ بَيْنَ الْفِئَاتِ، حَيْثُ تَمِيلُ الصُّوَرُ الطَّبِيعِيَّةُ إِلَى أَنْ تَكُونَ ذَاتَ سَطْحٍ نَاعِمٍ مَعَ نَمَطٍ مُتَجَانِسٍ لِلْمُسْتَوَى الرَّمَادِيِّ، بَيْنَمَا يُسَيْطِرُ عَلَى صُوَرِ الْوَرَمِ الدِّبْقِيِّ سَطْحٌ خَشِنٌ ذُو كَثَافَةٍ عَالِيَةٍ (فَرْطُ الْكَثَافَةِ)، وَتَمْتَلِكُ صُوَرُ الْوَرَمِ السَّحَائِيِّ خَصَائِصَ تُشْبِهُ الطَّبِيعِيَّةَ وَلَكِنَّهَا أَكْثَرُ خُشُونَةً فِي التَّشْغِيلِ الْقَصِيرِ (Short Run)، وَتَتَمَيَّزُ صُوَرُ وَرَمِ الْغُدَّةِ النُّخَامِيَّةِ بِخَصَائِصَ أَكْثَرَ تَبَايُنًا وَهِيَ سَطْحٌ نَاعِمٌ جِدًّا مَعَ نِسْبَةِ تَشْغِيلٍ (Run Percentage) عَالِيَةٍ جِدًّا وَنَمَطِ مُسْتَوًى رَمَادِيٍّ مُتَجَانِسٍ لِلْغَايَةِ.