Deteksi Objek pada Citra Medis Menggunakan Metode Haar Cascade Classifier
Keywords:
Deteksi Objek, Citra Medis, Haar Cascade Classifier, Python, OpenCVAbstract
Deteksi objek dalam citra medis merupakan langkah krusial dalam diagnosa penyakit dan monitoring kondisi pasien. Penelitian ini menginvestigasi penggunaan metode Haar Cascade Classifier untuk mendeteksi objek seperti nodul, tumor, dan kista dalam citra medis. Haar Cascade Classifier menggunakan fitur Haar untuk mengenali pola spesifik dalam gambar dan dapat melakukan deteksi secara real-time. Implementasi metode ini menggunakan bahasa pemrograman Python dan pustaka OpenCV. Dataset yang digunakan terdiri dari citra X-ray, MRI, dan CT scan yang diannotasi secara manual oleh ahli radiologi. Proses eksperimen melibatkan preprocessing citra, pelatihan model, dan evaluasi hasil deteksi dengan metrik seperti akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode ini mampu mendeteksi objek dengan tingkat akurasi yang tinggi, meskipun masih menghadapi tantangan seperti false positives dan false negatives. Untuk peningkatan lebih lanjut, optimasi parameter, augmentasi dataset, dan kombinasi dengan teknik deteksi lainnya seperti deep learning disarankan. Penelitian ini menunjukkan bahwa Haar Cascade Classifier memiliki potensi besar dalam aplikasi klinis untuk meningkatkan akurasi diagnosa dan efisiensi analisis citra medis.
References
Viola, P., & Jones, M. (2001). Rapid Object Detection using a Boosted Cascade of Simple Features. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.
OpenCV Documentation. (2023). Object Detection. Diakses dari: https://docs.opencv.org/4.x/d2/d64/tutorial_table_of_content_objdetect.html
Viola, P., & Jones, M. (2004). Robust Real-Time Face Detection. International Journal of Computer Vision, 57(2), 137-154.
Lienhart, R., & Maydt, J. (2002). An Extended Set of Haar-like Features for Rapid Object Detection. Proceedings of the 2002 International Conference on Image Processing.
OpenCV Documentation. (2023). Image Processing. Diakses dari: https://docs.opencv.org/4.x/d2/d96/tutorial_py_table_of_contents_imgproc.html
Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media.
Suzuki, S., & Be, K. (1985). Topological Structural Analysis of Digitized Binary Images by Border Following. Computer Vision, Graphics, and Image Processing.
Schmid, C., & Mohr, R. (1997). Local Grayvalue Invariants for Image Retrieval. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), 530-535.
