Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   1 3 ,  No.   2 ,  Febr uar y   201 9 , pp.  837 ~844   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 2 .pp 837 - 8 44          837       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Sh ape analysis f or classif icat i on o f breast  nodu les on digit al  ultrasou nd  images       Ha n un g Adi  Nugro ho 1 ,  He sti Kh uz aima h Nurul  Yu su fiy ah 2 , Te guh  Bhar ata Adj i 3 ,   Widhi a  K.Z   O kt oe berz a 4   1 , 2 , 3, 4 Depa rtment   of  Elec tr ical Eng ine er ing  and   Inf orm at ion  T ec hn olog y ,   Fa cul t y   o f  Engi n ee ring ,    Univer sita s Gad j ah  Mada ,   Yog y a kar ta,  Indon esia .   2 Depa rtment of  Ph y sic, Fac u lty   of  Scie n ce a nd   T ec hnolog y ,   UIN   W al isongo Semara ng,   Indone sia .   4 Depa rtment of I nf orm at ic s,   Facu lty   of   Engi n ee r in g,   Univer si ta s B engkul u,   Indone sia .       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Sep  14 , 201 8   Re vised  N ov 15 , 2 018   Accepte d  Nov 29 , 201 8       One  of  the   i m agi ng  m odal ities  for  ea r l y   det e ct ion  of  br ea st  c ancer   m al igna nc y   is  ul tra sonograph y   ( US G).   The   m al igna nc y   c an  be  a naly s ed  from   the   ch aract er isti c  of  nodule  sha pe.   Th is  stud y   a ims   to  deve lop  a  m et hod  for   cl assif y ing  the   s hape   of  br ea st   n odule   in to  two  c la ss es,   namel y   r egul ar   and  irre gul ar  cl asses.   The   input   image  is  pre - proc esse d  b y   using  the   c om bina ti on   of  ada p ti ve   m edi an  fi lter  and   spec kl e  red u ction  bil atera l  fi lt e rin g  (SRB F)  to   red uce   spec k le   noises  and  to  el iminat e  th e  image  la b el.   After wards,  the  fil tered  image  i s  segm ent ed  base d  on  ac ti ve  c ontour  foll owed   b y   fea tur e   ext ra ct ion   proc e ss .   Nine  ex tract ed  fe at ur es,   i . e .   roundne ss ,   sli m ness  and  seve n  feature s  o f  inva ri ant   m om ent s,  ar e  used  to   cl assif y   nodul e  shape   using  m ult i - lay e r  per c ept ron  (MLP).   The   pe rform ance  of  th e  propose d  m et hod  is  eva lu at ed   using  105  bre ast  nodu l e  images  which   comprise  of  57  r egul ar  and  48  irre gula r  nod ule   images.   The  result s  of  cl assific a ti on  proc ess  ac hi eve   th e   le ve l  of  accura c y ,   sensi ti vi t y   an d  spec ifi c ity   a t  9 6. 20%,   97. 90 %  and  94. 70% ,   respe ctively .   Th ese   result s  ind icate   tha t  the   pro posed  m et h od  succ essfu l l y   cl assifi es  the breast  nodul e  imag e s ba sed  on   shape   anal y s is.   Ke yw or d s :   Breast  n odules   Invar ia nt m o m ents   Sh a pe  a naly sis   Ultraso und i m age     Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   Hanu ng Adi  N ugr oho ,   Dep a rtm ent o f El ect rical  En gi neer i ng and  Inf or m at ion  Tec hnol og y,   Faculty  of E ngineerin g, U nive rsita s G a djah   Ma da,   Jl. Grafi ka 2  K a m pu s  UG M , Yo gyaka rta  55281, I ndonesi a.     Em a il :  adinu gr oho @ugm .ac.id       1.   INTROD U CTION   Nowa days,  t he   ultras ound  e xam inati on   re sul ts  hav e   a  lo w   accu racy  rate   of  diag no sis   du e   to  t he  diff e re nt  inter pr et at io ns   of   s onogram   read i ng s   am on g  radi olo gists.  This   issue  is  cau se d  by  t he  prese nce  of   sp ec kle  noise   in  the  s onogr a m   i m age  [1 ,  2] .  Ther e f or e,   a   decisi on  s upport  syst em   that  can  m ini m is e  the  diff e re nces  a m on g  ra dio lo gist  interp reta ti on s  is  deem ed  nece ssary  to  obj ect i vely   disti nguish   be tween     ben i gn  an d  m al ign ant  nodule s.  A   c om pu te r  ai ded   dia gnos i s  (CA D )  has  be en  dev el oped   to  assist   ra di olo gists  in   m aking   a  diag nosis  in  wh ic h  the  res ults  of   CA D  are  able  to  prov i de  an  ob j e ct ive  inform ation   t o  rad i ologist s [ 1] . Th e g e ner al  principle o f  CA D  co ns ist s o f  the f ollo wing st ages: p re - pr oce ssing, seg m entat ion ,  featur e  ex t racti on and  featu re  sel ect ion  a nd the  cl assifi cat io n.     Var i ou s  resear ch  w orks  relat ed  to  en ha nce  br east   ultraso und  im age  hav e   been   dev el op e d.   Wu   et   al .   us e d  sp ec kle  reducti on  bila te ral  filt ering  (S RB F)  to  ov e rc om e  sp eckle  noise s  wh il e  pr ese rv i ng   t he   inf or m at ion   of  i m age.  Howe ver,  the  SRB F   m et h od   can no t  el i m inate   the   i m age  la bel  [3 ] .  Othe rw ise ,   i m ag e   la bel  can  be  re m ov ed  by  usi ng  ada ptive  m edian  filt er  as  s how n  in  [4,  5] .  For  se gm enta ti on ,  m any  research  works  ha ve  pr ov e n  that  the  a ct ive  con t our  had   well   perform ance  to  be  app li ed  i n  ultra so un d  im ages  [6 - 10] .   Fo r  cl assifi cat ion,  analy sis  of   te xtu re  featu r es  su c h  as  histogram   sta ti s ti c ,  grey   le vel  co - occ urre nce  m at rices  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :    8 3 7   –   8 4 4   838   (G LCM )  a nd   gr ey   le vel  run  le ng th  m at rice s  (G LRLM )  w ere  us e d  by  N ugr oho  et   al .  fo r  cl assify in g  thyr oid  nodule s  into  s olid  an d  cy sti c   cl asses  [11].  So m e  featur es  includi ng   r oundne ss,  c onve xity ,  so li dity   and  aspec t   rati o,   play   im p or ta nt  ro le   f or  recogn isi ng   nodule   sh a pe.   I n  seve ral  stud i es,  Zer nik e  an d  inv a riant  m ome nts  wer e  al so   us ed   as  featur es  f or  nodule   sh a pe   analy sis  [5 ,  12 - 15] .  How e ve r,   not  al l  featur es  ha ve  sign i f ic ant   correla ti on   to  yi el d  accurate  cl assifi cat ion .  So m e  cl assifi e rs,   su c h  as  sup port  vecto r  m a chine  ( SV M)  [ 16,  17]  arti fici al   neu r a l  networ k  ( ANN)   [1,  12] ,  k - near est   neig hb our  ( K NN),  ra ndom   fo rest  a nd   Naïve  Ba y es  [12]  hav e  b ee n wid el y used f or cla ssifyi ng u lt ras ound im ages.   The  obj ect ive  of   t his  stu dy  is  to  de velo p  a  m et ho d  for  cl assify ing   the   nodule   sh a pe s  of   breast   ultraso und  im a ges  into  tw o  cl asses,  i.e.  re gu l ar  an d  irre gu la r  cl asses  as  il lu strat ed  in  Fig ure  1.   Cha racte r ist ic s  of  breast   nodu le   determ ines  the  m al ign ancy   le vel  of   breas t  cancer .  T he  r egu la r  nodule   ind ic at es  the   be nign  cancer  w hile  irre gu la r  no du l e  ind ic at es  the   m al ign ant  on e.  The  c om bin at ion   of  a dap ti ve  m edian  filt er  an d  SRB F  is  pr opose d  to   prese rv e   the  in f orm at io n  qu al it y  of  im ages.  M or e ove r,   nin e  sh a pe  f eat ur es  c onsist ing   of   rou ndness,   sli m ness  and   sev en  feat ur es  of   inv a riant  m o m ents,  are  e xtra ct ed  to  cl assif y  the  nodule   sh ape  of   br east   ultras ound im age.           (a)   (b)     Figure  1. The  c har act erist ic   of  breast  no du le   (a)  Re gula r (b)  I r re gu la r       2.   RESEA R CH MET HO D   The  dig it al   sca nn i ng  of  br e as t  ultraso und  i m ages  ta ke n  from   the  Ra dio l og y  De par tm e nt  of  Sar dj it o  and   Ha rdj oluk it o  Hospita ls,  Yogyaka rta,  Indonesia,  were  us e d  in  this  st ud y.  The  data  wer e  ac quire d  us in g  USG  L ogic   c5   Pr em iu m ,  Voluson.   The   dataset   co ns ist ed  of  10 5  RGB   im ages  in  bitm ap  form at ,  with   57   regular  a nd  48   irre gu la r  nodule   im ages.  Th e  57  regular   nodule   im ages  com pr ise d  of  11  oval   a nd  46  rou nd  sh a pes.   A n umber  of  67 im ag es w e re  us e d  a s d at a trai ning  and 38 im ages  as d at a test in g.    The  ra dio lo gis ts  wer e  involv ed  in  this  study   as  exp ert  for   validat ing   the   dataset .  The  nodule   sh a pe   app ea rs  da r k  colle ct ively   than  oth e rs.   T hi s  stud y  co nsi sts  of   fou r  m ai n  sta ges,   i.e.  pr e - proces sing,   segm entat ion , feat ur e s e xtract ion  a nd classi fi cat ion  as  sho w n  in  Fig ure  2.       R o I   n o d u l e   i m a g e P r e - p r o c e s s i n g   S e g m e n t a t i o n   F e a t u r e s   e x t r a c t i o n A c c u r a c y ,   s e n s i t i v i t y   a n d   s p e c i f i c i t y I n p u t P r o c e s s O u t p u t     Figure  2. Bl oc k diag ram  o f  th e pro posed  sc hem e       2.1.     Pre - pr oc essing   In   t he  br east   ul trasoun d  im ages,  no du le   sh a pe  a pp ea rs  as   a  co ncen t rated   dark  hole   area .  Firstl y,  the   rad i ologist   m a rk e d  the  s pecific  nodule   are a  of   the  or i gin al   i m age  to  ob ta in  reg i on  of   inte rest  (R oI)  a nd   fo c us e d  on  th e  area  a naly sis  as  dep ic te d  in  Fi gure   3.   T hen,  R oI   R GB   i m age  was  c onve rted  t o  grey scal e         Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Shape  analysis  for  cl as sif ic ation of  br e as t  nodu le s  on digit al  u lt ra s ound im ag e s   ( H anung  Adi Nu gro ho )   839   fo ll owe d  by  filt ering   proces s  us in g  the   com bin at io n  of   a da ptive  m edian  filt er  an d  SRB F  to  ov e rc om e   la bel   and s peck le   no ise s.   Ad a ptive  m edian  filt er  works  base d  on  a djacent  pix el s  and   is  ca pa ble  to  preser ve   t he  detai le d  inf or m at ion   of  the  f ocu se d  obje ct   wh il e  co nd ucting  noise   re du ct io n  [14,  15 ] .  Si m il ar  to  Gau ssian f il te r,  SRBF   is  sta rted  by  m easur in g  we igh t  of   Gau s s ia n  in  sp at ia l  do m ai n  and   range  of  intensit y.  The  SRB F  is   m at he m at ic a lly  expresse d  by   ( 1 ) .   He re,   f  is   the  in pu t  im age  an d  h  is  t he  ou tp ut  im age.  The  s patia l  ad j a cent  of  coor din at e  p  pi xel  is  descr ib ed  by  Ω  (p),   wh il e  ξ  is  the  var ia ble  com bi nation  represe nting   of   Ω  c oor din at e   pix el s.  T he  s pa ti al   weigh t  of  Eucli dea n  dist ance  bet ween   c   and   ξ  is  f unct ion e d  by  c,  w hi le   s  is  the  weig ht  that  o pe rates inte nsi ty  d om ai n  (w e igh t i nte ns it y).           Figure  3. The   RoI  m ark e d by ra dio lo gists       ℎ     =   − 1           Ω       ,         ,           (1)     2. 2.       Se gme ntati on   Segm entat ion   base d  on  act ive  con t our  is  co nducted  for  se gm enting  nodu le   area  and   se pa rati ng   from   it s  backgroun d.  The  c oncept  of   se gm entat ion   pr ocess  is  e m plo ye d  by  groupin g  sim il ar   pix el s  or   s ub - reg i on   into  the  la r ge r   reg i on.  It  is  s ta rted  by  deter m ining   t he  it e rati on   num ber   us e d  an d  set ti ng   t he  sta rtin g  po i nt  wh ic h  is  kn own  al so   as  seed  po i nt.  T hen   t he   sta rting   point   sp rea ds   gr a du al ly   in  su b  reg i on   (r e gion  gro wing)   base d  on the num ber  o f  it erat ion   us ed . In  thi s w ork , th e m a xim u m  n u m ber  o f  it erati on is  set  to f ifty  it er at ion s.   Finall y,  segm ented  nodule   known  a s  f oregro und  area   is  ob ta ine d;  ot herwise  it   can  be  cat e gori es  as  backg rou nd ar ea.    In   al m os t  all  c ases,  nodule   ar eas  ob ta ine d  from   rad iolog ist s  m os tl y  app ear  in  the  centre  RoI  im age.  Ther e f or e, t he  sta r ti ng  point i s d et erm ined  from   the centre o f  the Ro I  im a ge.  Ho wev e r,  fa lse  p os it ive ar ea sti ll  occurs  i n  the  segm ented  im age  of   act ive   con t our.   Th us ,   openi ng  m or phologica l  ope rati on   is   ap plied  t o  ov e rc om e this p r oble m .     2.3.     Fe ature  ext r act i on   Feat ur e  e xtract ion   a nd   featu re   sel ect ion   are  cond ucted  to  obta in  im po rtan t  featur es  relat ed  to  s ha pe   analy sis.  Thes e  featur e s  are  us e d  f or   cl assi ficat ion   proces s.  The  e xtract ed  feat ur es  a r e  Zern i ke  m ome nts,  inv a riant  m o m ents,  r oundne s s  and   sli m ness.   Zern ik e  m ome nts  are  the  ba sis  of   Zer nik e  po ly nom ia ls  fr om   x2   +  y2  ≤  1  ci rcle  [18]   as  fo rm ulate d  in  (2).   N otati on   r  is  the   rad i us   of   the  ( y,  x)   to  the  ce ntre  of  m ass,  θ   is  the   ang le   betwe en   r  a nd the  x - a xi s,  a nd Rp q  is  r adial  orth ogon al  p olyn om ia ls .       ,       =   c os ,   s in   =         .         (2)     Seve n feat ur e s  of in var ia nt m om ent  [19]   are  denoted  in  ( 3)   –   (9).     ∅ 1  =  (ŋ2 0  +  ŋ02)   (3)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :    8 3 7   –   8 4 4   840   Roun dn es s  kn own  as  c om pactness  feat ur e  is  a  si m ple  and   po pu la r  m ea su re  of  the  e ffi ci ency  of   a   sh a pe  co ntour .   Slim ness  or   a sp ect   rati o  is  ob ta ine d  f r om   the  rati o  bet w een  wi dth   an d  le ng th  of   t he  sh a pe.   Roun dn es s a nd slim ness  is f orm ula te d  by t he   ( 4 )  a nd  ( 5 ).     = 4 × 2     (4)     = ℎ ℎ     (5)     2.4.     Clas si ficat i on   A  m ajo r  ta s k  after  feat ur e  e xtracti on  is  to   cl assify   the  obj ect   i nto   on e   of   t he  se ver a l  cat ego ries .   Mult i - la ye r  per ceptr on  (MLP )  is  an  exam pl e  of   an  arti fici al   neu ral  net w ork  that  is  us ed  exten sively   fo r  th e   so luti on  of  a  num ber   of  diff e ren t  pro blem s.  It  is  a  la ye re d  netw ork  c om pr isi ng   i nput  node s,  hi dden  node s  an d  ou t pu t  node s a s sho wn in Fi gure  4.             Figure  4 .  Mult i - la ye r  pe rce ptr on       3.   RESU LT S   A ND AN ALYSIS   To  facil it at e  t he  processin g  of   breast   ultra so un d  im age,  or i gin al   RGB  form at   was  co nv e rted  i nt o  gr ey scal e  as  de scribe d  in  Figure  5.  Fil te r  process  w as  cond ucted  to  overc om e  so m e   com m on   pr ob lem s  in  ultraso und  i m a ges,  su c h  as   pr esence  s pec kle   noise s  a nd  la be ls.  Sele ct ion  of  filt erin g  te c hniq ue  was  al s o  base d  on m easur em e nt s peck le  i nd e x (SI) as  sho w n  in  Fig ure  6.               (a)   (b)   (c)     Figure  5. The  c onve rsion  resu l t (a) o rigin al  i m age (b)  R oI   RGB i m age ( b)  gr ey scal e  of   RoI  im age       As  s how n  i n  Figure  6,  the  com bin at ion   of  a dap ti ve   m e dian  filt er  a nd  SRB F  ob ta in s  the  l ow es t   sp ec kle  ind e x  (S I ).   It  in dicat es  that  com bin at ion   of  ada ptive  m edian  filter  an d  SRB F  is  m or e  ap pro pri at e  to   ov e rc om e  sp ec kle   no ise   tha n  the  oth e r  filt ering   te ch niques .   In   ad diti on,  th e  com bin at ion   of   a dap ti ve  m e dian   and SRB F m eth od is  capa ble  to elim inate  the i m age label a s sho wn in Fi gure  7.   Inp u t lay er   Hid d en   lay er   Ou tp u t   lay er   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Shape  analysis  for  cl as sif ic ation of  br e as t  nodu le s  on digit al  u lt ra s ound im ag e s   ( H anung  Adi Nu gro ho )   841       Figure  6. The  c om par ison s pe ckle in dex of s ever al   filt ering m e tho ds         (a)   Or i gin al   im ages     (b)   Me dian fil te red  im ages     (c)   Ad a ptive m edian fi lt ered  im a ges     (d)   Com bin at ion   of a dap ti ve  m edian  an d SRB F  filt ered  im ages     (e)   SRB F f il te red im ages     Figure  7.   Com par is on of  or i gi nal i m ages and fil te red  im ages u si ng v a rio us fil te rin g  m et ho ds       Fil te red   i m ages  su bse que ntly   underwe nt  act ive  co ntour - ba sed  segm entat ion.  The  visu al   com par ison  of   se gm entat ion   res ult  can  be   seen  in  Fi gure   8.   T he  segm ented  im ages  of  adap ti ve  m edian  an d  SRB F  f il te red   hav e   the  cl ose st  resu lt   to  t he   act ual  nodule   i m ages  as sess ed  by  rad i olog ist s.  Segm ented  no du le   was  then  processe d  to  ta ke  it s  featur e s.  Feat ur e  e xtr act ion   proce ss   ob ta ine d  ni ne   featur es  incl udin g  of  rou ndness,  slim ness  an d  s even  feat ur es   of  in var ia nt  m om ent.  Furthe r ,  ext racted  fea tures  a re  cl ass ifie d  base d  on   MLP   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :    8 3 7   –   8 4 4   842   cl assifi er.  T he   pe rfor m ance  of  trai ni ng  an d  te sti ng  featu res  was  e valu at ed  by  m easur in g  s om e  sta t ist ic al   par am et ers  su c h  as  accu racy,  sensiti vi ty  and  sp eci fici ty  u sin g ( 6 )  -   ( 7 ).     a ccur a c y = TP + TN TP + FP + TN + FN × 100%   (6)     sensi t iv ity = TP TP + FN × 100%   (7)     specificit y = TN TN + FP × 100%   (8)         (a)   O rigin al  im age       (b)  Se gm ented im age b y m edian fi lt er       (c)   Segm ented im age b y ad apt ive m edian  filt er       (d)  Se gm ented im age b y ad apt ive m edian  + S RB F     Figure  8 .  The  c om par ison o f  i m age seg m entat ion   resu lt s       Ther e   are   six   ty pes  of   cl as sific at ion  b ase d  on  e xtracted   fea tures.  T hey  are   Zer nik e   m o m e nt,  in va rian t   m o m ent,  r oundne ss  a nd  sli m ness,   and  th e  com bin at ion  of  these   th re e  kinds   of  fea tures.  T he  num ber   of  featur e s  desc ribes  the  nu m ber   of  input  la ye rs  in  the  M LP   cl assifi er.  Co m par ison   of  cl assifi cat ion   re s ults  of   these feat ur es  i s sho wn in T ab le  1 .        Table  1.  T he   Cl assifi cat ion  R esults o f  t he  Fe at ur es  of Ze rn i ke  M om ents,   I nv a riant M om e nts,   R oundne ss  and  Slim ness  Para m et ers   Extracted f eatu res   Nu m b e r  o f  f eatu re s   Accurac y  ( %)   Sen sitiv ity  ( % )   Sp ecif icity  ( % )   Zer n ik e  m o m en t   28   8 5 .70   7 9 .20   9 1 .20   Inv ariant  m o m en t   7   9 0 .50     8 7 .50   9 3 .00   Ro u n d n ess  and  sli m n ess   2   9 5 .20   9 7 .90   9 3 .00   Zer n ik e and  inv ari an t  m o m en ts   35   8 5 .70   8 1 .30   8 9 .50   Inv ariant  m o m en t,  rou n d n ess ,  sli m n es s   9   9 6 .20   9 7 .90   9 4 .70   Inv ariant  m o m en t,  Zer n ik e,  rou n d n ess ,  sli m n ess   37   9 5 .20   9 3 .80   9 6 .50       As  de picte d  in  Table  1,   t he  co m bin at ion   of   ni ne  extracte d  f eat ur es  c on sist ing   of   r ound ne ss,  slim ness  and   se ve n  feat ur es  of   in var ia nt  m o m ent  ob t ai ns   the  best  c la ssific at ion   re su lt s  with  accu racy,  sensiti vity   and   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Shape  analysis  for  cl as sif ic ation of  br e as t  nodu le s  on digit al  u lt ra s ound im ag e s   ( H anung  Adi Nu gro ho )   843   sp eci fici ty   96 . 20%,  97. 90%  and   94.70%.  More ov e r,   Ze r nik e  m o m ents  do   not  hav e  sign ific a nt  effe ct   of   cl assifi cat ion   ei ther  in  sel f  or   com bin at ion   with  othe r  feat ur es .  The  c ombinati on  of  Ze rn i ke  m o m ents   with   inv a riant  m ome nts,  rou ndnes s  an d  slim ness  eve n  re du ces   the  re su lt s  of  cl assifi cat ion   c om par ed  t o   t ha t  of  without  Zer ni ke  m o m ents.  More ov e r,   a  c om par ison   of   our  res ults  to  that  of   oth e r  publishe d  m eth ods  is  pr ese nted   in  T able  2.  As   sho wn   i n  Ta ble  2,   the  pro pose d  m et ho d  is  c ompara ble  to  oth e r  existi ng  m et ho ds  by   m ai ntaining   hi gh accu racy, se ns it ivit y a nd spec ific it y rate s.       Table  2.  C om par iso n of  Re su l ts t o Other  Met hods     Accurac y  ( %)   Sen sitiv ity  ( % )   Sp ecif icity  ( % )   Hu an g  et  al.   [ 1 6 ]     8 2 .2   9 4 .10   N/A   Tah m asb i et  al.   [ 1 3 ]   N/A   9 7 .60   9 7 .50   Ro u h i et  al.   [ 1 2 ]   9 6 .47   9 6 .87   9 5 .94   Prop o sed  app roach   9 6 .20   9 7 .90   9 4 .70       4.   CONCL US I O N     This  pap e r  pro po s es  a  sc hem e  to  cl assify   nodule   s ha pe  of  breast   ultras ound  im ages.  T he  sc hem e   consi sts  of   f our  m ai n  sta ges,   i.e.  pre - proces sing,  segm entat ion ,  featu re  e xtracti on  an d  cl assifi cat ion .  At  th e   i m age  enh a nce m ent  sta ge,   th e  com bin at ion   m et ho d  of   a da ptive  m edian  f il te r  and   SRB F  is  able  to  el im inate   the  la bels  of  the  ultraso und  br east   nodule   i m ages.  T he  cl assifi cat ion   of  nodule   sh a pes   was  div ide d  i nt o  tw o   cl asses,  i.e.  re gu la r  and   ir regular  cl asses.  T he  best  pe rform ance  of   cl assifi cat ion   is  ob t ai ned   by  us i ng  nin e   extracte d  feat ures  wh ic h  c om pr ise   of   se ve n  feat ur e s  of   inv a riant  m ome nts,  r oundne ss  an d  sli m ness.   T he  resu lt s  of  cl ass ific at ion   proce ss  achie ve  the   le vel  of  acc ur a cy ,  sensiti vity   and  spe ci fici ty   at   96. 20%,  97 .90%  and   94.70%,  r especti vely .  Th ese  res ults  ind ic at e  that  the  pr op os e d  has  a  po te ntial   to  be  i m ple m ente d  in  a   com pu te rised  a ided diag nosis  syst e m .    In   fu t ur e  resea rch,  the  oth e r  m al ign ancy  pa ram et er  su ch  a s  poste rio r  ac ousti c  pa ram et e r  can  be  us e d  to  analy se  the  br east   no du le s f or  furthe r  i m pr ovem ent  of   the  rad iol og ist   di agnosis.  I n  ad di ti on ,  to  i m pr ove  the  perform ance o f  this r esea rc h,  t he other  selec ti on m et ho ds  ca n be d e vel op e d wit h  the  o t her   featur e s for a  be tt er  cl assifi cat ion   r esult an d  acce l erate t he  c om pu ta ti on   proce ss .       ACKN OWLE DGE MENTS     This  researc h  work  is  fun de d  by  Di rectora te   Gen e ral  of  Higher   Ed ucat ion ,   Mi nistry  of  Re searc h,   Tech no l og y  a nd  Hi gh e r  E du c at ion ,  Re public  of   Ind on e sia .   The  a uthors  w ou l d  li ke  to  tha nk   ra dio lo gists   from   the  Dep a rtm e nt  of   Ra di ology,  RSUP  Sa rdjito  an d  Ha rdj olukit o  H ospit al   fo r  c oope rati ng   a nd   s har i ng   exp e riences .  We  w ould  al so  li ke  to  than k  t he  I ntell igent  Syst e m s  resear ch  gro up  m e mb ers  i n  our  De par tm ent   for  s har i ng all  o f  m eaning f ul  knowle dge.       REFERE NCE S     [1]   C. - M.  Chen,   Y. - H.  Chou,   K. - C.   Han,   G. - S.  Hung,  C. - M.  Ti u ,   H. - J.  Chiou ,   e t  al. ,   "Brea st  le sions   on  sonograms:  computer - ai d ed dia gnosis with  n ea rl y   se tt ing - ind epe nden t  fe at ure s a nd  art if ic i al   n eur al   n et works   1 , "  Radi olog y,   vo l .   226,   pp .   504 - 51 4,   2003 .   [2]   Y.  L.  Huang,  D.  R.   Chen,  Y.  R .   Jiang ,   S.  J .   K uo,   H.  K .   W u,   and  W .   Moon,  "Com pute r  ai de d  dia gnosis  usin g   m orphologi ca l  f ea tur es  for  c la ss if y ing  bre ast  l esi ons  on  ult rasoun d, "  Ultrasound  i n  Obs te tric s  &   Gyne col og y,   vo l .   32,   pp .   565 - 572 ,   2008.   [3]   S.  W u,   Q.  Zhu,   and  Y.  Xie,   "Eva luation  of  var iou s  spec kle   red uct ion  filters  on  m edi ca l  ult r asound  images, "  in  Annual   In te rnati onal  Conf ere nce of   the IE E E Eng ine ering   in Medi ci ne   and  Bi olog y   Society ,   2013 ,   p p.   1148 - 1151 .   [4]   D.  A.  Khus na,   H .   A.  Nugroho ,   an d  I.   Soesan ti ,   "P erf orm anc e  anal y sis  of  edge   and   det a iled  pre serv ed  spec k le   no ise   red uction  fil t ers  for  bre ast  ult ras ound  images, "  in  Inte rnational   Confe renc e  on  Information  Technol ogy,   Comput er,   and  Elec tri cal E ngine ering ,   201 5,   pp .   76 - 80 .   [5]   H.  K.  N.  Yus ufi y ah ,   H.  A.  Nugroho,  T.   B.   Adji,   and  A.  Nugroh o,   "F ea ture   ext ra ction  for  cl assif y i ng  le sion' s  shape   of  bre ast   ult r asound  images, "  in   2015  2nd  Int ernati onal  Con fe r enc e   on  Informa ti on  Techno logy,  Computer,   and   El e ct rica l  Eng in ee ring ( ICITACEE ) ,   2015,   pp.   1 02 - 106.   [6]   A.  K.  Jum aa t,  W .   E.   Z.   W .   A.  Rahman,   A.  I bra him,  and   R.   Mahm ud,   "S egmenta ti on  of   m asses  from   bre a st  ult rasound  imag es  using pa ramet ric   activ e  cont ou r  al gorit hm , "  Pr oce dia - So ci al  an d  Be havi oral  S cienc es,   vo l.   8,   pp .   640 - 647,   2010 .   [7]   A.  Nugroho,  H.  A.  Nugroho,  an d  L.   Chorid ah,  "A ct ive   cont ou r  bil atera l  filter  fo r  bre ast  l esions  segm ent at ion  o n   ult rasound im age s,"  in   Inte rnat io nal  Conf ere nce  on  Scienc e  in   Inf orm ati on  Techn ology ,   2015,   pp.   36 - 40.   [8]   M.  Savel onas ,   D.  Marouli s,  D .   Iak ovidi s,   S.  Karka nis,  and  N.  Dim it ropoul os,  "A   var ia bl e   bac kgro und  active   cont our  m odel  f or  aut om atic  d etec t ion  of  th y roid   nodule s  in  ul tras ound  images, "  i n  IEEE  Int ernational  Confe r ence   on  Image Proce s sing ,   2005,   pp.   I - 17 - 20.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 3 , N o.   2 ,  Fe bru ary  201 9   :    8 3 7   –   8 4 4   844   [9]   T.   F.  Chan  and  L.   A.  Vese,   "A ctive  cont ours  wit hout  edge s,"  IE EE   Tr ansacti ons  on  image  p roce ss ing,   vol.   10,   pp.   266 - 277,   2001 .   [10]   S.  La nkton  an d  A.  Ta nnenbaum ,   "Loc al i zi n g  reg ion - base d   ac ti v e  cont our s,"  IEE E  transacti ons  on  imag e   proce ss ing,   vol .   17,   pp .   2029 - 20 39,   2008 .   [11]   A.  Nugroho,  H .   A.  Nugroho,  N .   A.  Setiawan,  an d  L.  Chorid ah,   " Inte rna l  con te n t  cl assifi ca t ion  of   ult rasound  th y ro id  nodule s ba sed   o n  te x tura l   fe at ur es, "  Comm unic a ti ons i n   Scienc e and Tec hnolog y,  vol. 1, 2016.   [12]   R.   Rouhi,   M.  Jafa ri,   S.  Kasae i,   a nd  P.  Keshava rzi an,   "Beni gn  an d  m al igna nt  bre ast  tumors   cl assific a ti on  base d  o n  reg ion  growing   and  CNN   segm e nta ti on , "  Ex pert   Syste ms   wit h   Ap pli cations,  vo l. 4 2,   pp .   990 - 1002 ,   2015.   [13]   A.  Ta hm asbi,   F.  Saki,   and  S.  B.   Shokouhi,  "Classificat ion  of   beni gn  and  m al igna nt  m asses  base d  on  Ze rni ke  m om ent s,"  Com pute rs   in Bi olog y  and  M edi ci ne ,   vol.   41 ,   pp .   726 - 735,   2011 .   [14]   M.  Yang,   K.  Kp al m a,   and  J.  Ron sin,  "A   surve y   of   shape   fe at ur e  ex tra c ti on  t ec hn iqu es, "  Pattern  rec o gnit ion,  pp.   43 - 90,   2008 .   [15]   H.  A.  Nugroho,   H.  K.  N.  Yus ufi y ah,   T.   B .   Adji,   and  A.  N ugroho,   "Ze rn ik e  m om ent   fea tu re  e xtr ac t ion  fo r   cl assif y ing   le sio n' s  shape   of  br eas t  ult rasound  images, "  in   Int ernati onal  Con fe ren c e  on  In formation   Technol og y  and   El e ct rica l  Eng in ee ring ,   2015,   pp.   458 - 463.   [16]   Y. - L.   Huang ,   "Com pute r - ai de d  dia gnosis  using  neur al   n et w orks  and  support  vec t or  m achine s  for  bre as t   ult rasonogra ph y , "  Journal  of   Me dic al   Ultrasound,  vol .   17 ,   pp .   17 - 24,   2009 .   [17]   W. - J.  W u  and  W .   K.  Moon,   "U lt rasound  b rea st  tumor  im age   comput er - a ide d  di agn osis  with  te x ture   an d   m orphologi ca l   f ea tur es, "  A cadem ic   radiolog y,  v ol.   15 ,   pp .   873 - 8 80,   2008 .   [18]   M.  R.   Teague ,   "I m age   an aly s is via  th e  g ene r al   theor y   of  m om ent s, "  JOSA ,   vol .   70 ,   pp.   920 - 930 ,   19 80.   [19]   M. - K.  Hu,  "V is ual   p at t ern   r ec o gnit ion  b y   m om ent   inv ariant s,"  I RE   transacti ons  on  inf orm ati on   t heory ,   vo l.  8,   pp .   179 - 187,   1962 .   Evaluation Warning : The document was created with Spire.PDF for Python.