Pengembangan Automated Image Analysis untuk Menentukan Jumlah Bakteri Tahan Asam (BTA) pada Kasus Tubercolosis

Penulis

Safri Adam, Puji Astuti, Puspa Amalia, Fadli Sukandiarsyah

Abstrak

Diagnosis TB (tuberculosis) oleh tenaga kesehatan menjadi kunci penting dalam menemukan pasien baru TB. Diagnosis umum yang digunakan di Fasilitas Kesehatan (Faskes) TK 1 seperti puskesmas dilakukan dengan cara mewarnai spesimen dahak penderita dengan metode Ziehl-Neelsen untuk mendeteksi keberadaan Bakteri Tahan Asam seperti Mycobaterium tuberculosis penyebab TB. Namun pada praktiknya, penghitungan manual dengan bidang pandang terbatas pada mikroskop membutuhkan waktu pengerjaan yang cukup panjang. Dimasa pandemi covid19, efisiensi pengerjaan diagnosis harian termasuk pemeriksaan BTA harus ditingkatkan karena keterbatasan tenaga ATLM dilapangan yang turut bekerja menghadapi Covid19. Maka, pada penelitian ini akan dikembangkan sebuah automated image analysis, atau analisis citra secara otomatis yang dapat menghitung jumlah bakteri yang tampak pada mikroskop. Proses pembuatan apusan BTA didapat 3 preparat yang menghasilkan data citra sebanyak total 171 citra. Noise pada citra dapat diatasi menggunakan metode CLAHE untuk memperbaiki kontras. Metode untuk pengolahan citra digital yang digunakan yaitu segmentasi HCA (Hiearcical Cluster Analysis) untuk memisahkah objek BTA dengan latar belakang. Hasil segmentasi dilakukan proses operasi morfologi untuk menghilangkan objek kecil selain objek BTA yang bekerja baik pada citra biner untuk mempermudah perhitungan jumlah bakteri. Metode HCA yang dikombinasikan dengan strategi seleksi objek dapat melakukan segmentasi objek BTA dengan baik. Hasil evaluasi menunjukkan RMSE (Root Mean Square Error) sebesar 2.484  yang didapat pada saat threshold 0.11.

 

Abstract

Diagnosis of TB (tuberculosis) by health workers is an important key in finding new TB patients. The general diagnosis used in TK 1 Health Facilities (Faskes) is carried out by revealing a patient's sputum specimen using the Ziehl-Neelsen method to detect the presence of acid-fast bacteria such as Mycobacterium tuberculosis, which causes TB. However, in practice, manual calculations with a limited field of view on a microscope require a fairly long processing time. During the covid19 pandemic, the efficiency of daily diagnostic work including BTA examinations must be increased due to the limited ATLM personnel in the field who are also working to deal with Covid19. So in this research, an automated image analysis application will be proposed that can count the number of bacteria that appear on a microscope. The process of making smears of AFB obtained 3 preparations which produced a total of 171 images of image data. Noise in the image can be overcome using the gaussian blur filter and the CLAHE method to improve contrast. The method for digital image processing is the HCA (Hiearcical Cluster Analysis) segmentation method to separate BTA objects from the background. Pre-processed segmentation results using morphological operations that work well on binary images to simplify the calculation of the number of bacteria. The HCA method combined with the object selection strategy can segment BTA objects well. The evaluation results show an RMSE (Root Mean Squere Error) of 2,484 obtained at the 0.11 . threshold

Teks Lengkap:

PDF

Referensi


ADAM, S. AND ARIFIN, A.Z., 2020. Separation Of Overlapping Object Segmentation Using Level Set With Automatic Initalization On Dental Panoramic Radiograph. Jurnal Ilmu Komputer dan Informasi, 13(1), p.25. https://doi.org/10.21609/jiki.v13i1.806.

ALHAM, D. S., & HERUMURTI, D. 2019. Segmentasi Dan Perhitungan Sel Darah Putih Menggunakan Operasi Morfologi Dan Transformasi Watershed. INFORMAL: Informatics Journal, 4(2), 59. https://doi.org/10.19184/isj.v4i2.13347

AL-KOBAISI, M. F. 2007. Jawetz, Melnick & Adelberg’s Medical Microbiology 24th Edition. Sultan Qaboos University Medical Journal [SQUMJ], 7(3), 273–275.

https://journals.squ.edu.om/index.php/squmj/article/view/1338

ARIFIN, A.Z. AND ASANO, A., 2006. Image segmentation by histogram thresholding using hierarchical cluster analysis. Pattern Recognition Letters, 27(13), pp.1515–1521. https://doi.org/10.1016/j.patrec.2006.02.022.

BRYANTS, A. AND SURAHMAN, H., 2015. Skrining Bakteri Tb Menggunakan Pengolah Citra Digital. 02(01), p.5.

GIRSANG, M., PARTAKUSUMA, L.G., LESHTIOWATI, D. AND ERNA, 2006. Penilaian Mikroskopis Bakteri Tahan Asam (BTA) menurut skala internasional Union Association Lung Tuberculosis Disease (IUALTD) di Instalasi Laboratorium Mikrobiologi RS Persahabatan Jakarta. Media Litbang Kesehatan XVI, 3, pp.42–48.

GONZALEZ, R.C. AND WOODS, R.E., 2018. Digital image processing. New York, NY: Pearson.

HANGGORO, A. Y., SUWARNI, L., SELVIANA, S., & MAWARDI, M. 2020. Dampak Psikologis Pandemi Covid-19 pada Tenaga Kesehatan: A Studi Cross-Sectional di Kota Pontianak. Jurnal Kesehatan Masyarakat Indonesia, 15(2), 13. https://doi.org/10.26714/jkmi.15.2.2020.13-18

KALMA, 2018. Perbandingan Hasil Pemeriksaan Basil Tahan Asam Antara Spesimen Dahak Langsung Diperiksa Denga Ditunda 24 Jam. Jurnal Media Analis Kesehatan, 9(2), pp.130–135.

MACNEIL, A., 2019. Global Epidemiology of Tuberculosis and Progress Toward Achieving Global Targets — 2017. MMWR. Morbidity and Mortality Weekly Report, [online] 68. https://doi.org/10.15585/mmwr.mm6811a3.

MIRNASARI, N. AND ADI, K., 2013. Aplikasi Metode Otsu Untuk Identifikasi Bakteri Tuberkulosis Secara Otomatis. 2(1), p.8.

PINGGIAN, B., OPOD, H., & DAVID, L. (2021). Dampak Psikologis Tenaga Kesehatan Selama Pandemi COVID-19. Jurnal Biomedik : Jbm, 13(2), 144–151. https://doi.org/10.35790/jbm.13.2.2021.31806

SANTOSO, M. D. Y. 2021. FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN BURNOUT PADA TENAGA KESEHATAN DALAM SITUASI PANDEMI COVID-19. JURNAL KEPERAWATAN TROPIS PAPUA, 04, 1–9.

SUTARIAWAN, I. P. E., DATES, G. R., & ARYANTO, K. Y. E. 2018. Segmentasi Mata Katarak pada Citra Medis Menggunakan Metode Operasi Morfologi. Jurnal Ilmu Komputer Indonesia, 3(1), 23–31.

SUTARIAWAN, I. P. E., DATES, G. R., & ARYANTO, K. Y. E. (2018). Segmentasi Mata Katarak pada Citra Medis Menggunakan Metode Operasi Morfologi. Jurnal Ilmu Komputer Indonesia, 3(1), 23–31.

WHO, 2020. tuberculosis. Available at: [Accessed 11 Mar. 2021].

ZUIDERVELD, K. 2013. Contrast Limited Adaptive Histogram Equalization. In Graphics Gems. Academic Press, Inc. https://doi.org/10.1016/b978-0-12-336156-1.50061-6




DOI: http://dx.doi.org/10.25126/jtiik.2022945805