Imej epsitelium manusia jenis kedua (HEp-2) sangat penting dalam pengesanan antinuclear utoantibody (ANA) semasa menjalani diagnosis terhadap penyakit autoimun dalam badan manusia. Umumnya, sel HEp-2 boleh dibahagi kepada enam jenis iaitu Centromere, Nucleolar, Homogeneous, Cytoplasmic, Fine Speckled and Coarse Speckled. Walau bagaimanapun, dalam teknologi semasa, imej HEp-2 hanya boleh dianalisa secara manual dalam ujian immunofluorescence tidak langsung (IIF). Keputusan daripada ujian IIF menunjukkan kebolehubahan yang tinggi dan sangat bergantung kepada pengalaman ahli-ahli pakar fizik. Oleh itu, penyelidikan untuk mengubahsuai ujian IIF secara berdigital telah menarik minat para penyelidik termasuk dalam penyelidikan ini. Segmentasi dan pengekstrakan ciri-ciri daripada imej HEp-2 akan difokus dalam penyelidikan ini. Dalam segmentasi imej HEp-2, kaedah yang sedia
ada gagal menghasilkan keputusan yang memuaskan. Oleh itu, satu kaedah baharu yang terdiri daripada gabungan dua kaedah konvensional iaitu Fuzzy C-Means (FCM) dan thresholding telah dicadangkan. Keputusan menunjukkan imej yang disegmentasi adalah lebih licin, konsisten dan mengandungi hingar yang rendah berbanding dengan keadah lain yang sedia ada. Dalam bahagian pengekstrakan ciri-ciri, kajian ini mengekstrak lima ciri iaitu Contrast, Energy, Correlation, Homogeneity, dan Entropy. Dari keputusan yang diperolehi, lima ciri yang dicadangkan berjaya membezakan corak-corak sel HEp-2. Kesimpulannya, kaedah yang dicadangkan dalam penyelidikan ini menpunyai keupayaan yang tinggi untuk diperkenalkan dalam hospital untuk mengesan penyakit autoimun.
Kaedah yang dicadangkan menpunyai ketepatan yang lebih tinggi dan boleh mengurangkan kelemahan yang terdapat dalam ujian IIF yang sedia ada.
Human Epithelial type 2 (HEp-2) images are important in detecting the antinuclear autoantibody (ANA) in diagnosis of autoimmune disease in human body. Generally, HEp-2 cells can be classified into six main patterns, namely Centromere, Nucleolar, Homogeneous, Cytoplasmic, Fine Speckled and Coarse Speckled. However, in current technology, HEp-2 images can only be analysed manually by indirect
immunofluorescence (IIF) test. The result of IIF test has very high variability and very dependent on the experience of physicists. Therefore, digitalize the IIF test becomes the new interest to researchers as well as in this research, where segmentation and features extraction of HEp-2 images will be focused. In segmentation of HEp-2 images, the current state-of-the-art techniques failed to provide a satisfied segmented result. Therefore, a combination of two conventional methods (i.e. Fuzzy C-Means (FCM)
clustering and thresholding) has been proposed in this study. From the result, the segmented images are smoother, more consistent and with lesser noises compared to other state-of-the-art methods. In feature extraction stage, this study proposes to extract five features, which are Contrast, Energy, Correlation, Homogeneity, and Entropy. Based on the results obtained, the five proposed features can successfully differentiate the staining patterns of HEp-2 cells. In short, the proposed methods in this research have
high capability to be introduced in hospital for detection of HEp-2 images for autoimmune disease. The proposed method has been proven with higher accuracy which can reduce the shortcoming of the existing IIF test.
Segmentation of region of interest and extraction of significant features for hep-2 images_ Khaw Wil Bond_E3_2017_MFAR