Projek yang dijalankan adalah bertajuk ‘Pengekstrakan Ciri-Ciri Sel Barah daripada Pangkal Rahim Secara Semi-automasi’. Projek ini adalah bertujuan untuk menghasilkan perisian yang mesra pengguna yang boleh memproses imej digital palitan Pap. Proses diagnosis secara “cytological” melalui ujian palitan Pap merupakan kaedah yang paling berkesan dalam pengesanan awal barah pangkal rahim. Sampel ujian palitan Pap akan melalui proses seterusnya di mana ia akan dianalisis supaya sel-sel yang tidak normal dapat dikesan pada peringkat awal lagi. Proses pengesanan sel-sel yang tidak normal boleh menjadi lebih sukar sekiranya imej palitan Pap tersebut kabur dan mempunyai kesan hingar yang tinggi. Kekurangan dalam imej palitan Pap tersebut dipercayai dapat dikurangkan melalui dua kaedah pengelompokan iaitu adaptive fuzzy c-means (AFCM) dan moving k-means (MKM). Kedua-dua jenis kaedah pengelompokan tersebut telah digunakan dalam sistem yang dibina untuk meruas imej digital palitan Pap. Imej digital palitan Pap yang telah diruas akan diekstrak ciri-cirinya dengan menggunakan teknik pengekstrakan iaitu region growing based feature extraction (RGBFE). Kedua-dua teknik peruasan telah diuji ke atas 6 imej digital palitan Pap. Daripada keputusan yang diperolehi, didapati MKM telah menunjukkan kebolehan peruasan imej digital palitan Pap yang tinggi berbanding AFCM. AFCM telah menghadapi masalah pertindihan pusat bersama masalah pusat akhir yang kurang baik dalam kebanyakan keadaan. Namun begitu, AFCM telah memaparkan satu kelebihan berbanding MKM di mana ia tidak sensitif kepada nilai pusat awal.
_________________________________________________________________________________________
This project is entitled ‘Semi-automatic Features Extraction of Cervical Cells’. The project is aimed to create a user friendly software which can be able to analyze Pap smear images via image processing. Cytological screening using the Pap smear test is the most effective strategy for the detection of precancerous state and consequent control of cervical cancer. Cytological samples that are taken from Pap smear test will undergo further analysis to detect the degree of abnormality of the cervical cells. The results of the abnormality of the samples can be inaccurate since some types of the medical images are blurring and highly affected by unwanted noise. Those bottlenecks in the medical images are believed that can be reduced via implementations of an adaptive fuzzy c-means (AFCM) and moving k-means (MKM) clustering techniques. These clustering techniques were used to segment the Pap smear images and later the features of the cells were extracted using region growing based feature extraction (RGBFE) technique. The performance of AFCM and MKM were analyzed based on the segmentation results of 6 Pap smear images. In overall, MKM was produced much better images than AFCM. Although the results have revealed that AFCM was suffering from centre redundancy and poor final centres in most of the cases, but it has also shown an advantage over MKM where AFCM was not sensitive to initial centres.
Semi-automatic features extraction of cervical cells_Veerayen Mohanadas_E3_2005_NI