Klasifikasi jenis tumor otak berdasarkan citra MRI menggunakan Gray Level Co-occurrence Matrix (GLCM) dan Support Vector Machine (SVM)

INDONESIA:

Tumor otak merupakan salah satu gangguan pada sistem saraf pusat yang dapat meningkatkan risiko kematian sehingga memerlukan diagnosis yang cepat dan akurat. Magnetic Resonance Imaging (MRI) banyak digunakan untuk mendeteksi tumor, tetapi interpretasi manual citra oleh radiolog masih memakan waktu dan rentan terhadap subjektivitas, sehingga diperlukan pendekatan berbasis komputer untuk mendukung proses klasifikasi. Penelitian ini bertujuan menganalisis hasil kombinasi Gray Level Co-occurrence Matrix (GLCM) dan Support Vector Machine (SVM) dengan empat kernel dalam mengklasifikasikan citra MRI otak ke dalam empat kelas, yaitu glioma, meningioma, pituitary, dan no tumor. GLCM digunakan untuk mengekstraksi fitur tekstur, sedangkan SVM dengan kernel Linear, Polynomial, RBF, dan Sigmoid diterapkan pada citra dari tiga sudut pandang (axial, sagittal, coronal) dan dua kondisi dataset (seimbang dan tidak seimbang). Hasil pengujian menunjukkan bahwa kombinasi sudut pandang coronal dengan kernel RBF pada dataset seimbang memberikan performa terbaik dengan F1-score sebesar 84%. Penelitian ini menunjukkan bahwa kombinasi GLCM dan SVM dengan pemilihan kernel dan sudut pandang yang tepat dapat dimanfaatkan sebagai pendekatan yang efektif untuk membantu proses klasifikasi jenis tumor otak berbasis citra MRI.

ENGLISH:

Brain tumors are one of the disorders of the central nervous system that can increase the risk of death, thus requiring rapid and accurate diagnosis. Magnetic Resonance Imaging (MRI) is widely used to detect tumors, but manual interpretation of images by radiologists is still time-consuming and prone to subjectivity, thus requiring a computer-based approach to support the classification process. This study aims to analyze the results of combining Gray Level Co-occurrence Matrix (GLCM) and Support Vector Machine (SVM) with four kernels in classifying brain MRI images into four classes, namely glioma, meningioma, pituitary, and no tumor. GLCM was used to extract texture features, while SVM with Linear, Polynomial, RBF, and Sigmoid kernels was applied to images from three viewpoints (axial, sagittal, coronal) and two dataset conditions (balanced and unbalanced). The test results showed that the combination of the coronal angle of view with the RBF kernel on the balanced dataset provided the best performance with an F1-score of 84%. This study shows that the combination of GLCM and SVM with the right kernel and angle of view selection can be used as an effective approach to assist in the classification of brain tumor types based on MRI images.

ARABIC:

تُعدّ أورام الدماغ من الاضطرابات التي تصيب الجهاز العصبي المركزي وقد تؤدي إلى زيادة خطر الوفاة، مما يتطلب تشخيصًا دقيقًا وسريعًا. ويُستخدم التصوير بالرنين المغناطيسي (MRI) على نطاق واسع لاكتشاف الأورام، إلا أن التفسير اليدوي للصور من قبل أطباء الأشعة لا يزال يستغرق وقتًا طويلًا ويكون عرضةً للذاتية، مما يستلزم استخدام أساليب حاسوبية لدعم عملية التصنيف. يهدف هذا البحث إلى تحليل نتائج دمج مصفوفة التشارك لمستويات الرمادي (GLCM) وآلة المتجهات الداعمة (SVM) باستخدام أربعة نوى في تصنيف صور الرنين المغناطيسي للدماغ إلى أربع فئات، وهي: الورم الدبقي (Glioma)، والورم السحائي (Meningioma)، وورم الغدة النخامية(Pituitary) ، وعدم وجود ورم (No tumor) تُستخدم طريقة GLCM لاستخراج خصائص النسيج، في حين تُطبق خوارزمية SVM باستخدام نوى الخطي(Linear)، ومتعدد الحدود(Polynomial)، ودالة الأساس الشعاعي(RBF)، والسيغمويد (Sigmoid) على الصور من ثلاث زوايا عرض، وهي: المحورية(Axial) ، والسهمية(Sagittal) ، والإكليلية (Coronal) ، وفي حالتي توزيع البيانات المتوازنة وغير المتوازنة. تُظهر نتائج الاختبار أن دمج زاوية العرض الإكليلية (Coronal) مع نواة RBF على مجموعة البيانات المتوازنة يحقق أفضل أداء، حيث بلغت قيمة مقياس F1-scoreنسبة 84%وتشير نتائج هذا البحث إلى أن دمج GLCM و SVM مع اختيار النواة وزاوية العرض المناسبة يمكن أن يُستخدم كنهج فعال لدعم عملية تصنيف أنواع أورام الدماغ اعتمادًا على صور الرنين المغناطيسي