Fraktur tulang adalah cedera serius yang sering terjadi akibat berbagai kecelakaan atau aktivitas fisik yang berlebihan. Identifikasi fraktur tulang dengan cepat dan tepat sangat penting untuk menentukan perawatan yang sesuai. Salah satu pendekatan untuk mengidentifikasi fraktur tulang adalah melalui analisis citra radiografi. Dalam artikel ini, akan dijelaskan bagaimana pengolahan citra, khususnya dengan metode deteksi tepi Canny dan ekstraksi ciri menggunakan metode moment invariant, dapat digunakan untuk identifikasi fraktur tulang tibia dan fibula dengan bantuan algoritma Support Vector Machine (SVM).

Langkah-Langkah Pengolahan Citra

1. Akuisisi Citra Radiografi

Langkah pertama dalam identifikasi fraktur tulang adalah mendapatkan citra radiografi dari daerah yang terkena dampak. Citra radiografi ini biasanya diambil dengan menggunakan peralatan medis yang sesuai.

2. Preprocessing Citra

Preprocessing adalah langkah awal dalam pengolahan citra. Tujuan utama preprocessing adalah untuk meningkatkan kualitas citra dan menghilangkan noise yang tidak diinginkan. Dalam konteks ini, citra radiografi dapat diubah menjadi citra grayscale dan kemudian diperhalus.

3. Deteksi Tepi Canny

Deteksi tepi adalah langkah kunci dalam identifikasi fraktur. Metode deteksi tepi Canny adalah salah satu teknik yang umum digunakan untuk menemukan tepi dalam citra. Ini bekerja dengan mengidentifikasi perubahan tajam dalam intensitas citra, yang sering terjadi di sekitar tepi objek. Hasil dari langkah ini adalah citra dengan tepi yang lebih tajam dan jelas.

4. Segmentasi Citra

Setelah deteksi tepi selesai, langkah selanjutnya adalah segmentasi citra. Dalam konteks ini, kita ingin mengisolasi area di sekitar fraktur tulang tibia dan fibula. Hal ini dapat dilakukan dengan menggunakan teknik segmentasi berdasarkan intensitas piksel atau dengan teknik lain yang sesuai.

5. Ekstraksi Ciri dengan Moment Invariant

Setelah citra telah di-segmentasi dengan benar, kita dapat melanjutkan dengan ekstraksi ciri. Moment invariant adalah salah satu metode ekstraksi ciri yang berguna dalam menggambarkan bentuk objek pada citra. Metode ini menghasilkan serangkaian nilai yang tidak berubah terhadap perubahan dalam skala, rotasi, atau translasi objek. Ini adalah fitur yang berguna untuk membedakan fraktur tulang dari struktur tulang normal.

Identifikasi Fraktur dengan Support Vector Machine (SVM)

Setelah ekstraksi ciri selesai, langkah terakhir dalam proses ini adalah penggunaan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan citra menjadi dua kategori: citra dengan fraktur tulang dan citra tanpa fraktur. SVM adalah algoritma pembelajaran mesin yang dapat memisahkan dua kelas data dengan mencari hyperplane terbaik yang memaksimalkan margin antara kelas-kelas tersebut. Dalam konteks ini, SVM akan digunakan untuk mengidentifikasi apakah ada fraktur tulang tibia dan fibula pada citra yang diberikan berdasarkan ciri-ciri yang diekstraksi sebelumnya.

Berikut ini adalah pemrograman MATLAB untuk sistem identifikasi fraktur tulang tibia dan fibula dengan menggunakan Support Vector Machine (SVM).

% Memuat data citra radiografi (contoh: tibia.tif dan fibula.tif)
tibiaImage = imread('tibia.tif');
fibulaImage = imread('fibula.tif');

% Preprocessing Citra
tibiaGray = rgb2gray(tibiaImage);
fibulaGray = rgb2gray(fibulaImage);

% Deteksi Tepi Canny
tibiaEdges = edge(tibiaGray, 'Canny');
fibulaEdges = edge(fibulaGray, 'Canny');

% Segmentasi Citra (contoh: region of interest)
tibiaROI = tibiaEdges(100:300, 150:350); % Sesuaikan dengan ROI yang sesuai
fibulaROI = fibulaEdges(100:300, 150:350); % Sesuaikan dengan ROI yang sesuai

% Ekstraksi Ciri dengan Moment Invariant
tibiaFeatures = momentInvariant(tibiaROI); % Implementasi moment invariant sesuai kebutuhan
fibulaFeatures = momentInvariant(fibulaROI); % Implementasi moment invariant sesuai kebutuhan

% Menyiapkan data latih dan label (0: tidak ada fraktur, 1: ada fraktur)
dataLatih = [tibiaFeatures; fibulaFeatures];
label = [zeros(size(tibiaFeatures, 1), 1); ones(size(fibulaFeatures, 1), 1)];

% Melatih model SVM
svmModel = fitcsvm(dataLatih, label);

% Memuat citra radiografi yang akan diuji (contoh: testImage.tif)
testImage = imread('testImage.tif');

% Preprocessing Citra untuk citra uji
testGray = rgb2gray(testImage);
testEdges = edge(testGray, 'Canny');

% Segmentasi Citra untuk citra uji (sesuaikan dengan ROI yang sesuai)
testROI = testEdges(100:300, 150:350); % Sesuaikan dengan ROI yang sesuai

% Ekstraksi Ciri untuk citra uji
testFeatures = momentInvariant(testROI); % Implementasi moment invariant sesuai kebutuhan

% Menggunakan model SVM untuk klasifikasi
predictedLabel = predict(svmModel, testFeatures);

% Output hasil klasifikasi
if predictedLabel == 0
    fprintf('Tidak ada fraktur tulang tibia dan fibula.\n');
else
    fprintf('Ada fraktur tulang tibia dan fibula.\n');
end

Pengolahan citra merupakan teknologi yang powerful dalam sistem identifikasi fraktur tulang tibia dan fibula. Dengan menggunakan metode deteksi tepi Canny untuk mengidentifikasi tepi, segmentasi citra untuk mengisolasi area fraktur, ekstraksi ciri dengan moment invariant, dan SVM untuk klasifikasi, kita dapat membangun sistem yang efektif untuk membantu dalam diagnosis dan perawatan fraktur tulang. Identifikasi yang cepat dan akurat dapat membantu dalam mempercepat proses perawatan dan meningkatkan hasil pasien.

Source code beserta data lengkap pada pemrograman MATLAB di atas dapat diperoleh melalui halaman berikut ini: Source Code Eksklusif