Perpustakaan Digital ITB

Salah satu aplikasi Gaussian Mixture Model (GMM) yang cukup berhasil adalah dalam segmentasi citra. Aplikasi GMM mengasumsikan independensi antar piksel sehingga memungkinkan noise terklasterkan pada Region of Interest (ROI). Untuk menanggulangi hal tersebut banyak riset melakukan integrasi informasi spasial ke dalam model dengan pendekataan Markov Random Field (MRF). Dalam penelitian ini dilakukan segmentasi citra MRI otak menggunakan Spatially Variant Finite Mixture Model (SVFMM) dengan setiap komponen mixture berdistribusi Gaussian sehingga dalam penelitian ini akan disebut dengan Spatially Constrained Gaussian Mixture Model (SCGMM). Metode optimasi yang digunakan berupaya melakukan estimasi parameter dan pemilihan model secara simultan sehingga mengarah kepada otomatisasi segmentasi citra. Untuk tujuan tersebut algoritma Reversible Jump Markov Chain Monte Carlo (RJMCMC) digunakan dengan alasan bahwa metode ini mampu menentukan jumlah komponen mixture yang tidak diketahui secara pasti. Segmentasi citra dilakukan terhadap 30 citra MRI otak dengan tujuan mendeteksi eksistensi tumor otak sebagai tahap awal dalam diagnosis tumor otak dengan sistem Computer Aided Disgnosis (CAD). Hasil segmentasi citra berbasis SCGMM dengan optimasi menggunakan algoritma RJMCMC ini dibandingkan dengan metode segmentasi SVFMM dengan optimasi menggunakan algoritma Expectation Maximization (EM). Validasi hasil segmentasi diukur dengan nilai Missclassification Ratio (MCR) dalam range 0 hingga 1. Hasil percobaan menunjukan secara statistik metode SCGMM dengan optimasi RJMCMC lebih unggul dalam akurasi segmentasi, hal ini ditunjukan melalui uji dua rata-rata dengan variabel nilai MCR diperoleh nilai T-value = 1,85 lebih besar dari nilai dari = 1,699 dan nilai P-value lebih besar dari 0,05.