Parasite detection is important for the diagnosis of many blood-borne diseases including malaria. As part of a program to develop a fast, accurate, and affordable automatic device for diagnosing malaria, a critical step is to automatically classify individual red blood cells in thin blood smear images. To automatically recognize malaria parasites in an image, this paper presents a red blood cell classification study for malaria diagnosis. To diagnose malaria, the threshold-based segmentation is implemented using the Otsu’s method succeeded by the distance transform and statistical classifier. The methods are applied to red blood cell images obtained from Kaggle. These experimental results show that the classification recognizes malaria parasite with 94.60% accuracy, 96.20% specificity, and 93% sensitivity.

Segmentasi citra merupakan salah satu tahap paling penting dalam computer-aided diagnosis yang berpotensi mempercepat proses diagnosis leukemia. Leukemia merupakan salah satu penyakit mematikan yang masuk ke dalam kategori kanker darah. Umumnya, pendeteksian leukemia limfoblastik akut (LLA) dilakukan secara manual di rumah sakit dengan cara menghitung secara manual sel leukosit yang terdapat pada citra apusan darah tepi hasil pewarnaan dengan metode immunohistochemical (IHC). Sayangnya, proses diagnosis manual memakan waktu 3−24 jam hingga hasil dapat diketahui dan cenderung tidak akurat karena tingkat kelelahan operator. Hasil yang tidak akurat dapat mengakibatkan kesalahan diagnosis yang berakibat fatal pada pasien. Sebuah metode segmentasi citra yang diusulkan oleh Vogado mampu mencapai akurasi 98,5% untuk menyegmentasi dataset ALL-IDB2. Namun, metode ini menggunakan algoritme pengelompokan k-means yang tidak optimal dalam menangani masukan citra yang memiliki intensitas derau yang tinggi. Dalam makalah ini, fuzzy c-means diterapkan guna mengetahui perubahan kinerja pada metode segmentasi tersebut. Dataset yang digunakan adalah ALL-IDB2 yang berjumlah 260 citra dengan ukuran masing-masing citra adalah 257×257 piksel dalam format tagged image file (TIF). Tahap awal metode ini adalah membagi citra dataset leukemia akut ALL-IDB2 menjadi skema warna cyan, magenta, yellow, key (CMYK) dan L*a*b yang kemudian mensubstraksi komponen M, yaitu dikurangkan dengan komponen *b. Hasil pengurangan tersebut kemudian dipisahkan dengan algoritme fuzzy c-means (FCM), yang kemudian menghasilkan keluaran citra yang hanya mengandung bagian nukleus dan latar belakang. Keluaran metode ini kemudian dievaluasi dan diukur menggunakan metrik accuracy, specificity, sensitivity, kappa index, dice-coefficient, dan time complexity. Hasil analisis menunjukkan bahwa pengubahan algoritme pengelompokan pada metode segmentasi citra tersebut tidak memberikan perubahan hasil yang signifikan, dengan rincian peningkatan terjadi pada metrik specificity dan precision rata-rata 0,1-0,4%, waktu eksekusi bertambah lama rata-rata 23,10%, dan penurunan terjadi pada metrik accuracy, yaitu turun menjadi 95,4238% dan nilai dice-coefficient 79,3682%. Maka, dapat disimpulkan bahwa penerapan algoritme FCM pada metode segmentasi yang diusulkan tidak memberikan peningkatan kinerja yang optimal.