BAB I PENDAHULUAN 1.1
Latar Belakang Diabetes Mellitus (DM) adalah penyakit kronik degeneratif tersering
dengan angka morbiditas dan mortalitas yang tinggi di dunia. Berdasarkan data dari World Health Organization (WHO), melaporkan bahwa Indonesia berada di urutan keempat negara yang jumlah penyandang DM terbanyak. Jumlah ini akan mencapai 21,3 juta pada tahun 2030 [1]. Diabetic Retinopathy (DR) adalah salah satu komplikasi mikrovaskular DM yang merupakan penyebab utama kebutaan pada orang dewasa di seluruh dunia [2][3]. Penelitian di Amerika, Australia, Eropa, dan Asia melaporkan bahwa jumlah penderita diabetic retinopathy akan meningkat dari 100.8 juta pada tahun 2010 menjadi 154.9 juta pada tahun 2030 dengan 30% diantaranya terancam mengalami kebutaan [4]. The Diab Care Asia 2008 Study melibatkan 1785 penderita DM pada 18 pusat kesehatan primer dan sekunder di Indonesia dan melaporkan bahwa 42% penderita DM mengalami komplikasi retinopati, dan 6,4% diantaranya merupakan retinopati DM proliferatif [5]. Resiko menderita DR meningkat sebanding dengan semakin lamanya seseorang menyandang DM. Faktor resiko lain untuk DR adalah ketergantungan insulin pada penyandang DM, nefropati, dan hipertensi [6][7]. Sementara itu, pubertas dan kehamilan dapat mempercepat progresivitas DR. Kebutaan akibat DR menjadi masalah kesehatan yang diwaspadai di dunia karena kebutaan akan menurunkan kualitas hidup dan produktivitas penderita yang akhirnya menimbulkan beban sosial masyarakat. Masalah utama dalam penanganan DR adalah keterlambatan diagnosis karena sebagian besar penderita pada tahap awal tidak mengalami gangguan penglihatan.
1
DR terdiri atas kelompok lesi yang muncul pada retina seseorang yang menderita diebetes selama bertahun-tahun. DR disebabkan oleh perubahan vascular di dalam sirkulasi retina. Pada tahap awal DR terjadi oklusi dan pelebaran blood vessels sehingga berkembang menjadi retinopati proliferatif dengan ditandai terbentuknya blood vessels baru. Biasanya tidak ada gejala yang menonjol pada tahap awal, tetapi dengan meningkatnya waktu maka tingkat keparahan DR terjadi. DR diindikasi oleh adanya beberapa ciri pathologi antara lain adalah blood vessels, mikroneurisma, cotton wool, hemorrhages, hard exudates, soft exudates dan neovascularis, Fovea Avascular Zone (FAZ). Salah satu ciri patologi yang memegang peranan penting dalam mengindikasi perkembangan DR adalah FAZ, hal tersebut dikarenakan adanya korelasi antara pembesaran FAZ dan perkembangan DR [8][9][10]. FAZ adalah zona visi yang paling akurat pada retina tanpa kapiler di pusat makula. Makula dibagi ke dalam umbo, foveola, fovea, parafovea dan FAZ [11]. FAZ memiliki diameter sekitar 5.5 mm dan direpresentasikan sebagai zona lingkaran gelap tanpa blood vessels pada pusat makula. Ukuran FAZ untuk subyek sehat bervariasi, tetapi biasanya memiliki diameter sekitar 500 μm [12][13][14] dan ukuran luas FAZ sekitar 0.4 mm2 [15][16][17][18][19]. Dalam praktek klinis, kualitatif DR dinilai dengan menggunakan kriteria Early Treatment Diabetic Retinopathy Study (ETDRS). Dokter memberikan ringkasan
deskriptif
yang
menunjukkan
fitur
seperti
tingkat
capillary
nonperfusion dan outline bentuk FAZ untuk setiap pasien. Keterbatasan pendekatan tradisional ini terdiri dari intraobserver and interobserver variability tidak tepat dalam pengukuran FAZ, maka diperlukan sistem komputerisasi dalam penilaian DR. Fundus Fluorescein Angiography (FFA) merupakan teknik invansive dan pasien membutuhkan biaya yang sangat mahal. Sedangkan citra fundus warna yang dihasilkan dari fundus camera lebih aman dan terjangkau oleh pasien, tetapi terdapat kekurangan yaitu citra yang dihasilkan terdapat variasi kontras tinggi maupun kontras rendah. Untuk mengatasi hal tersebut dapat
2
dilakukan melalui teknik enhancement pada citra fundus warna digital. Hal ini dapat mengurangi efisisensi pemakaian citra FFA, karena teknik dilakukan dengan penyuntikan agen kontras supaya hasil dari citra yang dideteksi lebih jelas. Pengaruh dari penyuntikan agen kontras dapat menyebabkan mual-mual dan bisa menyebabkan kematian. 1.2
Perumusan masalah Berdasarkan latar belakang masalah, maka dapat dirumuskan bahwa citra
fundus warna memiliki kontras yang bervariasi pada umumnya cenderung memiliki kontras yang rendah sehingga letak FAZ sulit dikenali karena FAZ dikelilingi dengan berakhirnya blood vessels kapiler yang mempunyai kontras rendah. Oleh karena itu, diperlukan cara bagaimana meningkatkan atau memperbaiki estimasi korelasi overlapping area. Overlapping area digunakan untuk menggantikan peran Ophthalmology. 1.3
Keaslian penelitian Penelitian tentang segmentasi FAZ masih sedikit dilakukan oleh para
peneliti, proses segmentasi dilakukan setelah proses pendeteksian. Deteksi DR biasanya menggunakan mikroneurisma, cotton wool, hemorrhages, hard exudates, soft exudates
dan
neovascularis, FAZ. Pada bagian ini diberikan kajian
mengenai beberapa penelitian yang bertujuan untuk melakukan segmentasi FAZ. Kajian dilakukan untuk memberikan informasi mengenai perbedaan dan kebaruan antara penelitian-penelitian sebelumnya dengan penelitian yang dilakukan pada saat ini. Penelitian FAZ sebelumnya pada umumnya menggunakan database privat, tetapi dalam penelitian ini menggunakan database publik. Fadzil dkk [20] meneliti FAZ menggunakan database FINDERS, penelitian terdiri dari dua tahap yaitu vessel extraction dan vessel reconstruction. Input citra berupa green channel. Tahap vessel extraction menggunakan median filtering dikombinasikan dengan resizing, Contrast Limit Adaptive Histogram Equalization (CLAHE) digunakan untuk meningkatkan vessel dan bottom hat untuk mengeliminasi artefak dari hasil citra CLAHE di background. Contrast
3
stretching diterapkan untuk meningkatkan contrast dari ekstraksi vessels. Rekonstruksi vessels menggunakan Seed-based Region Growing (SRG)/Gradient Region Growing (GRG). GRG untuk meningkatkan akurasi vessel reconstruction dan mengatasi permasalahan dari SRG. Hasil dari penelitian dapat disimpulkan bahwa segmentasi FAZ dengan menghubungkan seleksi endpoint blood vessel hasil lebih akurat daripada active contoure dengan cubic spline [21], karena harus mengekstrak blood vessel terlebih dahulu dari background. Segmentasi FAZ dengan menghubungkan endpoint blood vessels hasil lebih akurat karena metode ini mengekstraksi blood vessels dan seleksi endpoint blood vessels. Contrast stretching terbukti bisa meningkatkan kontras blood vessels. Hajeb dkk [22] menggunakan database dari Isfahan University of Medical Sciences Persian Eye Clinic (Feiz Hospital) untuk meneliti kontur FAZ menggunakan Digital Curvelet Transform (DCUT). Pertama yang dilakukan dengan mendeteksi Optic Disc (OD), menerapakan metode Contrast Limit Adaptive Equalization (CLAHE). Post-processing menggunakan deteksi tepi dengan menambahkan operator morfologi berguna untuk mengeliminasi kesalahan dalam mendeteksi. Langkah selanjutnya menentukan ROI area FAZ untuk mengcrop area yang diinginkan, kemudian untuk deteksi blood vessels menerapkan DCUT di matched filter dan length filter untuk meningkatkan kualitas dari blood vessels yang tipis dan mengeliminasi klasifikasi pixels. Segmentasi FAZ menggunakan teknik menghubungkan seleksi endpoints blood vessels, kemudian diekstraksi area FAZ. Uji validasi menggunakan statistik yaitu menghitung variance dan area dari luas pixel citra fundus warna dengan citra fluorescence angiogram. Uji validasi menghitung korelasi variance dan luas area FAZ. Menerapkan segmentasi matched filter dan length filter terbukti bisa memisahkan blood vessels dari background dan dapat mengeliminasi area yang bukan blood vessels. Zheng dkk [23] mengevaluasi kinerja segmentasi untuk melakukan kuantifikasi dari FAZ. Zona mengandung area FAZ pertama kali diekstrak dari citra asli kemudian dihaluskan dengan kernel Gaussian sebesar 1,5. Langkah
4
selanjutnya dengan indikator tepi dan di inisialisasi kurva dilakukan sampai 400 iterasi. Kemudian dibandingkan dengan citra segmentasi referensi oleh expert 1 dan expert 2. Citra hasil metode ini di overlapping (ditumpuk) dengan citra referensi, maka didapatkan area FAZ yang baru. Menggunakan one-way ANOVA menunjukkan tidak ada perbedaaan statistik di ukuran FAZ mendekati sama dengan ukuran dari expert menghasilkan Fcrit=2.44, F=0.014, P=0.999. Sistem yang dibuat menunjukkan korelasi linear signifikan secara statistik antara metode yang digunakan dengan penggambaran area FAZ secara manual. Dapat disimpulkan bahwa area FAZ untuk diabetes mempunyai area lebih luas dibandingkan dengan FAZ mata normal. Fadzil dkk [10] menggunakan database FINDERS dengan v-fold crossvalidation yang digunakan untuk mengevaluasi performansi dari sistem komputerisasi grading DR. Metode enhancement yang digunakan adalah CLAHE dan ICA, contrast stretching digunakan untuk meningkatkan contrast dari retinal vessel. Tahap selanjutnya menggunakan segmentasi retinal vessel dengan metode Otsu thresholding. Tahap selanjutnya determinasi FAZ dengan menghubungkan endpoint blood vessels, kemudian di analisis untuk grading DR. Penerapan contrast stretching dikombinasikan dengan operator morfologi cocok digunakan untuk contrast enhancement blood vessels. Fadzil dkk [24] mendeteksi FAZ otomatis menggunakan database FINDERS dengan melalui tahap contrast enhancement vessel terdiri dari Retinex dan ICA kemudian di seleksi komponen hemoglobin menggunakan ICA. Tahap segmentasi retinal vessel menggunakan matched filter dan region growing. Dari tahap tersebut selanjutnya dilakukan grading DR berdasarkan area FAZ dengan sebelumnya melakukan determinasi FAZ dan analisis FAZ dari grading DR. Hasil yang diperoleh menunjukkan bahwa segmentasi endpoint blood vessels menggunakan matched filter dan endpoint blood vessels berhasil mensegmentasi FAZ terbukti dengan nilai akurasi tinggi. Chanwimaluang dkk [25] mendeteksi blood vessels secara otomatis tetapi tidak sampai mensegmentasi FAZ. Tujuan dari mendeteksi blood vessels adalah
5
untuk membedakan antara normal dengan yang terkena DR. Segmentasi menggunakan matched filter dan entropic thresholding. Ekstraksi blood vessels terdapat kekurangan yaitu area FAZ, yang merupakan area tanpa blood vessels masih terdeteksi blood vessels, hard exudate dan soft exudate, karena tidak terdapat tahap enhancement. Top-hat transformasi morfologi dapat digunakan untuk meningkatkan kontras blood vessels [26][27][28][29][30]. Sementara contrast stretching dimanfaatkan oleh Fadzil dkk [20] untuk ekstraksi vessel menggunakan matched filter dan segmentasi menggunakan entropy thresholding untuk ekstraksi blood vessels. Chaudhuri dkk [31] meneliti berdasarkan metode matched filter dengan kernel Gaussian tunggal berpusat di rotasi sudut nol derajat. Chanwimaluang dkk [32] menambahkan entropi thresholding dan length filter di matched filter [31] untuk perbaikan lebih lanjut dari deteksi blood vessels. Zhang dkk [33] meneliti matched filter dengan first-order derivative of Gaussian untuk deteksi yang lebih baik dari blood vessels retina. Al-Rawi dkk [34] mengembangkan matched filter dengan menggunakan prosedur optimasi pada database DRIVE yang berjumlah 20 citra digunakan untuk menemukan parameter terbaik dalam matched filter. Dari berbagai macam penelitian yang telah ada tersebut, maka pada penelitian ini terdiri dari tahap praproses dengan tujuan peningkatan kontras dari area makula yang gelap, karena FAZ berada pada daerah makula. Letak FAZ memiliki kontras rendah yang terletak di area gelap makula, maka perlu dilakukan ekstraksi blood vessels. Tahap ini bertujuan memisahkan blood vessels dengan background. Maka setelah itu tahap segmentasi FAZ, didapatkan ciri dari FAZ yang dilihat dari luas area. Sedangkan uji korelasi validasi FAZ terhadap grading menggunakan database Messidor untuk mengevaluasi adakah korelasi FAZ dari metode yang diusulkan dengan FAZ menurut ophthalmology. Pengujian validasi FAZ menggunakan database DRIVE, dimana citra ground thruth digunakan sebagai pengganti citra FFA. Uji validasi FAZ berguna untuk mengetahui apakah metode yang diusulkan berhasil mengetahui keberhasilan dari metode yang dihasilkan untuk mengetahui adakah korelasi estimasi overlapping area FAZ
6
dengan perkembangan DR. Berikut ini adalah beberapa penelitian yang telah dilakukan yang dirangkum pada Error! Reference source not found.. Tabel 1. 1 Perbandingan keaslian penelitian No 1.
Peneliti
Data
Metode
Keterangan
Fadhil dkk Citra fundus Terdiri dari vessel Segmentasi [20]
warna
FAZ
extraction dan vessel dengan reconstruction. Input menghubungkan citra
greenchannel. endpoint
Tahap
blood
vessel vessels hasil lebih
extraction
akurat
menggunakan
metode
karena ini
median filtering + mengekstraksi CLAHE+contrast
blood vessels dan
stretching.
seleksi
Rekonstruksi vessel blood
endpoints vessels.
menggunakan Seed- contrast stretching based Growing
Region terbukti (SRG)
bisa
/ meningkatkan
Gradient
Region kontras
Growing
(GRG). vessels.
blood
GRG. Deteksi FAZ dengan menghubungkan seleksi
endpoints
blood vessel 2.
Hajeb dkk Citra fundus Mendeteksi validasi OD, Uji [22] warna menerapakan metode menghitung CLAHE. processing menggunakan
7
Post- korelasi variance dan luas area FAZ. Menerapkan
deteksi
tepi
+ segmentasi
operator morfologi. matched filter dan Segmentasi
blood length
vessels menerapakan terbukti
filter bisa
DCUT di matched memisahkan blood filter filter. FAZ
dan
length vessels
dari
Segmentasi background.
Dan
menggunakan dapat
teknik
mengeliminasi area
menghubungkan
yang bukan blood
seleksi
endpoints vessels
blood vessels. 3.
Zheng dkk Citra FFA [23]
validasi mengandung Uji area FAZ pertama ANOVA kali diekstrak dari menunjukkan Zona
citra asli kemudian korelasi dihaluskan dengan signifikan Gaussian statistik sebesar 1,5. Langkah metode kernel
linear secara antara yang
dengan digunakan dengan penggambaran area indikator tepi dan di inisialisasi kurva FAZ secara manual selanjutnya
dilakukan
sampai
400
iterasi.
Kemudian dibandingkan dengan
citra
segmentasi referensi oleh expert 1 dan expert 2. Citra hasil
8
metode
ini
di
overlapping dengan citra referensi. 4.
Fadhil dkk
Citra fundus Contrast
[10]
warna
Penerapan contrast : stretching+operator morfologi cocok
enhancement CLAHE+ICA+
digunakan bottom-hat+contrast stretching
untuk
contrast enhancement blood
Segmentasi : Otsu vessels thresholding Segmentasi FAZ : menghubungkan endpoint
blood
vessels 5.
Fadhil dkk Citra fundus Contrast Hasil [24] warna enhancement blood diperoleh
yang
vessels
menunjukkan
menggunakan
bahwa segmentasi
Retinex+ICA.
endpoint
Segmentasi vessels: filter
blood
blood vessels matched menggunakan
+
region matched filter dan
growing. Segmentasi endpoint
blood
FAZ
vessels
menghubungkan
mensegmentasi
endpoint vessels, DR
9
blood FAZ
berhasil
terbukti
kemudian dengan grading akurasi tinggi.
nilai
berdasarkan FAZ. 6.
Chanwima
blood Digunakan Citra fundus Segmentasi luang dkk warna vessels: matched mendeteksi
untuk
[25]
secara
blood
filter+entropic
vessels
thresholding.
otomatis. Ekstraksi blood
vessels
terdapat kekurangan
yaitu
di area FAZ masih terdeteksi
area
bukan
blood
vessels.
Contoh
hard exudate dan soft exudate masih terdeteksi. Karena tidak terdapat tahap enhancement. No
Peneliti
7.
Penelitian
Data
Metode
Citra fundus Praproses
top-hat Dengan
yang akan warna
dan
dilakukan
Messidor
stretching.
untuk
vessel
pengujian
menggunakan
dan
Keterangan
contrast enhancement Blood diharapkan
dapat
extraction memperoleh segmentasi
blood
DRIVE matched filter dan vessels yang bagus.
untuk
entropic
Uji validasi untuk
validasi
thresholding [25]
mengetahui
keberhasilan
Segmentasi
metode yang dengan diusulkan
FAZ korelasi
estimasi
overlapping
area.
menghubungkan titik Validasi dilakukan terakhir dari blood dengan
10
dengan
vessels [20].
validasi
FAZ
menggunakan database
DRIVE,
sedangkan validasi FAZ
terhadap
grading
dengan
database Messidor untuk
mengethaui
adanya
korelasi
FAZ metode yang diusulkan FAZ
dengan menurut
ophthalmology.
Perbedaan antara penelitian di atas dengan penelitian yang akan dilakukan adalah penelitian Chanwamaluang dkk
[25] mendeteksi
blood vessels
membedakan normal dengan tidak normal dan tidak terdapat tahap praproses, melakukan ekstraksi blood vessels menggunakan matched filter, local entropy thresholding dan length filter dan tidak meneliti FAZ. Sedangkan menurut Al Rawi dkk [34] matched filter sangat cocok untuk mendeteksi blood vessels. Fadzil dkk [20] mendeteksi blood vessels melalui tahap praproses menggunakan median filtering, CLAHE, bottom-hat dan contrast stretching. Penelitian ini ekstraksi blood vessels menggunakan metode Chanwamaluang dkk [25] dengan menambah tahap praproses dan tahap deteksi dan segmentasi FAZ. Tahap praproses berdasarkan penelitian Fadzil dkk [20] dengan menggunakan bottom-hat dan contrast stretching. Penelitian ini bottom-hat diganti dengan top-hat dan contrast streching. Untuk deteksi dan segmentasi dari FAZ menggunakan metode Fadhil dkk [20] dengan menghubungkan endpoint blood vessels. Penelitian ini menggunakan database publik, penelitian sebelumnya menggunakan database
11
privat. Database messidor yang terdiri dari empat grade yang sudah berlabel. Penelitian ini terdiri dari empat tahap adalah tahap praproses, ekstraksi blood vessels, segmentasi FAZ, uji korelasi. Umumnya praproses segmentasi diabetic retinopathy menggunakan green channel, penilitian ini menggunakan green channel yang dikonversi ke grayscale dengan mengaktifkan komponen green, sedangkan komponen red dan blue dibuat nol atau di non aktifkan. Tahap praproses membutuhkan enhancement, agar area makula yang merupakan area gelap lebih terlihat kontrasnya. Praposes untuk enhancement penelitian ini menggunakan top hat dan contrast stretching. Segmentasi FAZ menggunakan endpoint blood vessels dengan menghubungkan empat endpoint blood vessels tersebut. Segmentasi FAZ biasanya menggunakan deskripsi shape dengan active countur, tidak perlu segmentasi blood vessels. Dalam penelitian ini, mengekstrak blood vessels untuk mendapatkan endpoint blood vessels yang dipilih. 1.4
Tujuan Penelitian Tujuan utama dalam penelitian ini adalah : Mengembangkan teknik enhancement dan segmentasi dengan metode deteksi titik ujung kapiler pada citra fundus digital warna dalam memperbaiki estimasi overlapping area dan dapat mengetahui seberapa besar korelasi antara metode yang diusulkan dengan ophthalmology.
1.5
Manfaat Penelitian Penelitian ini mengembangkan metode untuk segmentasi FAZ. Setelah
dilakukan beberapa studi literatur terdapat beberapa metode yang dapat digunakan untuk segmentasi FAZ. Manfaat dari penelitian ini yaitu dapat membantu optimalisasi pekerjaan ophthalmology dalam menentukan FAZ. Dan juga dapat memberikan informasi bagi peneliti-peneliti mendatang untuk melakukan penelitian dan pengembangan metode untuk segmentasi FAZ pada diabetic retinopathy.
12
