Palitan Pap adalah satu teknik konvensional yang digunakan untuk memeriksa
peringkat sel pangkal rahim. Walau bagaimanapun, kesilapan teknikal seperti teknik
persampelan yang kurang sesuai, alat persampelan yang tidak sesuai, dan kesilapan
manusia seperti keletihan mata, keletihan, dan lain-lain berkemungkinan akan berlaku
disebabkan oleh pemeriksaan manual. Oleh itu, peruasan imej dan pengekstrakan ciri
untuk imej sel pangkal rahim dibangunkan untuk membantu ahli patologi semasa proses
diagnosis. Peruasan imej adalah satu proses yang membahagikan imej kepada beberapa
kawasan berdasarkan ciri tekstur yang sama. Teknik peruasan berdasarkan tiga
algoritma pengelompokan, iaitu Purata-K (KM), Penyesuaian Purata-K (AKM), dan
Purata-C Fuzi (FCM) telah dicadangkan dan yang terbaik akan dipilih untuk bergabung
dengan operasi morfologi untuk membahagikan sel pangkal rahim kepada tiga kawasan,
iaitu nukleus, sitoplasma dan latar belakang. Analisis kualitatif membuktikan bahawa
peruasan berdasarkan algoritma pengelompokan dengan operasi morfologi mampu
meruaskan sel pangkal rahim kepada tiga kawasan tersebut. Hasil uji kaji menunjukkan
bahawa daripada tiga teknik peruasan tersebut, AKM menunjukkan prestasi yang
terbaik kerana ia mampu meruaskan ketiga-tiga kategori sel pangkal rahim lebih baik
daripada KM dan FCM. Ia meruaskan imej lebih baik daripada KM dan FCM dengan
menunjukkan kesilapan pada kawasan salah berkelompok yang lebih rendah.
Pengekstrakan ciri dilakukan untuk mengeluarkan ciri-ciri yang mengandungi maklumat
penting daripada imej yang telah diruaskan. Lima ciri-ciri, iaitu saiz nucleus, saiz
sitoplasma, tahap kelabu nucleus, tahap kelabu sitoplasma dan nisbah nukleositoplasma
diekstrak daripada imej yang telah diruas. Analisis kuantitatif dijalankan bagi menilai
prestasi ciri-ciri yang telah diekstrak. Ciri-ciri yang diekstrak akan dinilai bagi
menentukan keupayaannya untuk dilatih sebagai atribut kepada Sokongan Mesin Vektor
(SVM), untuk mengelaskan sel pangkal rahim kepada tiga kategori iaitu, Normal, Gred-
Rendah Squamous Intraepithelial Luka (LSIL), dan Gred-Tinggi Squamous
Intraepithelial Luka (HSIL). Berdasarkan keputusan klasifikasi, jenis atribut dengan
ketepatan yang lebih daripada 90% akan digabung dan diuji untuk mengelaskan sel
pangkal rahim. Keputusan ini menunjukkan ketepatan yang tinggi untuk tiga jenis
atribut iaitu, saiz nucleus, saiz sitoplasma, dan tahap kelabu sitoplasma. Atribut
gabuangan yang digunakam untuk proses pengelasan menunjukkan hasil yang baik
dengan ketepatan yang tinggi. Penemuan ini menunjukkan bahawa peruasan
berdasarkan algoritma pengelompokan dengan operasi morfologi dan pengekstrakan ciri
mempunyai potensi yang tinggi untuk diaplikasikan pada masa depan.
_______________________________________________________________________________________________________
Pap smear is a conventional technique used to examine cervical cell stages.
However, technical error such as poor sampling technique, inappropriate sampling tools,
and human error such as eye fatigue, tiredness, etc. tend to occur due to manual
inspection. Thus, image segmentation and feature extraction technique for cervical cell
images is developed in this study to assist pathologist during diagnosis process. Image
segmentation is a process which divides an image into region of interest (ROI) with
homogenous texture. A segmentation technique based on three clustering algorithms,
namely K-Means (KM), Adaptive K-Means (AKM), and Fuzzy C-Means (FCM) are
proposed and the best will be chosen to be combined with morphological operations in
order to segment cervical cell into three regions, namely nucleus, cytoplasm and
background. Qualitative analysis proves that segmentation based on clustering
algorithms with morphological operations is able to segment cervical cell into three ROI.
Experimental results show that out of the three segmentation techniques, AKM
performed the best as it is able to segment the three categories of cervical cell better
than KM and FCM. It performs better than KM and FCM with lower error of wrongly
clustered regions. From the segmented images, feature extraction is employed to extract
features with significant information. Five features, namely size of nucleus, size of
cytoplasm, average gray level of nucleus, average gray level of cytoplasm and
nucleocytoplasmic ratio is extracted from the segmented image. Quantitative analysis
is employed to evaluate the performance of feature extraction process. Each of the
extracted features will be evaluated by determining its capability to be used as attributes
for Support Vector Machines (SVM), to classify cervical cell into Normal, Low-Grade
Squamous Intraepithelial Lesion (LSIL), and High-Grade Squamous Intraepithelial
Lesion (HSIL). From the result of classification, the types of attribute with accuracy
which more than 90% are combined and tested to classify the type of cervical cell. The
results show high accuracy for three attributes, namely the size of nucleus, size of
cytoplasm, and cytoplasm gray level. These three attributes are combined and tested.
The combined attributes which are used for classification process show a good result
with high accuracy. These findings suggest that segmentation based on clustering
algorithm with morphological operations and feature extraction has high potential for
future work.
Development of image segmentation and feature extraction technique for cervical cell images / Tan Yi Hui