Segmentasi Tepi Citra CT Scan Paru-paru Menggunakan Metode Chain Code dan Operasi Morfologi Masfran, Ananda dan Erwin Setyo Nugroho Program Studi Teknik Informatika, Jurusan Komputer, Politeknik Caltex Riau Jalan Umban Sari no.1, Rumbai, Pekanbaru, Riau, 28265 (E-mail: masfran99@yahoo.com, ananda@pcr.ac.id, erwinsn@pcr.ac.id ) Abstract— Image segmentation is an important topic in digital image processing and can be found in various field of images research. One of them is medical image segmentation in the medical field. Edge of image segmentation of lung CT scan is an alternative step in medical lung images processing, which the result can be continued to be used to detect the presence of nodules that are useful as an auxiliary parameter in detecting lung disease like cancer. In this study, edge of image segmentation of lung CT scan is using chain code and mathematical morphology operations. The function of chain code in this study is to detect edge of lung in CT image, whereas the morphology operations are used to enhancement the shape of image. This study showed that the use of chain code and morphological operations can provide a smooth edge of lung CT scan image segmentation. The smooth detail on the edge of the lung CT scan can provide important information such as the boundary of an areas or object within the image. Mathematical morphology operations haven’t been success applied to all images, the percentage of success is 76.6% and percentage of success to eliminate noise in lung CT images is equal to 86.7%. Keywords: Image Segmentation; Lung CT-Scan; Chain Code; Mathematical Morphology. I. PENDAHULUAN Segmentasi citra merupakan topik penting dalam pengolahan citra digital dan dapat ditemukan dalam berbagai bidang riset citra. Salah satunya adalah segmentasi citra medis di bidang kedokteran. Tujuan yang ingin dicapai dalam segmentasi adalah untuk menentukan objek yang spesifik atau sebuah area dalam citra untuk pencocokan atau identifikasi. Dalam citra medis identifikasi dari objek atau area yang diinginkan dapat menyediakan informasi yang berguna untuk diagnosis dan perawatan penyakit. Citra medis yang akan disegmentasi pada penelitian ini adalah citra CT scan paru-paru. Pemilihan paru-paru sebagai objek yang akan disegmentasi adalah karena tingginya jumlah kematian yang disebabkan oleh penyakit paru-paru yaitu kanker paru-paru. Menurut data tahun 2008 dari situs resmi WHO (World Health Organization), kanker paru-paru adalah penyebab kematian paling besar diantara jenis kanker lainnya yaitu sebesar 1,4 juta kematian. Bandingkan dengan jenis kanker lainnya seperti: kanker perut (740000 kematian), kanker hati (700000 kematian), kanker kolorektal (610000 kematian) dan kanker payudara (460000 kematian) [1]. Penelitian yang melibatkan segmentasi citra CT scan pada paru-paru sudah pernah dilakukan sebelumnya. Samuel, dkk memperkenalkan algoritma rolling ball untuk segmentasi paru-paru. Pada tahap awal, digunakan teknik gray-level thresholded untuk segementasi dada dari latar belakang dan kemudian paru-paru dari dada. Pada tahap selanjutnya algoritma rolling ball diterapkan untuk segmentasi kontur paru-paru untuk menghindari hilangnya nodul juxtapleural, yaitu nodul yang berbentuk bulat telur atau lonjong [2]. Shiying, dkk Menyajikan suatu metode otomatis untuk segmentasi paru-paru dalam citra CT scan. Metode ini memiliki tiga langkah utama. Pertama paru-paru diekstrak dari citra CT scan dengan gray-scale thresholding. Kemudian paru-paru kiri dan kanan dipisahkan dengan mengidentifikasi anterior (lebih dekat ke depan) dan persimpangan posterior (lrbih dekat ke belakang) dengan pemrograman dinamis. Akhirnya, sebuah rangkaian operasi morfologi digunakan untuk memperhalus batas yang tidak beraturan di sepanjang mediastinum untuk memperoleh hasil agar konsisten dengan yang diperoleh melalui analisis secara manual, dimana hanya arteri paru-paru paling sentral dikeluarkan dari wilayah paru-paru [3]. Saleem, dkk menyajikan suatu metodologi untuk segmentasi paru-paru yang akurat. Mereka mengatasi masalah segmentasi paru-paru dalam dua langkah utama. Pada langkah pertama, wilayah paru-paru di ekstrasi dari latar belakang dan dada dari citra CT scan menggunakan algoritma region growing. Pada langkah kedua, wilayah paru-paru diperhalus menggunakan algoritma k-means clustering yang dimodifikasi dari algoritma adaptive border marching [4]. Ananda menggunakan metode Max-Tree untuk membentuk pohon segmentasi sebagai representasi nodul paru-paru di CT scan. Kemudian attribute filters digunakan pada proses pruning tree untuk segmentasi kontruksi Max-Tree [5]. Perbedaaan penelitian ini dengan penelitian yang dibicarakan sebelumnya adalah pada kemampuan untuk mempertegas tepi citra dari citra yang berbeda. Pada penelitian ini, segmentasi citra CT yang dilakukan menggunakan metode chain code dan operasi morfologi. Penggunaan chain code sebelumnya pernah digunakan untuk penelitian citra medis, hanya saja dalam kasus klasifikasi objek pada citra medis [6].