Menurut [1] Pencitraan medis mengacu pada teknik dan proses yang memanfaatkan citra tubuh manusia (atau bagiannya) untuk berbagai keperluan klinis seperti prosedur medis dan diagnosis termasuk studi tentang anatomi dan fungsi. Dalam arti yang lebih luas, Pencitraan medis adalah bagian dari pencitraan biologis dan menggabungkan radiologi, endoskopi, termografi, fotografi medis, dan mikroskop. Medical image processing merupakan salah satu bidang yang sangat menantang belakangan ini, dengan adanya peningkatan dan kemajuan dalam hal pengetahuan dan teknologi di bidang Kesehatan terutama dalam hal citra medis semakin memudahkan tenaga Kesehatan dalam melakukan diagnosis. Namun untuk mendapatkan hasil diagnosis yang akurat masih menjadi masalah yang belum bisa dicapai dengan mudah. Menurut [2] secara sederhana tahapan image processing dibagi menjadi tiga, yaitu (1) Mengimpor gambar dengan pemindai optik atau digital fotografi, (2) Menganalisis dan memanipulasi gambar yang meliputi kompresi data dan peningkatan gambar, (3) Output adalah tahap terakhir di mana hasil dapat diubah menjadi gambar atau laporan yang didasarkan pada analisis gambar.
Dalam kajian literaturnya [3] membuat ringkasan karakteristik modalitas pencitraan yang ditunjukkan pada Tabel 1. Medical image processing juga tidak terlepas dari peran AI (Artificial Intelligence), lebih lanjut [3] menjelaskan AI banyak diterapkan untuk feature analysis, machine learning, deep learning untuk segmentasi dan klasifikasi. Tujuan penerapan AI dalam pengolahan citra medis adalah dalam upaya untuk meningkatkan akurasi hasil diagnosis, ketepatan waktu prognosis, perencanaan pengobatan yang efektif dan presisi.
Tabel 1 karakteristik modalitas pencitraan
| Jenis | Teknologi | Anatomi | Dimensi | Harga per Pemindaian | Ruang Penyimpanan yang Dibutuhkan |
| X-ray | Menghasilkan gambar dengan mengukur atenuasi Sinar-X yang menembus tubuh, melalui detector array | Most organs | 2D, 2D+t | $15-385 | Up to ~1GB |
| CT | Membuat gambar penampang tubuh 2D dengan menggunakan sumber dan detektor sinar-X berputar | Most organs | 2D, 3D, 4D | $57-385 | Up to 10s of GBs |
| Ultrasound | Array transducer memancarkan pulsa akustik dan mengukur gema dari hamburan jaringan | Most organs | 2D, 2D+t, 3D, 4D | $57-230, $633-1483 (with endoscope) | Up to GBs |
| MRI | Menggunakan medan magnet untuk menyelaraskan atom; pulsa RF kemudian digunakan untuk membangkitkan molekul untuk mengukur lokasi di dalam tubuh | Most organs | 3D, 4D | $32-691 | Up to 10s of GBs |
| Nuclear | Mengukur emisi sinar gamma melalui peluruhan radioisotop yang dimasukkan ke dalam tubuh melalui detector eksternal/kamera Gamma | Semua organ dengan serapan pelacak radioaktif | 2D, 3D, 4D | $182-1375 | Up to GBs |
| Microscopy | Biasanya menggunakan sumber iluminasi dan lensa untuk perbesar spesimen sebelum mengambil gambar | Primarily biopsies dan spesimen bedah | 2D, 3D, 4D | $248-482, $642-1483 (with endoscope) | Can be >1TB |
Penerapan metode interpolasi untuk meningkatkan hasil pengolahan citra medis juga banyak dilakukan. Menurut [4], Interpolasi citra digital memegang peranan penting dalam manipulasi geometris dari sebuah citra digital. Interpolasi berkaitan erat dengan proses pemetaan piksel-piksel baik secara forward maupun reverse. Dalam sebuah kajian literatur terkait metode interpolasi [5] menjelaskan terdapat 11 metode interpolasi yang umum digunakan yaitu, (1) Interpolasi Ideal, (2) Interpolasi Sinc, (3) Interpolasi Nearest Neighbor, (4) Interpolasi Linear, (5) Quadratic Approximation, (5) Quadratic Interpolation, (6) B-Spline Approximation, (7) Interpolasi B-Spline, (8) Interpolasi Cubic, (9) Metode Mitchell and Netravali, (10) Interpolasi Lagrange, dan (11) Interpolasi Gaussian. Hasil percobaan menunjukkan interpolasi cubic menghasilkan performa yang superior dibandingkan metode interpolasi lainnya [5].
Image segmentation juga memegang peranan penting dalam pengolahan citra medis, Segmentasi adalah proses mempartisi citra digital menjadi beberapa segmen (set piksel, juga dikenal sebagai superpixels). Tujuan dari segmentasi adalah untuk menyederhanakan dan / atau mengubah penyajian gambar ke sesuatu yang lebih bermakna dan lebih mudah untuk menganalisis [6]. Metode segmentasi yang umum digunakan antara lain, (1) Metode Edge Detection, (2) Metode Thresholding, Threshold adalah salah satu metode yang banyak digunakan untuk segmentasi citra yang bekerja dengan cara mendiskriminasi foreground dan background, (3) Metode Region Based, region dalam citra adalah sekelompok piksel yang terhubung dengan sifat serupa. Dalam pendekatan region, masing-masing piksel ditugaskan ke objek atau wilayah tertentu [7].
Peningkatan citra medis (image enhancement) adalah cara yang efektif untuk meningkatkan kualitas visual citra medis digital tujuannya adalah untuk meningkatkan akurasi analisis citra. Pada penelitian [8] mencoba membandingkan metode linear dan nonlinear untuk meningkatkan kualitas citra. Metode linear dan nonlinear pada image enhancement merupakan metode yang paling umum digunakan, pada metode linear peningkatan kualitas citra berdasarkan nilai tetangga piksel pada citra tersebut sebaliknya metode nonlinear tidak melibatkan nilai piksel tetangga. Peningkatan kualitas citra juga dilakukan dengan memanfaatkan metode deep learning [9].
Berbagai macam upaya untuk memperbaiki akurasi hasil analisis citra medis adalah upaya untuk memberikan sistem pendukung keputusan yang akurat bagi para ahli medis, dengan harapan dapat mengurangi human error dan penilaian yang subjektif. Tidak ada hentinya para ilmuwan menemukan metode baru di bidang citra medis karena tidak dapat dipungkiri era digital juga sangat mempengaruhi teknologi peralatan medis, dan digitalisasi hasil screening dalam bentuk citra medis tentu saja peluang dan sekaligus tantangan yang harus dimanfaatkan, demi meningkatkan kualitas Kesehatan manusia.
Referensi
[1] D. Ganguly, S. Chakraborty, M. Balitanas, and T. Kim, “Medical Imaging: A Review,” in Security-Enriched Urban Computing and Smart Grid, vol. 78, T. Kim, A. Stoica, and R.-S. Chang, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010, pp. 504–516. doi: 10.1007/978-3-642-16444-6_63.
[2] D. K. Sakthivel, B. R. Swathi, S. V. Priyan, and C. Yokesh, “Analysis of Medical Image Processing and its Application in Healthcare,” Int. J. Adv. Eng. Res. Sci., vol. 3, no. 2.
[3] A. S. Panayides et al., “AI in Medical Imaging Informatics: Current Challenges and Future Directions,” IEEE J. Biomed. Health Inform., vol. 24, no. 7, pp. 1837–1857, Jul. 2020, doi: 10.1109/JBHI.2020.2991043.
[4] S. Hadi, “METODE INTERPOLASI DAN IMPLEMENTASINYA DALAM CITRA DIGITAL”.
[5] T. M. Lehmann, C. Gonner, and K. Spitzer, “Survey: interpolation methods in medical image processing,” IEEE Trans. Med. Imaging, vol. 18, no. 11, pp. 1049–1075, Nov. 1999, doi: 10.1109/42.816070.
[6] M. Maciejewski, W. Surtel, B. Maciejewska, and T. Małecka-Massalska, “Level-set image processing methods in medical image segmentation,” Bio-Algorithms Med-Syst., vol. 11, no. 1, Jan. 2015, doi: 10.1515/bams-2014-0017.
[7] M. J. Kumar, D. G. R. Kumar, and R. V. K. Reddy, “REVIEW ON IMAGE SEGMENTATION TECHNIQUES,” vol. 3, no. 6, 2014.
[8] Zhou Zhao and Y. Zhou, “Comparative study of logarithmic image processing models for medical image enhancement,” in 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC), Budapest, Hungary, Oct. 2016, pp. 001046–001050. doi: 10.1109/SMC.2016.7844380. [9] Y. Qi, Y. Guo, and Y. Wang, “Image Quality Enhancement Using a Deep Neural Network for Plane Wave Medical Ultrasound Imaging,” IEEE Trans. Ultrason. Ferroelectr. Freq. Control, vol. 68, no. 4, pp. 926–934, Apr. 2021, doi: 10.1109/TUFFC.2020.3023154.
Oleh : Elvira Sukma Wahyuni
