Deteksi Kanker Payudara Berbasis Citra Mammogram Menggunakan Gray Level Co-Occurrence Matrix (Glcm) Dan Gaussian Naive Bayes

INDONESIA:

Kanker payudara adalah salah satu tantangan kesehatan utama bagi perempuan di seluruh dunia dengan konsekuensi serius terhadap kualitas dan ekspektasi hidup. World Health Organization (WHO) mengidentifikasikan kanker payudara sebagai penyebab utama Disability-Adjusted Life Years (DALYs) di antara perempuan. Deteksi dini melalui penggunaan teknologi citra medis, khususnya mammogram, diperlukan untuk meningkatkan prognosis dan kelangsungan hidup pasien. Studi ini fokus pada penerapan Gray Level Co-occurrence Matrix (GLCM) dan algoritma Gaussian Naive Bayes (GNB) dalam analisis citra mammogram untuk meningkatkan deteksi kanker payudara. GLCM efektif dalam mengkarakterisasi tekstur dengan mempertimbangkan hubungan spasial piksel, sementara GNB digunakan untuk mengklasifikasikan fitur tersebut menjadi kategori diagnostik. Penelitian ini mengevaluasi pengaruh berbagai jarak dan kombinasi sudut dalam pengaturan GLCM terhadap performa klasifikasi GNB. Hasil eksperimen menunjukkan bahwa penyesuaian parameter jarak dalam GLCM dapat secara signifikan mempengaruhi akurasi deteksi, dengan jarak 3 memberikan akurasi tertinggi mencapai 84,88%. Selain itu, penggunaan kombinasi sudut yang beragam juga menghasilkan peningkatan akurasi deteksi. Kombinasi sudut terbaik adalah (45°, 135°) pada rasio 80:20, dengan akurasi mencapai 85%. Penelitian ini membuktikan bahwa penggunaan GLCM dan GNB secara bersamaan dalam analisis citra mammogram tidak hanya meningkatkan akurasi deteksi tetapi juga menawarkan pendekatan yang lebih komprehensif dalam memahami variabilitas tekstur citra yang berkaitan dengan kanker payudara. Hasil ini menunjukkan potensi signifikan untuk diterapkan dalam praktik klinis guna meningkatkan deteksi dini dan pengelolaan kanker payudara.

ENGLISH:

Breast cancer is a major health challenge for women worldwide, with serious consequences for quality and life expectancy. The World Health Organization (WHO) identifies breast cancer as a leading cause of Disability-Adjusted Life Years (DALYs) among women. Early detection through the use of medical imaging technology, particularly mammograms, is necessary to improve patient prognosis and survival rates. This study focuses on the application of Gray Level Co-occurrence Matrix (GLCM) and the Gaussian Naive Bayes (GNB) algorithm in the analysis of mammogram images to enhance breast cancer detection. GLCM is effective in characterizing texture by considering the spatial relationships of pixels, while GNB is used to classify these features into diagnostic categories. The research evaluates the impact of various distances and angle combinations in GLCM settings on the performance of GNB classification. Experimental results show that adjusting the distance parameter in GLCM can significantly affect detection accuracy, with a distance of 3 achieving the highest accuracy of 84.88%. Additionally, using diverse angle combinations also led to improved detection accuracy, with the best angle combination being (45°, 135°) at a training and testing data ratio of 80:20, yielding an accuracy of 85%. This study demonstrates that the combined use of GLCM and GNB in mammogram image analysis not only enhances detection accuracy but also offers a more comprehensive approach to understanding the textural variability of images associated with breast cancer. These findings indicate significant potential for clinical application to improve early detection and management of breast cancer.

ARABIC:

يُعَدُّ سرطان الثدي من أهم التحديات الصحية التي تواجه النساء في جميع أنحاء العالم، مع عواقب خطيرة على جودة وتوقعات الحياة. تُحدد منظمة الصحة العالمية (WHO) سرطان الثدي كسبب رئيسي لسنوات العمر المصححة بالإعاقة (DALYs) بين النساء. يعتبر الكشف المبكر باستخدام تكنولوجيا التصوير الطبي، خاصةً الماموجرام، ضروريًا لتحسين توقعات ونجاة المرضى. تركز هذه الدراسة على تطبيق مصفوفة المستويات الرمادية للتجاور (GLCM) وخوارزمية بايز المبتكرة (GNB) في تحليل صور الماموجرام لتعزيز اكتشاف سرطان الثدي. تعتبر GLCM فعالة في توصيف النسيج من خلال النظر في العلاقات المكانية للبكسلات، في حين تُستخدم GNB لتصنيف هذه الميزات إلى فئات تشخيصية. تُقيّم هذه الدراسة تأثير المسافات المختلفة وتوليفات الزوايا في إعدادات GLCM على أداء تصنيف GNB. تُظهِر النتائج التجريبية أن تعديل معلمة المسافة في GLCM يمكن أن يؤثر بشكل كبير على دقة الاكتشاف، حيث حققت مسافة 3 أعلى دقة بنسبة 84.88%. بالإضافة إلى ذلك، أدى استخدام توليفات زوايا متنوعة أيضًا إلى تحسين دقة الاكتشاف، حيث كانت أفضل توليفة زوايا هي (45°, 135°) بنسبة تدريب واختبار البيانات 80:20، محققة دقة بنسبة 85%. تُظهِر هذه الدراسة أن الاستخدام المشترك لـ GLCM و GNB في تحليل صور الماموجرام لا يعزز فقط دقة الاكتشاف بل يقدم أيضًا نهجًا أكثر شمولية لفهم تنوع نسيج الصور المرتبطة بسرطان الثدي. تشير هذه النتائج إلى إمكانات كبيرة للتطبيق السريري لتحسين الكشف المبكر وإدارة سرطان الثدي.