Abstrak karya tulis ilmiah ini menyajikan sebuah metode untuk mendeteksi tiga jenis sel

darah merah normal ( RBCS ) disebut poikilocytes dalam kekeurangan zat besi dalam sel
darah merah. Klasifikasi dan menghitung jumlah poikilocyte sel adalah dianggap sebagai
langkah penting untuk mendeteksi anemia defisiensi zat besi ( IDA ) penyakit.Dacrocyte,
elliptocyte dan schistocyte sel penting tiga poikilocyte sel yang terjadi di (IDA).sel yang
melakukan proses, segmentasi, fitur ekstraksi dan klasifikasi langkah.Klasifikasi dilakukan
dengan menggunakan tiga jenis klasifikasi yang berbeda termasuk jaringan saraf ( NNET ),
mendukung vektor mesin ( SVM ) dan k-nearest neighbour ( KNN ) classifiers.Akhirnya,
output dari semua tiga klasifikais digunakan melalui pengambilan sebuah teori yang tepat
untuk memilih kelas. pemilihan teori, kelas yang menerima jumlah data yang paling banyak
dipilih sebagai akhir memperkirakan kelas sampel sel. Karya tulis ilmiah ini, ketepatan
usulan metode yang % 99 , % 97 dan % 100 untuk mendeteksi dacrocyte sel , elliptocyte sel
dan schistocyte sel , berturut-turut.

I. introduction

Anemia dianggap sebagai yang paling sering terjadi pada kerusakan yang hampir merata dan
hematological ini terutama disebabkan tidak adanya zat besi di dalam tubuh .Berkurangnya
zat besi anemia IDA atau semata mata inilah yang ditetapkan oleh Complate Blood Counted
test (CBC). Hal itu Akan masuk akal dan beralasan dengan ideyang di gunakan image
teknik. Sebuah teknik baru pengolahan diagnosa dari IDA. Dalam sebuah iron deficient
blood smear , bentuk dan ukuran sel darah merah mengalami perubahan secara signifikan
.Pertukaran bentuk dan ukuran ini disebut poikilocytosis variasi yang dikenal sebagai
anisocytos. Ada lebih dari sepuluh yang berbeda pada poikilocyte sel dalam darah yang
anemic smears dalam bentuk terluarnya, sebuah sel akan kembali menjadi selnya ( atau )
sebagai bentuk batasan batas pinggir ( pusat 1 ) pallor .Berdasarkan bentuk luar batas sebuah
sel , empat jenis jenis sel sel darah dapat masuk dalam kategori besi smear yaitu , dacrocytes ,
dan elliptocytes schistocytes . Sampel dari Keempat jenis darah ini diilustrasikan pada Gbr.1.
Dacrocytes tetesan air seperti sel dan Elliptocytes mirip dengan elips. Sel bulat memiliki
batas luar melingkar dan termasuk sel darah merah yang normal

Sel Poikilosit ini (Drosit, Elliptocytes dan Schistocytes) memiliki bentuk yang berbeda yang
dapat digunakan sebagai Fitur untuk mengklasifikasikan mereka. Dalam hal ini, setelah
mengumpulkan Data dan pembuatan gambar sel untuk ekstraksi fitur, Sel Dacrocyte, sel
Elliptocyte, sel Schistocyte dan round Sel diklasifikasikan dengan menggunakan teori
pemungutan suara maksimum. Karya tulis ilmiah tersebut terus berlanjut sebagai berikut:
Bagian II menjelaskan Metode preprocessing untuk meningkatkan kualitas sel Gambar,
segmentasi dan ekstraksi sel dengan lokalisasi. Di Bagian III, fitur yang tepat didefinisikan
dan digunakan sebagai masukan untuk klasifikasi sel Poikilocyte. Akhirnya, di Bagian IV,
Sel poikilosit diklasifikasikan dengan menggunakan pemungutan teori suara maksimum dan
hasil klasifikasi yang diberikan.
 II. MATERIAL AND METHODS
A. The data set
Paparan darah smear dikumpulkan di bagian patologi Rumah Sakit Sayad-Al-Shohada
(Isfahan, Iran) dan Departemen Ilmu Kedokteran Universitas Isfahan. Gambar dari
Pemeriksaan darah diambil dengan mikroskop (Olympus CH40RF200) dilengkapi
dengan kamera digital (Sony DSC Full HD 1080) dengan perbesaran efektif 100.
Kumpulan data Termasuk 30 sampel darah yang berbeda.

B. Preprocessing
Untuk performa segmentasi, fitur yang lebih baik Ekstraksi dan klasifikasi, operasi
peningkatan citra Harus dilakukan terlebih dahulu. Kontras antara sel dan Latar
belakang mungkin tidak seragam dalam gambar mikroskopis yang Menurunkan
langkah segmentasi. Kontrasnya diperkuat oleh Metode pemerataan histogram [2].
Gambar 2 menyajikan histogram Pemerataan pada gambar mikroskopis
C. Segmentation
Segmentasi merupakan langkah penting dalam analisis sel Gambar Pendekatan
segmentasi pada dasarnya terbagi menjadi Tiga kategori utama termasuk metode
berbasis ambang batas, Metode berbasis wilayah dan metode berbasis tepi. Ambang
batas Pendekatan berbasis adalah yang paling sederhana dan paling banyak digunakan
Metode untuk menggambarkan di mana kecerahan antara Benda dan latar
belakangnya berbeda. Karena itu, kami Menerapkan empat metode binarizasi yang
berbeda (dianggap sebagai Pendekatan berbasis ambang batas) untuk memilih yang
terbaik Efisien dalam gambar mikroskopis.
1) Sauvola: kita anggap 1 T sebagai ambang batas yang dikembalikan oleh
Metode Sauvola [3]. 1 T ditentukan oleh (1).

Dimana , , S dan k adalah rata-rata lokal, standar lokal Penyimpangan, dynamic

range standar deviasi dan fixed Parameter, masing-masing. Dalam tulisan ini, k
diasumsikan 0,1.2) Niblack: Dalam (2), 2 T adalah ambang Niblack [3].

Dimana , dan k adalah rata-rata lokal, standar lokal Penyimpangan dan

parameter tetap, masing-masing. Dalam hal ini, k Dipilih sama dengan -0,4.
3) Histogram Thresholding: Dalam gambar mikroskopis , Benda atau sel lebih
gelap dari pada latar belakang, demikian Histogram gambar akan memiliki dua
puncak utama. Ambang batas terbaik terletak di antara dua puncak dan mampu
memisahkan sel Dari latar belakang [2].
Hasil Sauvola, Niblack dan Histogram Metode binerisasi thresholding
diilustrasikan pada Gbr.3. Sebagai Hal ini terlihat jelas pada Gbr.3, beberapa
piksel batas hilang Beberapa sel. Oleh karena itu hasil dari metode ini
Tidak sesuai dengan klasifikasi sel Poikilocytic.
4) Otsu: Dalam metode Binariisasi Otsu kita mencari Ambang batas yang
memaksimalkan varians antar kelas yang didefinisikan oleh (3).

Dimana 3 T, 1 , 2 , 1 dan 2 adalah ambang Otsu, Probabilitas kelas pertama,

probabilitas kelas yang kedua, rata-rata kelas satu dan rata-rata Kelas kedua, masing
masing. Selanjutnya, probabilitas kelasnya adalah Didefinisikan seperti pada (4) dan
(5) di mana p adalah histogram gambar Dan [0, L -1] adalah rentang intensitas
kecerahan [4].
 Hasil penerapan Binarization Otsu pada sampel Gambar ditunjukkan pada Gambar 4..
Kelemahan algoritma Otsu ada di Binariisasi di mana kecerahan tidak seragam.
Seperti yang jelas pada Gbr.4, dengan menggunakan metode Otsu banyak sel
Terhubung bersama dan tidak bisa dipisahkan satu sama lain. Karena itu, dalam jurnal
ini gambar dibagi menjadi sembilan sama Bagian dan algoritma Otsu diterapkan pada
masing - masing bagian secara terpisah Untuk meningkatkan kualitas gambar biner.
Hasil dari Metode Otsu yang ditingkatkan ini diilustrasikan pada Gambar 4.

D. Removing Marginal Cells

Sel marginal di dekat batas gambar mungkin akan hilang Piksel penting dan batas luarnya
(atau bentuknya) terdistorsi. Karena algoritma pendeteksian kita sepenuhnya bergantung pada
Bentuk sel, akan lebih baik untuk menghilangkan yang tidak lengkap Sel marginal sebelum
diklasifikasikan. Pemindahan sel marjinal bisa Diterapkan hanya dengan mencari label dari
daerah berpotongan Bingkai gambar dan menghilangkan daerah ini. Gambar 5
Menggambarkan prosedur penghapusan sel marjinal yang diterapkan pada A contoh gambar.

E. Pelokalan dan Ekstraksi Sel

Untuk langkah ekstraksi fitur, dibutuhkan sel tunggal. Karena itu dengan mencari label dalam
gambar biner, posisinya Setiap sel ditentukan dan setiap sel diekstraksi Secara individu. Pada
Gambar 6, beberapa contoh sel yang diekstraksi telah di tunjukkan

III. THE DETECTION OF POIKILOCYTE CELLS

Dalam jurnal ini, fitur geometris yang tepat adalah Ditentukannya dan diklasifikasikan
menjadi tiga hal yang berbeda termasuk Neural Jaringan, SVM dan KNN digunakan untuk
mengklasifikasikan sel.

A. Ekstraksi Fitur

Pada dasarnya ada dua kelompok utama deskriptor gambar yangDigunakan untuk pengenalan
sel Poikilosit [5]:
1) Deskriptor Batas: Batas suatu objek Mendefinisikan bentuk atau morfologi objek. Karena
itu, Deskriptor batas cukup penting untuk pengenalan objek. Fourier Descriptor (FD) adalah
salah satu yang paling penting Deskriptor batas yang digunakan dalam makalah ini dan akan
dijelaskan berikut ini.
Dalam jurnal ini, fitur geometris yang tepat Ditentukan dan tiga klasifikasi yang berbeda,
termasuk jaringan neural, SVM dan KNN yang digunakan untuk mengklasifikasikan sel.
A. Ekstraksi Fitur Pada dasarnya ada dua kelompok utama deskriptor gambar Digunakan
untuk pengenalan sel Poikilosit [5]:
1) Deskriptor Batas: Batas suatu objek yang Mendefinisikan bentuk atau morfologi objek.
Karena itu, Deskriptor batas cukup penting untuk pengenalan objek. Fourier Descriptor (FD)
adalah salah satu yang paling penting dari Deskriptor batas yang digunakan di makalah ini
dan akan dijelaskan berikut.

Dimana N, (x, y) dan (x, y) mewakili jumlah total Piksel batas, koordinat piksel batas dan
Pusat gravitasi objek, masing-masing [6,7]. Dalam studi ini magnitudo dari 10 koefisien
pertama dari Deskriptor Fourier digunakan sebagai fitur dan menjadi rotasi Invariant,
informasi tahap tidak dipertimbangkan.
B) Deskriptor Wilayah Dasar: Ringkasan dari 16 dasar Deskriptor wilayah yang
digunakan dalam makalah ini diberikan di TABEL I [2,5,8,9]. Dalam TABLE I, D dan 2 A
mewakili perbedaan antara Dua fokus elips dengan momen kedua yang sama dengan Objek
dan daerah dari poligon cembung terkecil yang ditulis Objeknya masing-masing. Selanjutnya,
B adalah area dari Inscribing persegi panjang C dan H yang diasumsikan jumlahnya. Bagian
yang terhubung di suatu daerah dan jumlah lubang pada wilayah A. Sebagai tambahan, MAX
dan MIN diberikan pada (8) dan (9), masing-masing, dimana 11 , 20 , 02 adalah pusat
kedua Saat [9,10].
 TABLE I. BASIC REGION DESCRIPTORS

C) Moment Invariants: Moment Invariants diperkenalkan oleh Hu. Hu berasal tujuh

hal, yaitu Invarian oleh rotasi, penskalaan dan transformasi gambar [11]. Saat Invariants
terbukti sesuai dengan Deteksi pola Dalam tulisan ini maka tujuh momen Hu di [11]
Digunakan sebagai fitur untuk klasifikasi sel Poikilocyte.
B. Klasifikasi
Fitur yang digunakan sebagai masukan untuk Neural Network Dan klasifikasi SVM harus
dinormalisasi. Normalisasi Persamaan diberikan oleh (10).

Dimana x, x ', Minimum dan Maksimum mewakili spesifik Fitur, nilai normalisasi fitur, nilai
minimum Fitur pada kumpulan data pelatihan dan nilai maksimal Fitur pada kumpulan data
pelatihan total.

1) Klasifikasi oleh Neural Network: Dalam hal ini, kami Telah mengusulkan jaringan syaraf
dua lapis dengan 33 masukan (Fitur), 4 keluaran (kelas) dan 10 lapisan neuron yang
tersembunyi. Drosit, sel bulat, Elliptocytes dan Schistocytes Diberi label masing-masing
Kelas 1, 2, 3 dan 4. Kumpulan data Terdiri dari 100 sel setiap kelas (total 400 sel). % 70 dari
Data dialokasikan ke set pelatihan,% 15 ke set tes dan Sisa% 15 dipertimbangkan untuk set
validasi. Seperti yang telah Disebutkan sebelumnya, sel darah merah normal dikategorikan
dalam kelas sel bulat . Gambar 7 mengilustrasikan ROC set pelatihan dan tes. Menurut Gbr.7,
ROC dalam kondisi baik untuk semua Kelas kecuali kelas satu. Gambar 8 menunjukkan
Kebingungan Matriks untuk sampel pelatihan dan uji. Seperti yang terlihat pada Gambar 8,
85% dari sampel uji diklasifikasikan secara benar oleh Jaringan neural.

2) Klasifikasi oleh SVM: Untuk pengklasifikasi SVM dan KNN, Kami telah menggunakan
algoritma One Against All yang lebih baik Kinerja dibanding pendekatan multi kelas. Oleh
karena itu, ada Tiga klasifikasi SVM dan KNN untuk masing-masing dari ketiganya Kelas
(Dacrocyte, Elliptocyte dan Schistocyte). Demikian, Ada 100 sel dari masing-masing kelas
dan 100 sel dari kelas yang lain untuk setiap set pelatihan (total 200 sel pelatihan untuk
masing-masing Classifier) dan set tes berisi 100 sel yang berbeda. Saat menggunakan
algoritma One Against All, beberapa dari Sampel dapat diklasifikasikan di lebih dari satu
kelas. Untuk Menghitung akurasi dan ketepatan pengklasifikasi , kami punya Dieliminasi
sampel dan ini adalah alasan mengapa jumlah dari TP, FP, TN dan FN tidak sama dengan
100 (jumlah Sampel tes) dalam beberapa kasus. Keakuratan dan ketepatan SVM Klasifikasi
ditunjukkan pada Tabel II.
3) Klasifikasi oleh KNN: Pada karya tulis ilmiah ini, penggunaan yang terdekat (k = 1)
dengan jarak CityBlock. TABEL II menunjukkan hasil klasifikasi KNN untuk tiga Sel
Poikilocyte yang berbeda.
IV. FINAL RESULT OF MAXIMUM VOTING
Untuk mendapatkan hasil terbaik sebagai klasifikasi, Tiga pengklasifikasi digunakan untuk
membuat keputusan akhir tentang Sel. Oleh karena itu, akan lebih tepat untuk
menggabungkan penggolong. Alih-alih prosedur rumit untuk klasifikasi
Kombinasi, kita dengan mudah menggunakan ide voting maksimal. Dengan menggunakan
teori pemungutan suara maksimum, sampel diprediksi berada di Kelas tertentu jika jumlah
prediksi maksimal yang menentukan label kelas itu. Hasil akhir dari Klasifikasi dengan
menggunakan teori voting maksimum disajikan pada TABEL III
 TABLE II. PERFORMANCE OF SVM AND KNN CLASSIFIERS

IV. CONCLUSION

Dalam jurnal ini, kami mengusulkan sebuah pendekatan baru untuk

mendeteksi tiga Jenis sel Poikilosit termasuk Dacrocytes, Elliptocytes Dan
Schistocytes di IDA. Sel gambar disiapkan untuk Ekstraksi fitur dan klasifikasi
dengan preprocessing, Penghilangan dan segmentasi sel marginal. Kami
menyarankan 33 Fitur sebagai masukan untuk tiga klasifikasi yang berbeda
(NNET, SVM Dan KNN) kemudian klasifikasi akhir dilakukan dengan
menggunakan pendekatan teori maksimum pemungutan suara yang digunakan
untuk memberikan hasil klasifikasi yang menjanjikan.