Detections of White Blood Cell Areas in Unstained Blood Smear Images using Morphological Techniques

Lina Lina, Michelle Augustine, Arlends Chris

Abstract


Diagnosis penyakit melalui analisis terhadap sel darah putih sangat bermanfaat dalam bidang medis. Seiring dengan kemajuan teknologi, proses analisis terhadap sel darah putih secara otomatis semakin banyak dikembangkan. Namun demikian, selama ini proses pendeteksian sel darah putih umumnya menggunakan preparat yang telah diwarnai terlebih dahulu untuk memperjelas lokasi keberadaan sel darah putih. Proses pewarnaan preparat membutuhkan waktu dan biaya yang cukup tinggi. Dalam penelitian yang dikembangkan, citra masukan bagi sistem adalah citra preparat yang tidak melalui proses pewarnaan sama sekali. Selanjutnya proses pendeteksian area sel darah putih dimulai dengan tahapan pre-processing untuk pengolahan domain warna citra, penghalusan citra, penajaman citra, serta teknik morfologi. Tahapan berikutnya adalah melakukan eliminasi area sel darah merah dari citra hasil pre-processing menggunakan metode transformasi watershed. Selanjutnya, tahapan post-processing dilakukan menggunakan teknik dilasi dan ekstraksi fitur berdasarkan perhitungan nilai karakteristik ukuran dan rasio setiap area yang tersisa. Luaran yang dihasilkan oleh sistem berupa hasil deteksi area citra yang mengandung sel darah putih saja. Sistem yang dikembangkan kemudian diujicobakan terhadap 167 data citra sel darah. Hasil eksperimen menunjukkan bahwa sistem mampu menghilangkan area sel darah merah dari citra preparat tanpa pewarnaan hingga 97%, namun rata-rata tingkat akurasi pendeteksian sistem belum optimal yaitu 46.13% dari jumlah citra uji.


Keywords


Deteksi Sel Darah Putih; Preparat tanpa Pewarnaan; Operasi Morfologi; Otsu Thresholding; Watershed.

Full Text:

PDF

References


J. Rodellar, S. Alferez, A. Acevedo, A. Molina, and A. Merino, “Image Processing and Machine Learning in the Morphological Analysis of Blood Cells,” International Journal of Laboratory Hematology, vol. 40, no. 1, pp.46-53, 2018.

P. S. Hiremath, P. Bannigidad, and S. Geeta, “Automated Identification and Classification of White Blood Cells (Leukocytes) in Digital Microscopic Images,” IJCA Special Issue on “Recent Trends in Image Processing and Pattern Recognition” RTIPPR, pp. 59-63, 2010.

L. Lina, D. Reynaldo, D. Danny, and A. Chris, “White Blood Cells Detection from Unstained Microscopic Images using Modified Watershed Segmentation,” International Journal of Computer Science, vol. 48, no. 4, pp. 1151-1161, 2021.

M. Z. Othman, T. S. Mohammed, and A. B. Ali, “Neural Network Classification of White Blood Cell using Microscopic Images,” International Journal of Advanced Computer Science and Applications, vol. 8 no. 5, pp. 99-104, 2017, doi: 10.14569/IJACSA.2017.080513.

A. Acevedo, S. Alferez, A. Merino, L. Puigvi, and J. Rodellar, “Recognition of Peripheral Blood Cell Images using Convolutional Neural Network,” Computer Methods and Programs in Biomedicine, vol. 180, 105020, 2019.

U. Ahmad, “Pengolahan Citra Digital & Teknik Pemrogramannya,” Graha Ilmu, Yogyakarta, 2005.

R. C. Gonzales and R. E. Woods, “Digital Image Processing,” 3rd Edition, Prentice Hall, New Jersey, 2008.

D.A. Prabowo and D. Abdullah, “Deteksi dan perhitungan objek berdasarkan warna menggunakan Color Object Tracking,” Pseudocode, vol. 5, no. 2, pp.85-91, 2018, doi: 10.33369/pseudocode.5.2.85-91.

S. I. Syafi’I, R. T. Wahyuningrum and A. Muntasa, “Segmentasi Obyek Pada Citra Digital Menggunakan Metode Otsu Thresholding,” Jurnal Informatika, vol. 13, no. 1, pp. 1-8, 2015.

N. M. Sobhy, N. M. Salem, and M. E. Dosoky, “A Comparative Study of White Blood cells Segmentation using Otsu Threshold and Watershed Transformation,” Journal of Biomedical Engineering and Medical Imaging, vol. 3, no. 3, pp. 15, 2016, doi: 10.14738/jbemi.33.2078.

G. Poshamallu, “Binary Image Processing Implementation on FPGA Using Morphological Dilation and Erosion Techniques,” International Journal of Engineering Science and Computing, vol. 6, no. 4, pp.4280-4283, 2016.

J. B. Roerdink, and A. Meijster, “The Watershed Transform: Definitions, Algorithms and Parallelization Strategies,” Fundamenta informaticae, vol.41, no. 1, 2, pp 187-228, 2000, doi: 10.3233/FI-2000-411207.




DOI: https://doi.org/10.24114/cess.v7i2.35849

Article Metrics

Abstract view : 355 times
PDF - 230 times

Refbacks



Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

CESS (Journal of Computer Engineering, System and Science)

Creative Commons License
CESS (Journal of Computer Engineering, System and Science) is licensed under a Creative Commons Attribution 4.0 International License