IMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN

MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2012

IMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN Firda Nur Safira1, Handayani Tjandrasa2, Arya Yudhi Wijaya3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember email : [email protected], [email protected], [email protected] ABSTRAKSI

Ekstraksi pembuluh darah secara otomatis pada citra retina merupakan langkah penting dalam diagnosis penyakit dengan bantuan komputer. Citra retina memberikan informasi terhadap perubahan patologis yang disebabkan oleh penyakit dan sebagai penanda awal dari gejala penyakit sistem indera penglihatan tertentu. Pendeteksian dini terhadap gejala-gejala penderita merupakan hal penting karena dapat diketahui perawatan yang bersesuaian. Karakteristik dari pembuluh darah pada retina membantu untuk menggolongkan tingkat keparahan penyakit ini, disamping juga dapat dijadikan sebagai petunjuk dalam pengobatan. Dalam tugas akhir ini metode matched Filter dan first-order derivative of Gaussian digunakan untuk melakukan ekstraksi pembuluh retina pada citra fundus mata berwarna. Pada awalnya citra green channel difilter menggunakan Matched Filter. Kemudian citra green channel ini difilter menggunakan First-Order Derivative of Gaussian Filter. Selanjutnya dilakukan threshold pada citra response terhadap Matched Filter, dimana level dari threshold ini telah disesuaikan dengan citra response terhadap FirstOrder Derivative of Gaussian Filter sehingga didapatkan citra keluaran yang merupakan citra yang hanya berisi pembuluh darah. Hasil eksperimen berdasarkan citra fundus mata berwarna yang tersedia, yaitu STARE dan DRIVE yang masing-masing terdiri dari 20 citra retina. Dengan menggunakan dua dataset ini, didapatkan akurasi sebesar 95,2% untuk STARE dan 93,7% untuk DRIVE masing-masing pada 10 kali percobaan. Metode ini terbukti mampu mengekstraksi pembuluh darah pada citra fundus mata berwarna dengan baik dan meminimalisir kesalahan deteksi yang ada pada metode Matched Filter. Kata Kunci: Ekstraksi pembuluh darah retina, Matched filter, Deteksi pembuluh, Deteksi garis. 1

Pendahuluan

Retina merupakan lapisan saraf yang melapisi bagian belakang mata, menangkap cahaya, dan menciptakan impuls yang berjalan melalui saraf optik ke otak. Identifikasi dari beberapa bagian anatomi retina merupakan persyaratan dari diagnosa awal beberapa penyakit retina [1]. Identifikasi ini dapat menggunakan citra retina. Citra retina memperlihatkan tampak dalam dari mata sehingga dapat membantu pengamatan terhadap penyakit yang terdapat pada mata. Pada beberapa penyakit, ketidaknormalan yang terjadi dapat dilihat pada pembuluh darah yang terdapat pada citra retina. Pendeteksian awal dapat dilakukan dengan melihat pembuluh darah yang membesar, percabangan yang tidak normal pada pembuluh darah, dan sebagainya. Untuk mencari

Mata adalah salah satu indera tubuh manusia yang sangat kompleks dan berfungsi untuk penglihatan. Meskipun fungsinya bagi kehidupan manusia sangat penting, namun seringkali kurang terperhatikan. Hal ini menyebabkan banyak penyakit dan gangguan yang menyerang mata. Pada saat ini, jumlah penyakit mata lebih dari 200. Sebagian menimpa kaum berusia 40 tahun keatas. Berdasarkan hasil studi yang dilakukan oleh Eye Disease Prevalence Research Group diperkirakan pada tahun 2020 jumlah penderita penyakit mata akan mencapai 55.000.000 jiwa.

1


pembuluh darah retina dari citra retina dapat dilakukan dengan ekstraksi pembuluh darah retina. Ekstraksi terhadap pembuluh darah retina dengan menggunakan citra retina dapat menyediakan sebuah pemetaan dari pembuluh darah di retina yang dapat memudahkan penilaian karakteristik pembuluh darah tersebut. Pendeteksian manual terhadap pembuluh darah ini sulit dilakukan karena penampakan dari pembuluh darah pada citra retina cukup kompleks dan muncul dalam kontras yang rendah. Oleh sebab itu, sebuah pengukuran manual akan sangat melelahkan dan dibutuhkan metode pendeteksian otomatis yang handal. Ekstraksi pembuluh darah secara otomatis pada citra retina merupakan langkah penting dalam diagnosis dan pengobatan penyakit dengan bantuan komputer untuk penyakit diabetic retinopathy [29], hypertension [10], glaucoma[11], arteriosclerosis dan retinal artery occlusion, obesity [12], dan lain-lain. Ekstraksi pembuluh pada dasarnya merupakan permasalahan untuk mendeteksi tepi dan telah banyak metode yang diajukan, misalnya metode filtering, mathematical morphology, trace, machine-learning dan lain-lain. Di antara berbagai macam metode ekstraksi, matched filter merupakan metode yang representatif, sederhana, dan efektif. Kekurangan dari metode matched filter adalah metode ini tidak hanya mengekstraksi pembuluh, tetapi juga mengekstraksi non pembuluh. Dalam Tugas Akhir ini penulis mengimplementasikan ekstraksi pembuluh darah retina pada citra fundus mata berwarna menggunakan metode matched filter dan firstorder derivative of Gaussian. Kontribusi utama dari Tugas Akhir ini adalah menemukan pembuluh darah retina pada citra fundus mata berwarna dengan menggunakan proses ekstraksi. Proses ini menggunakan metode matched filter dan firstorder derivative of Gaussian untuk menyempurnakan hasil deteksi pembuluh yang dilakukan metode matched filter. Metode ini mendapatkan hasil deteksi pembuluh yang hasilnya sebanding dengan metode lain yang kompleksitasnya lebih tinggi daripada matched filter. Selain itu metode ini sangat baik digunakan untuk citra pathological retina.

2

Tinjauan Pustaka

2.1

Citra

Citra dapat didefinisikan sebagai fungsi dua dimensi, f(x,y), x dan y merupakan koordinat spasial dan f pada koordinat (x,y) merupakan intensity atau gray level citra pada titik tersebut. Ketika x,y dan f bernilai diskrit citra disebut disebut citra digital. Citra digital merupakan citra yang dihasilkan melalui proses digitalisasi terhadap citra kontinu. Sehingga pengolahan citra digital merujuk pada pemrosesan citra digital dengan digital computer. Pengolahan citra digital mencakup proses yang input dan output-nya adalah citra dan juga proses yang mengekstrak atribut dari citra sampai dengan pengenalan objek. 2.2

Hubungan Antar Piksel

Terdapat beberapa jenis hubungan antar piksel, diantaranya ketetanggaan dan konektivitas. Sebuah piksel p pada koordinat (x,y) memiliki empat tetangga, yaitu tetangga yang berada pada arah horizontal dan vertikal. Keempat tetangga tersebut memiliki koordinat (x+1, y), (x-1, y), (x, y+1), dan (x, y-1). Piksel-piksel tersebut disebut sebut sebagai 4-neighbors dari p, yang dinotasikan dengan N4(p). Selain tetangga pada arah horizontal dan vertikal, terdapat empat tetangga piksel p pada arah diagonal. Koordinat piksel tetangga tersebut adalah (x+1), y+1), (x+1, y-1), (x-1, y+1), dan (x-1, y-1). Piksel-piksel tersebut dinotasikan dengan ND(p). ND(p) bersama dengan 4-neighbors disebut sebagai 8-neighbors dari p, dan dinotasikan dengan N8(p). Konektivitas antar piksel merupakan konsep dasar yang menyederhanakan definisi berbagai konsep dasar citra digital, seperti region dan boundary. Dua piksel dikatakan memiliki konektivitas bila kedua piksel tersebut bertetangga dan derajat keabuannya memenuhi kriteria kesamaan tertentu. Pada citra biner, dua piksel dikatakan memiliki konektivitas bila bertetangga dan memiliki nilai yang sama [13]. 2.3

Histogram

Histogram pada citra bertindak sebagai representasi grafis dari distribusi intensitas pada citra digital. Histogram merepresentasikan jumlah 2


piksel untuk setiap nilai intensitas. Dengan melihat histogram citra seorang pengamat secara sekilas bisa menilai keseluruhan distribusi intensitas pada citra tersebut. Sumbu horizontal pada histogram merepresentasikan nilai intensitas sedangkan sumbu vertikal pada histogram merepresentasikan jumlah piksel pada nilai intensitas tersebut. Daerah gelap direpresentasikan di sumbu horizontal sebelah kiri dan daerah yang terang direpresentasikan pada sumbu horizontal sebelah kanan. Jadi, semakin ke kanan intensitas semakin terang. Jika terdapat histogram yang datanya mengumpul di kiri berarti gambar tersebut sangat gelap sedangkan bila datanya cenderung mengumpul di kanan berarti gambar tersebut sangat terang. Sumbu vertikal mereprsentasikan ukuran daerah setiap intensitas karena informasi yang terdapat dalam histogram merupakan representasi distribusi intensitas piksel, maka dengan menganalisis histogram bisa didapatkan puncak atau lembah dari histogram citra tersebut. Informasi tersebut kemudian dapat digunakan untuk menentukan nilai threshold, sehingga histogram citra dapat digunakan untuk thresholding. Selain itu dapat dimanfaatkan untuk proses deteksi tepi dan segmentasi citra 2.4

citra berdasarkan pada perubahan intensitas yang tajam, seperti tepi pada citra. Sedangkan pendekatan pada kategori yang kedua berdasarkan pada pembagian citra menjadi daerah yang mirip berdasarkan pada sekumpulan kriteria yang telah didefinisikan sebelumnya. Beberapa contoh metode pada kategori ini adalah thresholding, region growing dan region splitting, serta merging. 2.5

Konvolusi Citra

Konvolusi merupakan perkalian antara dua fungsi, yaitu f dan g. Terdapat dua operasi konvolusi, yakni untuk fungsi malar dan fungsi diskrit. Untuk fungsi malar h(x,y) didefinisikan pada persaman 𝑕 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ 𝑔 𝑥, 𝑦 =

∞ ∞ 𝑓 −∞ ∞

(1)

𝑎, 𝑏 𝑔 𝑥 − 𝑎 𝑦 − 𝑏 𝑑𝑎𝑑𝑏 ∙

Konvolusi dengan fungsi inilah yang banyak digunakan pada pengolahan citra digital. Namun fungsi ini sulit diimpelementasikan menggunakan komputer karena komputer hanya dapat melakukan perhitungan pada data diskrit. Untuk itulah dibentuk operasi konvolusi h(x,y) untuk fungsi diskrit seperti pada persamaan

Segmentasi Citra

𝑕 𝑥, 𝑦 = 𝑓(𝑥, 𝑦) ∗ 𝑔 𝑥, 𝑦

Segmentasi membagi citra menjadi objek atau daerah yang dipilih. Sampai seberapa jauh pembagian dalam citra tersebut tergantung pada permasalahan yang ingin diselesaikan. Ketika objek yang ingin disegmentasi telah terisolasi, segmentasi harus dihentikan. Hal ini dilakukan karena tidak ada gunanya untuk melakukan segmentasi melebihi tingkat kedetailan yang seharusnya dibutuhkan untuk mengidentifikasi elemen tersebut. Sementasi citra merupakan salah satu pekerjaan yang paling sulit dalam pengolahan citra. Akurasi dari segmentasi menentukan kesuksesan atau kegagalan prosedur analisa yang terkomputerisasi. Oleh karena itu, sangat penting untuk meningkatkan akurasi segmentasi. Secara umum algoritma dalam segmentasi citra berdasar pada dua properti dasar dari nilai intensitas, yaitu diskontinuitas dan similaritas. Pendekatan pada kategori yang pertama adalah dengan membagi

=

∞ 𝑎=−∞

∞ 𝑏=−∞ 𝑓

(2) 𝑎, 𝑏 𝑔 𝑥 − 𝑎 𝑦 − 𝑏 ,

pada citra biasanya dinotasikan dengan persamaan 𝑂 𝑥, 𝑦 = 𝐼 𝑥, 𝑦 ∗ 𝐹,

(3)

dimana I(x,y) merupakan citra yang direpresentasikan dengan matriks m x n (𝑜 ≤ 𝑥 < 𝑚 dan 𝑜 ≤ 𝑦 < 𝑛), F merupakan kernel/filter/mask/window/template. Operasi ini dilakukan dengan langkahlangkah sebagai berikut: 1. Memilih ukuran kernel yang berupa bilangan ganjil. 2. Menempatkan kernel pada piksel yang dimulai dari kiri atas dan selalu beroperasi pada ukuran area ketetanggaan yang sama. 3. Mengalikan elemen-elemen pada kernel yang merupakan koefisien konvolusi 3


dengan elemen yang bersesuaian pada piksel-piksel tetangga pada citra. 4. Menjumlahkan seluruh hasil perkalian dan kemudian nilai keluaran yang berupa nilai tunggal ini disimpan di dalam lokasi piksel baru, yaitu pusat dari ketetanggaan aslinya. 5. Memindahkan kernel satu piksel ke kanan, melakukan kembali perkalian dan penjumlahan elemen seperti langkah 3 dan 4, dan bergerak satu piksel ke kanan sampai baris diselesaikan kemudian pindah ke baris dibawahnya. Pemindahan kernel ini dilakukan terus-menerus hingga selesai. 2.6

Operator Sobel adalah algoritma untuk mendeteksi tepi pada citra. Deteksi tepi pada dasarnya adalah untuk membedakan objek yang terdapat pada citra dengan background. Deteksi tepi mendeteksi perubahan yang tajam dalam brightness citra. Sebagiam besar metode deteksi tepi bekerja dengan asumsi bahwa tepi ditemukan ketika terdapat diskontinuitas pada intensitas. Terdapat banyak metode untuk melakukan deteksi tepi, namun secara garis besar ada dua metode untuk melakukan deteksi ini, yaitu Gradient dan Laplacian. Operator Sobel menggunakan pengetahuan bahwa sebuah tepi pada citra akan ditemukan ketika nilai gradiennya melebihi threshold. Gradien citra adalah perubahan intensitas atau warna pada sebuah citra. Operator Sobel menghitung perkiraan gradien citra dari setiap piksel dengan melakukan konvolusi citra terhadap pasangan filter 3x3. Filter ini mengestimasi gradien di arah horizontal (x) dan vertikal (y), kemudian besarnya gradien dihitung dengan menjumlahkan 2 gradien ini. Gambar 1(a) memperlihatkan filter x dan Gambar 1(b) memperlihatkan filter y. Sobel Detector sangat sensitif terhadap noise pada citra. Besarnya gradien dihitung menggunakan persamaan

Thresholding Citra

Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk objek dan background dari citra secara jelas. Citra hasil thresholding biasanya digunakan lebih lanjut untuk proses pengenalan objek serta ekstraksi fitur. Cara untuk mengekstrak objek dari background adalah dengan memilih nilai threshold T yang memisahkan dua mode tersebut. Kemudian untuk sembarang titik (x,y) yang memenuhi f(x,y) > T disebut titik objek, selain itu disebut titik background. Kesuksesan metode ini bergantung pada seberapa bagus teknik partisi histogram.

𝐺 =

Metode thresholding secara umum dibagi menjadi dua, yaitu Thresholding global dan Thresholding adaptif. Thresholding global dilakukan dengan mempartisi histogram dengan menggunakan sebuah threshold (batas ambang) global T, yang berlaku untuk seluruh bagian pada citra.Thresholding dikatakan global jika nilai threshold T hanya bergantung pada f(x,y), yang melambangkan tingkat keabuan pada titik (x,y) dalam suatu citra. Thresholding adaptif dilakukan dengan membagi citra menggunakan beberapa sub citra. Lalu pada setiap sub citra, segmentasi dilakukan dengan menggunakan threshold yang berbeda. 2.7

𝐺𝑥 2 + 𝐺𝑦 2 ∙

(4)

-1

0

+1

+1

+2

+1

-2

0

+2

0

0

0

-1

0

+1

-1

-2

-1

(a)

(b)

Gambar 1 Mask Sobel ; (a) Filter x; (b) Filter y; 2.8

Matched Filter

Matched filter adalah salah satu algoritma template matching yang digunakan untuk mendeteksi pembuluh darah pada citra retina dan aplikasi lain yang serupa. matched filter menggunakan properti spasial dari objek untuk dikenali. Ide dari matched filter ini sendiri muncul diawali dengan pengambilan sejumlah contoh dari

Operator Sobel

4


percabangan permbuluh darah mata. Kemudian profil tingkat keabuan dari contoh ini didekati dengan bentuk kurva Gaussian. Matched filter dirancang berdasarkan sejumlah properti dari pembuluh darah [15], yaitu:  



 

2D Matched Filter mendeteksi segmen pembuluh darah melalui konvolusi citra dengan kernel Matched Filter yang telah dirotasi dan kemudian dilakukan penyimpanan bagi yang memiliki respon maksimal. Kemudian dilakukan threshold dari hasil konvolusi ini untuk memperoleh sebuah segmentasi biner dari segmen pembuluh darah.

Pembuluh dapat didekati sebagai segmen anti-paralel Pembuluh memiliki reflektansi yang lebih rendah dibandingkan permukaan retina lain, sehingga pembuluh muncul relatif lebih gelap dibandingkan dengan background. Semakin menjauhi optic disk, ukuran pembuluh semakin mengecil. Ukuran pembuluh terdapat pada rentang 2-10 piksel. Profil intensitas bervariasi dengan jumlah yang kecil dari pembuluh ke pembuluh. Profil intensitas memiliki bentuk Gaussian

2.9

First-Order Derivative of Gaussian Filter merupakan turunan pertama dari Matched Filter. Ide penggunaan dari First-Order Derivative of Gaussian adalah percabangan pembuluh akan memiliki respon kuat positif terhadap Matched Filter tetapi respon terhadap First-Order Derivative of Gaussian Filter adalah anti-simetrik. Pada non pembuluh juga akan memiliki respon kuat positif terhadap Matched Filter tetapi respon terhadap First-Order Derivative of Gaussian Filter adalah positif dan simetrik. Oleh karena itu dapat digunakan untuk membedakan pembuluh dan non pembuluh yang kemudian meminimalisir munculnya non pembuluh pada citra. First-Order Derivative of Gaussian Filter didefinisikan pada persamaan

Oleh karena itu, filter berbentuk Gaussian dapat digunakan untuk mendeteksi pembuluh. matched filter adalah zero-mean Gaussian filter didefinisikan pada persamaan 𝑓 𝑥, 𝑦 =

1 2𝜋𝑠

𝑥2

𝑒𝑥𝑝 − 2𝑠 2 − 𝑚

(5) 𝑔 𝑥, 𝑦 = −

𝑥 ≤ 𝑡 ∙ 𝑠 , 𝑦 ≤ 𝐿/2 ,

𝑥 ≤ 𝑡 ∙ 𝑠,

dimana s merepresentasikan skala dari filter ini. 𝑡𝑠

First-Order Derivative of Gaussian

1

−𝑥 2

Nilai 𝑚 = −𝑡𝑠 𝑒𝑥𝑝 2𝑠 2 𝑑𝑥 / 2𝑡𝑠 2𝜋𝑠 digunakan untuk menormalisasi nilai rata-rata dari filter menjadi 0 sehingga smooth background dapat dihapus setelah proses filter dilakukan. L adalah panjang dari neighborhood sepanjang sumbu y untuk menghilangkan noise. t bernilai konstan dan biasanya diset 3 karena lebih dari 99% area dari kurva Gaussian berada pada rentang [-3s,3s]. Parameter L dipilih berdasarkan s. Ketika s kecil, maka L relatif bernilai kecil dan sebaliknya. 𝑓 𝑥, 𝑦 akan dirotasi dengan sudut 𝜃 untuk mendeteksi pembuluh di orientasi yang berbeda. Rotasi 𝑓 𝑥, 𝑦 dengan sudut 𝜃 dapat dilihat pada persamaan 𝑓 𝜃 𝑥 ′ , 𝑦 ′ = 𝑓(𝑥, 𝑦) 𝑥 ′ = 𝑥 cos 𝜃 + 𝑦 sin 𝜃 ∙ 𝑦 ′ = 𝑦 cos 𝜃 − 𝑥 sin 𝜃

𝑥 2𝜋𝑠 3

𝑥2

𝑒𝑥𝑝 − 2𝑠 2

(7)

𝑦 ≤ 𝐿/2 ,

dimana s merepresentasikan skala dari filter ini. L adalah panjang dari neighborhood sepanjang sumbu y untuk menghilangkan noise. Nilai t bernilai konstan dan biasanya diset 3 karena lebih dari 99% area dari kurva Gaussian berada pada rentang [-3s,3s]. Parameter L dipilih berdasarkan s. Ketika s kecil, maka L relatif bernilai kecil dan sebaliknya. 𝑔 𝑥, 𝑦 akan dirotasi dengan sudut 𝜃 untuk mendeteksi pembuluh di orientasi yang berbeda. Rotasi 𝑓 𝑥, 𝑦 dengan sudut 𝜃 dapat dilihat pada persamaan 𝑔𝜃 𝑥 ′ , 𝑦 ′ = 𝑔(𝑥, 𝑦) 𝑥 ′ = 𝑥 cos 𝜃 + 𝑦 sin 𝜃 ∙ 𝑦 ′ = 𝑦 cos 𝜃 − 𝑥 sin 𝜃

(6)

5

(8)


2.10

Operasi Morfologi

overlap piksel bernilai 1 saja pada citra asli atau dengan kata lain tidak overlap dengan background citra.

Salah satu penerapan morfologi adalah dalam pengekstrakan komponen citra yang berguna dalam representasi dan deskripsi bentuk. Dalam morphology sekumpulan refleksi dan translasi dilakukan berdasarkan structuring element (SE). Structuring element merupakan suatu set kecil atau subimage yang digunakan untuk memeriksa citra yang sedang dipelajari propertinya. Structuring element biasanya direpresentasikan dengan matriks 0 dan 1, namun terkadang hanya ditampilkan yang bernilai 1 saja. Pada bagian berikut ini dijelaskan mengenai beberapa operasi dasar dalam morphology. Operasi – operasi tersebut antara lain dilasi, erosi, opening, closing.

2.10.2 Opening dan Closing

Morphological opening merupakan erosi yang diikuti dengan dilasi. Morphological opening A oleh B, dengan A adalah citra yang akan diopening dan B adalah structuring element, dapat dinotasikan sebagai A ◦ B 𝐴∘𝐵 = 𝐴⊖𝐵 ⊕𝐵 ∙

Persamaan di atas secara sederhana dapat diinterpretasikan A ◦ B adalah gabungan dari seluruh translasi dari B yang pas sepenuhnya dengan A. Morphological opening menghapus daerah yang tidak mengandung structuring element, memperhalus kontur objek, memutus koneksi tipis, dan menghapus tonjolan tipis. Morphological closing merupakan kebalikan dari morphological opening. Jika pada opening, operasi yang dilakukan adalah erosi yang diikuti dengan dilasi, maka pada closing, operasi yang dilakukan adalah dilasi yang diikuti dengan erosi. Morphological closing A oleh B dapat dinotasikan dengan A • B

2.10.1 Dilasi dan Erosi

Dilasi adalah operasi yang membuat objek dalam citra biner menjadi lebih “tebal”. Penebalan ini dikontrol oleh structuring element. Sedangkan erosi merupakan operasi yang membuat objek menjadi lebih “tipis” atau “menyusut”. Penipisan pada erosi juga dikontrol oleh structuring element seperti pada proses dilasi. Secara matematis, proses dilasi A oleh B, dengan A adalah citra yang akan didilasi dan B adalah structuring element, dapat dinotasikan sebagai berikut : 𝐴 ⊕ 𝐵 = 𝑧 (𝐵)𝑧 ∩ 𝐴 ≠⊘ ,

𝐴∙𝐵 = 𝐴⊕𝐵 ⊝𝐵 ∙

(12)

(9) Seperti halnya pada opening, closing juga cenderung menghaluskan kontur pada objek. Perbedaannya adalah closing biasanya menyambung objek yang terputus dan mengisi lubang yang lebih kecil dari structuring element.

sedangkan proses erosi A oleh B dapat dinotasikan sebagai berikut : 𝐴 ⊖ 𝐵 = 𝑧 (𝐵)𝑧 ∩ 𝐴𝑐 ≠⊘} ∙

(11)

(10)

2.11

Secara grafis proses dilasi seperti proses mentranslasikan structuring element ke seluruh piksel pada citra dan kemudian diperiksa dimana saja piksel yang overlap dengan piksel yang bernilai 1. Lalu piksel citra hasil dilasi bernilai 1 pada setiap lokasi structuring element overlap minimal satu piksel bernilai 1 pada citra asli. Erosi secara grafis dapat digambarkan sebagai proses translasi structuring element ke seluruh citra dan kemudian dilakukan pengecekan utnuk melihat lokasi structuring element cocok sepenuhnya dengan foreground dari citra. Citra keluaran bernilai 1 pada setiap lokasi structuring element

Perhitungan Akurasi, TPR, dan FPR

Deteksi akurasi dari metode Matched Filter dan First-Order Derivative of Gaussian didefinisikan sebagai perbandingan dari jumlah total piksel yang terklasifikasi dengan benar dengan jumlah piksel di dalam field of view (FOV) [16]. Deteksi Akurasi dapat dilihat pada persamaan Akurasi =

𝑇𝑃+𝑇𝑁 𝑆

,

(13)

dimana TP = True Positive, TN = True Negative, S = Jumlah piksel di dalam FOV. 6


True Positive Ratio (TPR) didefinisikan sebagai perbandingan dari jumlah piksel yang terklasifikasi sebagai pembuluh dengan benar dengan total piksel pembuluh di dalam FOV ground truth [16]. TPR dapat dilihat pada persamaan 𝑇𝑃

TPR = 𝑆𝑃 , 𝑔

matched filter, perhitungan nilai threshold reference, perhitungan threshold, dan proses thresholding terhadap citra response matched filter sehingga didapatkan citra keluaran yang diinginkan. Citra keluaran yang diinginkan dalam hal ini adalah pembuluh darah retina. Selanjutnya dilakukan proses penghapusan pinggiran. Hasil akhir dari sistem ini berupa citra yang telah diekstraksi.

(14)

dimana TP = True Positive, SPg = Jumlah piksel pembuluh di dalam FOV ground truth. False Positive Ratio (FPR) didefinisikan sebagai perbandingan dari jumlah piksel non pembuluh yang terklasifikasi sebagai pembuluh di dalam FOV dengan jumlah piksel non pembuluh di dalam FOV ground truth [16]. FPR dapat dilihat pada persamaan 𝐹𝑃

FPR = 𝑆𝑁 , 𝑔

MULAI

Input : Citra Fundus Retina

Pemilihan Komponen Citra Green Channel

Perhitungan Nilai Mean

Proses filtering dengan First-Order Derivative of Gaussian Filter

Perhitungan Nilai Threshold Reference

Proses filtering dengan Mean Filter

Perhitungan Nilai Threshold

Normalisasi Citra

(15)

dimana FP = False Positive, SNg = Jumlah piksel non pembuluh di dalam FOV ground truth. Dari hasil perhitungan ini akan dikalikan dengan 100 yang kemudian didapatkan hasil akurasi dengan rentang antara 0% sampai 100%. 3

Proses filtering dengan Matched Filter

Citra response Matched Filter

Metodologi dan Implementasi

Proses Thresholding

Keseluruhan tahapan dalam ekstraksi citra dengan metode matched filter dan first-order derivative of Gaussian akan digambarkan pada diagram alir pada Gambar 2. Secara umum ekstraksi pembuluh darah retina pada citra fundus mata berwarna menggunakan metode matched filter dan first-order derivative of Gaussian ini terdiri dari berbagai langkah dalam proses ekstraksi. Pada awalnya citra inputan diubah menjadi citra biner dengan mengambil bagian green channel karena informasi pembuluh terbanyak terdapat pada bagian ini. Kemudian citra ini difilter menggunakan matched filter dan firstorder derivative of Gaussian filter. Citra hasil dari filtering menggunakan First-Order Derivative of Gaussian Filter ini selanjutnya difilter lagi dengan mean filter untuk mendapatkan local mean yang berupa daerah lokal dari non pembuluh. Selanjutnya citra hasil filtering dengan mean filter dinormalisasi, kemudian dilakukan proses perhitungan nilai mean dari citra response terhadap

Menghilangkan Pinggiran

Output : Citra dengan peta Pembuluh

Selesai

Gambar 2 Diagram Alir Model Sistem Secara Umum 3.1 Pemilihan Channel

Komponen

Citra

Green

Dalam proses pemilihan komponen citra green channel, citra masukan awalnya berupa citra fundus mata RGB. Selanjutnya komponen warna dari citra masukan hanya akan diambil komponen

7


green saja, sedangkan komponen lain yang terdapat pada citra akan dihilangkan. 3.1 Proses Filter

Filtering

dengan

order derivative of Gaussian filter yang nantinya akan dilakukan perhitungan local mean untuk menyesuaikan nilai threshold dalam mendeteksi munculnya pembuluh maupun non pembuluh. Im merupakan citra green channel dan 𝑔𝜃 𝑥 ′ , 𝑦 ′ merupakan first-order derivative of Gaussian kernel yang dirotasi dengan berbagai orientasi.

Matched

Dalam tahap ini, akan dilakukan proses filtering pada citra green channel dengan matched filter. Tujuan dari proses ini adalah untuk mendapatkan citra response terhadap matched filter. Pada awalnya dibuat matched filter kernel seperti pada persamaan (5) yang kemudian kernel ini dirotasi dengan sudut 𝜃 seperti pada persamaan (6). Selanjutnya citra green channel akan dikonvolusi dengan matched filter kernel ini untuk mendapatkan citra response. Proses filtering ditunjukkan pada persamaan 𝑓1 = 𝑖𝑚 ∗ 𝑓 𝜃 𝑥 ′ , 𝑦 ′ ,

3.3 Proses Filtering Citra Response FirstOrder Derivative of Gaussian dengan Mean Filter

Tahap selanjutnya adalah proses filtering citra response first-order derivative of Gaussian dengan mean filter. Tujuan dari proses ini adalah untuk mendapatkan local mean yang merupakan daerah lokal dari non pembuluh. Daerah ini yang nantinya akan diminimalisir keberadaannya. Proses ini ditunjukkan pada persamaan

(16)

dimana f1 merupakan citra hasil proses filtering dengan matched filter. Citra ini merupakan citra response terhadap matched filter yang menyimpan respon maksimal dari hasil filtering. Im merupakan citra green channel dan 𝑓 𝜃 𝑥 ′ , 𝑦 ′ merupakan matched filter kernel yang dirotasi dengan berbagai orientasi.

𝑓3 = 𝑓2 ∗ 𝑊 ,

dimana f3 merupakan citra hasil proses filtering citra response first-order derivative of Gaussian dengan mean filter. Citra ini merupakan citra local mean. F2 merupakan merupakan citra response terhadap first-order derivative of Gaussian filter. W adalah sebuah filter w x w yang semua 𝟏 elemennya adalah 𝒘𝟐 .

3.2 Proses Filtering dengan First-Order Derivative of Gaussian

Dalam tahap ini, akan dilakukan proses filtering pada citra green channel dengan firstorder derivative of Gaussian filter. Tujuan dari proses ini adalah untuk mendapatkan citra response terhadap first-order derivative of Gaussian filter. Pada awalnya dibuat first-order derivative of Gaussian kernel seperti pada persamaan (7) yang kemudian kernel ini dirotasi dengan sudut 𝜃 seperti pada persamaan (8). Selanjutnya citra green channel akan dikonvolusi dengan first-order derivative of Gaussian kernel ini untuk mendapatkan citra response. Proses filtering ditunjukkan pada persamaan 𝑓2 = 𝑖𝑚 ∗ 𝑔𝜃 𝑥 ′ , 𝑦 ′ ,

(18)

3.4

Proses Normalisasi Citra Local Mean

Dalam tahap ini, citra hasil filtering dengan mean filter dinormalisasi. Normalisasi yang dimaksud disini adalah setiap elemen dari citra berada pada rentang [0-1]. Proses ini ditunjukkan pada persamaan 𝑓4 = 𝑓3 ,

(19)

dimana f4 merupakan citra hasil proses normalisasi dari citra response first-order derivative of Gaussian dengan mean filter. Citra ini disebut citra local mean yang sudah dinormalisasi.

(17)

dimana f2 merupakan citra hasil proses filtering dengan first-order derivative of Gaussian filter. Citra ini merupakan citra response terhadap first-

3.5 Proses Perhitungan Nilai Mean dari Citra Response Matched Filter

8


Dalam tahap ini, dilakukan perhitungan nilai mean dari Citra response matched filter. Proses ini ditunjukkan pada persamaan 𝑓5 = 𝑓1 ∗ 𝑊 ,

Dalam tahap ini, citra response terhadap matched filter akan dithreshold dengan nilai threshold yang levelnya telah disesuaikan dengan citra response terhadap first-order derivative of Gaussian. Tujuan dari proses ini adalah untuk memisahkan struktur pembuluh dengan non pembuluh. Proses thresholding dapat dilihat pada persamaan

(20)

dimana f5 merupakan nilai mean dari citra response matched filter. F1 merupakan merupakan citra response matched filter. W adalah sebuah filter w x 1 w yang semua elemennya adalah 𝑤 2 . 3.6 Perhitungan Reference

Nilai

𝑓8 = 1 𝑓1 𝑥, 𝑦 ≥ 𝑓7 𝑥, 𝑦 , (23) 𝑓8 = 0 𝑓1 𝑥, 𝑦 < 𝑓7 𝑥, 𝑦

Threshold

dimana f8 merupakan peta pembuluh akhir. F1 merupakan citra response terhadap matched filter. F7 merupakan nilai dari threshold.

Dalam tahap ini, dilakukan perhitungan nilai threshold reference. Proses perhitungan nilai dari threshold reference dapat dilihat pada persamaan 𝑓6 = 𝑐 ∗ 𝑓5 ,

3.9

Dalam tahap ini, dilakukan proses untuk menghilangkan pinggiran citra. Pada awalnya, citra masukan diubah menjadi citra red channel. Dalam proses pengubahan menjadi citra red channel, citra masukan awalnya berupa citra fundus mata RGB. Selanjutnya komponen warna dari citra masukan hanya akan diambil komponen red saja, sedangkan komponen lain yang terdapat pada citra akan dihilangkan. Kemudian dilakukan deteksi tepi pada citra dengan menggunakan operator Sobel seperti pada persamaan (4). Setelah tepi didapatkan, kemudian dilakukan penebalan tepi dengan proses dilasi. Proses dilasi ini menggunakan structuring element berbentuk disk dengan radius yang disesuaikan dengan citra. Tepi yang telah menebal kemudian diubah warnanya menjadi 0 agar warna tepi ini sama seperti warna background. Dengan demikian pinggiran pada citra telah hilang dan hanya terdapat pembuluh yang telah diekstraksi pada citra.

(21)

dimana f6 merupakan nilai dari threshold reference. C merupakan nilai constant dan f5 merupakan nilai mean dari citra response terhadap matched filter. 3.7

Perhitungan Threshold

Dalam tahap ini, dilakukan perhitungan threshold yang akan digunakan dalam proses thresholding terhadap citra response matched filter. Threshold ini merupakan threshold yang levelnya telah disesuaikan dengan citra response terhadap first-order derivative of Gaussian. Proses perhitungan threshold dapat dilihat pada persamaan 𝑓7 = 1 + 𝑓4 ∙ 𝑓6 ,

Menghilangkan Pinggiran

(22)

dimana f7 merupakan nilai dari threshold. F4 merupakan citra hasil proses normalisasi dari citra response first-order derivative of Gaussian dengan mean filter. F6 merupakan nilai dari threshold reference.

4

Uji Coba dan Evaluasi

4.1

Data Masukan

Data yang digunakan pada uji coba ini adalah citra STARE [17] dan citra DRIVE [18] yang merupakan citra fundus mata berwarna berupa citra RGB. Citra yang akan digunakan ada dua puluh buah. Citra STARE [17] berukuran 605 x 700 piksel dan citra DRIVE [18] berukuran 584 x 565 piksel.

3.8 Proses Thresholding terhadap Citra Response Matched Filter

9


4.2 Uji Coba Perbandingan Hasil Akurasi, TPR, dan FPR dengan Nilai Skala Kernel yang Berbeda-beda

Pada skenario uji coba yang pertama ini akan dibandingkan nilai akurasi, TPR, dan FPR ekstraksi citra yang dihasilkan dari masing-masing citra dengan nilai skala kernel yang berbeda-beda. Uji coba pertama skenario ini akan diujikan pada citra im0077.ppm yang merupakan Gambar dari citra STARE [17]. Citra ini dapat dilihat pada Gambar 3. Pada skenario ini, nilai skala kernel akan diubah-ubah. Nilai skala kernel 10,5 untuk pembuluh tebal dan 4 untuk pembuluh tipis, nilai skala kernel 5 untuk pembuluh tebal dan 1,5 untuk pembuluh tipis, serta nilai skala kernel 1,5 untuk pembuluh tebal dan 1 untuk pembuluh tipis. Nilainilai ini ditentukan sebagai parameter nilai skala kernel. Dari nilai-nilai skala kernel tersebut, akan diimplementasikan pada citra masukan im0077.ppm yang merupakan Gambar dari citra STARE [17]. Hasilnya dapat dilihat pada Gambar 4, Gambar 5, Gambar 6, dan Tabel 1.

(b)

(a) Gambar 5

Hasil uji coba I dengan nilai skala kernel 5 untuk pembuluh tebal dan 1,5 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

(a) Gambar 6

(b)

Hasil uji coba I dengan nilai skala kernel 1.5 untuk pembuluh tebal dan 1 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

Tabel 1 Hasil akurasi, TPR, dan FPR dari hasil

ekstraksi citra pada uji coba I citra im0077.ppm No

Nilai skala kernel

1 2 3

(10,5 & 4,0) (5,0 & 1,5) (1,5 & 1,0)

Gambar 3 Citra im0077.ppm Uji Coba I

(a) Gambar 4

Nilai Akurasi (%) 90 92 95

TPR (%)

FPR (%)

78 83 79

9 6 3

Uji coba lainnya dilakukan pada citra 19_test.tif yang merupakan Gambar dari citra DRIVE [18]. Citra ini ditunjukkan pada Gambar 7. Hasilnya dapat dilihar pada Gambar 8, Gambar 9, Gambar 10, dan Tabel 2.

(b)

Hasil uji coba I dengan nilai skala kernel 10,5 untuk pembuluh tebal dan 4 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi 10


1 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi Tabel 2

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra pada uji coba I citra 19_test.tif

No

Nilai skala kernel

1 2 3

(10,5 & 4,0) (5,0 & 1,5) (1,5 & 1,0)

Gambar 7 Citra masukan 19_test.tif uji coba I


TPR (%)

FPR (%)

60 73 71

7 3 1

Hasil rata-rata akurasi, TPR, dan FPR dari masing-masing dataset dapat dilihat pada Tabel 3 dan Tabel 4. Tabel 3 (a)

(b)

Hasil uji coba I dengan nilai skala kernel 10,5 untuk pembuluh tebal dan 4 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

Gambar 8

No

1 2 3

Rata-rata Nilai Akurasi (%) (10,5 & 4,0) 89,6 (5,0 & 1,5) 91,6 (1,5 & 1,0) 95,0

Tabel 4

(a) Gambar 9

(a) Gambar 10

Nilai skala kernel

Rata-rata Nilai TPR (%)

Rata-rata Nilai FPR (%)

73,8 75,0 77,0

8,8 6,2 3,0

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra DRIVE pada uji coba I

No

Nilai skala kernel

Rata-rata Nilai Akurasi (%)



1 2 3

(10,5 & 4,0) (5,0 & 1,5) (1,5 & 1,0)

88,4 92,8 93,8

55,0 67,4 64,2

6,8 3,6 1,6

(b)

Hasil uji coba I dengan nilai skala kernel 5 untuk pembuluh tebal dan 1,5 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra STARE pada uji coba I

Dari nilai akurasi, TPR, dan FPR hasil ekstraksi citra ditunjukkan bahwa pemilihan nilai skala kernel mempengaruhi nilai akurasi, TPR, dan FPR hasil ekstraksi citra. Apabila selisih nilai skala kernel antara pembuluh tebal dan pembuluh tipis besar, maka akan semakin sedikit pembuluh yang masuk dalam ekstraksi dan daerah non pembuluh yang juga memiliki respon maksimal terhadap filter akan terdeteksi, sehingga nilai akurasi mengecil, TPR mengecil, dan FPR membesar. Sebaliknya, apabila selisih nilai skala kernel antara

(b)

Hasil uji coba I dengan nilai skala kernel 1,5 untuk pembuluh tebal dan 11


pembuluh tebal dan pembuluh tipis kecil, maka akan semakin banyak pembuluh yang terdeteksi dan daerah non pembuluh yang menghilang sehingga nilai akurasi membesar, TPR membesar, dan FPR semakin mengecil. Dari hasil percobaan menunjukkan bahwa nilai skala kernel 1,5 untuk pembuluh tebal dan 1 untuk pembuluh tipis akan menghasilkan akurasi, TPR, dan FPR terbaik.

Tabel 5

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra pada uji coba II citra im0163.ppm

No

Nilai L

1 2 3

(1 & 9) (3 & 2) (9 & 5)


TPR (%)

FPR (%)

67 80 80

10,0 3,0 2,0

4.3 Uji Coba Perbandingan Hasil Akurasi, TPR, dan FPR dengan Nilai L yang Berbedabeda

Pada skenario uji coba yang pertama ini akan dibandingkan nilai akurasi, TPR, dan FPR ekstraksi citra yang dihasilkan dari masing-masing citra dengan nilai L yang berbeda-beda. L adalah panjang dari neighborhood sepanjang sumbu y. Uji coba pertama skenario ini akan diujikan pada citra im0163.ppm yang merupakan Gambar dari citra STARE [6]. Citra ini dapat dilihat pada Gambar 11. Pada skenario ini, nilai L akan diubah-ubah Nilai L 1 untuk pembuluh tebal dan 9 untuk pembuluh tipis, nilai L 3 untuk pembuluh tebal dan 2 untuk pembuluh tipis, serta nilai L 9 untuk pembuluh tebal dan 5 untuk pembuluh tipis. Nilainilai ini ditentukan sebagai parameter nilai L. Dari nilai-nilai L tersebut, akan diimplementasikan pada citra masukan im0163.ppm. yang merupakan Gambar dari citra STARE [6]. Hasilnya dapat dilihat pada Gambar 12, Gambar 13, Gambar 14, dan Tabel 5.

(a) Gambar 12

Hasil uji coba II dengan nilai L 1 untuk pembuluh tebal dan 9 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

(a) Gambar 13

Gambar 11 Citra masukan im0163.ppm uji coba II

12

(b)

(b)



(a) Gambar 14

(a)

(b)

Gambar 17


(b) Hasil uji coba II dengan nilai L 3 untuk pembuluh tebal dan 2 untuk pembuluh tipis; (a) citra green channel; (b) hasil ekstraksi

Uji coba lainnya dilakukan pada citra 15_test.tif yang merupakan Gambar dari citra DRIVE [2]. Citra ini ditunjukkan pada Gambar 15. Hasilnya dapat dilihar pada Gambar 16, Gambar 17, Gambar 18, dan Tabel 6. (a) Gambar 18

Tabel 6 Gambar 15 Citra masukan 15_test.tif uji coba II No

Gambar 16


Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra pada uji coba II citra 15_test.tif

Nilai L

1 2 3

(a)

(b)

(1 & 9) (3 & 2) (9 & 5)


TPR (%)

FPR (%)

61 65 64

23,0 4,0 2,0

(b) Tabel 7


Hasil rata-rata akurasi, TPR, dan FPR dari masing-masing dataset dapat dilihat pada Tabel 7 dan Tabel 8.

13

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra STARE pada uji coba II

No

Nilai L

1 2 3

(1 & 9) (3 & 2) (9 & 5)

Rata-rata Nilai Akurasi (%) 87,4 94,8 95,4



65,0 76,0 76,2

9,6 3,0 2,2


Tabel 8

Hasil akurasi, TPR, dan FPR dari hasil ekstraksi citra DRIVE pada uji coba II

No

Nilai L

1 2 3

(1 & 9) (3 & 2) (9 & 5)

Rata-rata Nilai Akurasi (%) 77,2 92,2 93,6

Rata-rata Nilai TPR (%) 64,2 63,0 62,8

daerah non pembuluh. Daerah non pembuluh yang juga memiliki respon maksimal terhadap filter akan terdeteksi, sehingga nilai akurasi mengecil, TPR mengecil, dan FPR membesar. Sebaliknya, apabila selisih nilai skala kernel kecil, maka akan semakin banyak pembuluh yang terdeteksi dan daerah non pembuluh yang menghilang, sehingga nilai akurasi membesar, TPR membesar, dan FPR mengecil. Hal ini juga dapat dilihat dari hasil ekstraksi pembuluh darah. Apabila selisih nilai skala kernel antara pembuluh tebal dan pembuluh tipis besar maka akan banyak cabang-cabang pembuluh darah yang hilang dalam citra hasil ekstraksi. Selain itu daerah non pembuluh seperti optic disk atau macula dapat muncul pada citra. Apabila selisih nilai skala kernel antara pembuluh tebal dan pembuluh tipis kecil, maka banyak pembuluh darah yang sesuai dengan ground truth muncul pada citra. 2. Nilai L Nilai L yang digunakan dalam proses filtering memberikan pengaruh terhadap hasil akurasi, TPR, dan FPR ekstraksi citra. L adalah panjang dari neighborhood sepanjang sumbu y. Apabila nilai L yang digunakan untuk pembuluh tipis bernilai besar sedangkan nilai L yang digunakan untuk pembuluh tebal sangat kecil, maka akan semakin banyak pembuluh darah tipis dan garis non pembuluh yang masuk dalam ekstraksi, sehingga nilai akurasi mengecil, TPR mengecil, dan FPR membesar. Apabila nilai L yang digunakan antara pembuluh tebal dan pembuluh tipis tidak berbeda jauh masih banyak cabang-cabang pembuluh darah kecil yang terekstraksi sehingga walaupun nilai akurasi dan TPR sudah cukup bagus, nilai FPR dapat membesar. Hal ini juga dapat dilihat dari hasil ekstraksi pembuluh darah. Apabila nilai L yang digunakan untuk pembuluh tipis bernilai besar sedangkan nilai L yang digunakan untuk pembuluh tebal sangat kecil, sangat banyak cabang-cabang kecil dari pembuluh darah yang muncul pada citra. Selain itu banyak garis non pembuluh darah terlihat pada citra. Apabila nilai L yang digunakan antara pembuluh tebal dan pembuluh tipis tidak berbeda jauh, pada citra masih terdapat noise berupa cabangcabang pembuluh yang sangat kecil.

Rata-rata Nilai FPR (%) 20,8000 3,6000 2,0000

Dari nilai akurasi, TPR, dan FPR hasil ekstraksi citra ditunjukkan bahwa pemilihan nilai L mempengaruhi nilai akurasi, TPR, dan FPR hasil ekstraksi citra. Apabila nilai L yang digunakan untuk pembuluh tipis bernilai besar sedangkan nilai L yang digunakan untuk pembuluh tebal sangat kecil, maka akan semakin banyak pembuluh darah kecil dan garis non pembuluh yang masuk dalam ekstraksi, sehingga nilai akurasi mengecil, TPR baik, dan FPR membesar. Apabila nilai L yang digunakan antara pembuluh tebal dan pembuluh tipis tidak berbeda jauh masih terdapat cabang-cabang pembuluh darah kecil yang terekstraksi sehingga walaupun nilai akurasi dan TPR sudah cukup bagus, nilai FPR dapat membesar. Dari hasil percobaan menunjukkan bahwa nilai L 9 untuk pembuluh tebal dan 5 untuk pembuluh tipis akan menghasilkan akurasi, TPR, dan FPR terbaik. 5

Evaluasi

Dari hasil uji coba yang telah dilakukan, beberapa parameter yang digunakan selama uji coba memberikan pengaruh terhadap hasil proses ekstraksi pembuluh retina dengan metode matched filter dan first-order derivative of Gaussian pada citra fundus mata berwarna. Keterangan dari setiap pengaruh yang dihasilkan oleh parameter yang berbeda antara lain: 1. Nilai skala kernel Nilai skala kernel yang digunakan dalam proses filtering citra memberikan pengaruh terhadap hasil akurasi, TPR, dan FPR ekstraksi citra. Jika selisih nilai skala kernel antara pembuluh tebal dan pembuluh tipis besar, maka akan semakin sedikit pembuluh yang masuk dalam ekstraksi. Selain itu selisih nilai yang besar ini juga berpengaruh terhadap 14


Dibutuhkan nilai L yang tepat (yang dalam hasil percobaan sistem ini untuk pembuluh tebal 9 dan pembuluh tipis 5) agar nilai akurasi dan TPR tinggi, tetapi nilai FPR rendah.

akan menghasilkan tingkat akurasi dan TPR yang tinggi juga tingkat FPR yang rendah. Referensi

6

Kesimpulan

[1] Berdasarkan hasil uji coba yang telah dilakukan, terdapat beberapa kesimpulan yang dapat diambil, yaitu: 1. Dengan melihat hasil uji coba terbukti bahwa algoritma ekstraksi pembuluh retina dengan metode matched filter dan firstorder derivative of Gaussian ini dapat melakukan ekstraksi dengan baik citra fundus mata berwarna sehingga didapatkan hasil ekstraksi berupa pembuluh darah retina. 2. Nilai skala kernel yang digunakan dalam proses filtering mempengaruhi hasil akurasi, TPR, dan FPR ekstraksi citra dari proses algoritma ini. Semakin besar selisih nilai skala kernel antara pembuluh tebal dan tipis, maka semakin sedikit pembuluh yang terekstraksi dan semakin banyak daerah non pembuluh yang terdeteksi, sehingga nilai akurasi mengecil, TPR mengecil, dan FPR membesar. Apabila selisih nilai skala kernel antara pembuluh tebal dan pembuluh tipis kecil, maka banyak pembuluh darah yang sesuai dengan ground truth muncul pada citra. 3. Nilai L yang digunakan dalam proses filtering mempengaruhi hasil akurasi, TPR, dan FPR ekstraksi citra dari proses algoritma ini. Apabila nilai L yang digunakan untuk pembuluh tipis bernilai besar sedangkan nilai L yang digunakan untuk pembuluh tebal sangat kecil, sangat banyak cabang-cabang kecil dari pembuluh darah dan garis non pembuluh darah yang terlihat pada citra. Apabila nilai L yang digunakan antara pembuluh tebal dan pembuluh tipis tidak berbeda jauh, pada citra masih terdapat noise berupa cabangcabang pembuluh yang sangat kecil. Dibutuhkan beberapa kali percobaan untuk menghasilkan nilai L yang tepat sehingga

[2]

[3]

[4]

[5]

[6]

[7]

[8]

15

Patton, N., Aslam, T.M., MacGillivray, T., Deary, I.J., Dhillon, B., Eikelboom, R.H., Yogesan, K., dan Constable, I.J. 2006. Retinal image analysis: concepts, applications and potential. Progress in Retinal and Eye Research 25, 1:99-127. J.J. Staal, M.D. Abramoff, M. Niemeijer, M.A.Viergever, B. van Ginneken, Ridge based vessel segmentation in color images of the retina, IEEE Trans. Med. Imaging (2004) 501–509. J.V.B. Soares, J.J.G. Leandro, R.M. Cesar Jr., H.F. Jelinek, M.J. Cree, Retinal vessel segmentation using the 2-d gabor wavelet and supervised classification, IEEE Trans. Med. Imaging 25 (2006) 1214–1222. M. Niemeijer, J.J. Staal, B. van Ginneken, M. Loog, M.D. Abramoff, Comparative study of retinal vessel segmentation methods on a new publicly available database, SPIE Med. Imaging 5370 (2004) 648–656. M. Martı ́nez-Pe ́rez, A. Hughes, A. Stanton, S. Thom, A. Bharath, K. Parker, Scale-space analysis for the characterisation of retinal blood vessels, Med. Image Comput. Computer-Assisted Intervention (1999) 90–97. A. Hoover, V. Kouznetsova, M. Goldbaum, Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response, IEEE Trans. Med. Imaging 19 (3) (2000) 203–210. X. Jiang, D. Mojon, Adaptive local thresholding by verification based multithreshold probing with application to vessel detection in retinal images, IEEE Trans. Pattern Anal. Mach. Intell. 25 (1) (2003) 131–137. A.M. Mendonca, A. Campilho, Segmentation of retinal blood vessels by combining the detection of centerlines and


[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

morphological reconstruction, IEEE Trans. Med. Imaging 25 (9) (2006) 1200–1213. M.E. Martinez-Perez, A.D. Hughes, S.A. Thom, A.A. Bharath, K.H. Parker, Segmentation of blood vessels from red-free and fluorescein retinal images, Med. Image Anal. 11 (1) (2007) 47–61. H. Leung, J.J. Wang, E. Rochtchina, T.Y. Wong, R. Klein, P. Mitchell, Impact of current and past blood pressure on retinal arteriolar diameter in older population, J. Hypertens. (2003) 1543–1549. P. Mitchell, H. Leung, J.J. Wang, E. Rochtchina, A.J. Lee, T.Y. Wong, R. Klein, Retinal vessel diameter and open-angle glaucoma: the Blue Mountains eye study, Ophthalmology (2005) 245–250. J.J. Wang, B. Taylor, T.Y. Wong, B. Chua, E. Rochtchina, R. Klein, P. Mitchell, Retinal vessel diameters and obesity: a populationbased study in older persons, Obes. Res. (2006) 206–214. Gonzales, R.C., et al. 2004. Digital Image Processing Using MATLAB 3rd edition. United States of America : Prentice Hall. Wikipedia. 2011. Image Histogram, . S. Chaudhuri, S. Chatterjee, N. Katz, M. Nelson, M. Goldbaum, “Detection of blood vessels in retinal images using twodimensional matched filters”, IEEE Trans. Med. Imaging 8 (3) (1989) 263–269. B. Zhang, Lin Zhang, Lei Zhang, F. Karray, Retinal vessel extraction by matched filter with first-order derivative of gaussian, Computers in Biology and Medicine 40 (2010) 438-445 STARE Structured Analysis of The Retina.2000.STAREDatabase,

[18] DRIVE Digital Retinal Image for Vessel Extraction.2004.DriveDatabase,

16

IMPLEMENTASI EKSTRAKSI PEMBULUH RETINA DENGAN METODE MATCHED FILTER DAN FIRST-ORDER DERIVATIVE OF GAUSSIAN

Recommend Documents